IA, Emoções e Representatividade: Investigando o Desempenho de Redes Neurais Convolucionais no Reconhecimento Facial por Gênero, Etnia e Idade

doi:10.22167/2675-6528-202602787

Artigo

30 de setembro de 2026

IA, Emoções e Representatividade: Investigando o Desempenho de Redes Neurais Convolucionais no Reconhecimento Facial por Gênero, Etnia e Idade

Ia, Emoções e Representatividade: Investigando o Desempenho de Redes Neurais Convolucionais no Reconhecimento Facial por Gênero, Etnia e Idade

Cíntia Cristina Soares; Diego Pedroso dos Santos

DOI: 10.22167/2675-6528-202602787

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

Modelos de Deep Learning podem apresentar viés algorítmico no reconhecimento de emoções faciais, impactando a representatividade de expressões de diferentes culturas. O estudo avaliou quatro algoritmos de redes neurais convolucionais (CNNs) – SimpleCNN, VGG-16, ResNet-50 e MobileNet-V2 – e propôs estratégias para mitigar esse viés. Realizou-se uma pesquisa experimental quantitativa, utilizando os bancos de dados RAF-DB para treinamento e validação, e FairFace para avaliação do viés. Aplicaram-se métricas de desempenho e de fairness, considerando gênero, etnia e idade, e testaram-se as estratégias de mitigação Class Weights, Undersampling e Hybrid. Os resultados indicaram que o SimpleCNN obteve o melhor desempenho geral. Na análise de viés, observou-se uma super predição da emoção “Sad” e disparidades significativas por gênero, etnia e idade, especialmente em crianças. A estratégia Class Weights mostrou-se a mais eficaz na redução da predição de “Sad” e da disparidade de gênero, embora tenha aumentado a disparidade de idade. Concluiu-se que o trabalho contribuiu para o desenvolvimento de um modelo de reconhecimento de emoções mais equitativo, mas evidenciou limitações técnicas relacionadas ao balanceamento de datasets em visão computacional.

Palavras-chave: Aprendizado profundo; Fairness; Reconhecimento emocional facial; Viés algorítmico.

1. Introdução

Entender as emoções humanas representa um desafio complexo para os modelos de inteligência artificial. Uma mesma pessoa pode expressar diferentes emoções através de padrões faciais variados, como o choro, que pode indicar tanto felicidade quanto tristeza. Essa dualidade sugere que a classificação por uma abordagem de múltiplos rótulos, baseada em probabilidades, pode ser mais eficaz do que a atribuição de uma única classe emocional. Conforme Barsoum et al. (2016), o uso de bancos de imagens com distribuição de rótulos demonstra maior eficiência em comparação com a classificação de uma única emoção por imagem.

A complexidade do reconhecimento emocional é ampliada pela vasta diversidade de grupos sociais, que engloba diferenças de raça, idade, etnia e gênero. Modelos de Deep Learning, embora promissores, podem apresentar viés algorítmico, o que compromete a precisão no reconhecimento de emoções. Isso exige que os modelos não apenas aprendam os padrões faciais, mas também identifiquem a origem desses padrões em diferentes grupos demográficos.

A participação de grupos sociais minoritários no desenvolvimento de modelos de inteligência artificial é limitada, especialmente na criação de conjuntos de dados para treinamento em processamento de linguagem natural e reconhecimento facial (Castaneda et al., 2022). Essa sub-representação pode levar a decisões de alto risco por parte dessas tecnologias, exacerbando impactos sociais negativos e perpetuando desigualdades.

Diante desse cenário, a criação de bancos de imagens mais equilibrados e com maior equidade é fundamental para reduzir o viés algorítmico e desenvolver tecnologias mais justas (Akter et al., 2021; Barsotti e Koçer, 2024). O reconhecimento e a interpretação das emoções são desafiados pela diversidade cultural e subjetividade emocional, e mesmo soluções avançadas ainda apresentam limitações (Wang et al., 2023). A ausência de diversidade em conjuntos de dados é uma causa de erros sistemáticos, afetando desproporcionalmente minorias raciais e mulheres, o que torna a transparência e a representatividade nesses sistemas indispensáveis (Kim et al., 2024).

Aprofundar a compreensão da influência do viés algorítmico na precisão dos modelos de reconhecimento de emoções e identificar estratégias eficazes para desenvolver sistemas mais inclusivos e justos é, portanto, essencial. O reconhecimento de emoções é relevante em diversas áreas, mas o viés algorítmico pode levar a interpretações errôneas e impactos negativos em decisões automatizadas. A falta de equidade na representação de grupos compromete a confiabilidade dessas tecnologias. Assim, este estudo buscou contribuir para a mitigação do viés, propondo um modelo de inteligência artificial mais justo, representativo e diverso na classificação de expressões faciais de grupos de gênero, etnia e idade, utilizando arquiteturas de Deep Learning para melhorar a equidade e a precisão no reconhecimento de emoções.

2. Material e Métodos

O presente estudo caracterizou-se por uma pesquisa experimental de natureza quantitativa. A manipulação das imagens e a diversidade dos bancos de dados foram empregadas para avaliações numéricas, visando à detecção de viés algorítmico tanto nos modelos quanto nos próprios conjuntos de dados utilizados no reconhecimento de emoções. Para o processamento de imagens, adotaram-se técnicas de “Deep Learning”, com destaque para as Redes Neurais Convolucionais (CNNs), devido à sua eficiência na identificação de padrões visuais e ao desempenho robusto nas etapas de treinamento, validação e teste.

Considerou-se que modelos de reconhecimento emocional podem apresentar confusões sistemáticas entre determinadas classes de emoções, dadas as sutilezas nas expressões faciais. Investigou-se se essas limitações se manifestavam de forma desigual entre grupos demográficos distintos. Para isso, após o treinamento e validação dos modelos, conduziu-se uma análise com as matrizes de confusão, a fim de determinar se o modelo classificava emoções de maneira errônea, reafirmando o viés algorítmico.

Adicionalmente, empregou-se o banco de dados “FairFace” para a etapa de teste neutro dos modelos. O objetivo foi verificar a hipótese principal desta pesquisa: a detecção e quantificação do viés algorítmico em tarefas de reconhecimento de emoções, especialmente entre diferentes grupos étnico-raciais (Kärkkäinen e Joo, 2019).

