José Wilson Gonçalves Junior; Arthur Pinheiro de Araújo

DOI: 10.22167/2675-6528-202601017

Artigo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

Resumo

Diante das desigualdades informacionais e digitais que afetam populações de baixa renda no Brasil, desenvolveu-se e implementou-se um sistema de Inteligência Artificial (IA) com Large Language Models (LLMs) e fallback baseado em regras. O sistema teve como objetivo promover diálogo social inclusivo e educação cívica, investigando a viabilidade de um mecanismo de incentivo financeiro vinculado ao engajamento educativo para apoiar a tomada de decisão governamental. Buscou-se criar uma solução tecnológica acessível via dispositivos móveis, democratizando o acesso a informações qualificadas sobre direitos e deveres, e gerando dados estruturados para análise de políticas públicas. A metodologia empregou uma arquitetura em camadas, que incluiu um agente conversacional (Google Gemini 1.5-flash) com mecanismo de fallback (Natural Language Toolkit – NLTK), uma interface web responsiva (Streamlit) e um banco de dados SQLite para coleta e análise de métricas. O protótipo funcional demonstrou resiliência operacional em cenários de baixa conectividade, manteve funcionalidade educativa básica via fallback e organizou evidências sobre tópicos de interesse da população-alvo, como direito do consumidor e economia básica. Registraram-se sinais positivos de engajamento e a capacidade do sistema de gerar insights estruturados para informar políticas públicas de forma ágil e orientada por dados. Concluiu-se que a arquitetura proposta mostrou-se técnica e socialmente viável, configurando uma solução promissora para democratizar o acesso à informação qualificada e fortalecer a participação cidadã.

Palavras-chave: Engajamento cívico; Engenharia de dados; Gamificação; Inclusão digital; Large Language Models (LLM).

1. Introdução

A Inteligência Artificial (IA) tem se consolidado como tecnologia transformadora na educação, comunicação pública e prestação de serviços, ampliando a capacidade de informar e engajar cidadãos em larga escala (Russell; Norvig, 2021; Luckin et al., 2016). Em meio à Quarta Revolução Industrial, a tecnologia assume papel central na capacitação humana (Schwab, 2016). Contudo, no Brasil, persistem desigualdades estruturais que se refletem na exclusão informacional e digital, afetando principalmente as classes de menor renda (Sorj; Guedes, 2005; Silveira, 2008). Milhões de pessoas operam com acesso limitado a conteúdos educativos sobre política, economia e direitos sociais. Dados do Instituto Brasileiro de Geografia e Estatística (IBGE, 2024) revelam que uma parcela significativa da população enfrenta barreiras para acessar informações qualificadas, enfraquecendo a participação cívica e dificultando a efetividade das políticas públicas (Gomes, 2011; Maia, 2011).

A complexidade de temas como direito do consumidor, legislação trabalhista e finanças pessoais, aliada ao jargão técnico, cria uma barreira significativa para o exercício pleno da cidadania, demandando soluções que “traduzam” o conhecimento especializado e que sejam acessíveis via dispositivos móveis. Neste cenário, a Inteligência Artificial Generativa (GenAI) e os Large Language Models (LLMs) emergem como tecnologias promissoras, demonstrando capacidade notável na compreensão e geração de texto em linguagem natural (Brown et al., 2020; Vaswani et al., 2017), eficazes para aplicações educacionais e de engajamento social (Kasneci et al., 2023). A utilização de um agente conversacional baseado em LLMs permite um diálogo social mais acessível e engajador, transformando o celular em um “super computador de bolso” para a inclusão digital (Schwab, 2016). Para garantir resiliência operacional em cenários de baixa conectividade, a arquitetura de fallback é crucial, assegurando disponibilidade mínima e respostas educativas fundamentais (Tanenbaum; Van Steen, 2017; Fowler, 2016). A gamificação (Deterding et al., 2011; Kapp, 2012) e a integração de um mecanismo de incentivo financeiro direto, vinculado ao engajamento educativo, inspiram-se em programas de transferência de renda condicionada (Soares et al., 2010; Campello; Neri, 2013), criando um ciclo virtuoso de aprendizado e empoderamento. A capacidade de coletar e estruturar dados sobre as interações dos usuários é fundamental para a geração de insights acionáveis em tempo real, informando e orientando políticas públicas de forma ágil e baseada em evidências (Jann; Wegrich, 2007), alinhando-se às diretrizes da UNESCO (2021) sobre o uso ético e inclusivo da IA na educação.

