A INFLUÊNCIA DA ENGENHARIA DE DADOS NA QUALIDADE DOS DADOS PARA TREINAMENTO DE MODELOS DE MACHINE LEARNING: UMA REVISÃO NARRATIVA DA LITERATURA

Autores

  • Carlos Eugênio Mendes Paes Landim
  • Mauro José Araújo de Melo

DOI:

https://doi.org/10.63330/sasciencesv6n2-323

Palavras-chave:

Data Drift, Data Leakage, Machine Learning, Qualidade de dados, Viés algorítmico

Resumo

Este artigo analisa em que medida as técnicas de qualidade de dados aplicadas ao desenvolvimento de modelos de Machine Learning contribuem para a mitigação de vieses e riscos associados às decisões automatizadas. Para isso, foi realizada uma revisão narrativa da literatura, com seleção intencional de catorze estudos segundo critérios explícitos de inclusão e exclusão e protocolo de extração com verificação direta das fontes originais. Os resultados indicam que as técnicas de qualidade de dados apresentam aplicação direta no tratamento de problemas estatísticos e operacionais, permitindo identificar e reduzir problemas relacionados à preparação dos dados, à validade da avaliação dos modelos e às alterações nas distribuições observadas em produção. As evidências analisadas também indicam que essas técnicas não são suficientes, de forma isolada, para mitigar vieses sociais e riscos associados a decisões automatizadas: casos relacionados ao recrutamento automatizado e à avaliação de risco criminal mostram que atributos aparentemente neutros podem reproduzir relações associadas a características sensíveis, enquanto correlações espúrias podem levar os modelos a utilizar padrões que não representam adequadamente o fenômeno de interesse. Como contribuição prática, propõe-se um checklist de qualidade de dados organizado segundo as etapas do ciclo de vida de sistemas de Machine Learning, no qual cada verificação é rastreável à seção e à fonte que a fundamentam. Conclui-se que a qualidade de dados deve ser compreendida de maneira mais ampla, incorporando, além de critérios estatísticos, aspectos relacionados à representatividade, curadoria, contexto de produção dos dados, auditoria e monitoramento contínuo.

Downloads

Não há dados estatísticos.

Referências

ANGWIN, Julia et al. Machine bias. ProPublica, New York, 23 maio 2016. Disponível em: https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing. Acesso em: 31 out. 2026.

BAROCAS, Solon; SELBST, Andrew D. Big data's disparate impact. California Law Review, v. 104, n. 3, p. 671-732, 2016. Disponível em: https://escholarship.org/content/qt31b8c97t/qt31b8c97t.pdf. Acesso em: 31 out. 2026.

BARROS, Kawan Ribeiro Dias; MELO, Mauro José Araújo de. Impacto da qualidade de dados públicos tabulares no desempenho de modelos clássicos de Machine Learning. RevistaFT, v. 29, ed. 152, nov. 2025. DOI: https://doi.org/10.69849/revistaft/ra10202511300622. Disponível em: https://revistaft.com.br/impacto-da-qualidade-de-dados-publicos-tabulares-no-desempenho-de-modelos-classicos-de-machine-learning/. Acesso em: 1 set. 2026.

BATISTA, Gustavo Enrique de Almeida Prado Alves. Pré-processamento de dados em aprendizado de máquina supervisionado. 2003. 232 f. Tese (Doutorado em Ciências de Computação e Matemática Computacional) – Instituto de Ciências Matemáticas e de Computação, Universidade de São Paulo, São Carlos, 2003. DOI: https://doi.org/10.11606/T.55.2003.tde-06102003-160219. Disponível em: https://teses.usp.br/teses/disponiveis/55/55134/tde-06102003-160219/pt-br.html. Acesso em: 1 set. 2026.

BATISTA, Gustavo Enrique de Almeida Prado Alves; PRATI, Ronaldo C.; MONARD, Maria Carolina. A study of the behavior of several methods for balancing machine learning training data. ACM SIGKDD Explorations Newsletter, v. 6, n. 1, p. 20-29, 2004. Disponível em: https://doi.org/10.1145/1007730.1007735. Acesso em: 7 nov. 2026.

BORGES, Gustavo Silveira; FALEIROS JÚNIOR, José Luiz de Moura. Viés racial em sistemas de inteligência artificial: desafios para a responsabilidade civil e a necessidade de parametrização do risco. Revista IBERC, Belo Horizonte, v. 6, n. 2, p. 100-128, 2023. DOI: https://doi.org/10.37963/iberc.v6i2.237. Disponível em: https://revista.iberc.org.br/iberc/article/view/237. Acesso em: 1 set. 2026.

