Inteligencia Artificial interfaces com a Ciencia da Informacao

MÓDULO 1 Introdução à Inteligência Artificial e Ciência da Informação
1

2
1
SEARLE, J. Mentes, cerebros y programas. Tradução de Cléa Regina. 1996.
INTRODUÇÃO
Em 1948, Claude Shannon publicou “A Mathematical Theory of Commu
nication (TMC)”, definindo a entropia como uma “medida de incerteza” (SHAN
NON, 1948). Shannon e Weaver (apud ARAÚJOa, 2014; SÁ, 2018) identificaram
três níveis fundamentais na análise da comunicação: o técnico, o semântico e o
pragmático. O primeiro refere se às questões relacionadas ao envio e recepção de
sinais; o segundo aborda os aspectos semânticos, isto é, as propriedades mate
riais do conteúdo (sonoras, visuais), mas não os sentidos subjetivos atribuídos
pelos sujeitos; e o terceiro trata da eficácia da comunicação na prática. Segundo
Braga (1995 apud SÁ, 2018), a TMC promoveu uma ruptura conceitual ao disso
ciar a informação do seu suporte físico — deslocando a para um canal abstrato,
como o ar, por exemplo — e redefinindo sua identidade como algo associado à
probabilidade e quantidade, desvinculando se da noção de documento.
Le Coadic (2004, p. 78 79) destaca que a “agitação intelectual provocada
pelo enunciado da TCM, em 1945, e o desenvolvimento da Cibernética” incen
tivou uma proliferação de pesquisas históricas e conceituais sobre o tema. Em
bora diversas controvérsias tenham emergido, o modelo físico da informação
viabilizou o intercâmbio de ideias entre campos como a lógica, matemática, físi
ca, psicologia e engenharia — fundamentado por nomes como McCulloch, Pitts,
Shannon, Turing, von Neumann e Wiener. Segundo Sá (2018), diversos outros
autores — como Brillouin, Mattessich, Saracevic, Goffman e Buckland — explo
raram a informação como redutora de incertezas, uma forma de entropia nega
tiva e fator de homeostase (SÁ, 2018). A CI consolidou se, portanto, a partir de
contextos específicos: o anglo saxão e o soviético, entre as décadas de 1940 e 1960
(PINHEIRO; LOUREIRO, 1995; ARAÚJO, 2014b), fortemente vinculada aos ci
entistas dos chamados science services (CEDÓN et al., 2005).
O trânsito interdisciplinar entre informação, cognição e tecnologia nas
áreas da Ciência da Informação, Cibernética, Ciência Cognitiva, Computação e
Inteligência Artificial tem suas raízes na revolução científica do pós Segunda
Guerra Mundial (BARRETO, in: TOUTAIN, 2007). Nesse período, emergiram
abordagens teóricas como o materialismo, sobretudo sob a influência do neopo
sitivismo lógico (ROBREDO, in: TOUTAIN, 2007), e também o dualismo, que
considerava mente e alma, corpo e cérebro. Tefko Saracevic, citando Karl Popper,
afirma: “não somos estudantes de assuntos, mas estudantes de problemas” (SA
RACEVIC, 1996), enfatizando uma abordagem neopositivista para a recuperação
da informação, coerente com os princípios dessas novas ciências.
Segundo Arja Castañon (2006) a obra de J. Searle1
, nos anos 1980, tem se
tornado uma das maiores influências filosóficas na abordagem cognitivista da
psicologia contemporânea e começa a rivalizar mesmo com obras como J. Fodor
ou N. Chomsky. Existe em sua obra, um resgate do conceito de consciência e
reflexão sobre a Inteligência Artificial (IA) Forte. Existem três frentes para a abor
dagem de Searle, quer seja, refletir sobre — 1) “o cérebro é um computador di
gital”; 2) “a mente é um programa computacional”. E, por fim: 3) “as operações
do cérebro podem ser simuladas em um computador digital”.

3
Com a popularização da Inteligência Artificial por meio da OpenAI e do
ChatGPT, o campo tem retomado questões existenciais acerca da consciência das
máquinas, especialmente nas discussões clássicas sobre a relação mente corpo.
Nesse contexto, cabe refletir sobre o papel da CI, uma vez que a informação é um
dos elementos essenciais no processamento do que chamamos de “pensamento”.
A informação, por si só, revela se como um objeto dotado de certa intencionali
dade, de sentido existencial e de uma realidade ontológica de atenção filosófica.
Dois paradigmas clássicos ajudam a refletir sobre a possibilidade de
máquinas pensarem: o Teste de Turing, proposto por Alan Turing, em 1950, e o
experimento mental da Sala Chinesa, formulado por John Searle, em 1980. Tu
ring propõe avaliar se uma máquina pode ser considerada pensante com base
em sua capacidade de se passar por um ser humano em uma conversação. Já
Searle questiona se compreender a linguagem implica, necessariamente, cons
ciência ou intencionalidade, sugerindo que uma máquina pode manipular sím
bolos sem compreendê los.
Essa discussão se aproxima, em certa medida, do famoso experimento do
gato de Schrödinger, da física quântica. Assim como o gato está simultaneamen
te vivo e morto até que alguém observe seu estado, a IA parece oscilar entre "com
preender" e "não compreender" até que uma instância de interpretação — filo
sófica, cognitiva ou semiótica — seja aplicada. A IA, nesse sentido, se encontra
em um estado metafísico ambíguo: operacionalmente eficaz, mas ontologicamen
te indeterminada. Esse paralelismo revela que, assim como na física relativística,
também na discussão sobre consciência artificial os limites entre o observável, o
interpretável e o real tornam se fluídos. A máquina pode exibir comportamentos
como se pensasse, em simulação, mas a questão sobre o que é pensamento — e
quem ou o que pode realmente pensar — permanece em aberto.
Essas perspectivas, trazem algumas implicações:
A via transumanista propõe diversas narrativas em torno da IA —
como a de Yuval Harari, que prevê a emergência de uma superinteligên
cia capaz de superar e controlar a inteligência humana. Ao mesmo tempo,
essa perspectiva também incorpora micronarrativas, como experiências
cotidianas com tecnologias de IA, p.ex, falhas em sistemas de reconheci
mento facial — que moldam as percepções sociais sobre essas tecnologias.
Já a perspectiva humanista compreende a IA como um processo:
ela está intimamente ligada à ciência de dados, que envolve etapas como
coleta, análise e modelagem, espacializando o tempo como um continuum
de experiências. Nesse processo, os próprios desenvolvedores vivenciam
um tempo subjetivo, mesclando concepções de tempo lógico e vivido.
A visão pós humanista, por sua vez, sugere que a IA funcione co
mo uma “máquina do tempo”, capaz de conectar e moldar passado, pre
sente e futuro. Nessa abordagem, a IA não é apenas uma ferramenta ou
narrativa, mas um co narrador que transforma a experiência temporal hu
mana (MOSTAFA; ROCHA, 2023).
As discussões, de âmbito filosófico, serão dadas em leitura complementar.

4
Diante desse cenário, levanta se a hipótese de uma necessária e cada vez
mais robusta relação interdisciplinar entre a CI e a IA. A CI pode, nesse sentido,
ampliar significativamente seu escopo de pesquisa ao incorporar os desafios co
locados pela IA contemporânea — especialmente aqueles que envolvem o esta
tuto ontológico e epistemológico da informação.
A CIÊNCIA DA INFORMAÇÃO
Segundo Borko (1968, p. 3 apud Martins, 2010) a Ciência da Informação é
uma disciplina que investiga as propriedades e o comportamento da informação,
as forças que governam seu fluxo, e os meios de processá la para otimizar sua
acessibilidade e uso. A CI está ligada ao corpo de conhecimentos relativos à ori
gem, coleta, organização, armazenagem, recuperação, interpretação, transmis
são, transformação e uso da informação. Ela tem tanto um componente de ciên
cia pura, através da pesquisa dos fundamentos, sem atentar para sua aplicação,
quanto um componente de ciência aplicada, ao desenvolver produtos e serviço.
Foskett (1980, p. 64 apud Martins, 2010) destaca o caráter interdisciplinar
da CI ao evidenciar a sua fronteira com diversas áreas do conhecimento, dentre
elas, a Ciência da Computação, pois a CI é “uma disciplina que surge de uma
fertilização cruzada de ideias que incluem a velha arte da Biblioteconomia, a no
va arte da computação, as artes dos novos meios de comunicação e aquelas ciên
cias como psicologia e linguística que, em suas formas modernas, têm a ver di
retamente com todos os problemas da comunicação, a transferência do conhe
cimento organizado (apud MARTINS, 2010).
No trabalho apresentado por Saracevic (1996) na International Conference
on “Conceptions of Library and Information Science”, destaca a Inteligência Ar
tificial como “Uma das áreas chave de interesse para ambas, Ciência da Compu
tação e CI”, colocando a como uma linha de pesquisa pertencente às Ciências
Cognitivas. Segundo ele, a importância determinante desta ciência cognitiva re
side na interação de enfoques extremamente diferenciados no tratamento de
questões acerca do cérebro e da mente, das humanidades às ciências da vida, das
ciências sociais às matemáticas, da lógica às engenharias. Embora todos esses
tenham um interesse potencial para a CI, o mais próximo é constituído pelas
questões levantadas e soluções tentadas na IA (apud MARTINS, 2010).
Note que temos três definições situadas em tempos distintos. Podemos as
sociar essas definições, respectivamente, aos paradigmas físico, cognitivo e social
da CI, conforme veremos adiante. Também, à IA Simbólica, IA Conexionista e IA
Cognitivista, como será abordado no final deste PDF.
Para Saracevic (1996), a Ciência da Informação — irmã da Bibliotecono
mia, ambas nutridas, por natureza, pela informação — se estrutura sobre três
pilares essenciais: a interdisciplinaridade, a conexão inevitável com a tecnologia
e a participação ativa na Sociedade da Informação.

5
4
Le Coadic (2004) afirma que a informação é o sangue da ciência.
— i) INTERDISCIPLINARIDADE
CI
Segundo Marciano (2006), em sua patente interdisciplinaridade, a CI tan
gencia diversos domínios do conhecimento, quer estejam eles relacionados aos
conteúdos de interesse, quer se relacionem às formas empregadas para represen
tar tais conteúdos. Tal representação, por sua vez, é caracterizada não somente
pelos símbolos e pelo vocabulário utilizados, mas principalmente pelo contexto
intelectivo presente em sua elaboração (MARCIANO, 2006). Vale lembrar que
“dados são o sangue da IA2
” — e, nesse contexto, escolher um termo apropriado
para denominar a convergência entre “Inteligência Artificial” e “Bibliotecas”, ou
entre “Inteligência Artificial” e “Ciência da Informação”, exige mais do que ape
nas acompanhar modismos tecnológicos. Envolve especificar quais tecnologias
estão sendo abordadas. Mais ainda: é refletir se é possível controlar os subtextos
de uma informação submetida à IA. A sensação é a de estar colocando gasolina
em uma fogueira. Se informação e tecnologia inteligente são dois elementos car
regados de presunção de intencionalidade e os usos da linguagem potencializa
ainda mais isso, quais seriam as perspectivas combinatórias disso? Infinitas?
Esse é justamente o objetivo da Federação Internacional de Instituições e
Entidades Bibliotecárias (IFLA) em sua Declaração sobre Bibliotecas e Inteligên
cia Artificial — refletir sobre o multiverso informacional e seus impactos sobre
os sistemas inteligentes. Assim, mais do que simplesmente explorar a “prateleira
de possibilidades” que a CCog e a IA oferecem para a organização da informa
ção, é preciso pensar sobre o que essas tecnologias farão depois de, espontane
amente, ordenarem essa bibliosfera (termo de Ortega y Gasset).
IA
A evolução da Inteligência Artificial (IA) é marcada por uma forte inter
disciplinaridade, articulando áreas como Filosofia, Matemática, Psicologia, Lin
guística, Neurociência, Economia e Engenharia.
“Pensar como humanos”, conforme Martins (2010) inaugura a IA com as
Redes Neurais Artificiais (RNAs), o que Russel; Norvig (2013) verifica, uma fron
teira entre Neurociência e a Cibernética. “Pensar racionalmente” — como des
crevem Russell e Norvig (2013), copita a Filosofia, a Matemática e a Ontologia
Computacional. No terceiro quadrante de Russell e Norvig (2013), a proposta de
“agir como humanos” estabelece conexões diretas com a Psicologia e a Linguísti
ca. Tecnologias como o Processamento de Linguagem Natural (PLN), as Redes
Neurais Recorrentes (RNNs) e as Redes Convolucionais (CNNs) expandem essa
abordagem, incorporando métodos de atribuição de pesos e aprendizado auto
mático, elementos fundamentais na IA contemporânea. Por fim, a abordagem de
“agir racionalmente” integra a IA com a Economia e a Engenharia do Conheci
mento. A partir da Teoria de Nash e dos Sistemas Especialistas, surgem modelos
de decisão autônoma e racional, consolidando um estágio em que a informação
é formalmente estruturada para otimizar estratégias e resultados. Em todos esses
quatro modelos, observa se que a CI, também possui interdisciplinaridade.

