Brasil Acadêmico

Metodologias Ágeis: Introdução ao Scrum, Kanban, Papéis e Artefatos

noreply@blogger.com (War) — Mon, 30 Mar 2026 02:06:00 -0300

Um guia para estudantes de análise de sistemas e engenharia de software darem um boa primeira olhada nas metodologias ágeis mais empregadas.

Este artigo apresenta os fundamentos das metodologias ágeis de desenvolvimento de software, com foco nos frameworks Scrum e Kanban. O conteúdo foi elaborado como material de apoio para estudantes de graduação em Engenharia de Software e Análise de Sistemas, abordando os valores e princípios do Manifesto Ágil, a estrutura de papéis, eventos e artefatos do Scrum, as práticas e princípios do Kanban, bem como exemplos práticos para facilitar a compreensão dos conceitos. Ao final, é feita uma análise comparativa entre os dois frameworks, auxiliando o estudante na escolha da abordagem mais adequada para diferentes contextos de projeto.

1 O Manifesto Ágil: contexto histórico e valores fundamentais

Até o final da década de 1990, o desenvolvimento de software era dominado por abordagens tradicionais e prescritivas, como o modelo Cascata (Waterfall), caracterizadas por extensas fases sequenciais de levantamento de requisitos, projeto, implementação e testes. Essas metodologias exigiam documentação volumosa e ofereciam pouca flexibilidade para acomodar mudanças de requisitos durante o projeto (SOMMERVILLE, 2016).

Em fevereiro de 2001, dezessete profissionais de desenvolvimento de software se reuniram em Snowbird, Utah (EUA), para discutir alternativas aos processos pesados e orientados a documentação que predominavam na indústria. Dessa reunião nasceu o Manifesto para Desenvolvimento Ágil de Software (BECK et al., 2001). O documento estabeleceu quatro valores centrais:

Os quatro valores do Manifesto Ágil

1. Indivíduos e interações acima de processos e ferramentas.
2. Software em funcionamento acima de documentação abrangente.
3. Colaboração com o cliente acima de negociação de contratos.
4. Responder a mudanças acima de seguir um plano.

Nota: o Manifesto reconhece que os itens à direita possuem valor, mas prioriza os itens à esquerda (BECK et al., 2001).

Além dos quatro valores, o Manifesto estabeleceu doze princípios que orientam a aplicação prática do pensamento ágil. Entre eles, destacam-se: a prioridade pela satisfação do cliente por meio de entregas contínuas de software funcional; a receptividade a mudanças de requisitos mesmo em estágios avançados do desenvolvimento; a entrega frequente de software em funcionamento; e a atenção contínua à excelência técnica (BECK et al., 2001).

É importante compreender que o Manifesto não propõe um framework ou metodologia específica; ele oferece um conjunto de valores e princípios filosóficos que servem de base para diversas abordagens, como Scrum, Kanban, Extreme Programming (XP), Lean Software Development e Crystal (PRESSMAN; MAXIM, 2021).

 Exemplo prático — Valor 4 em ação

Uma startup de e-commerce planejou inicialmente uma funcionalidade de pagamento por boleto. Após duas semanas de desenvolvimento, pesquisas de mercado indicaram que o Pix havia se tornado o método de pagamento preferido dos usuários. Em uma abordagem tradicional, a equipe precisaria de um processo formal de controle de mudanças para alterar o escopo. Em uma equipe ágil, essa mudança foi incorporada ao próximo ciclo de trabalho, e a funcionalidade de pagamento via Pix foi entregue na Sprint seguinte — atendendo a uma necessidade real do mercado sem burocracia excessiva.

2 O framework Scrum

O Scrum é o framework ágil mais adotado no mundo, utilizado por cerca de 87% das equipes que seguem abordagens ágeis (EVERS, 2026). Criado por Ken Schwaber e Jeff Sutherland no início dos anos 1990, o Scrum é definido oficialmente pelo Scrum Guide, cuja versão mais recente foi publicada em novembro de 2020 (SCHWABER; SUTHERLAND, 2020).

