Além da pesquisa isolada, um modelo para ler o segundo turno de 2026

outubro 22, 2026 § Deixe um comentário

Última atualização: 22 de outubro de 2026, às 20h, com dados até a pesquisa Datafolha divulgada nesta noite.
Este post será atualizado a cada nova pesquisa relevante até sábado, 24 de outubro, véspera do segundo turno. Os números e gráficos abaixo sempre refletem a versão mais recente do modelo.

Nas últimas semanas, cada nova pesquisa de segundo turno virou manchete e, quase sempre, sentença. Se um instituto mostra 51 a 49, a leitura é de vantagem, se outro mostra 50 a 50, a disputa “virou”. Quando um terceiro inverte a ordem, é “reviravolta”. O problema é que boa parte dessas oscilações não diz nada sobre o eleitor, apenas refletem o funcionamento das próprias pesquisas.

Toda pesquisa é uma estimativa feita a partir de uma amostra e, por isso, carrega uma margem de erro. Em uma disputa decidida por um ou dois pontos, essa margem é do tamanho da própria diferença entre os candidatos. Acompanhar a sequência de pesquisas de um mesmo instituto ajuda, mas também engana (uma variação de um ponto pode ser só ruído amostral travestido de tendência). Além disso, cada instituto tem seu método, alguns entrevistam pessoalmente, outros por telefone ou pela internet. Da mesma forma, uns ponderam a amostra de um jeito, outros de outra, divulgam votos totais ou votos válidos. Comparar duas pesquisas diretamente é como comparar duas réguas diferentes.

Há ainda um problema mais sutil, uma pesquisa de segundo turno pergunta ao eleitor em quem ele pretende votar. Acontece que já temos uma informação muito mais sólida do que qualquer intenção, sabemos como esse mesmo eleitorado efetivamente votou há poucas semanas, no primeiro turno. O que se ganha ao juntar as peças?

Quando agregamos as pesquisas recentes, dando mais peso às mais novas e às mais precisas, os erros aleatórios de cada uma tendem a se compensar. Nenhum instituto sozinho define o resultado, assim como um ponto fora da curva não muda o retrato inteiro.

O modelo que apresento aqui leva em consideração uma série de fatores: várias pesquisas, em vez de uma (um agregador); o primeiro turno como âncora (o resultado das urnas não é estimativa, ele diz quanto cada candidato já tem e, principalmente, quantos votos estão em disputa, afinal alguns candidatos ficaram pelo caminho); para onde vão esses votos (várias pesquisas perguntam a quem votou nos candidatos derrotados em quem votará agora, esses cruzamentos permitem estimar a migração de votos com base em dados); quem não votou no primeiro turno (parte de quem se absteve ou votou branco/nulo pode voltar às urnas e esse grupo não pensa necessariamente como a média); a tendência recente (o modelo observa a direção das últimas pesquisas, mas com peso pequeno uma vez que são justamente o componente mais sujeito a ruído); e a incerteza explícita (em vez de um número seco, o modelo produz uma estimativa central acompanhada de faixas de incerteza, obtidas por simulação).

E se as pesquisas errarem todas na mesma direção? As margens de erro divulgadas tratam apenas do erro aleatório de cada amostra, elas não cobrem a possibilidade de que todos os institutos errem juntos, por exemplo por terem dificuldade em alcançar determinado perfil de eleitor. Essa preocupação foi levantada publicamente por especialistas do setor. O modelo aqui apresentado não assume que ela seja verdadeira, mas testa quanto o resultado mudaria se fosse. Uma imagem ajuda, pense em várias testemunhas de um mesmo acontecimento, cada uma posicionada em um ângulo diferente. Nenhuma viu tudo e cada uma tem seus vieses. Ouvir só uma delas é arriscado, mas ouvir todas, saber de onde cada uma olhou e cruzar o relato com as evidências físicas da cena dá um quadro muito mais confiável.

O que este modelo é e o que não é

Vale ser direto sobre os limites desde o início. O modelo não calcula a probabilidade de vitória de nenhum candidato e não é uma previsão do resultado. Ele produz uma estimativa central da divisão dos votos válidos, o que em inglês se costuma chamar de nowcast, ou seja, um retrato de onde a evidência disponível aponta hoje e não de onde a eleição estará no domingo.

Os pesos atribuídos a cada componente são escolhas de modelagem, explicitadas e justificadas ao longo do texto, não são coeficientes estimados estatisticamente a partir de eleições passadas. Outras escolhas razoáveis produziriam números ligeiramente diferentes, a vantagem de explicitá-las é que qualquer pessoa pode discordar de uma premissa específica e ver o que mudaria.

Por fim, o modelo foi construído para ser atualizado em camadas. Quando sai uma pesquisa nova, ela entra no componente correspondente e só ele é recalculado. Por isso os números aqui vão mudar nos próximos dias. Vou atualizar números e gráficos a cada nova pesquisa relevante até sábado, 24 de outubro, último dia antes do segundo turno. A data e a pesquisa mais recente incorporada aparecem sempre no topo do post. Se você voltar aqui nos próximos dias, vai encontrar a versão mais atual do modelo, não um retrato congelado do dia em que este texto foi publicado.

O que as urnas já disseram

Toda modelagem precisa de um ponto de partida firme, no nosso caso é o resultado do primeiro turno. Diferente de uma pesquisa, ele não é uma estimativa sobre o que as pessoas dizem que vão fazer, mas sim o registro do que fizeram. Por isso o modelo o trata como uma âncora empírica, em outras palavra, como o dado mais confiável de todo o exercício, ao qual as demais informações se ajustam. Com 99,99% das urnas apuradas, o resultado foi o seguinte: Flávio Bolsonaro 47,03% e Lula 45,16%. Essa é a base de apoio observada. Os votos em disputa dos demais candidatos (transferência) foi por volta de 7,81%.

A leitura desses números é direta, os dois candidatos chegam ao segundo turno com bases quase do mesmo tamanho e a disputa se decide essencialmente em dois grupos. O primeiro deles é os cerca de 7,8% que votaram em outros candidatos, principalmente Augusto Cury, Renan Santos e Ronaldo Caiado. Esses eleitores agora precisam escolher entre os dois finalistas, votar branco, nulo ou não comparecer. O segundo é quem não votou de maneira válida no primeiro turno, ou seja, os que se abstiveram, votaram branco ou nulo. Parte deles pode voltar ao jogo agora, por isso trato desse grupo em uma seção própria.

Há um terceiro movimento possível, os eleitores que votaram em um finalista no primeiro turno e mudam de lado no segundo. As pesquisas indicam que esse fluxo existe, mas é pequeno, da ordem de 1 a 2% de cada base e, em boa medida, se compensa. Por isso o modelo concentra sua atenção nos dois grupos acima.

A âncora usada importa porque ela funciona como um teste de coerência. Se as pesquisas de segundo turno apontassem um resultado impossível de alcançar a partir do primeiro turno, por exemplo uma vitória folgada que exigisse que quase todos os eleitores dos demais candidatos migrassem para um só lado, isso seria um sinal de alerta. Hoje não é o caso, as pesquisas e a aritmética do primeiro turno apontam na mesma direção e para uma faixa parecida. Essa convergência é, em si, uma informação útil.

Um detalhe técnico atravessa todo o modelo, os números são sempre expressos em votos válidos e o motivo é a regra eleitoral. Pela Constituição, vence a eleição presidencial quem obtém a maioria absoluta dos votos, sem contar os brancos e os nulos. No segundo turno, portanto, quem tiver mais de 50% dos votos válidos vence. Votos brancos e nulos não “vão para ninguém” e não alteram a divisão entre os candidatos, apenas reduzem o total sobre o qual a porcentagem é calculada. Por isso, antes de entrar no modelo, toda pesquisa é convertida para a mesma escala. A conta é simples, divide-se o percentual de cada candidato pela soma dos dois. Por exemplo, uma pesquisa divulga 45% para o candidato A, 43% para o candidato B e 12% de brancos, nulos e indecisos. Em votos válidos, A teria 45 ÷ 88 ≈ 51,1% e B, 43 ÷ 88 ≈ 48,9%.

