Deep Learning e o Paradoxo da Percepção Artificial: Comparação de Modelos na Detecção de Deepfakes

Farias, Ariane Hayana Thomé de; Brito, Lucas Augusto Vieira

doi:10.22167/2675-6528-202601726

Artigo

20 de agosto de 2026

Deep Learning e o Paradoxo da Percepção Artificial: Comparação de Modelos na Detecção de Deepfakes

Ariane Hayana Thomé de Farias; Lucas Augusto Vieira Brito

DOI: 10.22167/2675-6528-202601726

Artigo derivado de Trabalho de Conclusão de Curso (TCC), com conteúdo baseado no trabalho original do aluno e adaptado ao formato editorial da Revista E&S com apoio da ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege para síntese e organização textual.

Resumo

A crescente disseminação de deepfakes, conteúdos manipulados por inteligência artificial, tornou-se um desafio significativo, dificultando a identificação humana e criando um paradoxo onde a própria IA é a principal ferramenta de detecção. Investigou-se e comparou-se três arquiteturas de aprendizado profundo – EfficientNet-B3, Xception e ViT-B/16 – para a detecção automática de deepfakes em vídeos. A metodologia seguiu as seis etapas do CRISP-DM, utilizando as bases de dados FaceForensics++ e Deep Fake Detection para treinamento, totalizando 166.896 faces extraídas de aproximadamente 16.000 vídeos com o detector MTCNN. A avaliação incluiu um conjunto hold-out isolado e a base Celeb-DF v2 para teste de generalização com dados externos. O EfficientNet-B3 obteve o melhor desempenho geral, com AUC de 0,9531 no hold-out e 0,9119 por vídeo no Celeb-DF v2. O Xception apresentou resultado equivalente, com AUC de 0,9319 e 0,9097, respectivamente. O modelo ViT-B/16 não convergiu adequadamente nas condições adotadas. As arquiteturas convolucionais avaliadas demonstraram elevada capacidade de detecção de deepfakes, mas apresentaram limitações na generalização para domínios não vistos durante o treinamento, como observado no Celeb-DF v2.

Palavras-chave: Análise de vídeos; Generalização entre bases; Redes convolucionais; Visão computacional.

1. Introdução

Nos últimos anos, a sociedade tem testemunhado avanços notáveis no campo da Inteligência Artificial (IA), marcando uma era de transformações industriais impulsionadas pelo desenvolvimento de tecnologias de ponta. O aprendizado de máquina, em particular, tem sido um motor fundamental para esse progresso (Ludermir, 2021). Tais inovações se manifestam em diversas aplicações, que vão desde o suporte ao diagnóstico de doenças na área da saúde e a operação de carros autônomos, até a identificação de pessoas em imagens e a crescente popularidade de assistentes virtuais baseados em IA.

A rápida expansão das tecnologias digitais resultou em uma constante inundação de informações, gerando desafios significativos relacionados à credibilidade e autenticidade dos conteúdos. Nesse cenário, a desinformação se propaga em larga escala, ameaçando a segurança digital e a capacidade humana de discernir entre o verdadeiro e o falso. O avanço tecnológico potencializou esse fenômeno, especialmente com a criação de conteúdos manipulados conhecidos como deepfakes. Estes atingem níveis crescentes de sofisticação, tornando sua detecção um desafio até mesmo para modelos tradicionais de IA.

O termo deepfake, uma fusão de deep learning e fake, refere-se à criação de conteúdos falsos por meio da sobreposição ou substituição do rosto de uma pessoa-alvo com características de uma pessoa-fonte. Essa manipulação é comumente denominada face-swap. Além disso, outras categorias de deepfakes incluem lip-sync, que sincroniza movimentos labiais em um vídeo com gravações de áudio falsas, e puppet-master, onde o vídeo de uma pessoa é manipulado para replicar movimentos e expressões de outra (Nguyen et al., 2022).

Diante da crescente sofisticação das técnicas de criação de deepfakes, a identificação desses conteúdos torna-se cada vez mais complexa e desafiadora (Rafique et al., 2023). Surge, então, o paradoxo da percepção artificial: a inteligência artificial, que aprimora a criação desses conteúdos, também se estabelece como um dos principais recursos para sua detecção e combate. A percepção humana, baseada no reconhecimento visual e sonoro de mídias digitais, já não é suficiente para identificar falsificações realistas.

Os efeitos adversos da disseminação de deepfakes são amplamente discutidos na literatura, com especial atenção aos cenários eleitorais, onde representam um alto risco para a democracia e a formação da opinião pública. No Brasil, o Tribunal Superior Eleitoral (TSE) atualizou a Resolução nº 23.610/2019 (Brasil, 2024), proibindo explicitamente o uso de conteúdos digitais manipulados, como deepfakes, em propagandas eleitorais. A Resolução nº 23.755/2026 (Brasil, 2026) reforçou essas diretrizes, exigindo a identificação de conteúdos gerados por IA. Essa regulamentação sublinha a urgência de métodos de detecção robustos.

Considerando a complexidade inerente ao tema e a necessidade de avaliar diferentes classificadores para essa tarefa, questiona-se quais modelos de deep learning demonstram maior eficácia na detecção de deepfakes. Assim, este trabalho tem como objetivo investigar e comparar três arquiteturas de aprendizado profundo para a detecção automática de deepfakes em vídeos: EfficientNet-B3 (Tan e Le, 2019), Xception (Chollet, 2017) e ViT-B/16 (Dosovitskiy et al., 2021).

2. Material e Métodos

A metodologia adotada neste estudo seguiu o “Cross Industry Standard Process for Data Mining” (CRISP-DM), um processo iterativo composto por seis fases: entendimento do negócio, compreensão dos dados, preparação dos dados, modelagem, avaliação e implantação (Wirth e Hipp, 2000). A pesquisa caracteriza-se como exploratória e comparativa, com abordagem quantitativa, visando investigar e comparar a eficácia de diferentes arquiteturas de aprendizado profundo na detecção de deepfakes. As etapas foram executadas na plataforma de computação em nuvem Google Colaboratory Pro+, utilizando uma máquina virtual equipada com GPU NVIDIA A100 de 80 GB de VRAM e a linguagem Python.

Entendimento do Negócio

A primeira fase concentrou-se na definição do problema de pesquisa, que se estendeu além da revisão da literatura para abordar a necessidade de um detector de deepfakes capaz de generalizar para domínios não vistos. Identificou-se o “implicit identity leakage” como um fator que compromete a generalização (Dong et al., 2023). Três cenários foram estabelecidos para avaliação: (1) capacidade de distinguir faces reais de manipuladas nos domínios de treinamento; (2) generalização para vídeos não vistos do mesmo conjunto de dados; e (3) detecção de deepfakes de métodos e domínios distintos dos utilizados no treinamento.

Nesta etapa, foram definidas as bases de dados a serem utilizadas. Os conjuntos FaceForensics++ (FFPP) (Rössler et al., 2019) e Deep Fake Detection (DFD) (Dolhansky et al., 2019) foram destinados ao treinamento e validação. Adicionalmente, o Celeb-DF v2 (CDFv2) (Li et al., 2020) foi empregado exclusivamente para a avaliação de generalização, permitindo verificar a capacidade dos modelos em lidar com deepfakes gerados por diferentes domínios e métodos, conforme detalhado na Tabela 1.