O Scrum é fundamentado em três pilares do empirismo: transparência (os aspectos significativos do processo devem ser visíveis a todos os responsáveis pelo resultado), inspeção (os artefatos e o progresso devem ser inspecionados frequentemente) e adaptação (ajustes devem ser feitos assim que desvios forem identificados). Esses pilares são sustentados por cinco valores: comprometimento, coragem, foco, abertura e respeito (SCHWABER; SUTHERLAND, 2020).

A estrutura do Scrum pode ser sintetizada em uma fórmula simples, conhecida como 3-5-3: três responsabilidades, cinco eventos e três artefatos (CIRCLECI, 2024).

2.1 Responsabilidades (accountabilities) no Scrum

A partir do Scrum Guide 2020, o termo "papéis" (roles) foi substituído por "responsabilidades" (accountabilities), para enfatizar que essas designações não são cargos, mas sim conjuntos de responsabilidades que definem quem é responsável por quê dentro do time (SCHWABER; SUTHERLAND, 2020). O Scrum Team é composto por:

a) Product Owner (PO): é a pessoa responsável por maximizar o valor do produto resultante do trabalho do Scrum Team. Gerencia o Product Backlog, definindo a prioridade dos itens e garantindo que a equipe trabalhe nas funcionalidades de maior valor para o negócio. O PO é a única pessoa com autoridade para decidir o que será construído (SCHWABER; SUTHERLAND, 2020).

b) Scrum Master (SM): atua como líder servidor do Scrum Team, sendo responsável por garantir que o Scrum seja compreendido e aplicado corretamente. Remove impedimentos, facilita os eventos e auxilia a organização a adotar práticas ágeis. Na versão 2020 do guia, o Scrum Master é descrito como um verdadeiro líder, cuja responsabilidade é assegurar o bom desempenho da equipe — de forma análoga a um capitão em uma equipe esportiva (DO ASYNC, 2022).

c) Developers (Desenvolvedores): são os profissionais responsáveis por criar qualquer aspecto de um incremento utilizável a cada Sprint. A equipe de desenvolvedores é autogerenciável e multifuncional, possuindo todas as habilidades necessárias para entregar valor a cada ciclo (SCHWABER; SUTHERLAND, 2020).

 Exemplo prático — Responsabilidades no dia a dia

Considere uma equipe desenvolvendo um aplicativo de delivery de alimentos. O Product Owner (Maria), após entrevistar restaurantes parceiros, prioriza no backlog a funcionalidade de "cardápio com fotos". O Scrum Master (Carlos) percebe que a equipe está bloqueada por não ter acesso ao servidor de armazenamento de imagens e entra em contato com o setor de infraestrutura para resolver o impedimento. Os Desenvolvedores (Ana, Pedro e Lucas) dividem entre si as tarefas de criar a interface do cardápio, desenvolver a API de upload de imagens e implementar testes automatizados. Nenhum gerente externo atribuiu essas tarefas — a equipe se auto-organizou.

2.2 Os cinco eventos do Scrum

Os eventos do Scrum criam regularidade e minimizam a necessidade de reuniões não definidas no framework. Todos os eventos ocorrem dentro de uma Sprint, que é o evento-contêiner (SCHWABER; SUTHERLAND, 2020):

1. Sprint: é o ciclo de trabalho com duração fixa de até quatro semanas, no qual ideias são transformadas em valor. Uma nova Sprint começa imediatamente após a conclusão da anterior.

2. Sprint Planning (Planejamento da Sprint): evento que inicia cada Sprint, onde o Scrum Team responde a três perguntas: por que esta Sprint é valiosa? (define-se o Sprint Goal); o que pode ser feito nesta Sprint? (selecionam-se itens do Product Backlog); e como o trabalho será realizado?

