ChatGPT como júri

Eis o resumo:

Este estudo examina a capacidade do ChatGPT (GPT-4o), um sistema de IA baseado em modelos de linguagem de grande porte, de avaliar projetos de concursos de arquitetura. Investiga-se como as informações fornecidas pelo júri influenciam as avaliações do modelo e quão eficazmente ele integra dados multimodais (texto + imagens). A análise concentra-se em oito projetos premiados (três vencedores e cinco menções honrosas) do Concurso Nacional de Projeto Arquitetônico para o Novo Edifício de Serviços da Prefeitura de Kadıköy, realizado em 2025. O ChatGPT avaliou os projetos em dois cenários: com acesso aos relatórios do júri (avaliação influenciada pelo júri) e sem qualquer dado do júri (avaliação independente). Em ambos os casos, os projetos foram pontuados em uma escala de 0 a 5 em seis categorias temáticas definidas no edital do concurso. Os resultados mostram que, quando os relatórios do júri estavam disponíveis, as avaliações do ChatGPT apresentaram forte alinhamento com as do júri humano (r ≈ 0,87). Na ausência das informações do júri, os rankings dos projetos e as ênfases temáticas se alteraram, indicando a capacidade do modelo de gerar interpretações alternativas com base em informações textuais e visuais. O estudo contribui para a pesquisa em avaliação arquitetônica, metodologicamente ao introduzir um arcabouço de dois cenários, teoricamente ao revelar como a IA espelha ou diverge do julgamento humano, e, na prática, ao demonstrar seu potencial como ferramenta de apoio à decisão. Embora a IA possa enriquecer os processos avaliativos, a expertise humana permanece essencial para decisões nuançadas e sensíveis ao contexto.

Dois comentários aqui. O primeiro é que projetos de arquiteturas são bastante complexos de serem analisados, pois incluem nuances que talvez a IA não esteja preparada para captar. Segundo, na medida que a IA for sendo treinada, o grau de precisão dos seus resultados podem convergir com do júri, desde que formado por especialistas; entretanto, o elemento de originalidade, que o ser humano poderia captar, pode não ser considerado pelo GPT. 

Fiquei pensando se o modelo de sistema poderia influenciar no resultado. Mas a ideia de que a IA pode escolher entre diferentes projetos é interessante e tentadora. 

Imagem aqui 

Rir é o melhor remédio

 

Fonte: aqui

Restrição ao uso de grandes quantias em dinheiro físico

A partir do blog do Alexandre Alcântara temos que a Comissão de Constituição e Justiça do Senado aprovou parecer favorável ao Projeto de Lei (PL) 3.951/2019, que estabelece limites e condições para o uso de dinheiro em espécie no Brasil, com o objetivo central de reforçar o combate à lavagem de dinheiro e crimes conexos. O texto aprovado autoriza que o Conselho Monetário Nacional (CMN), após consultar o Conselho de Controle de Atividades Financeiras (Coaf), fixe valores máximos para transações e pagamentos em espécie, incluindo cheques e boletos, e proíbe o uso de dinheiro físico em transações imobiliárias de qualquer valor. O projeto ainda precisa passar por diversas instâncias. 

Uma crítica que faço a esse tipo de projeto é que ele impõe restrições ao uso de dinheiro físico, o que é uma limitação à liberdade e à autonomia das pessoas. Por outro lado, restrições similares já existem em vários países como ferramenta para dificultar a lavagem de dinheiro, evasão fiscal, corrupção e outras atividades ilícitas. 

Foto aqui 

Contabilidade para mitigação de risco

O IASB propôs um novo modelo contábil chamado Risk Mitigation Accounting para refletir com mais precisão como instituições financeiras gerenciam o risco de taxa de juros em suas carteiras, respondendo a comentários de bancos e investidores de que as regras atuais de hedge accounting não capturam adequadamente práticas dinâmicas de gestão de risco. O objetivo é aumentar a transparência sobre como tais atividades impactam o desempenho financeiro e os fluxos de caixa futuros, alinhando contabilidade e gestão de risco. As propostas incluem alterações ao IFRS 9 e ao IFRS 7, além da possível retirada da IAS 39. A consulta pública está aberta até 31 de julho de 2026

Leia mais aqui e aqui

Podemos substituir LLM por humanos em pesquisa?