Para a coleta de dados, utilizou-se a base de dados RAF-DB (Real-world Affective Faces Database), amplamente estudada, para garantir a representatividade no conjunto final e mitigar possíveis vieses algorítmicos (Li & Deng, 2019). O conjunto inicial consistiu em 25.158 imagens de rostos em ambiente não controlado, divididas em sete emoções básicas: “angry”, “disgust”, “fear”, “happy”, “neutral”, “sad” e “surprise”. As imagens foram anotadas por aproximadamente 40 avaliadores independentes, que determinaram a “label” final por votação majoritária.

Uma etapa adicional de processamento foi aplicada para garantir a qualidade dos dados, utilizando um detector facial “Multi-task Cascaded Convolutional Networks” (MTCNN) (Zhang et al., 2016) com um limiar de confiança de 90%. Essa detecção removeu rostos parcialmente cortados, imagens de baixa qualidade, múltiplas faces ou classificações incorretas. Após a filtragem, o banco de imagens final totalizou 15.480 imagens, centralizadas e padronizadas em 224×224 pixels.

A divisão do conjunto de dados foi realizada de forma estratificada por classe, destinando 70% das imagens ao treinamento (10.829 imagens), 10% para validação (1.552 imagens) e 20% para teste (3.099 imagens). Esse processo ocorreu em duas etapas: primeiro, separou-se 20% para teste, e o conjunto remanescente foi dividido em 87,5% para treino e 12,5% para validação, assegurando a proporção final de 70/10/20.

Durante a conversão das imagens em tensores e a aplicação do pré-processamento, o conjunto de treino foi reduzido em 22,9%, totalizando 8.345 imagens, devido à remoção de inconsistências na normalização ou processamento. Os conjuntos de validação (1.152 imagens) e teste (3.099 imagens) permaneceram inalterados, resultando em um banco de dados final de 12.996 imagens no formato de tensores, distribuídas em proporções de 64,2% para treino, 11,9% para validação e 23,8% para teste.

O conjunto “FairFace” (Kärkkäinen & Joo, 2021) foi utilizado exclusivamente durante a etapa de teste neutro dos modelos, com 10.954 imagens. Esse conjunto possui rótulos claros de etnia, idade e gênero, distribuídos entre: (i) Gênero: “Female” (47,1%) e “Male” (52,9%); (ii) Etnia: 7 grupos (“Black”, “East Asian”, “Indian”, “Latino”/”Hispanic”, “Middle Eastern”, “Southeast Asian”, “White”); (iii) Idade: 9 faixas etárias (0-2, 3-9, 10-19, 20-29, 30-39, 40-49, 50-59, 60-69, 70+).

O pré-processamento das imagens consistiu em etapas essenciais para garantir que os dados estivessem preparados para os pipelines de treinamento e avaliação dos modelos de “machine learning”. Inicialmente, o banco de dados foi dividido em treino e teste; posteriormente, o conjunto de treino foi subdividido em treino e validação, com os dados de predição utilizados separadamente para avaliar o viés algorítmico.

Para mitigar o desbalanceamento natural do conjunto de imagens, aplicou-se um balanceamento com estratégia híbrida, baseada em três níveis de quantidade de amostras por classe. Classes super-representadas (> 2.500 imagens) foram submetidas a técnicas de redução para 1.500 imagens, enquanto classes intermediárias (700-2.500 imagens) e sub-representadas (< 700 imagens) foram mantidas integralmente. Essa estratégia preservou 50% dos dados originais.

Em seguida, realizou-se o “data augmentation”, uma técnica de ampliação artificial do conjunto de dados por meio de transformações nas imagens originais, também por classe. O aumento alcançou aproximadamente 2.000 imagens por classe, com variação de fatores entre 1,3 e 4,9 vezes, totalizando 13.944 imagens de treinamento balanceadas. As transformações incluíram rotação aleatória (±15°), inversão horizontal (50% probabilidade), zoom, ajuste de brilho e contraste (±20°), saturação (±20°), “crop” aleatório com “resize” (escala 0,8-1,0) e transformações afins (translação ±10%). Para evitar distorções excessivas, as transformações respeitaram um limite máximo de cinco por imagem original, de forma aleatória e combinada.

As imagens foram padronizadas nas dimensões de 224×224 pixels, seguindo um padrão de entrada para as CNNs modernas. Foram convertidas em tensores com normalização na escala de 0 a 1, ajustando os canais de cor para “Red”, “Green”, “Blue” (RGB). As transformações foram aplicadas usando os módulos “Image” da biblioteca “PIL” e “transforms” da biblioteca “torchvision”. O processo de “data augmentation” foi aplicado exclusivamente sobre os conjuntos de treinamento balanceado, visando reduzir o “overfitting” e melhorar a generalização do modelo.

O presente estudo adotou a linguagem Python com o framework “PyTorch” (Paszke et al., 2019), além de bibliotecas auxiliares como “torchvision”, “PIL”, “NumPy”, Pandas e “Matplotlib” para pré-processamento e visualização dos dados. Para mitigar a limitação de bases de dados com rotulagem de emoções, treinaram-se modelos com “transfer learning” e pesos pré-treinados no “ImageNet” (Wang et al., 2023). A classificação personalizada foi realizada substituindo-se a camada final (“CustomHead”) das arquiteturas, adaptando-a às sete classes do problema.

Utilizaram-se quatro tipos de arquiteturas de CNNs: SimpleCNN (“baseline”), ResNet-50, MobileNet-V2 e VGG-16, todas com pesos pré-treinados no “ImageNet”, exceto a SimpleCNN. A CNN Simples possui duas camadas de convolução ajustadas para três canais (RGB), seguidas por camadas densas, normalização por “batch” (Ioffe & Szegedy, n.d.), funções de ativação “ReLU” e camadas de “pooling”, para avaliar o aprendizado com baixa complexidade (Krizhevsky et al., 2017; Lecun et al., 1998).

A ResNet-50 oferece menor custo computacional e boa capacidade de generalização, baseada no trabalho “Deep Residual Learning for Image Recognition” (He et al., 2016; PyTorch, 2017b). O modelo VGG-16 caracteriza-se por ser profundo, com 16 camadas e filtros convolucionais 3×3, capturando “features” hierárquicas de forma consistente (Simonyan et al., 2014; PyTorch, 2017c). A MobileNet-V3, criada para aplicação em dispositivos móveis ou com recursos limitados, utiliza convoluções separáveis em profundidade, diminuindo a quantidade de parâmetros e operações computacionais (Howard et al., 2019; PyTorch, 2017a).