3. Daily Scrum (Reunião Diária): reunião de no máximo 15 minutos em que os desenvolvedores inspecionam o progresso em direção ao Sprint Goal e planejam o trabalho das próximas 24 horas.

4. Sprint Review (Revisão da Sprint): realizada ao final da Sprint, é o momento em que o Scrum Team apresenta o incremento entregue aos stakeholders e coleta feedback para adaptar o Product Backlog.

5. Sprint Retrospective (Retrospectiva da Sprint): o time reflete sobre o que funcionou bem, o que pode melhorar e define ações concretas de melhoria para a próxima Sprint.

2.3 Artefatos e compromissos do Scrum

Os artefatos representam trabalho ou valor e são projetados para maximizar a transparência das informações-chave. Na versão 2020 do Scrum Guide, cada artefato passou a ter um compromisso (commitment) associado, que serve como referência para medir progresso (SCHWABER; SUTHERLAND, 2020):

**Tabela 1** — Artefatos do Scrum e seus compromissos associados
Artefato	Descrição	Compromisso
Product Backlog	Lista emergente e ordenada de tudo que é necessário para melhorar o produto. É a única fonte de trabalho do Scrum Team.	Product Goal (Meta do Produto)
Sprint Backlog	Conjunto de itens selecionados do Product Backlog para a Sprint atual, acrescido do plano para entregá-los e do Sprint Goal.	Sprint Goal (Meta da Sprint)
Incremento	Resultado concreto e utilizável do trabalho realizado na Sprint. Cada incremento é somado aos anteriores e deve atender à Definição de Pronto.	Definition of Done (Definição de Pronto)

Fonte: elaborado pelo autor com base em Schwaber e Sutherland (2020).

 Exemplo prático — Product Backlog de um sistema acadêmico

Imagine que sua equipe está desenvolvendo um sistema de gestão acadêmica. O Product Backlog poderia conter os seguintes itens, já ordenados pelo PO por prioridade:

1. Cadastro de alunos com validação de CPF    [8 pontos]
2. Lançamento de notas por disciplina        [5 pontos]
3. Geração de histórico escolar em PDF       [13 pontos]
4. Painel de frequência com alertas          [8 pontos]
5. Integração com sistema de biblioteca      [21 pontos]
6. Módulo de avaliação institucional         [13 pontos]

Na Sprint Planning, a equipe analisa sua velocidade média (por exemplo, 21 pontos por Sprint) e seleciona os itens 1 e 2 (totalizando 13 pontos), com uma meta de Sprint: "Permitir que a secretaria cadastre alunos e registre notas no sistema". Os 8 pontos restantes da capacidade podem ser alocados para tarefas técnicas ou refinamento.

 Visualizando o fluxo Scrum

3 O framework Kanban

O Kanban é um método de gestão de trabalho originado no sistema de produção da Toyota na década de 1940 e adaptado para o desenvolvimento de software por David J. Anderson a partir de 2004 (ANDERSON, 2010). A palavra japonesa "kanban" (看板) significa "cartão visual" ou "sinalização", refletindo a essência do método: tornar o trabalho visível (WIKIPEDIA, 2025).

Diferentemente do Scrum, que trabalha em iterações de tempo fixo (Sprints), o Kanban opera em fluxo contínuo. Não existem iterações obrigatórias, papéis prescritos ou cerimônias mandatórias. O foco está na visualização do fluxo de trabalho, na limitação do trabalho em progresso (WIP) e na melhoria contínua do processo (ATLASSIAN, 2026).

3.1 Os quatro princípios fundamentais do Kanban

O método Kanban é guiado por quatro princípios fundamentais (ATLASSIAN, 2026):

1. Comece com o que você já faz: o Kanban não exige uma reformulação radical dos processos existentes. A implementação começa sobre o fluxo de trabalho atual, identificando oportunidades de melhoria sem rupturas.

