As fronteiras do conhecimento humano e o mecanizado no século digital (XXI): Uma análise de projetos de aprendizado baseado em máquina aplicados no campo da Ciência da Informação

RESUMO

Introdução:  O conhecimento humano, calcado na informação, depara com a perspectiva de ser substituído por um conhecimento de máquina, baseado também na informação, mas mediante seu processamento, suportado por avançados recursos de tecnologia de informação, que se sofisticaram em nosso século, dito digital. Emerge então a necessidade de delimitação desses conhecimentos em prol da correta compreensão do conhecimento que ora adquirimos neste século digital.

Objetivo:  Estabelecer modelo de referência para traçar uma linha divisória entre o conhecimento humano e o conhecimento baseado em aprendizado via de máquina, que possibilite delinear de forma mais acurada os limites de cada um desses conhecimentos e/ou sua confluência. Metodologia: Pesquisa bibliográfica agregada a uma pesquisa de campo, representada pelos trabalhos acadêmicos de projetos voltados ao conhecimento a partir do aprendizado baseado em máquina no campo da ciência da informação.

Resultados:  A pesquisa bibliográfica até então realizada denota a urgente necessidade de uma interdisciplinaridade plena dos campos da Ciência da Informação (CI) e da Ciência da Computação (CC), para uma correta apropriação pelo campo da CI, dos avanços da subárea do aprendizado baseado em máquina, que integra a área de inteligência artificial do campo da CC.

Conclusão:  Várias teorizações advindas do campo da CI, avaliadas na pesquisa bibliográfica em curso, acerca do aprendizado baseado em máquina, fundamentam-se, em sua maioria, em suposições que não encontram guarida nas bases técnicas do aprendizado baseado em máquina do campo CC, o que acaba por distorcer sua correta utilização pelo campo da CI.

PALAVRAS-CHAVE
Conhecimento; Tecnologias da informação; Aprendizado de máquina; Algoritmos.

ABSTRACT

Introduction:  Human knowledge, based on information, faces the prospect of replacement by machine knowledge, also based on information which, through its processing, supported by advanced information technology resources, have become more sophisticated in our so-called digital age. Accordingly, the need to define these types of knowledge to correctly understand the knowledge we are acquiring in this digital age is deemed necessary.

Objective:  To establish a reference model drawing a dividing line between human knowledge and knowledge based on machine learning, enabling a more accurate boundary of each of these knowledge types and/or their convergence. Methodology: Bibliographic research, combined with field research, was represented by papers from projects focused on knowledge acquisition through machine learning in the field of information science.

Results:  The bibliographic research carried out so far denotes the urgent need for comprehensive interdisciplinarity between the fields of Information Science (IS) and Computer Science (CS), for correct appropriation, by IS, of the advances in the sub-area of machine learning, which integrates the area of artificial intelligence within the CS.

Conclusion:  Several theories within Information Science, analyzed in the ongoing bibliographic research, regarding machine-based learning, are mostly based on assumptions not supported by the technical foundations of machine learning in the field of CS, which ultimately distorts their proper use in the field of Information Science.

KEYWORDS
Knowledge; Information technologies; Machine learning; Algorithms.

1 INTRODUÇÃO

Podemos afirmar que o conhecimento é dos mais relevantes atributos do ser humano, uma vez que lhe possibilita perceber tudo que o rodeia no ambiente em que convive, seja familiar ou social. Proporciona uma gama de interações físicas e mentais com esse ambiente, em que a informação é o meio pelo qual esse conhecimento é adquirido, mentalizado e “processado”, o que corrobora a análise de Pinto (apud Curras, 2005, p. 6):

(...) O conhecimento é um processo mental, inteligente, para adquirir saber, um passo intermediário na elaboração de linhas de opinião. Estaria entre a maior proporção de informação útil que impacta o cérebro e seu subsequente processo mental, que origina várias formas de pensamento.

A correlação entre a informação e o conhecimento é nítida, pois é fato que guardam complementaridade, e dificilmente podemos efetuar sua dissociação como processo mental humano. Uma das definições encontradas por Semidão (2014, 128 f.) nos ajuda a respaldar essa afirmação:

Essa definição estabelece um nexo entre “conhecimento” e “informação” desde uma perspectiva de identificação de natureza, em que “conhecimento” é “informação” (e também entendimento) involucrada na mente com respeito a algum assunto específico. Dessa maneira, sendo o conhecimento uma forma específica da mesma informação, seria possível observar a presença de uma noção de mudança de estado (da “informação” para a “informação” na mente sobre algum assunto).

A geração de novos conhecimentos obedece a um ciclo de retroalimentação, no qual a informação gera novos conhecimentos, caracterizando um processo mental estruturado: “uma vez criado o significado e construído o conhecimento, o uso da informação possui três vertentes: a tomada de decisão, a construção do conhecimento e a criação do significado” (Pinto, 2020, p. 11).

O conhecimento adquirido é rapidamente posto como informação novamente, o que Wersig (apud Kuhlen, 1990) denomina como “Conhecimento em ação¹”. No passo seguinte, as ações desencadeadas pelas três vertentes retrocitadas que, por sua vez, também quase instantaneamente redundam em conhecimento proporcionam ao ser humano graus maiores de evolução e progresso, tanto para si como para a humanidade que o cerca, o que é notório, haja vista os progressos marcantes da humanidade em termos sociais, políticos e tecnológicos num contexto histórico.

Esse é o contexto de como o conhecimento é veiculado na atualidade, o qual sempre foi atrelado a tecnologias, as mais diversas, constituindo objeto de estudo e observação por parte da Ciência da Informação, a exemplo da invenção da Imprensa, que permitiu a geração das Enciclopédias, conforme Burke (2000, p. 19): “A Enciclopédia é uma reunião de informação disponível em sua época e uma vívida ilustração, tanto da política, como da economia do conhecimento.”

Revisitando a história, contamos com inúmeros outros exemplos de tecnologias gestadas em prol da facilitação do uso da informação e da apreensão do conhecimento, para além da enciclopédia, como o advento da construção do computar Univac, 1951, passando pelas microfichas, 1961, os disquetes, 1984 (Burke, 2012), para citar mais alguns exemplos, mas, como também assinala Burke (2012): muitas dessas tecnologias entram em rápido processo de obsolescência, sendo substituídas por outras num processo constante de inovação.

Dentre essas inovações, uma que vem se configurando ao longo da história com certa proeminência é as “máquinas que pensam”, como assevera Burke (2012, p. 329):

Porém, o desenvolvimento mais significativo na história do conhecimento nesse período foi, sem dúvida, o advento de máquinas que - pode-se dizer - pensam, sabem e aprendem, seja jogar xadrez, mirar mísseis ou tirar fotografias de planetas distantes.

O advento das “máquinas ditas pensantes” nos conduz a um possível “novo” conhecimento, resultante do aprendizado gestado pelas mesmas, regrado por metodologias, com o uso de recurso matemático, o algoritmo, mesclado a conceitos estatísticos, como as redes neurais artificiais, inscritas em linguagens de programação, que inferem sobre bases de dados dispostas em infraestrutura de máquinas computacionais.

Como exemplo de metodologia, temos a Knowledge Discover Process (KDD) (Fayyad, 1996), composta de nove etapas, que vão desde o entendimento do domínio da aplicação, passando pela seleção do algoritmo, até a última fase voltada à consolidação do conhecimento descoberto.

Já, o algoritmo pode ser definido, segundo Regattieri (2018, p. 46), como: “O algoritmo computacional é um conjunto finito de instruções que, se seguidas, realizam uma tarefa específica.”

