KETRIN: Elicitação Adaptativa de Conhecimento para Diagnóstico de Maturidade em Proteção de Dados

• Ketrin Diovana Alves Rodrigues Vargas UNIPAMPA https://orcid.org/0000-0001-6244-0026
• Tuigg R. Barcelos UNIPAMPA https://orcid.org/0009-0000-3520-102X
• Camilla B. Quincozes UNIPAMPA / UFU https://orcid.org/0009-0004-7398-3551
• Silvio E. Quincozes UNIPAMPA / UFU https://orcid.org/0000-0001-6793-4033
• Paulo Silas Severo de Souza UNIPAMPA https://orcid.org/0000-0003-4945-3329

DOI: https://doi.org/10.5753/sbseg_estendido.2026.33724

Resumo

A KETRIN é uma plataforma web com código-fonte publicamente disponível para elicitação adaptativa de conhecimento organizacional sobre o tratamento de dados pessoais. Em vez de aplicar uma lista fixa, ela gera perguntas em quatro estágios, usa respostas anteriores e fragilidades detectadas para aprofundar a investigação e produz diagnóstico contextualizado de maturidade e plano de ação. A arquitetura separa interface React, orquestração Node.js com contingência entre quatro provedores de LLM e persistência no Firebase. Um piloto registrou 18 diagnósticos concluídos, taxa de conclusão de 86% e avaliação média de 3,21/4. Uma campanha reprodutível com 55 personas sintéticas gerou 550 pares de pergunta e resposta e revelou capacidades e limites da camada lexical de detecção. Código, scripts, personas, oráculos e registros estão publicamente disponíveis.

Referências

Adhikari, D. M., Hartland, A., Weber, I., and Cannanure, V. K. (2025). Exploring LLMs for automated generation and adaptation of questionnaires. In Proceedings of the 7th ACM Conference on Conversational User Interfaces.

Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C., and Wingate, D. (2023). Out of one, many: Using language models to simulate human samples. Political Analysis, 31(3):337–351.

Ataei, M., Cheong, H., Grandi, D., Wang, Y., Morris, N., and Tessier, A. (2025). Elicitron: A large language model agent-based simulation framework for design requirements elicitation. Journal of Computing and Information Science in Engineering, 25(2):021012.

Bachmann, F., van der Weijden, D., Heitz, L., Sarasua, C., and Bernstein, A. (2025). Adaptive political surveys and GPT-4: Tackling the cold start problem with simulated user interactions. PLOS ONE, 20(5):e0322690.

Bisbee, J., Clinton, J. D., Dorff, C., Kenkel, B., and Larson, J. M. (2024). Synthetic replacements for human survey data? the perils of large language models. Political Analysis, 32(4):401–416.

Brasil (2018). Lei n. 13.709, de 14 de agosto de 2018: Lei geral de proteção de dados pessoais. Diário Oficial da União.

Hassani, S., Sabetzadeh, M., Amyot, D., and Liao, J. (2024). Rethinking legal compliance automation: Opportunities with large language models. In Proceedings of the 32nd IEEE International Requirements Engineering Conference, pages 432–440. IEEE.

Korn, A., Gorsch, S., and Vogelsang, A. (2025). LLMREI: Automating requirements elicitation interviews with LLMs. In Proceedings of the 33rd IEEE International Requirements Engineering Conference, pages 19–30.

National Institute of Standards and Technology (2020). NIST privacy framework: A tool for improving privacy through enterprise risk management, version 1.0. Technical report, NIST, Gaithersburg, MD.

Paduraru, C., Cristea, R., and Stefanescu, A. (2024). Adaptive questionnaire design using AI agents for people profiling. In Proceedings of the 16th International Conference on Agents and Artificial Intelligence, volume 3, pages 633–640.

Wohlin, C., Runeson, P., Höst, M., Ohlsson, M. C., Regnell, B., and Wesslén, A. (2012). Experimentation in Software Engineering. Springer, Berlin, Heidelberg.