6
Segundo Russel; Norvig (2013), a inteligência artificial evoluiu de um cam
po dominado por ideias intuitivas e abordagens ad hoc para uma ciência mais
madura, com base teórica sólida, rigor metodológico e foco em aplicações reais.
Algumas mudanças são:
1. Abandono do Isolacionismo Científico — Nos primórdios, a IA buscava
se diferenciar de áreas como estatística, teoria de controle e ciência da computa
ção tradicional. Hoje, ela integra essas disciplinas, reconhecendo que: aprendi
zado de máquina se beneficia da teoria da informação; raciocínio incerto se re
laciona com modelagem estocástica; busca e planejamento se conectam com oti
mização clássica e controle; raciocínio que depende dos métodos formais.
2. Adoção do Método Científico Hipóteses precisam ser validadas por: ex
perimentos rigorosos; testes estatísticos; repositórios abertos, que permitem re
produtibilidade dos estudos. Essa prática fortalece a confiabilidade e a evolução
do conhecimento na área.
3. Casos de Sucesso em Áreas Específicas Reconhecimento de fala: domi
nado por modelos ocultos de Markov (MOMs), com base matemática sólida e
aprendizado com grandes volumes de dados reais. Tradução automática: saiu da
intuição linguística para abordagens estatísticas robustas e, posteriormente, re
des neurais profundas. Mineração de dados: nasceu da maturação das redes neu
rais e aprendizado de máquina, tornando se uma indústria bilionária.
4. Avanço do Raciocínio Probabilístico Com Judea Pearl e as redes bayesi
anas, o raciocínio com incerteza passou a ser tratado de forma: racional (teoria da
decisão); aprendível a partir da experiência; e com modelos matemáticos consis
tentes. Isso substituiu antigas técnicas frágeis e se tornou dominante na IA.
5. Reintegração de Subáreas Apesar da especialização e formalização te
rem isolado campos como: visão computacional, robótica, representação de co
nhecimento, ...essas áreas estão sendo reconectadas ao "corpo principal" da IA,
especialmente com o uso eficaz de técnicas de aprendizado de máquina.
Voltando à nossa CI...
As maneiras de conceituar a informação e as formas de se pensar a sua
ciência ao longo do tempo refletem os esforços de identificar as definições e os
impactos teóricos que esse objeto provocou na evolução da teoria da ciência. Nes
se contexto, os três paradigmas consolidados da Ciência da Informação (CI) —
(I a) físico, (I b) cognitivo e (I c) social — conforme CEDÓN et al. (2005) e SILVA,
CAVALCANTE e NUNES (2018), constituem importantes filtros analíticos para
delimitar tais definições e suas aplicações filosóficas e práticas. Disso, podemos
deduzir que informação, a CI e a IA, situam se numa transição dos paradigmas:
A abordagem fisicalista está relacionada ao que Capurro (2003) denomina
Paradigma Físico, no qual se enfatiza o caráter material e quantificável da infor
mação — como exemplificado na Teoria Matemática da Comunicação (TMC), de
Shannon e Weaver (1949), e na proposta de informação como coisa, de Buckland
(1991) (SILVA; CAVALCANTE; NUNES, 2018). As principais linhas de pesquisa
de investigação (ARAÚJO, 2014a) são: Métricas e Fluxos da Informação.
No paradigma físico da CI, as reflexões sobre IA nas bibliotecas:

7
“Para os estudos métricos da informação, a IA pode atuar na
extração de conhecimento e insights a partir de grandes volumes
de dados sobre produção científica e tecnológica, facilitando a iden
tificação de tendências, padrões e relações entre diferentes informa
ções, auxiliando na pesquisa e na tomada de decisão. Outra possí
vel aplicabilidade, a IA pode atuar na preservação de conteúdo di
gital, pois os algoritmos de IA podem ser usados para identificar e
corrigir erros em arquivos digitais, garantindo sua integridade e
acessibilidade a longo prazo” (MOSTAFA; ROCHA, 2023).
No campo da informação, Gozález de Gomez, em 2009, defende que a
abordagem mentalista surge na década de 1980 como contraponto ao modelo
fisicalista e material da informação, através de estudos de Belkin, de 1984, e
Belkin, Oddy e Brooks, de 1982, os quais propõem a concepção cognitiva da in
formação. Nessa concepção encontrarão sustentação as enunciações acerca da
intangibilidade da informação, ao deslocar o objeto dos estudos da recuperação
de informação, de uma primeira ênfase nas fontes de informação e nos sistemas,
em direção aos usuários” (SILVA; CAVALCANTE; NUNES, 2018).
As principais linhas de pesquisa de investigação (ARAÚJO, 2014a) são:
Comportamento Informacional, Organização e Gestão do Conhecimento.
No paradigma cognitivo da CI, as reflexões sobre IA nas bibliotecas:
“Uma convergência de Inteligência Artificial e Bibliotecono
mia e Ciência da Informação, vista pelas lentes da filosofia de Berg
son, abre perspectivas fascinantes sobre a natureza do conhecimen
to e sua organização. [...] Com o advento da IA, as bibliotecas evo
luíram para centros dinâmicos de informações, adaptando se às ne
cessidades e preferências dos usuários. O conceito de duração de
safia os sistemas tradicionais de categorização estática, promoven
do uma organização mais fluida e flexível da informação, permitin
do uma compreensão profunda do cenário informacional em cons
tante mudança” (MOSTAFA; ROCHA, 2023).
Na abordagem social da informação, a Economia da Informação, enquan
to linhas de pesquisa de investigação (ARAÚJO, 2014a) da CI, se torna essencial
para compreender os mecanismos por trás da aprendizagem artificial, da toma
da de decisão automatizada e do papel da informação como ativo estratégico,
simbólico e até mesmo metafísico.
No paradigma social da CI, as reflexões sobre IA nas bibliotecas:
“Especialistas em IA defendem, geralmente, a transparência
dos algoritmos, bem como a lógica dos passos da aprendizagem in
teligente das máquinas, para sabermos o que está envolvido nestes
cálculos. Defendem, outrossim, os princípios do método científico
ao desconfiarem de resultados sem prova da física quântica ou da
teoria do caos. Não deixam de discutir a ética envolvida nos dile
mas da IA, mas nos pedem atenção à ciência e ao método científi
co” (MOSTAFA; ROCHA, 2023).

8
Ao sairmos da técnica para entrar no campo das reflexões epistemológicas
e sociológicas, encontramos nas correntes estruturalistas e pós estruturalistas de
Bourdieu, Foucault, Weber, Barthes e Lacan (ROBREDO, in: TOUTAIN, 2007),
uma abordagem crítica sobre o papel da informação como mecanismo de adap
tação dentro de um paradigma social. Na Ciência da Informação, isso é tratado
pela linha da Economia e Política da Informação.
Bourdieu — como exemplo de uma dessas formas de pensar —, ao tratar
da Economia das Trocas Linguísticas, sugere uma transição conceitual para uma
Sociologia da Ciência, questionando a função simbólica da linguagem nos regi
mes de poder (MARLETO; PIMENTA, 2017). Se os algoritmos — ou melhor, as
heurísticas computacionais — orientam as ações automatizadas das máquinas,
estas também podem ser compreendidos como regimes de poder.
Entretanto, a sociedade nem sempre é convidada a refletir criticamente so
bre essas dinâmicas. O debate público raramente alcança as camadas técnicas e
epistemológicas da IA. Falta letramento tecnológico, inclusive sobre a transpa
rência algorítmica, e sobre como proteger os dados pessoais em sistemas cuja
arquitetura permanece, em muitos casos, opaca.
— ii) CONEXÃO COM A TECNOLOGIA DA INFORMAÇÃO
A INTELIGÊNCIA ARTIFICIAL
A Inteligência Artificial é definida como a ciência e engenharia de cons
truir máquinas inteligentes (TARAPANOFF, 2022). Para McCarthy, trata se de
uma área interdisciplinar que reúne computação, cognição e aprendizagem, com
o objetivo de desenvolver sistemas capazes de pensar (Haykin, 1994 apud Mar
tins, 2010). A IA foi institucionalizada em 1956, durante a Conferência de Verão
de Dartmouth, onde McCarthy, Minsky, Shannon e outros lançaram as bases da
pesquisa na área, abordando temas como redes neurais, criatividade e progra
mação (BARRERA ARRESTEGUI, 2012; RUSSEL; NORVIG, 2013).
Entretanto, a primeira aplicação formal da IA remonta a 1943, com o tra
balho de Warren McCulloch e Walter Pitts, que, unindo neurofisiologia, lógica
formal e a computação de Turing, propuseram o modelo das Redes Neurais Ar
tificiais (RNAs), capazes de computar funções lógicas e aprender.
Poucos anos depois, Donald Hebb (1949) formulou a conhecida "regra de
Hebb", sugerindo que conexões neurais se fortalecem pela ativação simultânea,
base conceitual para o aprendizado nas RNAs (MARTINS, 2010).
Um neurônio pode ser entendido como um sistema de entrada de infor
mação, processamento e saída. Neste neurônio artificial, a informação, um atri
buto dá entrada (é percebido) e processado, ou seja, são calculados e atribuídos
pesos, sendo dada uma resposta que é desejada, dada ao tipo de aplicação de IA.
As RNAs são tão importantes para a IA que é um pouco difícil de catego
rizar esse campo em momentos distintos fora desse paradigma. Assim, a IA pos
sui dois grandes paradigmas — o conexionismo (proveniente das RNAs) e o
aprendizado de máquina (também proveniente das RNAs).

9
A categorização (quadro 1), IA simbólica, IA conexionista e IA cognitiva,
não é rígida; serve como forma de compreender o desenvolvimento histórico e
conceitual da IA, especialmente recorrentes na literatura da CI (ver ANEXO A).
Quadro 1. Evolução do enfoque da informação e as tecnologias da IA.
Momento da IA Características Informação e Sociotécnica
Teoria Funcionalista “O cérebro é um computador digital”
Teste de Turing
IA Simbólica; IA Conexionista
1ª e 2ª Fase da IA
Resolução de Problemas, Primeiras
RNAs, Processamento de Linguagem
PLN, Eliza, Sistemas Especialistas SE
Indústria 2.0 (eletricidade e au
tomação inicial) – foco em efi
ciência e controle de processos
mecânicos e repetitivos.
Informação:
Paradigma Físico
Teoria Crítica Teorema da Incompletude de Gödel;
Experimento da Sala Chinesa de Searle;
Suposições de Dreyfus (1999).
Inverno da IA
Indústria 3.0 (informática e au
tomação computacional) – sur
gem redes, computadores pes
soais e conectividade inicial.
Informação:
Paradigma Cognitivo
Teoria do Aprendizado e
paradigma estatístico
versus vetorial
“A mente é um programa computaci
onal”
IA Conexionista
Retropropagação em RNAs, Redes Neu
rais Profundas Generativas GANs
Indústria 3.0 em transição para a
4.0 – domínio da computação,
redes sociais, Big Data.
Informação:
Paradigma Cognitivo
Teoria Cognitivista e
Evolução de algoritmos
“As operações cognitivas podem ser
simuladas”
3a Fase da IA Cognitiva
Agentes inteligentes e Transformers
Seleção Evolutiva de Coleções de Heu
rísticas, Teoria dos Jogos, Equilíbrio de
Nash e Recompensas
Indústria 4.0 Sistemas ciber
físicos, Internet das Coisas (IoT),
automação inteligente, perso
nalização e interação homem
máquina.
Informação:
Paradigma Social
Fonte: Adaptado de Martins (2010); Dreyfus (1999); Norvig; Russel (2013).
Uma Teoria Funcionalista da Inteligência Artificial (IA) tende a se concen
trar na reprodução funcional do comportamento humano, sendo o Teste de Tu
ring uma das principais formas de avaliação dessa capacidade. O funcionalismo,
como posição filosófica da mente (sobretudo em filosofia da mente e Ciência Cog
nitiva), sustenta que os estados mentais são definidos por suas funções (ou seja,
pelo que fazem, não por como são fisicamente implementados).
Isso é verificado no quadrante de Russel; Norvig (2013) — pensar como
humanos; pensar racionalmente; agir como humanos e agir racionalmente que
será retomado adiante.