Essas instruções são incrementadas com conceitos estatísticos, cuja maior expressão na atualidade são as ditas redes neurais, que procuram simular o processo de aprendizagem humano, a exemplo do funcionamento dos neurônios biológicos encontrados no cérebro, como nos descreve Silva (2020, p. 174):

Em especial, redes neurais artificiais de aprendizado por reforço possuem um processo de treinamento análogo ao da aprendizagem em seres humanos, via repetição e reforço, pois a medida de desempenho do sistema é baseada não no que se espera numericamente da saída da rede, mas sim, se as saídas estão corretas ou não: ou seja, o parâmetro para verificar se uma rede neural com aprendizado por reforço é a tentativa e erro. Isto equivale à ideia de que, se uma determinada ação repetida for satisfatória, ela deverá ser reforçada para ser aprendida.

Para que a máquina venha a “compreender” esse conjunto de instruções, é necessária uma tradução, que é feita por um ser humano, no caso um programador, via programa voltado à máquina, o qual é baseado numa linguagem de programação previamente definida, a exemplo de Java, como nos demonstra Witten (2000, p. 265): “Java nos permite prover uma interface uniforme para muitos diferentes algoritmos de aprendizado²”.

A execução do programa é assentada em uma base de dados, também previamente definida no contexto da metodologia escolhida, que exige rigor no tratamento para evitar possíveis “ruídos” no final dessa execução. A dimensão das bases de dados atuais é imensa, requerendo, cada vez mais, recursos de máquina para armazenamento. Com isso, criam-se neologismos, como o “big data”, cujo significado, conforme Hartley (2019, p. 49), é: “O acúmulo de maiores coleções de dados do que era tecnicamente viável até a criação de vastos centros de dados, que os armazenam no que agora é ironicamente chamado de “a nuvem”.”

O conhecimento obtido por meio do aprendizado baseado em máquina está quase onipresente em nosso estágio inicial do século digital, disseminado em várias áreas de atividade humana, como negócios, academia e governo, expresso no uso de uma miríade de algoritmos, como nos traz Domingos (2017, p. 35) ao fazer referência à empresa Walmart:

O Walmart vende milhões de produtos e tem bilhões de decisões para tomar todo o dia; se seus programadores tentassem escrever um programa para tomar todas as decisões, nunca terminariam. Em vez disso, essas empresas aplicam algoritmos de aprendizado às montanhas de dados acumulados e deixam que eles adivinhem o que os clientes querem.

Apesar de uma aparente naturalidade evolutiva do conhecimento, que se torna mais “mecanizado” em possível detrimento do conhecimento humano, o qual parece estar sendo subjugado pelo “mecanizado”, cabem algumas indagações em relação a essa “trilha” evolutiva que estamos galgando a passos largos neste século digital, a saber.

Que tipo de conhecimento mecanizado é esse? No que se assenta? Quais são as inferências humanas sobre ele? Estaríamos perdendo faculdades humanas no uso desse conhecimento? Quais os limites do conhecimento humano e do “mecanizado”? Haveria alguma prevalência entre esses conhecimentos ou complementaridade ou ainda estaríamos falando de uma simetria?

Para responder a essas indagações, pretende-se efetuar uma análise aprofundada de projetos voltados a gerar o conhecimento de forma “mecanizada”. Este estudo propõe-se a ir além de uma pesquisa bibliográfica que esmiúce a evolução do conhecimento através dos tempos com o suporte tecnológico até se chegar ao contexto atual do século digital

A análise dos referidos projetos contemplará, desde as bases de concepção, passando pela escolha de metodologia, pelos recursos humanos e de tecnologia de informação, os resultados esperados e a aferição dos mesmos por questionário dirigido aos usuários que usufruíram do conhecimento gerado por máquinas, estabelecendo uma relação antes e depois, sem e com a “mecanização” do conhecimento.

Os projetos-alvo a serem avaliados serão prioritariamente os trabalhos acadêmicos direcionados à utilização do aprendizado baseado em máquina no âmbito do GT-8 - Tecnologia da ANCIB (Associação Nacional da Ciência da Informação no Brasil).

Cabe ressaltar que o conhecimento baseado no aprendizado de máquina não está isento de críticas e manifestas preocupações em relação ao seu uso cotidiano, apesar do sucesso que alcança. Holzinger (2018, p. 2) assim se pronuncia sobre o aprendizado baseado em máquina: “O sucesso é visível em muitos domínios de aplicação em nossa vida diária, desde a assistência médica até a produção³”.

Uma dessas críticas provém do efeito deletério que o conhecimento no aprendizado baseado em máquina pode causar ao ser agente provocador de desinformação, uma antítese à geração de conhecimento, conforme Bucci (2024), ao versar sobre a era digital em relação à informação e ao conhecimento: “Ela decorre do inverso: o excesso de desinformação” para, a seguir, asseverar: “a ignorância fabricada por algoritmos gelados e por tentáculos de silício.”

A ausência de uma linha divisória entre o conhecimento humano e aquele baseado em aprendizagem por via de máquina proporciona a existência de discursos, na atualidade, voltados à substituição do humano pela máquina, já que a capacidade da máquina de processar a massa de informações produzidas no século digital e, portanto, gerar conhecimento, em muito, sobressairia à faculdade humana de realizar tal processamento. O ser humano, então, por uma das vertentes desses discursos, seria um mero sujeito consumidor do conhecimento obtido por meio do aprendizado em máquina, prescindido da ação humana de pensar, a qual corresponderia ao mencionado processamento da máquina.

Outro motivo de preocupação é a gama de humanos alijados da era digital em razão de fatores econômicos, incluindo a falta de acesso a dispositivos tecnológicos, como computadores, cujo sucesso da aplicação do conhecimento baseado em máquina ainda está muito distante, como afirma Canclini (20005, p.236): “É inegável que a brecha digital gera desigualdades em produtividade e rendimentos do trabalho, opções de mobilidade ocupacional, acesso a mercados, voz e voto em política.”

Ambas as críticas e preocupações mereceriam uma atenção mais aprofundada em futuros estudos, dada a relevância que trazem para patamares mais concretos no contexto da evolução do conhecimento humano e daquele trazido pelo conhecimento baseado em aprendizado proveniente de máquina, além de outras questões que merecem um olhar atento, abaixo formuladas:

• • O ser humano é eminentemente um ser carente de materialidade, o que não corresponde à realidade do conhecimento baseado no aprendizado baseado em máquina, dependente de dados baseados em arquivos eletrônicos.

• • Na atualidade se conta com grande pressão econômica proveniente das chamadas “Big-Techs”, as maiores empresas de tecnologia americanas, a exemplo da Microsoft, para compra de produtos oriundos do campo de estudo da IA (Inteligência Artificial), cujo aprendizado baseado em máquina é uma subárea, o que está suscitando discursos de suplantação do conhecimento humano pelo de máquina.

• • A IA está se revelando um grande mercado de oferta de produtos, serviços, e treinamento, por uma infinidade de atores desse mercado, o que provoca insegurança para aqueles que objetivam uma preparação para usar os produtos de IA, a exemplo de profissionais da ciência da informação, que não contam com preparação técnica para esse uso.

• • A IA é uma área da (CC). O termo IA é utilizado de mais diversas formas e propósitos, o que não contribui para se contar com uma definição objetiva e clara desse termo, o que faz com que seu uso, muitas vezes incorreto, à luz da CC, contribua para o aparecimento de múltiplas formulações, não propiciando uma utilização mais assertiva por aqueles que se propõem a adentrar nessa área da CC.

Em face da ausência de uma linha divisória entre os conhecimentos humanos e de máquinas, caberia identificar as bases que possibilitariam estabelecer um modelo de referência e traçar tal divisória, possibilitando estabelecer de forma mais aprofundada os limites entre eles ou sua confluência.