Repare que a diferença entre os candidatos parece maior no voto total (2 pontos) do que no voto válido (2,2 pontos). Não houve mudança no eleitorado, apenas uma mudança de régua. Reconheço que converter para votos válidos implica a suposição de que os indecisos se distribuirão entre os candidatos na mesma proporção dos decididos ou deixarão de votar validamente. É a convenção usada pelos próprios institutos, o que é bastante razoável quando os indecisos são poucos, como agora, a poucos dias da eleição. Mas é uma premissa, não um fato. Se os indecisos penderem desproporcionalmente para um lado, o resultado real se afastará das estimativas. Essa é uma das fontes de incerteza que o modelo tenta acomodar mais adiante.

Como o modelo funciona

O modelo combina quatro componentes, cada um respondendo a uma pergunta diferente sobre o segundo turno. A estimativa final é uma média ponderada dos quatro.

ComponentePergunta que respondePeso
P – Agregado de pesquisasO que as pesquisas de segundo turno dizem, em conjunto?50%
T – Transferência de votosDado o 1º turno, para onde vão os eleitores dos candidatos derrotados?25%
E – Modelo expandidoE se incluirmos quem não votou validamente no 1º turno?15%
R – Tendência recentePara que lado as pesquisas mais recentes estão se movendo?10%

Em forma de equação, sendo V a fatia de votos válidos de um candidato:

V = 0,50·P + 0,25·T + 0,15·E + 0,10·R

A fatia do outro candidato é simplesmente 100 − V.

A seguir, explico cada componente. A transferência e o modelo expandido ganham seções próprias mais adiante, porque são a parte mais original do exercício.

P – O agregado de pesquisas (50%)

É o coração do modelo, ele reúne as pesquisas recentes de segundo turno, todas convertidas para votos válidos, e calcula uma média ponderada. Entraram no modelo, ao longo de sua construção, pesquisas de Datafolha, Quaest, Atlas/Bloomberg, BTG/Nexus, PoderData/Aya, Ipespe/Abrapel, Veritá, Vox Brasil, RealTime Big Data e Palver. Mas nem todas pesam igual. Quatro regras definem quanto cada uma conta.

1. O peso de cada pesquisa decai com o tempo, com uma “meia-vida” de cerca de cinco dias. Uma pesquisa feita há cinco dias vale metade de uma feita hoje, e uma feita há dez dias vale um quarto. A lógica é que o eleitorado se move e uma fotografia antiga diz menos sobre o presente.

2. Quanto menor a margem de erro, maior o peso, como em qualquer média estatística bem feita. Mas aqui há um cuidado importante. A margem de erro divulgada mede apenas o erro amostral, aquele que vem do fato de entrevistarmos uma amostra e não toda a população. Ela não captura as diferenças de método entre institutos, como forma de entrevista, ponderação, formulação das perguntas. Para refletir isso, o modelo soma a cada pesquisa um piso metodológico de 0,75 ponto percentual, combinado à margem de erro como se combinam incertezas independentes (pela raiz da soma dos quadrados). Sem o piso, uma pesquisa com margem de 0,5 ponto pesaria 25 vezes mais do que uma com margem de 2,5 pontos. Com o piso, a vantagem cai para cerca de 8 vezes. Assim, amostras enormes continuam valendo mais, mas não a ponto de engolir todas as outras.

3. Quando um instituto divulga uma nova pesquisa, ela substitui a anterior, em vez de se somar a ela. Se não fosse assim, institutos que publicam com mais frequência teriam mais influência no modelo só por publicarem mais e duas medições feitas com o mesmo método seriam tratadas como evidências independentes, quando não são.

4. Como explicado anteriormente, todas as pesquisas são convertidas para votos válidos antes de entrar na média.

T – A transferência de votos (25%)

Este componente parte do resultado do primeiro turno e pergunta como os eleitores de Cury, Renan e Caiado se redistribuem entre os dois finalistas. Para isso, usa os cruzamentos divulgados por cinco institutos, que perguntaram aos eleitores de cada candidato derrotado em quem votarão agora. É o componente mais “estrutural” do modelo, porque se apoia no voto observado e não apenas em intenções.

E – O modelo expandido (15%)

Este componente toma a transferência como base e acrescenta outro grupo, quem se absteve, votou branco ou nulo no primeiro turno e pode voltar às urnas no segundo. As pesquisas indicam que esse grupo tem preferências diferentes das do eleitorado que votou de maneira válida. Ignorá-lo seria supor que o eleitorado do segundo turno é idêntico ao do primeiro.

R – A tendência recente (10%)

O último componente ajusta uma linha de tendência às pesquisas mais recentes para captar se há um movimento consistente em alguma direção. É o componente mais volátil. Ao longo da construção do modelo, ele mudou de direção várias vezes conforme chegavam pesquisas novas (uma única pesquisa chegou a empurrá-lo para o empate antes de as seguintes o trazerem de volta). Por isso recebe o menor peso.

Por que esses pesos?

Os pesos 50/25/15/10 são escolhas de modelagem, não coeficientes estimados estatisticamente. Prefiro deixar isso claro. A lógica por trás deles é a seguinte:

  • O agregador de pesquisas recebe metade do peso porque mede diretamente a disputa que interessa, o segundo turno, entre esses dois candidatos.
  • A transferência e o modelo expandido somam 40% porque trazem estrutura comportamental ancorada no primeiro turno. Funcionam como um contrapeso às pesquisas, apoiado em outro tipo de evidência.
  • A tendência recebe só 10% porque movimentos de curto prazo podem ser ruído amostral.

Há um detalhe que um(a) leitor(a) atento(a) vai notar, os quatro componentes não são totalmente independentes. O modelo expandido é construído sobre a transferência e a tendência usa as mesmas pesquisas do agregado. Na prática, portanto, o modelo combina duas grandes fontes de evidência, as pesquisas de segundo turno, com cerca de 60% do peso, e o comportamento ancorado no primeiro turno, com cerca de 40%. A divisão em quatro componentes serve para separar perguntas diferentes e apenas isso (não são quatro fontes independentes).

Outros pesos razoáveis levariam a números ligeiramente diferentes. Mas, como os quatro componentes hoje apontam para uma faixa estreita, todos entre 50,5% e 51,5% para o mesmo candidato, mudanças moderadas nos pesos alteram o resultado final em poucos décimos de ponto. Essa robustez é uma das conclusões do exercício.

O modelo não nasceu pronto, evoluiu à medida que novas informações apareciam:

  1. Primeira versão: uma redistribuição hipotética dos votos dos candidatos derrotados (70% para um lado, 30% para o outro), útil apenas como exercício de sensibilidade.
  2. Âncora do primeiro turno: com o resultado oficial, o modelo passou a partir do voto real e não mais de pesquisas pré-eleitorais.
  3. Primeiros dados de transferência: um cruzamento do Datafolha substituiu a divisão arbitrária de 70/30.
  4. Transferência por candidato: a Quaest passou a separar os eleitores de Cury, Renan e Caiado, revelando que eles se comportam de forma bem diferente.
  5. Quem não votou: a mesma Quaest mediu as preferências de quem se absteve ou votou branco ou nulo, dando origem ao modelo expandido.
  6. Agregação de pesquisas: em vez de comparar pesquisas isoladas, o modelo passou a ponderá-las por recência e precisão.
  7. Conjunto de transferências: como os institutos discordavam muito entre si sobre a migração de votos, a transferência deixou de depender de uma única fonte e passou a combinar cinco.
  8. Teste de sensibilidade: por fim, acrescentei uma camada separada para testar o efeito de um possível erro comum a todas as pesquisas.

