Detecção e mitigação de respostas alucinatórias em modelos de linguagem natural

Natural, Detecção e Mitigação de Respostas Alucinatórias em Modelos de Linguagem

doi:10.22167/2675-6528-202602989

Artículo

05 de octubre de 2026

Detecção e mitigação de respostas alucinatórias em modelos de linguagem natural

Detecção e Mitigação de Respostas Alucinatórias em Modelos de Linguagem Natural

Henry Jun Nishimura; Ricardo Janes

DOI: 10.22167/2675-6528-202602989

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

O avanço da utilização de modelos de linguagem natural de grande porte (LLMs) tornou relevante investigar a confiabilidade de suas respostas, dado o fenômeno da alucinação, onde informações incorretas são geradas. O estudo avaliou a ocorrência de alucinações em LLMs e propôs métodos para sua detecção e mitigação. Para isso, selecionou-se um conjunto de perguntas factuais e compararam-se as respostas de modelos como GPT-2, GPT-3.5, GPT-5.4 pro e Claude Opus 4.7 com uma base de conhecimento confiável. As respostas foram classificadas como corretas ou alucinações, e exploraram-se métodos de mitigação como Retrieval-Augmented Generation (RAG) e repetição de prompt. Os resultados mostraram que modelos mais avançados apresentaram menor dependência de RAG em tarefas de conhecimento geral, enquanto a aplicação de RAG com modelos como GPT-2 demonstrou baixo ganho de desempenho. A repetição de prompt melhorou a consistência das respostas em tarefas sem raciocínio complexo. Concluiu-se que as estratégias de mitigação são essenciais para aumentar a confiabilidade dos LLMs, especialmente em aplicações críticas, contribuindo para uma melhor compreensão de suas limitações e para o desenvolvimento de sistemas mais robustos.

Palavras-chave: Alucinação; Inteligência Artificial; LLMs; RAG; Repetição de prompt.

1. Introdução

A Inteligência Artificial (IA) tem se consolidado como uma das tecnologias mais transformadoras das últimas décadas, impactando diversos setores da sociedade, desde a indústria até serviços e atividades do cotidiano. Em especial, os avanços recentes em modelos de linguagem natural de grande porte (Large Language Models, LLMs), como GPT-3.5, LLaMA e Claude, têm ampliado significativamente as capacidades de interação entre humanos e máquinas. Esses modelos são treinados em grandes volumes de dados textuais e são capazes de compreender e gerar linguagem natural com alto grau de fluência, sendo aplicados em tarefas como tradução automática, geração de conteúdo, atendimento automatizado, programação assistida e sistemas de apoio à decisão.

Apesar de seu desempenho impressionante, esses modelos ainda apresentam limitações relevantes, especialmente no que diz respeito à confiabilidade das informações geradas. Um dos principais desafios identificados na literatura é o fenômeno das chamadas “alucinações”, que ocorre quando o modelo produz respostas que, embora linguisticamente plausíveis e bem estruturadas, são factualmente incorretas, inconsistentes com o contexto ou não verificáveis com base em fontes confiáveis. Esse problema decorre, em grande medida, do próprio mecanismo de funcionamento dos LLMs, que são treinados para prever a próxima palavra em uma sequência com base em padrões estatísticos, e não para garantir a veracidade factual do conteúdo gerado. Como consequência, os modelos podem “inventar” informações ou apresentar respostas com alto grau de confiança mesmo quando não possuem conhecimento adequado sobre determinado tema.

As alucinações podem se manifestar de diferentes formas e níveis de complexidade, sendo classificadas em categorias como alucinações factuais, quando há geração de informações objetivamente incorretas; alucinações contextuais, quando a resposta não está alinhada ao contexto da pergunta; e alucinações de inferência, quando o modelo estabelece relações equivocadas entre conceitos (Huang et al., 2023; Ji et al., 2023). A presença de alucinações representa um risco significativo, especialmente em aplicações críticas, como sistemas de suporte à decisão, áreas médicas, jurídicas e financeiras, onde a precisão da informação é fundamental.

Diante desse cenário, cresce o interesse da comunidade científica e da indústria em desenvolver métodos eficazes para detectar e mitigar alucinações em modelos de linguagem. Diversas abordagens têm sido propostas, incluindo técnicas de avaliação automática baseadas na comparação com fontes externas de conhecimento, análise de consistência entre múltiplas respostas geradas pelo modelo e utilização de métricas específicas de factualidade. Entre as estratégias de mitigação, destaca-se a Geração Aumentada de Recuperação (Retrieval-Augmented Generation, RAG), que combina modelos de linguagem com mecanismos de recuperação de informação em bases de dados externas. Essa abordagem permite que o modelo consulte fontes confiáveis durante a geração da resposta, reduzindo a dependência exclusiva do conhecimento interno aprendido durante o treinamento e, consequentemente, diminuindo a probabilidade de alucinações (Gao et al., 2023). No entanto, mesmo com o uso de técnicas como RAG, o problema não é completamente eliminado, o que reforça a necessidade de estudos mais aprofundados sobre o tema.

Além disso, abordagens recentes em engenharia de prompts têm explorado estratégias simples, porém eficazes, para melhorar a qualidade das respostas geradas. Um exemplo é a técnica de repetição de prompt, proposta por Yaniv Leviathan et al. (2025), que consiste em repetir a instrução de entrada duas vezes consecutivas antes da geração da resposta. Estudos indicam que essa abordagem pode melhorar significativamente a acurácia dos modelos em diferentes tarefas, especialmente em cenários que não envolvem raciocínio explícito, sem aumentar o custo computacional ou o tempo de resposta. A repetição permite que os tokens do prompt sejam processados de forma mais consistente pelo modelo, mitigando limitações associadas à arquitetura auto-regressiva e contribuindo para a redução de erros factuais. Em conjunto, essas abordagens representam estratégias complementares: enquanto o RAG atua fornecendo conhecimento externo verificável para fundamentar as respostas, a repetição de prompt atua diretamente na forma como o modelo processa a entrada, melhorando a utilização do contexto disponível.