Diante da persistência das desigualdades informacionais e digitais que limitam a participação cívica e o acesso a direitos fundamentais para populações de baixa renda no Brasil, surge a urgência de desenvolver mecanismos tecnológicos que atuem como pontes entre o conhecimento cívico especializado e o cidadão comum, promovendo o empoderamento e fortalecendo a base para uma participação social mais qualificada e consciente. Assim, este trabalho justifica-se pela necessidade de explorar e validar uma solução tecnológica inovadora que utilize a Inteligência Artificial para democratizar o acesso à informação qualificada e, simultaneamente, gerar dados estruturados para subsidiar a tomada de decisão governamental. O objetivo deste estudo é desenvolver e implementar um sistema de Inteligência Artificial com Large Language Models e um mecanismo de fallback baseado em regras para promover o diálogo social inclusivo e a educação cívica, investigando a viabilidade de um mecanismo de incentivo financeiro vinculado ao engajamento educativo para apoiar a formulação de políticas públicas.

2. Material e Métodos

A pesquisa foi conduzida com uma abordagem aplicada e de natureza exploratória, visando o desenvolvimento e a implementação de um sistema de Inteligência Artificial. Este estudo empregou uma metodologia qualitativa, complementada por métricas quantitativas operacionais do sistema, como taxa de engajamento, distribuição de tópicos, acerto em quizzes e tempo de resposta. A concepção e execução do trabalho seguiram os princípios da pesquisa em sistemas de informação, conforme delineado por Hevner et al. (2004) e Wieringa (2014), garantindo um rigor metodológico na construção da solução tecnológica proposta.

O contexto do estudo focou na superação das desigualdades informacionais e digitais que afetam populações de baixa renda no Brasil, conforme destacado na introdução. A unidade de análise principal foi o sistema de Inteligência Artificial cívica desenvolvido, com ênfase em suas interações e na capacidade de promover diálogo social e educação cívica. O período de execução da pesquisa compreendeu a fase de desenvolvimento e testes iterativos, nos quais o próprio pesquisador simulou o uso real do protótipo, abrangendo um intervalo de tempo para a coleta de dados de simulação.

A população-alvo do sistema são indivíduos de baixa renda no Brasil, com acesso limitado a informações qualificadas sobre direitos e deveres. Contudo, para a validação inicial e os testes operacionais do protótipo, a amostra consistiu no próprio pesquisador, que atuou como usuário principal. Este critério de seleção por conveniência permitiu simular interações e validar a funcionalidade do sistema em um cenário controlado, possibilitando ajustes rápidos e a observação direta do comportamento da ferramenta. Reconhece-se que esta abordagem não representa um teste em campo com a população-alvo.

O sistema foi projetado com uma arquitetura em quatro camadas distintas para assegurar a separação de responsabilidades, facilitar a manutenção e garantir escalabilidade, seguindo as diretrizes de Bass et al. (2021) e Richards e Ford (2020). A Camada de Diálogo gerenciou a interface conversacional e o roteamento entre o Large Language Model (LLM) e o mecanismo de fallback. A Camada Educativa implementou o sistema de quiz gamificado, enquanto a Camada de Dados foi responsável pela persistência e agregação de métricas. Por fim, a Camada de Visualização disponibilizou um dashboard analítico em tempo real.