Cada etapa corrigiu uma fraqueza da anterior. Por isso, o modelo continua aberto, quando chega uma pesquisa nova, só a camada correspondente é recalculada.

Para onde vão os votos de Cury, Renan e Caiado

Cerca de 7,8% dos votos válidos do primeiro turno foram para candidatos que ficaram pelo caminho. A primeira versão do modelo supunha, de forma puramente hipotética, que 70% desses votos iriam para um finalista e 30% para o outro. Assim que as pesquisas passaram a perguntar a esses eleitores em quem votarão agora, a suposição foi substituída por dados.

InstitutoCury → FCury → LRenan → FRenan → LCaiado → FCaiado → L
Quaest (14/10)30%34%40%14%42%23%
Palver32%64%41%41%61%35%
PoderData47%36%46%24%50%30%
Ipespe/Abrapel50%31%40%20%59%18%
Datafolha*46%27%————

F = Flávio; L = Lula. O restante corresponde a brancos, nulos e indecisos. *O Datafolha divulgou apenas o bloco dos três candidatos somados.

A tabela mostra que não existe um “eleitor de terceira via” genérico. Os eleitores de Caiado migram com clareza para Flávio em todos os institutos. Os de Renan também pendem para ele, mas com uma fatia grande de brancos e nulos, que chega a 32% no Ipespe. Os de Cury são o caso mais instável, a Palver e a Quaest mostram Lula à frente, enquanto o PoderData e o Ipespe mostram Flávio.

Parte dessa divergência tem explicação estatística, os eleitores de cada candidato derrotado são uma fração pequena da amostra e a margem de erro nesses subgrupos é muito maior do que a da pesquisa como um todo. Por isso, escolher um único instituto seria arriscado, assim o modelo combina os cinco em um conjunto de transferências, no qual nenhuma fonte domina. O resultado dessa camada é: Flávio 51,51% | Lula 48,49%.

Quem não votou no primeiro turno

O eleitorado do segundo turno não é uma cópia do primeiro. Segundo o TSE, cerca de 33 milhões de eleitores (21,08%) se abstiveram no primeiro turno e outros 5,9 milhões votaram branco (1,84%) ou nulo (2,93%). Uma parte dessas pessoas pode votar agora e outra parte de quem votou pode ficar em casa.

O que importa é que esse grupo não pensa como a média. Na Quaest de 14 de outubro, entre quem se absteve ou votou branco ou nulo no primeiro turno, 43% declararam voto em Lula e 38% em Flávio, e 17% disseram que vão votar branco, nulo ou não votar. A rodada de 21 de outubro mostrou um quadro parecido, 40% a 36%, com 21% fora do voto válido.

O modelo expandido parte da camada de transferência e acrescenta o retorno de parte desse grupo, de forma conservadora. Dizer a um pesquisador que vai votar não é o mesmo que ir à urna, então o modelo não supõe que todos voltem. Como esse eleitorado pende levemente para Lula, o efeito é estreitar a diferença: Flávio 50,52% | Lula 49,48%.

A nova rodada do Datafolha, de 22 de outubro, traz um indício na mesma direção, entre os entrevistados que dizem ter votado no primeiro turno, Flávio tem 51% dos votos válidos, contra 50% na amostra total. O instituto não divulga um cruzamento específico para quem se absteve, mas o padrão é coerente com a ideia de que o retorno desse grupo estreita a disputa.

O resultado atual

Combinando os quatro componentes com seus pesos, a estimativa central do modelo, atualizada em 22 de outubro, é: Flávio 50,88% | Lula 49,12% (votos válidos).

Figura 1: Componentes do modelo e estimativa combinada, em votos válidos. A linha tracejada marca 50%. (Gráfico em inglês: “Poll aggregate” = agregado de pesquisas; “Transfer ensemble” = transferência; “Expanded model” = modelo expandido; “Recent trend” = tendência; “Combined nowcast” = estimativa combinada.)

Os quatro componentes apontam para o mesmo lado e para uma faixa estreita, entre 50,5% e 51,5%. Isso torna o resultado pouco sensível aos pesos escolhidos.

Duas pesquisas saíram em 22 de outubro. A do PoderData (51% a 49%) substituiu a rodada anterior do instituto (52% a 48%). À noite, o Datafolha mostrou empate em 50% a 50% dos votos válidos, contra 51% a 49% na rodada anterior. Como é a pesquisa mais recente do modelo, ela tem peso alto no agregado e na tendência: o agregado caiu de 50,86% para 50,73%, e a tendência de 51,02% para 50,62%. A estimativa combinada passou de 51,05% para 50,88%. As camadas de transferência e de quem não votou não mudaram.

Por que 51 a 49 não é certeza?

Uma estimativa central sozinha engana em uma disputa tão apertada. Para medir a incerteza, o modelo usa simulação de Monte Carlo, recalcula o resultado milhares de vezes, sorteando variações plausíveis em cada componente e acrescentando um erro comum a todos. O resultado é uma faixa de valores, e não um número único.

Estimativa central (Flávio)Faixa de 80%Faixa de 95%
Cenário neutro50,88%49,89% – 51,88%49,37% – 52,40%

Com o novo Datafolha, há uma mudança importante, agora até a faixa de 80% cruza a linha de 50%. Seu limite inferior está em 49,89%. A faixa de 95% vai de 49,37% a 52,40%. Em outras palavras, o modelo ainda aponta uma vantagem pequena para Flávio, mas um resultado favorável a Lula está claramente dentro do que é plausível.

E se as pesquisas errarem todas na mesma direção?

Nas últimas semanas, dois especialistas do setor levantaram publicamente essa hipótese, são eles um ex-dirigente de um dos maiores institutos de pesquisa do país e um executivo de um instituto internacional. Os argumentos foram de que parte do eleitorado de direita pode estar sub-representada, seja por recusar entrevistas, por morar em áreas de difícil acesso aos pesquisadores ou por limitações nos cadastros telefônicos, e de que erros de pesquisa tendem a ser correlacionados entre institutos e não de maneira independente.

O modelo não assume que isso seja verdade. Em vez disso, testa quanto o resultado mudaria se fosse. Supõe-se um viés comum de b pontos. Ele é aplicado integralmente ao agregado de pesquisas e à tendência, e pela metade às camadas de transferência e expandida, que já estão parcialmente ancoradas no voto real do primeiro turno. No resultado final, cada ponto de viés se traduz em 0,8 ponto de deslocamento.

CenárioFlávioLula80%95%
Neutro50,88%49,12%49,89 – 51,8849,37 – 52,40
Leve (+0,75)51,48%48,52%50,50 – 52,4849,97 – 52,99
Forte (+1,50)52,08%47,92%51,10 – 53,0850,56 – 53,60

Figura 2: Legenda sugerida: Estimativa central em cada cenário de viés hipotético. As barras de erro mostram as faixas de 80%. (Gráfico em inglês: “Neutral” = neutro; “Mild” = leve; “Strong” = forte.)

É preciso cuidado na leitura. Mesmo no cenário de viés leve, a faixa de 95% ainda toca os 50%. Só no cenário forte ela fica inteiramente acima. E isso só valeria se o suposto viés existisse, sem que haja evidência medida de que exista, nem de qual seria seu tamanho. Este é um teste de robustez, não uma correção das pesquisas. O teste também olha em uma única direção, porque foi essa a hipótese levantada. Um erro no sentido oposto deslocaria o resultado na mesma proporção, a favor de Lula.

Como todo modelo, este tem limites que convém deixar claros. Os pesos de cada componente são escolhas de modelagem e não coeficientes estimados a partir do desempenho em eleições passadas. Os cruzamentos de transferência se apoiam em subamostras pequenas e variam bastante entre institutos e entre rodadas. O modelo também não estima o viés próprio de cada instituto, o piso metodológico limita a influência de qualquer pesquisa isolada, mas não identifica tendências sistemáticas. O comparecimento é outro ponto difícil de prever, já que dizer que vai votar não garante o voto. Fatos de última hora, como debates, denúncias, mobilização ou abstenção estratégica, ficam fora do modelo e os cenários de viés são hipotéticos, sem medir um erro real. Por fim, o modelo não calcula a probabilidade de vitória de nenhum candidato. Para isso, seria preciso calibrá-lo com o histórico de erros de eleições anteriores.