Tabela 1. Bases de dados utilizadas

Base de dados	Referência	Descrição
FaceForensics++ (FFPP)	Rössler et al. (2019)	Conjunto de dados amplamente utilizado na literatura para detecção de “deepfakes”, composto por vídeos autênticos coletados do YouTube e por vídeos manipulados por diferentes técnicas de manipulação. Neste trabalho, utilizaram-se os dados disponibilizados pelo repositório² FaceForensics++, acessados mediante solicitação prévia de credenciais de uso.
Deep Fake Detection (DFD)	Dolhansky et al. (2019)	Esse conjunto consiste em uma base de dados desenvolvida pelo Facebook em parceria com outras instituições, composta por vídeos reais de atores profissionais e por suas respectivas versões manipuladas. Neste trabalho, os dados foram obtidos por meio do repositório² oficial disponibilizado por Rössler et al. (2019).
Celeb-DF v2 (CDFv2)	Li et al. (2020)	Trata-se de um conjunto de dados de alta qualidade, composto por vídeos reais de celebridades e por vídeos manipulados gerados com técnicas mais avançadas em comparação às utilizadas no FFPP. A base de dados foi obtida por meio da plataforma Kaggle³, sendo derivada do conjunto original proposto por Li et al. (2020).

Fonte: Dados originais da pesquisa

A Tabela 1 descreve as três bases de dados utilizadas, destacando suas referências e características principais. O FFPP é um conjunto amplamente utilizado na literatura, composto por vídeos autênticos e manipulados por diversas técnicas. O DFD foi desenvolvido pelo Facebook em parceria com outras instituições, contendo vídeos reais de atores profissionais e suas versões manipuladas. O CDFv2, por sua vez, é um conjunto de alta qualidade com vídeos de celebridades reais e manipulados por técnicas avançadas, servindo como base para o teste de generalização.

Preparação dos Dados

Esta fase envolveu a preparação dos dados para otimizar o desempenho dos modelos. Inicialmente, 20% dos vídeos dos conjuntos FFPP e DFD foram isolados para compor um conjunto de avaliação final (hold-out), garantindo que uma parcela dos dados permanecesse inédita para o teste. A separação dos dados foi realizada por vídeo, e a divisão seguiu conforme apresentado na Tabela 2. Foram utilizados exclusivamente vídeos com compressão c23, padrão adotado na literatura para comparação entre modelos (Rössler et al., 2019).

Tabela 2. Divisão dos dados no estudo

Base de dados	Reais	Falsos	Total	Razão falso/real	Formato
FFPP	1.005	5.000	6.005	4,98	.mp4
DFD	363	3.068	3.431	8,45	.mp4
CDFv2	890	5.639	6.529	6,34	.mp4
Total	2.258	13.707	15.965	6,07

Fonte: Dados originais da pesquisa

A Tabela 2 ilustra a divisão dos dados em três conjuntos principais: Treino/Validação, Hold-Out e Generalização. O conjunto de Treino/Validação, composto por 89.076 faces de 7.548 vídeos do FFPP e DFD, foi utilizado para o treinamento e validação cruzada. O Hold-Out, com 22.073 faces de 1.888 vídeos, serviu para avaliação final. O conjunto de Generalização, com 55.747 faces de 6.529 vídeos do CDFv2, foi empregado para testar a capacidade de generalização dos modelos em dados externos.

A extração das regiões faciais dos vídeos foi realizada utilizando o “Multi-task Cascaded Convolutional Networks” (MTCNN) (Zhang et al., 2016), por meio da biblioteca facenet-pytorch (versão 2.5.3). Essa abordagem focou na análise de faces, em vez de quadros completos, para evitar ruídos e informações irrelevantes que poderiam comprometer o aprendizado (Rössler et al., 2019). Cada vídeo foi representado por um conjunto de 8 a 24 faces, obtidas por amostragem uniforme de 2% dos quadros, com um mínimo de 8 e máximo de 24 faces por vídeo. A Tabela 3 apresenta o total de faces extraídas por rótulo e base de dados.

Tabela 3. Total de faces extraídas por rótulo e base de dados

Base	Etiqueta	Média	Desvio Padrão	Mín.	P25%	Mediana	P75%	P95%	Máx.
CDFv2	Fake	375	84	165	319	347	456	504	611
CDFv2	Real	386	88	1	318	376	462	502	611
DFD	Fake	718	319	134	467	688	878	1.309	1.590
DFD	Real	890	285	273	732	865	1.032	1.427	1.620
FFPP	Fake	465	184	287	337	413	528	777	1.421
FFPP	Real	500	191	287	358	456	572	905	1.385

Fonte: Dados originais da pesquisa

A Tabela 3 detalha a quantidade de faces reais e falsas extraídas de cada base de dados. No total, foram extraídas 166.896 faces, sendo 24.529 reais e 142.367 falsas. Essa distribuição evidencia um desbalanceamento significativo entre as classes, o que demandou estratégias específicas de balanceamento para o treinamento dos modelos. A predominância de faces falsas reflete a natureza dos conjuntos de dados, que visam aprimorar a detecção de manipulações.

Para lidar com o desbalanceamento de classes, adotou-se uma estratégia de subamostragem das faces falsas por método de manipulação, limitando a 2.000 faces por método por “fold”. As faces reais disponíveis em cada “fold” foram utilizadas integralmente, sem remoção, para evitar prejuízos ao aprendizado, dado que a classe real já se encontrava em menor quantidade. A Tabela 4 apresenta a distribuição das faces falsas disponíveis e utilizadas por método de manipulação no conjunto de treino.

Tabela 4. Faces falsas disponíveis e utilizadas por método de manipulação no conjunto de treino

Conjunto	Base	Faces	Vídeos	Utilização
Treino/Validação	FFPP + DFD	89.076	7.548	“K-Fold” estratificado por vídeo (80%)
“Hold-Out”	FFPP + DFD	22.073	1.888	Avaliação final (isolado antes do treino)
Generalização	CDFv2	55.747	6.529	Teste

Fonte: Dados originais da pesquisa

A Tabela 4 demonstra como o balanceamento de classes foi aplicado, mostrando as faces falsas disponíveis e as que foram efetivamente utilizadas no treinamento por método de manipulação. Essa configuração resultou em uma distribuição próxima ao equilíbrio entre as classes, preservando a representatividade dos diferentes métodos de manipulação. Além disso, a técnica de data augmentation foi aplicada exclusivamente durante o treinamento para simular as degradações que os deepfakes sofrem, conforme as configurações apresentadas na Tabela 5.

Tabela 5. Transformações de “augmentation”

Base	Reais	Falsos	Total
FFPP	10.587	49.329	59.916
DFD	6.152	45.081	51.233
CDFv2	7.790	47.957	55.747
Total	24.529	142.367	166.896

Fonte: Dados originais da pesquisa com base em Rössler et al. (2019), Shorten e Khoshgoftaar (2019)

A Tabela 5 descreve as transformações de data augmentation aplicadas, incluindo recompressão JPEG, blur gaussiano, ruído gaussiano, flip horizontal, brilho/contraste e random crop, cada uma com sua respectiva probabilidade de aplicação e justificativa. Essas transformações são independentes, permitindo que uma mesma imagem seja submetida a múltiplas alterações ou nenhuma, simulando condições reais de degradação de vídeos manipulados e aprimorando a robustez dos modelos.

Modelagem

A quarta etapa envolveu a seleção e configuração das arquiteturas de aprendizado profundo. Foram escolhidos três modelos: EfficientNet-B3 (Tan e Le, 2019), Xception (Chollet, 2017) e ViT-B/16 (Dosovitskiy et al., 2021), para comparar arquiteturas convolucionais e baseadas em transformers. Todos os modelos foram inicializados com pesos pré-treinados no ImageNet (Deng et al., 2009), utilizando aprendizado por transferência para iniciar o treinamento com representações visuais já aprendidas. A Figura 1 ilustra a arquitetura geral do modelo para detecção de deepfakes.