2. Busque mudanças incrementais e evolutivas: em vez de grandes transformações, o Kanban encoraja pequenos ajustes contínuos baseados em dados e feedback real.

3. Respeite os processos, papéis e responsabilidades atuais: a adoção do Kanban não impõe novos cargos nem elimina responsabilidades existentes.

4. Encoraje atos de liderança em todos os níveis: a melhoria contínua não depende apenas de gestores; qualquer membro da equipe pode identificar gargalos e propor melhorias (KANBAN UNIVERSITY, 2021).

3.2 As seis práticas gerais do Kanban

O Método Kanban define seis práticas gerais para implementação (WIKIPEDIA, 2025; KANBAN UNIVERSITY, 2021):

**Tabela 2** — As seis práticas gerais do Kanban
Prática	Descrição
Visualizar o fluxo de trabalho	Utilizar um quadro Kanban com colunas representando cada etapa do processo (ex.: "A fazer", "Em progresso", "Em revisão", "Concluído").
Limitar o trabalho em progresso (WIP)	Estabelecer um número máximo de itens que podem estar simultaneamente em cada etapa, evitando sobrecarga e gargalos.
Gerenciar o fluxo	Monitorar métricas como lead time (tempo total), cycle time (tempo de processamento) e vazão (throughput) para identificar gargalos.
Tornar as políticas explícitas	Documentar e exibir as regras do processo (ex.: critérios para mover um cartão de coluna, definição de "pronto").
Implementar ciclos de feedback	Realizar reuniões periódicas de revisão do fluxo, como a reunião de reabastecimento e a retrospectiva de serviço.
Melhorar colaborativamente, evoluir experimentalmente	Usar dados e experimentos controlados para propor e validar mudanças no processo de forma científica.

Fonte: elaborado pelo autor com base em Anderson (2010) e Kanban University (2021).

 Exemplo prático — Quadro Kanban de uma equipe de suporte

Uma equipe de suporte técnico de software utiliza um quadro Kanban físico com quatro colunas. Observe os limites de WIP nos círculos:

Repare que a coluna "Em Correção" tem WIP limite de 2, e há exatamente 2 tickets nela. Se um desenvolvedor terminasse o Ticket #40, ele puxaria (pull) o próximo item da coluna "Em Análise" — esse sistema de puxar garante que ninguém fique sobrecarregado e que gargalos sejam rapidamente identificados.

4 Comparativo entre Scrum e Kanban

Embora ambos os frameworks sejam ferramentas para aplicar os princípios ágeis, possuem diferenças significativas em estrutura e filosofia. A tabela a seguir sintetiza as principais distinções (PRESSMAN; MAXIM, 2021; ATLASSIAN, 2026):

**Tabela 3** — Comparativo entre Scrum e Kanban
Critério	Scrum	Kanban
Cadência	Sprints de duração fixa (1-4 semanas)	Fluxo contínuo, sem iterações obrigatórias
Responsabilidades	Product Owner, Scrum Master, Developers	Nenhum papel prescrito
Artefatos	Product Backlog, Sprint Backlog, Incremento	Quadro Kanban com visualização do fluxo
Eventos formais	5 eventos obrigatórios	Nenhum evento obrigatório (recomendados)
Mudanças durante o ciclo	Desaconselhadas dentro da Sprint	Permitidas a qualquer momento
Métrica principal	Velocidade (velocity)	Lead time e cycle time
Melhor cenário	Projetos com requisitos que evoluem com feedback	Operações com demanda contínua e variável

Fonte: elaborado pelo autor com base em Pressman e Maxim (2021) e Atlassian (2026).

5 Quando usar cada framework?

A escolha entre Scrum e Kanban depende do contexto do projeto e da natureza do trabalho da equipe. Scrum tende a ser mais adequado quando os requisitos evoluem a partir do feedback dos usuários, quando o trabalho pode ser dividido em entregas incrementais e quando a equipe consegue se comprometer com metas de curto prazo. Kanban é mais indicado quando a demanda é contínua e imprevisível, como em equipes de suporte, manutenção e operações (EVERS, 2026).