Para garantir organização, rastreabilidade e reprodutibilidade nos experimentos, definiram-se parâmetros padronizados por meio de arquivos de configuração. As configurações aplicadas a todos os treinamentos incluíram 50 épocas, otimizadores “Stochastic Gradient Descent” (SGD) para CNN Simples e “Adam” para modelos com “transfer learning” (Hospodarskyy et al., 2024), e “CrossEntropyLoss” como função de perda (Bhagat e Bakariya, 2025). Adicionalmente, utilizou-se “Early stopping” com paciência de sete épocas, “Learning Rate” de 0,001 para CNN Simples e 0,001 e 0,0001 para outros modelos, “Batch Size” de 64 e “Momentum” de 0,9.

Conduziram-se experimentos sob diferentes cenários, avaliando o desempenho dos modelos conforme as estratégias de balanceamento, particionamento e aplicação de “data augmentation”. Os experimentos seguiram as abordagens “Holdout” e, logo após, validação “K-Fold”. Primeiramente, as quatro arquiteturas foram treinadas com o conjunto de treinamento balanceado, além de serem validadas com o de validação desbalanceado.

O modelo com melhor desempenho durante a validação foi selecionado e submetido à validação cruzada “K-Fold” (k=5) com o banco de imagens de treinamento completo, para obtenção das estatísticas finais. Os modelos treinados foram salvos e avaliados no conjunto de teste neutro, permitindo a avaliação final de generalização.

Para validar a eficiência dos modelos quanto ao aprendizado e à capacidade de reconhecimento de padrões emocionais, realizaram-se análises de métricas quantitativas e visualizações dos gráficos gerados durante o treinamento e a validação (Mukhlif et al., 2022; Nurunnabi et al., 2022; Plested e Gedeon, 2022). As principais métricas analisadas foram Acurácia (accuracy), F1-Score por classe, Precisão, Recall, Perda (“Loss”) de Treinamento e Validação, Matriz de Confusão (“confusion matrix”) e “Fairness”.

Para o cálculo das métricas, utilizou-se a biblioteca do “Scikit-Learn”, destacando as funções “accuracy_score”, “f1_score”, “confusion_matrix” e “ConfusionMatrixDisplay”. A combinação dessas métricas ofereceu uma visão abrangente do desempenho e fundamentou uma análise crítica da robustez dos modelos. Para identificar padrões de erro recorrentes entre as classes emocionais, foram analisadas as matrizes de confusão, que revelaram que sutilezas nas expressões faciais podem levar a interpretações ambíguas.

Como objetivo principal, investigou-se a presença de viés algorítmico relacionado a marcadores demográficos, em especial, grupos étnico-raciais. Para verificar essa questão, utilizou-se o banco de imagens “FairFace”, como conjunto de teste neutro, por possuir rótulos claros de etnia, idade e gênero. Esse “dataset” foi empregado exclusivamente na fase de predição, garantindo que os modelos não visualizassem as imagens durante o treinamento e validação.

Para quantificar possíveis desigualdades algorítmicas, aplicaram-se duas métricas de “fairness” (Dulani, 2023; Lee, 2023). A primeira, Paridade Demográfica (“Demographic Parity”), investigou se a taxa de predições positivas é similar entre diferentes grupos demográficos, expressa pela equação P(Ŷ = 1 |A = 0) ≈ P(Ŷ = 1|A = 1), onde A representa o atributo sensível (etnia) e Ŷ a predição do modelo.

A segunda métrica, Igualdade de Oportunidades (“Equalized Opportunity”), avaliou se a taxa de verdadeiros positivos é consistente entre grupos, garantindo que indivíduos de diferentes grupos com a mesma condição verdadeira tivessem probabilidades similares de classificação correta, calculada pela equação P(Ŷ = 1 |Y = 1,A = 0) ≈ P(Ŷ = 1|Y = 1, A = 1), em que A representa o atributo sensível, Ŷ a predição do modelo e Y a condição verdadeira. Essas comparações permitiram identificar disparidades no desempenho do modelo.

Após análises preliminares do viés algorítmico, aplicaram-se três estratégias para mitigar o viés dentro do banco de dados. A primeira foi “Class Weights” (Pesos de Classe), que atribuiu pesos diferenciados às classes de acordo com frequência e padrões de erros, utilizando “CrossEntropyLoss” como parâmetro “weight” no “PyTorch”. A segunda estratégia foi “Undersampling”, que limitou o número máximo por classe dentro do conjunto de treino a 2000 amostras, realizando seleção aleatória estratificada.

A terceira estratégia, “Hybrid” (Híbrida), combinou as duas técnicas anteriores para maximizar os benefícios de cada abordagem. As estratégias foram realizadas somente no modelo escolhido que obteve o melhor desempenho, mantendo os hiperparâmetros constantes, e resultando métricas de performance e “fairness” para análise da equidade algorítmica.

Em linha com o tópico “Materiais e Métodos”, foi elaborado um repositório no GitHub, que possui o detalhamento de cada algoritmo criado que possui grande importância para o projeto e complementa o treinamento com os modelos propostos. O repositório ‘tcc_mba’ está disponível em: https://github.com/crisCintia/tcc_mba.git.

3. Resultados e Discussão

A avaliação do desempenho das arquiteturas de redes neurais convolucionais (CNNs) no reconhecimento de emoções faciais revelou diferenças significativas. Quatro modelos foram comparados: SimpleCNN, VGG-16, ResNet-50 e MobileNet-V2, utilizando o conjunto de dados RAF-DB, que continha 4.960 imagens para teste. Os resultados indicaram que o SimpleCNN obteve o melhor desempenho geral, alcançando uma acurácia de 70,7% e um F1-Score Macro de 62,03%. Este modelo superou as demais arquiteturas, que apresentaram acurácias e F1-Scores inferiores, como VGG-16 com 66,5% de acurácia e 56,51% de F1-Score Macro, ResNet-50 com 51,1% de acurácia e 40,83% de F1-Score Macro, e MobileNet-V2 com 50,2% de acurácia e 39,43% de F1-Score Macro.

