Mitigação de Viés de Modelos de Aprendizado de Máquina de Governo Digital

Será defendida no dia 11 de dezembro de 2025, às 10:00 horas, por videoconferência, a Dissertação de Mestrado intitulada “Mitigação de Viés de Modelos de Aprendizado de Máquina de Governo Digital”, da candidata ao título de Mestre em Computação – Gabriela de Barros Coutinho.

Link para defesa: https://meet.google.com/byf-cpwe-opb

Mitigação de Viés de Modelos de Aprendizado de Máquina de Governo Digital

Resumo:

A crescente adoção de Aprendizado de Máquina (AM) no Governo Digital impõe o desafio crítico de equilibrar eficiência operacional com a equidade em decisões de alto impacto social. A literatura atual evidencia uma lacuna significativa entre os princípios éticos abstratos e a prática técnica, ou seja, na aplicação de práticas adotadas para tratamento de viés nos dados para construção de modelos baseados em aprendizado de máquina no escopo geral para o escopo de governo digital, carecendo de fluxos de trabalho auditáveis que orientem cientistas de dados na implementação de sistemas inteligentes justos. 

Para preencher essa lacuna, esta dissertação propõe e avalia o Protocolo Experimental para Mitigação de Viés em Governo Digital (PEM-Gov). O método traduz a justiça algorítmica em um processo de engenharia sistemático estruturado em quatro fases: (i) definição do problema, que abrange o entendimento do contexto e identificação de riscos no problema abordado e em variáveis sensíveis; (ii) análise de modelos sem tratamento de viés; (iii) mitigação de viés, com a aplicação de técnicas de tratamento de viés na construção de modelos; e (iv) avaliação comparativa, focada na análise estatística de trade-offs. 

O protocolo foi instanciado experimentalmente nas bases públicas COMPAS e HMDA, comparando 60 modelos gerados a partir de 3 algoritmos e 4 técnicas de mitigação. Testes de hipótese de Friedman, Nemenyi e Dunn-Bonferroni constituíram uma etapa importante do protocolo, promovendo a robustez técnica das escolhas. Os resultados indicaram ser possível obter uma melhoria na equidade (medida pela Equalized Odds Ratio) sem perdas estatisticamente significativas na performance global (Acurácia e F1-Score), especialmente com o uso de algoritmos não lineares, oferecendo ao setor público um caminho para uma IA mais responsável.  

Resumo:

A crescente adoção de Aprendizado de Máquina (ML) no Governo Digital apresenta o desafio crucial de equilibrar a eficiência operacional com a equidade em decisões sociais de alto impacto. A literatura atual revela uma lacuna significativa entre os princípios éticos abstratos e a prática técnica, ou seja, na aplicação das práticas adotadas para o tratamento de vieses em dados para a construção de modelos baseados em aprendizado de máquina no âmbito geral ao âmbito do governo digital, havendo uma carência de fluxos de trabalho auditáveis ​​para orientar os cientistas de dados na implementação de sistemas inteligentes justos.

Para preencher essa lacuna, esta dissertação propõe e avalia o Protocolo Experimental para Mitigação de Viés em Governo Digital (PEM-Gov). O método traduz a justiça algorítmica em um processo de engenharia sistemático estruturado em quatro fases: (i) definição do problema, que inclui a compreensão do contexto e a identificação de riscos no problema abordado e em variáveis ​​sensíveis; (ii) análise de modelos sem tratamento de viés; (iii) mitigação de viés, com a aplicação de técnicas de tratamento de viés na construção do modelo; e (iv) avaliação comparativa, focada na análise estatística das compensações.

O protocolo foi implementado experimentalmente nas bases de dados públicas COMPAS e HMDA, comparando 60 modelos gerados a partir de 3 algoritmos e 4 técnicas de mitigação. Os testes de hipóteses de Friedman, Nemenyi e Dunn-Bonferroni constituíram uma etapa importante no protocolo, promovendo a robustez técnica das escolhas. Os resultados indicaram que é possível obter uma melhoria na equidade (medida pela Razão de Chances Equalizada) sem perdas estatisticamente significativas no desempenho geral (Acurácia e Pontuação F1), especialmente com o uso de algoritmos não lineares, oferecendo ao setor público um caminho para uma IA mais responsável.

Banca  examinadora:

Prof.ª Flávia Cristina Bernardini, UFF – Presidente

Prof. José Viterbo Filho, UFF

Prof. Eduardo de Oliveira Andrade, BlueShift Brasil