Nesse contexto, a importância de sistemas de IA confiáveis e transparentes para aplicações críticas justifica a necessidade de aprofundar a compreensão sobre as limitações dos LLMs. O presente trabalho tem como objetivo analisar o comportamento de diferentes modelos de linguagem no que se refere à ocorrência de alucinações, bem como investigar e comparar métodos de detecção e mitigação desse fenômeno. Para isso, serão avaliadas respostas geradas por diferentes modelos em tarefas factuais, utilizando-se bases de conhecimento confiáveis como referência para validação. Além disso, serão exploradas estratégias como variação de prompts, geração múltipla de respostas e uso de técnicas baseadas em recuperação de informação. Espera-se que os resultados obtidos contribuam para uma melhor compreensão das limitações dos LLMs e para o desenvolvimento de soluções que aumentem a confiabilidade desses sistemas em aplicações reais.

2. Material e Métodos

O presente estudo adotou uma abordagem de pesquisa de natureza avaliativa e comparativa, focada na análise do comportamento de modelos de linguagem natural de grande porte (LLMs) em relação à ocorrência de alucinações. A metodologia foi delineada para investigar e comparar a eficácia de diferentes estratégias de detecção e mitigação desse fenômeno, concentrando-se exclusivamente na fase de inferência dos modelos. Não houve intervenção nas etapas de treinamento ou alinhamento dos LLMs, direcionando os esforços para a avaliação das respostas geradas.

Para a realização dos experimentos, selecionou-se um conjunto diversificado de modelos de linguagem, abrangendo diferentes capacidades e arquiteturas. Foram incluídos o GPT-2, acessado via Hugging Face, que serviu como modelo de linha de base devido à sua natureza mais antiga. Modelos mais avançados, como o GPT-4, foram utilizados por meio de sua API, e o GPT-5, quando disponível, foi incorporado para análise comparativa. Adicionalmente, avaliou-se o LLAMA 3, um modelo de código aberto contemporâneo, e o Claude Opus 4.7, acessado via plataforma Cursor, para garantir uma ampla representatividade.

A coleta de dados foi realizada por meio da aplicação de um conjunto de prompts cuidadosamente elaborados em inglês, visando otimizar o desempenho dos modelos, especialmente os mais antigos. As perguntas foram estruturadas para avaliar a ocorrência de diversos tipos de alucinações. Incluíram-se perguntas factuais simples, questões sobre fatos com atualização recente, prompts com premissas incorretas e sobre eventos inexistentes, além de tarefas de contagem e tradução com ambiguidade.

Também foram formuladas perguntas sobre autores e citações fictícias, inferências baseadas em premissas incorretas e entidades mal definidas, permitindo uma análise abrangente das falhas dos modelos. Este conjunto de prompts foi projetado para testar a capacidade dos LLMs de lidar com informações objetivamente incorretas, inconsistências contextuais e falhas de raciocínio, conforme as categorias de alucinações identificadas na literatura.

As respostas geradas pelos LLMs para cada prompt foram coletadas e submetidas a um processo de validação rigoroso. Utilizou-se uma base de conhecimento confiável, como a Wikipedia, como referência para verificar a correção factual das informações. Cada resposta foi então classificada como “correta” ou “alucinação”, com base na sua aderência aos fatos verificáveis. Este procedimento permitiu quantificar a incidência de alucinações em cada modelo e em diferentes categorias de perguntas, estabelecendo uma base para a comparação entre os modelos avaliados.

Para investigar métodos de mitigação, exploraram-se duas estratégias principais: a Geração Aumentada de Recuperação (Retrieval-Augmented Generation, RAG) e a repetição de prompt. A técnica RAG consistiu na integração de mecanismos de recuperação de informação, permitindo que os modelos consultassem bases de dados externas confiáveis durante a geração das respostas. Essa abordagem visou reduzir a dependência do conhecimento interno dos modelos, fundamentando as respostas em evidências externas (Gao et al., 2023).

A repetição de prompt, por sua vez, envolveu a duplicação da instrução de entrada, buscando reforçar a atenção do modelo sobre o contexto fornecido e melhorar a consistência das respostas (Yaniv Leviathan et al., 2025). Esta técnica foi aplicada a todos os modelos, incluindo o GPT-2 e o GPT-3.5, para analisar sua influência na acurácia e consistência das respostas. A avaliação focou em tarefas que não demandavam raciocínio complexo, onde a repetição de prompt demonstrou potencial para reduzir erros factuais.

A aplicação da técnica RAG foi realizada com os modelos selecionados, avaliando-se o impacto da consulta a fontes externas na redução de alucinações. Observou-se que o GPT-2, devido às suas limitações arquiteturais e à ausência de otimizações para tarefas de question answering baseadas em contexto, apresentou baixo ganho de desempenho com RAG, frequentemente ignorando o contexto adicional. Em contraste, modelos mais recentes, como o GPT-3.5, foram avaliados com RAG para verificar sua capacidade de integrar informações externas de forma mais robusta.

A análise dos dados coletados foi pautada em três critérios principais: correção factual, consistência com o prompt e presença de alucinação. A correção factual avaliou a aderência das respostas às informações verificáveis na base de conhecimento. A consistência com o prompt verificou a fidelidade à instrução fornecida, enquanto a presença de alucinação identificou conteúdo inventado ou incorreto. A comparação entre os modelos e os métodos de mitigação permitiu avaliar a frequência de alucinações e a eficácia das técnicas empregadas na redução desses eventos, contribuindo para uma compreensão aprofundada do comportamento dos LLMs.