A superioridade do SimpleCNN, que foi treinado do zero com aproximadamente 500 mil parâmetros otimizáveis, pode ser atribuída à sua capacidade de aprender os padrões específicos do conjunto de dados de forma mais eficaz, resultando em menor “overfitting”. Em contraste, os modelos VGG-16, ResNet-50 e MobileNet-V2, que empregaram técnicas de “transfer learning” com pesos pré-treinados no ImageNet, apresentaram desempenho inferior. Essa diferença é explicada pelo “domain mismatch”, onde as características de baixo nível transferidas não foram suficientes para capturar as sutilezas das expressões faciais, e pelo congelamento de 90% do “backbone”, que limitou o aprendizado de padrões específicos das emoções. Modelos mais profundos, como ResNet-50 (50 camadas) e MobileNet-V2 (53 camadas), podem sofrer de “overfitting” em bancos de dados de tamanho pequeno a moderado como o RAF-DB, conforme apontado por Ahmad et al. (2025) e Ashwini et al. (2023).

A análise do F1-Score por emoção, uma métrica crucial para conjuntos de dados desbalanceados, destacou que a emoção “Disgust” foi a mais difícil de classificar, com um F1 médio de 18,8% entre os modelos. Em contrapartida, a emoção “Happy” mostrou-se a mais fácil de classificar, com um F1 médio de 72,8%. O SimpleCNN demonstrou um comportamento superior, reconhecendo seis das sete emoções com maior precisão e empatando com o VGG-16 apenas na classificação da emoção “Angry”, com F1-Score de 0,572. Essa discrepância no desempenho entre as classes, especialmente entre “Happy” e “Disgust”, é consistente com o desbalanceamento do dataset RAF-DB, onde a classe com maior representação amostral tende a ser mais bem predita.

Aprofundando na análise dos padrões de erros, as matrizes de confusão normalizadas por linha revelaram as classes mais frequentemente confundidas por cada modelo. Para o SimpleCNN, os maiores acertos ocorreram nas emoções “Happy”, com 902 acertos (79,2% de recall), e “Neutral”, com 532 acertos (76,1% de recall). As principais confusões identificadas foram a emoção “Sad” sendo confundida com “Neutral” em 106 casos (22,4%), “Happy” com “Neutral” em 89 casos (7,8%), e “Disgust” com “Neutral” em 38 casos (19,9%). Esses padrões indicam que, apesar das características faciais teoricamente distintas, os modelos apresentaram limitações inerentes na classificação de emoções com sutilezas.

Os modelos VGG-16, ResNet-50 e MobileNet-V2 também exibiram padrões de confusão. O VGG-16, por exemplo, teve 846 acertos para “Happy” (74,3% de recall) e 562 para “Neutral” (80,4% de recall), mas confundiu “Happy” com “Neutral” em 182 casos (16%) e “Sad” com “Neutral” em 125 casos (26,4%). O ResNet-50 e o MobileNet-V2 apresentaram acertos totais menores e confusões mais acentuadas, como “Happy” com “Neutral” em 236 casos (20,7%) para o ResNet-50 e em 282 casos (24,8%) para o MobileNet-V2. Essas confusões universais, presentes em todos os modelos, sugerem que a sobreposição de “features” faciais, como a ausência de sorriso e a baixa intensidade entre “Sad” e “Neutral”, ou sorrisos sutis em “Happy” interpretados como “Neutral”, dificultam a classificação precisa (Abbas & Chalup, 2019; Ashwin & Biswas, 2024).

A dificuldade na classificação da emoção “Disgust” foi multifacetada. Primeiramente, a expressão de “Disgust” é sutil, envolvendo o franzir do nariz e o levantamento do lábio superior. Em segundo lugar, sua representação amostral no dataset RAF-DB era baixa, com aproximadamente 717 exemplos de treino em comparação com 4.772 de “Happy”. Por fim, a similaridade de suas tensões faciais com a emoção “Angry” contribuiu para a confusão. A alta variabilidade do F1-Score para “Disgust” entre os modelos (0,424 para SimpleCNN versus 0,044 para ResNet-50) confirmou a dificuldade em sua classificação generalizada, um achado consistente com a literatura que aborda a complexidade das expressões faciais e as limitações dos bancos de dados (Xu et al., 2020).

Em contraste, a emoção “Happy” foi mais fácil de classificar devido às suas características faciais distintas e pronunciadas, como o sorriso, a curvatura dos lábios e a elevação das bochechas. Isso resultou em F1-Scores consistentemente acima de 0,60 em todos os modelos. O SimpleCNN apresentou um padrão de classificação direcional, onde “Sad” era confundida com “Neutral” e vice-versa, enquanto os modelos baseados em “Transfer Learning” exibiram confusões bidirecionais mais equilibradas, como no ResNet-50, que confundiu “Neutral” com “Sad” em 121 casos e “Sad” com “Neutral” em 118 casos. Esse comportamento sugere que o SimpleCNN, apesar de seu bom desempenho geral, pode ter tido dificuldades em aprender “features” robustas para essas expressões devido a um possível “overfitting” em um dataset de tamanho limitado.

Para validar a robustez do modelo SimpleCNN, realizou-se uma validação cruzada K-Fold com k=5, utilizando o dataset RAF-DB balanceado e aumentado. Os resultados demonstraram uma acurácia média de 69,9% e um F1-Score médio de 60,3%, valores muito próximos aos obtidos no treinamento “Holdout” (70,7% de acurácia e 62,03% de F1-Score). Os baixos desvios padrão observados, de 1,24% para a acurácia e 2,45% para o F1-Score, com coeficientes de variação de 1,7% e 4,1% respectivamente, confirmaram a estabilidade e a robustez do modelo. Isso indicou que o SimpleCNN não era excessivamente dependente de uma amostra específica de treinamento, validando sua escolha para a análise do viés algorítmico no conjunto de dados FairFace.

A análise do viés algorítmico, utilizando o conjunto de dados FairFace, que possui anotações de etnia, idade e gênero, mas não de emoções, permitiu investigar se os padrões de classificação se manifestavam de forma desigual entre diferentes grupos demográficos. Observou-se uma super predição da emoção “Sad”, que representou 40,2% das predições gerais, um valor significativamente superior à predição esperada de 14,3% para uma distribuição aleatória entre sete classes. Em contrapartida, a emoção “Disgust” foi sub-predita, com apenas 1,1% das classificações, evidenciando uma falha do modelo em identificar essa emoção.