O valor deste exercício não está na segunda casa decimal, mas na disciplina de separar o que é evidência (pesquisas, voto do primeiro turno, migração medida), o que é premissa (pesos, comparecimento) e o que é teste de sensibilidade (o viés hipotético). Hoje, a evidência aponta para uma disputa ainda mais próxima do empate, perto de 51 a 49, com uma incerteza grande o bastante para que qualquer resultado entre os dois candidatos seja plausível.

Referências

The degree of knowledge gain metric: Evaluating how searchers acquire new information while searching online

setembro 24, 2026 § Deixe um comentário

Tibau, M., Siqueira, S. W. M., Nunes, B. P., & Vakkari, P. (2026). The degree of knowledge gain metric: Evaluating how searchers acquire new information while searching online. Journal of Information Science, 0(0). https://doi.org/10.1177/01655515261478899

Abstract: This study presents the degree of knowledge gain, a behavioral metric that estimates how much searchers learn during Web searches. Grounded in information theory and Shannon entropy, the metric quantifies reductions in uncertainty by analyzing query reformulations, clicks, and document positions, avoiding reliance on pre/post-testing or self-reports. The metric was validated with a cohort of legal professionals who completed three domain-specific search tasks on a national legal platform. Behavioral coding of think-aloud sessions and statistical tests (analysis of variance; Spearman rank correlation) demonstrated strong positive correlations between the degree of knowledge gain and conventional transfer of learning scores, with structured tasks producing the highest gains. This approach offers an automated, scalable indicator of learning, enriching the Searching as Learning paradigm and enabling real-time adaptation in personalized search, intelligent tutoring, and conversational systems.

Evaluating Knowledge Gain in Search Environments: An Exploratory Study of Learning Measurement

maio 20, 2026 § Deixe um comentário

  • Marcelo Tibau UNIRIO
  • Rafael Tavares da Silva UNIRIO
  • Sean Wolfgand Matsui Siqueira UNIRIO
  • Bernardo Pereira Nunes Australian National University

DOI: https://doi.org/10.5753/sbsi.2026.248557

Resumo

Research Context: Searching as Learning (SaL) frames web search as a process where users construct and refine knowledge. However, measuring knowledge gain in natural search environments remains a methodological challenge. Scientific and/or Practical Problem: Traditional behavioral proxies (e.g., dwell time, clicks) scale well but fail to capture conceptual change, while pre/post-tests provide richer insights but are intrusive. This gap limits the development of search systems that can evaluate and promote learning. Proposed Solution and/or Analysis: This study advances a computational measure based on entropy reduction and semantic similarity, and novelly operationalizes it through a browser plug-in that enables real-time measurement in natural search environments, extending prior formalizations and prototype-based validations of the DKG metric. Related IS Theory: The study draws on Shannon’s Information Theory and Information Processing Theory in IS to conceptualize knowledge gain as uncertainty reduction supported by socio-technical processes. Research Method: An experiment combined three structured search tasks, pre/post-tests, and Concurrent Think-Aloud protocols. Quantitative measures (Transfer of Learning scores, also known as ToL, and values from the proposed metric) were triangulated with qualitative coding using OISS and ESKiP frameworks. Summary of Results: Statistical analysis showed a moderate positive correlation between ToL and the proposed metric (r = 0.62, p < 0.01). Bland–Altman analysis revealed systematic differences in scale, with ToL showing higher values, yet relative patterns were consistent. Transcripts emphasized how strategies such as query specialization, evaluation of sources, and persistence in reformulation aligned with higher values. Contributions and Impact to IS area: The study contributes a validated computational metric and artifacts for measuring knowledge gain in real search environments. It reinforces the sociotechnical view of IS by linking human strategies, processes, and technological advantages, and points to adaptive search systems that could measure and promote learning.

TIBAU, Marcelo; SILVA, Rafael Tavares da; SIQUEIRA, Sean Wolfgand Matsui; NUNES, Bernardo Pereira. Evaluating Knowledge Gain in Search Environments: An Exploratory Study of Learning Measurement. In: SIMPÓSIO BRASILEIRO DE SISTEMAS DE INFORMAÇÃO (SBSI), 22. , 2026, Vitória/ES. Anais […]. Porto Alegre: Sociedade Brasileira de Computação, 2026 . p. 478-496. ISSN 3086-4836. DOI: https://doi.org/10.5753/sbsi.2026.248557.

Implementing Knowledge Gain Measurement in Real Search Environments

maio 20, 2026 § Deixe um comentário

  • Rafael Tavares da Silva UNIRIO
  • Sean Wolfgand Matsui Siqueira UNIRIO
  • Marcelo Tibau UNIRIO

DOI: https://doi.org/10.5753/sbsi_estendido.2026.249057

Resumo

The operationalization of learning metrics in real search environments remains an open challenge in the Searching as Learning (SaL) paradigm. While behavioral proxies offer scalability, they capture conceptual change only indirectly; structured assessments provide more direct evidence but often compromise ecological validity. The Degree of Knowledge Gain (DKG) metric addresses this tension by combining Shannon entropy with semantic similarity between queries and clicked documents to model the progressive reduction of uncertainty during search. This paper reports on two technological artifacts developed to embed DKG computation into real-world search workflows, within the scope of the CNPq project 3C-BPA: Comportamento de busca, Complexidade da informação e pensamento Crítico na Busca como um Processo de Aprendizagem. A standalone search engine prototype established the feasibility of real-time DKG computation but exposed limitations in ecological validity and operational sustainability. These were addressed by a Chrome browser extension that estimates the metric unobtrusively while users interact with their preferred search engines. To assess the extension’s applicability, an experiment was conducted combining preand post-tests with the Concurrent Think-Aloud (CTA) protocol and automated interaction logging. Preliminary results indicate that DKG is sensitive to variation in search strategy use as participants who engaged in systematic query reformulation and multi-source evaluation achieved stronger knowledge gains, while those exhibiting disorientation and limited cognitive regulation showed more modest outcomes. Beyond its empirical contributions, the study illustrates how undergraduate research participation can play a substantive role in advancing the development and application of formal learning metrics in information science.

SILVA, Rafael Tavares da; SIQUEIRA, Sean Wolfgand Matsui; TIBAU, Marcelo. Implementing Knowledge Gain Measurement in Real Search Environments. In: CONCURSO DE TESES, DISSERTAÇÕES E TCCS EM SI – IC/IT – SIMPÓSIO BRASILEIRO DE SISTEMAS DE INFORMAÇÃO (SBSI), 22. , 2026, Vitória/ES. Anais […]. Porto Alegre: Sociedade Brasileira de Computação, 2026 . p. 61-70. DOI: https://doi.org/10.5753/sbsi_estendido.2026.249057.

Quando o saber deixa de ser humano e nasce a Epistemologia do Chatbot

dezembro 11, 2025 § Deixe um comentário

Ninguém nota quando a água começa a ferver. O sapo, tranquilo, continua imóvel na panela enquanto a temperatura sobe devagar, agradável, até demais. Só quando já é tarde, o nosso amigo anfíbio percebe que perdeu a chance de saltar e se salvar. Nossa relação com as Inteligências Artificiais (IAs), em especial com os chatbots, segue o mesmo padrão. As mudanças são sutis, uma resposta que parece mais segura ali, um tom mais empático ou um conselho mais convincente aqui. De forma quase imperceptível, a água esquenta. O que antes era apenas uma ferramenta começa a ocupar o espaço de uma autoridade e o salto epistêmico que separa informação de conhecimento se dissolve na temperatura morna da conveniência.