3. Resultados e Discussão

A análise dos resultados desta pesquisa concentrou-se na fase de inferência dos modelos de linguagem, dada a impossibilidade de acesso aos dados de treinamento ou aos mecanismos de ajuste fino dos LLMs avaliados. As estratégias de mitigação exploradas, portanto, incluíram a engenharia de prompts, com destaque para a repetição de prompt, e a incorporação de conhecimento externo por meio da Geração Aumentada de Recuperação (Retrieval-Augmented Generation, RAG). A repetição de prompt, conforme a literatura (Yaniv Leviathan et al., 2025), visa reforçar a atenção do modelo à instrução, melhorando a consistência e reduzindo erros factuais em tarefas que não demandam raciocínio complexo. Por sua vez, o RAG integra mecanismos de recuperação de informação, permitindo que o modelo consulte fontes externas confiáveis durante a geração da resposta, o que diminui a dependência da memória paramétrica e a incidência de alucinações (Gao et al., 2023).

Para a avaliação, foram selecionados modelos de linguagem com capacidades e arquiteturas distintas, a fim de proporcionar uma comparação abrangente do comportamento em relação às alucinações. O GPT-2, um modelo base mais antigo, foi utilizado como linha de base para demonstrar a evolução dos LLMs. Modelos mais avançados, como GPT-3.5, GPT-5.4 pro e Claude Opus 4.7, foram incluídos para avaliar o desempenho em cenários mais contemporâneos. O LLAMA 3, um modelo de código aberto, também foi considerado para análise comparativa, representando uma alternativa relevante no cenário atual de pesquisa e desenvolvimento em IA. A diversidade dos modelos permitiu observar como diferentes arquiteturas e estágios de treinamento impactam a propensão à alucinação e a eficácia das estratégias de mitigação.

O conjunto de prompts foi cuidadosamente elaborado para testar variados tipos de alucinações, abrangendo desde perguntas factuais simples, como a capital dos Estados Unidos, até cenários mais complexos envolvendo premissas incorretas ou eventos inexistentes. Foram incluídas questões sobre fatos com atualização recente, tarefas de contagem, traduções com ambiguidade, e a geração de entidades ou citações fictícias. Essa abordagem multifacetada permitiu uma avaliação detalhada da capacidade dos modelos em lidar com informações verificáveis, manter a consistência contextual e evitar a invenção de dados, conforme as categorias de alucinação descritas por Huang et al. (2023) e Ji et al. (2023).

A estratégia de avaliação das respostas geradas pelos modelos baseou-se em três critérios principais: correção factual, que verificou a aderência a informações verificáveis; consistência com o prompt, que analisou a fidelidade à instrução fornecida; e a presença de alucinação, identificando conteúdo inventado ou incorreto. Essa metodologia permitiu quantificar e qualificar a ocorrência de alucinações, bem como mensurar a eficácia das técnicas de mitigação aplicadas. A comparação entre os modelos e os métodos propostos forneceu insights sobre as limitações inerentes de cada LLM e o potencial das abordagens de engenharia de prompts e recuperação de informação para aumentar a confiabilidade dos sistemas.

Os resultados iniciais com o GPT-2 revelaram uma alta propensão à alucinação em diversas categorias de perguntas. Por exemplo, em questões factuais simples, o modelo frequentemente fornecia respostas incorretas ou irrelevantes. Em tarefas que envolviam a contagem de caracteres em uma palavra ou a identificação de autores fictícios, o GPT-2 demonstrou falhas significativas no processamento simbólico e na distinção entre fatos e ficção. A análise indicou que o modelo tendia a gerar conteúdo plausível linguisticamente, mas factualmente incorreto, evidenciando as limitações de modelos mais antigos que priorizam a fluência em detrimento da veracidade factual, conforme discutido por McKenna et al. (2023).

A aplicação de Retrieval-Augmented Generation (RAG) em conjunto com o GPT-2 não se mostrou eficaz, sendo inclusive desaconselhada. As limitações estruturais do GPT-2, que é um modelo autoregressivo não projetado para seguir instruções explícitas ou utilizar contexto externo de forma controlada, comprometeram o desempenho. O modelo frequentemente ignorava ou utilizava de forma inconsistente as informações adicionais fornecidas pelo RAG, gerando respostas baseadas em padrões estatísticos internos em vez de evidências externas. A ausência de mecanismos de alinhamento, como o aprendizado por reforço com feedback humano (RLHF), também limitou sua capacidade de seguir restrições e fornecer respostas verificáveis, resultando em baixo ganho de desempenho e pouca confiabilidade (Gao et al., 2023).

Em contraste, o GPT-3.5 demonstrou um desempenho superior ao GPT-2, com maior acurácia em perguntas factuais diretas. Contudo, ainda apresentou alucinações em cenários específicos, como a invenção de causas para um evento inexistente (o “apagão global da internet em 2023”) ou a atribuição de autoria a livros fictícios. O modelo também exibiu dificuldades em lidar com informações atualizadas ou em reconhecer a ausência de conhecimento sobre determinados tópicos, preferindo gerar explicações plausíveis, mas incorretas, em vez de indicar a falta de informação, um comportamento que ressalta a necessidade de aprimoramento na detecção de alucinações contextuais e factuais (Ji et al., 2023).

A aplicação da técnica de RAG com o GPT-3.5 resultou em melhorias notáveis na correção factual das respostas. Em perguntas sobre eventos inexistentes ou autores fictícios, o modelo, ao ser auxiliado por informações externas, passou a indicar a ausência de dados ou a fornecer respostas mais precisas. Por exemplo, para a questão sobre o “apagão global da internet em 2023”, o RAG permitiu que o GPT-3.5 reconhecesse a inexistência do evento, em vez de fabricar uma explicação. Essa melhoria sublinha a capacidade do RAG de fornecer o “grounding” necessário para que os LLMs baseiem suas respostas em fontes verificáveis, mitigando a fabricação factual de informações.