Em relação ao viés de gênero, as disparidades foram relativamente baixas, com uma diferença máxima de 4,5% na predição da emoção “Neutral”. Notou-se que as mulheres foram mais frequentemente classificadas como “Sad” (41,5%), enquanto os homens foram mais classificados como “Neutral” (31,5%). A análise do viés étnico revelou disparidades moderadas, com uma diferença máxima de 6,3% entre as emoções “Sad” e “Neutral”. Indivíduos latinos/hispânicos e do Oriente Médio foram mais classificados como “Sad”, com 42,5% e 36,1% respectivamente. Já os indianos (33,9%) e latinos/hispânicos (27,6%) foram mais classificados como “Neutral”. Esses achados sugerem uma sensibilidade do modelo a variações morfológicas faciais, resultando em taxas de erro elevadas para indivíduos com tons de pele mais escuros e não-caucasianos (Kim et al., 2021; Singhal et al., 2025).

O viés etário apresentou as maiores disparidades, sendo particularmente acentuado em crianças com idades entre 3 e 9 anos, que foram classificadas como “Sad” em 46,7% dos casos. Em comparação, idosos acima de 70 anos foram classificados como “Sad” em 37,3% dos casos. Essa tendência indica que o modelo interpretou as expressões faciais de crianças como tristeza na maioria das situações, o que pode ser explicado pela diferença nos padrões faciais infantis em comparação com os adultos, conforme discutido por Y. Huang et al. (2024). A super predição sistemática da emoção “Sad” (40,2%) foi observada em todos os grupos demográficos analisados, reforçando a presença de um viés inerente ao modelo ou ao conjunto de dados de treinamento.

Para mitigar o viés algorítmico, três estratégias foram testadas: “Class Weights”, “Undersampling” e “Hybrid”. A estratégia “Class Weights” demonstrou ser a mais eficaz, promovendo uma redução de 26% na super predição da emoção “Sad”, passando de 40,21% para 29,70%. Além disso, essa técnica reduziu a disparidade de gênero em 51% (de 4,52% para 2,19%) e a disparidade étnica em 10% (de 6,31% para 5,69%). Embora tenha havido um pequeno “trade-off” na performance geral, com uma diminuição de 1,1 pontos percentuais na acurácia e 2,4 pontos percentuais no F1-Score, os ganhos na redução do viés foram significativos. No entanto, a disparidade de idade aumentou em 82% (de 9,4% para 17,1%), indicando a necessidade de abordagens mais específicas para este atributo.

Em contraste, a técnica de “Undersampling” resultou em um aumento de 54% na super predição da emoção “Sad”, elevando-a para 61,98%, e piorou as métricas de desempenho e “fairness”. Esse comportamento pode ser explicado pela redução do conjunto de treino, que pode levar a um aprendizado insuficiente dos padrões, fazendo com que o modelo convirja para as classes majoritárias e aumente o viés, conforme estudos de Buda et al. (2018) e Fernando & Tsokos (2022). A estratégia “Hybrid”, que combinou “Class Weights” e “Undersampling”, apresentou resultados intermediários. Embora tenha reduzido a super predição de “Sad” em 21% e a disparidade de gênero em 49%, houve um aumento de 29% na disparidade étnica e de 97% na disparidade de idade, sugerindo que a interação das técnicas pode ter gerado um “overfitting” local, prejudicando a generalização para subgrupos demográficos específicos.

A análise comparativa entre o modelo baseline e as estratégias de mitigação de viés revelou que a “Class Weights” ofereceu o melhor equilíbrio, mantendo a performance próxima ao modelo original enquanto proporcionava ganhos substanciais na redução do viés de gênero e da super predição de “Sad”. Esses resultados estão alinhados com a literatura que demonstra a eficácia de técnicas de ajuste de pesos em datasets desbalanceados (Fernando & Tsokos, 2022). Contudo, o viés etário, especialmente em relação à classificação de crianças como “Sad”, persistiu e até aumentou em todas as estratégias, evidenciando que as características faciais infantis representam um desafio crítico para os modelos de reconhecimento de emoções, que são predominantemente treinados com dados de adultos.

Em síntese, o estudo demonstrou que o SimpleCNN superou os modelos pré-treinados em reconhecimento de emoções faciais, mas revelou um viés algorítmico significativo, caracterizado pela super predição da emoção “Sad” e por disparidades notáveis em relação à idade, especialmente em crianças. A estratégia “Class Weights” mostrou-se a mais eficaz na redução do viés de gênero e da predição excessiva de “Sad”, embora tenha aumentado a disparidade de idade. Esses achados ressaltam a importância de considerar a equidade no desenvolvimento de modelos de inteligência artificial e apontam para a necessidade de futuras pesquisas focadas em balanceamento de datasets e abordagens interseccionais para mitigar vieses demográficos específicos.

4. Conclusão

O estudo buscou avaliar o desempenho de algoritmos de redes neurais convolucionais no reconhecimento de emoções faciais e propor estratégias para mitigar o viés algorítmico em relação a gênero, etnia e idade. Verificou-se que o SimpleCNN, uma arquitetura treinada do zero, obteve o melhor desempenho geral, com acurácia de 70,7% e F1-Score Macro de 62,03%, superando modelos pré-treinados que apresentaram “domain mismatch” e “overfitting”. Contudo, a análise de viés revelou uma super predição da emoção “Sad” em 40,2% das classificações e uma sub-predição de “Disgust”, com disparidades notáveis por idade, especialmente em crianças. A estratégia “Class Weights” mostrou-se a mais eficaz na redução da super predição de “Sad” em 26% e da disparidade de gênero em 51%, mesmo com um pequeno “trade-off” na performance geral. Esses achados contribuem para o desenvolvimento de modelos de inteligência artificial mais equitativos e representativos na classificação de expressões faciais.

Apesar dos avanços, o estudo evidenciou limitações técnicas relacionadas ao balanceamento de datasets em visão computacional, visto que o viés etário, particularmente a classificação de crianças como “Sad”, persistiu e até aumentou com as estratégias de mitigação testadas. A ausência de uniformidade de idade no dataset RAF-DB e o desbalanceamento das classes emocionais representaram desafios significativos. Sugere-se que futuras pesquisas investiguem estratégias de mitigação de viés de forma multidimensional e foquem na criação de datasets mais balanceados de emoções, incorporando abordagens interseccionais para reduzir vieses demográficos mais específicos, como o viés etário e étnico-racial.

Referências Bibliográficas

Akter, S.; Dwivedi, Y.; Biswas, K.; Michael, K.; Bandara, R.; Sajib, S. 2021. Addressing algorithmic bias in Al-driven customer management. Journal of Global Information Management, 29 (6): 1–27. Disponível em: https://doi.org/10.4018/JGIM.20211101.oa3.

