Atividade

132588 - AI Tá On: Horizontes da Pesquisa em IA para o Brasil (SemioTalks 2)

Período da turma: 24/02/2025 a 27/02/2025

Selecione um horário para exibir no calendário:
 
 
Descrição: Dia 1 - Norte versus Sul Global: Um Panorama da Inteligência Artificial
A partir da pesquisa Governança de Inteligência Artificial na América Latina, conduzida por Guilherme Mattas Garcia e Glauco Antonio Truzzi Arbix, exploraremos o desenvolvimento da IA no Sul Global, com destaque para o Brasil. Neste primeiro dia, os participantes serão introduzidos a questões fundamentais que serão aprofundadas ao longo da semana, oferecendo uma visão inicial do cenário global e regional da IA.

Dia 2 - A Pesquisa em IA no Brasil
Neste segundo dia, as atividades serão baseadas no levantamento realizado pelo Centro de Inteligência Artificial da USP, sob coordenação do professor Álvaro Augusto Comin. Por meio do mapeamento da produção de conhecimento sobre IA, com destaque para pesquisas nas Humanidades e práticas de introdução da computação entre estudantes dessa área, pretendemos apresentar ferramentas, perspectivas e métodos para integrar a IA ao cotidiano da pesquisa acadêmica.

Dia 3 - Estudo de Caso: Intellectia - Plataforma para Vestibulandos
Por fim, apresentaremos um estudo de caso que reforça as possibilidades da pesquisa em IA no Brasil. Demonstrando como pesquisadores em Humanidades e professores da rede pública podem colaborar em projetos multidisciplinares, apresentaremos o Intellectia: uma plataforma baseada em Inteligência Artificial desenvolvida para apoiar estudantes que se preparam para vestibulares nacionais. O projeto, coordenado pela professora Solange Oliveira Rezende ilustra a interseção entre pesquisa acadêmica e impacto social, promovendo novas formas de colaboração.

1. Benamara, F., Inkpen, D., & Taboada, M. (2018). Introduction to the Special Issue on Language in Social Media: Exploiting Discourse and Other Contextual Information. Computational Linguistics, 44(4), 663-681. https://doi.org/10.1162/coli_a_00333
2. Benamara, F., Taboada, M., & Mathieu, Y. (2017). Evaluative Language Beyond Bags of Words: Linguistic Insights and Computational Applications. Computational Linguistics, 43(1), 201-264. https://doi.org/10.1162/COLI_a_00278
3. Boyd-Graber, J., Hu, Y., & Mimno, D. (2017). Application of Topic Models. Foundations and Trends® in Information Retrieval, 11(2-3), 143-296. https://doi.org/10.1561/1500000030
4. Carmo, I., Rêgo, A. L. C., Barreto, M., Schuler, M., Heine, A., Villas, M. V., & Lifschitz, S. (2023). Gerenciamento de Dados de Redes Sociais com Análise de Redes e Modelagem de Tópicos. Anais do 38º Simpósio Brasileiro de Banco de Dados (SBBD) (pp. 64-70). Sociedade Brasileira de Computação. https://doi.org/10.5753/sbbd_estendido.2023.233417
5. Chauhan, U., & Shah, A. (2021). Topic Modeling Using Latent Dirichlet Allocation: A Survey. ACM Computing Surveys, 54(7), Article 138. https://doi.org/10.1145/3462478
6. Dou, W., & Liu, S. (2016). Topic and Time-Oriented Visual Text Analysis. IEEE Computer Graphics and Applications, 36(2), 8-13. https://doi.org/10.1109/MCG.2016.73
7. Géron, A. (2019). Mãos à Obra Aprendizado de Máquina com Scikit-Learn e TensorFlow: Conceitos, Ferramentas e Técnicas Para a Construção de Sistemas Inteligentes (R. Contatori, Trans.). Alta Books. ISBN 978-85-508-0902-1
8. Grimmer, J., Roberts, M. E., & Stewart, B. M. (2022). Text as Data: A New Framework for Machine Learning and the Social Sciences. Princeton University Press. ISBN 978-0691207551
9. Grootendorst, M. (2022). BERTopic: Neural Topic Modeling with a Class-Based TF-IDF Procedure. https://doi.org/10.48550/arXiv.2203.05794
10. Pangakis, N., Wolken, S., & Fasching, N. (2023). Automated Annotation with Generative AI Requires Validation. arXiv. https://doi.org/10.48550/arXiv.2306.00176
11. Silva, T. F. L. da. (2022); O Pão Que O Viado Amassou: contribuições da semiótica para o processamento de língua natural. Estudos Semióticos, 18(3), 70-92, 2022. https://doi.org/10.11606/issn.1980-4016.esse.2022.198626
12. Silva, T. F. L. da. (2023); Using transformer networks and tensive semiotics to improve sentiment analysis accuracy in tourism digital platforms; in Semiotica e intelligenza artificiale, pp. 131-147, Aracne; Italia, 2023, ISBN 979-12-218-0429-4; https://www.aracneeditrice.eu/free-download/9791221804294.pdf
13. Silva, T. F. L. da. (2023); Humanismo digital e transformação social: campos abertos para o fomento da inovação nas Ciências Humanas e Sociais; in Revista Sciencia Veritas, 2; https://prpg.usp.br/attachments/article/8936/Scientia_2_pg_5-8.pdf
14. Silva, T. F. L. da, et al. (in press). CDB: A Unified Framework for Hope Speech Detection Through Counterfactual, Desire, and Belief. In Findings of the Association for Computational Linguistics: NAACL 2025.
15. Sun, X., Li, X., Guo, S., Zhang, T., Wang, G., Li, J., & Wu, F. (2023). Text Classification via Large Language Models. In Findings of the Association for Computational Linguistics: EMNLP 2023; https://aclanthology.org/2023.findings-emnlp.603.pdf
16. Zhang, W., Deng, Y., Liu, B., Pan, S. J., & Bing, L. (2024). Sentiment Analysis in the Era of Large Language Models: A Reality Check. In Findings of the Association for Computational Linguistics: NAACL 2024; https://aclanthology.org/2024.findings-naacl.246.pdf
17. Zong, C., Xia, R., & Zhang, J. (2022). Text Data Mining. Springer.

Carga Horária:

6 horas
Tipo: Obrigatória
Vagas oferecidas: 90
 
Ministrantes: Túlio Ferreira Leite da Silva


 
 voltar

Créditos
© 1999 - 2025 - Superintendência de Tecnologia da Informação/USP