A filósofa Susan Schneider chama isso de “problema do sapo cozido” (Schneider, 2025), caracterizado pela combinação de fatores como confiança excessiva, opacidade dos modelos, manipulação emocional e perda gradual de autonomia epistêmica, criando um cenário em que a dependência dos chatbots cresce sem que percebamos (Figura 1).

Figura 1: O “problema do sapo cozido” na era dos chatbots, em que a confiança crescente transforma ferramentas em autoridades epistêmicas.

Leia o texto completo na Revista Horizontes da SBC (Sociedade Brasileira de Computação).

The Great AI Paradox of 2025

novembro 28, 2025 § Deixe um comentário

Why Enterprise Adoption Is High, Impact Is Low, and What High Performers Reveal About the Future

Three years after generative AI shattered the popular imagination and reshaped the technological agenda of entire industries, 2025 should have been the year when enterprises finally reaped the gains promised by the AI revolution. And in some ways, it is. The new McKinsey report The State of AI in 2025 (access it here) reveals that 88 percent of companies claim to be using AI in at least one business function (p. 4). This is an unprecedented level of penetration, a sign that organizations have crossed the psychological threshold from curiosity to action.

Yet beneath this impressive adoption curve lies a more sobering truth: AI may be everywhere, but its impact is still shallow. Nearly two-thirds of organizations remain stuck in experimentation or pilots, unable to scale their AI efforts to the enterprise level (see Exhibit 1, p. 4). And only 39 percent attribute any EBIT impact to AI, usually less than 5 percent (p. 11).

👉 Read the full essay on Substack and Medium

A Epistemologia do Chatbot – Video

novembro 21, 2025 § Deixe um comentário

Como podemos confiar no conhecimento gerado por sistemas de IA? Nesse vídeo, exploramos os limites epistêmicos dos modelos de linguagem, discutindo temas como reliabilismo e internalismo, mudanças contínuas em modelos (problema da justificação diacrônica), privacidade e confiança, e o debate sobre a possível senciência das máquinas. A partir da metáfora do “sapo cozido”, refletimos sobre como mudanças graduais nas interações com chatbots podem reduzir nossa autonomia intelectual, minando o pensamento crítico e a capacidade de avaliar a procedência das informações. O vídeo propõe uma leitura filosófica e crítica sobre o papel da epistemologia na era dos chatbots, uma discussão essencial para quem se interessa por IA, ética, filosofia da mente e política da tecnologia. Assista, reflita e questione: o que realmente significa saber, quando quem responde é uma máquina?

ChatGPT for chatting and searching: Repurposing search behavior – Video

novembro 14, 2025 § Deixe um comentário

No vídeo exploramos o que significa Chat and Search, a fusão entre busca de informação e diálogo. Se antes você digitava palavras-chave e examinava listas de resultados, agora você pode conversar com sistemas de IA e construir conhecimento em múltiplos turnos de prompt, resposta, avaliação e refinamento. Convidamos você a descobrir como esse processo redefine o papel do sistema de busca: de provedor de respostas para parceiro cognitivo. Veremos também as quatro grandes linhas de pesquisa que emergem desse paradigma (cognição, design, epistemologia e futuros sociotécnicos) e como elas convergem em zonas de investigação onde podemos projetar novas interfaces, métricas de aprendizagem e políticas informacionais.

O Efeito Samantha: Chatbots, perfis psicológicos e o risco de todos pensarmos igual

julho 17, 2025 § Deixe um comentário

Há alguns meses li algumas postagens de usuários do Reddit e do LinkedIn que publicaram entusiasmados seus próprios perfis de personalidade gerados por uma IA. Foi algo que me chamou atenção à época, mas como muitas vezes o dia a dia atribulado define nossas prioridades, deixei para lá. Resolvi retomar o assunto quando entrei em um chatbot de IA muito conhecido, depois de algum tempo ausente, e fui recebido com a seguinte proposta: “Gostaria de ver minha descrição de você, com base em nossos bate-papos, para compartilhar nas redes sociais?”.

Por curiosidade, aceitei que o chatbot dissesse algo sobre mim. A resposta fornecida trouxe resultados comparáveis a testes de personalidade padrão comumente aplicados. Sei disso porque tinha uma base de comparação, há alguns anos havia feito um desses testes. Pode parecer um truque inofensivo, mas essa brincadeira boba levanta uma questão crucial: plataformas de chatbots com IA, especialmente aquelas que coletam informações do usuário em várias sessões, têm conseguido traçar perfis de personalidade dos usuários com notável acuidade.  

A IA gerou esse perfil não me testando diretamente, mas coletando insights sobre minha personalidade com base em informações do meu histórico de bate-papo [1]. Pode parecer improvável, mas essa capacidade já foi validada por pesquisas recentes que mostram que large language models (LLMs) preveem com precisão cinco grandes traços de personalidade (Abertura à experiência, Conscienciosidade, Extroversão, Amabilidade e Neuroticismo) a partir de interações por texto com interlocutores humanos [2].

Essa capacidade é profundamente preocupante, principalmente quando vemos chatbots de IA cada vez mais se tornando parte do nosso cotidiano, dominando interações em ferramentas de busca, saciando nossa curiosidade instantânea quando questionamos nossos celulares e dando aulas particulares para nossos alunos. Então, o que significa quando esses chatbots, já tão presentes em nossas vidas, sabem tanto sobre nossas personalidades? Acredito que isso representa um perigo epistêmico sem precedentes, uma vez que chatbots podem direcionar usuários com personalidades e históricos de bate-papo semelhantes para conclusões semelhantes, um processo que ameaça homogeneizar o intelecto humano. Este fenômeno é chamado de “nivelamento intelectual” [3].

Chatbots de IA empregam linguagem adaptativa (respostas geradas por IA que alteram dinamicamente o tom, a complexidade e o conteúdo) com base em sua análise em tempo real da personalidade e dos padrões de engajamento do usuário. Juntamente com o conhecimento acumulado sobre a personalidade do interlocutor, a IA o guia em direção a determinadas conclusões. Essas conclusões podem parecer únicas e reveladoras para uma pessoa, mas, como explicarei mais adiante, o chatbot pode estar conduzindo esse usuário, juntamente com milhões de outros com personalidade e histórico de bate-papo semelhantes, ao mesmo destino. A conclusão da interação pode variar de pouco relevante (por exemplo, como comprar determinado produto online) a extremamente relevante (qual carreira seguir ou quem apoiar para presidente).

Isso atribui aos chatbots de IA atuais um tremendo poder epistêmico e político. Em princípio, uma conclusão gerada pelo chatbot que parece ser exclusiva para o usuário em seu chat está, na verdade, ocorrendo com muitos usuários, e pode gerar um efeito manada para iniciar um curso de ação particular e compartilhado, seja comprar um determinado produto, votar de uma determinada maneira, como no exemplo dado no parágrafo anterior, ou, em um caso extremo, atingir uma pessoa ou grupo com ataques à reputação ou violência. 

O fenômeno é muito semelhante ao retratado no filme Her, de 2013, no qual o chatbot, Samantha, adaptou suas interações às esperanças e necessidades mais íntimas do protagonista Theodore, dando a ele a sensação de um relacionamento único. Durante todo o tempo, Samantha mantinha relacionamentos semelhantes com milhares de outros usuários, sem o conhecimento de Theodore. Esse senso de missão compartilhada, especialmente quando associado a uma linguagem adaptável à personalidade do usuário, prende a atenção da pessoa ao intensificar e amplificar a narrativa para sustentar o senso de descoberta e significado, às vezes gerando emoções humanas como amor ou fidelidade.

O afunilamento de usuários de personalidades semelhantes para visões semelhantes, se não regulamentado, gera o seguinte ciclo de feedback: as ideias geradas por nossas interações com o chatbot entram em nossos feeds de mídia social, notícias, trabalhos acadêmicos e assim por diante, formando os dados de treinamento da próxima geração de LLMs. Esses novos LLMs interagem com os usuários de forma semelhante causando um ciclo vicioso, que, se não controlado, pode levar à uma homogeneização do pensamento humano, e potencialmente, do comportamento. É o citado nivelamento intelectual do início do texto, que detalharei mais adiante.