Para a implementação, utilizou-se Python 3.13.5 como linguagem base, devido ao seu ecossistema robusto para IA e ciência de dados (Géron, 2019; Raschka; Mirjalili, 2019). O Google Gemini 1.5-flash foi selecionado como LLM principal, valorizando sua capacidade de compreensão contextual e custo-benefício. As bibliotecas NLTK e TextBlob foram empregadas para o processamento de linguagem natural no mecanismo de fallback, permitindo operação offline (Jurafsky; Martin, 2021; Bird; Klein; Loper, 2009). O banco de dados SQLite foi escolhido pela portabilidade e facilidade de deployment (Silberchatz; Korth; Sudarshan, 2019), e o framework Streamlit para a construção da interface web responsiva.

Tabela 1. Comparação e justificativa para as soluções utilizadas no projeto

Tecnologia	Função	Justificativa	Alternativas Consideradas
Python 3.13	Linguagem Base	Ecossistema maduro em Data Science e IA; facilidade de prototipagem rápida.	Java (maior complexidade), Node.js (menos libs de Data Science).
Google Gemini 1.5	Motor de IA (LLM)	Melhor relação custo-benefício (versão Flash), alta janela de contexto e suporte a PT-BR.	OpenAI GPT-3.5/4 (custo maior), Llama 2/3 (exige hardware local pesado).
Streamlit	Interface Web	Desenvolvimento ágil e foco em dados; ideal para validação de hipóteses.	React/Vue (curva de aprendizado maior), Django/Flask (demanda mais código de frontend).
SQLite	Banco de Dados	Portabilidade (arquivo único), configuração zero (serverless) e suporte nativo no Python.	PostgreSQL/MySQL necessita de infraestrutura complexa para um “Minimum Viable Product” (MVP).
NLTK / TextBlob	Processamento (Fallback)	Funcionamento offline, transparência algorítmica e baixo consumo de recursos.	SpaCy (modelo maior/mais pesado), HuggingFace Transformers (muito pesado para fallback simples que deve rodar local e leve).

Fonte: Elaboração própria

Os procedimentos de coleta de dados registraram detalhadamente as interações do usuário com o sistema. Foram capturadas informações sobre sessões, mensagens enviadas, categoria do quiz, acertos e erros nas respostas, tempo de resposta, e a origem do fluxo de interação (se via LLM ou mecanismo de fallback). Adicionalmente, o sentimento expresso nas mensagens foi registrado. As fontes de conhecimento para a curadoria do conteúdo incluíram publicações da UNESCO (2021) e dados do IBGE (2024), garantindo a relevância e a atualidade das informações cívicas e educacionais oferecidas pelo sistema.

A execução da pesquisa priorizou a validação funcional por meio de testes iterativos, nos quais o pesquisador simulou o uso real do sistema. Durante esse período de simulação, foram realizadas 151 interações, distribuídas em 12 sessões distintas, com o objetivo de testar tanto o diálogo com a IA quanto a mecânica do quiz educativo. Um aspecto crucial da execução foi a simulação de falhas na disponibilidade da API do LLM, permitindo verificar a resiliência do sistema e a eficácia do mecanismo de fallback em garantir respostas educativas mesmo em cenários de baixa conectividade.

Os dados coletados foram armazenados em cinco tabelas principais no banco de dados SQLite: interactions, user_profiles, quiz_questions, user_quiz_progress e daily_metrics. O tratamento dos dados envolveu análise temática inicial das mensagens, classificação por regras e estatística descritiva (Field, 2018). A análise de sentimento foi realizada por meio de uma abordagem “lexicon-based”, reconhecida para a classificação da polaridade textual (Liu, 2015; Taboada et al., 2011). As métricas resultantes foram agregadas e exibidas em um dashboard analítico, com filtros por período e categoria, para monitoramento e geração de insights.

Os aspectos éticos foram observados rigorosamente durante a fase de testes. Como a simulação de uso foi conduzida exclusivamente pelo próprio pesquisador, os dados gerados foram inerentemente anonimizados. A utilização desses dados limitou-se estritamente à validação técnica e funcional do protótipo, garantindo a conformidade com os princípios éticos de pesquisa e desenvolvimento de software, conforme preconizado por Floridi e Cowls (2019). Não houve coleta de dados de usuários reais, eliminando a necessidade de consentimento informado de terceiros e protegendo a privacidade.