Essas bases são constituídas pelas ações de inferência humana na obtenção de conhecimento por meio do aprendizado por máquina, bem como no tratamento necessário a essa obtenção, delineando as ações “automáticas” de máquina e, posteriormente, as ações humanas no tocante à utilização do conhecimento gerado pelo aprendizado por máquina.

A identificação referida visaria avaliar detidamente o conhecimento produzido pelo aprendizado baseado em máquina em comparação com o conhecimento humano, estabelecendo os diferenciais de um ou de outro, norteados pelos resultados em relação à aplicação do conhecimento “mecanizado”, obtidos nos projetos de aprendizado baseado em conhecimento adquirido por meio de máquina por parte dos beneficiários desse conhecimento.

2 OBJETIVOS

Então, por meio da determinação de características de ambos, haveria a tipificação desses conhecimentos à luz do comparativo retromencionado, pois é nítida a percepção de que o conhecimento adquirido pelo ser humano conta com bases já bem delineadas, através dos tempos, mas o conhecimento proveniente do aprendizado baseado em máquina nos impõe novas bases, as quais mereceriam ser esmiuçadas. Nesse sentido, caberia:

• • Identificar o insumo em que o conhecimento baseado em máquina se baseia, com uma avaliação profunda do mesmo, a partir de uma visão crítica de uso, procurando estabelecer suas vantagens e desvantagens em relação ao conhecimento humano.

• • Demonstrar os formatos da interação humana na geração e obtenção do conhecimento baseado em máquina, vislumbrando a contribuição humana em relação ao “mecanizado”.

• • Estimar a utilização do conhecimento baseado em máquina pelo ser humano, de forma a compreender se esse conhecimento conta com uma instantânea utilização ou se está sujeito a um pré-julgamento humano.

• • Definir uma possível hierarquização vertical entre o conhecimento humano e o baseado em máquina, numa forma de submissão, ou uma lateralidade horizontal, que comportaria uma interdependência.

Neste sentido, será de grande valia a avaliação dos projetos baseados em aprendizado de máquina no sentido de também contribuir para o alcance dos objetivos elencados, além de uma base teórica que nos possibilite obter as referências necessárias para estabelecer os comparativos entre os conhecimentos humanos e “mecanizados”.

3 REVISÃO DE LITERATURA

Até chegarmos à presente discussão sobre o aprendizado baseado em máquina, galgamos todo um processo evolutivo, com o uso de distintas tecnologias pela humanidade, que servem como base para apoio e para atender aos objetivos aqui almejados, primeiro em relação ao conhecimento humano, conforme nos aponta Burke (2012, p. 12):

A tecnologização do conhecimento continuou no mesmo passo da guerra, levada pela quarta onda de Kondratiev, a da “era eletrônica”, com marcos como os seguintes: 1951 computador Univac; 1956 aviões de espionagem U-2; 1957 Sputnik; 1958 fotocopiadora; 1959 primeiro satélite meteorológico, Vanguard II; 1961 projetor de slides em carrossel; 1961 microfichas; 1969 Arpanet; 1970 satélites do Programa Americano de Apoio à Defesa; 1971 microprocessador; 1977 Voyager 1 e 2; 1978 Seasat; 1981 computador pessoal; 1984 disquetes; 1987 tecnologia de reconhecimento da íris; 1987 PowerPoint”

Esse rol de eventos tecnológicos até então nos possibilita inferir que as tecnologias sempre serviram como suporte de apoio à geração do conhecimento, num esforço inicial de tipificação desse conhecimento, que podemos chamar de pré-sociedade da informação, a qual evolui posteriormente via “economia da informação”, conforme denominada por Burke (2012, p. 331):

O surgimento da “economia da informação” e de empresas movidas pelo conhecimento como a Apple e a Microsoft, em que a produtividade depende da pesquisa, levou por sua vez ao surgimento da “sociedade pós-industrial”, também conhecida como “sociedade da informação” ou “sociedade do conhecimento”, em que o cotidiano é permeado por novas formas de conhecimento.

Seria oportuno também acrescentar que uma nova forma de conhecimento, referida por Burke, seria o conhecimento baseado em aprendizado por meio de máquina, as “máquinas que pensam”. A esse propósito, Domingos (2017, p. 31) assim pontua:

Alguns aprendizes obtêm conhecimento e outros adquirem aptidões. “Todos os humanos são mortais” é conhecimento. Andar de bicicleta é aptidão. No Machine Learning, com frequência, o conhecimento assume a forma de modelos estatísticos, porque em grande parte ele é estatístico: todos os humanos são mortais, mas apenas 4% são americanos. As aptidões costumam assumir a forma de procedimentos: se a estrada virar à esquerda, gire a direção nesse sentido; se um cervo pular na sua frente, pise no freio.

O conhecimento gerado por meio do aprendizado baseado em máquina é dependente de aportes tecnológicos sob a forma de dados, os quais são essenciais para essa geração, de acordo com Hartley (2017, p. 46): “Em essência, a aprendizagem das máquinas é o treinamento a que elas são submetidas para executar tarefas de forma autônoma; elas recebem enormes quantidades de dados e são programadas para analisar tudo por conta própria.”

A utilização dos dados não é isenta de determinadas críticas em alusão a fenômenos como a dataficação, a qual é definida por Abreu (2014, p. 204) como: “A ideia é que há um componente quantitativo em tudo que fazemos e que os dados são indispensáveis ao aprendizado da sociedade.”

O componente quantitativo supracitado reflete um conhecimento mais estatístico determinístico, que subverte o conhecimento humano mais espacial, o que carece de ser objeto de reflexão em relação aos possíveis benefícios e prejuízos, numa justa contraposição entre o conhecimento humano e aquele gerado pelo aprendizado baseado em máquina, conforme nos leva a pensar Baldi (2014, p. 83):

Acaba assim para ser marginalizado um dos pressupostos mais importantes da estatística, isto é, deixam de ser tomados em conta aqueles requisitos e critérios sociológicos intervenientes no enquadramento e na seleção da informação considerada pertinente para a constituição de uma amostra, sendo estes requisitos e critérios substituídos pela acumulação de uma grande quantidade de dados de diferente qualidade e estatuto.

Conceber o conhecimento humano apartado do conhecimento baseado em máquina não condiz com a estreita relação entre eles; afinal, a tecnologia digital serve ao humano e não o contrário, como o processo evolutivo do conhecimento humano demonstra, conforme vimos anteriormente.

Nesse sentido, contamos com “n” interações desses conhecimentos, a exemplo da concepção dos algoritmos, segundo Cristian (2017, p. 16): “Pensar em algoritmos sobre o mundo, aprender sobre as principais estruturas dos problemas que enfrentamos e sobre as propriedades de suas soluções pode nos ajudar a enxergar quão bons nós realmente somos e compreender melhor os erros que cometemos.”

Demonstrar essas interações torna-se útil para a compreensão do conhecimento baseado em máquina, assim como ilustra como esse conhecimento é gestado para uso humano, ao que parece, como uma extensão do conhecimento humano.

Contamos com uma presença massiva de conhecimento baseado em máquina, conforme Gillespie (2018, p. 97):

Os algoritmos projetados para calcular o que “está em alta”, o que é “tendência” ou o que é “mais discutido” nos oferecem uma camada superficial das conversas aparentemente sem fim que estão disponíveis. Juntos, eles não só nos ajudam a encontrar informações, mas nos fornecem meios para saber o que há para ser conhecido e como fazê-lo; para participar dos discursos sociais e políticos e nos familiarizarmos com os públicos dos quais participamos.

