Inteligência artificial, diversidade e Cultura Digital: entenda como abordar os vieses algorítmicos em sala de aula.
Algoritmos podem reproduzir preconceitos? Como trabalhar o tema na escola
Inteligência artificial, diversidade e Cultura Digital: entenda como abordar os vieses algorítmicos em sala de aula e o que a BNCC Computação orienta para professores e gestores.
Imagine um sistema de inteligência artificial que reconhece determinadas pessoas com muito mais precisão do que outras. O que explica essa diferença? E como os estudantes podem aprender a identificar e questionar situações como essa?
Pesquisas de Buolamwini e Gebru (2018) mostram que sistemas automatizados podem apresentar resultados desiguais, dependendo dos dados utilizados, das escolhas feitas durante seu desenvolvimento e das condições em que são aplicados.
Na escola, compreender esses mecanismos é uma oportunidade de trabalhar pensamento crítico, diversidade e responsabilidade no uso das tecnologias.
A semana do Dia Nacional de Zumbi e da Consciência Negra, celebrado em 20 de novembro, oferece um momento importante para iniciar essa discussão. Mas o assunto não precisa ficar restrito ao calendário: ele se relaciona diretamente à Cultura Digital, um dos três eixos da BNCC Computação, e pode integrar o planejamento pedagógico durante todo o ano letivo.
Para professores e secretarias de educação, o desafio é transformar essa reflexão em aprendizagem. Isso pode começar com uma brincadeira sem telas na Educação Infantil, avançar para a análise de representações nos Anos Iniciais e chegar à investigação de sistemas de inteligência artificial nos Anos Finais.
O que são vieses algorítmicos?
Um algoritmo pode ser entendido como uma sequência organizada de instruções para realizar uma tarefa ou resolver um problema. Uma receita culinária, por exemplo, apresenta etapas que precisam ser seguidas para alcançar determinado resultado.
Entretanto, nem todos os sistemas computacionais funcionam apenas por meio de regras previamente definidas.
Em aplicações de inteligência artificial que utilizam aprendizado de máquina, os sistemas identificam padrões a partir de exemplos fornecidos durante seu desenvolvimento. Esses exemplos podem incluir imagens, textos, sons ou outros tipos de dados.
O problema aparece quando esses dados não representam adequadamente a variedade de situações que o sistema encontrará, ou quando os critérios utilizados em seu desenvolvimento favorecem determinados resultados.
Isso pode produzir o chamado viés algorítmico: uma tendência sistemática de um sistema automatizado a produzir resultados distorcidos ou desiguais em determinadas situações ou para diferentes grupos.
Esses vieses podem surgir mesmo quando não existe uma intenção explícita de discriminar.
Entre suas possíveis causas estão:
Dados pouco representativos: determinados grupos, características ou situações aparecem com frequência insuficiente nos exemplos utilizados.
Critérios inadequados: o sistema é avaliado por sua precisão geral, sem que seu desempenho seja suficientemente analisado em diferentes grupos ou contextos.
Condições de utilização: uma ferramenta desenvolvida e testada em determinada realidade passa a ser utilizada em outra, sem avaliação adequada.
Isso significa que o funcionamento de uma inteligência artificial não depende apenas dos dados. Ele também é influenciado pelos objetivos definidos, pelas decisões de seus desenvolvedores e pela maneira como a tecnologia é utilizada.
A boa notícia é que esses sistemas podem ser investigados e aperfeiçoados. Ampliar a representatividade dos dados, rever critérios, testar resultados e acompanhar o desempenho das ferramentas são algumas das medidas possíveis.
Para os estudantes, a principal aprendizagem é compreender que a tecnologia não deve ser aceita sem questionamentos: seus resultados podem e devem ser analisados.

Quando a tecnologia produz resultados desiguais: dois casos documentados
Estudos acadêmicos e levantamentos brasileiros ajudam a compreender por que a análise crítica dos sistemas digitais é tão importante.
1. Um estudo sobre diferenças na precisão de sistemas de análise facial
Em 2018, as pesquisadoras Joy Buolamwini e Timnit Gebru publicaram o estudo Gender Shades, que avaliou três sistemas comerciais de classificação de gênero a partir de imagens faciais.
Os resultados revelaram diferenças expressivas de precisão entre os grupos analisados.
A taxa de erro chegou a 34,7% para mulheres de pele mais escura, enquanto o erro máximo observado para homens de pele mais clara foi de 0,8%.