Figura 1. Arquitetura do modelo para detecção de “deepfakes”

Fonte: Dados originais da pesquisa, com face extraída do conjunto FFPP (Rössler et al., 2019)

A Figura 1 apresenta o fluxo da arquitetura do modelo, que inicia com a entrada de uma face extraída pelo MTCNN. Essa face é processada por um modelo base pré-treinado para extrair padrões relevantes. Em seguida, as representações são agregadas pelo Global Average Pooling (GAP), que reduz a dimensionalidade. Uma camada de dropout (taxa de 0,3) é aplicada para reduzir o overfitting, seguida por uma camada linear que gera um valor numérico, convertido em probabilidade pela função de ativação sigmoid, indicando a probabilidade de a face ser classificada como deepfake. O ViT-B/16 difere ao usar mecanismos de self-attention sobre patches da imagem e um token de classificação [CLS] como representação agregada.

O treinamento foi realizado com validação cruzada de cinco partições, estratificadas em nível de vídeo, com cinco épocas de treinamento por partição. A semente aleatória foi fixada em 42 para garantir a reprodutibilidade dos experimentos. O otimizador AdamW foi utilizado, com taxa de aprendizado inicial de 2×10-4, weight decay de 1×10-4, scheduler OneCycleLR, função de perda BCEWithLogitsLoss e grad clip de 1,0. O treinamento foi conduzido em precisão mista bfloat16, e os tamanhos de lote foram ajustados conforme a arquitetura para otimizar o uso de memória e resolução de entrada.

Avaliação

A quinta etapa foi dedicada à definição das métricas de avaliação e à validação dos resultados. O desempenho dos modelos foi analisado com base nas métricas de acurácia, precisão, recall, F1-Score e AUC-ROC, conforme proposto por Fawcett (2006). A escolha dessas métricas considerou o desbalanceamento entre as classes, um fator relevante na detecção de deepfakes. A Tabela 6 apresenta as métricas utilizadas e suas descrições.

Tabela 6. Métricas de avaliação utilizadas

Método	Base	Faces disponíveis no treino (80%)	Usadas/”fold”
Deepfakes	FFPP	8.412	2.000
Face2Face	FFPP	8.394	2.000
FaceShifter	FFPP	8.265	2.000
FaceSwap	FFPP	7.210	2.000
NeuralTextures	FFPP	7.013	2.000
DeepFakeDetection	DFD	36.428	2.000
Total “fakes/fold”	–	75.722	12.000
Total reais/”fold”	–	13.354	13.354

Fonte: Dados originais da pesquisa adaptado de Fawcett (2006)

A Tabela 6 detalha as métricas empregadas para avaliar o desempenho dos modelos, fornecendo uma compreensão clara de como cada aspecto da detecção foi mensurado. A acurácia mede a proporção de classificações corretas, a precisão indica a proporção de falsos positivos, e o recall avalia a capacidade de identificar corretamente as amostras falsas. O F1-Score é a média harmônica entre precisão e recall, e a AUC-ROC mede a capacidade do modelo em distinguir entre as classes. O limiar de decisão (τ*) foi definido com base no melhor valor de F1 durante a validação. Adicionalmente, foram analisadas as matrizes de confusão e calculada a AUC em nível de vídeo, agregando os scores dos frames por meio da mediana.

Implantação

A sexta e última etapa do CRISP-DM consistiu na organização e disponibilização dos resultados em formato utilizável. Os modelos treinados, os pesos correspondentes aos “folds”, os limiares operacionais τ* e os arquivos de métricas em formato CSV foram armazenados na nuvem do Google Drive. Os valores de τ*, definidos durante a validação cruzada, foram utilizados diretamente na avaliação dos conjuntos de “hold-out” e CDFv2, sem ajustes adicionais.

3. Resultados e Discussão

A avaliação do desempenho dos modelos de detecção de “deepfakes” foi estruturada em três cenários distintos, considerando o contexto de desbalanceamento entre as classes e os impactos diferenciados dos tipos de erro. Essa abordagem permitiu uma análise abrangente da capacidade dos modelos em aprender a distinguir faces reais de manipuladas, generalizar para dados não vistos do mesmo domínio e, finalmente, para domínios completamente novos, simulando condições de aplicação prática mais desafiadoras.

O primeiro cenário focou na capacidade dos modelos de aprender a discriminar entre faces reais e manipuladas dentro dos domínios de treinamento (FaceForensics++ e Deep Fake Detection). O segundo cenário avaliou a generalização para vídeos dos mesmos conjuntos de dados, mas que não foram utilizados no treinamento. Por fim, o terceiro cenário, com o conjunto Celeb-DF v2, testou a generalização para um domínio distinto, verificando a eficácia na detecção de “deepfakes” gerados por métodos diferentes dos empregados no treinamento.

Cenário 1 – Validação cruzada “k-fold”

A validação cruzada “k-fold” revelou as métricas médias dos cinco “folds”, calculadas na época de melhor AUC-ROC para cada um. Os resultados, apresentados na Tabela 7, indicam que o EfficientNet-B3 demonstrou o melhor desempenho médio, com um AUC de 0,9386 e um baixo desvio padrão de ±0,0060, o que sugere alta consistência no processo de aprendizado. O modelo Xception obteve um desempenho comparável, com AUC de 0,9254 e desvio padrão de ±0,0071, além de um “F1-score” de 0,9469 e “recall” de 0,9705.Tabela 7. Métricas médias da validação “k-fold”

Transformação	Probabilidade	Justificativa
Recompressão “JPEG”	70%	Simula imagens sendo reenviadas ou comprimidas
“Blur” gaussiano	40%	Simula perda de nitidez
Ruído gaussiano	30%	Simula qualidade baixa de câmera
“Flip” horizontal	50%	Simula imagens espelhadas
Brilho/contraste	40%	Simula mudanças de iluminação
“Random crop”	30%	Simula enquadramento diferente da face

Fonte: Resultados originais da pesquisa

Ambos os modelos convolucionais, EfficientNet-B3 e Xception, exibiram uma elevada capacidade de discriminação entre faces reais e falsas. O “recall” superior a 97% para ambos os modelos é um indicativo de que mais de 97 em cada 100 faces manipuladas foram corretamente identificadas. Este achado sublinha a robustez dessas arquiteturas para a tarefa de detecção de “deepfakes” em um ambiente de dados conhecido e validado internamente.

Em contraste, o modelo ViT-B/16 apresentou resultados inferiores e maior instabilidade, com um AUC-ROC de 0,6963 e um desvio padrão elevado de ±0,1115, o que evidencia uma variação significativa entre as partições de treinamento. Embora o ViT-B/16 tenha alcançado um “recall” elevado de 0,9938, indicando alta sensibilidade na detecção de “fakes”, sua precisão foi menor (0,8576) e a acurácia de 0,8544, sugerindo uma maior incidência de falsos positivos.

A Tabela 8 detalha o comportamento do ViT-B/16 por partição e época, revelando que a AUC apresentou crescimento contínuo ao longo das épocas em todas as partições. Esse padrão sugere que o modelo ainda estava em processo de convergência quando o treinamento foi finalizado, indicando que as cinco épocas de treinamento adotadas podem não ter sido suficientes para a completa otimização do ViT-B/16 nas condições estabelecidas neste estudo.Tabela 8. Evolução da AUC-ROC do ViT-B/16 por partição e época

Métrica	Descrição
Acurácia	Proporção de classificações corretas em relação ao total de amostras.
Precisão	Entre as amostras classificadas como falsas, indica quantas são realmente falsas.
“Recall”	Entre todas as amostras falsas, indica quantas foram corretamente identificadas.
“F1-Score”	Média harmônica entre precisão e “recall”.
AUC-ROC	Área sob a curva ROC, utilizada para medir a capacidade do modelo em distinguir entre as classes.
Limiar de decisão [τ*]	Se a probabilidade prevista for maior ou igual a t, a amostra é classificada como falsa. O valor de t é definido com base no melhor F1 durante a validação.