10
A construção mais importante da Teoria Funcionalista é a noção de Agen
tes Inteligentes, feita por Russel; Norvig (2013).
Os Agentes Inteligentes são IAs funcionais em determinados aspectos es
pecíficos, por exemplo, o ELIZA, de 1960, o primeiro Chatbot, tinha a função de
ser um “psicanalista”. Não é uma IA no contexto amplo, na verdade o ELIZA se
mostrou bem limitado. Existe uma interface de interação e os algoritmos são trei
nados em respostas desejadas.
Podemos situar os Agentes Inteligentes tando na IA Simbólica, quanto na
IA Conexionista, quando estão nesse último, e possuem aplicações específicas,
passam a ser relacionados à IA Cognitiva. Por exemplo, o Chat GPT é um Agen
te Inteligente que possui uma RNA dele. Sendo do tipo Transformadores, ele
possui habilidades específicas de traduzir, gerar textos, imagens, códigos etc.
Considerando que ele não é uma IA geral, ou IA Forte, que atualmente
não existe, ele pode ser considerado uma aplicação funcional, isto é, desenvol
vido sob premissas funcionalistas. Assim, pelo fato dele não estar “existindo no
mundo” e fazendo o que tem vontade, suas perspectivas são funcionais, embora
as suas tecnologias sejam cognitivistas.
Durante o período entre 1988 e os anos 2000, no contexto de mais um "in
verno da IA" e das críticas à IA simbólica, Hubert Dreyfus propôs uma análise
filosófica da área, influenciada por sua visão crítica da IA.
Com base em quatro pressupostos fundamentais — biológico ou genético
(SBG), psicológico (SP), epistemológico (SE) e ontológico (SO) — Dreyfus argu
mentou que essas premissas falham em capturar a possibilidade de uma "inten
cionalidade do ser" nas máquinas.
Essa crítica reflete uma visão mais ampla, influenciada pela Teoria Crítica,
que questiona a capacidade dos sistemas simbólicos de replicar a inteligência
humana, especialmente em termos biológicos, psicológicos e epistemológicos.
Observa se que o momento funcionalista da IA se relaciona com o para
digma físico da CI.
Não relacionamos, portanto, a Teoria Crítica à nenhuma tecnologia de IA.
As discussões, de âmbito filosófico, serão dadas em leitura complementar.
Depois, a IA entra, dentro de um contexto de IA Conexionista, ou seja, das
RNAs, em uma das concepções mais importantes do campo — o Aprendizado
de Máquina (Machine Learning). Embora seja um produto quase que exclusivo
das RNAs, a ML por si é o grande evento transformador da IA.
Uma pausa... Se você não é muito adepto de cálculo e raciocínio lógico,
mas gosta de tecnologia, estude RNA, pois elas são um modelo ontológico com
putacional de uma rede com nós, que pode ser representado visualmente. As
RNAs são a base da IA. Voltando...
Em 1988, a teoria das RNAs por retropropagação irá transformar definiti
vamente o campo.

11
Cachorro
Uma Teoria do Aprendizado pode ser baseada sob duas premissas mate
máticas básicas, bem básicas, existem infinitas outras ... Mas, focando estas aqui:
— a vetorial e a evolucionista (pela seleção por meio de modelos de decisões).
Sabemos que a Computação lida com entidades matemáticas discretas, veremos
isso em aulas mais à frente. Essas entidades podem ser abordadas, de maneira
muito básica, de duas ordens — vetoriais ou probabilísticas/combinatórias.
— Um vetor é uma direção no espaço, basicamente é a contagem de um
fenômeno, por exemplo, ao contar palavras em um texto, posso representar a
quantidade de uma mesma ocorrência em um plano cartesiano, verificando, as
sim, um espaço vetorial do objeto. Neste caso, um algoritmo aprende a partir de
uma distribuição vetorial complexa e no cálculo de pesos e atributos. Em um
plano cartesiano, sabe se que é possível aplicar estatística e probabilidade.
— Depois, a teoria dos jogos e o modelo de decisão de Nash, podem nos
dar padrões interessantes de decisão. Isso é muito utilizado na Pesquisa Opera
cional, por exemplo, e também na área de Inteligência e Conhecimento Organi
zacional ICO. Quando coleções de algoritmos são aplicadas em um ambiente de
decisão, umas podem se sobressair às outras, fazendo assim uma “seleção” na
tural das melhores. Essa “vitória” entre um ou outro, é dada por meio de proba
bilidades e desempenho que pode ser por sorte, ou por melhor jogada.
Neste caso, é criado um sistema de recompensa.
Agora suponha que se tenha uma Rede Neural Artificial RNA para deter
minação de animais de estimação. Isto é, queremos que a IA aprenda a reconhe
cer entre peso, dieta e características, quais os tipos de animais (figura 1).
Os dados são percebidos pelo sistema, ou seja, podem ser digitados, por
meio de uma interface de interação, na qual o usuário aplica um comando; ou
pode ser feito o reconhecimento de uma imagem.
Mas, neste caso, vamos dar entrada por texto mesmo. Considera se sufici
ente três parâmetros para distinguir entre gatos, cachorros e pássaros: o peso, a
dieta e as características gerais do animal, se tem orelhas pontudas, etc.
Esses dados formam os nós em uma RNA, por exemplo, nó (10kg), nó
(2kg), nó (ração), nó (mamífero), nó (quatro patas), nó (asa), nó (orelha pontuda)
etc. Algumas características entre cachorros e gatos são mais semelhantes do que
entre estes e pássaros. Assim, a IA poderá ter um desempenho melhor entre di
ferenciar dois grupos com características mais heterogêneas.
Figura 1 Exemplo de uma RNA em retropropagação
Caracte
rísticas
Dieta
Peso
Pássaro
Gato

12
Mas, se eu for no atributo peso, pode ser que eu aumente o desempenho
da máquina em reconhecer e aprender o caminho para distinguir os animais. Isso
porque o meu sistema possui uma coleção de dados entre pesos de gatos, cachor
ros e pássaros, distribuídos em um espaço vetorial por tipo de animal.
Considerando que indivíduos — os azuis são cachorros, os laranjas são
gatos e os verdes são pássaros. Conforme a distribuição do peso, pode se encon
trar um espaço vetorial comum entre os indivíduos.
Poderia se, também, impor ao algoritmo mais uma condicionante de “ra
ça”, a qual iria distinguir rapidamente entre os tipos de indivíduos, por exemplo,
Pinscher é uma raça exclusiva de cachorro. Mas, estaríamos pegando um atalho,
queremos que o algoritmo aprenda a reconhecer genuinamente os indivíduos.
Figura 2 Distribuição vetorial de indivíduos por tipo e peso
Esse espaço vetorial é calculado sob
os dados peso e tipo de animal. Po
deria ser um vetor com outras di
mensões, tais como características
também. Quanto mais dados per
cebidos, melhor é a saída da RNA.
Poderíamos traçar uma linha, então,
mesmo que sinuosa, que separa
pássaros, gatos e cachorros. Assim
o algoritmo aprende a distinguir.
Quando as Redes Neurais Artificiais RNAs começam a aprender por re
tropropagação (figura 1, setas em azul), ou seja, estabelecendo determinados
resultados vetoriais desejados para qual, a partir desses, a máquina possa calcu
lar os “caminhos”, ou seja, as relações do retorno, para reconhecer as entradas
(entidades) e entendê las adequadamente, elas estão utilizando um modelo es
tatístico e de combinações.
Porém, quando os Processadores de Linguagem Natural PNLs buscam re
alizar um completamento de textos por meio de Transformadores, a atenção des
ses modelos, nos dados específicos, será decidido por meio de modelos pré trei
nados MPTs, e alguns desses modelos, utilizam sistemas de recompensas.
Observa se, assim, que o momento conexionista da IA se relaciona com o
paradigma cognitivista da CI.
Uma Teoria Cognitivista é a junção de todas as tecnologias observadas nos
momentos anteriores da IA, sob a premissa de que estamos em constante evo
lução no tempo. Assim, o aprendizado renova as conexões neurais provocando
a plasticidade cerebral, em humanos.
Da mesma forma, as IAs em suas RNAs vão renovando os algoritmos, em
constante acréscimo de capacidade de processamento de dados, seleção de algo
ritmos, bem como sua reformulação, e aprendizagem, seja ele por:

13
i) no aprendizado supervisionado, quando á um mapeamento entre entra
da e saída; — ii) no não supervisionado, quando extrai se conhecimento de da
dos não rotulados; — iii) já no auto supervisionado, quando a rotulagem é ge
rada automaticamente.
Ou, ainda, aprendizado por reforço, técnicas ainda mais atuais da IA.
Uma diferença entre a IA Cognitiva das outras é a inclusão de característi
cas que aproximam ainda mais das características humanas. Então, os sistemas
de interação são mais espontâneos, mesmo que não sejam conscienciais.
Além disso, a busca pela IA Forte, ou seja, a IA intencional, a que é dotada
de vontade própria, ainda permanece imanente nos desenvolvedores dessas apli
cações e no campo de pesquisa. Isto reforça muita discussão filosófica e ética so
bre a IA. Entende se que há um retorno da Filosofia Mente e Corpo para o cam
po da IA, atualmente. Por isso:
Observa se, por fim, que o momento cognitivista da IA se relaciona com
o paradigma social da CI.
— iii) PARTICIPAÇÃO ATIVA NA SOCIEDADE DA INFORMAÇÃO
A sociotécnica é um conceito que descreve a interação entre os aspectos
sociais e técnicos de um sistema. Essa metodologia é utilizada para explicar co
mo tecnologia e sociedade se influenciam e se moldam mutuamente. Enquanto
um dos elementos que interagem com a Ciência da Informação, a Sociedade da
Informação e do Conhecimento apresenta um olhar importante para o desenvol
vimento das Tecnologias da Informação e do Conhecimento (TICs) com impacto
direto no debate da informação.
Jennifer Rowley, em Biblioteca Eletrônica (2002), influenciou por mais de
duas décadas a formação na graduação em Biblioteconomia, ao apresentar de
maneira didática os componentes físicos da computação como elementos essen
ciais para o processo decisório na gestão de bibliotecas. A autora observa que a
formulação de um conceito único para "biblioteca eletrônica" é uma tarefa rela
tivamente complexa. A bibliografia da época apresenta uma profusão de termos
que se relacionam com a ideia: “biblioteca sem paredes”, “em rede”, “no micro
computador”, “lógica”, “virtual” e “biblioteca digital” (ROWLEY, 2002).
Considerando esse contexto de refazimento terminológico de uma nova
disciplina, a da IA e as Bibliotecas, então, qual seria a melhor denominação?
O conceito que tem ganhado maior consolidação na literatura contempo
rânea é o de “Biblioteca 5.0”. Emmanuel, Ameh e Oladokun (2025) argumentam
que esse novo modelo sucede o ciclo da biblioteca eletrônica e suas variações,
propondo uma integração de tecnologias como IA, blockchain, realidade virtual
e aumentada, e Internet das Coisas (IoT). O objetivo é oferecer experiências hi
perpersonalizadas, imersivas e centradas no usuário.
Segundo estudos recentes de Apriliyanti e Ilham (2022), Noh (2022), War
nasooriya (2022) apud Ginting et al. (2023), sistematizados em revisão bibliográfi
ca por Panda, Hasan e Kaur (2024), a pesquisa no campo da Biblioteca 5.0 está
alinhada às tendências da Quarta Revolução Industrial. Envolve, sobretudo, a
adaptação das bibliotecas aos avanços tecnológicos em curso.

14
Contudo, é fundamental que a integração de sistemas inteligentes aconte
ça em equilíbrio com a dimensão humana das bibliotecas, reconhecendo tanto o
papel social dessas instituições quanto a relevância contínua dos profissionais da
informação.
A tecnologia deve ser ferramenta de mediação — não substituição — pro
movendo inclusão, acesso ao conhecimento e protagonismo dos usuários no no
vo ecossistema informacional (PANDA; HASAN; KAUR, 2024). Catia Fierli
(2019), na pesquisa italiana Biblioteca 5.0: uno spazio vuoto, já utiliza o termo
“Biblioteca 5.0”, evidenciando um movimento conceitual emergente na Europa.
Também na Itália, Tammaro e Salarelli (2008) contribuíram significativamente
para o debate sobre o conceito de “Biblioteca Digital”, consolidando um históri
co relevante no desenvolvimento teórico da área.
Quadro 2. Evolução do enfoque da informação e da sociotécnica.
Indústria Tecnologias Impacto Sociotécnico Relação com a CI
1.0
(fins séc. XVIII)
Mecanização, energia
a vapor
Produção descentraliza
da, início da urbanização
Organização de acervos físi
cos; início da catalogação sis
temática
2.0
(séc. XIX XX)
Eletricidade, linha de
montagem
Produção em massa; sur
gimento de empresas
modernas
Crescimento das bibliotecas,
padronização da classificação
da informação
3.0
(anos 1970)
Automação, eletrôni
ca, informática
Início da digitalização,
informatização do tra
balho
Bases de dados, sistemas de
recuperação da informação, CI
como campo científico
4.0
(atual)
Inteligência Artificial,
IoT, Big Data
Ciber socialização, hiper
conectividade, trabalho
imaterial
Bibliotecas digitais, ontologias,
tratamento automatizado da
informação, ciência de dados
aplicada à CI
Fonte: Adaptado de CASTELLS (1999); SILVA; RIBEIRO (2021).
A Indústria 1.0 (quadro 2), surgida no final do século XVIII, foi marcada
pela mecanização da produção e pelo uso da energia a vapor. Esse momento re
presentou uma transformação radical nas estruturas produtivas e sociais, com o
início da urbanização e da descentralização da produção artesanal. No contexto
da CI, esse período corresponde ao início da sistematização da organização do
conhecimento, com práticas incipientes de catalogação e classificação da infor
mação em acervos físicos.
Com o avanço tecnológico no final do século XIX e início do XX, a Indús
tria 2.0 (quadro 2) foi impulsionada pela eletricidade e pela introdução das linhas
de montagem, possibilitando a produção em massa. Esse momento está direta
mente associado ao surgimento das grandes corporações e à consolidação da
sociedade industrial moderna. Na CI, observamos a expansão das bibliotecas e
centros de documentação, bem como a padronização dos sistemas de classifica
ção e a estruturação dos serviços de informação para atender às novas demandas
industriais e científicas.