O estudo evidenciou a importância de avaliar o desempenho de sistemas de inteligência artificial considerando diferentes características das pessoas representadas.
É importante observar que a pesquisa analisou ferramentas de classificação de gênero a partir de imagens, e não sistemas destinados à identificação de pessoas em investigações criminais.
Ainda assim, os resultados se tornaram uma referência importante para as discussões sobre representatividade, avaliação de desempenho e responsabilidade no desenvolvimento de inteligência artificial.
2. Reconhecimento facial e desigualdades no Brasil
No Brasil, um levantamento publicado em 2019 pela Rede de Observatórios da Segurança trouxe informações relevantes sobre o uso de reconhecimento facial na segurança pública.
Entre março e outubro daquele ano, o levantamento acompanhou, a partir de notícias e informações divulgadas por órgãos oficiais, 151 prisões associadas ao uso da tecnologia em quatro estados brasileiros: Bahia, Rio de Janeiro, Santa Catarina e Paraíba.
Em 42 desses casos, havia informações sobre raça ou cor, ou imagens que permitiam essa identificação. Nesse grupo, 90,5% das pessoas eram negras.
O número merece atenção, mas precisa ser interpretado corretamente.
Ele não representa todas as prisões realizadas com reconhecimento facial no Brasil e não permite determinar, isoladamente, quantas prisões foram provocadas por erros dos sistemas.
O levantamento também não separa completamente os efeitos da tecnologia das decisões institucionais sobre onde, como e em quais populações ela foi utilizada.
Os dois estudos, portanto, apresentam evidências de naturezas diferentes.
O primeiro mede erros de classificação em sistemas comerciais testados sob condições de pesquisa. O segundo permite discutir desigualdades associadas ao contexto de utilização de uma tecnologia.
Na escola, essa distinção oferece uma aprendizagem essencial: antes de utilizar um dado para sustentar uma conclusão, é preciso compreender o que ele realmente mede, como foi produzido e quais são seus limites.
O que a BNCC Computação orienta sobre diversidade e tecnologia?
A discussão sobre vieses algorítmicos encontra respaldo nas diretrizes curriculares brasileiras.
A Resolução CNE/CEB nº 1, de 4 de outubro de 2022, instituiu as normas sobre Computação na Educação Básica, em complemento à BNCC, organizadas em três eixos:
Pensamento Computacional: desenvolvimento de estratégias para compreender, organizar e resolver problemas.
Mundo Digital: compreensão do funcionamento das tecnologias, dos dispositivos e dos sistemas computacionais.
Cultura Digital: análise das relações entre tecnologia e sociedade, envolvendo participação, ética, segurança, responsabilidade e pensamento crítico.
É especialmente no eixo de Cultura Digital que o debate sobre diversidade, representatividade e impactos sociais das tecnologias encontra espaço.
A Resolução CNE/CEB nº 2, de 21 de março de 2025, reforçou essa orientação ao estabelecer diretrizes operacionais para o uso de dispositivos digitais nas escolas e para a integração curricular da educação digital e midiática.
Seu artigo 29 prevê, entre outros aspectos, a compreensão de algoritmos, do uso de dados para treinamento de máquinas e das diferentes formas de inteligência artificial, incluindo suas implicações éticas e sociais.
O mesmo artigo orienta que os currículos contemplem reflexões sobre representação, representatividade, desigualdades, direitos e responsabilidades no ambiente digital.
As orientações também consideram as características de cada etapa de ensino.
Na Educação Infantil, o artigo 32 prioriza experiências, brincadeiras e jogos, incluindo a computação desplugada. O uso de telas nessa etapa não é recomendado como regra.
Nos Anos Iniciais do Ensino Fundamental, o artigo 33 destaca o reconhecimento de padrões, o pensamento lógico, a leitura crítica de informações e conceitos como autoria, evidências e representação.
Nos Anos Finais, o artigo 34 orienta o desenvolvimento de uma educação digital e midiática crítica e criativa, articulada à cidadania digital e à participação social.
No Ensino Médio, o artigo 35 menciona expressamente a identificação de riscos sociais das tecnologias, incluindo a perpetuação de vieses e exclusões e suas relações com questões étnico-raciais.
Há ainda oportunidades de articulação com habilidades específicas da BNCC Computação, como a EF15CO08¹ e a EF15CO09², relacionadas ao uso crítico, ético e responsável das tecnologias nos Anos Iniciais, e a EF08CO11³, que trata da avaliação de informações eletrônicas, incluindo seus vieses.
