Quando se deseja iniciar uma nova pesquisa é essencial que se faça uma análise do atual estado da arte do tema de interesse. No entanto, garantir que essa análise seja completa e justa, sem que nenhum trabalho seja favorecido na análise, é uma tarefa difícil. Esta é a principal justificativa para a realização de uma Revisão Sistemática da Literatura (RSL) e de um Mapeamento Sistemático da Literatura (MSL). Existem diversos motivos para a realização de revisões/mapeamentos, dentre eles pode-se destacar: a necessidade de sumarizar toda evidência empírica sobre determinado tratamento ou tecnologia; identificar gaps na área de pesquisa e sugerir pontos de futura investigação. Apesar de seus benefícios, a condução desses trabalhos continua sendo um processo manual e de trabalho intensivo. Uma RSL/MSL requer bastante esforço e ferramentas que apoiam a sua execução são fundamentais para auxiliar em cada etapa, orientando a sua execução, organização e consequentemente reduzindo o tempo necessário para sua conclusão. Existem esforços para semi automatizar etapas de uma RSL/MSL. Uma dessas abordagens é a aplicação de Aprendizagem de Máquina (AM) junto com a Mineração de Texto (MT) para semi automatizar o estágio de Triagem de Citação (TC), conhecida também como Seleção de Estudos (SE). No entanto, nem todas as soluções propostas são transparentes e adequadas. Apesar de que as primeiras adaptações de RSLs na área de Engenharia de Software (ES) ocorreram há mais de uma década, a perspectiva de boas ferramentas de apoio, construídas com base em técnicas de MT, é promissora, mas sua eficácia não foi totalmente explorada e testada. Este trabalho tem como principal objetivo a proposição de um método que visa reduzir o esforço e tempo de execução de Revisões e Mapeamentos Sistemáticos, com foco na fase de seleção inicial de estudos, na etapa de condução. Esse método utiliza características textuais de artigos, obtidas do título, resumo e palavras chave, e de posse dessas características aplicam-se técnicas de AM para classificar os artigos em aceitos ou rejeitados. A avaliação realizada visou identificar que configurações foram capazes de reduzir a quantidade de artigos a serem lidos, além disso a redução da perda de artigos relevantes. Os resultados apontam que com uma pequena perda de estudos relevantes é possível reduzir em até 59% a quantidade de artigos a serem lidos.