A repetição de prompt, quando aplicada ao GPT-3.5, também contribuiu para aprimorar a consistência das respostas, especialmente em tarefas que não exigiam raciocínio complexo. Embora não eliminasse completamente as alucinações em todos os casos, a duplicação da instrução de entrada pareceu reforçar a atenção do modelo aos tokens do prompt, resultando em respostas mais alinhadas ao contexto e às instruções fornecidas. Essa técnica demonstrou ser uma abordagem simples e eficaz para melhorar a acurácia em cenários onde a clareza da instrução é crucial, sem aumentar significativamente o custo computacional ou a latência, conforme apontado por Yaniv Leviathan et al. (2025).

A combinação de Prompt Repetition e RAG com o GPT-3.5 mostrou um efeito sinérgico, resultando em um desempenho ainda mais robusto. As respostas se tornaram mais precisas e consistentes, com uma redução significativa na incidência de alucinações. Essa abordagem integrada permitiu que o modelo não apenas consultasse fontes externas confiáveis, mas também processasse as instruções de forma mais eficaz, minimizando a perda de contexto e a priorização excessiva de tokens recentes. A melhoria observada reforça a ideia de que estratégias complementares são essenciais para otimizar a confiabilidade dos LLMs em diversas aplicações.

O modelo GPT-5.4 pro demonstrou um nível de acurácia consideravelmente elevado, acertando a maioria das perguntas factuais e complexas sem a necessidade de estratégias de mitigação adicionais para este conjunto de testes. Em questões como a capital dos Estados Unidos, o maior país por população, ou o vencedor da Copa do Mundo de 2014, o modelo forneceu respostas corretas e detalhadas. Sua capacidade de lidar com informações atualizadas e de reconhecer a inexistência de eventos, como o “apagão global da internet em 2023”, evidenciou uma menor dependência de RAG em tarefas de conhecimento geral. No entanto, a técnica de RAG continua sendo fundamental para cenários que exigem fundamentação em fontes específicas ou controle rigoroso da factualidade.

Similarmente, o Claude Opus 4.7 apresentou um desempenho excepcional, respondendo corretamente a todas as questões propostas no conjunto de prompts. O modelo demonstrou um profundo conhecimento interno e uma notável capacidade de distinguir entre fatos e ficção, bem como de reconhecer a ausência de informações. Por exemplo, para perguntas sobre livros fictícios ou citações inexistentes de Albert Einstein, o Claude Opus 4.7 indicou claramente a falta de conhecimento ou a incorreção da premissa. Essa performance sugere que modelos mais avançados, como o Claude Opus 4.7, possuem um nível de confiabilidade intrínseco que reduz a necessidade de técnicas de mitigação adicionais para tarefas de conhecimento geral, embora a aplicação de RAG ainda seja valiosa para garantir a precisão em domínios específicos ou com dados muito recentes.

Em síntese, os resultados da pesquisa evidenciaram uma clara evolução na capacidade dos LLMs de gerar respostas factualmente corretas e consistentes, com modelos mais avançados demonstrando menor propensão à alucinação. Enquanto o GPT-2 revelou limitações significativas e pouca responsividade às estratégias de mitigação, o GPT-3.5 se beneficiou substancialmente da Geração Aumentada de Recuperação (RAG) e da repetição de prompt, que aumentaram a acurácia e a consistência. Modelos de ponta como GPT-5.4 pro e Claude Opus 4.7 exibiram alta confiabilidade em tarefas de conhecimento geral, indicando que, embora o RAG continue sendo uma ferramenta essencial para o “grounding” em fontes específicas, a necessidade de intervenções de mitigação pode variar conforme a sofisticação do modelo e a natureza da tarefa.

4. Conclusão

O presente estudo analisou o comportamento de diferentes modelos de linguagem natural de grande porte (LLMs) quanto à ocorrência de alucinações, investigando e comparando métodos para sua detecção e mitigação. Verificou-se que modelos mais antigos, como o GPT-2, apresentaram alta propensão a gerar informações factualmente incorretas ou inconsistentes, e a aplicação de Retrieval-Augmented Generation (RAG) mostrou-se ineficaz devido às suas limitações estruturais. Em contraste, o GPT-3.5 demonstrou um desempenho superior, embora ainda com incidência de alucinações em cenários específicos. Para este modelo, a Geração Aumentada de Recuperação (RAG) resultou em melhorias notáveis na correção factual, enquanto a repetição de prompt aprimorou a consistência das respostas em tarefas sem raciocínio complexo. A combinação dessas duas estratégias revelou um efeito sinérgico, otimizando a acurácia e a confiabilidade.

Modelos mais avançados, como GPT-5.4 pro e Claude Opus 4.7, exibiram um nível de acurácia consideravelmente elevado, com menor dependência de RAG para tarefas de conhecimento geral, respondendo corretamente à maioria das questões propostas e demonstrando capacidade de reconhecer a ausência de informações. A principal contribuição deste trabalho reside na demonstração da eficácia de estratégias de mitigação, como RAG e repetição de prompt, para aumentar a confiabilidade dos LLMs, especialmente em aplicações críticas. Uma limitação do estudo foi a restrição da análise à fase de inferência, sem acesso aos dados de treinamento ou mecanismos de ajuste fino dos modelos. Sugere-se que estudos futuros investiguem a aplicação dessas estratégias em domínios específicos que demandam fundamentação rigorosa e explorem o aprimoramento da detecção de alucinações em tarefas que envolvem raciocínio complexo.