BRECK, Eric et al. The ML test score: a rubric for ML production readiness and technical debt reduction. In: IEEE INTERNATIONAL CONFERENCE ON BIG DATA, 2017, Boston. Proceedings [...]. Piscataway: IEEE, 2017. p. 1123-1132. DOI: https://doi.org/10.1109/BigData.2017.8258038. Disponível em: https://research.google/pubs/pub46555/. Acesso em: 31 out. 2026.

CHAWLA, Nitesh V. et al. SMOTE: synthetic minority over-sampling technique. Journal of Artificial Intelligence Research, v. 16, p. 321-357, 2002. Disponível em: https://doi.org/10.1613/jair.953. Acesso em: 25 set. 2026.

DASTIN, Jeffrey. Amazon scraps secret AI recruiting tool that showed bias against women. Reuters, San Francisco, 10 out. 2018. Disponível em: https://www.reuters.com/article/us-amazon-com-jobs-automation-insight-idUSKCN1MK08G. Acesso em: 31 out. 2026.

DWORK, Cynthia et al. Fairness through awareness. In: INNOVATIONS IN THEORETICAL COMPUTER SCIENCE CONFERENCE, 3., 2012, Cambridge. Proceedings [...]. New York: ACM, 2012. p. 214-226. DOI: https://doi.org/10.1145/2090236.2090255. Disponível em: https://arxiv.org/abs/1104.3913. Acesso em: 31 out. 2026.

GAMA, João et al. A survey on concept drift adaptation. ACM Computing Surveys, v. 46, n. 4, art. 44, p. 1-37, 2014. Disponível em: https://doi.org/10.1145/2523813. Acesso em: 31 out. 2026.

GEBRU, Timnit et al. Datasheets for datasets. Communications of the ACM, v. 64, n. 12, p. 86-92, 2021. Disponível em: https://doi.org/10.1145/3458723. Acesso em: 31 out. 2026.

GRANT, Maria J.; BOOTH, Andrew. A typology of reviews: an analysis of 14 review types and associated methodologies. Health Information & Libraries Journal, v. 26, n. 2, p. 91-108, 2009. Disponível em: https://doi.org/10.1111/j.1471-1842.2009.00848.x. Acesso em: 31 out. 2026.

JAKUBIK, Johannes et al. Data-centric artificial intelligence. Business & Information Systems Engineering, v. 66, n. 4, p. 507-515, 2024. DOI: https://doi.org/10.1007/s12599-024-00857-8. Disponível em: https://link.springer.com/article/10.1007/s12599-024-00857-8. Acesso em: 1 set. 2026.

JESUS, Ananda Fernanda de; BARITÉ, Mario; SANTAREM SEGUNDO, José Eduardo. O termo qualidade de dados na Ciência da Informação brasileira: uma análise de terminologia pontual. In: ENCONTRO NACIONAL DE PESQUISA EM CIÊNCIA DA INFORMAÇÃO, 24., 2024, Vitória. Anais [...]. Vitória: ANCIB, 2024. p. 1-16. Disponível em: https://www.enancib.ancib.org/enancib/en/article/view/615. Acesso em: 1 set. 2026.

KAPOOR, Sayash; NARAYANAN, Arvind. Leakage and the reproducibility crisis in machine-learning-based science. Patterns, v. 4, n. 9, 100804, 2023. DOI: https://doi.org/10.1016/j.patter.2023.100804. Disponível em: https://www.sciencedirect.com/science/article/pii/S2666389923001599. Acesso em: 1 set. 2026.

LARSON, Jeff et al. How we analyzed the COMPAS recidivism algorithm. ProPublica, New York, 23 maio 2016. Disponível em: https://www.propublica.org/article/how-we-analyzed-the-compas-recidivism-algorithm. Acesso em: 31 out. 2026.

MITCHELL, Margaret et al. Model cards for model reporting. In: CONFERENCE ON FAIRNESS, ACCOUNTABILITY, AND TRANSPARENCY, 2019, Atlanta. Proceedings [...]. New York: ACM, 2019. p. 220-229. Disponível em: https://doi.org/10.1145/3287560.3287596. Acesso em: 31 out. 2026.

ROCHA, Lucas Helfstein. Mitigating drift in machine learning systems through continuous input monitoring: an architectural proposal and empirical evaluation of detection methods. 2026. 98 p. Dissertação (Mestrado em Ciência da Computação) – Instituto de Matemática, Estatística e Ciência da Computação, Universidade de São Paulo, São Paulo, 2026. DOI: https://doi.org/10.11606/D.45.2026.tde-12052026-175759. Disponível em: https://teses.usp.br/teses/disponiveis/45/45134/tde-12052026-175759/en.html. Acesso em: 1 set. 2026.