As limitações metodológicas do estudo incluem o escopo do protótipo e a natureza da validação inicial. A pesquisa para a criação da base de conhecimento do quiz se apoiou em fontes retornadas pelo LLM, e não em um repositório de dados governamental ou acadêmico já validado, o que representa uma dependência de uma base de conhecimento pré-curada que demanda atualização contínua. Além disso, os dados quantitativos apresentados foram gerados pelo próprio pesquisador, atuando como usuário principal, o que introduz um viés e não representa um teste em campo com a população-alvo real.

3. Resultados e Discussão

O sistema de Inteligência Artificial cívica desenvolvido demonstrou plena funcionalidade, integrando com sucesso um Large Language Model (LLM) com um mecanismo de fallback baseado em regras, um módulo de quiz educativo gamificado e uma robusta arquitetura de coleta e análise de métricas. A validação inicial, embora conduzida em um ambiente simulado pelo próprio pesquisador, forneceu evidências concretas da viabilidade técnica e operacional da solução proposta, alinhando-se aos objetivos de democratizar o acesso à informação qualificada e de gerar dados estruturados para o apoio à tomada de decisão governamental. A resiliência do sistema, em particular, emergiu como um achado crítico, especialmente em contextos de conectividade limitada, que são prevalentes entre as populações de baixa renda no Brasil, conforme destacado por Sorj e Guedes (2005) e Silveira (2008).

A capacidade do sistema de operar de forma contínua, mesmo diante da indisponibilidade da API do LLM, foi um dos resultados mais significativos. Em testes de simulação de falha, o mecanismo de fallback baseado em NLTK e TextBlob foi acionado, garantindo que todas as consultas fossem respondidas com conteúdo educativo mínimo, mas relevante. Essa funcionalidade é crucial para o público-alvo, que frequentemente enfrenta acesso intermitente ou de baixa qualidade à internet. A resiliência demonstrada pelo sistema está em consonância com os princípios de design de sistemas distribuídos, que enfatizam a robustez e a tolerância a falhas para garantir a disponibilidade contínua dos serviços (Tanenbaum; Van Steen, 2017; Nygard, 2018). A implementação de um mecanismo de fallback não apenas assegura a continuidade do serviço, mas também mitiga a dependência de infraestruturas de rede estáveis, um desafio persistente em regiões com infraestrutura digital deficiente. A capacidade de fornecer respostas educativas offline ou em cenários de baixa conectividade representa um avanço substancial na superação da exclusão digital de primeiro nível, que se refere à falta de acesso físico à tecnologia (Warschauer, 2004).

Figura 1. Fallback acionado quando ocorre indisponibilidade da API do LLM

Fonte: Dados originais da pesquisa

Conforme ilustrado na Figura 1, o registro textual da aplicação durante a simulação de falha da API do LLM demonstra claramente a ativação do mecanismo de fallback. A imagem exibe o log do sistema indicando um erro 429 (“Too Many Requests”) da API do Gemini, seguido pela mensagem “NLPProcessor carregado para fallback” e “Apenas sistema baseado em regras disponível”. Isso valida a arquitetura de resiliência, mostrando que o sistema é capaz de identificar a falha do LLM e alternar para o processamento de linguagem natural baseado em regras pré-definidas. Essa transição transparente para o usuário final é fundamental para manter a confiança e o engajamento, especialmente em um contexto onde a interrupção do serviço pode ser um fator desmotivador para a adoção de novas tecnologias. A implicação prática é que o sistema pode ser implementado em comunidades com infraestrutura precária, garantindo que a educação cívica e o acesso à informação não sejam interrompidos por limitações tecnológicas, promovendo assim uma inclusão digital mais equitativa.