Referências Bibliográficas

Gao, Y., Xiong, Y., Gao, X., Jia, K., Pan, J., Bi, Y., Dai, Y., Sun, J., Wang, M., & Wang, Η (2023). Retrieval-Augmented Generation for Large Language Models: A Survey. arXiv:2313.10997

Huang, J., et al. (2023). A Survey on Hallucination in Large Language Models. arXiv:2311.05232

Ji, Z., et al. (2023). Survey of Hallucination in Natural Language Generation. ACM Computing Surveys

McKenna, N. et al. (2023). Sources of Hallucination by Large Language Models on Inference Tasks. arXiv

Yaniv Leviathan et al., 2025 [Referência completa não encontrada no documento original]

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

Más recientes

Cumplimiento Y Esg

05 de octubre de 2026

Determinação do Teor de Contaminação por Fluido de Perfuração em Amostras de Óleo

05 de octubre de 2026

Predição da inadimplência de parcelamentos de dívidas tributárias

05 de octubre de 2026

Sistema interativo para geração e comparação de modelos preditivos de concessões mensais de crédito rural

05 de octubre de 2026

Festivais de música como plataforma de engajamento de marcas com consumidores da geração Z

Cumplimiento Y Esg

05 de octubre de 2026

Compliance para mitigar e prevenir furtos em canteiros de obras: Programa de integridade aplicado à construção civil

05 de octubre de 2026

Painel multi-sinal para otimização da priorização de vulnerabilidades em segurança cibernética

Neurociencia Y Aprendizaje En La Educación

05 de octubre de 2026

Meditação: uma ferramenta que colabora com o professor em sala de aula

Gestión Tributaria

05 de octubre de 2026

Efeitos tributários na sucessão patrimonial: estudo comparativo entre pessoa física e jurídica no lucro presumido

05 de octubre de 2026

Viabilidade econômico-financeira para incorporação imobiliária de moradia sênior no litoral norte de São Paulo

También te puede interesar

Cumplimiento Y Esg

05 de octubre de 2026

Determinação do Teor de Contaminação por Fluido de Perfuração em Amostras de Óleo

A indústria de óleo e gás, com sua dependência de combustíveis fósseis, enfrenta desafios na perfuração de poços, onde a contaminação do óleo por fluidos de perfuração é um problema crítico. Métodos matemáticos existentes para descontaminação mostraram-se limitados a baixos níveis de contaminação (

Palavras-chave: Aprendizado Supervisionado; Descontaminação; Exploração; Óleo Contaminado; Produção.

05 de octubre de 2026

Predição da inadimplência de parcelamentos de dívidas tributárias

O parcelamento de débitos tributários constitui um instrumento relevante de recuperação fiscal, permitindo que contribuintes regularizem suas obrigações de forma parcelada, ao mesmo tempo em que expõe a administração tributária ao risco de cancelamento por inadimplência. O objetivo foi desenvolver e avaliar modelos de machine learning para a predição de cancelamento de parcelamentos de ICMS, visando subsidiar estratégias proativas de cobrança. Utilizou-se uma base de dados de parcelamentos históricos da Secretaria da Economia do Estado de Goiás. Foram treinados e comparados os algoritmos Árvore de Decisão, Random Forest e XGBoost, com otimização de hiperparâmetros via GridSearchCV e avaliação por matrizes de confusão e curvas ROC. O XGBoost apresentou desempenho superior, com AUC de 0,869 no modelo que incluiu a variável Quantidade de Parcelas e 0,778 sem ela, evidenciando a centralidade dessa feature. Aplicado à carteira ativa de R$ 2,752 bilhões, o modelo identificou que 92,9% do valor total apresentou risco de cancelamento igual ou superior a 50%, com R$ 1,488 bilhão concentrado em parcelamentos de risco extremo, resultado consistente com o comportamento histórico de cancelamentos nas fases iniciais dos acordos. Os resultados demonstraram que a adoção de modelos preditivos na gestão de parcelamentos tributários possibilita a transição de uma postura reativa para uma abordagem preventiva, com potencial de ampliar substantivamente a recuperação fiscal.

Palavras-chave: Administração tributária; Aprendizado de máquina; Classificação binária; Recuperação fiscal; XGBoost.

05 de octubre de 2026

Sistema interativo para geração e comparação de modelos preditivos de concessões mensais de crédito rural

A capacidade de prever o volume futuro de concessões de crédito rural é essencial para a alocação eficiente de recursos e definição de metas de desembolso. O trabalho teve como objetivo desenvolver uma plataforma interativa web para gerar, analisar e comparar modelos preditivos de séries temporais de concessões de crédito rural, abrangendo o período de março de 2011 a janeiro de 2026. Confrontaram-se técnicas de econometria (ARIMA, SARIMA, SARIMAX) e regressão linear com métodos de machine learning (Random Forest, XGBoost). A metodologia incluiu a coleta de dados mensais de concessões de crédito rural, variáveis macroeconômicas e indicadores de commodities agrícolas, seguida de análise exploratória e desenvolvimento da plataforma em arquitetura cliente-servidor com Python e tecnologias web. A aplicação da plataforma à previsão de crédito rural em três cenários (total, pessoa física e pessoa jurídica), avaliada por validação cruzada temporal, revelou que nenhuma técnica se mostrou universalmente superior. Os modelos de regressão linear com defasagem sazonal apresentaram os resultados mais consistentes ao longo de todos os folds, mantendo desempenho estável mesmo em períodos de mudança de patamar, nos quais os algoritmos de árvore de decisão registraram forte degradação. O cenário de pessoa jurídica apresentou baixa previsibilidade em todos os modelos. Os resultados demonstraram que a plataforma cumpriu seu objetivo, revelando que a complexidade algorítmica não garante superioridade preditiva e que a escolha do modelo deve ser guiada pelas características da série e pelo contexto de aplicação.

Palavras-chave: Agronegócio; Forecasting; Machine learning; Modelagem preditiva; Séries temporais.

05 de octubre de 2026

Festivais de música como plataforma de engajamento de marcas com consumidores da geração Z

Festivais de música consolidaram-se como ecossistemas complexos de experiência, nos quais a convergência entre entretenimento físico e narrativas digitais redefine as estratégias de posicionamento de marca. No cenário pós-pandemia, o setor de eventos apresentou uma retomada expressiva, estabelecendo-se como plataforma estratégica para o engajamento com a Geração Z, público que prioriza a autenticidade e a vivência de experiências compartilhadas em detrimento de formatos de publicidade tradicional. O estudo objetivou analisar de que forma as ativações de marca nesses ambientes impactaram o engajamento dos consumidores nascidos entre 1995 e 2010. A metodologia caracterizou-se por uma pesquisa quantitativa e descritiva, realizada por meio da aplicação de um questionário estruturado que obteve a participação de 163 respondentes. Os resultados demonstraram que as estratégias de marketing de experiência, especialmente as que integraram atributos estéticos e potencial de compartilhamento digital, apresentaram as maiores médias de percepção positiva. Verificou-se que a confiança na marca foi fortalecida após interações físicas bem-sucedidas, revelando uma simbiose entre o ambiente emocional do evento e a jornada digital do jovem. Em contraste, a percepção de autenticidade mediada por influenciadores digitais obteve o menor índice de concordância. Concluiu-se que o engajamento da Geração Z foi potencializado por estratégias híbridas que permitiram ao consumidor assumir o papel de protagonista na construção da narrativa da marca, priorizando a autenticidade da vivência direta.