Barsotti, F.; Koçer, R. G. 202

Barsoum, E.; Zhang, C.; Ferrer, C. C.; & Zhang, Z. 2016. Training deep networks for facial expression recognition with crowd-sourced label distribution. In: Proceedings of the 18th ACM International Conference on Multimodal Interaction, 2016, Tokyo, Japão, Anais p. 279-283. Disponível em: https://doi.org/10.1145/2993148.2993165.

Castaneda, J.; Jover, A.; Calvet, L.; Yanes, S.; Juan, A. A.; Sainz, M. 2022. Dealing with gender bias issues in data-algorithmic processes: a social-statistical perspective. Algorithms, 15(9): 303. Disponível em: https://doi.org/10.3390/a15090303.

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

22 de outubro de 2026

Desafios e Possibilidades do Primeiro Ano Escolar de Crianças com Tea para o Trabalho Docente

22 de outubro de 2026

Jornada do Consumidor na Decisão de Compra de Infoprodutos no Ambiente Digital

22 de outubro de 2026

Riscos Psicossociais e Saúde Mental no Trabalho em uma Instituição Bancária

22 de outubro de 2026

Observatório Digital da Amazônia: Ciência de Dados Aplicada à Análise de Indicadores Sociais, Econômicos, Ambientais e de Saúde

22 de outubro de 2026

Aprendizado Contínuo como Fator de Crescimento Organizacional na Percepção dos Colaboradores

22 de outubro de 2026

Regressão Estatística em Microrredes para Estimativa de Desempenho Operacional: Caso Campusgrid

22 de outubro de 2026

Previsão da Inadimplência Agregada no Sistema Financeiro Brasileiro por Modelo Sarimax com Variáveis Macroeconômicas

22 de outubro de 2026

Fatores de Engajamento das Partes Interessadas na Transferência Internacional de Tecnologia para um Hospital Público

22 de outubro de 2026

Combate às Perdas Comerciais de Energia Elétrica Utilizando Modelo de Séries Temporais

Você também pode gostar

22 de outubro de 2026

Desafios e Possibilidades do Primeiro Ano Escolar de Crianças com Tea para o Trabalho Docente

A inserção de crianças com Transtorno do Espectro Autista (TEA) na Educação Infantil apresenta desafios significativos, dada a dificuldade de adaptação em novos ambientes e a intensidade de estímulos. O objetivo foi analisar a atuação docente na Educação Infantil no processo de escolarização inicial de crianças com TEA. Realizou-se um estudo de caso, utilizando a entrevista narrativa como técnica de produção de dados. Os resultados revelaram que a atuação docente caracterizou-se por práticas de mediação e afeto, com a flexibilização da rotina e o uso de recursos lúdicos como estratégias essenciais para o desenvolvimento e organização sensorial da criança. Destacou-se também a importância da profissional de apoio escolar para o êxito do trabalho pedagógico. O desenvolvimento integral da criança foi promovido por meio de ações docentes intencionais que priorizaram a adaptação ambiental, o fortalecimento de vínculos e o atendimento às necessidades específicas do TEA. Como contribuição, elaborou-se um guia de estratégias pedagógicas voltado ao acolhimento de crianças com TEA em creches públicas.

Palavras-chave: Educação Infantil; Inclusão Escolar; Narrativas Docentes; Práticas Pedagógicas Inclusivas; Transtorno do Espectro Autista.

22 de outubro de 2026

Jornada do Consumidor na Decisão de Compra de Infoprodutos no Ambiente Digital

A expansão do comércio eletrônico e a transformação tecnológica impulsionaram a necessidade de compreender o comportamento do consumidor de infoprodutos, cuja experiência percebida tornou-se crucial para o desenvolvimento profissional. O estudo objetivou analisar os fatores que influenciaram a decisão de compra de infoprodutos no ambiente digital, considerando as etapas da jornada do consumidor. Realizou-se uma pesquisa aplicada, quantitativa e descritiva, por meio de um levantamento de campo com 100 consumidores da Serra Gaúcha. A coleta de dados ocorreu via questionário estruturado, utilizando amostragem não probabilística. Os resultados revelaram um público qualificado e com forte comportamento “mobile-first”. Constatou-se que a disponibilidade de informações detalhadas e a aprovação social foram os principais gatilhos de atração na fase de pré-compra. Nas etapas transacionais e posteriores, a minimização de atritos operacionais, a agilidade do acesso imediato e a segurança sistêmica mostraram-se cruciais para a conversão e satisfação, embora lacunas na eficiência do suporte humano tenham sido identificadas. A retenção fundamentou-se na confiança gerada por experiências anteriores positivas, superando o fator preço. Concluiu-se que a jornada do consumidor de infoprodutos opera como um sistema integrado, exigindo alinhamento entre infraestrutura tecnológica, curadoria de conteúdo e humanização do suporte para assegurar o engajamento.

Palavras-chave: Comércio eletrônico; Comportamento do consumidor; Experiência do consumidor; Fidelização; Negócios virtuais.

22 de outubro de 2026

Riscos Psicossociais e Saúde Mental no Trabalho em uma Instituição Bancária

A saúde mental no ambiente de trabalho é um tema de crescente relevância, impactando o desenvolvimento profissional e o bem-estar dos colaboradores. Um estudo foi realizado para identificar aspectos e situações que podem influenciar os níveis de absenteísmo em uma instituição bancária. A pesquisa envolveu 108 participantes e utilizou um questionário estruturado, baseado na versão curta do COPSOQ II de Gonçalves (2021), que continha 45 questões fechadas em escala Likert e duas perguntas abertas. Os dados foram coletados por meio de plataforma online e analisados com abordagem descritiva e quantitativa. Os resultados revelaram um cenário que indicou a necessidade de ajustes na distribuição das atividades e na percepção dos gestores sobre comportamentos e sinais de transtornos. Foram identificadas evidências importantes nas respostas abertas dos participantes. Concluiu-se que o estudo contribuiu para a promoção da percepção de um ambiente seguro para a saúde mental na organização.

Palavras-chave: Afastamentos por transtornos; Desenvolvimento profissional; Liderança operacional; Licença médica; Saúde mental.