15
A partir dos anos 1970, com o surgimento da automação industrial, dos
circuitos eletrônicos e da informática, inicia se a Indústria 3.0 (quadro 2), que
intensifica a digitalização dos processos e a informatização do trabalho. Este pe
ríodo coincide com a consolidação da CI como campo científico, passando a in
corporar o uso de bases de dados, sistemas informatizados de recuperação da
informação e o desenvolvimento de linguagens documentárias mais sofisticadas.
Por fim, a Indústria 4.0 (quadro 2), em curso atualmente, representa um
novo salto tecnológico com a incorporação da IA, Internet das Coisas (IoT), Big
Data, aprendizado de máquina e sistemas ciberfísicos. Esse momento sociotéc
nico é caracterizado pela hiperconectividade, automação inteligente e digitali
zação total dos processos produtivos e comunicacionais.
Para a CI, a Indústria 4.0 traz desafios e oportunidades: surgem as biblio
tecas digitais, as ontologias computacionais, os sistemas inteligentes de recomen
dação e novas formas de organização, representação e recuperação da informa
ção, muitas vezes automatizadas e baseadas em algoritmos complexos. A CI,
nesse cenário, reafirma seu papel estratégico ao lidar com o volume crescente de
dados e ao promover o acesso significativo à informação em uma sociedade di
gital e em transformação. Entretanto, tratar o tema exclusivamente pelas lentes
das transformações na Sociedade da Informação e do Conhecimento pode limi
tar o escopo da reflexão.
A IFLA, em sua Declaração sobre Bibliotecas e Inteligência Artificial
(2020), oferece diretrizes fundamentais que destacam a importância de uma abor
dagem ética, transparente e inclusiva no uso da IA em bibliotecas. O documento
ressalta a necessidade de promover a alfabetização em IA, proteger a privacida
de dos dados dos usuários e garantir supervisão humana nas decisões automa
tizadas. Nesse contexto, a busca por um termo que articule de forma precisa as
relações entre “biblioteca” e “inteligência artificial” — tanto na literatura inter
nacional, quanto nacional — constitui um passo preliminar, mas essencial, para
o desenvolvimento desse novo campo de pesquisa.
No entanto, uma busca realizada na Base de Dados de Pesquisa Brasileira
em Ciência da Informação (BRAPCI) pelo termo “biblioteca 5.0” não retornou
resultados relevantes. Isso sugere que, na produção científica brasileira, os estu
dos ainda estão mais concentrados na combinação de termos como “Inteligência
Artificial” e “Biblioteca”, ao invés da adoção de novas denominações no estilo
“ponto zero”. Essa resistência pode estar ligada à dificuldade de distinguir cla
ramente entre os marcos da Indústria 3.0, 4.0 e 5.0.
Nesse sentido, cabe perguntar: seria a “Biblioteca 5.0” apenas mais uma
especialização dentro do vasto campo de interseções entre bibliotecas e Inteligên
cia Artificial? E mais: como se reposiciona a própria biblioteca — com suas pro
priedades materiais, intelectuais e organizacionais — enquanto um dos três ob
jetos centrais da Biblioteconomia (biblioteca, usuário e informação), mantendo
seu papel essencial como espaço educacional, cultural e social?

16
Segundo Assis (2024), a aplicação da IA nas bibliotecas e unidades de in
formação não é mais uma mera especulação, mas uma realidade que está trans
formando a maneira como interagimos com o conhecimento e como as bibliote
cas servem à sociedade. O impacto da IA nas bibliotecas é significativo e multi
facetado. Nesse contexto, este artigo explora duas dimensões específicas: o seu
impacto na produção científica e o seu papel na promoção de atividades de ação
cultural, especialmente nas bibliotecas públicas. Ambos os aspectos apresentam
oportunidades e desafios inovadores. A aplicação da IA na produção científica
representa um marco transformador, que abrange desde a formulação da hipó
tese de pesquisa pelo cientista até a divulgação no fluxo de produção científica.
No âmbito das bibliotecas públicas, a IA transcende seu papel como uma mera
ferramenta, emergindo como um catalisador para a criação de atividades cultu
rais enriquecedoras e personalizadas.
O problema do termo “Ciberbiblioteca”
Retornando ao escopo original, de se buscar um termo apropriado para
nomear a relação entre Biblioteca e Inteligência Artificial, pode se considerar
algumas possibilidades. Uma delas seria o uso do termo “Ciberbiblioteca”. No
entanto, apesar de seu apelo técnico e digital, o termo carrega limitações concei
tuais ligadas à origem da Cibernética — proposta por Norbert Wiener em 1943
— que é centrada em sistemas de controle baseados em retroalimentação (feed
back) e nos princípios da Teoria Geral dos Sistemas (TGS) de Ludwig von Ber
talanffy. Essa abordagem ofereceu uma perspectiva holística dos sistemas e seus
comportamentos, influenciando significativamente os primeiros modelos de IA.
Contudo, como observam Barrera e Arrestegui (2012), bem como Alves e
Valente (2021), a Cibernética, embora tenha se consolidado como um campo pro
missor, perdeu protagonismo com o avanço da Inteligência Artificial e da Ciên
cia Cognitiva. Ainda assim, certos princípios fundamentais da Cibernética, como
a simulação, o feedback e os modelos de mente máquina, mantêm sua relevância
epistemológica e metodológica.
Para ilustrar as limitações semânticas do prefixo “ciber ”, pode se recorrer
ao termo “Ciberdemocracia”, proposto por Pierre Lévy, que refere se à partici
pação política em meios digitais. Essa forma de democracia, no entanto, não subs
titui a experiência democrática analógica, sendo antes uma simulação ou exten
são parcial dela. Da mesma forma, a Ciberbiblioteca tende a remeter à simulação
de uma biblioteca, sem necessariamente refletir as transformações promovidas
por tecnologias dotadas de intencionalidade, generatividade, consciência ou de
dutibilidade, como as IAs de última geração.
Nesse sentido, o termo Ciberbiblioteca pode ser insuficiente para designar
uma biblioteca verdadeiramente inteligente, que atua com autonomia algorítmi
ca, integra inferências cognitivas, e realiza mediação proativa da informação —
indo além da automação e da digitalização.
Ainda dentro da lógica da Ciberbiblioteca, é necessário revisitar uma série
de tecnologias fundamentais que representam a transição para o próximo nível
de integração entre IA e Biblioteconomia. Entre essas tecnologias, destacam se:

17
— RFID (Radio Frequency Identification) para automação de emprésti
mos e controle de acervos; — Realidade Virtual (VR) como ferramenta de medi
ação e ambientação digital para usuários; — Internet das Coisas (IoT), possibi
litando a integração de objetos e espaços físicos em redes inteligentes. Essas apli
cações já se encontram documentadas e analisadas em diversos estudos. Para
uma visão mais detalhada, veja o módulo 1 deste curso, onde são listadas as prin
cipais tecnologias aplicáveis às bibliotecas nesse contexto de transição.
Voltando ao campo da Biblioteconomia, a biblioteca eletrônica pode ser
compreendida como uma versão primária da chamada Ciberbiblioteca, pois, por
meio de uma interface com o usuário — geralmente representada por metabus
cadores — é capaz de selecionar, organizar e recuperar registros e artefatos de
informação conforme as necessidades informacionais dos usuários.
Rowley (2002), ao representar os dispositivos de entrada, processamento
e saída em bibliotecas, ajustando os às demandas reais de gestão informacional,
descreve a biblioteca eletrônica como um verdadeiro “dispositivo cibernético”,
composto por três elementos funcionais: percepção (entrada), raciocínio (proces
samento) e interface de comunicação final (saída). Essa estrutura, que simula a
organização do trabalho intelectual humano, carrega, em sua essência, uma pre
missa cibernética, fundamentada no modelo mente máquina.
A partir dessa perspectiva, pode se observar o impacto da aplicação da In
teligência Artificial nas bibliotecas sob a ótica de cada um dos paradigmas da CI.
A não conclusão de “A Biblioteca Cognitiva”
Voltando ao escopo original da busca por um termo que represente a rela
ção entre Biblioteca e Inteligência Artificial, surge mais uma possibilidade: o uso
da expressão "Biblioteca Cognitiva", em referência à Computação Cognitiva
(CCog). Contudo, embora seja uma ideia interessante, esse termo pode acabar
limitando a compreensão de um fenômeno mais amplo.
Isso porque a Organização do Conhecimento (OC) — campo central da Bi
blioteconomia e da Ciência da Informação — já é, por si só, uma atividade cog
nitiva, e está diretamente relacionada à uma das funções da IA. Afinal, para se
criar conhecimento, é necessário, antes de tudo, organizar dados e informações.
Conforme abordado, para Russell e Norvig (2013), a Inteligência Artificial
pode ser concebida em quatro abordagens: sistemas que pensam como humanos;
sistemas que agem como humanos; sistemas que pensam racionalmente e siste
mas que agem racionalmente.
Nesse sentido, Coneglian et al. (2024) apontam que as abordagens centra
das no ser humano possuem uma natureza mais empírica, enquanto as aborda
gens racionais dialogam com as disciplinas matemáticas e de engenharia. A CCog
se posiciona mais no campo racional; já a IA — em suas pesquisas mais avança
das — muitas vezes se aproxima do especulativo e do empírico, sobretudo em
áreas como a IA generativa.

18
O termo "biblioteca cognitiva" torna se ainda mais problemático se consi
derarmos as "idades" da IA. Podemos identificar ao menos três fases evolutivas:
IA Simbólica; IA Conexionista (Dreyfus, 1999; Russell & Norvig, 2013), e IA Cog
nitiva (Russell & Norvig, 2013).
Embora a CCog esteja relacionada ao desenvolvimento do aprendizado
de máquina, a IA Cognitiva, que incorpora modelos generativos e aprendizado
profundo, representa um avanço importante, principalmente por sua busca pela
intencionalidade. Como observou Vapnik (1999), essa transição se dá quando as
heurísticas passam a ser representadas vetorialmente e probabilisticamente —
um salto qualitativo em direção a rudimentos de uma IA Forte.
Portanto, se a Organização do Conhecimento já é, em sua essência, uma
prática cognitiva, a biblioteca — em sua materialidade, estrutura intelectual e
função organizacional — pode ser compreendida como um artefato cognitivo.
Um exemplo claro é a Ontologia Computacional, que se apoia nos modelos da
área dos Sistemas de Organização do Conhecimento (SOC), mostrando a simbi
ose entre representação do conhecimento e estrutura computacional.
Apesar de tudo, e se seguirmos pela trilha conceitual da "Biblioteca Cog
nitiva", vislumbramos uma mudança de paradigma, como a transição entre os
metadados com estruturas fixas do código AACR2 para modelos relacionais ori
entados a entidades dos Recursos de Descrição e Acesso (RDA).
A possibilidade do termo “Biblioteca Generativa”
Diante das novas tecnologias, como a Computação Cognitiva (CCog) e a
Inteligência Artificial (IA), surge a pergunta: qual seria o termo mais adequado
para representar uma nova fase das bibliotecas? A expressão “biblioteca gene
rativa” parece ser uma alternativa promissora. Ela se refere à aplicação de tec
nologias de IA em bibliotecas, especialmente aquelas dotadas de heurísticas ca
pazes de “criar conteúdos em diversos formatos — texto, imagem ou áudio” (CO
NEGLIAN et al., 2024). O termo aponta para uma das principais discussões atu
ais no campo da IA: a intencionalidade e a busca pela IA Forte, ou consciente.
Podemos distinguir dois campos de atuação entre a interdisciplinaridade
de Inteligência Artificial e Biblioteconomia e Ciência da Informação:
— Na Biblioteconomia, num contexto de aplicação, os Sistemas Especialis
tas SE e as tecnologias analisadas pela CI, podem direcionar aplicações para ope
rações inteligentes em Sistemas de Gerenciamento de Bibliotecas SGBs, organi
zação da informação, bem como interfaces de interação no atendimento ao usuá
rio, que demandam das bibliotecas o letramento informacional de comunidades.
— Na CI, num contexto mais amplo, a estrutura de dados e informações
utilizados em aplicações de IA, tais como Redes Neurais Artificiais RNAs, Apren
dizagem de Máquina e Processamento de Linguagem Natural PLN, interessam
o o entendimento do fenômeno de equiparação entre intencionalidade informa
cional e tecnológica, sob a perspectiva dos paradigmas físico, cognitivo e social.
A intencionalidade também é observada pela Neodocumentação.

19
3
A Espiral de Método Científico, proposta por S. R. Ranganathan, apresenta uma visão di
nâmica e interativa do desenvolvimento do conhecimento científico. O ciclo é composto por
quatro estágios cardeais: nadir, ascendente, zênite e descendente. No estágio do nadir, ocor
re a acumulação de fatos e dados obtidos por observação e experimentação, sendo o ponto
inicial do processo científico. No quadrante ascendente, esses fatos são analisados e leis em
píricas são formuladas por meio da indução, transformando dados em teorias e padrões. O
zênite é caracterizado pela intuição, onde as leis induzidas são sintetizadas em princípios
fundamentais, promovendo maior abstração do conhecimento. Por fim, no quadrante des
cendente, as leis deduzidas são aplicadas e testadas, utilizando lógica dedutiva para gerar
novas inferências e refinar teorias, completando o ciclo. Essa espiral reflete a interação cons
tante entre observação, indução, intuição e dedução, permitindo que o conhecimento se
desenvolva de forma contínua e progressiva. A partir do momento em que o ciclo chega ao
final, ele reinicia, com a acumulação de novos fatos a partir da observação e experimentação,
dando continuidade ao processo de evolução do conhecimento científico. A espiral, portan
to, representa um ciclo contínuo e interativo de aprendizagem e aprimoramento, em que
cada fase contribui para o aprofundamento e refinamento das teorias e leis científicas (RAN
GANATHAN, S. R. As cinco leis da biblioteconomia. Brasília: Briquet de Lemos, 2009).
ESPIRAL DO CONHECIMENTO E INTELIGÊNCIA ARTIFICIAL
S. R. Ranganathan, uma das principais autoridades da biblioteconomia,
desenvolveu a Cólon Classification e formulou as cinco leis fundamentais da
biblioteconomia. Seu trabalho, além de transformar a prática das bibliotecas, tam
bém introduziu conceitos importantes, como a democratização do acesso à in
formação. A Espiral de Método Científico3
, apresentada por Ranganathan (2009),
sugere um “pensamento cibernético” oferecendo a visão dinâmica e interativa da
evolução do conhecimento:
Os estágios representam as fases do desenvolvimento do conhecimento,
envolvendo observação, indução, intuição e dedução. Na perspectiva bibliote
conômica, os processos descritos pela Espiral podem ser aplicados ao ciclo de
organização e processamento da informação nas bibliotecas.
Figura — Espiral do Conhecimento
Fonte: Ranganathan.