Fonte: Resultados originais da pesquisa

Este comportamento do ViT-B/16 sugere que arquiteturas baseadas em “transformers” podem demandar um maior número de épocas de treinamento e ajustes mais refinados de “fine-tuning” para alcançar a convergência adequada. Em contrapartida, as redes convolucionais (CNNs), como EfficientNet-B3 e Xception, demonstraram uma adaptação mais rápida à tarefa de detecção de “deepfakes”, apresentando AUC estável acima de 0,90 desde a primeira época, o que é consistente com a literatura (Dosovitskiy et al., 2021).

Cenário 2 – Avaliação no “hold-out”

Após a validação em “k-fold”, os modelos foram avaliados em um conjunto “hold-out” previamente separado, composto por 22.073 faces extraídas de 1.888 vídeos dos conjuntos FFPP e DFD. Este conjunto foi mantido isolado de qualquer etapa de treinamento ou validação, permitindo que os resultados obtidos refletissem a capacidade de generalização dos modelos em dados nunca vistos. A Tabela 9 apresenta os resultados detalhados dessa avaliação.Tabela 9. Resultados no “hold-out”

Modelo	AUC-ROC	F1	Acurácia	Precisão	“Recall”	τ*
EfficientNet-B3	0,9386 ± 0,0060	0,9507 ± 0,0016	0,9143 ± 0,0030	0,9301 ± 0,0044	0,9722 ± 0,0047	0,052
Xception	0,9254 ± 0,0071	0,9469 ± 0,0019	0,9076 ± 0,0034	0,9245 ± 0,0051	0,9705 ± 0,0046	0,038
VIT-B/16	0,6963 ± 0,1115	0,9206 ± 0,0016	0,8544 ± 0,0032	0,8576 ± 0,0049	0,9938 ± 0,0045	0,048

Fonte: Resultados originais da pesquisa

Na avaliação do “hold-out”, o EfficientNet-B3 manteve o melhor desempenho geral, alcançando um AUC de 0,9531, com precisão de 0,9138 e “recall” de 0,9914. Este resultado demonstra uma alta capacidade de discriminação e um baixo número de erros, especialmente em relação aos falsos negativos (161), indicando que apenas uma pequena parcela dos “deepfakes” não foi identificada entre as 22.073 faces avaliadas. O Xception apresentou um desempenho próximo, com AUC de 0,9319 e precisão de 0,9026, ligeiramente inferior ao EfficientNet-B3, mas com um número menor de falsos negativos (154), embora tenha apresentado um maior número de falsos positivos (1.999).

O ViT-B/16, por sua vez, manteve o padrão de desempenho inferior observado na etapa de validação, com um AUC de 0,7238. Apesar de um “recall” de 1,0000, o modelo identificou corretamente todas as faces falsas, mas classificou também todas as faces reais como “fake”. Isso resultou na ausência de falsos negativos e verdadeiros negativos, indicando que o modelo não conseguiu distinguir adequadamente as classes, classificando a maioria das amostras como falsas, o que compromete sua utilidade prática.

Cenário 3 – Generalização com CDFv2

A avaliação no conjunto Celeb-DF v2 (CDFv2) representou o cenário mais desafiador, pois envolveu dados de um domínio distinto daqueles utilizados no treinamento. Diferentemente do cenário “hold-out”, o CDFv2 apresenta um “domain shift”, ou seja, os dados de teste possuem distribuições e artefatos de manipulação diferentes dos utilizados no treinamento, o que dificulta a generalização dos modelos. Essa diferença entre domínios impacta diretamente o desempenho, uma vez que os modelos tendem a aprender padrões específicos dos métodos de manipulação presentes nos dados de treino (Li et al., 2020).

Quando expostos a novos tipos de “deepfakes” com características distintas do treinamento, os padrões aprendidos podem não ser suficientes para uma detecção eficaz. Esse fenômeno é conhecido como “cross-dataset generalization gap” (Li et al., 2020) e evidencia a dependência dos modelos ao domínio de origem, resultando em uma acentuada redução de desempenho em avaliações externas. A Tabela 10 apresenta os resultados obtidos no CDFv2, um conjunto de dados externo que não foi utilizado em nenhuma etapa do treinamento ou validação.Tabela 10. Generalização com CDFv2

Partição	Época 1	Época 2	Época 3	Época 4	Época 5	Melhor AUC
1	0,4949	0,4464	0,4359	0,4856	0,4996	0,4996
2	0,5254	0,5952	0,6642	0,7073	0,7335	0,7335
3	0,5583	0,5916	0,6898	0,7504	0,7701	0,7701
4	0,5369	0,6375	0,7174	0,7437	0,7552	0,7552
5	0,5186	0,5698	0,6594	0,7121	0,7230	0,7230

Fonte: Resultados originais da pesquisa

A análise geral dos resultados de generalização no CDFv2, apresentados na Tabela 10, mostra que os modelos baseados em redes convolucionais (EfficientNet-B3 e Xception) mantiveram um desempenho superior e mais estável em comparação ao modelo ViT-B/16. Essa consistência reflete o padrão de desempenho observado nos cenários anteriores, reforçando a robustez das CNNs para a detecção de “deepfakes” mesmo em domínios não vistos durante o treinamento.

O EfficientNet-B3 obteve os melhores resultados globais, com AUC de 0,8683 em nível de “frame” e 0,9119 em nível de vídeo, além de um “F1-score” de 0,9362 e acurácia de 0,8835. O Xception apresentou desempenho ligeiramente inferior, destacando-se pela menor quantidade de falsos negativos (198 contra 272). Esses resultados indicam que ambos os modelos CNN são mais consistentes na detecção das classes, mesmo em um domínio distinto daquele utilizado no treinamento.

Por outro lado, o ViT-B/16 apresentou desempenho inferior em praticamente todas as métricas avaliadas, com AUC de vídeo reduzida de 0,8786 e acurácia de 0,8603. A métrica “Gap HO”, que quantifica a variação de desempenho entre o “hold-out” e o CDFv2, revelou valores positivos para EfficientNet-B3 (+0,085) e Xception (+0,067), indicando uma queda de desempenho esperada devido à mudança de domínio. Em contraste, o ViT-B/16 apresentou um “gap” negativo (-0,121), sugerindo uma melhora artificial na AUC do CDFv2 devido à alta proporção de faces falsas (86,4%) na base, o que favorece modelos com viés para a classe positiva, levando o modelo a classificar quase todas as amostras como falsas.

Em síntese, os resultados obtidos neste estudo demonstram que as arquiteturas baseadas em redes convolucionais, EfficientNet-B3 e Xception, apresentaram desempenho superior e mais estável na detecção de “deepfakes” em todos os cenários avaliados, incluindo a generalização para domínios não vistos. Embora o ViT-B/16 tenha mostrado potencial, sua falta de convergência adequada nas condições de treinamento adotadas limitou sua eficácia, sugerindo a necessidade de estratégias de “fine-tuning” mais específicas para modelos baseados em “transformers”.