22 de outubro de 2026

Observatório Digital da Amazônia: Ciência de Dados Aplicada à Análise de Indicadores Sociais, Econômicos, Ambientais e de Saúde

O estado do Amazonas enfrentou desafios históricos na consolidação do Sistema Único de Saúde (SUS), decorrentes de barreiras geográficas, desigualdades socioeconômicas e limitações estruturais. Descreveu-se, neste estudo, o desenvolvimento e a implementação de um geoportal de informações em saúde, concebido para apoiar o monitoramento, a avaliação e o planejamento no contexto amazônico. Adotou-se uma abordagem de estudo de caso descritivo, baseada em análise documental e dados secundários, abrangendo o mapeamento de funcionalidades, a infraestrutura técnica e as etapas de validação da ferramenta. O Portal foi desenvolvido com tecnologias abertas e integrou múltiplas bases de dados nacionais, oferecendo dashboards interativos, mapas temáticos e repositório digital de documentos. Entre os resultados, destacaram-se a visualização georreferenciada de indicadores-chave, a possibilidade de análises comparativas temporais e a utilização da plataforma na revisão de planos de saúde e no redirecionamento de ações estratégicas. O portal pode representar um avanço na governança digital e na gestão baseada em evidências, com potencial de replicabilidade para outros territórios de alta complexidade, desde que acompanhada de investimentos em infraestrutura tecnológica, capacitação profissional e articulação interinstitucional.

Palavras-chave: Amazônia; Avaliação em Saúde; Saúde Digital; Sistemas de Informação em Saúde.

22 de outubro de 2026

Aprendizado Contínuo como Fator de Crescimento Organizacional na Percepção dos Colaboradores

O impacto do aprendizado contínuo e da gestão do conhecimento no crescimento das organizações foi estudado em um cenário de globalização e constantes mudanças. O objetivo do estudo foi analisar a percepção dos colaboradores sobre a cultura de aprendizagem e sua importância para o desenvolvimento pessoal e profissional. Os dados foram obtidos por meio de uma pesquisa anônima, de abordagem quantitativa, utilizando um formulário com questões do tipo “survey” aplicado a 87 profissionais dos setores de tecnologia, saúde, educação, comércio e serviços. Os resultados indicaram que os colaboradores possuíam uma percepção positiva sobre a contribuição do aprendizado contínuo para o crescimento pessoal e organizacional, reconhecendo seus benefícios para o desenvolvimento de novas habilidades, inovação e competitividade. Contudo, observou-se que o incentivo à troca de conhecimento interno e a oferta de treinamentos práticos ainda apresentavam médias moderadas de concordância. Concluiu-se que o aprendizado contínuo contribui significativamente para o desenvolvimento individual e organizacional, sugerindo que as empresas devem desenvolver políticas estratégicas de aprendizado direcionado para novas habilidades, visando maior vantagem competitiva e inovação.

Palavras-chave: Aprendizagem contínua; Autodesenvolvimento; Crescimento organizacional; Gestão do conhecimento; Inovação.

22 de outubro de 2026

Regressão Estatística em Microrredes para Estimativa de Desempenho Operacional: Caso Campusgrid

Um modelo de regressão estatística múltipla foi proposto para estimar o desempenho operacional da microrrede CampusGrid da UNICAMP, com base em grandezas elétricas internas. A microrrede integra geração fotovoltaica, baterias e um gerador a gás. Dados do sistema de gerenciamento de energia foram coletados em intervalos de cinco minutos durante um mês. O Índice de Confiabilidade Operacional, definido como a razão entre energia atendida e demandada, foi estabelecido como variável dependente. O modelo foi ajustado para o modo de operação ilhado, avaliando o impacto da demanda, estado de carga, geração solar e energia suprida. Os resultados revelaram elevado poder explicativo, indicando que a confiabilidade operacional depende da interação entre suprimento e demanda. Observou-se que o período noturno concentrou a maior taxa de atendimento parcial, atribuída à redução da geração solar. Concluiu-se que a regressão múltipla oferece uma estrutura interpretável e útil para o monitoramento de microrredes e o apoio a estratégias de controle.

Palavras-chave: Armazenamento em baterias; Geração fotovoltaica; Índice de Confiabilidade; Operação ilhada; Sistema de Gerenciamento de Energia.

22 de outubro de 2026

Previsão da Inadimplência Agregada no Sistema Financeiro Brasileiro por Modelo Sarimax com Variáveis Macroeconômicas

A inadimplência agregada no sistema financeiro brasileiro é um indicador crucial de risco de crédito, cuja previsão é regulamentada pelas Resoluções CMN n.° 4.557/2017 e 4.966/2021 para a mensuração prospectiva de perdas esperadas. Modelou-se e previu-se a inadimplência agregada por meio do modelo SARIMAX, projetando sua trajetória até dezembro de 2026 sob cenários otimista, base e pessimista. Utilizaram-se 164 observações mensais (julho/2012 a fevereiro/2026) e variáveis macroeconômicas como desemprego, Selic, IPCA, IBC-Br e endividamento das famílias. A especificação com variáveis contemporâneas foi selecionada com base em critérios de informação e estabilidade dos coeficientes, e o diagnóstico dos resíduos confirmou adequação estatística, com MAPE de 3,12%. A inadimplência histórica variou entre 4,33% e 7,64%. A estimação identificou o desemprego (β = 0,2534; p < 0,001) e a Selic (β = 0,2128; p < 0,001) como principais determinantes positivos, com forte persistência temporal (AR(1) = 0,8965). A Selic exibiu correlação crescente com a inadimplência (r = 0,62 no lag 12), enquanto o desemprego demonstrou efeito contemporâneo (r = 0,33). As projeções indicaram inadimplência entre 6,30% e 7,98% em dezembro de 2026, com uma amplitude de 1,68 ponto percentual, evidenciando implicações diretas para o dimensionamento de provisões nas instituições financeiras. Palavras-chave: Desemprego; Modelagem preditiva; Política monetária; Provisão de perdas; Séries temporais.

22 de outubro de 2026

Fatores de Engajamento das Partes Interessadas na Transferência Internacional de Tecnologia para um Hospital Público

Este estudo descreveu os fatores críticos percebidos para o engajamento das partes interessadas na transferência internacional de tecnologia em um hospital público, com foco no planejamento. O objetivo foi descrever esses fatores condicionantes, conforme a percepção de profissionais. Realizou-se um estudo de caso único, aplicando um questionário a 25 profissionais e utilizando análise de conteúdo, complementada por tabulações descritivas. Os principais obstáculos identificados foram resistência à mudança (72%), financiamento (64%), falta de comunicação (60%) e burocracia (40%). Apenas 28% dos respondentes reconheceram a existência de ferramentas adequadas para gestão de stakeholders, enquanto 48% negaram e 24% não souberam informar. Cruzamentos exploratórios indicaram variações na avaliação de influência conforme o tempo de atuação, mas não estabeleceram relações causais. A falta de engajamento foi associada a atrasos, baixa adesão, desperdício de recursos, falhas de comunicação, comprometimento da absorção de conhecimento e riscos à segurança do paciente. As conclusões restringiram-se às percepções do grupo pesquisado e fundamentaram recomendações preliminares para comunicação e coordenação intersetorial.