20
4
A análise de citação investiga as relações entre documentos citantes e citados, auxiliando
na mensuração do impacto de publicações científicas. Ela permite avaliar a relevância de
autores e periódicos por meio da frequência com que são referenciados, sendo útil na iden
tificação de frentes de pesquisa. Além disso, é fundamental na recuperação de informações
e no estudo do comportamento da comunicação científica. A bibliometria aplica métodos
estatísticos ao estudo de livros, artigos e outros meios de comunicação científica, permitindo
a quantificação da produção acadêmica. Já a cientometria amplia essa abordagem, analisan
do a criação, disseminação e uso do conhecimento, sendo utilizada na gestão da pesquisa
científica e no monitoramento do desenvolvimento tecnológico. As leis da cientometria in
cluem: Lei de Lotka: Avalia a produtividade dos pesquisadores, evidenciando que poucos
autores publicam frequentemente, enquanto muitos contribuem esporadicamente; Lei de
Zipf: Analisa a frequência das palavras em textos científicos, sendo útil na indexação e re
cuperação de informações; Lei de Bradford: Determina a dispersão dos artigos científicos em
periódicos, auxiliando na seleção de publicações essenciais para uma área do conhecimento.
Essas leis são amplamente utilizadas para mensurar o impacto da produção científica, o
desenvolvimento do conhecimento e a relevância de publicações na comunicação científica.
(DIAS, MMK.; PIRES, D. Usos e usuários de informação. São Carlos: EdUFSCAR, 2004).
Funções cibernéticas ‘memória’, ‘busca’ e ‘recuperação’
No estágio "nadir" (RANGANATHAN, 2009), bibliotecários lidam com a
acumulação de dados brutos, isso se relaciona ao processo cibernético de memó
ria. Portanto, um Sistema de Gerenciamento de Biblioteca (SGB), enquanto sis
tema autômato, possui a função de armazenamento, busca e recuperação da in
formação. Estes processos são básicos em um SGB.
Função cognitiva ‘predição’, ‘inferência’ e ‘associação’
No "ascendente" (RANGANATHAN, 2009), as leis empíricas são formula
das a partir da análise desses dados. As leis bibliométricas, por exemplo, são apli
cadas no cotidiano das bibliotecas para: ao realizar a análise de citação 4
(DIAS;
PIRES, 2004) é possível identificar o uso de informações de uma base de dados;
avaliar a qualidade de uma coleção; entender o perfil do usuário de uma bibli
oteca; As leis bibliométricas podem ser consideradas empíricas, pois foram for
muladas com base em observações estatísticas do comportamento da literatura
científica, sem uma fundamentação teórica universal que as explique. Elas de
rivam da análise de padrões recorrentes em grandes volumes de dados biblio
gráficos, sendo generalizações baseadas em experimentação e observação.
Função cognitiva ‘organização’ e ‘representação’
No "zênite" (RANGANATHAN, 2009), essas leis são sintetizadas e redu
zidas a princípios fundamentais; O conceito de zênite, caracterizado pela intui
ção e pela síntese de leis induzidas em princípios fundamentais, pode implicar
os processos automáticos de organização do conhecimento ao proporcionar uma
abordagem mais abstrata e holística para a classificação e estruturação do saber.
Nesse contexto, os sistemas automáticos de organização do conhecimento
se beneficiam dessa abstração, permitindo que algoritmos e modelos sejam de
senvolvidos para compreender, organizar e representar de maneira mais efici
ente grandes volumes de informação.
Ao integrar a intuição do zênite com a organização sistemática e categori
al, as tecnologias de recuperação de informação e sistemas de organização de
conhecimento podem evoluir, tornando se mais precisas e capazes de lidar com
a complexidade dos dados na web semântica e em outras plataformas digitais.

21
Um SGBD Bibliográfico enquanto agente inteligente, além das caixas de
registro dos assuntos integradas ao formulário de processamento do material
bibliográfico, deve possuir outros módulos relacionados ao vocabulário do sis
tema, à criação de anotações semânticas de intervalos de classe, criação de textos,
resumos, de sugerir ao bibliotecário outros nós e links existentes.
Função generativa social de ‘interação’
No "descendente", as deduções são feitas para testar e aplicar as leis. As
Cinco Leis da Biblioteconomia, formuladas por S.R. Ranganathan, são funda
mentais para a organização e gestão de bibliotecas: 1) Os livros são para o uso
— destaca a importância de facilitar o acesso à informação; 2) Cada leitor seu
livro — cada usuário deve ter acesso ao conteúdo que atenda às suas necessida
des específicas; 3) Cada livro seu leitor — cada obra possui um público alvo que
pode se beneficiar de seu conteúdo; 4) Poupe o tempo do leitor — as bibliotecas
devem ajustar suas coleções conforme o interesse e a demanda dos usuários; 5)
A biblioteca é um organismo em crescimento — as bibliotecas devem estar em
constante evolução para se adaptar às mudanças sociais e tecnológicas.
No "descendente", ao aplicar essas leis em bibliotecas, deduções podem
ser feitas utilizando a IA para testar e otimizar seu funcionamento. A IA pode
melhorar a função social da biblioteca ao proporcionar interações personaliza
das, adaptando se às preferências e necessidades dos usuários, recomendando
livros e recursos com base em comportamentos e interesses individuais. Essa
interação inteligente e dinâmica ajuda a transformar a biblioteca em um ambi
ente mais acessível, inclusivo e adaptável, aproveitando a tecnologia para pro
mover o uso eficaz do conhecimento.
Considerando a base de dados ou sistema de gestão de bibliotecas como
um sistema cibernético ou inteligente, como uma mente autômata, essa base de
dados seria capaz de apontar lacunas, gaps, formular demandas por novos co
nhecimentos, fazer conclusões, recomendações, comunicar se com outros siste
mas inteligentes, trocar informações, e por isso estar visível e recuperável na su
perfície da Web, desenvolver insigths, comparar informações, analisar explica
ções compartilhadas e consolidadas, apontar soluções para problemas de infor
mação que lhes forem apresentados.
Este modelo de abstração foi desenvolvido para tornar mais fluido o en
tendimento dos processos ‘mentais’ ou cibernéticos presentes em uma biblioteca.
As fases de Nadir, ascendente, zênite e descendente representam as etapas do
desenvolvimento do conhecimento, que envolvem observação, indução, intuição
e dedução. A proposta foi aplicar conceitos da cibernética e da ciência cognitiva
à literatura da área de Biblioteconomia. A partir desse modelo, os seguintes pon
tos: I) Processos cibernéticos, como memória, inferência, gestão e predição, apli
cados ao contexto de uma biblioteca; II) Processos cognitivos relacionados à lin
guagem, organização, representação, raciocínio e categorização do conhecimen
to; III) Processos de interação social no ambiente da biblioteca.

22
A PESQUISA DE INTELIGÊNCIA ARTIFICIAL NA CIÊNCIA DA IN
FORMAÇÃO
Sobral; Silveira; Sobral (2024), em perspectiva da historiografia biblio
métrica, investigaram a produção de artigos sobre inteligência artificial, indexa
dos na Web of Science, no âmbito da Ciência da Informação. Os resultados en
globam 1259 artigos, 3503 autores e 3112 palavras chave em 47 anos de produ
ção, iniciada em 1975. As palavras chave mais representativas no aspecto quan
titativo foram:
“artificial intelligence (n=654), machine learning (n=147), decision
making (n=86), libraries (n=68), ethics (n=67), knowledge (n=61),
networks (n=49), natural language processing (n=47), big data (n=46),
deep learning (n=45), bibliometrics (n=43), innovation (n=41) learning
(n=40), neural networks (n=38), algorithms (n=37), governance (n=33) e
automation (n=32)” (SOBRAL; SILVEIRA; SOBRAL, 2023).
Na pesquisa de Sobral; Silveira; Sobral (2024, p. 21) observa se a distinção de
dois marcos temporais:
— Nas três primeiras décadas abarcadas pela pesquisa (1970 a
1990), os artigos focados nas formas e nos impactos da IA nos proces
sos de recuperação da informação, bem como as repercussões nos proces
sos de organização, disseminação e uso da informação;
— Nas décadas seguintes (2000 a 2020), tem se uma produção
bibliográfica ampla e consistente voltadas para outros elementos do
ciclo da informação, em especial na gestão da informação e da tecnologia
da informação em processos de coleta, armazenamento e organização pa
ra fins decisórios em unidades de informação.
Segundo Alves (1995), a transferência de tecnologia frequentemente vem
acompanhada de uma transferência de terminologia, como afirmou o terminó
logo francês Louis Guilbert. No caso da inteligência artificial (IA), a terminologia
chega ao Brasil por meio de fontes anglófonas, como manuais e artigos, mas os
empréstimos diretos do inglês são relativamente raros, competindo com as for
mas vernáculas em português. A autora exemplifica:
Exemplos de termos técnicos em IA, como "backtracking" e "rastre
amento para trás", mostram essa concorrência terminológica. Além dos
empréstimos, a terminologia de IA no português também inclui xeno ter
mos, que são termos traduzidos ou adaptados, como "regra se... então",
originados de outras línguas, como o inglês e o francês (ALVES, 1995).
Alves (1995) continua: a terminologia da IA também incorpora empréstimos
internos da língua comum e de outras áreas, como botânica, lógica e linguística,
refletindo sua interdisciplinaridade. Esses empréstimos externos, inicialmente
usados para introduzir novos conceitos, gradualmente cedem lugar a termos em
português, resultando em uma sinonímia entre os termos estrangeiros e os ver
náculos, com os termos em inglês sendo gradualmente menos frequentes.

23
Todas essas áreas de pesquisa no tratamento digital estão intimamente li
gadas aos algoritmos propostos pela computação, através de suas várias subá
reas tais como: redes de computadores, banco de dados, mídias, telecomunica
ções, e Inteligência Artificial (IA). Apesar da pesquisa de IA datar da década de
50, ela começa a apresentar resultados concretos em diversos segmentos agora
(MARTINS, 2010), na oportunidade em que os processos de Gerenciamento de
Dados e Informação (GDI), apresentam maior maturidade.
Neves (2021) procurou levantar as perspectivas da computação cognitiva
em unidades de informação e mapear como essas unidades têm utilizado (ou
podem utilizar) a inteligência artificial em suas atividades e interação com o
usuário. Reflete com ênfase, principalmente, em outras leituras a partir do levan
tamento bibliográfico realizado na base de dados Ebsco e na Brapci, com recorte
de 2009 a 2019. Destaca como resultado as principais definições encontradas na
literatura, um caso empírico que está sendo desenvolvido, a abordagem teórica
com base na cibercultura, as perspectivas e aplicações dos artigos investigados.
Na pesquisas analisadas, foi identificada a necessidade de se organizar os
termos das tecnologias da informação e comunicação (TICs) baseadas em IA,
para então se buscar especificamente, um a um, os estudos. Desta forma, desen
volvemos um micro tesauro (ver ANEXO A).
Houve o mapeamento de uma publicação de Kira Tarapanoff (2022) “Vo
cabulário técnico da organização inteligente na era digital”, pelo IBICT.
Para a análise terminológica, vamos fazer esta sob a perspectiva de métodos
da Computação, afinal, assumimos a interdisciplinaridade, e com ela, vem suas pre
missas metodológicas.
Utilizaremos o modelo de n gramas que foi proposto por Claude Shannon, no
mesmo artigo que propôs a Teoria Matemática da Comunicação TMC. No seu estudo
de entropia, Shannon também analisou a ocorrência de palavras, associada a grama.
Quanto maior a quantidade de grama, mais complexa é a abordagem de análise e
maior é a entropia do Sistema de Informação.
O linguista J. R. Firth afirma que “você reconhecerá uma palavra por meio de
uma companhia que ela mantém”. É como se estivéssemos dando uma festa e con
vidássemos cada palavra para ocupar um lugar nessa festa. Os grupos de palavras
com intenções semelhantes se reúnem em espaços comuns ...
Essas aplicações de n gramas são incluídas em nossa atualidade, inclusive no
autocompletar do smartfone.
Basicamente, importa para nosso estudo, os pares de termos, 2 gramas. Assim,
a análise se inspira na lógica de autocompletamento de texto, no qual considera que
palavras muito recorrentes em duplas.
Desta forma, consideramos o bi grama, um termo para a Ciência da Informa
ção e um termo para a Inteligência Artificial.
Considerando que esses textos ocorrem, necessariamente, em estudos da CI,
aos pares, os termos 2 gramas, que mais apresentam recorrência dos estudos são:

24
Tabela 1 — Termos recorrentes na BRAPCI em ordem de 2 Gramas
TERMOS CIÊNCIA DA INFORMAÇÃO x INTELIGÊNCIA ARTIFICIAL
CIÊNCIA DA INFORMAÇÃO INTELIGÊNCIA ARTIFICIAL
Recuperação e Organização
da Informação
— IA Conexionista;
— Redes Neurais Artificiais (RNAs);
— Topologia de Retropropagação;
— IA Simbólica
— Lógica Fuzzy;
__ Redes Semânticas;
— Search Engine Optimization SEO;
Sistemas de Organização do
Conhecimento SOC
— Sistemas Especialistas (SE);
— Base de Conhecimento;
— Modelo de Inferência;
— Interface de interação;
Inteligência e Conhecimento
Organizacional ICO
— Computação Cognitiva;
__ Mineração de Dados;
__ Análise Preditiva;
__ Aprendizagem de Máquina (Learning
Machine);
Arquitetura da Informação — IA Conexionista;
— Processamento de Linguagem Natu
ral (PLN);
— Aprendizado de Máquina (Learning
Machine);
— IA Cognitiva;
— Transformadores.
‘Intencionalidade’ da
Informação
— IA Cognitiva;
— IA Generativa;
— Open IA;
— Chat GPT;
— Ética e Sociedade
Biblioteconomia e
Bibliotecas
— Biblioteca 5.0
— Sistemas Especialistas (SE);
— Computação Cognitiva;
Na coluna 2 (Inteligência Artificial) observam se mais de um termo. Essa foi a
forma de não repetir os dados da coluna 1 (Ciência da Informação). Essa análise teve
por base estudos publicados e reunidos na BRAPCI entre 1965 a 2019.
Os dados foram encontrados em outras bases de dados, por exemplo, não exis
te ocorrência de “biblioteca 5.0”.

25
Foram selecionados 24 artigos dos 60 textos recuperados. Para o segundo in
tervalo, de 2020 a 2025, fizemos uma inferência aproximada de correlação entre os
termos e as novas tecnologias da IA, a partir do artigo sobre Transformadores (2017).
O artigo “Attention Is All You Need”, publicado em 2017 por Vaswani et
al., introduziu a arquitetura Transformer, revolucionou o campo do PLN ao eli
minar o uso de redes neurais recorrentes e convolucionais. Em vez disso, o Trans
former baseia se exclusivamente em mecanismos de atenção, permitindo o pro
cessamento paralelo e reduzindo significativamente o tempo de treinamento.
A partir de então, foi possível o desenvolvimento e disponibilização, anos
depois, de tecnologias como a Open IA e o Chat GPT. Existe uma vasta ocorrên
cia da remissão ao Chat GPT, a partir de 2023.
CONCLUSÃO
O curso proposto em tela vai de encontro às demandas de se desenvolver
competências terminológicas a cerca da Inteligência Artificial IA. Não se busca,
portanto, desenvolvimento de algoritmos ou heurísticas, apenas o letramento em
reconhecê las e entender os impactos das novas tecnologias vindouras.
É formado por cinco módulos:
(Apresentação Geral — Este PDF)
...
1. Introdução à Arquitetura da Informação e Engenharia de Software 5h/a
— (Aula de Introdução)
— 1.1. Arquitetura de Computadores e Sistema Operacional x Arquitetu
ra da Informação e Sistemas de Informação;
— 1.2. Lógica da informação e tomada de decisões x Teorias da Informa
ção, Relevância e Métricas da Informação;
— 1.3. Engenharia de Software x Engenharia do Conhecimento.
— Temas complementares
2. Lógica de Informação, Banco de Dados e Aplicações de IA 5h/a
— 2.1. Lógica de Programação — algoritmos e heurísticas x Organização
da Informação (indexação, classificação e metadados);
— 2.2. Banco de Dados e Ciência dos Dados x Bancos de Dados Relacio
nais (Modelo Entidade Relacionamento);
— 2.3. Aplicações da IA x impactos de aplicações na CI
Tipos de aplicações: Redes Neurais Artificiais (RNAs), Sistemas Especia
listas SE; Processamento de Linguagem Natural (PLN), Transformadores, Apren
dizado de Máquina, Modelos de Decisão etc.

26
3. Redes Neurais Artificiais (RNAs) 5h/a
— 3.1. Redes de Informação, Redes Neurais Artificiais (RNAs) — topolo
gias x Organização e Recuperação da Informação;
— 3.2. Programação Orientada a Objetos POO x Ontologias e Sistemas de
Organização do Conhecimento SOC;
— 3.3. Algoritmos e estrutura de dados x Processamento de Informação
por linguagens artificiais;
4. Aprendizado de Máquina e Banco de Dados 5h/a
— 4.1. Aprendizado de máquina e Banco de Dados x Modelos de Entida
des Relacionamento e ‘clustering’ de informação;
— 4.2. Computação em nuvem, Conteiners e Devops;
— 4.3. Inteligência Artificial e Blockchain x Metadados;
5. Aplicações de IA para Bibliotecas e Organização do Conhecimento 5h/a
— 5.1. Arquitetura de Software e Microsserviços, Sistemas Especialistas
SE x Sistemas de Gerenciamento de Bibliotecas (SGBs);
— 5.2. Governança Corporativa e Digital, Computação Cognitiva x Inteli
gência e Conhecimento Organizacional (ICO);
— 5.3. Inovação de IA e Sociedade x Discussões éticas da IA.

27
(ANEXO A) MICRO TESAURO
TG INTELIGÊNCIA ARTIFICIAL
TE 1 MODELO DE PROCESSO
TE 2 INTELIGÊNCIA ARTIFICIAL SIMBÓLICA
TE3 SISTEMAS BASEADOS EM REGRAS
TE 3 RACIOCÍNIO AUTOMATIZADO
TE 4 GENERAL PROBLEM RESOLVER (GPS)
TE 4 LÓGICA FORMAL (LÓGICA DE PRIMEIRA ORDEM)
TE 4 RESOLUÇÃO Resolution
TE 4 TEORIA DOS JOGOS
TE 5 SISTEMA DE RECOMPENSA
TE 4 PROVA AUTOMÁTICA DE TEOREMAS
TE 4 REDES BAYESIANAS
TE 3 REPRESENTAÇÃO DO CONHECIMENTO
TE 4 REDES SEMÂNTICAS
TE 5 ONTOLOGIA
TE 5 TAXONOMIA
TE 3 RECUPERAÇÃO DA INFORMAÇÃO
TE 4 LÓGICA FUZZY
TE 3 SISTEMAS ESPECIALISTAS (SE)
TE 4 BASE DE CONHECIMENTO
TE 4 SISTEMA DE INFERÊNCIA
TE 4 INTERFACE DE INTERAÇÃO
TE 5 SISTEMA MYCIN
TE 2 INTELIGÊNCIA ARTIFICIAL CONEXIONISTA
TE 3 COMPUTAÇÃO COGNITIVA
TE 4 MINERAÇÃO DE DADOS
TE 5 BUSINESS INTELLIGENCE
TE 4 ANÁLISE DE DADOS Data Analytics
TE 5 ANÁLISE PREDITIVA
TE 5 ANÁLISE PRESCRITIVA
TE 4 PERCEPÇÃO
TE 4 RACIOCÍNIO
TE 3 APRENDIZADO DE MÁQUINA Machine Learning
TE 4 APRENDIZADO SUPERVISIONADO
TE 4 APRENDIZADO NÃO SUPERVISIONADO
TE 4 APRENDIZADO AUTO SUPERVISIONADO
TE 3 APRENDIZADO PROFUNDO Deep Learning
TE 4 APRENDIZADO POR REFORÇO
TE 3 PROCESSESSAMENTO DE LINGUAGEM NATURAL (PLN)
TE 4 MODELO DE GRAMMA
TE 5 1 GRAMMA

28
TE 5 2 GRAMMA
(...)
TE 5 N GRAMMA
TE 4 AUTOCOMPLETAMENTO DE TEXTO
TE 5 ELIZA
TE 4 TRADUÇÃO
TE 4 ANÁLISE DE TEXTO
TE 5 ANÁLISE SINTÁTICA
TE 5 ANÁLISE SEMÂNTICA
TE 5 ANÁLISE PRAGMÁTICA
TE 4 RESUMO E INDEXAÇÃO AUTOMÁTICOS
TE 3 REDES NEURAIS ARTIFICIAIS RNAs
TE 4 REDES NEURAIS CONVOLUCIONAIS (CNNs)
TE 5 ANÁLISE E RECONHECIMENTO DE IMAGEM
TE 5 AUTOCOMPLETAMENTO DE IMAGEM
TE 4 REDES NEURAIS RECORRENTES (RNNs)
TE 4 TOPOLOGIAS DE REDES NEURAIS
TE 3 REDES NEURAIS PROFUNDAS (DNNs)
TE 4 REDES GENERATIVAS ADVERSARIAIS (GANs)
TE 2 INTELIGÊNCIA ARTIFICIAL COGNITIVA (em evolução)
TE 3 TRANSFORMADORES
TE 4 REDES NEURAIS PROFUNDAS
TE 5 RETROPROPAGAÇÃO
TE 4 AUTOCOMPLETAMENTO DE TEXTO
TE 5 CHAT GPT
TE 3 IA GENERATIVA
TE 4 REDES NEURAIS PROFUNDAS
TE 5 RETROPROPAGAÇÃO
TE 4 AUTOCOMPLETAMENTO DE IMAGEM
TE 5 CHAT GPT
TE 3 INTERFACE INTERATIVA
TE 3 IA EVOLUCIONISTA
TE 3 XAI EXTENSÍVEL
TE 3 IA FRACA, IA FORTE

29
(ANEXO B) GLOSSÁRIO
[ 1 ] All n Turing
Em 1936, Alan Turing apresenta a Maquina de Turing, um modelo matematico
para provar a computabilidade de qualquer funçao, e em 1940, desenvolve a Heath Ro-
binson, o primeiro computador moderno (BARRERA ARRESTEGUI, 2012). Em 1950,
Turing pro-poe o teste que leva seu nome, definindo a inteligencia operacional como a
capacidade de um computador enganar um interrogador humano, que nao consiga dis-
tinguir se as respostas vem de uma pessoa ou de uma maquina. Para isso, o computador
precisaria de habilidades como processamento de linguagem natural, representaçao de
conhecimento, raciocínio automatizado e aprendizado de ma-quina. O teste original foca
em interaçao textual, mas o "teste de Turing total" inclui vídeo e manipulaçao de objetos,
exigindo visao computacional e robotica (RUSSEL; NORVIG, 2013).
O "Teste de Turing", proposto por Alan Turing, envolve uma interaçao entre um
interrogador humano e dois participantes, um humano e um computador, sendo o ob-
jetivo deste teste determinar se o computador e capaz de exibir comportamento inteli-
gente indistinguível do humano. O interrogador, isolado em uma sala, faz perguntas a
ambos os participantes, sem saber qual e qual, e tenta identificar qual e o computador. O
teste avalia a capacidade do computador de enganar o interrogador, que deve avaliar
suas respostas, incluindo possíveis intervalos de "pensamento", sem que isso indique
necessariamente a falta de inteligencia artificial. Para que o computador seja considera-
do inteligente, e necessario que, em multiplos testes, pelo menos 50% dos interrogado-
res falhem em identificar qual e a maquina. Turing acreditava que, ao longo do tempo, os
computadores seriam capazes de passar no teste, embora sua previsao de que isso acon-
teceria ate o ano 2000 nao tenha se concretizado, o teste ainda permanece uma referen-
cia para avaliar a inteligencia das maquinas.
[ 2 ] Aprendiz do de Máquin (Machine Learning)
Aprendizado de maquina, em ingles Machine Learning, e o subcampo da inteli-
gencia artificial que permite um algoritmo computacional construir, a partir de dados,
modelos de aprendizado para a resoluçao de problemas. Seu objetivo maior e criar mo-
delos de software para grandes volumes de dados, com o objetivo de prever resultados,
tendencias e padroes (APRENDIZADO ..., In: TARAPANOFF, 2022(a), p. 37). A Inteligen-
cia Artificial de Aprendizado de Maquina e uma das areas mais influentes e aplicadas da
IA hoje. O conceito central e que os algoritmos podem aprender a partir de dados e me-
lhorar seu desempenho ao longo do tempo sem serem explicitamente programados pa-
ra cada tarefa. O aprendizado de maquina pode ser supervisionado (onde o modelo e
treinado com exemplos rotulados), nao supervisionado (onde o modelo encontra pa-
droes por conta propria) ou semi-supervisionado, dependendo do tipo de dados dispo-
níveis e das tarefas a serem realizadas (VAPNIK, 1999). Exemplos: reconhecimento de
voz, reconhecimento de imagem, analise preditiva, sistemas de recomendaçao.