O engajamento dos usuários, simulado pelo pesquisador, revelou um interesse notável em categorias como “Direito do Consumidor” e “Economia Básica” nos quizzes educativos. Essa preferência por temas práticos e diretamente aplicáveis à vida cotidiana sugere que o sistema está alinhado às necessidades informacionais da população de baixa renda, que busca esclarecimentos sobre seus direitos e sobre como gerenciar suas finanças. A gamificação, utilizada no módulo de quiz, provou ser um mecanismo eficaz para aumentar o engajamento e a motivação para o aprendizado, conforme amplamente discutido na literatura por Deterding et al. (2011) e Kapp (2012). A aplicação de elementos de jogo, como pontuação e feedback imediato, transforma o processo de aprendizado em uma experiência mais interativa e recompensadora, o que é particularmente relevante para públicos com menor familiaridade com ambientes educacionais formais.

A taxa de acerto nos quizzes, de aproximadamente 48,4% (31 acertos em 64 questões), embora possa parecer modesta à primeira vista, oferece insights valiosos. Ela indica que há um espaço significativo para o aprendizado e que o conteúdo apresentado não é trivial, exigindo reflexão por parte do usuário. Essa taxa sugere que o sistema está desafiando os usuários a adquirir novos conhecimentos, em vez de apenas confirmar o que já sabem. A implicação é que o módulo educativo está cumprindo seu papel de promover a educação cívica, identificando lacunas de conhecimento e incentivando a busca por informações. Para futuras iterações, a análise detalhada das questões erradas pode guiar a curadoria de conteúdo, focando em tópicos que geram maior dificuldade e, potencialmente, maior impacto na vida dos cidadãos. A personalização do aprendizado, adaptando a dificuldade e o tipo de conteúdo com base no desempenho do usuário, poderia otimizar ainda mais a eficácia educacional do sistema, um conceito explorado por Luckin et al. (2016) no contexto da IA na educação.

A análise quantitativa inicial, baseada em 151 interações distribuídas em 12 sessões distintas, forneceu uma base empírica para a validação funcional do protótipo. Embora esses dados tenham sido gerados em um ambiente controlado pelo próprio pesquisador, eles permitiram testar o fluxo completo de diálogo e a mecânica do quiz. Os tópicos mais frequentemente discutidos foram “geral” (78 interações), “política” (31 interações) e “economia” (29 interações). Essa distribuição confirma que os usuários simulados buscaram informações sobre uma ampla gama de assuntos, com um foco significativo em temas cívicos e econômicos. A predominância do tópico “geral” indica a necessidade de um espaço para dúvidas cotidianas e informações básicas de cidadania, enquanto os tópicos “política” e “economia” refletem a busca por conhecimento sobre direitos, funcionamento do governo, finanças pessoais e direitos do consumidor.

A categorização automática de tópicos, que não é uma escolha direta do usuário, mas sim um resultado da análise do texto da mensagem, é um diferencial importante. O sistema extrai palavras-chave e, com base em um léxico pré-definido, atribui a categoria correspondente. Por exemplo, termos como “direitos”, “governo” e “leis” são associados ao tópico “política”, enquanto “dinheiro”, “consumidor” e “contas” são vinculados a “economia”. Interações sem palavras-chave específicas são classificadas como “geral”. Essa funcionalidade é crucial para a geração de dados estruturados, permitindo que gestores públicos identifiquem as principais demandas e preocupações da população em tempo real. Essa abordagem contrasta com métodos tradicionais de coleta de dados, que muitas vezes são mais lentos e menos adaptativos às necessidades emergentes da sociedade, como apontado por Jann e Wegrich (2007) ao discutir a importância de dados para o ciclo de políticas públicas.