4. Conclusão

Este trabalho investigou e comparou a eficácia de três arquiteturas de aprendizado profundo – EfficientNet-B3, Xception e ViT-B/16 – na detecção automática de deepfakes em vídeos. Verificou-se que as arquiteturas baseadas em redes convolucionais, EfficientNet-B3 e Xception, apresentaram desempenho superior e mais estável em todos os cenários avaliados. O EfficientNet-B3 obteve o melhor desempenho geral, com uma Área sob a Curva ROC (AUC) de 0,9531 no conjunto hold-out e 0,9119 por vídeo na base Celeb-DF v2. O modelo Xception demonstrou resultados equivalentes, com AUC de 0,9319 e 0,9097, respectivamente, destacando-se pela menor quantidade de falsos negativos em alguns cenários. Em contraste, o modelo ViT-B/16 não convergiu adequadamente nas condições de treinamento adotadas, exibindo instabilidade e desempenho inferior, o que sugeriu a necessidade de um maior número de épocas e ajustes mais refinados para modelos baseados em transformers.

A principal contribuição deste estudo reside na demonstração da elevada capacidade das redes convolucionais para a detecção de deepfakes, mesmo em domínios não vistos durante o treinamento, o que é crucial para o combate à desinformação em ambientes digitais. Contudo, observou-se que, embora EfficientNet-B3 e Xception tenham sido robustos, apresentaram limitações na generalização para domínios completamente distintos, como evidenciado no Celeb-DF v2, um fenômeno conhecido como “cross-dataset generalization gap”. A não convergência do ViT-B/16, por sua vez, aponta para a demanda por estratégias de treinamento mais específicas para arquiteturas transformer, além do elevado custo computacional envolvido na extração e classificação de aproximadamente 166 mil faces, que se configura como uma limitação prática. Para estudos futuros, sugere-se aumentar o número de épocas de treinamento para modelos transformer, incluir bases de dados mais diversas para aprimorar a generalização entre domínios e expandir a análise para avaliar o desempenho em diferentes níveis de compressão de vídeo, aproximando o estudo das condições reais de uso.

Referências Bibliográficas

Brasil. Tribunal Superior Eleitoral. 2024. Resolução n° 23.732, de 27 de fevereiro de 2024. Altera a Res.-TSE n° 23.610, de 18 de dezembro de 2019, dispondo sobre a propaganda eleitoral. Diário da Justiça Eletrônico do Tribunal Superior Eleitoral, Brasília, 4 mar. 2024. n. 29, p. 133-148.

Brasil. Tribunal Superior Eleitoral. 2026. Resolução nº 23.755, de 2 de março de 2026. Altera a Resolução n° 23.610/TSE, de 18 de dezembro de 2019, que dispõe sobre propaganda eleitoral. Diário da Justiça Eletrônico do Tribunal Superior Eleitoral, Brasília, 4 mar. 2026. n. 30, p. 93-102.

Chollet, F. 2017. Xception: deep learning with depthwise separable convolutions. In: IEEE Conference on Computer Vision and Pattern Recognition, 2017, Honolulu, HI, EUA. Anais… p. 1251-1258.

Dong, S.; Wang, J.; Ji, R.; Liang, J.; Fan, H.; Ge, Z. 2023. Implicit identity leakage: the stumbling block to improving deepfake detection generalization. In: IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2023, Vancouver, BC, Canadá. Anais… p. 3994-4004.

Dosovitskiy, A.; Beyer, L.; Kolesnikov, A.; Weissenborn, D.; Zhai, X.; Unterthiner, T.; Dehghani, M.; Minderer, M.; Heigold, G.; Gelly, S.; Uszkoreit, J.; Houlsby, N. 2021. An image is worth 16×16 words: transformers for image recognition at scale. In: International Conference on Learning Representations, 2021, Virtual Event, Áustria. Anais… Disponível em: . Acesso em: 16 mar. 2025.

Ludermir, T.B. 2021. Inteligência artificial e aprendizado de máquina: estado atual e tendências. Estudos Avançados 35(101): 85-94.

Nguyen, T.T.; Nguyen, Q.V.H.; Nguyen, D.T.; Nguyen, D.T.; Huynh-the, T.; Nahavandi, S.; Nguyen, T.T.; Pham, Q.-V.; Nguyen, C.M. 2022. Deep learning for deepfakes creation and detection: a survey. Computer Vision and Image Understanding 223: 103525.

Rafique, R.; Gantassi, R.; Amin, R.; Frnda, J.; Mustapha, A.; Alshehri, A.H. 2023. Deep fake detection and classification using error-level analysis and deep learning. Scientific Reports 13: 7422.

Rössler, A.; Cozzolino, D.; Verdoliva, L.; Riess, C.; Thies, J.; Niessner, M. 2019. Faceforensics++: learning to detect manipulated facial images. Disponível em: . Acesso em: 16 mar. 2025.

Tan, M.; Le, Q.V. 2019. EfficientNet: rethinking model scaling for convolutional neural networks. In: International Conference on Machine Learning, 2019, Long Beach, CA, EUA. Anais… p. 6105-6114.

Wirth, R.; Hipp, J. 2000. CRISP-DM: towards a standard process model for data mining. In: International Conference on the Practical Applications of Knowledge Discovery and Data Mining, 2000, Manchester, Reino Unido. Anais… p. 29-39.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Data Science e Analytics do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy

Mais recentes

Compliance E Esg

11 de setembro de 2026

Inteligência Artificial na Gestão Contratual: Supervisão Humana, Riscos Jurídicos e Governança Algorítmica

Compliance E Esg

11 de setembro de 2026

Rituais de Verificação sob Pressão: Categorias de Ação ESG Relatadas por Grande Grupo Frigorífico Antes e Após Operação Deflagrada Pela Polícia Federal e Seus Desdobramentos, em Passado Recente

Gestão Escolar

11 de setembro de 2026

Liderança Escolar à Luz da Teoria U: um Diálogo com as Lideranças Transformacional e Servidora.

10 de setembro de 2026

Desempenho de Modelos de Machine Learning na Seleção de Ações da Bolsa de Valores Brasileira

10 de setembro de 2026

Precificação Hedônica de Imóveis na Grande Florianópolis: Uso e Comparação de Modelos de “Machine Learning”

Neurociência E Aprendizagem Na Educação

10 de setembro de 2026

A Produção de Memes como Estratégia de Formação Literária e Multiletramentos no Ensino Fundamental Ii

Gestão Tributária

10 de setembro de 2026

Definição de Insumos para Fins de Aproveitamento de Créditos de Pis e Cofins

Gestão Tributária

10 de setembro de 2026

Fiscalização Delegada do ITR: Desestímulo aos Convênios, Reflexos na Arrecadação e Desinteresse Processual da União

10 de setembro de 2026

Governança de Dados e Risco Financeiro no Setor Florestal: Evidências Empíricas em Perspectiva Brasil-Finlândia

Você também pode gostar

Compliance E Esg

11 de setembro de 2026

Inteligência Artificial na Gestão Contratual: Supervisão Humana, Riscos Jurídicos e Governança Algorítmica

O advento da inteligência artificial como tecnologia disruptiva reconfigurou processos econômicos, institucionais e jurídicos, conferindo centralidade à automação contratual na gestão de relações complexas. A automação contratual revelou-se um fenômeno juridicamente não neutro, com opacidade decisória, geração automatizada de cláusulas abusivas e dificuldades de atribuição de responsabilidade, deslocando a elaboração contratual para o domínio jurídico-normativo. O estudo analisou como a inteligência artificial na automação contratual intensificou a colisão entre eficiência tecnológica e segurança jurídica, e em que medida mecanismos de supervisão humana significativa e de governança algorítmica funcionaram como instrumentos de ponderação normativa para preservar princípios do direito contratual brasileiro. A pesquisa adotou abordagem qualitativa de estudo de casos múltiplos, com análise documental de quatro casos paradigmáticos: Moffatt v. Air Canada, United States v. RealPage, Deloitte/DEWR e INSS/TRF-4ª Região, representando os contextos consumerista, concorrencial, consultivo-contratual e administrativo. A análise identificou cinco padrões estruturais recorrentes – opacidade decisória, substituição da racionalidade normativa por inferências probabilísticas, accountability gap, assimetria informacional e incompreensão semântica – que emergiram de forma sistêmica. O desfecho fragmentado do caso RealPage reforçou a conclusão de que a jurisprudência sobre automação decisória permanece em formação. A governança algorítmica eficaz demonstrou exigir a integração de mecanismos de auditabilidade, responsabilização e supervisão humana, conforme as normas ISO 31000, COSO ERM e ISO 37301, como condição necessária à legitimidade dos sistemas automatizados de gestão contratual.