A correspondência entre essas habilidades e as atividades propostas deve considerar o ano escolar, os objetivos de aprendizagem e a organização curricular de cada rede.
O tema também dialoga com as Leis nº 10.639/2003 e nº 11.645/2008, que estabelecem a obrigatoriedade do estudo da história e cultura afro-brasileira e indígena, além da Lei nº 14.533/2023, que instituiu a Política Nacional de Educação Digital.
Assim, trabalhar diversidade e vieses algorítmicos não significa acrescentar um assunto desconectado do currículo. Significa criar oportunidades de aprendizagem que relacionem Computação, cidadania e educação para as relações étnico-raciais.
Para as secretarias de educação: cinco decisões para transformar o tema em aprendizagem
A implementação da educação digital não depende apenas da iniciativa individual de professores. Para alcançar diferentes escolas, turmas e contextos, é necessário planejamento em nível de rede.
A Resolução CNE/CEB nº 2/2025 estabelece a implementação curricular obrigatória a partir de 2026 e permite que as redes discutam currículos de transição, considerando suas necessidades de formação docente e as características das etapas de ensino.
Nesse cenário, o trabalho com vieses algorítmicos pode integrar uma estratégia mais ampla de implementação da Cultura Digital.
Cinco decisões ajudam a organizar esse processo.
1. Definir onde o tema aparece no currículo
As redes podem organizar a educação digital e midiática de forma transversal ou como componente específico, respeitando as normas e orientações curriculares vigentes.
O importante é explicitar onde e como as aprendizagens serão desenvolvidas.
Na prática: identificar as etapas, os anos escolares, as habilidades relacionadas e os componentes curriculares que podem contribuir para o tema.
O resultado esperado é um planejamento que permita aos professores reconhecer a progressão das aprendizagens.
2. Preparar os professores para abordar o assunto
A formação docente precisa ir além da apresentação de ferramentas digitais.
É importante que os educadores compreendam conceitos como algoritmos, dados, representatividade e avaliação crítica de informações, além de conhecerem estratégias pedagógicas adequadas às diferentes idades.
Os artigos 37 a 41 da Resolução CNE/CEB nº 2/2025 tratam da formação dos profissionais da educação e preveem etapas de diagnóstico, estruturação das formações e planejamento de sua realização.
Na prática: organizar uma formação que combine fundamentos conceituais, análise de exemplos e experimentação de atividades aplicáveis em sala.
3. Integrar Computação e educação para as relações étnico-raciais
O trabalho com diversidade não deve acontecer apenas em datas comemorativas.
O planejamento conjunto entre professores de Computação, equipes pedagógicas e profissionais envolvidos com a educação para as relações étnico-raciais permite construir propostas interdisciplinares.
Na prática: estabelecer uma sequência anual de atividades que relacione tecnologia, representatividade, produção cultural e cidadania.
O mês de novembro pode funcionar como um marco de aprofundamento e socialização das aprendizagens.
4. Garantir condições de participação
Não é necessário que todas as atividades dependam de computadores, laboratórios ou acesso individual à internet.
Brincadeiras de classificação, análise de cartões ilustrados, simulações e discussões coletivas podem introduzir conceitos importantes.
A própria resolução orienta a prioridade ao uso de dispositivos fornecidos pela escola nas atividades pedagógicas e reconhece a importância da computação desplugada.
Na prática: oferecer alternativas para diferentes condições de infraestrutura, garantindo que a aprendizagem não dependa do aparelho pessoal do estudante.
5. Acompanhar a aprendizagem
Para avaliar a implementação, não basta registrar que uma atividade foi realizada.
É importante observar o que os estudantes compreenderam, quais argumentos conseguiram desenvolver e como passaram a analisar as tecnologias.
Na prática: utilizar indicadores simples, como número de turmas participantes, formações realizadas, atividades concluídas e registros coletivos de aprendizagem.
Essas informações podem ser acompanhadas de forma agregada, sem exigir a coleta de dados pessoais dos estudantes.
O objetivo não é criar uma obrigação burocrática adicional, mas gerar informações úteis para aperfeiçoar o trabalho pedagógico.
Para os professores: três atividades para trabalhar vieses e diversidade
Os conceitos relacionados aos vieses algorítmicos podem ser introduzidos gradualmente, respeitando o desenvolvimento dos estudantes.
As propostas abaixo utilizam uma lógica comum: observar exemplos, identificar limitações, testar hipóteses e discutir possibilidades de melhoria.
