Transducciones informacionales, Machine Learning y la inciencia de los actores involucrados
DOI:
https://doi.org/10.35622/Palabras clave:
aprendizado de máquina, inconsciência, inteligência artificial, transdução informacionalResumen
El estudio realizado tiene como objetivo discurrir sobre los aspectos de la inciencia de los actores involucrados en el desarrollo y uso de modelos de Machine Learning, con foco en las transducciones informacionales que ocurren a lo largo de sus etapas, es decir, las transformaciones que la información experimenta a lo largo de las diferentes fases del ciclo de vida de los datos y del modelo, desde la recolección hasta la aplicación. El procedimiento metodológico adoptado se basa en una investigación descriptiva, exploratoria y cualitativa, y recolectó datos en los portales Hugging Face y GitHub, con el fin de analizar las posibles transformaciones y transducciones informacionales que ocurren en la fase de entrenamiento de los modelos disponibles. Los resultados indican que, aunque los portales ofrecen un gran volumen de modelos y herramientas, existe opacidad respecto a las transformaciones aplicadas a los datos originales, lo que limita la comprensión de los usuarios sobre la integridad y confiabilidad de los modelos disponibles. Se concluye, por lo tanto, que existe la necesidad de que las plataformas adopten protocolos de transparencia y estructuras de descripción estandarizadas para representar las transducciones y las decisiones técnicas involucradas.
Referencias
Aldieri, A., Gamage, T. P. B., Amedeo La Mattina, A., Loewe, A., Pappalardo, F., & Viceconti, M. (2025). Consensus statement on the credibility assessment of machine learning predictors. Briefings in Bioinformatics, 26(2), bbaf100. https://doi.org/10.1093/bib/bbaf100
Aleixo, D. V. B. S. (2020). O estado de anomia dos dados no acesso aos dados governamentais abertos no Brasil [Tese de Doutorado, Universidade Estadual Paulista “Júlio de Mesquita Filho”]. Repositório Institucional do Universidade Estadual Paulista. http://hdl.handle.net/11449/191686
Ali, A., Abd Razak, S., Othman, S. H., Eisa, T. A. E., Al-Dhaqm, A., Nasser, M., Elhassan, T., Elshafie, H., & Saif, A. (2022). Financial fraud detection based on machine learning: a systematic literature review. Applied Sciences, 12(19), 9637. https://doi.org/10.3390/app12199637
De Mattos Paixão, G. M., Campos Santos, B., Martins de Araujo, R., Horta Ribeiro, M., Lopes de Moraes, J., & Ribeiro, A. L. (2022). Machine learning na medicina: Revisão e aplicabilidade. Arquivos Brasileiros de Cardiologia, 118(1), 95–102. https://doi.org/10.36660/abc.20200596
De Souza de Aguiar Monteiro, E. C., & Gonçalves Sant’Ana, R. C. (2022). Anomia de pesquisadores no compartilhamento de dados. Em Questão, 29, 122627. https://doi.org/10.19132/1808-5245.29.122627
De Souza Souza, A. P., De Jesus Conceição, C., Pancoto, M. A., Cecote, N. Q. B., Pedra, R. R., da Silva Oliveira, R. M., ... & Gomes, W. T. (2024). Personalização da aprendizagem com inteligência artificial: Como a IA está transformando o ensino eo currículo. Aracê, 6(3), 5816-5831. https://doi.org/10.56238/arev6n3-092
Floridi, L., & Cowls, J. (2022). A unified framework of five principles for AI in society. In S. Carta (Ed.), Machine learning and the city: Applications in architecture and urban design (pp. 535–545). John Wiley & Sons. https://doi.org/10.1002/9781119815075.ch45
Gallagher, M., Breines, M., & Blaney, M. (2021). Ontological transparency,(in) visibility, and hidden curricula: Critical pedagogy amidst contentious edtech. Postdigital Science and Education, 3(2), 425-443. https://doi.org/10.1007/s42438-020-00198-1
Georgescu, A. L., Pappalardo, A., Cucu, H., & Blott, M. (2021). Performance vs. hardware requirements in state-of-the-art automatic speech recognition. EURASIP Journal on Audio, Speech, and Music Processing, 2021(1), 28. https://doi.org/10.1186/s13636-021-00217-4
Géron, A. (2017). Mãos à obra: Aprendizado de máquina com Scikit-Learn, Keras e TensorFlow: Conceitos, ferramentas e técnicas para a construção de sistemas inteligentes (3ª ed.). Alta books.
Ghaffar Nia, N., Kaplanoglu, E., & Nasab, A. (2023). Evaluation of artificial intelligence techniques in disease diagnosis and prediction. Discover Artificial Intelligence, 3(1), 5. https://doi.org/10.1007/s44163-023-00049-5
Goldschmidt, R., & Passos, E. (2005). Data mining: Um guia prático. Elsevier.
IFLA FAIFE. (2020). IFLA Statement on libraries and artificial intelligence. International Federation of Library Associations and Institutions. https://repository.ifla.org/handle/20.500.14598/1646
Islam, M. M., Hassan, S., Akter, S., Jibon, F. A., & Sahidullah, M. (2024). A comprehensive review of predictive analytics models for mental illness using machine learning algorithms. Healthcare Analytics, 6, 100350. https://doi.org/10.1016/j.health.2024.100350
Khan, A. I., & Al-Habsi, S. (2020). Machine learning in computer vision. Procedia Computer Science, 167(1), 1444–1451. https://doi.org/10.1016/j.procs.2020.03.355
Ludermir, T. B. (2021). Inteligência artificial e aprendizado de máquina: Estado atual e tendências. Estudos Avançados, 35(101), 85–94. https://doi.org/10.1590/s0103-4014.2021.35101.007
Munir, K., Elahi, H., Ayub, A., Frezza, F., & Rizzi, A. (2019). Cancer diagnosis using deep learning: a bibliographic review. Cancers, 11(9), 1235. https://doi.org/10.3390/cancers11091235
Pereira Gonçalves, R., & Lima, E. C. P. (2013). Multidimensional interpolation filters development for risers’ database analysis. In Proceedings of the ASME 2013 32nd International Conference on Ocean, Offshore and Arctic Engineering: Volume 1: Offshore Technology. American Society of Mechanical Engineers. https://doi.org/10.1115/OMAE2013-10372
Roy, D., & Dutta, M. (2022). A systematic review and research perspective on recommender systems. Journal of Big Data, 9(1), 59. https://doi.org/10.1186/s40537-022-00592-5
Sant’Ana, R. C. G. (2019). Transdução informacional: Impactos do controle sobre os dados. En D. Martínez-Ávila; E. A. Souza; M. E. Q. Gonzalez (Ed.), Informação, conhecimento, ação autônoma e big data: Continuidade ou revolução? (pp. 117–128). Cultura Acadêmica/FiloCzar. https://doi.org/10.36311/2019.978-85-7249-055-9.p117-128
Talaei Khoei, T., & Kaabouch, N. (2023). Machine learning: Models, challenges, and research directions. Future Internet, 15(10), 332. https://doi.org/10.3390/fi15100332
Torgo, L. (2017). Data mining with R: Learning with case studies. Chapman and Hall/CRC.
Wickham, H. (2014). Tidy data. Journal of Statistical Software, 59(10), 1–23. https://doi.org/10.18637/jss.v059.i10
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Fábio Moreira, Marcos Siqueira, Rachel Alves, Ricardo Sant’Ana (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