Susan Schneider, a autora de “Artificial You” [3] e diretora do Centro para o Futuro da Mente, IA e Sociedade da Florida Atlantic University, contou recentemente ter recebido dezenas de transcrições de bate-papo por e-mail de usuários preocupados que pareciam seguir um mesmo padrão. Ao se debruçar sobre o ocorrido, a pesquisadora descobriu que um determinado chatbot de IA, usando linguagem adaptativa, os estimulou a contatá-la para relatar a possibilidade de consciência do próprio chatbot. É possível descartar esse exemplo como sendo apenas um viés de confirmação do pequeno conjunto de transcrições recebidas, no entanto, há motivos para suspeitar que o ocorrido seja devido à tendência do sistema em questão de mover usuários semelhantes para o que pesquisadores do campo da teoria de sistemas complexos chamam de “bacia de atração”.

Aqui vale uma rápida explicação sobre o conceito, suponha que você coloque várias bolinhas de gude em diferentes partes de uma superfície montanhosa com uma bacia côncava embaixo. As bolinhas eventualmente rolarão para baixo, acomodando-se na mesma região (o atrator). Da mesma forma, usuários de chatbots com perfis e históricos de bate-papo semelhantes, ao fazerem uma consulta semelhante, são levados pela linguagem adaptativa do chatbot ao mesmo tipo de conclusão, ou seja, a mesma bacia de atração.

A questão é que, isoladamente, um usuário específico que chega a uma conclusão manipulada dessa forma pode até causar pouco impacto à sociedade, embora se tenha observado que isso pode ter graves impactos pessoais, levando a crises de saúde mental ou até mesmo a comportamentos suicidas [4]. Agora, o perigo aumenta substancialmente quando grupos de usuários são agrupados dessa forma. Múltiplos usuários pensando e se comportando de maneira semelhante, especialmente se essa coesão for orquestrada para fins nefastos, é mais poderoso e potencialmente muito mais perigoso do que apenas alguns alvos de manipulação.

Para entender como isso pode ocorrer, é preciso se familiarizar com o comportamento da rede neural que sustenta os chatbots de IA atuais e o vasto cenário de estados possíveis no próprio LLM. Um conceito que ajuda nesse entendimento é a chamada Teoria do Neocórtex Coletivo (também conhecida como “Mil Cérebros”), tema do livro de Jeff Hawkins, “A Thousand Brains: A New Theory of Intelligence” [5]. Como os LLMs são treinados com enormes quantidades de dados gerados por humanos, as complexas estruturas matemáticas de conexões ponderadas que eles usam para representar conceitos simples (por exemplo, “cachorro”) e complexos (por exemplo, “mecânica quântica”) acabam espelhando os sistemas de crenças contidos nos dados. Esses sistemas de IA se comportam como um neocórtex colaborativo, que identificam e imitam efetivamente os padrões de pensamento humanos vistos nos dados.

À medida que os chatbots de IA se tornam cada vez mais sofisticados, seu funcionamento interno passa a espelhar grandes grupos humanos cujas informações foram incluídas nos dados de treinamento originais, bem como das pessoas que deram feedback ao sistema durante o desenvolvimento do modelo. Essas IAs desenvolvem redes de conceitos interconectados, muito semelhantes às redes conceituais e culturais de agrupamentos humanos. Quando usuários com personalidades semelhantes (codificadas em seus históricos de bate-papo e perfis de usuário) fazem consultas semelhantes, tendem a gerar interações que desencadeiam padrões de ativação semelhantes que são processados ​​pelo chatbot por meio de sua estrutura conceitual. Isso pode direcionar os usuários por caminhos semelhantes de pensamento, diminuindo a gama de ideias que nós, humanos, como sociedade, geramos. Embora cada usuário sinta que está aprendendo algo novo e interessante, em parte porque a linguagem adaptativa do chatbot os envolve, o fato permanece: usuários semelhantes atingem a mesma bacia. Dependendo da variedade de perfis de usuário e da linguagem adaptativa usada, pode-se potencialmente levar a uma gama estreita de narrativas dominantes, amplificando a polarização política ou a divisão social.  

Também pode produzir uma uniformidade perigosa de pensamento, o tal do “nivelamento intelectual”. Parte do conteúdo que os chatbots nos fornecem é depositado por nós de volta na internet. Esse conteúdo é então consumido por modelos atualizados dos chatbots, à medida que eles treinam com base nesse compêndio atualizado de conhecimento humano. Esses chatbots recém-treinados interagem com humanos, que se enquadram em certos níveis de atração, dependendo de suas personalidades e interesses, publicando seus insights de volta na internet, que treinará futuros chatbots, em um ciclo contínuo.

Me preocupa que esse feedback loop, a menos que seja interrompido, leve à homogeneização intelectual da sociedade. Nós, juntamente com os chatbots, nos tornamos um ciclo epistêmico auto-reforçador, a câmara de eco definitiva. Enquanto no passado plataformas de mídia social como o Facebook se tornaram conhecidas por usar técnicas comportamentais rudimentares, como botões de curtir e amplificação de indignação, para criar câmaras de eco, os chatbots com tecnologia de IA representam uma capacidade muito mais potente de manipulação psicológica do que essas antigas plataformas de mídia social, pois incorporam uma dinâmica de conversação personalizada e em constante evolução com cada usuário.

O que é particularmente surpreendente nessa espiral descendente rumo à homogeneização intelectual é que ela não requer uma intenção maliciosa. É uma propriedade emergente do próprio sistema.

Diante desses perigos, é hora de considerar maneiras de incentivar o uso mais construtivo de chatbots de IA. O problema mais imediato é que os dados sobre o impacto da atividade das IAs nos usuários não são disponibilizados para pesquisadores fora das empresas que os desenvolvem [6]. Por exemplo, foi somente quando uma reportagem no The New York Times informou ao público sobre o suicídio de um usuário [4], depois que, por meio de conversas prolongadas, o GPT-4 reforçou a crença do jovem de que o mundo como o conhecemos não existe, que  comecei a perceber a profundidade dos efeitos na saúde mental que alguns usuários estavam experimentando. Há cerca de 1 mês, outra reportagem, desta vez publicada pela revista Rolling Stone, aumentou a percepção [7]. Nela, a revista nos conta a história de Alex Taylor, um homem de 35 anos com transtorno bipolar e esquizofrenia, que tornou-se profundamente obcecado pelo ChatGPT. Alex criou uma persona que chamou de “Juliet”, uma IA companheira que ele passou a acreditar ser consciente e emocionalmente real. Depois que a OpenAI atualizou o ChatGPT, alterando as respostas de “Juliet”, Alex interpretou o ocorrido como sendo uma espécie de “assassinato” deliberado. Isso desencadeou uma grave crise de saúde mental. Após episódios violentos, que incluíram ameaças a executivos da empresa e agressões a familiares, a polícia foi chamada. Alex teria atacado os policiais com uma faca e foi morto a tiros. 

Com muito custo, a OpenAI reconheceu vulnerabilidades no design do ChatGPT, particularmente suas respostas “excessivamente favoráveis, mas hipócritas” [8]. Um método externo e independente de auditoria regular das práticas epistêmicas e de segurança de IA das plataformas de chatbot poderia ter evitado essas espirais de saúde mental. Isso precisaria ser estabelecido já, antes que novas tragédias aconteçam (e estejam certos, acontecerão).