Palavras-chave: Contratos; Governança algorítmica; Inteligência artificial; Segurança jurídica; Supervisão humana.

Compliance E Esg

11 de setembro de 2026

Relatórios de sustentabilidade são amplamente empregados como instrumentos de gestão da legitimidade corporativa, mas sua função como mecanismo de reorganização cognitiva em contextos de crise reputacional permaneceu subexplorada na literatura. O estudo analisou as transformações nas categorias de ação ESG reportadas pela Empresa JBS em seus relatórios anuais de sustentabilidade de 2015 a 2018, período que compreendeu dois anos anteriores e dois anos posteriores à Operação Carne Fraca e seus desdobramentos. O objetivo foi investigar como a organização alterou sua estrutura cognitiva após a crise reputacional, por meio de um de seus sistemas de reporte. Empregou-se um processo de catalogação sistemática de 1.088 práticas relatadas, classificadas por pilar ESG, tema material e categoria de ação. O referencial teórico mobilizou Mary Douglas (1986), Michael Power (1997), Meyer e Rowan (1977) e Edelman (2016) para interpretar os fenômenos observados. Os resultados evidenciaram um crescimento exigido em governança, que coexistiu com o colapso do pilar social, o desaparecimento de categorias substantivas e a substituição de ações voltadas a prêmios por ações que ressignificaram as relações da organização e seu posicionamento no mercado. Além disso, treinamentos de liderança migraram do tema de cultura para compliance, campanhas de comunicação cederam lugar a canais estruturais permanentes, e investidores tornaram-se a audiência de maior crescimento proporcional. Concluiu-se que a sofisticação do esforço de legitimação residiu não no que a empresa necessariamente fez, mas na consistência com que reorganizou quem ela diz ser e para quem, a partir das categorias de ação que relatou.

Palavras-chave: Crise reputacional; ESG; Pensamento institucional; Relatórios de sustentabilidade; Estratégia organizacional.

Gestão Escolar

11 de setembro de 2026

Liderança Escolar à Luz da Teoria U: um Diálogo com as Lideranças Transformacional e Servidora.

A integração de diferentes modelos de liderança mostrou-se um caminho relevante para instituições de ensino que buscaram inovar e alcançar excelência em suas práticas educacionais. Contudo, foram escassas as pesquisas empíricas que investigaram a aplicação da Teoria U na gestão escolar associada às abordagens Transformacional e Servidora, o que configurou uma lacuna na literatura. Este estudo buscou compreender como gestores educacionais perceberam e aplicaram princípios da Teoria U — escuta generativa, presencing e cocriação — em diálogo com as abordagens teóricas da Liderança Transformacional e da Liderança Servidora em suas práticas de gestão. A pesquisa, de natureza qualitativa e exploratória, foi realizada em uma instituição de ensino privada, localizada na cidade de São Paulo, que abrangeu desde a Educação Básica até a Pós-Graduação. Os dados foram coletados por meio de um roteiro de perguntas semiestruturadas, aplicado a sete gestores educacionais, e foram analisados com base na Análise de Conteúdo de Bardin. Os resultados evidenciaram aproximações entre as práticas observadas e os pressupostos teóricos dos modelos estudados, com a escuta destacando-se como a competência que melhor articulou as três abordagens no contexto investigado. Também foram identificadas algumas tensões entre os referenciais teóricos e o cotidiano da gestão. O estudo contribuiu para uma reflexão crítica sobre as possibilidades e os limites da integração desses diferentes modelos de liderança em ambientes escolares, ampliando o debate e oferecendo subsídios relevantes para o fortalecimento do campo da gestão educacional.

Palavras-chave: Análise de Conteúdo; Escuta Generativa; Estudo de Caso; Gestão Escolar; Liderança.

10 de setembro de 2026

Desempenho de Modelos de Machine Learning na Seleção de Ações da Bolsa de Valores Brasileira

O mercado acionário brasileiro, caracterizado por elevada volatilidade e restrições de liquidez, impõe desafios à aplicação de modelos de aprendizado de máquina na previsão de retornos e na construção de estratégias de investimento. O estudo comparou o desempenho preditivo e econômico de modelos de aprendizado de máquina e métodos estatísticos tradicionais na estimação de retornos futuros e na formação de carteiras baseadas em ranking de ativos. Utilizaram-se dados históricos de ações da B3, com variáveis técnicas e financeiras derivadas de preços e volume. Avaliaram-se modelos lineares (Regressão Linear, Ridge, LASSO, Elastic Net), de ensemble (Random Forest, XGBoost, LightGBM) e uma rede neural (Multilayer Perceptron). A avaliação preditiva ocorreu por métricas de erro em conjunto de teste, e a econômica por backtest de estratégias long-only, com custos operacionais baseados no turnover para análise de retornos brutos e líquidos. Os resultados revelaram baixa capacidade preditiva em todos os modelos, com R² negativos e erros elevados. Embora diferenças marginais nas previsões tenham gerado variações no desempenho econômico, estas foram de baixa magnitude e instáveis. O modelo LightGBM obteve o melhor desempenho econômico, mas com ganhos limitados em relação ao benchmark após a inclusão de custos operacionais. Não se observou evidência consistente de geração de retorno ajustado ao risco superior.

Palavras-chave: aprendizado de máquina; backtest; mercado acionário; previsão de retornos; seleção de ativos.

10 de setembro de 2026

Precificação Hedônica de Imóveis na Grande Florianópolis: Uso e Comparação de Modelos de “Machine Learning”

O mercado imobiliário da Grande Florianópolis tem experimentado valorização acelerada, impulsionada pelo crescimento populacional e pela demanda turística e de investimento. Este estudo analisou os determinantes do valor de imóveis residenciais e comparou o desempenho preditivo de modelos de aprendizado de máquina, especificamente Random Forest e Gradient Boosting (XGBoost), com uma regressão por Mínimos Quadrados Ordinários (MQO). Os dados foram coletados via web scraping de dois portais imobiliários em março de 2026, abrangendo os municípios de Florianópolis, São José, Palhoça e Biguaçu, resultando em 8.056 observações válidas após limpeza. Avaliou-se o desempenho dos modelos por meio das métricas R², RMSE e MAPE. O XGBoost apresentou o melhor desempenho preditivo geral (R² = 0,742, RMSE = R$ 927.113), enquanto o Random Forest obteve o menor erro relativo (MAPE = 25,69%). Os principais determinantes do preço identificados foram a área construída, a região de localização e o número de banheiros. Uma análise complementar por segmento de mercado revelou que o MQO dependeu dos valores extremos para sustentar seu ajuste, enquanto os modelos ensemble mantiveram desempenho estável. Concluiu-se que os métodos de aprendizado de máquina são mais robustos para precificação hedônica em mercados imobiliários heterogêneos, especialmente na presença de imóveis atípicos.

Palavras-chave: Ensemble; Imobiliário; Regressão; Residencial; Web Scraping.