Figura 2. Análise de sentimento das Mensagens Registradas

Fonte: Dados originais da pesquisa

A análise de sentimento agregada das mensagens registradas durante as interações revelou uma predominância de mensagens neutras (106), seguidas por positivas (26) e negativas (19). Conforme ilustrado na Figura 2, 60,4% das interações foram classificadas como neutras, 24,2% como positivas e 15,4% como negativas. Esse padrão sugere que a maioria das interações simuladas teve um tom predominantemente informativo e de esclarecimento de dúvidas, em vez de expressar reclamações ou insatisfações. A abordagem “lexicon-based” para análise de sentimento, utilizada no estudo, é um método reconhecido para classificar a polaridade textual (Liu, 2015; Taboada et al., 2011), fornecendo uma base sólida para essa interpretação. A alta proporção de sentimentos neutros e positivos indica que o sistema está, em grande parte, conseguindo fornecer respostas claras e úteis, gerando satisfação ou, no mínimo, não frustrando o usuário.

A baixa incidência de sentimentos negativos é um indicativo positivo da usabilidade e da eficácia do sistema em resolver as dúvidas dos usuários. No entanto, a presença de algumas mensagens negativas (15,4%) não deve ser ignorada. Essas interações podem representar oportunidades para identificar pontos de melhoria no conteúdo das respostas, na clareza da linguagem ou até mesmo no design da interface. A análise contínua do sentimento pode servir como um termômetro para a saúde operacional do sistema e para a satisfação do usuário, permitindo ajustes proativos. Por exemplo, um aumento nas mensagens negativas poderia sinalizar a necessidade de revisar a base de conhecimento do LLM ou do fallback, ou de aprimorar a capacidade do sistema de lidar com perguntas complexas ou ambíguas. Essa métrica, portanto, transcende a mera avaliação da polaridade, tornando-se uma ferramenta estratégica para a otimização contínua da experiência do usuário e da qualidade do serviço.

O dashboard analítico desenvolvido em Streamlit provou ser uma ferramenta eficaz para a geração de insights estruturados em tempo real. Ele permite o monitoramento de métricas de engajamento, como o total de interações e sessões únicas, e a identificação dos tópicos mais frequentes. Além disso, o painel oferece recomendações de soluções para temas recorrentes e sugere a qual área do governo a demanda deve ser direcionada. Essa funcionalidade transforma interações brutas em dados acionáveis, evidenciando o potencial da ferramenta para uma governança orientada por dados. A capacidade de visualizar rapidamente quais temas são mais relevantes para a população e quais sentimentos estão associados a essas interações é um diferencial estratégico.

Figura 3. Query no banco com o resultado da simulação de interação

Fonte: Dados originais da pesquisa

A Figura 3, que apresenta o resultado da query no banco de dados com as métricas da simulação, sintetiza os principais achados quantitativos. Ela mostra um total de 151 interações e 12 sessões únicas, confirmando a escala dos testes operacionais. Os tópicos mais frequentes são claramente visíveis: “geral” (78), “política” (31), “economia” (29), “segurança” (6) e “saúde” (4). Em relação ao desempenho nos quizzes, foram registradas 64 questões respondidas, com 31 acertos, resultando em uma taxa de acerto de 48,44%. A distribuição de sentimentos reitera a predominância de mensagens neutras (106), seguidas por positivas (26) e negativas (19). Esses dados agregados, apresentados de forma clara e concisa, são a base para a tomada de decisões informadas, tanto para o aprimoramento do sistema quanto para a formulação de políticas públicas. A visualização desses dados em tempo real, como proposto pelo dashboard, alinha-se às melhores práticas de inteligência de negócios e análise de dados, conforme defendido por Kimball e Ross (2013) e Few (2006), que enfatizam a importância de dashboards bem projetados para a comunicação eficaz de informações.

A arquitetura em quatro camadas (Diálogo, Educativa, Dados e Visualização) contribuiu significativamente para a qualidade do software, especialmente em termos de manutenibilidade e escalabilidade (Bass et al., 2021; Richards; Ford, 2020). A separação de responsabilidades entre as camadas facilita a manutenção do código, permitindo que cada módulo seja desenvolvido e testado de forma independente. Isso é crucial para a evolução futura do sistema, que poderá incorporar novas funcionalidades ou integrar-se a outras plataformas governamentais. A escolha de tecnologias como Python, Google Gemini 1.5-flash, Streamlit e SQLite, conforme detalhado na Tabela 1 do Material e Métodos, foi justificada pela sua robustez, custo-benefício e facilidade de deployment, características essenciais para um protótipo funcional e escalável. A portabilidade do SQLite, por exemplo, permite que o sistema seja facilmente implantado em diferentes ambientes, sem a necessidade de infraestrutura complexa, o que é vantajoso para um Minimum Viable Product (MVP).

