GENERATIVE ARTIFICIAL INTELLIGENCE (IA) AND INFORMATION LITERACY: INFORMATIONAL CAPABILITIES REQUIRED FOR THE USE OF GENERATIVE AI TOOLS FOR INFORMATION REQUIREMENTS OF AN ACADEMIC-SCIENTIFIC NATURE

Trindade, Alessandra Stefane Cândido Elias da; Oliveira, Henry Poncio Cruz de

Acessibilidade / Reportar erro

Brasil

Perspectivas em Ciência da Informação

Español English

Brasil

Español English

sumário « anterior atual seguinte »

Sumário

Artigos • Perspect. ciênc. inf. 29 • 2024 • https://doi.org/10.1590/1981-5344/47485 copy

GENERATIVE ARTIFICIAL INTELLIGENCE (IA) AND INFORMATION LITERACY: INFORMATIONAL CAPABILITIES REQUIRED FOR THE USE OF GENERATIVE AI TOOLS FOR INFORMATION REQUIREMENTS OF AN ACADEMIC-SCIENTIFIC NATURE

Authorship SCIMAGO INSTITUTIONS RANKINGS

ABSTRACT

Artificial intelligence (AI) poses new challenges for the acquisition of knowledge, also in an academic-scientific context. Objective: Present the information capabilities required for the efficient use of Generative AI technologies for information requirements of an academic-scientific nature. Methodological approach: The research is exploratory, using a qualitative approach and two data collection techniques, namely bibliographic research and observation. Result: Generative AI tools bring new opportunities and challenges to academia and raise concerns about copyright (plagiarism and intellectual property of the content generated by the technology), integrity of science, reliability of research, fairness and ethics (dissemination of bias) and others. Conclusions: To use generative AI tools effectively and strategically, people need to develop five steps (analyzing information needs; analyzing the tool; planning search strategies (devising commands); analyzing synthesized content; using synthesized content) and apply the 18 information literacies associated with these steps.

Keywords:
Scientific communication; Information competence; Artificial Intelligence - AI; ChatGPT; Perplexity AI

Quanto a...
ABORDAGEM ANALÍTICA	OBJETIVO DA PESQUISA	FONTES DE INFORMAÇÃO	TÉCNICAS DE COLETA DE DADOS	ANÁLISE DOS DADOS
Qualitativa	Exploratório	Bibliográfica	Pesquisa bibliográfica	Revisão de literatura
Qualitativa	Exploratório	Campo	Observação	Interpretação indutiva

Pensando como um humano	Pensando racionalmente
“[...] fazer os computadores pensarem (Haugeland, 1985 apud Russel, 2013). “[Automatização de] atividades que associamos ao pensamento humano, atividades como a tomada de decisões, a resolução de problemas, o aprendizado [...]” (Bellman, 1978 apud Russel, 2013).	“O estudo das faculdades mentais pelo uso de modelos computacionais” (Charniak; McDermott, 1985 apud Russel, 2013). “O estudo das computações que tornam possível perceber, raciocinar e agir” (Winston, 1992 apud Russel, 2013).
Agindo como seres humanos	Agindo racionalmente
“[...] criar máquinas que executam funções que exigem inteligência quando executadas por pessoas” (Kurzweil, 1990 apud Russel, 2013). “O estudo de como os computadores podem fazer tarefas que hoje são melhor desempenhadas pelas pessoas” (Rich; Knight, 1991 apud Russel, 2013).	“Inteligência Computacional é o estudo do projeto de agentes inteligentes” (Poole et al., 1998 apud Russel, 2013). “AI [...] está relacionada a um desempenho inteligente de artefatos” (Nilsson, 1998 apud Russel, 2013).

NOME	FUNCIONALIDADE
ChatSonic	Gera textos e imagens.
Jasper Chat	Gera textos. Desenvolvido para uso comercial (Ex.: marketing e vendas).
CharacterAI	Voltado à interação, permite que os usuários criem personagens e conversem/interajam com os personagens criados.

Comando - Escreva sobre os paradigmas da Ciência da Informação

A Ciência da Informação é um campo científico que passa por constantes revoluções e ciclos paradigmáticos que alteram seus focos de atenção em termos teóricos e práticos. Existem três paradigmas que sustentam a Ciência da Informação: o físico, o cognitivo e o social. O paradigma físico exclui o papel ativo do sujeito cognoscente de todo processo informativo e comunicativo. Já o paradigma cognitivo analisa a proximidade das áreas, a partir das interações e necessidades do usuário em relação aos sistemas de informação, onde ambas as áreas não tinham como compreender o usuário, de modo a ajustar os serviços a ele. O último paradigma da Ciência da Informação é o social, cujo objetivo é integrar a abordagem física e cognitiva, considerando a constituição social do indivíduo para construir um modelo ideal que beneficie a todos os envolvidos no processo.
As competências profissionais do Moderno Profissional da Informação e suas relações com os principais paradigmas que sustentam a Ciência da Informação foram tema de estudo. Através de pesquisa bibliográfica e exploratória, constatou-se que as competências profissionais manifestam-se com maior intensidade no paradigma físico, havendo pouca correspondência com os demais paradigmas, o que demonstra que a atividade profissional ainda se manifesta em fazeres técnicos, não priorizando questões humanistas. Portanto, as competências atribuídas ao Moderno Profissional da Informação são insuficientes para adequar o profissional à realidade do mercado atual. Percebeu-se haver necessidade de ampliação das competências, principalmente quanto ao paradigma cognitivo e sociocultural, em face da manifestação de uma sociedade multicultural, o que requer, para adequação a esse novo contexto, a aquisição de competências de cunho pedagógico e cognitivo.