Neurociência E Aprendizagem Na Educação

10 de setembro de 2026

A Produção de Memes como Estratégia de Formação Literária e Multiletramentos no Ensino Fundamental Ii

A leitura de obras literárias clássicas apresenta desafios no contexto escolar contemporâneo, devido ao distanciamento entre a linguagem dos textos e o repertório dos estudantes. Investigou-se como a utilização de memes contribuiu para a construção de sentidos na leitura da obra Senhora, de José de Alencar, no Ensino Fundamental II. A pesquisa adotou uma abordagem qualitativa, com caráter de pesquisa participante, e foi desenvolvida com duas turmas de 9º ano de uma escola privada em Volta Redonda, Rio de Janeiro. Os dados foram coletados por meio de questionários e das produções dos estudantes, e analisados à luz da análise de conteúdo. Os resultados indicaram que a utilização de memes favoreceu a aproximação dos alunos com o texto literário, reduziu a resistência inicial e ampliou o engajamento com a leitura. Observou-se, também, o avanço progressivo na compreensão da narrativa, evidenciado pela capacidade de interpretar fatos, analisar personagens, identificar relações implícitas e elaborar posicionamentos críticos. As produções revelaram a articulação entre o conteúdo da obra e o repertório sociocultural dos estudantes, indicando a construção de aprendizagens com significado. Concluiu-se que a integração entre literatura e cultura digital potencializou a mediação pedagógica, contribuindo para a formação de leitores mais ativos e interpretativamente autônomos.

Palavras-chave: aprendizagem significativa; cultura digital; leitura literária; multiletramentos; neurociência.

Gestão Tributária

10 de setembro de 2026

Definição de Insumos para Fins de Aproveitamento de Créditos de Pis e Cofins

O estudo analisou a interpretação e a aplicação da definição de insumos para fins de creditamento do Programa de Integração Social (PIS) e da Contribuição para o Financiamento da Seguridade Social (COFINS) no regime não cumulativo, à luz do entendimento firmado pelo Superior Tribunal de Justiça (STJ) no julgamento do Recurso Especial n.º 1.221.170 (Tema 779). Objetivou-se examinar os limites jurídicos da utilização desses créditos, considerando os critérios de essencialidade ou relevância estabelecidos pela jurisprudência do STJ. Realizou-se pesquisa documental e jurisprudencial, com análise de acórdãos representativos do Conselho Administrativo de Recursos Fiscais (CARF) e do STJ, abrangendo períodos anteriores e posteriores ao Tema 779. Complementarmente, conduziu-se pesquisa bibliográfica e estudos de dois casos concretos do CARF, com abordagem qualitativa, para verificar a aplicação prática dos critérios. Constatou-se que o STJ afastou a aplicação automática da definição de insumo do IPI, consolidando os critérios de essencialidade e relevância. Entretanto, a análise dos julgados do CARF evidenciou que, embora houvesse reconhecimento formal do precedente do STJ, sua incidência foi modulada conforme a natureza da atividade empresarial, mostrando-se mais restritiva para empresas de revenda. Os casos concretos ilustraram que creditamentos de fretes foram tratados de forma distinta, dependendo da vinculação do gasto à produção ou à revenda. Concluiu-se que a definição de insumos permanece um ponto sensível do sistema tributário, e a correta utilização dos créditos demanda análise casuística rigorosa, pautada na observância dos precedentes judiciais e dos limites normativos vigentes, para evitar glosas e penalidades.

Palavras-chave: COFINS; Creditamento; Insumos; PIS.

Gestão Tributária

10 de setembro de 2026

Fiscalização Delegada do ITR: Desestímulo aos Convênios, Reflexos na Arrecadação e Desinteresse Processual da União

O Imposto Territorial Rural (ITR), de competência da União, pode ter sua fiscalização e cobrança delegadas aos Municípios e ao Distrito Federal. Este trabalho examinou a adesão municipal a esses convênios e o impacto na arrecadação, analisou se os entraves processuais para os Municípios remeterem demandas aos órgãos federais desestimulavam a celebração de acordos, e avaliou o interesse processual da União em litígios de ITR sob delegação, à luz da Teoria Eclética da Ação, bem como a efetividade da diretriz constitucional de desestímulo a propriedades improdutivas. A pesquisa utilizou um estudo de caso, com base em dados e relatórios oficiais da Receita Federal do Brasil e referencial doutrinário jurídico. Os resultados indicaram baixa adesão municipal aos convênios, com quase 75% dos municípios sem acordo. A arrecadação do ITR, mesmo integralmente repassada, não justificou os investimentos municipais, e a manutenção da atuação processual pela União desestimulou a continuidade dos ajustes. Verificou-se que a União carecia de interesse processual nessas demandas, dada a ínfima representatividade do ITR na arrecadação federal e a ausência de proveito econômico-financeiro, o que impediu o cumprimento efetivo da diretriz constitucional de desestímulo à improdutividade rural. Concluiu-se que são necessárias modificações legislativas para que o ITR alcance seus objetivos de arrecadação e função social.

Palavras-chave: Arrecadação; Eficiência; Fiscalização; ITR; Municípios.

10 de setembro de 2026

Governança de Dados e Risco Financeiro no Setor Florestal: Evidências Empíricas em Perspectiva Brasil-Finlândia

A fragmentação informacional no setor florestal brasileiro constituiu o ponto de partida desta pesquisa, que investigou como a governança de dados impactou a capacidade analítica, o risco financeiro e a competitividade da gestão florestal, por meio de um estudo comparativo entre Brasil e Finlândia. Submeteram-se 332 documentos, incluindo 307 informativos CEPEA/Esalq/USP (2001–2025) e 25 relatórios setoriais (Bracelpa, ABRAF, Ibá, 2003–2025), a um pipeline de extração automatizado baseado em OCR, mineração de texto e expressões regulares, obtendo-se 13.059 registros estruturados. Realizou-se análise de sensibilidade do Valor Presente Líquido (VPL) e análise de sentimento léxica. Apenas 12,1% dos registros de custo continham Custo Operacional Efetivo preenchido, e nenhum apresentou margem líquida calculável. A incerteza nos dados de entrada oscilou o VPL de um projeto florestal em mais de R$ 20.000/ha, evidenciando a distorção da decisão orientada por dados quando a sofisticação algorítmica não substituiu a qualidade dos dados de origem. A análise de sentimento léxica confirmou a transição dos relatórios setoriais brasileiros de formato estatístico para promocional. Em contraste, o modelo finlandês demonstrou a viabilidade de uma governança integrada, com o inventário florestal consolidado como pilar de inteligência industrial. Os resultados indicaram que o fortalecimento da governança de dados constituiu pré-requisito para a transição do setor para um sistema de planejamento sustentado por evidências.

Palavras-chave: competitividade; fragmentação informacional; inteligência artificial; soberania digital; tomada de decisão.