Imagem aqui 

Parece loucura isso. Pesquisas usando IA no lugar de seres humanos. Eis um trecho da discussão

No início deste ano, comecei a prestar atenção em propostas que sugerem o uso de LLMs para simular participantes em surveys e experimentos comportamentais. A ideia é que os LLMs possam ser instruídos por meio de prompts que incluam as instruções do experimento ou do questionário e uma persona de participante (por exemplo, uma descrição demográfica), tornando possível simular amostras humanas-alvo sem os custos e as dificuldades de recrutar pessoas reais. Diversos artigos têm apontado resultados promissores — como situações em que os resultados obtidos com LLMs apresentam correlação moderada a alta com os resultados de estudos com humanos — para argumentar que essa abordagem poderia transformar as ciências comportamentais: aumentando tamanhos amostrais, gerando contrafactuais ausentes, permitindo aprender sobre populações de difícil acesso ou sobre situações eticamente sensíveis, entre outros benefícios.

O elefante óbvio na sala é a validação: como estabelecer que conclusões sobre o comportamento humano, derivadas de análises que substituem ou complementam dados humanos com saídas de LLMs, são válidas? Em outras palavras, como garantir que o uso de LLMs não introduz vieses sistemáticos na estimação do parâmetro humano de interesse (efeitos médios, coeficientes de regressão etc.)? Muitos artigos sobre esse tema lidam com essa questão de maneira frouxa e heurística. Por exemplo, os autores demonstram uma replicação parcial de alguns resultados humanos com LLMs e, em seguida, passam a argumentar que os LLMs poderiam ser usados para aproximar o comportamento humano de forma mais ampla naquele domínio. Alguns trabalhos tentam formalizar esse tipo de validação heurística.

Então decidimos escrever algo especificamente sobre a validação de participantes de estudos baseados em LLMs: como é o panorama das abordagens que vêm sendo adotadas e, dentre elas, quais atendem aos requisitos mínimos para produzir estimativas válidas de parâmetros em análises posteriores. 

O texto completo pode ser encontrado aqui. Em resumo, devemos ter cuidado (feito pelo GPT):

O uso de LLMs para substituir participantes humanos não é, em geral, válido quando o objetivo é produzir inferências confiáveis sobre o comportamento humano. Embora LLMs possam reproduzir padrões aparentes de respostas humanas e apresentar correlações elevadas com dados reais, isso não garante validade inferencial. A principal limitação está no risco de vieses sistemáticos: erros dos LLMs podem estar correlacionados com variáveis de interesse, comprometendo estimativas de médias, efeitos causais ou coeficientes de regressão, mesmo quando o viés médio parece pequeno.

O uso de LLMs pode ser aceitável em contextos exploratórios, como geração de hipóteses, testes preliminares de desenho experimental ou identificação de possíveis efeitos, desde que haja cautela na interpretação dos resultados. Para pesquisas confirmatórias, a substituição direta de humanos por LLMs só seria defensável se acompanhada de procedimentos rigorosos de validação e calibração estatística, com dados humanos auxiliares e ajustes explícitos para vieses residuais. Sem isso, LLMs devem ser vistos como ferramentas complementares — e não substitutos — da pesquisa com participantes humanos.

Senhas de 4 dígitos

Há 10 mil combinações possíveis em uma senha de 4 (0-9). Para avaliar as mais comuns, o cientista de dados Nick Berry elaborou um estudo com base em vazamento de dados e o Information is Beautiful elaborou um belo e interessantíssimo gráfico.

Além das mais óbvias, 1234 (11%) e 1111 (6%) liderando o ranking, as datas de nascimento, combinações com “19”, são as mais frequentes, mostrando que valorizamos mais a memória que a segurança.

 

Publicamos anteriormente outro gráfico relacionado a senhas publicado pelo Information is Beautiful: aqui.

Rir é o melhor remédio

 

Fonte: aqui