Cabe refletir se esse conhecimento do que é “automático” conta com absorção, também “automática”, por parte dos consumidores do mesmo, ou se existe alguma suspeição, principalmente na medida em que se conhece a sua origem, proveniente de uma “máquina” com base em dados. Nessa perspectiva, Edmond (2018), em palestra voltada a um público das humanidades digitais, utilizou uma frase contundente: “Nós não podemos sentir dados. Por isso que tudo o que vemos impresso nos toca. Nós somos criaturas físicas. Nós necessitamos de materialidade.”

Em uma estrutura⁴ para a Ciência da Informação proposta por Wersig (1993), nota-se a presença do que se convencionou chamar de “cálculo⁵”, simbolizando o espectro de componente mais matemático, subordinado a uma racionalização, como um dos ramos para a geração do conhecimento. Conforme a figura 1, subsequente (Wersig,1993, p. 238), intitulada: “Um exemplo de rede em desenvolvimento⁶”, existe referência a uma hierarquização.

Figura 1
Exemplo de rede em desenvolvimento

Transpondo essa hierarquização para o século digital, é possível inferir que alguns ramos dessa hierarquia foram apropriados pelo conhecimento baseado em máquina, conforme podemos observar na consideração feita por Weikum (2021, p. 9) relativamente à comunicação: “Ambas as linguagens escrita e falada são cheias de ambiguidades. Conhecimento é a chave para mapear frases superficiais para o devido significado, então máquinas podem interpretar linguagem tão fluentemente como humanos⁷.”

Essas apropriações requerem um olhar detalhado para a compreensão dessas relações hierárquicas entre o conhecimento baseado em máquina e o conhecimento humano, até porque, consoante Cortina (2010, p. 34), os estudos de Linguística guardam bastante complexidade: “...o limite em que esbarram está no fato de que uma máquina não é capaz de inferir, deduzir, concluir.”, numa alusão à critica de pesquisadores do campo da inteligência artificial ao uso de frames⁸ em programas de leitura por computador.

4 PROCEDIMENTOS METODOLÓGICOS

Trata-se de uma pesquisa bibliográfica agregada a uma pesquisa de campo, representada pelos trabalhos acadêmicos de projetos voltados ao conhecimento a partir do aprendizado baseado em máquina. Optando-se pela vertente qualitativa, na abordagem de um projeto de pesquisa, visando estabelecer um modelo referencial do conhecimento humano versus conhecimento de “máquina”.

O projeto de pesquisa será concretizado por meio do cumprimento das seguintes etapas:

• • Caracterização do problema: o objetivo é contextualizar a evolução histórica do conhecimento humano até chegar ao estágio do conhecimento obtido através do aprendizado baseado em máquina no século digital, traçando uma linha divisória entre ambos, de modo a estabelecer os limites de cada um desses referidos conhecimentos.

• • Revisão bibliográfica: nessa segunda etapa, será realizada a pesquisa bibliográfica para o problema contextualizado na etapa anterior, de maneira a se obter uma melhor percepção do mesmo, incluindo o ponto de vista de diversos autores com vistas a formular uma base comparativa que venha ao encontro dos objetivos gerais aqui definidos.

• • Pesquisa de campo: seleção de uma quantidade mínima de 10 trabalhos acadêmicos voltados para o aprendizado baseado em máquina; definição dos critérios de avaliação desses trabalhos mediante elaboração de questionário para esse fim, alinhado aos objetivos específicos já expostos, elaborado em ambiente virtual, alinhado com as práticas do CONEP (Conselho Nacional de Ética e Pesquisa), Brasil (2021). No percurso do processo, será buscada resposta às indagações efetuadas na introdução deste projeto, as quais estão detalhadas na sequência:

• • Identificação dos usuários beneficiários dos projetos de conhecimento baseado em máquina.

  • • Qualificação dos usuários do conhecimento obtido pelos projetos em foco: operacionais ou tomadores de decisão dentro da sua atuação no campo da Ciência da Informação.

  • • Realização de entrevistas com os mencionados usuários, estabelecendo quais as bases de informação antes e pós-adoção dos referidos projetos acima.

  • • Dimensionamento das dificuldades anteriores com as bases de informações (fonte, geração, formato e transmissão) e a tomada de percepção quanto aos benefícios posteriormente auferidos com os mencionados projetos em relação a essas dificuldades por parte dos usuários.

  • • Determinação de um “ranking” em relação à percepção de melhoria com os projetos, como nenhuma, pouco, médio, pouco e bastante, possibilitando estabelecer um valor quantitativo para posterior avaliação percentual.

  • • Verificação se os usuários utilizam ainda o formato de base de informação anterior aos projetos, também enquadrando no “ranking” retroexposto.

  • • Obtenção do grau de conhecimento obtido pelos usuários, com a introdução dos novos projetos, percebido e avaliado como pouco, médio ou alto.

• • Tabulação dos dados: análise das respostas dos questionários aplicados ao referido público, de forma a mensurar e qualificar os objetivos específicos com base nas respostas obtidas, voltada a:

  • • Avaliação das informações geradas pela pesquisa já citada, classificando as fontes, geração, formato e transmissão de informação entre conhecimento humano e mecanizado por meio de planilha eletrônica para efeito comparativo.

  • • Estabelecimento de comparativo entre os “rankings” obtidos com a pesquisa e o respectivo grau de conhecimento, com o intuito de estabelecer percentuais em relação à quantidade de projetos avaliados, quantidade de usuários e sua categorização através do uso da ferramenta de Power BI, aplicada à planilha eletrônica com vistas a eliminar redundâncias em relação aos dados coletados.

  • • Mapeamento dos resultados a fim de estabelecer os insumos de informação, e seus usos para a obtenção de conhecimento, sem e com o aprendizado baseado em máquina, no sentido de demarcar as fronteiras e delimitações desses conhecimentos.

5 DISCUSSÃO

Pelo que se depreende até o presente estágio desta pesquisa no que se refere à revisão bibliográfica, o aprendizado baseado em máquina é uma subárea da área da Inteligência Artificial (IA), que pertence ao campo da (CC), e por sua vez a mais representativa, conforme descreve Domingos (2017), e que devido ao grande número de desenvolvimentos e aplicações oriundas dessa subárea, acaba por ser confundida com a própria área de IA, e como se não bastasse, ainda é difundida como tecnologia, ou ferramenta ou ainda uma entidade autônoma, como a materializar uma IA retratada Wikipedia (2025) na ficção científica de 1968, 2001 - Odisseia no Espaço, na qual o computador HAL 9000, domina todas as funções da nave espacial Discovery one, em missão exploratória na direção de Júpiter, travando um duelo com os tripulantes, a exemplo do Dr. David Bowman, em linguagem fluida e natural.

As múltiplas formulações sobre IA, aqui mencionadas já estão incrustada no imaginário do leigo até o cientista, e não parecem contribuir para uma apropriação adequada do aprendizado baseado em máquina por outros campos, como recurso para auferir conhecimento, a exemplo da CI, cujos teóricos referenciados a esse campo, teorizam com fundamentações sobre IA, num aparente distanciamento do campo originário dela, que é a CC, fazendo inferências que podem vir a acarretar algum prejuízo as formulações a que se propõe a fazer, no que é pertinente examinar alguns autores e obras nesse contexto.

Hui (2020), em sua obra Tecnodiversidade, que propõe uma visão sobre tecnologia, mais voltada à questão técnica/mecanizada, tema de constante reflexão pela CI, como podemos perceber em Burke (2012) que traça um roteiro evolucionário da tecnologia, assim como Canclini (2005) que se opõe ao uso dessa tecnologia como instrumento de desigualdade, autores referenciados aqui no item introdução.