Educação Infantil — O robô que só conhecia maçãs
Duração sugerida: 20 a 30 minutos
Materiais: imagens ou objetos representando diferentes frutas, papel e materiais para desenho.
Objetivo: reconhecer semelhanças e diferenças, ampliar critérios de classificação e valorizar a diversidade de exemplos.
Como desenvolver:
Apresente à turma um personagem imaginário: um robô que está aprendendo a reconhecer frutas.
Explique que, até aquele momento, o robô só viu maçãs. Mostre diferentes imagens de maçãs e peça às crianças que observem suas características.
Apresente uma banana, uma laranja e outras frutas. Na brincadeira, o robô não consegue reconhecê-las como frutas porque seus exemplos eram muito limitados.
Convide as crianças a ajudar o robô, apresentando novos exemplos e explicando o que as frutas podem ter em comum e de diferente.
Finalize com a construção de um mural coletivo representando diferentes frutas e suas características.
Durante a conversa, o professor pode perguntar:
“Será que todas as frutas precisam ser iguais para serem frutas?”
A brincadeira funciona como uma analogia introdutória sobre exemplos e classificação. Ela não pretende reproduzir tecnicamente o funcionamento de um sistema de aprendizado de máquina.
Evidência de aprendizagem: observar se as crianças conseguem reconhecer a variedade de exemplos e explicar, com suas próprias palavras, por que o robô precisava conhecer outras frutas.
A atividade também pode ser articulada, em outro momento, à leitura de histórias e à apreciação de livros com personagens de diferentes características, origens e culturas, valorizando a diversidade das representações.
Anos Iniciais — Quem ficou de fora dos exemplos?
Duração sugerida: uma aula de 50 minutos
Materiais: cartões ilustrados com pessoas de diferentes características em contextos profissionais, folhas de registro e lápis.
Objetivo: identificar limitações de exemplos pouco variados e compreender a importância da representatividade.
Como desenvolver:
Organize os estudantes em pequenos grupos e entregue cartões ilustrados representando profissionais de determinada área, como cientistas.
Na primeira rodada, apresente propositalmente exemplos pouco diversos, explicando que eles compõem uma seleção limitada de imagens.
Peça aos grupos que descrevam os padrões observados e discutam como alguém poderia construir uma ideia incompleta da profissão a partir daquela seleção.
Apresente novos cartões com profissionais diversos, em diferentes ambientes e situações de trabalho.
Solicite que os estudantes comparem os dois conjuntos, identifiquem ausências na primeira seleção e proponham critérios melhores para representar a profissão.
A discussão deve ressaltar que aparência, gênero ou cor da pele não determinam a capacidade nem a profissão de uma pessoa.
O professor também precisa explicar que a atividade simula a análise de exemplos e representações, sem reproduzir exatamente os mecanismos de uma inteligência artificial.
Evidência de aprendizagem: cada grupo registra uma limitação da seleção inicial e propõe uma forma de torná-la mais representativa.
A atividade pode terminar com a pergunta:
“O que pode acontecer quando conhecemos uma profissão, uma cultura ou um grupo de pessoas por meio de exemplos muito limitados?”
Anos Finais — Auditoria de um algoritmo
Duração sugerida: duas aulas de 50 minutos
Materiais: computadores, imagens de objetos previamente selecionadas e tabela para registrar os resultados.
Objetivo: investigar como a escolha dos dados pode afetar o desempenho de um classificador e aprender a interpretar resultados sem tirar conclusões precipitadas.
Como desenvolver:
Apresente aos estudantes a ideia de um sistema capaz de classificar imagens em categorias, como copos e garrafas.
Utilize uma ferramenta educacional de aprendizado de máquina, como o Teachable Machine, do Google, após avaliação prévia da equipe pedagógica.
Prepare dois conjuntos de treinamento com quantidades e condições de imagem diferentes, variando, por exemplo, objetos, ângulos e fundos.
Treine o classificador e teste seu desempenho com imagens novas, que não tenham sido utilizadas no treinamento.
Registre o número de acertos e erros de cada categoria.
Reorganize os exemplos, ampliando sua variedade e corrigindo possíveis desequilíbrios, e realize um novo treinamento.
Repita os testes com o mesmo conjunto de avaliação e compare os resultados.
É importante deixar claro que ampliar ou equilibrar os dados não garante, automaticamente, a redução de todos os erros. A própria investigação deve verificar se houve melhoria, piora ou manutenção dos resultados.
