EUVIMEDEUVIMED entdecken
Crossref

Modelos de Linguagem de Grande Escala (LLMs)

Sara Bublitz de Oliveira, Felipe Mottin Maschmann, Luciana Monteiro-Krebs

Fórum de Estudos em Informação, Sociedade e Ciência · 29.06.2026 · 8

DOI: 10.70525/feisc.2026.424 ↗

Kurz gefasst

Fachartikel in der Zeitschrift Fórum de Estudos em Informação, Sociedade e Ciência, online erschienen am 29.06.2026. Verfasst von Sara Bublitz de Oliveira und 2 weiteren Autor:innen.

AbstractBibliografische AngabenZitierenVerwandte Studien

Abstract (Originalsprache)

Há cerca de três anos um fato mudou a maneira como as pessoas se relacionam com a informação: com a disponibilização para o grande público de forma gratuita dos Modelos de Linguagem de Grande Escala (tradução de Large Language Models ou LLMs), sociedades no mundo todo passaram a se informar e gerar conteúdo com o apoio das ferramentas de Inteligência Artificial Generativa. Apesar do impacto profundo na dinâmica informacional de diferentes públicos, os usuários ainda possuem muitas dúvidas a respeito dessa tecnologia, o que pode afetar a autonomia e poder de decisão em relação à quando e quais as melhores formas de adotá-la. A fim de introduzir os Large Language Models (LLMs) e oferecer subsídio a discussões sobre IA, definiu-se abordar o assunto em quatro eixos: histórico, seu funcionamento, principais agentes envolvidos, e desafios encontrados na literatura. Para tal, adotou-se como procedimento a pesquisa bibliográfica (Gil, 2002), com a técnica de análise de conteúdo, na perspectiva de Bardin (1977), para tratamento dos dados. A busca se deu na Scientific Electronic Library Online (SciELO), com expressão ampla sobre LLMs que incluiu variantes do termo em português, espanhol e inglês. Filtrando por revisados por pares, recuperou-se 182 resultados, e dispensados pré-prints e registros repetidos, 175 foram considerados. Estes foram organizados em tabela para exploração e seleção dos potencialmente relevantes, que deveriam abranger ao menos um dos eixos supracitados. O processo resultou em 36 documentos, que foram categorizados nos eixos de modo preliminar. Os documentos foram fichados, relacionando trechos aos seus respectivos eixos temáticos, para análise e interpretação. Constata-se que os princípios das redes neurais, que abriram caminho para os LLMs, remontam à 1943, com o modelo lógico para neurônios proposto por McCulloch e Pitts (Ribeiro; Tsunoda, 2025). Em décadas seguintes, vieram abordagens práticas e publicações que estimularam o desenvolvimento de linguagens de programação e aspectos de Processamento de Linguagem Natural (PLN) (Ribeiro; Tsunoda, 2025; Vargas-Elizondo, 2024). Houve um período de estagnação, conhecido como “inverno da IA”, ocorrendo uma retomada nas décadas de 80 e 90 (Ribeiro; Tsunoda, 2025). Porém, a capacidade dos computadores e disponibilidade de dados limitava maiores desenvolvimentos (Vargas-Elizondo, 2024). Em 2017, através da proposição da arquitetura Transformer, por Vaswani et al., limitações anteriores foram superadas, culminando no lançamento e atualização de LLMs e possibilidade de implementação em diferentes sistemas como interfaces para conversação (Ribeiro, Tsunoda, 2025; Bekker, 2024; Peréz-Sanpablo et al. 2023). Em termos de agentes influentes no contexto da IA, o cenário é majoritariamente disputado pelas Big Techs, como Amazon, Alphabet (Google), Meta, Apple, Microsoft (Lassi, 2025), com alguns exemplos de modelos sendo série GPT (OpenAI); PaLM 2 e Bard (Google); e Claude (Anthropic) (Ribeiro; Tsunoda, 2025; Lassi, 2025). Ribeiro e Tsunoda (2025) indicam que o mercado não está restrito apenas a estas empresas, existindo certa variedade de modelos com origens diferentes. Em contrapartida, muitas destas iniciativas possuem certa dependência da tecnologia das Big Techs. Ainda que outras localidades, em particular na Ásia, tenham fomentado maior competitividade no mercado, por exemplo, com o lançamento do modelo R1 e da DeepSeek (Lassi, 2025), observa-se uma centralização no Norte Global. A associação estratégica de grandes empresas, focadas na melhoria ou construção de modelos e integração destes aos seus softwares, aplicativos e hardwares, tomou força em 2019, como Microsoft e OpenAI; Nvidia e Meta (Lassi, 2025). Isto contribuiu com a assimetria no desenvolvimento de LLMs e sistemas de IA, onde maiores players priorizam seus próprios interesses e definem as lógicas de lucro e consumo (Araujo, 2025). Em relação ao seu funcionamento, os LLMs são programas computacionais que processam a linguagem humana (Miranda et al., 2023), operando sob uma lógica probabilística de predição de palavras (Bekker, 2024). Na prática, a estruturação desses modelos ocorre em três etapas fundamentais: pré-treinamento em grandes bases de dados não rotuladas (modelo aprende a antecipar palavras via autossupervisão iterativa); ajuste fino (fine-tuning) em bases rotuladas menores para refinar tarefas específicas; e etapa de geração, na qual o texto coeso é construído por amostragem probabilística (Candiotto, 2025). Apesar do potencial dos LLMs e sistemas de IA, os desafios apontados pela literatura abrangem tanto o treinamento de modelos quanto o seu uso efetivo. Em suma, as pesquisas apontam como desafios centrais alucinações, veracidade e verificabilidade das informações; vieses e discriminação; educação e integridade acadêmica; impacto social, ambiental e no mercado de trabalho; privacidade e segurança de dados; propriedade intelectual e copyright; transparência; e falta de representativa diversidade linguística e cultural no treinamento. Faz-se necessário pensar a tecnologia a partir de supervisão humana ética, para que riscos sejam mitigados e impactos positivos, potencializados (Quevedo-Tumailli et al., 2025; García Mogollón; Rojas Contreras; Sanabria, 2025; Lassi, 2025; Obasa, 2024; Velásquez-Henao; Franco-Cardona; Cadavid-Higuita, 2023).

Zitieren

APA

Oliveira, S. B. D., Maschmann, F. M., & Monteiro-Krebs, L. (2026). Modelos de Linguagem de Grande Escala (LLMs). Fórum de Estudos em Informação, Sociedade e Ciência, 8. https://doi.org/10.70525/feisc.2026.424

Vancouver

Oliveira SBD, Maschmann FM, Monteiro-Krebs L. Modelos de Linguagem de Grande Escala (LLMs). Fórum de Estudos em Informação, Sociedade e Ciência. 2026;8. doi:10.70525/feisc.2026.424

BibTeX
@article{Oliveira2026,
  author = {Oliveira, Sara Bublitz de and Maschmann, Felipe Mottin and Monteiro-Krebs, Luciana},
  title = {Modelos de Linguagem de Grande Escala (LLMs)},
  journal = {Fórum de Estudos em Informação, Sociedade e Ciência},
  year = {2026},
  volume = {8},
  doi = {10.70525/feisc.2026.424}
}
Kostenlos starten →