A perspectiva de Hui, que consiste em um olhar mais oriental do que ocidental, ao tratar de que denomina como paradoxo da inteligência, tece um comparativo entre a IA e a inteligência humana, essa ilimitada e pouco conhecida, cuja artificialidade consiste em matéria esquematizada, enquanto a outra está sujeita a mutações. Teoriza sobre a geometrismo de Begrson, que diferencia inteligência e instinto, fazendo a correlação entre inteligência e matéria, agregando um processo de exteriorização dessa matéria, via órgãos complementares, no que, segundo o autor, a IA obteria vantagens por possibilitar as mutações.

Adverte que, a longo prazo, todas as funções quantificáveis da inteligência humana serão substituídas pela inteligência de máquina, e entender os limites da IA não significa obter controle delas, mas trazer novas concepções ecológicas, políticas e econômicas da inteligência das máquinas.

O autor reflete sobre uma IA fraca para uma mais forte, o que levaria a uma superinteligência, chamando a atenção para a forma recursiva do algoritmo que possibilitaria a eficiência computacional, empregando uma casualidade não linear, que não é capaz de compreender a recursividade entre a cognição e o mundo, como é o caso, dito pelo autor, da máquina de Turing.

Infere que “com o aumento da quantidade de dados e com modelos matemáticos mais eficientes de desenvolvimento, as máquinas podem alcançar níveis mais altos de precisão em termos de previsibilidade”, assim descrevendo o poder da IA, Hui (2020, p. 150): “O poder da inteligência artificial se baseia na redução do mundo em modelos computacionais”.

Aborda a visão de Bergson sobre mecanicismo e misticismo, que se recusa a ver o mecanicismo como algo repetitivo, mas sim como alguma alma maior capaz de lhe devolver a vida, e reflete sobre a necessidade de considerar outras formas de conhecimento ainda não consideradas pelos engenheiros e acadêmicos que trabalham com a IA.

Como se pode observar, o autor atribui ao desconhecimento da tecnologia uma causa sintomática da possibilidade da prevalência da cibernética. Nesse sentido, sem prejuízo das apropriadas percepções do autor em relação à IA, as mesmas poderiam ser mais argutas, a partir de uma maior compreensão da IA, até porque o autor se predispõe a entender os limites dela. Convém, em primeiro, estabelecer que IA, não é uma entidade autônoma, tecnologia, ou ferramenta, é uma área da CC, cuja maior expressão e a subárea do aprendizado baseado em máquina, a que já se fez referência aqui, e é uma tradução literal para o português da expressão em inglês “Machine Learning”, como nos traz um egresso e atuante autor do campo da CC, cuja militância nesse campo, possibilita estabelecer uma análise mais acurada da IA, Domingos (2015, p. 31), que assinala, em relação ao “Machine Learning” que ele acaba por predominar sobre a IA:

Às vezes, o machine learning é confundido com inteligência artificial(ou IA, na abreviação). Tecnicamente, ele é um subcampo da IA, mas cresceu tanto e foi tão bem-sucedido que ofuscou sua orgulhosa mãe. O objetivo da IA é ensinar os computadores a fazer o que atualmente os humanos fazem melhor, e aprender é sem dúvida a mais importante dessas tarefas; sem ela, nenhum computador pode se equiparar a um humano por muito tempo; com ela, o resto vem a reboque.

Dito isso, o autor poderia contextualizar a visão de exteriorização sob a égide de Bergson, com a perspectiva de um ator humano, cujo conhecimento se mostra pertinente, não presente nessa contextualização, mas o qual é responsável pelas possíveis mutações às quais o autor se refere como sendo da IA, o programador, no que nos ajuda Domingos (2015, p. 27):

Um programador - alguém que cria algoritmos e os codifica - é um pequeno deus, criando universos quando deseja. Poderíamos dizer até que o próprio Deus da Bíblia é um programador: linguagem, e não manipulação, é sua ferramenta de criação. Palavras tornam-se mundos. Nos dias de hoje você também pode ser um deus, sentado no sofá com seu laptop. Imaginar um universo e torná-lo real. As leis da física são opcionais.

Apesar da linha filosófica do autor em relação à tecnologia, tema recorrente em vários campos do conhecimento, a exemplo da CI, um fator que poderia contribuir e servir de base para a maior em relação a IA, para além das profícuas contribuições que o mesmo oferece, seria contarmos com o avanço da questão da interdisciplinaridade das disciplinas fronteiriças a CI, apreagoada por Saracevic, já que o autor versa sobre dados, como base da IA: biblioteconomia, ciência da computação, ciência cognitiva (incluindo inteligência artificial) e comunicação, poderia ser levada a termo, de forma a que contaríamos com uma base mais sólida epistemológica, a qual seria fruto dessa interdisciplinaridade, o que permitiria inferir sobre os temas caros que temos em relação ao nosso século digital, o que agregaria na proposta do autor, aqui citada de entender os limites da IA, no que poderia convergir à proposta da presente pesquisa de vislumbrar as fronteiras entre o conhecimento humano e o mecanizado. Cabe ressaltar que a proposta de Saracevic, em relação a essa interdisciplinaridade, faz menção explícita à IA, Saracevic (1996; p. 50):

Uma das áreas-chave de interesse para ambas, ciência da computação e CI, é a inteligência artificial (IA). Embora a IA possa ser discutida por si só, prefiro discuti-la na perspectiva da ciência cognitiva para ilustrar os interesses compartilhados acerca dos processos da mente. Enfim, a fonte e o alvo da CI têm sido a informação da e para a mente.

Corroborando com essa proposta de Saracevic, temos certa percepção de que os campos de conhecimento da CI e da CC parecem caminhar juntos, como nos descreve Cristian (2017, p.161) ao citar um exemplo de associação entre o funcionamento da memória humana e um tipo de funcionamento análogo do computador também descrito como memória:

Em 1987, o psicólogo e cientista da computação John Anderson, de Carnegie Mellon, estava lendo sobre sistemas de recuperação de informação nas bibliotecas universitárias. O objetivo de Anderson - ou assim pensava ele - era escrever sobre como o projeto desses sistemas poderia ser informado pelo estudo da memória humana. Em vez disso, ocorreu o contrário: ele se deu conta de que a ciência da informação poderia prover a peça que faltava no estudo da mente.

Já Han (2019) em sua obra Hiperculturalidade, nos comenta sobre o que denomina como regime de informação, no qual a informação é processada por algoritmos e IA determinando os processos políticos, econômicos e sociais. Adverte, porém, que os corpos dóceis, convertidos em máquinas de produção, não são portadores de dados e informação, e sim portadores de energia.

Neste contexto Han, ao fazer menção ao processamento da informação, adentra num dos objetos mais caros da Ciência da Informação que é o uso da informação, no que autores aqui citados na introdução fazem referência: Abreu (2025), que preconiza um lidar diferente com a informação; Bucci (2024), na crítica da informação que trafega via algoritmo; Pinto (2020), nos fins da apropriação desse uso; numa perspectiva mais humana; enquanto que Regattieri (2018), enseja o algoritmo também em aspecto mais técnico/mecanizado.

Adverte também quanto à vigilância que é exercida no regime de informação efetuada por meio dos dados, o que guarda relação com Beiguelm (2021), que enfatiza também essa vigilância, citando uma condição de regime disciplinar panóptico, no qual a mobilidade seria restrita, sem possibilidade de escapar do controle desse regime, mas como não se sente essa vigilância, goza da sensação de liberdade, assegurando a sua própria dominação.

Existe esforço das pessoas em procurar por visibilidade como se fossem elas mesmas, mas no fundo servem de “massa de manobra”, com oferta de lugares de maneira restritiva, com a finalidade de que lá não possam sair, através de uma pseudoliberdade, com controle de nossa vontade por meio de um plano inconsciente.

Prossegue afirmando que participamos de uma eucaristia digital, associando os meios de comunicação a uma igreja, e o like (a que se faz referência para informar que gostamos de determinado conteúdo) é o amém.