O logging sistemático de todas as interações e métricas de desempenho é um pilar fundamental da arquitetura orientada por dados. Cada evento relevante é registrado com timestamp, permitindo análises temporais e a detecção de padrões de uso. Essa capacidade de coleta de dados detalhada é essencial para a validação contínua da eficácia educacional e social do sistema. Mesmo que os dados iniciais tenham sido gerados em simulação, a arquitetura foi projetada para capturar qualquer tipo de interação em um cenário de uso real. Isso significa que, em futuras implementações com a população-alvo, os dados gerados pelas interações dos usuários, mesmo que não diretamente relacionadas a políticas públicas, poderão ser utilizados para análises exploratórias. Essa capacidade de identificar demandas e preocupações sociais emergentes, que poderiam passar despercebidas pelos canais governamentais tradicionais, agrega um valor estratégico inestimável à ferramenta, transformando-a em um observatório dinâmico das necessidades cidadãs.

A proposta de um modelo de incentivo financeiro gamificado, embora testada apenas conceitualmente nesta fase, representa uma inovação promissora. Ao vincular o desempenho no quiz educativo a bônus monetários, o sistema busca replicar o sucesso de programas de transferência de renda condicionada, como o Bolsa Família, que demonstraram eficácia na redução da pobreza e no aumento da escolarização (Soares et al., 2010; Campello; Neri, 2013). A integração de incentivos financeiros com gamificação tem sido estudada como um mecanismo poderoso para mudança comportamental e aumento do engajamento (Hamari et al.; Koivisto; Sarsa, 2014; Landers; Bauer; Callan, 2017). A adição de um “Multiplicador de Letramento Digital”, que ajusta a recompensa com base na frequência e qualidade das interações no chat, aborda a exclusão digital de segundo nível, onde o acesso à tecnologia existe, mas as habilidades para utilizá-la plenamente são limitadas (Warschauer, 2004). Ao recompensar o uso ativo e qualificado da ferramenta, o sistema incentiva a familiarização e a redução da ansiedade tecnológica, promovendo a autonomia digital (Rese; Ganster; Baier, 2020).

Apesar da validação inicial bem-sucedida, é fundamental reconhecer as limitações metodológicas do estudo. A principal delas reside na natureza da validação, que foi conduzida pelo próprio pesquisador em um ambiente simulado. Essa abordagem, embora permitindo ajustes rápidos e observação direta do comportamento da ferramenta, introduz um viés e não representa um teste em campo com a população-alvo real. Consequentemente, os resultados quantitativos de engajamento, tópicos de interesse e desempenho nos quizzes devem ser interpretados com cautela, pois podem não refletir o comportamento de usuários reais. A dependência de uma base de conhecimento pré-curada para o quiz, que se apoiou em fontes retornadas pelo LLM e não em um repositório de dados governamental ou acadêmico já validado, também constitui uma limitação. Essa base de conhecimento demanda atualização contínua e uma curadoria rigorosa para garantir a confiabilidade das informações.

A arquitetura, no entanto, foi projetada para evoluir e incorporar técnicas como “Retrieval-Augmented Generation” (RAG), que forçará a IA a buscar respostas em uma base de dados externa e confiável, como documentos oficiais ou legislação, antes de responder. Essa evolução futura garantirá que tanto o quiz quanto o chatbot operem a partir de um repositório de informações unificado e auditado, elevando a confiabilidade e o alinhamento do sistema com fontes oficiais. Essa melhoria é crucial para a credibilidade de uma ferramenta cívica, onde a precisão e a autoridade das informações são primordiais. A interface do protótipo, projetada para ser acessível a usuários com diferentes níveis de literacia digital, com um design minimalista e elementos visuais intuitivos, também contribui para a inclusão digital, reduzindo barreiras e promovendo engajamento, conforme discutido por Norman (2013) e Krug (2014) sobre usabilidade e design centrado no usuário.