ETAPAS	HABILIDADES INFORMACIONAIS	COMENTÁRIO
1. Analisar a necessidade de informação	1.1 Definir o problema; 1.2 Determinar a natureza e a extensão das informações necessárias;	Assim a pessoa será capaz de identificar se a ferramenta é adequada à sua necessidade, se pode utilizá-la, quando pode utilizá-la e como pode usá-la ou rejeitá-la.
2. Analisar a ferramenta	2.1 Explorar a ferramenta; 2.2 Conhecer as funções e o funcionamento da ferramenta; 2.3 Analisar vantagens e desvantagens da ferramenta;
3. Planejar estratégias de busca (elaborar comando)	3.1 Elaborar comando eficientes e eficazes; 3.2 Expressar necessidades informacionais/latentes de forma precisa por meio de comandos bem direcionados, estratégicos e assertivos;* 3.3 Julgar o processo (eficiência) e o resultado (eficácia), tendo em vista elaborar um novo comando, se necessário; 3.4 Refinar o comando, se necessário, o que requer habilidade para restringir ou ampliar conceitos presentes nele;	Assim a pessoa será capaz de direcionar bem a IA, tendo em vista obter bons resultados, evitar sobrecarga de informações e sanar a sua necessidade. Evidencia-se que o comando influência diretamente a qualidade do conteúdo sintetizado.
4. Analisar o conteúdo sintetizado	4.1 Analisar a profundidade, veracidade, coerência e consistência do conteúdo sintetizado; 4.2 Acessar outras fontes de informação (formais, acadêmicas e/ou científica); 4.3 Comparar o conteúdo sintetizado pela ferramenta com o conteúdo disponível em fontes de informação (formais, acadêmicas e/ou científica);	Evidencia-se que, em alguns casos, pode ser necessário que a pessoa tenha um conhecimento prévio e/ou seja especialista no assunto. Essas ações podem minimizar os impactos destes vieses: viés de confirmação, viés de ancoragem e excesso de confiança.
5. Usar o conteúdo sintetizado	5.1 Utilizar o conteúdo sintetizado de forma legal, ética e criativa; 5.2 Utilizar o conteúdo sintetizado observando e respeitando questões de direito autoral e propriedade intelectual; 5.3 Assimilar e apropriar-se do conteúdo sintetizado, ou seja, compreendê-lo, interpretá-lo, incorporá-lo à base de conhecimento, ressignificá-lo e gerar novas informações/conhecimentos com base nele; 5.4 Interpretar, analisar, sintetizar e avaliar o conteúdo sintetizado; 5.5 Identificar e rejeitar dados incoerentes, imprecisos e falaciosos; 5.6 Extrair informações relevantes;	Assim a pessoa será capaz de utilizar o conteúdo adequadamente.

Escola de Ciência da Informação da UFMG Antonio Carlos, 6627 - Pampulha, 31270- 901 - Belo Horizonte -MG, Brasil, Tel: 031) 3499-5227 , Fax: (031) 3499-5200 - Belo Horizonte - MG - Brazil
E-mail: pci@eci.ufmg.br

Acompanhe os números deste periódico no seu leitor de RSS

[TFN1] Fonte: elaborado pelos autores (2023).

Aprendizagem supervisionada	O desenvolvedor disponibiliza para a máquina um conjunto de dados identificados/rotulados (exemplos de entrada e exemplos de saída, isto é, resultados pré-definidos, uma espécie de gabarito) e a máquina, com base nos exemplos, identifica relações entre os padrões de entrada e de saída.
Aprendizagem não supervisionada	A máquina recebe apenas padrões de entrada e precisa explorar os dados, que não estão rotulados/identificados, para encontrar padrões de saída.
Aprendizagem por reforço	A máquina não tem acesso a exemplos de entrada-saída, ou seja, não há modelo prévio ou referências que indiquem qual é a melhor ação a ser realizada ou decisão a ser tomada. A aprendizagem por reforço é baseada em feedback (recompensa ou penalidade, conforme o sucesso ou o fracasso proveniente das ações e decisões empreendidas), a máquina aprende a atingir uma meta e/ou encontrar a solução para um problema por meio de tentativa e erro.
Aprendizado profundo ou deep learning	Utiliza um conjunto extenso de dados, processadores rápidos e algoritmos sofisticados para desenvolver tecnologias capazes de reconhecer/identificar padrões, imagens, sons e textos, realizar projeções e outras atividades. O aprendizado profundo utiliza redes neurais artificiais (processamento de dados inspirado no funcionamento do cérebro humano) para processar os dados, é utilizado em tarefas mais complexas e permite que a máquina reconheça padrões complexos em grandes conjuntos de dados.