Alude ao ambiente digital como sendo um sistema político totalitário, no qual a massa obediente se submete ao líder, dentro de uma espécie de estádio esportivo globalizado, cabendo à massa tão somente assistir ao jogo, para o qual não participou da organização, rendendo-se ao soberano que comanda a informação na rede.

Recorre a Luhmann para observar: “Em uma sociedade da informação não se falar de comportamento racional, e sim, no melhor dos casos, em comportamento inteligente”, para a seguir destacar a influência de bots (conhecidos como robôs, utilizados para massificar uma determinada informação na internet) para modificar o clima de opiniões, interferindo em decisões eleitorais, por exemplo.

O que se pode constatar então é que Han denuncia, entre outras questões abordadas na sua obra, os efeitos danosos do uso da informação, pelo uso dos recursos presentes no século digital, de maneira categórica e assertiva, mas a exemplo de Hui, um aprofundamento maior no universo da IA, poderia tornar a análise mais robusta pois faz referência a algoritmos e IA, como se fossem coisas diferenciadas, e na verdade, fazem parte de um mesmo contexto, conforme nos demonstra, Regattieri (2018, p.470)

A inteligência artificial foi abandonada por técnicas de aprendizado de máquina (machine learning). A transformação no modelo de regras do algoritmo para um conjunto de técnicas de aprendizagem da máquina se deve ao aparecimento de uma tecnicidade na história dos algoritmos e ao progresso das máquinas capazes de computar milhares de modelos de uma só vez.

O autor ainda infere sobre informação e dado, cuja categorização, presente em muitas análises do campo da CI, como a de Simedão (2014) seria importante, a guisa das muitas interpretações existentes em relação a esses dois termos, que por vezes se confundem, sendo o correto entendimento crucial, para alicerçar conceitos advindos de informação e dado, que por sua vez constitui uma base, recurso crucial para o aprendizado baseado em máquina, refletido aqui na introdução por Hartley (2019).

Beiguelm (2021), numa linha que parece complementar Hui e Han, se volta para o aspecto da tecnologia sobre o humano ao prescurtar recursos tecnológicos, como o reconhecimento facial, operado por aprendizado baseado em máquina, segundo sua visão, a partir das características humanas, obtidas a partir do rosto , em Políticas da imagem: vigilância e resistência na dadosfera, fazendo também um paralelo quanto ao uso de fotos por meio de licença Creative Commons, a qual serve para desbloquear direitos autorais, mas não protege os direitos individuais, algo que se torna evidente com a utilização da IA que precisaria contar com normas éticas para essa utilização.

Reflete sobre como se chegou às técnicas de processamento de dados e aprendizado de máquina e programação de IAS entendendo ser necessário contar com as opções técnicas e políticas que nos levaram até aqui no sentido da montagem de um quadro histórico.

Busca referência em Alan Turing (considerado o pai da computação) e indica que Turing “falava de máquinas de aprendizagem (learning machines) e não em aprendizado de máquina (machine learning)”, cujo desafio seria o de uma capacidade ilimitada de armazenamento com uso de uma programação randômica, com uma validade efêmera para as regras alteradas no processo de aprendizagem. Também cita Hui, para enfatizar que os limites das IAS se dão pelo fato de não serem tecnologias fundadas no pensamento recursivo.

A exemplo de Hui e Han, Beiguelm, contaria com uma melhor percepção das técnicas afetas ao campo da CC, a exemplo da programação randômica, se aproximando mais a esse campo, pois essa programação randômica, desde os tempos de Turing, nos anos 50, vem evoluindo para contemplar aletorialidades, representadas por eventos desconhecidos, por classificação numérica no desenvolvimento de programas, Almeida (2025) o que difere, por sua vez, da questão recursiva, analisada por Hui, no que linguagens voltadas para aplicações baseadas em IA, como a “large-language-model” (LLM) procuram utilizar, Bessa (2021), no que não estão afastadas as limitações apontadas pela autora, mas elas continuam a ser objeto de estudo pela CC, o que tende a reduzir essas limitações no decorrer do tempo.

Apesar de toda essa evolução na seara da programação de computadores, permanece a questão central que é o aprendizado, algo muito difícil de definir até para humanos que dirá aplicado à máquina, pois conforme Witten ( 2000, p. 6):

O aprendizado se relaciona melhor com o desempenho do que com o conhecimento. Você pode testar o aprendizado, observando o comportamento atual e comparando com o comportamento passado. Esta é a forma mais objetiva de definição e parece a mais satisfatória.

Mas existe um problema. O aprendizado é um conceito instável. Muitas coisas podem mudar no comportamento voltado a melhorias no desempenho futuro, então não podemos dizer que estamos realmente aprendendo. ⁹

Não se espera de cientistas sociais, notadamente a categoria à qual pertencem os autores acima citados, um conhecimento aprofundado de questões advindas do campo da CC, mas uma aproximação direcionada a fontes de referência nesse campo, ajudaria a construírem inferências mais sólidas a partir dessas referências, não se limitando ao campo de origem, o que traria a bom termo a interdisciplinaridade proposta por Saracevic (1996).

Apesar dessa aparente limitação, mesmo no meio dos cientistas sociais, críticas começaram a surgir em relação ao uso de IA, e Coldry (2014) é um exemplo disso, ao expor certos limites do aprendizado baseado em máquina, percebidos por sua lente própria, mesmo sem referência a CC.

Não é inteligência, nem é artificial, porque depende do trabalho humano para treiná-la. É apenas probabilística, não é criativa”. E vai além: afirma que é uma descrição equivocada, que cria um reconhecimento equivocado. “No mínimo, é um exagero de marketing que serve aos interesses de algumas grandes corporações de tecnologia

Coldry (2024) ainda é mais enfático quando sinaliza para os potenciais riscos da IA:

Se o ‘risco existencial’ da IA reside nas transformações sociais que se desdobram em torno dela, o papel das ciências sociais não deveria ser a aceitação, mas sim a crítica da IA

Convém observar que continua predominante, certo distanciamento da CI e da CC, requerendo uma perspectiva mais acurada das fronteiras, representadas pelo conhecimento humano e pelo mecanizado, permitindo aos autores do campo da CI se situarem mais adequadamente na construção de inferências, advindas do campo da CC, até em benefício do desenvolvimento de ambos os campos, como é possível concluir de maneira inicial nesse projeto de pesquisa em andamento.

6 CONCLUSÕES

Conforme o já aqui enunciado, as “máquinas ditas pensantes” traduzem um caráter evolutivo da tecnologia no século digital, que é um indicativo de uma nova fronteira para o conhecimento humano, no que a CI estaria plenamente enredada. Nesse sentido, podemos nos apoiar em Goméz (2004, p.65), quando versa sobre produção de conhecimento: “O que aparece como transversalidades irredutíveis no cenário da cultura pareceria ser, a partir deste século, cenário inevitável no domínio da ciência e da tecnologia.”

Com relação a essa inevitabilidade, caberia refletir então sobre as fronteiras que separam o conhecimento humano do “mecanizado”, de forma a tornar mais claras as linhas divisórias e/ou de confluência. Há que se confrontar, com boas evidências, certos discursos intempestivos que afirmam a substituição do conhecimento humano pelo “mecanizado”, o que parece ser ainda uma remota possibilidade.

Essa hipotética possibilidade de substituição, que se vislumbraria em nosso século digital, está mais para o campo do desenvolvimento tecnológico, o qual vem ganhando espaço ao longo dos anos, seguindo uma trajetória espiral, mas que se entende mais apto a auxiliar o ser humano em tarefas cotidianas, sejam elas pessoais ou na esfera profissional, do que representar uma mera substituição das ações humanas de pensar e fazer.