ROSA, Alexandre Morais da; GUASQUE, Bárbara. Inteligência artificial, vieses algorítmicos e racismo: o lado desconhecido da justiça algorítmica. Opinión Jurídica, Medellín, v. 23, n. 50, a49, p. 1-23, 2024. DOI: https://doi.org/10.22395/ojum.v23n50a49. Disponível em: https://revistas.udem.edu.co/index.php/opinion/pt_BR/article/view/4046. Acesso em: 1 set. 2026.

SAGAWA, Shiori et al. Distributionally robust neural networks. In: INTERNATIONAL CONFERENCE ON LEARNING REPRESENTATIONS, 8., 2020, [S. l.]. Proceedings [...]. [S. l.]: ICLR, 2020. Disponível em: https://openreview.net/pdf?id=ryxGuJrFvS. Acesso em: 31 out. 2026.

SCHLEDER, Gabriel R.; FAZZIO, Adalberto. Machine Learning na Física, Química, e Ciência de Materiais: descoberta e design de materiais. Revista Brasileira de Ensino de Física, v. 43, supl. 1, e20200407, 2021. DOI: https://doi.org/10.1590/1806-9126-RBEF-2020-0407. Disponível em: https://www.scielo.br/j/rbef/a/qzcfSKw4nzBK5Mddr8ZXy4v/?lang=pt. Acesso em: 1 set. 2026.

SCHROUFF, Jessica et al. Diagnosing failures of fairness transfer across distribution shift in real-world medical settings. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS, 35., 2022, New Orleans. Proceedings [...]. Red Hook: Curran Associates, 2022. p. 19304-19318. Disponível em: https://proceedings.neurips.cc/paper_files/paper/2022/hash/7a969c30dc7e74d4e891c8ffb217cf79-Abstract.html. Acesso em: 31 out. 2026.

SCULLEY, D. et al. Hidden technical debt in machine learning systems. In: ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS, 28., 2015, Montreal. Proceedings [...]. Red Hook: Curran Associates, 2015. p. 2503-2511. Disponível em: https://papers.nips.cc/paper/5656-hidden-technical-debt-in-machine-learning-systems. Acesso em: 1 set. 2026.

SILVA, Flávia Helloysa Fontes et al. Inteligência artificial e desigualdade de gênero entre homens e mulheres: uma análise dos vieses em processos seletivos de contratação. Perspectivas em Gestão & Conhecimento, João Pessoa, v. 16, n. 1, p. 138-154, jan./abr. 2026. DOI: https://doi.org/10.22478/ufpb.2236-417X.2026v16n1.74614. Disponível em: https://periodicos.ufpb.br/index.php/pgc/article/view/74614. Acesso em: 1 set. 2026.

SINGH, Prerna. Systematic review of data-centric approaches in artificial intelligence and machine learning. Data Science and Management, v. 6, n. 3, p. 144-157, 2023. DOI: https://doi.org/10.1016/j.dsm.2023.06.001. Disponível em: https://www.sciencedirect.com/science/article/pii/S2666764923000279. Acesso em: 1 set. 2026.

SURESH, Harini; GUTTAG, John. A framework for understanding sources of harm throughout the machine learning life cycle. In: EQUITY AND ACCESS IN ALGORITHMS, MECHANISMS, AND OPTIMIZATION, 2021, [S. l.]. Proceedings [...]. New York: ACM, 2021. Disponível em: https://doi.org/10.1145/3465416.3483305. Acesso em: 31 out. 2026.

TRICCO, Andrea C. et al. PRISMA extension for scoping reviews (PRISMA-ScR): checklist and explanation. Annals of Internal Medicine, v. 169, n. 7, p. 467-473, 2018. Disponível em: https://doi.org/10.7326/M18-0850. Acesso em: 7 nov. 2026.

WHANG, Steven Euijong et al. Data collection and quality challenges in deep learning: a data-centric AI perspective. The VLDB Journal, v. 32, n. 4, p. 791-813, 2023. Disponível em: https://doi.org/10.1007/s00778-022-00775-9. Acesso em: 31 out. 2026.

YE, Wenqian et al. The Clever Hans mirage: a comprehensive survey on spurious correlations in machine learning. Transactions on Machine Learning Research, 2026. ISSN 2835-8856. Disponível em: https://openreview.net/forum?id=kIuqPmS1b1. Acesso em: 31 out. 2026.

Downloads

Publicado

2026-11-19

Como Citar

Landim, C. E. M. P. ., & de Melo, M. J. A. . (2026). A INFLUÊNCIA DA ENGENHARIA DE DADOS NA QUALIDADE DOS DADOS PARA TREINAMENTO DE MODELOS DE MACHINE LEARNING: UMA REVISÃO NARRATIVA DA LITERATURA. South American Sciences, 6(2), e26553. https://doi.org/10.63330/sasciencesv6n2-323

Artigos mais lidos pelo mesmo(s) autor(es)