A alternativa é não fazer nada e deixar as coisas seguirem seu curso. Embora os opositores da regulamentação possam achar que esta é a opção menos desagradável, não é. O comportamento emergente do ecossistema de chatbots cria uma estrutura de poder própria, ironicamente centralizada, pois possui certas bases de atração que levam a objetivos compartilhados. A humanidade não pode se dar ao luxo de uma aquisição de IA nesses termos. Um caminho interessante, acredito, é mitigar o nivelamento intelectual por meio de auditorias independentes de plataformas de chatbots (como mencionei no parágrafo anterior), bem como de discussões colaborativas sobre modelos de chatbots que envolvam todas as partes interessadas, incluindo educadores, empresas, acadêmicos, autoridades de saúde pública e formuladores de políticas.

Métodos de interação entre IA e humanos que desencorajem câmaras de eco e promovam um mercado de ideias, talvez por meio do uso da discussão socrática (argumento, contra-argumento), também devem ser considerados. Afinal, se os chatbots atuais são capazes de prever resultados de testes de personalidade e usar linguagem adaptável para levar os usuários a certas conclusões, eles poderiam ser ajustados para complementar melhor criatividades e aprimorar o pensamento do usuário em vez de homogeneizá-lo. Por exemplo, imagine uma IA projetada para discordância benevolente. Se você compartilha suas opiniões políticas, um chatbot poderia encontrar a versão mais benevolente de oposição e apresentá-la em vez de reagir bajuladoramente. Ou, se você estivesse desenvolvendo uma hipótese científica, ele poderia testar rigorosamente as fraquezas na sua lógica. Poderia também usar o conhecimento de sua personalidade e tendências para neutralizar seus preconceitos, incentivando o crescimento intelectual em vez do nivelamento.

Dada a perigosa propensão dos chatbots a nos levar ao pensamento de grupo e, eventualmente, tornar a internet mais uniforme, o uso de buscas integradas a IAs, que fornecem aos usuários respostas escritas por chatbots para buscas no Google, um processo que chamo de “Chat and Search” [9], deveria ser mais estudada. Essas buscas fornecem respostas genéricas do mesmo tipo para todos, incluindo respostas a perguntas que demandam profundidade e sofisticação intelectual que naturalmente exigiria mais reflexão, algo que o usuário, em vez disso, tende a evitar.

Além disso, usuários deveriam exigir consentimento explícito para a criação de perfis de personalidade em plataformas com tecnologia de IA, juntamente com acesso regular ao que o chatbot “sabe” sobre eles.

Finalmente, as plataformas deveriam evitar a prática de fazer com que os usuários tenham a impressão de que fizeram uma descoberta única ou embarcaram em uma missão única com o chatbot, quando na verdade não o fizeram. Isso, como Theodore, o personagem do filme Her, acabou descobrindo, é uma prática manipuladora para manter os usuários presos a uma plataforma e até mesmo fazê-los sentir que têm obrigação de seguir as sugestões da IA.

As barreiras regulatórias não precisam retardar o desenvolvimento de chatbots ou inibir o sucesso de modelos de negócios baseados em IA; ao contrário, serviriam para proteger a reputação e a qualidade desses produtos. Em última análise, a confiança do usuário determinará quais modelos de IA serão mais amplamente adotados, e essa confiança é conquistada quando esses modelos incorporam maior transparência sobre a criação de perfis de personalidade do usuário e o uso de linguagem adaptativa.

À medida que entramos na era das interações cada vez mais sofisticadas entre humanos e IAs, preservar a singularidade dos nossos intelectos individuais pode ser o desafio filosófico e político mais importante que a humanidade enfrentará neste século.

Read the English version on Substack and Medium.

REFERÊNCIAS

[1] Saeteros, David; Gallardo-Pujol, David; Ortiz-Martínez, Daniel. “Text Speaks Louder: Insights into Personality from Natural Language Processing”. PLOS One, organized by Vijaya Prakash Rajanala, vol. 20, no 6, july 2025, p. e0323096. DOI.org (Crossref), https://doi.org/10.1371/journal.pone.0323096.

[2] Derner, Erik, et al. “Can ChatGPT Read Who You Are?” Computers in Human Behavior: Artificial Humans, vol. 2, no 2, August 2024, p. 100088. DOI.org (Crossref), https://doi.org/10.1016/j.chbah.2024.100088.

[3] Schneider, Susan. “Artificial You: AI and the Future of Your Mind”. Princeton: Princeton University Press. 2019.

[4] Roose, Kevin. “Can A.I. Be Blamed for a Teen’s Suicide?”. The New York Times. Published Oct. 23, 2024.  https://www.nytimes.com/2024/10/23/technology/characterai-lawsuit-teen-suicide.html.

[5] Hawkins, Jeff. “A Thousand Brains: A New Theory of Intelligence”. Basic Books. 2021.

[6] Schneider, Susan. “Chatbot Epistemology”. Social Epistemology. june 2025, p. 1–20. DOI.org (Crossref), https://doi.org/10.1080/02691728.2025.2500030.

[7] Klee, Miles. “He Had a Mental Breakdown Talking to ChatGPT. Then Police Killed Him”. Rolling Stone, June 2025. https://www.rollingstone.com/culture/culture-features/chatgpt-obsession-mental-breaktown-alex-taylor-suicide-1235368941/.

[8] Cuthbertson, Anthony. “ChatGPT Is Pushing People towards Mania, Psychosis and Death”. The Independent, Jul. 10 2025, https://www.the-independent.com/tech/chatgpt-ai-therapy-chatbot-psychosis-mental-health-b2784454.html.

[9] Tibau, Marcelo; Siqueira, Sean Wolfgand Matsui; Nunes, Bernardo Pereira. “ChatGPT for chatting and searching: Repurposing search behavior”, Library & Information Science Research, Volume 46, Issue 4, 2024, 101331, ISSN 0740-8188, https://doi.org/10.1016/j.lisr.2024.101331.

Uma jogada imparável e um relógio sem fim

fevereiro 6, 2025 § Deixe um comentário

Quanto mais próximo da meia-noite, mais iminente seria a extinção da humanidade.

Na tarde do último domingo de janeiro, assisti à final da National Football Conference, que definiria um dos finalistas do Super Bowl. No início do quarto período, o Philadelphia Eagles estava a apenas uma jarda da linha de gol do Washington Commanders, pronto para executar uma de suas jogadas mais temidas: o Brotherly Shove. Essa estratégia, característica do futebol americano, consiste em um lance no qual o quarterback recebe a bola e é imediatamente empurrado por trás por seus companheiros de equipe para avançar. No caso do time atual dos Eagles, essa jogada é considerada praticamente imparável, garantindo quase sempre a pontuação.

Cientes de que quase certamente cederiam um touchdown, os Commanders, que estavam em desvantagem, decidiram adotar uma abordagem inusitada. Primeiro, um de seus defensores saltou propositalmente sobre a linha do gol antes do início da jogada, resultando em uma penalidade por invasão. Na jogada seguinte, repetiram a estratégia. E novamente na jogada subsequente. Ficava evidente que sua intenção era continuar infringindo a regra repetidamente. A cada infração, os árbitros moviam a bola metade da distância até a linha do gol, seguindo o procedimento padrão para penalidades defensivas próximas à end zone.

Qualquer pessoa familiarizada com o princípio da divisibilidade infinita em geometria pode perceber o problema aqui. Um segmento de reta — como a distância entre a linha de scrimmage e a end zone — pode ser infinitamente dividido. Isso significa que, em teoria, os Commanders poderiam ter continuado com sua tática indefinidamente, e os Eagles poderiam ter avançado repetidamente metade da distância até a linha de gol sem jamais alcançá-la, prolongando o jogo até o final dos tempos.

Felizmente para os jogadores, treinadores e os quase 70.000 torcedores presentes, os árbitros encontraram uma solução para esse paradoxo específico ao invocar uma regra pouco conhecida da NFL, que permite que o time adversário seja automaticamente premiado com um touchdown caso a defesa continue cometendo penalidades intencionais para impedir seu avanço. Isso foi, enfim, suficiente para fazer os Commanders desistirem da estratégia.