Esse auxílio ao ser humano, via tecnologia, transparece no uso de dispositivos tecnológicos, sobre os quais Gomez (2004, p. 60) assim se refere: “No desenvolvimento desses dispositivos, normas e infraestruturas, intervêm múltiplos atores, com diferentes competências e interesses, cujas concepções e procedimentos interceptam diferentes instâncias e dimensões das possibilidades de comunicação e informação.”

Entende-se que o aprendizado baseado em máquina, que produz o respectivo conhecimento “mecanizado”, poderia ser categorizado como dispositivo de informação, pois atua no contexto da ação desses dispositivos, conforme Gomez (2004, p. 56), como: “uma matriz organizadora das operações concretas de geração, transmissão e uso de informação.”

Seria oportuno inferir, portanto, que a informação, traduzida como conhecimento e logo a própria CI são beneficiárias do desenvolvimento retrocitado, o qual merece uma percepção mais acurada, ao que este projeto está se propondo ao estabelecer as fronteiras mencionadas nos parágrafos anteriores, com a tentativa de estabelecer balizas mais claras entre os conhecimentos, algo que se mostra fundamental no cenário de nosso século digital.

Essas balizas possibilitariam aos agentes da CI transitarem pelo aprendizado baseado em máquina de maneira mais fluida, o que pela presente prospecção bibliográfica realizada até o presente momento, parece viável e muito bem-vinda, pois os campos de conhecimento da CI e da CC parecem caminhar juntos.

Apesar das possibilidades de convivência entre CI e CC, alguns críticos, a exemplo de Coldry (2024) não vislumbram uma relação pacífica das ciências sociais, na qual se enquadra a CI, e a IA, egressa da CC, mas uma relação servil a determinadas corporações, no que a sua descrição de IA nos permite deduzir, apesar do autor reconhecer a evolução da IA a partir da computação, e é ainda é mais enfático quando sinaliza para potenciais riscos da IA.

A crítica de Coldry, longe de inviabilizar o uso da aprendizagem baseado em máquina pelo campo da CI, nos permite antever, a partir de uma apropriada visão da IA, como modelo probabilístico, e se fizermos uma comparação com a visão de Domingos (2015) aqui já referenciada de que o objetivo da IA é ensinar os computadores a aprender, é isso passa pelo treinamento humano a que se refere Coldry, precisaríamos apenas estabelecer um consenso mínimo sobre esse aprendizado baseado em máquina, a sua apropriada terminologia, algo transmutada para o termo IA.

A partir desses consensos mínimos, caberia analisar a empregabilidade na CI, através de modelos, sistemas e aplicações, baseados em aprendizado baseado em máquina (IA), os quais já proliferam com as diversas chamadas de trabalhos na CI, o que nos revela, como o recente XXXIII Seminário Nacional das Bibliotecas Universitárias. SNBU (2025), cujos trabalhos dirigidos ao eixo 4 - Produtos, Serviços, Tecnologia e Inovação, contou com cinco aplicações de IA, voltadas a bibliotecas. Enfim, restaria qualificar o conhecimento produzido nessa empregabilidade, o que este projeto de pesquisa está percorrendo, no sentido de reverter os resultados em prol da CI.

• 1
  Do original: ...”knowledge in action…” Tradução nossa.
• 2
  Do original: ”Java allows us to provide a uniform interface to many different learning algorithms.” Tradução nossa
• 3
  Do original: ”This success is visible in many application domains of our daily life, from health care to manufacturing”... Tradução nossa.
• 4
  Do original: ...framework... Tradução nossa.
• 5
  Do original: ...”calculus”... Tradução nossa.
• 6
  Do original: ...”example of a developing network “…Tradução nossa.
• 7
  Do original: ...” Both written and spoken language are full of ambiguities. Knowledge is the key to mapping surface phrases to their proper meanings, so that machines interpret language as fluently as humans”... Tradução nossa
• 8
  Podemos conceituar frames, como Muller (2013, p. 3) propõe: “Também poderíamos dizer que um frame é uma estrutura de conhecimento que ocorre a partir das interações refletidas pela linguagem.”...
• 9
  “This ties learning to performance rather than knowledge. You can test learning by observing the behavior and comparing it with past behavior. This is a much more objective kind of definition and appears to be far more satisfactory.
  But still there`s a problem. Learning is a rather slippery concept. Lots of things change their behavior in ways that make them perform better in the future, yet we wouldn`t want to say that they have actually learned”.
• Financiamento:
  Não aplicável.
• Aprovação:
  Não aplicável.
• Declaração de uso de ferramenta de IA:
  Os autores declaram que não houve uso de ferramentas de IA na redação do manuscrito.
• Imagem:
  Extraída da plataforma Lattes.
• JITA:
  AC. Relationship of LIS with other fields
• ODS:
  4. Educação de qualidade
• Artigo submetido ao sistema de similaridade

Agradecimentos:

Não aplicável.

Disponibilidade de dados e material:

Não aplicável.