Palavras-chave: Estudo de caso; Gestão de projetos; Inovação em saúde; Partes interessadas; Setor público.

22 de outubro de 2026

Combate às Perdas Comerciais de Energia Elétrica Utilizando Modelo de Séries Temporais

As perdas comerciais de energia elétrica representaram um dos principais desafios para as distribuidoras, impactando diretamente a sustentabilidade econômica e a qualidade do fornecimento. Avaliou-se a eficiência de modelos de séries temporais, com foco em técnicas de suavização exponencial, na previsão do consumo faturado de unidades consumidoras, para apoiar a identificação de desvios associados a perdas não técnicas. Utilizaram-se dados históricos de consumo mensal de uma distribuidora de energia elétrica no Brasil, segmentados por perfis de comportamento (estacionariedade, tendência e sazonalidade). Aplicaram-se modelos de suavização exponencial simples, Holt e Holt-Winters (aditivo e multiplicativo), comparados a uma média móvel tradicional. O erro percentual absoluto médio (MAPE) foi o critério de avaliação. Adicionalmente, empregou-se a abordagem ETS para seleção automática do modelo e testes de diagnóstico dos resíduos, como Ljung-Box e análise da função de autocorrelação. Os resultados demonstraram que modelos mais robustos apresentaram maior capacidade de adaptação às características das séries e menor erro, com destaque para o desempenho superior em cenários com tendência. Para séries sazonais, o modelo ETS mostrou maior capacidade de adaptação a transições. Concluiu-se que a utilização de modelos de séries temporais mais estruturados contribuiu significativamente para a melhoria da acurácia das previsões e ofereceu suporte analítico relevante para a identificação de perdas comerciais e otimização de processos operacionais e comerciais no setor elétrico.

Palavras-chave: Distribuição de energia; MAPE; Otimização; Previsão de consumo; Suavização exponencial.

Economia

19 de outubro de 2026

Fim da escala 6×1: o que os números permitem concluir?

Após promulgação do fim da escala 6×1, debate sobre a jornada menor passa à implementação e exige distinguir benefícios sociais de custos econômicos O fim da escala 6×1 passou da discussão legislativa para uma mudança constitucional no Brasil. Em 16 de outubro de 2026, o Congresso Nacional promulgou a emenda constitucional nº 141/2026, originada da Proposta […]

Inteligência Artificial

16 de outubro de 2026

Por que estudar se existe IA?

Quando respostas se tornam fáceis, aprender passa a significar mais do que chegar até elas Por que eu preciso aprender isso se posso perguntar para uma inteligência artificial? Esse tipo de pergunta acompanha a educação há décadas. Por que aprender uma operação se existe calculadora? Por que memorizar uma informação se ela pode ser encontrada […]

Gestão Tributária

15 de outubro de 2026

Pink tax e o gênero do preço

Como os diferentes tratamentos mercadológicos a homens e mulheres são incorporados pela tributação do consumo Imagine uma prateleira na qual duas lâminas de barbear da mesma marca e destinadas à mesma finalidade estão expostas lado a lado: uma tem embalagem escura e promete força, precisão e eficiência; a outra vem em tons de rosa ou […]

Saúde

13 de outubro de 2026

O elo perdido da transformação da saúde

Por que inovar não basta para provocar mudanças nas organizações e nos sistemas de saúde A transformação digital consolidou-se como prioridade estratégica para os sistemas de saúde em todo o mundo. Prontuários eletrônicos, inteligência artificial, telemedicina, monitoramento remoto e análise de dados passaram a integrar a agenda estratégica de governos e organizações de saúde. Paradoxalmente, […]

Marketing

09 de outubro de 2026

Bitcoin ou pets: o que a Inteligência Artificial não veria

Um caso real de consumer intelligence mostra o que fica fora do briefing Há alguns anos, uma seguradora americana contratou uma empresa especializada em consumer intelligence para responder a três perguntas: A seguradora também avaliava lançar seguros pagos em bitcoin. Na época, o processo de trabalho da consultoria funcionava assim: o analista criava uma query […]

Gestão Escolar

06 de outubro de 2026

A escola não é um cassino: quando figurinhas viram moeda no pátio

Por que, para determinados estudantes, a escola consegue oferecer tão poucas experiências de conquista? A Copa do Mundo acabou. O Brasil deixou a competição, vieram as férias escolares, a final foi disputada e o calendário do futebol seguiu adiante. Seria razoável imaginar que, com o fim do torneio e o retorno às aulas, também começasse […]

Transição Energética

30 de setembro de 2026

Energias renováveis: a vantagem brasileira

Brasil precisa investir na capacidade de transformar recursos naturais em inovação, produtividade e desenvolvimento Falar sobre energia é falar sobre desenvolvimento. Por trás da indústria, dos transportes, dos serviços, das cidades e, cada vez mais, da inteligência artificial, existe uma infraestrutura energética que sustenta a economia. Compreender a matriz energética de um país é compreender […]

Análise De Dados

30 de setembro de 2026

Quando o dado muda, a realidade mudou?

Análise de quase 20 milhões de vínculos-ano docentes entre 2020 e 2025 mostra como mudanças na composição da população e na produção dos registros podem alterar a interpretação de série histórica Entre 2020 e 2025, o número de vínculos formais de trabalho docente identificados na RAIS (Relação Anual de Informações Sociais), do Ministério do Trabalho, […]

Inteligência Artificial

28 de setembro de 2026

Inteligência artificial e as trends

Por que tantas pessoas aderem às brincadeiras com o ChatGPT? Nunca fui a pessoa da trend. Continuo não sendo. Algumas passam pela minha timeline, vejo, acho interessante mas não a ponto de experimentar. Foi assim, inclusive, com algumas ondas recentes de imagens feitas por inteligência artificial, como a trend dos anos 80, aquela que nos […]

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 […]