30
[ 3 ] Argumento d S l Chines , 1980
Searle (1980) em ‘Minds, brains, and programs’ desafia a ideia de que uma
maquina que imita os processos cognitivos humanos pode realmente entender o que
esta acontecendo. Ele argumenta que a simulaçao de inteligencia (como a realizaçao de
tarefas linguísticas) nao e o mesmo que ter uma mente consciente (VER John R. Searle).
Fonte: (THE UNIVERSAL ..., 2011; HELKEIN ..., 2022).
[ 4 ] Redes Neur is Artifici is (RNA)
AsRedesNeuraisArtificiais(RNAs)temsuasorigensem1943,quandoW.McCul-
loch e W. Pitts publicaram "A Logical Calculus of the Ideas Immanent in Nervous Activity",
estabelecendo a base para redes logicas de nodos e maquinas de estado finito, com o
objetivo de resolver problemas computacionais. Em 1949, o psicologo D. Hebb sugeriu
que as redes neurais poderiam aprender e armazenar informaçoes atraves da variaçao
dos pesos sinapticos entre neuronios (MARTINS, 2010). Os "neuronios" nas RNAs sao
modulados por insumos com pesos específicos (sinapse, Wi, S), tabela a seguir. A soma
ponderada desses insumos e passada por uma funçao de transferencia (f(Σwixj)), geran-
do a saída do neuronio. A sinapse, ou peso, reflete a importancia das vias neurais, e o
aprendizado da RNA ocorre a partir de exemplos específicos, sem a necessidade de pro-
gramaçao adicional. Com isso, a rede generaliza e aplica regras para situaçoes semelhan-
tes as dos exemplos dados (SANGIORGI, 2019). A maneira como os neuronios artificiais
podem ser agrupados e uma importante característica que define o tipo de arquitetura
das Redes Neurais Artificiais (RNA) (ARQUITETURA ... , In: DEL REY; INTERNATIO-
NAL ..., 2021). Geoffrey Hinton, em 2006, e seus colegas reviveram as redes neurais ao
introduzirem novos metodos de treinamento, impulsionando a IA a partir de modelos de
estrutura hierarquica, que refletiam os princípios estruturalistas de relacionamentos
complexos. E o conceito de Redes Neurais Profundas (Deep Learning).

31
5
Searle, J. R. Minds, brains, and programs. The Behavioral and Brain Sciences, 1980.
6
Searle, J. R. The Rediscovery of the Mind. MIT Press, 1992.
Tabela — Modelo matematico RNA simples
Entrada
(dendritos)
Peso
(sinapses)
Soma
(corpo
neuronal)
Saída
(funçao)
X1 W1
Σwixj
f Σwixj
Outros
neuronios
X2 W2
X3 W3
Xn Wn
Fonte: Adaptado de (SANGIORGI, 2019).
[ 5 ] Se rle, John R.
JohnR.Searle5 6
(1932-presente)eumfilosofoamericanoamplamentereconhe-
cido por suas contribuiçoes a filosofia da mente, a epistemologia e a filosofia da lingua-
gem. Searle e mais conhecido por suas reflexoes sobre a (VER consciênci ), a (VER in
teligênci rtifici l) e os problemas relacionados a (VER intencion lid de) da mente
humana. Entre suas obras mais influentes, destaca-se o (VER Argumento d S l Chi
nes , 1980), no qual ele questiona a possibilidade de maquinas, mesmo sendo capazes
de processar informaçoes e responder a estímulos de maneira inteligente, possuírem
consciencia ou compreensao real. Searle argumenta que, embora um computador possa
simular comportamento inteligente (como se fosse uma "mente"), isso nao significa que
ele compreenda o que esta fazendo — uma distinçao crucial entre inteligencia artificial
fracae(VERinteligênci rtifici lforte)(VERconsciênci )(VERintencion lid de).
Remissivas na versao completa da ediçao.
[ 6 ] Suposições de Dreyfus (1999)
A suposição biológic na IA esta relacionada a ideia de que a inteligencia huma-
na e essencialmente baseada em processos biologicos, como os que ocorrem no cerebro
humano e no sistema nervoso. Ela assume que a inteligencia e um produto da estrutura
biologica e da evoluçao dos seres humanos e que e, portanto, uma característica embar-
cada em um organismo vivo. Quando a IA adota uma abordagem biologica, ela tende a se
concentrar em simular processos biologicos ou tentar entender como o cerebro humano
resolve problemas, muitas vezes inspirando-se no funcionamento do cerebro para de-
senvolver redes neurais e outros modelos de aprendizagem de maquina. No entanto,
Dreyfuscriticaessavisao,afirmandoqueainteligencianaopodesertotalmentereduzida
a processos biologicos ou neurologicos, porque ela envolve tambem fatores nao-biolo-
gicos, como contexto e experiencia.
axôni s

32
A suposição psicológic envolve a ideia de que a inteligencia humana e um
produto de processos mentais internos. A psicologia cognitiva, por exemplo, busca
entender como os seres humanos percebem o mundo, formam representaçoes men-
tais e tomam decisoes. A abordagem psicologica na IA sugere que a mente humana
pode ser modelada como um conjunto de algoritmos, representaçoes mentais e pro-
cessos cognitivos, como memoria, atençao e raciocínio. A IA que segue essa supo-
siçao tenta modelar a mente humana por meio de representaçoes simbolicas e pro-
cessos computacionais. Por exemplo, sistemas como logica formal, sistemas espe-
cialistas e redes neurais buscam simular aspectos psicologicos do comportamento
humano. Dreyfus, no entanto, argumenta que muitos desses processos nao podem
ser reduzidos a calculos formais, pois o comportamento humano e muitas vezes
implícito, baseado em experiencia pratica e no contexto vivido.
Asuposiçãoepistemológic dizrespeitoaformacomooconhecimentoeadqui-
rido e representado. Ela aborda a questao de como a mente humana adquire conheci-
mento sobre o mundo e como isso pode ser representado em uma maquina. A epistemo-
logia se preocupa com a natureza do conhecimento, como ele e justificado e como as
maquinas podem "conhecer" ou representar informaçoes. Uma suposiçao epistemolo-
gica em IA considera que, para que uma maquina seja inteligente, ela precisa de repre-
sentaçoes adequadas de conhecimento e metodos para inferir novas informaçoes com
base nessas representaçoes. Isso pode incluir o uso de logicas formais, redes semanticas,
ontologias, entre outros. Dreyfus critica essa visao, dizendo que o conhecimento humano
nao pode ser completamente representado por símbolos e regras fixas, pois ele e tacito,
nao formalizado e muitas vezes contextual.
A suposição ontológic esta relacionada a natureza da realidade e da existencia
das coisas. Ela tenta entender o que significa ser "inteligente" e qual e a natureza da in-
teligencia. A ontologia, dentro da IA, lida com o que constitui um agente inteligente e co-
mo essa inteligencia pode se manifestar. A questao ontologica refere-se ao ser da inte-
ligencia e a forma como ela pode ser representada ou reproduzida. Em IA, a suposiçao
ontologica pode estar preocupada com o modo como os conceitos e entidades no mundo
sao representados por uma maquina. Pode envolver a construçao de ontologias que de-
finem categorias e relaçoes entre objetos e conceitos. A crítica de Dreyfus e que muitas
abordagens de IA pressupoem que a inteligencia pode ser reduzida a representaçoes
formais, mas ele argumenta que a experiencia direta e incorporada de um ser humano
com o mundo e fundamental para a verdadeira inteligencia, e nao pode ser capturada
apenas em representaçoes simbolicas.

33
[ 7 ] Teori M temátic d Comunic ção (TMC)
Harry Nyquist, publicou o "Certain Factors Affecting Telegraph Speed", em 1924, que
foi utilizado por Shannon e Weaver. Em 1928, Ralph Hartley introduziu a unidade "Har-
tley" para medir a informaçao, no "Transmission of Information". A equaçao de Nyquist
(W = K log m) sugeria a existencia de uma infinidade de estados de informaçao, o que
colocava em risco a segurança dos sistemas tradicionais de computaçao. Entretanto, a
verdadeira revoluçao teorica no paradigma físico da Ciencia da Informaçao ocorreu nos
trabalhos de Claude Shannon e Warren Weaver nos laboratorios da Bell Labs. Para Le
Coadic (In: Toutain, 2007) Claude Shannon elabora, na trilha de Hartley (1928), uma
teoria estatística da transmissao dos sinais eletricos (chamada equivocadamente de te-
oria da informaçao). Em 1948, Shannon publicou "A Mathematical Theory of Communi
cation", e estabeleceu as bases da teoria moderna da informaçao e introduziu conceitos
como entropia. Eles definiram tres níveis de problemas: tecnico, semantico e pragmati-
co. O primeiro se refere aos problemas tecnicos — ou mecanicos; O segundo nível se
refere aos problemas semanticos — determinada materialidade, sonora, visual — e nao
os sentidos da cabeça dos sujeitos e o terceiro nível e o pragmatico — que se relaciona
com a eficacia [...] (ARAUJO, 2014a). Estes aspectos semanticos e pragmaticos estao alem
do sujeito, e esse enfoque teorico influenciou a Ciencia da Informaçao, que, seguindo a
linha positivista (ARAUJO, 2014a), adotou uma abordagem linear na analise dos proces-
sos informacionais. Como afirmam Cedon et al. (2005), "ignorando aspectos semanticos
e pragmaticos do uso da informaçao, exclui-se, assim, o papel do sujeito neste processo."
[ 8 ] TG Tipos de Inteligênci Artifici l
TE IA simbólic
O conceito de (VER ontologia para computação) reverbera no campo da inteli-
gencia artificial, especialmente na IA simbólic e na construçao de redes de represen-
taçoes (VER Sistemas de Organização do Conhecimento SOC). A ideia de que a repre-
sentaçao de objetos ou dados em IA deve se basear em suas relaçoes dentro de um sis-
tema estruturado e uma adaptaçao do estruturalismo. Ao tentar modelar o pensamento
humano por meio de representaçoes simbolicas, a IA procura entender como as relaçoes
estruturais entre as partes formam uma totalidade que pode ser usada para resolver
problemas, realizar inferencias e gerar conhecimento. Essa abordagem estruturalista, ao
ser aplicada a IA, contribui para o desenvolvimento de sistemas que tentam entender e
imitar os processos cognitivos humanos, onde as representaçoes nao sao apenas sobre
objetos, mas tambem sobre como esses objetos interagem e se relacionam. Essa abor-
dagem, no entanto, apresenta limitaçoes quando se trata de lidar com a complexidade da
percepçao, do contexto e da aprendizagem contínua, ja que nao consegue capturar a fle-
xibilidade e a adaptabilidade da cogniçao humana em situaçoes dinamicas. O modelo
simbolico se focava principalmente em tarefas específicas e logicas, como jogos de tabu-
leiro ou resoluçao de problemas estruturados, onde cada situaçao pode ser representa-
da de forma explícita e com regras bem definidas.

34
TE IA conexionist
A Inteligencia Artificial Conexionista, por outro lado, baseia-se na ideia de redes
neurais artificiais, que tentam emular a estrutura do cerebro humano. Ao contrario da IA
simbolica, a IA conexionista trabalha com redes compostas por unidades (ou nos) inter-
ligadas, que se ativam ou desativam com base em estímulos de entrada e saída. Essas
redes sao treinadas para reconhecer padroes e aprender com os dados por meio de um
processo chamado aprendizado de maquina. A principal diferença da IA conexionista em
relaçao a simbolica e que, ao inves de representar o conhecimento explicitamente, ela se
baseia em conexoes e em uma rede de interaçoes para identificar padroes e fazer pre-
visoes. A IA conexionista e mais flexível que a simbolica, especialmente em contextos
dinamicos e imprevisíveis, como reconhecimento de imagem, fala, ou processamento de
grandes volumes de dados. Seu grande avanço esta na capacidade de "aprender" e me-
lhorar com o tempo, o que a torna mais adaptavel e proxima dos processos cognitivos
humanos. Alem disso, as redes neurais podem aprender de maneira mais eficaz com
exemplos concretos, sem a necessidade de representaçoes explícitas de regras. Enquan-
to a IA simbolica busca formalizar e estruturar o conhecimento de maneira logica e ba-
seada em regras, a IA conexionista se aproxima mais do funcionamento biologico do ce-
rebro, utilizando a ideia de redes de conexoes e aprendizagem adaptativa para resolver
problemas complexos VER Redes Neurais Artificiais (RNAs).
TE IA Evolucionári
A Inteligencia Artificial Evolucionaria e baseada nos princípios da evoluçao biolo-
gica, particularmente os processos de seleçao natural e mutaçao genetica. Essa aborda-
gem utiliza algoritmos evolutivos (como algoritmos geneticos) para resolver problemas
de otimizaçao, onde uma soluçao e representada por uma estrutura de dados, e o pro-
cesso evolutivo gera soluçoes melhores ao longo de varias geraçoes. O processo começa
com um conjunto de soluçoes iniciais e usa operadores como mutaçao, crossover (com-
binaçao de soluçoes) e seleçao para melhorar gradualmente a populaçao de soluçoes. A
IA evolucionaria e muito utilizada em problemas onde a soluçao exata nao e conhecida e
onde a busca por soluçoes e extremamente complexa. Exemplos de aplicaçao: otimiza-
çao de design de sistemas, jogos de estrategia e problemas de previsao.
TE IA Híbrid
A Inteligencia Artificial Híbrida combina diferentes abordagens e tecnicas de IA
(como IA simbolica e conexionista) para tentar aproveitar o melhor de cada uma delas.
A ideia e unir as forças de varios paradigmas da IA, como as redes neurais (que apren-
dem com exemplos) e a logica simbolica (que pode representar conhecimento explícito
e regras). Isso pode resultar em sistemas mais robustos e adaptaveis, capazes de lidar
com uma variedade de tarefas que exigem raciocínio logico, alem de aprendizagem de
padroes e adaptaçao a novas informaçoes. Exemplo de aplicaçao: sistemas de recomen-
daçao, diagnostico medico, assistentes pessoais inteligentes.