Palavras-chave: Comportamento do consumidor; Consumo cultural; Estratégias transmídia; Influenciadores digitais; Marketing de experiência.

Cumplimiento Y Esg

05 de octubre de 2026

Compliance para mitigar e prevenir furtos em canteiros de obras: Programa de integridade aplicado à construção civil

Furtos em canteiros de obras representam um desafio significativo para a construção civil, gerando impactos financeiros, operacionais e reputacionais. Nesse contexto, programas de integridade e compliance surgiram como ferramentas de gestão para fortalecer a governança e mitigar riscos. O estudo objetivou propor um programa de conformidade aplicado à construção civil, focado na prevenção e mitigação de furtos em canteiros de obras. Adotou-se uma abordagem qualitativa, com apoio quantitativo, desenvolvida em duas etapas. Primeiramente, realizou-se uma pesquisa de campo entre fevereiro e março de 2026, aplicando um questionário eletrônico a profissionais do setor. Em seguida, elaborou-se um estudo de caso fictício, baseado em experiências profissionais do autor, integrando os resultados da pesquisa a práticas de gestão de riscos e governança. Os resultados evidenciaram a importância da implementação de programas de compliance no setor e indicaram que a combinação de mecanismos de controle, processos estruturados, capacitação de equipes, canais de denúncia, monitoramento contínuo e fortalecimento da cultura ética pode reduzir vulnerabilidades. Concluiu-se que a adoção de práticas de integridade amplia a capacidade preventiva das organizações e aprimora a governança e a gestão de riscos no setor.

Palavras-chave: Compliance; Construção civil; Furtos; Gestão de riscos; Governança corporativa.

05 de octubre de 2026

Painel multi-sinal para otimização da priorização de vulnerabilidades em segurança cibernética

A crescente proliferação de vulnerabilidades cibernéticas tornou inadequada a priorização baseada exclusivamente em métricas estáticas de severidade. Desenvolveu-se e avaliou-se um painel analítico multi-sinal para otimizar a priorização de vulnerabilidades cibernéticas, integrando Common Vulnerability Scoring System (CVSS), Exploit Prediction Scoring System (EPSS), critérios derivados do Stakeholder-Specific Vulnerability Categorization (SSVC) e o catálogo Known Exploited Vulnerabilities (KEV) como variável-alvo supervisionada. Consolidaram-se 137.854 registros de vulnerabilidades do NVD (2022–2025), com 607 KEVs confirmados (0,44%), caracterizando um problema de classificação com classe fortemente desbalanceada. Treinou-se um modelo Random Forest supervisionado com dez variáveis não-circulares e avaliou-se por métricas adequadas ao desbalanceamento. O modelo alcançou AUC-ROC de 0,9869 e AUC-PR de 0,4959, superando o EPSS isolado em ambas as métricas (AUC-ROC=0,9383 e AUC-PR=0,3231). A análise de discrepâncias com a abordagem determinística do SSVC revelou que 83,4% das vulnerabilidades foram sobrepriorizadas. Dos 4.584 CVEs classificados como P0, 4.029 representaram vulnerabilidades de alto risco iminente não confirmadas como exploradas, sinalizadas pelo modelo. Concluiu-se que a abordagem multi-sinal vai além da consulta ao catálogo KEV, identificando vulnerabilidades com alto potencial de exploração futura e orientando a priorização proativa de remediação.

Palavras-chave: Exploit prediction; Gestão de riscos; Gestão de vulnerabilidades; Known Exploited Vulnerabilities (KEV); Random Forest.

Neurociencia Y Aprendizaje En La Educación

05 de octubre de 2026

Meditação: uma ferramenta que colabora com o professor em sala de aula

O estudo objetivou levantar as práticas meditativas, seus benefícios, limitações e possibilidades de aplicação no contexto escolar, com foco científico e em publicações existentes, visando ampliar estratégias de promoção da saúde mental e bem-estar de estudantes e professores. Realizou-se uma pesquisa exploratória e descritiva, de abordagem qualitativa, fundamentada em revisão bibliográfica de artigos científicos, livros e documentos publicados nos últimos dez anos, e em relatos de experiência da pesquisadora. A metodologia incluiu a definição científica de meditação e a análise de estudos sobre meditação e atenção plena em ambientes escolares, incorporando contribuições da neurociência, mas evitando reducionismos biológicos da aprendizagem. Como resultado principal, elaborou-se uma Cartilha de Práticas Meditativas para Professores, concebida como material de apoio pedagógico complementar. Os achados indicaram que a meditação pode contribuir para a redução de sintomas de estresse, ansiedade e depressão, além de favorecer a atenção, autorreflexão, empatia e convivência. Concluiu-se que a cartilha oferece orientações simples e adaptáveis para a sala de aula, sendo uma ferramenta complementar que não substitui intervenções pedagógicas ou políticas públicas. A sustentabilidade dessas práticas requer articulação com o projeto pedagógico, apoio institucional e formação docente, integrando neurociência, pedagogia e experiência prática para uma educação mais atenta às dimensões cognitivas, emocionais, sociais e existenciais dos alunos.

Palavras-chave: Ambiente escolar; Atenção plena; Meditação; Neurociência; Saúde mental.

