Machine Learning e a Diversidade Racial Brasileira: um estudo sobre aplicações de classificação racial automatizada em um contexto racial complexo

Nascimento, Leon de França

DSpace Home
→
Centro de Ciências Exatas e Tecnologia (CCET)
→
Informática Aplicada
→
INAP - Dissertações de Mestrado
→
View Item

dc.contributor.advisor	Garcia, Ana Cristina Bicharra
dc.contributor.author	Nascimento, Leon de França
dc.date.accessioned	2026-05-06T19:42:37Z
dc.date.available	2026-05-06T19:42:37Z
dc.date.issued	2023-08-29
dc.identifier.citation	NASCIMENTO, Leon de França. Machine Learning e a Diversidade Racial Brasileira: um estudo sobre aplicações de classificação racial automatizada em um contexto racial complexo. 153f. Dissertação (Mestrado em Informática) - Universidade Federal do Estado do Rio de Janeiro, Rio de Janeiro, 2023.	pt_BR
dc.identifier.uri	http://hdl.handle.net/unirio/15078
dc.description.sponsorship	n/a	pt_BR
dc.language.iso	Portuguese	pt_BR
dc.rights	openAccess	pt_BR
dc.title	Machine Learning e a Diversidade Racial Brasileira: um estudo sobre aplicações de classificação racial automatizada em um contexto racial complexo	pt_BR
dc.type	masterThesis	pt_BR
dc.contributor.referee	Garcia, Ana Cristina Bicharra
dc.contributor.referee	Souza, Gleison dos Santos
dc.contributor.referee	Delgado, Carla Amor Divino Moreira
dc.contributor.referee	Mello, Carlos Eduardo Ribeiro de
dc.degree.department	CCET	pt_BR
dc.degree.grantor	Universidade Federal do Estado do Rio de Janeiro - UNIRIO	pt_BR
dc.degree.level	Mestrado Acadêmico	pt_BR
dc.degree.local	Rio de Janeiro,RJ	pt_BR
dc.degree.program	Programa de Pós-Graduação em Informática	pt_BR
dc.subject.cnpq	CIÊNCIAS EXATAS E DA TERRA.CIÊNCIA DA COMPUTAÇÃO	pt_BR
dc.subject.en	Machine Learning	pt_BR
dc.subject.en	Racial Classification	pt_BR
dc.subject.en	AI Ethics	pt_BR
dc.subject.en	Algorithmic Bias	pt_BR
dc.subject.en	Racial Diversity	pt_BR
dc.description.abstracten	This dissertation investigates the performance and ethical implications of Machine Learning algorithms applied to racial classification in Brazil. The study highlights that the complexity of Brazilian racial diversity, characterized by miscegenation and criteria of self-declaration and hetero-identification, imposes significant challenges for automated models, often trained on databases with international patterns (Eurocentric or American). Through practical experiments and analysis of fairness metrics, the research reveals the presence of algorithmic biases that may penalize underrepresented groups. The work proposes a critical reflection on the use of these technologies in sensitive processes, such as hetero-identification boards in public examinations, suggesting guidelines for the development of fairer systems that align with the country's socio-political reality.	pt_BR
dc.degree.country	Brasil	pt_BR
dc.description.sponsordocumentnumber	n/a	pt_BR
dc.description.abstractpt	Esta dissertação investiga o desempenho e as implicações éticas de algoritmos de Aprendizado de Máquina aplicados à classificação racial no Brasil. O estudo destaca que a complexidade da diversidade racial brasileira, marcada pela miscigenação e por critérios de autodeclaração e heteroidentificação, impõe desafios significativos para modelos automatizados, frequentemente treinados em bases de dados com padrões internacionais (eurocêntricos ou americanos). Através de experimentos práticos e análise de métricas de equidade, a pesquisa revela a presença de vieses algorítmicos que podem penalizar grupos sub-representados. O trabalho propõe uma reflexão crítica sobre o uso dessas tecnologias em processos sensíveis, como tribunais de heteroidentificação em concursos, sugerindo diretrizes para o desenvolvimento de sistemas mais justos e aderentes à realidade sociopolítica do país.	pt_BR
dc.subject.pt	Aprendizado de Máquina	pt_BR
dc.subject.pt	Classificação Racial	pt_BR
dc.subject.pt	Ética em IA	pt_BR
dc.subject.pt	Viés Algorítmico	pt_BR
dc.subject.pt	Diversidade Racial	pt_BR