Informational transductions, Machine Learning, and the unawareness of the actors involved

Authors

DOI:

https://doi.org/10.35622/

Keywords:

artificial intelligence, informational transduction, machine learning, unawareness

Abstract

The study aims to discuss aspects of the unawareness of the actors involved in the development and use of Machine Learning models, focusing on the informational transductions that occur throughout their stages, that is, the transformations that information undergoes across the different phases of the data and model life cycle, from collection to application. The methodological procedure adopted is based on descriptive, exploratory, and qualitative research, and data were collected from the Hugging Face and GitHub platforms in order to analyze the possible transformations and informational transductions that occur during the training phase of the available models. The results indicate that, although these platforms offer a large volume of models and tools, there is opacity regarding the transformations applied to the original data, which limits users’ understanding of the integrity and reliability of the available models. It is therefore concluded that there is a need for platforms to adopt transparency protocols and standardized descriptive structures to represent the transductions and technical decisions involved.

Author Biographies

  • Fábio Moreira, São Paulo State University

    Doutor e Mestre em Ciência da Informação (PPGCI/UNESP – Marília). Bacharel em Administração de Empresas (UNESP – Tupã). Estágio de Pós-Doutorado no Programa de Pós-Graduação em Agronegócio e Desenvolvimento (UNESP – Tupã). Atuou como professor na UNESP – Presidente Prudente (2020–2023) e na UNESP – Marília (2016–2017; 2021–2023), além de passagens pela UFSC – Florianópolis (2021) e UNESP – Tupã (2020; 2016–2019). Foi professor no MBA ITI da UFSCar – São Carlos (2021–2023) e na Pós-Graduação em Big Data, Comunicação e Marketing, no Centro Universitário Belas Artes – São Paulo (2023). Membro do GPNTI, GPTAD e GEAFS. Editor de Conteúdo da RECoDAF. Possui Habilidade Profissional Técnica em Informática pela ETEC Massuyuki Kawano – Centro Paula Souza de Tupã. Tem experiência em gestão de sistemas ERP para operações logísticas e pesquisa sobre tecnologias digitais para recuperação de dados de políticas públicas.

  • Marcos Siqueira, São Paulo State University

    Mais de 20 anos de experiência na área educacional como tutor, instrutor, professor, coordenador e autor de material didático. Doutorando em Ciência da Informação pela Universidade Estadual Paulista – Unesp, na área de concentração Informação, Tecnologia e Conhecimento, na linha Informação e Tecnologia, com pesquisa sobre metadados de Large Language Models sob a perspectiva da Ciência da Informação. Marília, SP. Interesse em LLM, LLMOps, OutSystems AI Agent Builder, Vertex AI Studio, Azure AI Studio, Copilot Studio e Power BI.

  • Rachel Alves, São Paulo State University

    Pós-doutorado em Ciência da Informação (2013), Doutorado em Ciência da Informação (2010) e Mestrado em Ciência da Informação (2005) pela Universidade Estadual Paulista Júlio de Mesquita Filho – UNESP. Graduação em Biblioteconomia (2002) pela Universidade Estadual Paulista Júlio de Mesquita Filho – UNESP. Atualmente é professora em R.D.I.D.P. no Departamento de Ciência da Informação, nos cursos de Biblioteconomia e Arquivologia, na Faculdade de Filosofia e Ciências, UNESP, Marília. Desenvolve estudos sobre: metadados e padrões de metadados; representação da informação; catalogação e tecnologias; interoperabilidade; preservação digital; dados abertos; linked data; web semântica; ambientes informacionais digitais; sistemas de informação; banco de dados; modelagem conceitual; sistemas informatizados de gestão arquivística de documentos; repositórios digitais; repositório arquivístico digital confiável; ciência da informação; biblioteconomia; arquivologia.

  • Ricardo Sant’Ana, São Paulo State University

    Professor Associado da Universidade Estadual Paulista – UNESP, Faculdade de Ciências e Engenharias – FCE, Campus de Tupã, em regime de dedicação exclusiva. Professor do Programa de Pós-Graduação em Ciência da Informação da UNESP, Campus de Marília, e Coordenador da Linha de Pesquisa Informação e Tecnologia do PPGCI-FFC-Unesp. Graduado em Matemática e Pedagogia; Mestrado em Ciência da Informação (2002), Doutorado em Ciência da Informação (2008) e Livre-Docente em Sistemas de Informações Gerenciais pela UNESP (2017). Possui especializações em Orientação a Objetos (1996) e Gestão de Sistemas de Informação (1998). Parecerista ad hoc, líder do GPTAD e membro do GPNTI, além de membro da ANCIB. Realiza pesquisas com foco em Data Literacy, ciclo de vida dos dados, transdução informacional e fluxo informacional em cadeias produtivas. Foi Presidente da CAACG da UNESP (2018–2020) e tem trajetória no ensino superior e no setor privado (1988–2011). Atualmente, é Bolsista de Produtividade em Pesquisa (PQ-C).

References

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

Downloads

Published

2026-04-14

Issue

Vol. 5 No. 2 (2026)

Section

Artículos originales

License

Copyright (c) 2026 Fábio Moreira, Marcos Siqueira, Rachel Alves, Ricardo Sant’Ana (Autor/a)

Creative Commons License

This work is licensed under a Creative Commons Attribution 4.0 International License.

How to Cite

Moreira, F., Siqueira, M., Alves, R., & Sant’Ana, R. (2026). Informational transductions, Machine Learning, and the unawareness of the actors involved. Technological Innovations Journal, 5(2), 7-24. https://doi.org/10.35622/

Similar Articles

1-10 of 16

You may also start an advanced similarity search for this article.