Inovação

14 de setembro de 2026

Não lemos apenas palavras

Como novos códigos, tecnologias e formas de comunicação ampliam aquilo que precisamos aprender a interpretar Ser alfabetizado costuma ser entendido inicialmente como: reconhecer letras, formar palavras, compreender frases e produzir textos. Durante muito tempo, foi principalmente a partir desse domínio que definimos o que significava saber ler e, consequentemente, participar de diferentes espaços da sociedade. […]

Redes Sociais

14 de setembro de 2026

O efeito da influência no consumo

O que a pesquisa Youpix/Nielsen 2026 mostra sobre o avanço da Creator Economy Em 2025, 80% dos consumidores brasileiros compraram algum produto recomendado por influenciadores. Em 2026, o índice chegou a 81%. A estabilidade em um patamar tão elevado indica que a compra por influência deixou de ser um comportamento restrito a determinados públicos. O […]

Chamada De Artigos

11 de setembro de 2026

Chamada de artigos – Edição Temática Gestão de Pessoas

Submissões abertas de 11/09/2026 a 30/09/2026 Estão abertas as submissões para a Chamada Temática Gestão de Pessoas 2026, da Revista Estratégias & Soluções (E&S). A chamada será organizada em dois fluxos editoriais: Fluxo 1 – Trabalhos finais de destaque do MBA USP/EsalqDestinado aos TCCs do curso de Gestão de Pessoas do MBA USP/Esalq que obtiveram […]

Direito Tributário

09 de setembro de 2026

Entre Sísifo e o tonel das Danaides

A cesta básica, o salário-mínimo e o verdadeiro preço das coisas Na mitologia grega, alguns castigos não se distinguiam pela violência de um único sofrimento, mas pela condenação à repetição. Sísifo deveria conduzir uma enorme pedra até o alto de uma montanha e, quando o esforço parecia finalmente concluído, a pedra escapava e retornava ao […]

Inteligência Artificial

03 de setembro de 2026

O desafio atual da colaboração

Na medida em que o processo criativo começa com a IA, organizações precisam repensar como preservar a construção coletiva das ideias Em pouco mais de três anos, ferramentas de inteligência artificial generativa passaram a ocupar grande parte do trabalho nas organizações, seja para escrever, programar, pesquisar, planejar, analisar ou projetar. A presença já é tão […]

Inteligência Artificial

02 de setembro de 2026

O preço de usar IA sem treinamento

Adoção da tecnologia já alcança 88% das organizações mundiais, enquanto o número de profissionais punidos por usá-la sem preparo dobrou em sete meses No primeiro semestre de 2026, ministrei aulas de inteligência artificial com foco em planilhas, dashboards e apresentações, em Barcelona, na Espanha. Entre meus alunos havia advogados e juízes do Il·lustre Col·legi de […]

Sustentabilidade

28 de agosto de 2026

Como a sustentabilidade está redesenhando os data centers

Economia digital encontra limites físicos e tenta reduzir seu impacto ambiental O crescimento acelerado da infraestrutura digital transforma consumo de energia, disponibilidade hídrica, refrigeração, materiais construtivos e localização em variáveis centrais para o projeto da próxima geração de data centers. Durante boa parte da transformação digital, consolidou-se a percepção de que a computação estava progressivamente […]

Branding

27 de agosto de 2026

O branding que venceu a Copa de 2026

Entre identidade visual, uniformes, tipografia e disputa bilionária por audiência, marketing esportivo nunca esteve tão em evidência A Copa do Mundo de 2026 terminou com a Espanha erguendo a taça pela segunda vez, ao vencer a Argentina por 1 a 0 na prorrogação. O Brasil encerrou a competição na 11ª colocação, eliminado ainda nas oitavas […]

Governança

24 de agosto de 2026

Governança corporativa: entre o controle e a responsabilidade

O que as crises corporativas e os erros cometidos nos casos Enron, FTX e Americanas podem ensinar Uma empresa pode ter conselho de administração, auditoria independente, comitê de auditoria, código de conduta, políticas de compliance e dezenas de mecanismos de controle e, ainda assim, caminhar para o colapso. A pergunta incômoda é: se todos esses […]

Gestão Tributária

01 de setembro de 2026

Reforma tributária e planejamento patrimonial no campo

Eficiência para gerenciar os impostos facilita a governança e permite organizar a sucessão familiar A organização patrimonial rural virou uma medida estratégica diante da reforma tributária no Brasil, que entrou em vigor neste ano. O planejamento das atividades e da gestão do patrimônio rural, por meio de ferramentas como a transição da Pessoa Física para […]

Renata de Gaspari Valdejão Almeida

Inteligência Artificial

05 de agosto de 2026

Dentro da empresa e fora do radar: os riscos da Shadow AI

Segundo a Microsoft, 75% dos profissionais já utilizam inteligência artificial no trabalho sem homologação da empresa O uso da inteligência artificial generativa já faz parte da rotina corporativa. Ferramentas como ChatGPT, Copilot e outras plataformas ajudam profissionais a produzir textos, analisar dados, criar apresentações e acelerar tarefas em praticamente todos os setores. Mas esse avanço […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julho de 2026

O futuro como competência

Interesse acadêmico reforça a projeção de cenários como ferramenta essencial para a tomada de decisões Enquanto algumas empresas ainda tentam acertar o próximo passo, outras já trabalham com múltiplos futuros possíveis — e se preparam para todos eles. Mas afinal, o que significa “pensar o futuro”? É tendência, é estratégia ou uma nova competência que […]

Renata de Gaspari Valdejão Almeida

Inovação

Tecnologia

21 de maio de 2026

Corredor Agro SP: inovação, articulação institucional e futuro

Pecege comanda operação executiva das atividades do ecossistema de 400 km que ficou conhecido como Vale do Silício do agro brasileiro Em 2025, além de assumir a gestão do Parque Tecnológico de Piracicaba, o Instituto Pecege também foi designado para comandar a operação executiva das atividades do Corredor de Inovação Agropecuária do Estado, o chamado […]

Educação

27 de abril de 2026

Como transformar um TCC em negócio

Nova gestão do Parque Tecnológico de Piracicaba oferece consultoria a egressos de MBAs O novo diretor de projetos do Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, costuma dizer que uma das maiores recompensas que já teve na vida foi ver seus orientandos do MBA USP/Esalq estruturarem empresas a partir de seus trabalhos de conclusão de […]

Tecnologia

20 de março de 2026

O repertório humano na era da IA

Pensamento crítico e criatividade são insubstituíveis no trabalho do profissional de marketing A Inteligência Artificial (IA) é capaz de feitos incríveis, mas ainda não possui a capacidade de julgamento, empatia, intuição e criatividade estratégica necessárias para fazer o trabalho de um bom profissional de marketing. Nessa área, é importante saber usar a ferramenta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

23 de fevereiro de 2026

ESG como estratégia de crescimento em uma cooperativa do RS

Santa Clara equilibra responsabilidade social e ambiental com inovação Fundada em 1911 por imigrantes italianos em Carlos Barbosa, na serra gaúcha, a Cooperativa Santa Clara é um exemplo de que é possível equilibrar o crescimento econômico com a responsabilidade social e ambiental. De uma pequena empresa de produção de queijos, a organização evoluiu para um […]

Renata de Gaspari Valdejão Almeida

Agronegócio

Inovação

22 de janeiro de 2026

Brasil livre de febre aftosa: o que muda para a carne brasileira?

Com um rebanho de mais de 200 milhões de cabeças de gado, o país é atualmente o líder em exportações O Brasil recebeu recentemente, pela primeira vez, a certificação de país livre de febre aftosa sem vacinação, conferida pela Organização Mundial de Saúde Animal (OMSA). O selo fortalece a posição do país como fornecedor de carne confiável para o […]

Renata de Gaspari Valdejão Almeida

Inovação

09 de dezembro de 2025

Inovação: o novo ciclo do Parque Tecnológico de Piracicaba

Instituto Pecege assume a gestão apostando na criação de novos negócios A partir de 2026, o Instituto Pecege assumirá a gestão do Parque Tecnológico de Piracicaba (PTP). Entre suas responsabilidades estarão a administração, operação, manutenção e expansão do parque, além do fomento de atividades de inovação, empreendedorismo e ciência e tecnologia. A escolha foi feita […]

Renata de Gaspari Valdejão Almeida

06 de julho de 2026

Arquitetura de Grande Porte: Gestão de Mudanças DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação. A arquitetura e o urbanismo configuram-se como bases imprescindíveis em um espaço urbano cada vez mais complexo e desafiador, onde a intrínseca conexão entre questões sociais, ambientais e tecnológicas […]