35
TE IA B se d em Conhecimento
A IA baseada em conhecimento, ou sistemas especialistas, e uma abordagem que
utiliza um conjunto específico de conhecimento especializado para realizar tarefas com-
plexas. Esses sistemas operam com regras explícitas e modelos de domínio específicos
que permitem a tomada de decisoes ou resoluçao de problemas dentro de um campo
particular de conhecimento. A IA baseada em conhecimento pode ser dividida em dois
componentes principais: o banco de conhecimento (que contem as informaçoes neces-
sarias sobre um domínio) e o motor de inferencia (que usa esse conhecimento para fazer
deduçoes e fornecer soluçoes). Exemplo de aplicaçao: diagnosticos medicos, aconselha-
mento financeiro, planejamento de projetos VER Sistemas Especialistas (SE).
Remissivas na versao completa da ediçao.
TE IA R zo nte
A IA razoante se foca em representar o raciocínio logico e a tomada de deci-
sao baseada em regras formais e estruturas logicas. Ela e usada para tarefas que
exigem inferencia, raciocínio dedutivo e soluçao de problemas de maneira racional.
O raciocínio pode ser realizado utilizando uma variedade de logicas, como logica
proposicional, logica de predicados, ou logica de descriçao (usada em ontologias).
Esta abordagem e aplicada em sistemas que precisam tomar decisoes informadas
com base em um conjunto de regras definidas e conhecimento de domínio. Exemplo
de aplicaçao: sistemas jurídicos inteligentes, sistemas de apoio a decisao, planeja-
mento e raciocínio em sistemas autonomos.
TE IA Comport ment l (Behavioral IA)
A IA comportamental e baseada na ideia de que a inteligencia pode ser estudada
observando-se e modelando o comportamento humano e animal. Em vez de focar na
estrutura interna da mente ou do cerebro, os sistemas de IA comportamental tentam
imitar o comportamento observavel, muitas vezes utilizando tecnicas de aprendizado
por imitaçao e feedback. Essa abordagem e inspirada nas teorias de psicologia compor-
tamental. Exem-plo de aplicaçao: chatbots e assistentes virtuais que imitam interaçoes
humanas, sistemas de agentes autonomos.
TE IA Emocion l (Affective Computing)
A IA emocional ou computaçao afetiva envolve o desenvolvimento de sistemas
que podem reconhecer, interpretar e, possivelmente, responder as emoçoes humanas.
Isso pode ser feito analisando expressoes faciais, linguagem corporal, tom de voz e ou-
trossinaisfisiologicos.Oobjetivoecriarmaquinasquenaoapenasexecutemtarefas,mas
tambem interajam de maneira empatica, reconhecendo e respondendo de forma ade-
quada as emoçoes humanas. Exemplo de aplicaçao: robos assistivos, agentes virtuais
terapeuticos, interfaces de usuario emocionalmente inteligentes.

36
[ 9 ] Topologi s de RNAs
As redes neurais artificiais (RNAs) podem ser classificadas em tres topologi-
as basicas: feedforward, limitadamente recorrentes e totalmente recorrentes (BI-
GUS, 1996 apud CAPUANO, 2009). As redes feedforward sao as mais comuns, com
dados fluindo de maneira unidirecional pelas camadas de processamento, sem re-
troalimentaçoes, sendo ajustadas por comparaçoes iterativas entre entradas e sa-
ídas para classificar os padroes de entrada. Ja as redes limitadamente recorrentes
armazenam o contexto das entradas passadas e utilizam conexoes de retroalimen-
taçao nas camadas ocultas ou de saída, permitindo uma maior complexidade na
classificaçao dos dados em comparaçao com as redes feedforward. Por fim, as redes
totalmente recorrentes possuem conexoes bidimensionais entre todas as unidades,
permitindo que os dados fluam para frente e para tras ate que as ativaçoes se es-
tabilizem, sendo eficazes em resolver problemas complexos e otimizaçao, apesar de
sua alta instabilidade e custo computacional (CAPUANO, 2009).
Figura — Topologia de rede neural feedforward
Figura — Topologia limitadamente recorrente
Figura — Topologia limitadamente recorrente
(CAPUANO, 2009)

37
REFERÊNCIAS BIBLIOGRÁFICAS
ALVES, IM. Emprestimos nas línguas de especialidade: algumas consideraçoes. Ciência da
Informação, v. 24, n. 3, 1995.
ALVES, MA.; VALENTE, AR. A ciencia cognitiva em sua fase inicial. In: O estatuto científico da
ciência cognitiva... [online]. Sao Paulo: Cultura Academica, 2021.
ARAUJO, CAA. Arquivologia, biblioteconomia, museologia e ciência da informação: um dia-
logo possível. Brasília: Briquet de Lemos, 2014a.
ARQUITETURA ... de redes neurais. In: DEL REY, A.; INTERNATIONAL ..., Glossário de inte
ligência artificial. I2AI, 2021.
ARAUJO, CAA. O que e ciencia da informaçao. Inf. Inf., Londrina, v. 19, n. 1, p. 01 – 30,
jan./abr., 2014b.
ARJA CASTANON, GA. A crise do computacionalismo: por uma nova metafora computaci-
onal. Ciências & Cognição, v. 9, 2006.
ASSIS, L da S de. Inteligencia artificial em bibliotecas e unidades de informaçao. Código 31,
v. 2, n. 1, p. 6-25, jan./jun., 2024.
ALVES, I. M. Emprestimos nas línguas de especialidade: algumas consideraçoes. Ciência da
Informação, v. 24, n. 3, 1995.
BARRETO, AA. Uma historia da Ciencia da Informaçao. In: TOUTAIN, LMBB (Org.). Para
entender a Ciência da Informação. Salvador - BA: Editora da UFBA, 2007, p. 13-34.
BARRERA ARRESTEGUI, L. Fundamentos historicos y filosoficos de la inteligencia artificial.
UCV HACER, Revista de Investigación y Cultura, vol. 1, num. 1, julio-diciembre, 2012, pp. 87-
92.
CAPUANO, EA. O poder cognitivo das redes neurais artificiais modelo art1 na recuperaçao
da informaçao. Ciência da Informação, v. 38, n. 1, 2009.
CAPURRO, R. Epistemologia e Ciencia da informaçao. In: Enancib 5, Belo Horizonte, 2003.
Anais... Belo Horizonte: Escola de Ciencia da informaçao da UFMG, 2003. Disponível em:
<http://www.capurro.de/enancib_p.htm>. Acesso em: 25/03/2025.
CASTELLS, M. A sociedade em rede. (Vol. 1). Sao Paulo: Paz e Terra, 1999.
CEDON, M. et al. Ciência da informação e biblioteconomia: novos conteudos ... Coordenaçao
de Marlene de Oliveira. Belo Horizonte: UFMG, 2005.
CONEGLIAN, et al. Inteligencia artificial generativa e recuperaçao da informaçao: tendencias e
oportunidades de pesquisa. Anais... In: ENANCIB, 23, 2024.
DIAS, MMK.; PIRES, D. Usos e usuários de informação. Sao Carlos: EdUFSCAR, 2004.
DREYFUS, HL. What computers still’s can’t do: a critical of artificial reason. 6th ed. The MIT
Press, 1999.
EMMANUEL, VO; AMEH, MP; OLADOKUN, BD. Generative chatbots in the era of library 5.0: a di-
lemma for libraries? Metaverse Basic and Applied Research, (4) 157, 2025.

38
FEDERAÇAO INTERNACIONAL DAS ASSOCIAÇOES E ENTIDADES BIBLIOTECARIAS (IFLA). De-
claraçao sobre bibliotecas e inteligencia artificial. IFLA, 2022. Disponível em: https://reposi-
tory.ifla.org/items/8c05d706-498b-42c2-a93a-3d47f69f7646 Acesso em: 12/04/2025.
FIERLI, C. Biblioteca 5.0. Uno spazio vivo. Graphofeel, 2019.
GINTING, RT et al. The Role of Librarians in The Era of Society 5.0: missing or increasing impor-
tance? Record and Library Journal, (9) 1, 2023.
LE COADIC, Y-F. A ciência da informação. 2. ed. Brasília: Briquet de Lemos, 2004.
LE COADIC, Y.-F. A matematica da informaçao. In: TOUTAIN, L. M. B. B. (ORG.). Para enten
der a ciência da informação. Salvador: EDUFBA, 2007. p. 219-242.
MARCIANO, JLP. Abordagens epistemologicas a ciencia da informaçao: fenomenologia e
hermeneutica. Transinformação, v. 18, p. 181-190, 2006.
MARTELETO, RM; PIMENTA, RM. (Org.) Pierre Bourdieu e a produção social da cultura, do
conhecimento e da informação. Rio de Janeiro: Garamond, 2017.
MARTINS, AL. Potenciais aplicaçoes da inteligencia artificial na ciencia da informaçao. Inf.
Inf., Londrina, v. 15, n. 1, p. 1 -16, jul./jun. 2010.
MOSTAFA, SP; ROCHA, ESS. Inteligencia artificial, inscriçoes e o tempo: a filosofia de Berg-
son nos debates contemporaneos. Brazilian Journal of Information Science: research trends,
vol.17, Dossie: Transversalidade ..., 2023, e023032.
NEVES, BC. Inteligencia artificial e computaçao cognitiva em unidades de informaçao:
conceitos e experiencias. LOGEION: Filosofia da informação, Rio de Janeiro, v. 7, n. 1, p.
186-205, set. 2020/fev. 2021.
ORTEGA Y GASSET, J. Misión del bibliotecario. 2. ed. Madrid: Revista de Occidente, 1967.
PANDA, S; HASAN, S; KAUR, N. Enhancing library 5.0: leveraging cloudand fog computing for In-
telligent Services and Resource Management. Proceeds ...International Conference on Next-Ge-
neration Digital Technologies, ICNGDT, 2024.
PINHEIRO, LVR; LOUREIRO, JMM. Traçados e limites da ciencia da informaçao. Ciência da
informação, v. 24, n. 1, 1995.
RANGANATHAN, S. R. As cinco leis da biblioteconomia. Brasília: Briquet de Lemos, 2009.
ROBREDO, J. Filosofia da ciencia da informaçao. In: TOUTAIN, LMBB (Org). Para entender a
ciência da informação. Salvador, BA: EDUFBA, 2007. pp. 35-74.
ROWLEY, J. A biblioteca eletrônica. 2. ed. Brasília: Briquet de Lemos, 2002.
RUSSEL, S.; NORVIG, P. Inteligência artificial. Traduçao de Regina C. S. de Macedo. 3. ed. Rio
de Janeiro: Elsevier, 2013.
SA, AT. Uma abordagem matematica da informaçao: a teoria de Shannon e Weaver ... Lo
geion: Filosofia da informação, v. 5, n. 1, p. 48-70, 2018.
SANGIORGI, O. Redes neurais naturais, redes neurais artificiais e habilidades de aprendi-
zagem: ponto de vista cibernetico. Revista Cajueiro, v. 1, n. 2, 2019.
SARACEVIC, T. Ciencia da informaçao: origem, evoluçao e relaçoes. Perspectivas em ciência
da informação, v. 1, n. 1, 1996.

39
SEARLE, J. Mentes, cerebros y programas. Traduçao de Clea Regina. 1996.
SHANNON, CE. A mathematical theory of communication. The Bell System Technical Journal,
27(3), 379–423, 1948.
SILVA, APC da; CAVALCANTE, LE; NUNES, JV. Informaçao e memoria: aproximaçoes teori-
cas e conceituais. Encontros Bibli, v. 23, n. 52, p. 95-106, 2018.
SILVA, EC. da; RIBEIRO, FNA. A Industria 4.0 e os impactos na Ciencia da Informaçao: desafios e
oportunidades. Revista Informação & Informação, 26(3), 2021, 164–182.
SOBRAL, A. S. P. de M.; SILVEIRA, M. A. A. da; SOBRAL, N. V. A produçao de artigos sobre
inteligencia artificial na ciencia da informaçao: historiografia bibliometrica a partir da web
of science. Tendências da Pesquisa Brasileira em Ciência da Informação, Joao Pessoa, Para-
íba, v. 17, n., 2023.
TAMMARO, AM; SALARELLI, A. A biblioteca digital. Brasília: Briquet de Lemos, 2008.
TARAPANOFF, K. Vocabulário técnico da organização inteligente na era digital. Brasília:
IBICT, 2022.
VAPNIK, VN. An overview of statistical learning theory. IEEE transactions on neural
networks, v. 10, n. 5, p. 988-999, 1999.

Inteligencia Artificial interfaces com a Ciencia da Informacao

Mais conteúdo relacionado

Semelhante a Inteligencia Artificial interfaces com a Ciencia da Informacao

Mais de Priscyla Patrício

Inteligencia Artificial interfaces com a Ciencia da Informacao