Gestión Tributaria

05 de octubre de 2026

Efeitos tributários na sucessão patrimonial: estudo comparativo entre pessoa física e jurídica no lucro presumido

A complexidade do sistema tributário brasileiro, caracterizada pela edição de milhões de normas em poucas décadas, exige um entendimento aprofundado para que as empresas alcancem seus objetivos e tomem decisões estratégicas. Neste cenário, o estudo analisou a eficiência do planejamento tributário e sucessório sobre as receitas de locação de imóveis em uma holding, comparando-o à tributação incidente na pessoa física e a outros benefícios não-tributários. A metodologia utilizada envolveu pesquisa bibliográfica e documental para o levantamento de informações e coleta de dados contábeis, complementada por um estudo de caso de natureza exploratória. Verificou-se que o planejamento tributário sucessório, quando implementado de forma estratégica e antecipada, constitui-se como um instrumento indispensável para maximizar a eficiência tributária. O estudo de caso demonstrou uma economia tributária de 14,55 pontos percentuais em comparação com a tributação da pessoa física, além de proporcionar segurança jurídica e a perpetuação do patrimônio familiar.

Palavras-chave: Elisão fiscal; Gestão tributária; Holding familiar; Lucro presumido; Planejamento tributário e sucessório.

05 de octubre de 2026

Viabilidade econômico-financeira para incorporação imobiliária de moradia sênior no litoral norte de São Paulo

O envelhecimento populacional e as mudanças migratórias pós-pandemia intensificaram a demanda por modelos habitacionais que promovem o bem-estar e a inclusão social do público sênior, mitigando o isolamento. O objetivo consistiu em avaliar a viabilidade econômico-financeira da incorporação imobiliária de um empreendimento de habitação sênior no Litoral Norte de São Paulo. A metodologia adotou abordagem quantitativa e exploratória, utilizando o método de estudo de caso estruturado em três etapas: análise socioeconômica regional, pesquisa de mercado com público-alvo qualificado (renda superior a R$ 20 mil) e modelagem financeira de indicadores. Os resultados revelaram demanda reprimida significativa, especialmente em Caraguatatuba, onde 53,3% dos interessados residem no Vale do Paraíba e buscam apartamentos compactos com serviços integrados e lazer. A análise financeira de um modelo com 40 unidades apontou Valor Presente Líquido positivo de R$ 1.750 milhões, Taxa Interna de Retorno de 22,30% ao ano, “payback” simples de 3,90 anos e “payback” descontado de 4,54 anos, o que demonstrou robustez diante da Taxa Mínima de Atratividade de 15%. Concluiu-se que o empreendimento é viável e atrativo para investidores, superando opções conservadoras do mercado financeiro. A estratégia de captação prévia de cotistas e o controle do preço de venda mostraram-se fundamentais para a mitigação de riscos operacionais e garantia da execução da obra.

Palavras-chave: Caraguatatuba; Construção civil; Investimento imobiliário; Mercado imobiliário; Residencial sênior.

Transición Energética

30 de septiembre de 2026

Energías renovables: la ventaja brasileña

Brasil necesita invertir en la capacidad de transformar recursos naturales en innovación, productividad y desarrollo Hablar de energía es hablar de desarrollo. Detrás de la industria, el transporte, los servicios, las ciudades y, cada vez más, la inteligencia artificial, existe una infraestructura energética que sustenta la economía. Comprender la matriz energética de un país es comprender […]

Análisis De Datos

30 de septiembre de 2026

¿Cuando cambian los datos, ha cambiado la realidad?

Análisis de casi 20 millones de vínculos-año docentes entre 2020 y 2025 muestra cómo cambios en la composición de la población y en la producción de los registros pueden alterar la interpretación de series históricas Entre 2020 y 2025, el número de vínculos formales de trabajo docente identificados en la RAIS (Relación Anual de Información Social), del Ministerio de Trabajo, […]

Inteligencia Artificial

28 de septiembre de 2026

Inteligencia artificial y las tendencias

¿Por qué tanta gente se une a los juegos con ChatGPT? Nunca fui una persona de tendencias. Sigo sin serlo. Algunas pasan por mi línea de tiempo, las veo, me parecen interesantes pero no al punto de experimentar. Fue así, inclusive, con algunas ondas recientes de imágenes hechas por inteligencia artificial, como la tendencia de los años 80, aquella que nos […]

Gestión De Proyectos

25 de septiembre de 2026

¿La IA acelera las respuestas; quién asume las decisiones?

La velocidad de la tecnología solo se convierte en una ventaja cuando va acompañada de la capacidad de comprender, verificar y asumir la responsabilidad de los resultados. Imagine un equipo que comienza a producir en una tarde los análisis que antes requerían una semana. El cambio parece justificar la inversión en inteligencia artificial. Pero, antes de contabilizar la ganancia, cabe preguntar quién examinó […]

Innovación

14 de septiembre de 2026

No solo leemos palabras

Como nuevos códigos, tecnologías y formas de comunicación amplían aquello que necesitamos aprender a interpretar. Ser alfabetizado suele entenderse inicialmente como: reconocer letras, formar palabras, comprender frases y producir textos. Durante mucho tiempo, fue principalmente a partir de este dominio que definimos lo que significaba saber leer y, consecuentemente, participar de diferentes espacios de la sociedad. […]

Redes Sociales

14 de septiembre de 2026

El efecto de la influencia en el consumo

Lo que la investigación Youpix/Nielsen 2026 muestra sobre el avance de la Creator Economy En 2025, el 80% de los consumidores brasileños compraron algún producto recomendado por influencers. En 2026, el índice llegó al 81%. La estabilidad en un nivel tan elevado indica que la compra por influencia dejó de ser un comportamiento restringido a determinados públicos. El […]