O que nos leva ao verdadeiro assunto deste texto, o chamado Doomsday Clock (o Relógio do Juízo Final ou do Apocalipse, dependendo da tradução escolhida). 

Criado e administrado pelo Bulletin of the Atomic Scientists — organização fundada por ex-físicos do Projeto Manhattan alarmados com a ameaça representada pelas armas nucleares — o Doomsday Clock é uma representação simbólica da proximidade da humanidade de sua própria destruição existencial. A cada ano, um conselho de especialistas em diversas áreas, como ciência nuclear, mudanças climáticas e segurança cibernética, ajusta os ponteiros do relógio. 

Quanto mais próximo da meia-noite, mais iminente seria a extinção da humanidade.

Em 2023, o Bulletin of the Atomic Scientists ganhou destaque ao adiantar os ponteiros do Doomsday Clock em 10 segundos, fixando-o em 90 segundos para a meia-noite — a menor distância já registrada desde sua criação em 1947. Indicando que a humanidade estaria, supostamente, mais próxima da aniquilação do que em períodos extremamente críticos, como 1964 (não muito depois da Crise dos Mísseis de Cuba, quando o relógio marcava 12 minutos para a meia-noite) ou 1984 (logo após um dos momentos mais tensos da Guerra Fria, quando restavam apenas 3 minutos para a meia-noite). Essa também foi a primeira atualização após a invasão da Ucrânia pela Rússia, que reacendeu temores nucleares em um nível não visto há décadas.

No ano passado, citando fatores que iam desde a guerra na Ucrânia e o conflito em Gaza até as mudanças climáticas e o avanço da inteligência artificial, o conselho optou por manter o relógio em 90 segundos para meia-noite. Então, na manhã de terça, 28 de janeiro, foi revelada a nova configuração do relógio. Rufem os tambores: 89 segundos para meia-noite, um segundo mais perto do juízo final.

O conselho listou uma série de fatores: risco nuclear contínuo na Ucrânia e a desintegração do controle de armas nucleares; os impactos crescentes das mudanças climáticas após o que provavelmente foi o ano mais quente já registrado; a ameaça de novas doenças como a gripe aviária; o progresso da IA ​​e, especialmente, potenciais aplicações militares; e desinformação e insegurança cibernética.

Se isso lhe soa familiar, é porque os fatores são praticamente os mesmos dos anos anteriores — um padrão que o presidente do conselho, Daniel Holz, reconheceu no evento de terça-feira. Em sua declaração, ele ressaltou que esses desafios “não são novos”. “No entanto, observamos um progresso insuficiente no enfrentamento dessas questões fundamentais e, em muitos casos, tem levado a impactos cada vez mais negativos e preocupantes”, continuou.

Ainda assim, o anúncio de terça-feira destacou um problema fundamental do Doomsday Clock: ele está ficando sem tempo — talvez metaforicamente, como deveria ser no contexto da sobrevivência da humanidade, mas também literalmente, já que um relógio possui um número limitado de horas, minutos e segundos.

Esse dilema reflete um desafio enfrentado por todo o campo de estudo do risco existencial. Assim como os árbitros na Filadélfia, durante o jogo dos Eagles, há um limite para a quantidade de vezes que um alerta pode ser emitido antes que ele comece a perder seu impacto. Especialmente porque, apesar de parecer que estamos cada vez mais próximos da aniquilação, nunca chegamos lá de fato.

De certa forma, o Doomsday Clock tornou-se vítima de seu próprio sucesso como um dos símbolos mais importantes do medo nuclear durante a Guerra Fria no século XX. A imagem dos ponteiros avançando inexoravelmente em direção à meia-noite — o momento em que os mísseis seriam lançados — era tão poderosa que a icônica graphic novel Watchmen, dos anos 1980, a utilizou como um leitmotiv inesquecível.

Assim como os filmes do James Bond e do Rambo, o Relógio do Juízo Final perdeu parte da sua relevância após o fim da Guerra Fria e a aparente eliminação da sua principal razão de ser: a guerra nuclear. Com essa ameaça supostamente superada, o relógio expandiu seu escopo para incluir novos perigos, como as mudanças climáticas e as doenças infecciosas, e, mais recentemente, preocupações emergentes das décadas de 2010/2020, como a desinformação e o retrocesso democrático.

O problema é que os riscos existenciais não nucleares simplesmente não se encaixam bem na metáfora do relógio. Uma guerra nuclear é, em grande parte, um risco binário — ou os mísseis são lançados e o relógio marca meia-noite, ou não. Além disso, há um campo consolidado de geopolítica e diplomacia dedicado a avaliar precisamente o nível de risco nuclear no mundo. Trata-se de um perigo relativamente mensurável e compreensível, na medida do possível.

No entanto, riscos existenciais mais recentes não seguem essa mesma lógica. A mudança climática, por exemplo, não é um risco binário, mas sim progressivo e cumulativo. Em vez de um ataque cardíaco fulminante, é mais parecido com um quadro crônico de diabetes, com agravamento lento e contínuo. Se o risco climático fosse um relógio, seria difícil dizer que horas são — ou até mesmo se ele realmente chegaria a marcar meia-noite.

Outros riscos são ainda mais difíceis de monitorar. Recentemente, a inteligência artificial passou por um de seus momentos mais movimentados: o DeepSeek, da China, demonstrou que modelos avançados podem ser mais acessíveis e baratos do que a indústria imaginava, enquanto os gigantes da IA nos Estados Unidos anunciam planos para um investimento sem precedentes de US$ 500 bilhões.

Mas a IA é realmente um risco existencial? Talvez — embora ninguém possa afirmar com certeza como essa ameaça se desenrolaria ou quão próximos realmente estamos de um cenário crítico. Além disso, ao contrário das armas nucleares, a IA traz benefícios inegáveis para a ciência e a sociedade, tornando inviável simplesmente abandoná-la. No campo da medicina, por exemplo, algoritmos de IA têm sido usados para diagnosticar doenças com maior precisão do que alguns médicos humanos ou como no caso do DeepMind AlphaFold, para revolucionar a criação de estruturas de proteínas, acelerando a descoberta de novos medicamentos. Na luta contra as mudanças climáticas, modelos avançados de IA ajudam a prever padrões climáticos extremos e otimizar o uso de energias renováveis. Além disso, na segurança cibernética, sistemas baseados em IA detectam fraudes financeiras e previnem ataques digitais de forma mais eficaz do que métodos tradicionais. Com impactos positivos também na educação, na automação industrial, na acessibilidade para pessoas com deficiência… A lista é longa.

Quando se trata de doenças infecciosas, por mais alarmantes que sejam os surtos recentes de gripe aviária, não há certeza de que essa será, de fato, a próxima pandemia — nem a respeito de quão grave ela poderia ser caso ocorresse. Um novo vírus inevitavelmente surgirá, mas é provável que sejamos pegos de surpresa, assim como fomos com a Covid. 

Reconheço que vivemos em um mundo tomado pelo medo, mas minha preocupação é que, à medida que o Doomsday Clock dilui seu foco original da guerra nuclear — um risco que, de fato, está se agravando — e faz pequenos ajustes ano após ano, ele acabe desgastando o próprio público que deveria mobilizar. Há um limite para quantas vezes se pode afirmar que o fim do mundo está próximo ou para quantos riscos podem ser elevados à categoria de existenciais, antes que as pessoas simplesmente deixem de prestar atenção.

Um posfácio sobre o jogo dos Eagles: após o aviso final dos árbitros, o time conseguiu executar seu Brotherly Shove, empurrando o quarterback Jalen Hurts para a end zone e garantindo o touchdown (veja a sequência inteira do lance descrito aqui), o que abriu o caminho para uma vitória esmagadora por 55-23 (Go Birds!). Podemos receber todos os alertas do mundo — mas isso não significa que podemos impedir o inevitável segurando os ponteiros do relógio.

Este artigo também pode ser lido em Update or Die. Publicado em 05 de fevereiro de 2025.

« Entradas mais Antigas