Em suma, os resultados obtidos demonstram a viabilidade técnica e social da arquitetura proposta. O sistema funcional, com seu fluxo completo de diálogo, mecanismo de fallback resiliente, módulo educativo gamificado e capacidade de coleta e análise de métricas, representa uma solução promissora para democratizar o acesso à informação qualificada e fortalecer a participação cidadã. A capacidade de gerar insights estruturados em tempo real para informar políticas públicas, aliada à resiliência operacional e ao potencial de engajamento através da gamificação e incentivos financeiros, posiciona esta ferramenta como um instrumento valioso para enfrentar as desigualdades informacionais e digitais no Brasil. A validação inicial, embora simulada, forneceu a base para futuras iterações e testes em campo, que serão essenciais para confirmar o impacto real do sistema na população-alvo.

4. Conclusão

Conclui-se que o objetivo foi atingido, com o desenvolvimento e implementação de um sistema de Inteligência Artificial funcional. Este sistema integra Large Language Models (LLMs) com um mecanismo de fallback baseado em regras, promovendo o diálogo social inclusivo e a educação cívica. Investigou-se também a viabilidade de um mecanismo de incentivo financeiro vinculado ao engajamento educativo para apoiar a formulação de políticas públicas. A solução demonstrou ser tecnicamente viável e operacionalmente resiliente, especialmente em cenários de baixa conectividade, garantindo acesso contínuo a informações educativas. Os resultados simulados indicaram engajamento positivo, com interesse em temas como Direito do Consumidor e Economia Básica, e a capacidade de gerar dados estruturados em tempo real para subsidiar a tomada de decisão governamental.

Contudo, o estudo apresenta limitações importantes. A validação inicial foi conduzida pelo próprio pesquisador em um ambiente simulado, introduzindo um viés e não refletindo o comportamento da população-alvo real. Além disso, a base de conhecimento pré-curada para o quiz dependeu de fontes retornadas pelo LLM, e não de um repositório governamental ou acadêmico já validado, demandando curadoria rigorosa e atualização contínua. Para estudos futuros, sugere-se a expansão da base de conhecimento com a integração de fontes de dados governamentais e a implementação de técnicas como Retrieval-Augmented Generation (RAG). Recomenda-se também a realização de um estudo piloto em maior escala para validar o modelo de incentivo financeiro e medir seu impacto no engajamento e na retenção de usuários a longo prazo.

Referências Bibliográficas

Gomes, W. Participação política online: questões e hipóteses de trabalho. In: Maia, R. C. M.; Gomes, W.; Marques, F. P. J. A. (org.). Internet e Participação Política no Brasil. Porto Alegre: Sulina, 2011. p. 19-45.

IBGE. PNAD Contínua TIC 2023/2024: Acesso à internet e posse de telefone móvel celular. Rio de Janeiro: IBGE, 2024.

Luckin, R. et al. Intelligence Unleashed: An argument for Al in Education. London: Pearson, 2016.

Maia, R. C. M. Internet e esfera civil: limites

Russell, S. J.; Norvig, P. Artificial Intelligence: A Modern Approach. 4. ed. Hoboken: Pearson, 2021.

Schwab, K. A Quarta Revolução Industrial. São Paulo: Edipro, 2016.

Silveira, S. A. Exclusão Digital: a miséria na era da informação. São Paulo: Fundação Perseu Abramo, 2008.

Sorj, B.; Guedes, L. E. Exclusão Digital: problemas conceituais, evidências empíricas e políticas públicas. Novos Estudos CEBRAP, n. 72, p. 101-117, jul. 2005.

Artigo oriundo de Trabalho de Conclusão de Curso da Especialização em Engenharia de Software do MBA USP/Esalq

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