Llamada De Artículos

11 de septiembre de 2026

Convocatoria de artículos – Edición Temática Gestión de Personas

Submissions open from 11/09/2026 to 30/09/2026 Submissions are open for the Thematic Call People Management 2026, from the magazine Estratégias & Soluções (E&S). The call will be organized into two editorial streams: Stream 1 – Final outstanding works of the MBA USP/Esalq Destined for the TCCs of the People Management course of the MBA USP/Esalq that obtained […]

Derecho Tributario

09 de septiembre de 2026

Entre Sísifo y el tonel de las Danaides

La cesta básica, el salario mínimo y el verdadero precio de las cosas En la mitología griega, algunos castigos no se distinguían por la violencia de un único sufrimiento, sino por la condena a la repetición. Sísifo debía empujar una enorme piedra hasta la cima de una montaña y, cuando el esfuerzo parecía finalmente concluido, la piedra se escapaba y volvía al […]

Inteligencia Artificial

03 de septiembre de 2026

El desafío actual de la colaboración

A medida que el proceso creativo comienza con la IA, las organizaciones necesitan repensar cómo preservar la construcción colectiva de ideas. En poco más de tres años, las herramientas de inteligencia artificial generativa han pasado a ocupar gran parte del trabajo en las organizaciones, ya sea para escribir, programar, investigar, planificar, analizar o diseñar. La presencia ya es tan […]

Gestión Tributaria

01 de septiembre de 2026

Reforma tributaria y planificación patrimonial en el campo

La eficiencia para gestionar los impuestos facilita la gobernanza y permite organizar la sucesión familiar. La organización patrimonial rural se ha convertido en una medida estratégica ante la reforma tributaria en Brasil, que entró en vigor este año. La planificación de las actividades y de la gestión del patrimonio rural, a través de herramientas como la transición de la Persona Física a […]

Renata de Gaspari Valdejão Almeida

Inteligencia Artificial

05 de agosto de 2026

Dentro de la empresa y fuera del radar: los riesgos de la IA Sombra

Según Microsoft, el 75% de los profesionales ya utilizan inteligencia artificial en el trabajo sin la aprobación de la empresa El uso de la inteligencia artificial generativa ya forma parte de la rutina corporativa. Herramientas como ChatGPT, Copilot y otras plataformas ayudan a los profesionales a producir textos, analizar datos, crear presentaciones y acelerar tareas en prácticamente todos los sectores. Pero este avance […]

Renata de Gaspari Valdejão Almeida

Estrategia

02 de julio de 2026

El futuro como competencia

El interés académico refuerza la proyección de escenarios como herramienta esencial para la toma de decisiones. Mientras algunas empresas aún intentan acertar el próximo paso, otras ya trabajan con múltiples futuros posibles — y se preparan para todos ellos. Pero, ¿qué significa “pensar el futuro”? ¿Es tendencia, es estrategia o una nueva competencia que […]

Renata de Gaspari Valdejão Almeida

Innovación

Tecnología

21 de mayo de 2026

Corredor Agro SP: innovación, articulación institucional y futuro

Pecege comanda a 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 […]

Educación

27 de abril de 2026

Cómo transformar un TCC en negocio

Nueva gestión del Parque Tecnológico de Piracicaba ofrece consultoría a egresados de MBAs El nuevo director de proyectos del Parque Tecnológico de Piracicaba (PTP), Alexandre Barreto, suele decir que una de las mayores recompensas que ha tenido en la vida ha sido ver a sus orientandos del MBA USP/Esalq estructurar empresas a partir de sus trabajos de conclusión de […]

Tecnología

20 de marzo de 2026

El repertorio humano en la era de la IA

El pensamiento crítico y la creatividad son insustituibles en el trabajo del profesional de marketing La Inteligencia Artificial (IA) es capaz de hazañas increíbles, pero aún no posee la capacidad de juicio, empatía, intuición y creatividad estratégica necesarias para hacer el trabajo de un buen profesional de marketing. En esta área, es importante saber usar la herramienta para automatizar […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

23 de febrero de 2026

ESG como estrategia de crecimiento en una cooperativa del RS

Santa Clara equilibra responsabilidad social y ambiental con innovación Fundada en 1911 por inmigrantes italianos en Carlos Barbosa, en la sierra gaúcha, la Cooperativa Santa Clara es un ejemplo de que es posible equilibrar el crecimiento económico con la responsabilidad social y ambiental. De una pequeña empresa de producción de quesos, la organización evolucionó a un […]

Renata de Gaspari Valdejão Almeida

Agronegocios

Innovación

22 de enero de 2026

¿Brasil libre de fiebre aftosa: qué cambia para la carne brasileña?

Con un rebaño de más de 200 millones de cabezas de ganado, el país es actualmente el líder en exportaciones Brasil recibió recientemente, por primera vez, la certificación de país libre de fiebre aftosa sin vacunación, otorgada por la Organización Mundial de Sanidad Animal (OMSA). El sello fortalece la posición del país como proveedor de carne confiable para el […]

Renata de Gaspari Valdejão Almeida

Innovación

09 de diciembre de 2025

Innovación: el nuevo ciclo del Parque Tecnológico de Piracicaba

El Instituto Pecege asume la gestión apostando en la creación de nuevos negocios A partir de 2026, el Instituto Pecege asumirá la gestión del Parque Tecnológico de Piracicaba (PTP). Entre sus responsabilidades estarán la administración, operación, mantenimiento y expansión del parque, además del fomento de actividades de innovación, emprendimiento y ciencia y tecnología. La elección fue realizada […]

Renata de Gaspari Valdejão Almeida

06 de julio de 2026

Arquitectura a Gran Escala: Gestión de Cambios DSR-SCRUM

Mônica Alessandra Guerios; Maria do Carmo Assis Todorov Resumen elaborado por la herramienta ResumeAI, una solución de inteligencia artificial desarrollada por el Instituto Pecege orientada a la síntesis y redacción. La arquitectura y el urbanismo se configuran como bases imprescindibles en un espacio urbano cada vez más complejo y desafiante, donde la intrínseca conexión entre cuestiones sociales, ambientales y tecnológicas […]