REFERÊNCIAS

• ABREU, Giovanna Oliveira Lima de. Big data: como extrair volume, variedade, velocidade e valor da avalanche de informação cotidiana. Temática, Paraíba, ano X, n. 11, nov. 2014. Disponível em: https://periodicos.ufpb.br/index.php/tematica/article/view/21510/11881 Acesso em: 17 fev. 2025.
  » https://periodicos.ufpb.br/index.php/tematica/article/view/21510/11881
• ALMEIDA, Sebastião Alves de. Técnicas de randomização em álgebra linear numérica: aplicações computacionais e desempenho em big data. Revista Fit, Rio de Janeiro, v. 29, ed. 148, jul. 2025. DOI: 10.69849/revistaft/ar10202507311812.
  » https://doi.org/10.69849/revistaft/ar10202507311812
• BALDI, Vania. Mundo digital, uma sociedade sem fronteiras João Pessoa: Ideia, 2014. p. 75-88.
• BEIGUELMAN, Giselle. Políticas da imagem: vigilância e resistência na dadosfera São Paulo: Ubu, 2021.
• BESSA, Jéssyca Almeida. Modelos locais crescentes e robustos a outliers para identificação recursiva de sistemas dinâmicos 2021. Tese (Doutorado em Engenharia de Teleinformática) - Universidade Federal do Ceará, Fortaleza, 2021. Disponível em: https://repositorio.ufc.br/bitstream/riufc/60093/1/2021_tese_jabessa.pdf Acesso em: 25 maio 2026.
  » https://repositorio.ufc.br/bitstream/riufc/60093/1/2021_tese_jabessa.pdf
• BRASIL. Ministério da Saúde. Secretaria-Executiva do Conselho Nacional de Saúde. Comissão Nacional de Ética em Pesquisa. Orientações para procedimentos em pesquisas com qualquer etapa em ambiente virtual Brasília, DF, 2021. Disponível em: https://www.gov.br/conselho-nacional-de-saude/pt-br/camaras-tecnicas-e-comissoes/conep/legislacao/cartas-circulares/carta-circular-no-1-de-3-de-marco-de-2021.pdf/view Acesso em: 03 maio 2026.
  » https://www.gov.br/conselho-nacional-de-saude/pt-br/camaras-tecnicas-e-comissoes/conep/legislacao/cartas-circulares/carta-circular-no-1-de-3-de-marco-de-2021.pdf/view
• BUCCI, Eugênio. Sobre a ignorância digital. Jornal O Estado de S. Paulo, São Paulo, 2024. Artigo de opinião. Disponível em: https://www.estadao.com.br/opiniao/eugenio-bucci/sobre-a-ignorancia-artificial Acesso em: 17 fev. 2025.
  » https://www.estadao.com.br/opiniao/eugenio-bucci/sobre-a-ignorancia-artificial
• BURKE, Peter. Uma história social do conhecimento - I: de Gutenberg a Diderot. Rio de Janeiro: Zahar, 2000.
• BURKE, Peter. Uma história social do conhecimento - II: da enciclopédia à Wikipédia. Rio de Janeiro: Zahar, 2012.
• CANCLINI, Néstor García. Diferentes, desiguais e desconectados: mapas da interculturalidade. Rio de Janeiro: UFRJ, 2005.
• COULDRY, Nick. Conferência magna: IA como mito e colonialismo de dados. Rio de Janeiro: Academia Brasileira de Ciências - ABC, 7 maio 2024. Disponível em: https://www.abc.org.br/2024/05/11/nick-couldry-ia-nao-e-inteligencia-nem-e-artificial/ Acesso em: 16 abr. 2025.
  » https://www.abc.org.br/2024/05/11/nick-couldry-ia-nao-e-inteligencia-nem-e-artificial/
• CHRISTIAN, Brian; GRIFFITHS, Tom. Algoritmos para viver: a ciência exata das decisões humanas. São Paulo: Companhia das Letras, 2017.
• DOMINGOS, Pedro. O algoritmo mestre São Paulo: Novatec, 2017.
• EDMOND, Jennifer. What can big data research learn from humanities? Austria: Austrian Center for Digital Humanities, 2018. 1 vídeo (vários minutos). Disponível em: https://www.youtube.com/watch?v=E2vdFBo9wB4&t=446s Acesso em: 15 fev. 2025.
  » https://www.youtube.com/watch?v=E2vdFBo9wB4&t=446s
• FAYYAD, Usama; PIATETSKY-SHAPIRO, Gregory; SMYTH, Padhraic; UTHURUSAMY, Ramasamy. Advances in knowledge discovery and data mining Cambridge: MIT Press, 1996.
• GILLESPIE, Tarleton. Relevância dos algoritmos Parágrafo: Revista Científica de Comunicação Social da FIAM-FAAM, São Paulo, v. 6, n. 1, p. 95-121, jan./abr. 2018. Disponível em: https://bit.ly/3XhvpkJ Acesso em: 25 fev. 2025.
  » https://bit.ly/3XhvpkJ
• GOMÉZ, Maria Nélida González de. Novas fronteiras tecnológicas das ações de informação: questões e abordagens. Ciência da Informação, Brasília, v. 33, n. 1, p. 55-67, jan./abr. 2004. Disponível em: https://doi.org/10.1590/S0100-19652004000100007 Acesso em: 28 fev. 2025.
  » https://doi.org/10.1590/S0100-19652004000100007
• HAN, Byung-Chul. Hiperculturalidade: cultura e globalização. Petrópolis: Vozes: 2019.
• HARTLEY, Scott. O fuzzy e o techie: por que as ciências humanas vão dominar o mundo digital? São Paulo: BEĨ, 2017.
• HOLZINGER, Andreas; KIESEBERG, Peter; TJOA, A Min. Current advances, trends and challenges of machine learning and knowledge extraction: from machine learning to explainable AI. In: INTERNATIONAL CROSS-DOMAIN CONFERENCE, CD-MAKE., 2., 2018, Hamburg. Proceedings [...] Cham: Springer, 2018. p. 1-8. (LNCS, v. 11015). Disponível em: https://doi.org/10.1007/978-3-319-99740-7_1 Acesso em: 17 fev. 2025.
  » https://doi.org/10.1007/978-3-319-99740-7_1
• HUI, Yuk. Tecnodiversidade São Paulo: Ubu, 2020.
• MULLER, Caroline; CHISHMAN, Rove. Frames: uma forma de representação de conceitos em ontologias. Revista Gatilho, Juiz de Fora, v. 16, n. 2, 2013. Disponível em: https://periodicos.ufjf.br/index.php/gatilho/article/view/27019/18696 Acesso em: 03 mar. 2025.
  » https://periodicos.ufjf.br/index.php/gatilho/article/view/27019/18696
• PINTO, Célia Molina. Perspectivas em organização do conhecimento e informação. Racin: Revista de Arquivologia e Ciência da Informação, João Pessoa, v. 8, n. 2, p. 6-15, jul./dez. 2020. Disponível em: https://revista.uepb.edu.br/racin/pt_BR/article/view/4007 Acesso em: 28 fev. 2025.
  » https://revista.uepb.edu.br/racin/pt_BR/article/view/4007
• REGATTIERI, Lucas de Lima; ANTOUN, Henrique. Algoritmização da vida e organização da informação: considerações sobre a tecnicidade no algoritmo a partir de Gilbert Simondon. Liinc em Revista, Rio de Janeiro, v. 14, n. 2, p. 462-474, nov. 2018. Disponível em: https://brapci.inf.br/v/107396 Acesso em: 07 mar. 2025.
  » https://brapci.inf.br/v/107396
• SARACEVIC, Tefko. Ciência da informação: origem, evolução e relações. Perspectivas em Ciência da Informação, Belo Horizonte, v. 1, n. 1, p. 41-62, jan./jun. 1996. Disponível em: https://periodicos.ufmg.br/index.php/pci/article/view/22308 Acesso em: 04 nov. 2025.
  » https://periodicos.ufmg.br/index.php/pci/article/view/22308
• SEMIDÃO, Rafael Antonio Moreira. Dados, informação e conhecimento enquanto elementos de compreensão do universo conceitual da ciência da informação: contribuições teóricas. 2014. 128 f. Dissertação (Mestrado em Ciência da Informação) - Universidade Estadual Paulista, Marília, 2014. Disponível em: https://repositorio.unesp.br/handle/11449/110783 Acesso em: 19 fev. 2025.
  » https://repositorio.unesp.br/handle/11449/110783
• SEMINÁRIO NACIONAL DE BIBLIOTECAS UNIVERSITÁRIAS, 23., 2025, São Paulo. Anais [...] São Paulo: FEBAB, 2025. Disponível em: https://portal.febab.org.br/snbu2025 Acesso em: 24 nov. 2025.
  » https://portal.febab.org.br/snbu2025
• SILVA, Luis Augusto Ramos Bernardo da. Inteligência artificial em processos de extração de conhecimento KDD e KDT. REU: Revista de Estudos Universitários, Sorocaba, SP, v. 46, n. 1, p. 161-180, jun. 2020. Disponível em: https://periodicos.uniso.br/reu/article/view/3694 Acesso em: 19 fev. 2025.
  » https://periodicos.uniso.br/reu/article/view/3694
• WEIKUM, Gerhard. Machine knowledge: creation and curation of comprehensive knowledge bases. Saarbrücken: Max Planck Institute for Informatics, 2021.
• WERSIG, Gernot. Information science: the study of postmodern usage. Information Processing & Management, Oxford, v. 29, n. 2, p. 229-239, 1993. Disponível em: https://periodicos.puc-campinas.edu.br/transinfo/article/view/6425 Acesso em: 19 fev. 2025.
  » https://periodicos.puc-campinas.edu.br/transinfo/article/view/6425
• WIKIPÉDIA. 2001: A Space Odyssey. In: WIKIPÉDIA: a enciclopédia livre. [S. l.: s. n.], 2025. Disponível em: http://bit.ly/48eRGEM Acesso em: 24 nov. 2025.
  » http://bit.ly/48eRGEM
• WITTEN, Ian H.; FRANK, Eibe. Data mining: practical machine learning tools and techniques with Java implementations. San Francisco: Morgan Kaufmann Publishers, 2000.

Editado por

• Editor:
  Gildenir Carolino Santos https://orcid.org/0000-0002-4375-6815

Datas de Publicação

• Publicação nesta coleção
  03 Ago 2026
• Data do Fascículo
  2026

Histórico

• Recebido
  27 Nov 2025
• Aceito
  24 Abr 2026
• Publicado
  26 Maio 2026