Processo de curadoria semântica assistida por LLMs para integração de dados abertos: o caso da plataforma ELLAS na América Latina

• Marlos Vinicius S. Piccinelli UTFPR
• Nádia P. Kozievitch UTFPR
• Rita Cristina G. Berardi UTFPR

DOI: https://doi.org/10.5753/lasdigov.2026.23551

Resumo

Este artigo propõe um pipeline de curadoria semântica assistida por Modelos de Linguagem de Grande Escala (LLMs) para padronizar variáveis categóricas heterogêneas em dados abertos provenientes de surveys multilíngues. A abordagem combina engenharia de prompts, validação humana e alinhamento a referenciais institucionais, como UNESCO, IBGE e INEP. Aplicado a um dataset do projeto ELLAS com 10.312 respostas sobre gênero em STEM na América Latina, o pipeline reduziu a cardinalidade, melhorou a consistência semântica e viabilizou a integração dos dados a grafos de conhecimento, contribuindo para a interoperabilidade de dados abertos.

Referências

Alencar, J., Magalhães, R., Vasconcelos, D., Chaves, S., Oliveira, J., Bessa, A., & Rodrigues, E. (2022). Comparação de Desempenho entre Soluções de Interoperabilidade. In Anais do X Workshop de Computação Aplicada em Governo Eletrônico, (pp. 25-36). Porto Alegre: SBC.

Andrade, S. A. and Luque, D. B. (2022). “Interoperabilidade de Sistemas aplicados às Cidades Inteligentes: Um Estudo de Mapeamento Sistemático”. In: Anais do Workshop de Computação Aplicada ao Governo Eletrônico.

Berardi, R. et al. (2023). “ELLAS: Uma plataforma de dados abertos com foco em lideranças femininas em STEM no contexto da América Latina”. In: Anais do XVII Women in Information Technology, pp. 124-135.

Borchardt, G., Santos, M., Frigo, L., & Gasparini, I. (2022). Ferramenta de Visualização de Dados do Censo da Educação Superior do INEP. In Anais do X Workshop de Computação Aplicada em Governo Eletrônico, (pp. 227-234). Porto Alegre: SBC.

Brasil (2026). “O que são Dados Abertos?”. Acesso à Informação. Disponível em: [link]. Acesso em: 27 mar. 2026.

Brasil (2024). “Política de Dados Abertos do Governo Federal”. Governo Digital. Disponível em: [link] Acesso em: 26 mar. 2026.

Felizardo, K. R. and Deizepe, A. R. (2026). “Uso de LLM para apoiar a condução de revisões sistemáticas da literatura em Engenharia de Software”. Fronteiras de Engenharia de Software, Escola de Estudos Experimentais em Engenharia de Software (EEES 2026), ICSE 2026. Disponível em: [link]. Acesso em: 27 mar. 2026.

Frost, J. (2026). “Categorical Variables”. Statistics By Jim. Disponível em: [link]. Acesso em: 27 mar. 2026.

IBGE (2022). “Censo Demográfico 2022: Identificação étnico-racial da população, por sexo e idade”. Instituto Brasileiro de Geografia e Estatística. Disponível em: [link]. Acesso em: 26 mar. 2026.

IBM (2026a). “What is Data Quality?”. IBM. Disponível em: [link]. Acesso em: 27 mar. 2026.

IBM (2026b). “What is Data Quality Management?”. IBM. Disponível em: [link]. Acesso em: 27 mar. 2026.

IBM (2026c). “Ambiguous Data”. IBM. Disponível em: [link]. Acesso em: 27 mar. 2026.

INEP (2017). “Áreas de Formação e Treinamento da CINE-F 2013: Manual que acompanha a Classificação Internacional Normalizada da Educação 2011”. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Disponível em: [link]. Acesso em: 26 mar. 2026.

INEP (2023). “Censo da Educação Superior: Microdados do Censo da Educação Superior 2023”. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Disponível em: [link]. Acesso em: 26 mar. 2026.

European Commission (2026). “Semantic Interoperability”. Interoperable Europe Portal. Disponível em: [link]. Acesso em: 27 mar. 2026.

Maciel, C. et al. (2023). “Open Data Platform to Promote Gender Equality Policies in STEM”. In: Proceedings of the Western Decision Sciences Institute.

Marcacini, R. M. et al. (2025). “LLM4Gov: A Privacy-Preserving Approach to Teacher-Student Fine-Tuning of Distilled LLMs for the Public Sector”. In: Anais do Latin American Symposium on Digital Government.

Microsoft (2024). “COLUMN STATISTICS function (DAX)”. Microsoft Learn. Disponível em: [link]. Acesso em: 27 mar. 2026.

Parreiras, M. et al. (2022). “Inteligência artificial aplicada para o aumento da produtividade no atendimento de intimações”. In: Anais do Workshop de Computação Aplicada ao Governo Eletrônico.

Pinto, G. et al. (2022). “A Graph Knowledge-base for Auditing Human Resources Public Management”. In: Anais do Workshop de Computação Aplicada ao Governo Eletrônico.

SBC (2024). “Governo Digital e Transformação Digital no Setor Público”. Disponível em: [link]. Acesso em: 26 mar. 2026.

UNESCO (2015).“International Standard Classification of Education: Fields of Education and Training 2013 (ISCED-F 2013)”. UNESCO Institute for Statistics. DOI: 10.15220/978-92-9189-179-5-en. Acesso em: 26 mar. 2026.

UNESCO (2016). “Safe, Seen and Included: Inclusion and Diversity within Educational Settings”. UNESCO. Disponível em: [link]. Acesso em: 26 mar. 2026.

UNESCO (2018). “School-related Violence and Bullying on the Basis of Sexual Orientation and Gender Identity or Expression (SOGIE): A Global Review”. UNESCO. Disponível em: [link]. Acesso em: 26 mar. 2026.

UNESCO (2019). “Bringing it Out in the Open: Monitoring School Violence Based on Sexual Orientation, Gender Identity or Gender Expression”. UNESCO. Disponível em: [link]. Acesso em: 26 mar. 2026.