A tabela de registro pode ser simples:
Categoria | Acertos no teste inicial | Acertos após a revisão |
|---|---|---|
Copos | Registrar resultado | Registrar resultado |
Garrafas | Registrar resultado | Registrar resultado |
Com os dados em mãos, a turma discute:
Quais diferenças apareceram entre os testes?
O sistema apresentou mais dificuldades em alguma categoria?
Que características dos exemplos podem ter influenciado o resultado?
O que ainda seria necessário testar antes de considerar o sistema confiável?
Na sequência, os estudantes podem analisar um dos estudos apresentados no artigo e produzir um cartaz ou conteúdo digital com recomendações para o desenvolvimento responsável de tecnologias.
Evidência de aprendizagem: elaboração de um breve relatório coletivo com o procedimento utilizado, os resultados observados, os limites do teste e as melhorias propostas.
Para escolas sem computadores, a atividade pode ser adaptada para uma simulação com cartões impressos e regras de classificação. Nesse caso, é importante explicar que se trata de uma representação didática, e não do treinamento de um modelo real.
Cuidados importantes para abordar o tema em sala
Trabalhar diversidade e vieses algorítmicos exige atenção tanto à precisão das informações quanto ao bem-estar dos estudantes.
O primeiro cuidado é evitar que crianças e adolescentes sejam tratados como exemplos ou representantes de grupos sociais.
Nenhum estudante deve ser solicitado a falar em nome de sua raça, etnia ou comunidade. Da mesma forma, não é necessário utilizar fotografias, rostos ou outros dados pessoais dos alunos para realizar as propostas.
Imagens ilustrativas devidamente autorizadas, desenhos e objetos podem cumprir os objetivos pedagógicos.
O segundo cuidado envolve a apresentação das evidências.
Estudos, pesquisas e estatísticas precisam ser acompanhados de suas fontes, datas e limitações. Isso ajuda os estudantes a compreender que uma informação pode ser verdadeira e, ao mesmo tempo, não permitir determinadas conclusões.
O terceiro cuidado está na maneira de conduzir o debate.
Afirmações genéricas, como dizer que toda tecnologia é neutra ou que todo sistema automatizado reproduz necessariamente uma mesma forma de discriminação, não ajudam a compreender a complexidade do problema.
O mais importante é investigar como os sistemas funcionam, quais escolhas influenciam seus resultados e o que pode ser feito para torná-los mais confiáveis e responsáveis.
Por fim, as atividades precisam oferecer espaço para a reflexão e a construção de soluções.
O objetivo não é fazer os estudantes desconfiarem de toda tecnologia, mas desenvolverem critérios para utilizá-la, avaliá-la e questioná-la de maneira consciente.
Para além de novembro: diversidade e Cultura Digital durante todo o ano
O Dia Nacional de Zumbi e da Consciência Negra oferece uma oportunidade para aprofundar reflexões sobre representatividade, desigualdade e participação social.
No entanto, compreender como as tecnologias podem reproduzir padrões e influenciar decisões é uma aprendizagem que precisa ser construída ao longo de toda a formação escolar.
A BNCC Computação e as diretrizes nacionais de educação digital e midiática oferecem fundamentos para esse trabalho, mas sua realização depende de planejamento curricular, formação docente e propostas pedagógicas adequadas à realidade das escolas.
Para o professor, um primeiro passo é selecionar uma atividade compatível com sua turma, aplicá-la e observar o que os estudantes conseguem explicar sobre o processo.
Para a secretaria de educação, o caminho começa pela definição de objetivos de aprendizagem, pela formação dos educadores e pelo acompanhamento das práticas realizadas nas unidades escolares.
É nessa transformação das orientações curriculares em experiências concretas que a educação digital ganha significado.
Como a CyberGênios pode apoiar esse processo?
A CyberGênios apoia escolas e redes de ensino na implementação da BNCC Computação, reunindo currículo estruturado, planos de aula, atividades desplugadas, recursos digitais, formação de professores e acompanhamento pedagógico.
A proposta é ajudar os educadores a transformar conceitos de Computação e Cultura Digital em experiências de aprendizagem adequadas às diferentes etapas da Educação Básica.
Mais do que ensinar estudantes a utilizar ferramentas, o objetivo é contribuir para que compreendam o mundo digital, desenvolvam pensamento crítico e participem de maneira ética, responsável e criativa da sociedade.
Quer fortalecer a implementação da BNCC Computação na sua escola ou rede de ensino?
Conheça a CyberGênios e converse com nossa equipe.
¹ (EF15CO08) Reconhecer e utilizar tecnologias computacionais para pesquisar e acessar informações, expressar-se crítica e criativamente e resolver problemas. (Eixo Cultura Digital; objeto de conhecimento: Uso de artefatos computacionais; 1º ao 5º ano.)
² (EF15CO09) Entender que as tecnologias devem ser utilizadas de maneira segura, ética e responsável, respeitando direitos autorais, de imagem e as leis vigentes. (Eixo Cultura Digital; objeto de conhecimento: Segurança e responsabilidade no uso da tecnologia computacional; 1º ao 5º ano.)
³ (EF08CO11) Avaliar a precisão, relevância, adequação, abrangência e vieses que ocorrem em fontes de informação eletrônica. (Eixo Cultura Digital; objeto de conhecimento: Uso crítico das mídias digitais; 8º ano.)
Fonte: Brasil. Ministério da Educação. Computação: Complemento à BNCC. Anexo ao Parecer CNE/CEB nº 2/2022, p. 36 e 50.
Referências
BRASIL. Conselho Nacional de Educação. Resolução CNE/CEB nº 1, de 4 de outubro de 2022. Normas sobre Computação na Educação Básica — Complemento à BNCC. Documento oficial.
BRASIL. Conselho Nacional de Educação. Anexo ao Parecer CNE/CEB nº 2/2022. BNCC Computação. Consultar anexo.
BRASIL. Conselho Nacional de Educação. Resolução CNE/CEB nº 2, de 21 de março de 2025. Diretrizes Operacionais Nacionais sobre o uso de dispositivos digitais em espaços escolares e integração curricular de educação digital e midiática. Documento oficial do MEC.
BRASIL. Lei nº 10.639, de 9 de janeiro de 2003. Altera a Lei nº 9.394, de 20 de dezembro de 1996, que estabelece as diretrizes e bases da educação nacional, para incluir no currículo oficial da Rede de Ensino a obrigatoriedade da temática “História e Cultura Afro-Brasileira”, e dá outras providências. Brasília, DF: Presidência da República, 2003. Disponível em: https://www.planalto.gov.br/ccivil_03/leis/2003/l10.639.htm. Acesso em: 17 nov. 2026.
BRASIL. Lei nº 11.645, de 10 de março de 2008. Altera a Lei nº 9.394, de 20 de dezembro de 1996, modificada pela Lei nº 10.639, de 9 de janeiro de 2003, que estabelece as diretrizes e bases da educação nacional, para incluir no currículo oficial da rede de ensino a obrigatoriedade da temática “História e Cultura Afro-Brasileira e Indígena”. Brasília, DF: Presidência da República, 2008. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2007-2010/2008/lei/l11645.htm. Acesso em: 17 nov. 2026.
BRASIL. Lei nº 14.533, de 11 de janeiro de 2023. Institui a Política Nacional de Educação Digital e altera as Leis nºs 9.394, de 20 de dezembro de 1996 (Lei de Diretrizes e Bases da Educação Nacional), 9.448, de 14 de março de 1997, 10.260, de 12 de julho de 2001, e 10.753, de 30 de outubro de 2003. Brasília, DF: Presidência da República, 2023. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2023-2026/2023/lei/l14533.htm. Acesso em: 17 nov. 2026.
BUOLAMWINI, Joy; GEBRU, Timnit. Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification. Proceedings of Machine Learning Research, v. 81, p. 77–91, 2018. Acessar estudo.
NUNES, Pablo. Novas ferramentas, velhas práticas: reconhecimento facial e policiamento no Brasil. In: Retratos da Violência: cinco meses de monitoramento, análises e descobertas. Rede de Observatórios da Segurança, 2019, p. 67–70. Acessar relatório.
GOOGLE. Teachable Machine. Ferramenta educacional de aprendizado de máquina. Acessar ferramenta.
Postagens relacionados

Cultura Digital
Algoritmos podem reproduzir preconceitos? Como trabalhar o tema
Inteligência artificial, diversidade e Cultura Digital: entenda como abordar os vieses algorítmicos em sala de aula.

Cultura Digital
Dia do Professor: do primeiro alfabeto ao primeiro algoritmo
Sabe por que o Dia do Professor é em 15 de outubro? Conheça a história de Salomão Becker e Antonieta de Barros, que criaram essa data.

Cultura Digital
Cyberbullying: como identificar os sinais no ambiente digital
Neste artigo, reunimos os principais sinais de alerta específicos do ambiente online.
+15 prefeituras atendidas