Vale destacar que a combinação de elementos dos dois frameworks é possível e bastante comum na prática. A abordagem Scrumban, por exemplo, aplica limites de WIP do Kanban dentro da estrutura de Sprints do Scrum, oferecendo o melhor dos dois mundos (WIKIPEDIA, 2025).

 Exemplo prático — Escolhendo o framework

Cenário A — Scrum: uma equipe de 5 pessoas está desenvolvendo um novo aplicativo de saúde. O Product Owner é um médico que dará feedback a cada duas semanas sobre as funcionalidades entregues. Sprints de duas semanas são ideais para obter validação frequente.

Cenário B — Kanban: uma equipe de DevOps recebe chamados de incidentes que chegam de forma imprevisível. Não faz sentido planejar Sprints porque a demanda é contínua e emergencial. Um quadro Kanban com WIP limits permite que a equipe priorize e trate incidentes sem sobrecarga.

Cenário C — Scrumban: uma equipe mista, que desenvolve novas funcionalidades e também mantém o sistema em produção, pode usar Sprints para o desenvolvimento e colunas Kanban com WIP limits para gerenciar os chamados de manutenção que surgem durante a Sprint.

6 Considerações finais

As metodologias ágeis representaram uma mudança de paradigma no desenvolvimento de software, deslocando o foco de processos rígidos e documentação exaustiva para a entrega contínua de valor, a colaboração e a adaptabilidade. O Scrum, com sua estrutura de responsabilidades, eventos e artefatos bem definidos, oferece um framework robusto para equipes que precisam de cadência e cerimônias claras. O Kanban, por sua vez, proporciona flexibilidade máxima ao operar em fluxo contínuo, sendo ideal para cenários de demanda variável.

Para o estudante de graduação em Engenharia de Software ou Análise de Sistemas, compreender essas abordagens não é apenas um exercício teórico: é uma competência prática essencial para o mercado de trabalho. A recomendação é que, além de estudar os conceitos, os estudantes busquem vivenciar esses frameworks em projetos acadêmicos ou pessoais, aplicando Sprints em trabalhos de disciplina ou utilizando quadros Kanban para gerenciar suas atividades de estudo.

Referências

ANDERSON, David J. Kanban: successful evolutionary change for your technology business. Sequim: Blue Hole Press, 2010.

ATLASSIAN. What is Kanban in Project Management? 2026. Disponível em: https://www.atlassian.com/agile/kanban. Acesso em: 29 mar. 2026.

ATLASSIAN. 4 Kanban Principles. 2026. Disponível em: https://www.atlassian.com/agile/project-management/kanban-principles. Acesso em: 29 mar. 2026.

BECK, Kent et al. Manifesto for Agile Software Development. 2001. Disponível em: https://agilemanifesto.org/. Acesso em: 29 mar. 2026.

CIRCLECI. What is Scrum? 2024. Disponível em: https://circleci.com/blog/scrum/. Acesso em: 29 mar. 2026.

EVERS, Bob. Scrum Framework Guide. Deckary, 2026. Disponível em: https://deckary.com/blog/scrum-framework-guide. Acesso em: 29 mar. 2026.

DO ASYNC. 12 Main Changes Made in the Scrum Latest Guide 2020. 2022. Disponível em: https://doasync.com/blog/12-main-changes-in-scrum-latest-guide-2020/. Acesso em: 29 mar. 2026.

KANBAN UNIVERSITY. The Official Guide to The Kanban Method. 2021. Disponível em: https://kanban.university/kanban-guide/. Acesso em: 29 mar. 2026.

PRESSMAN, Roger S.; MAXIM, Bruce R. Engenharia de Software: uma abordagem profissional. 9. ed. Porto Alegre: AMGH, 2021.

SCHWABER, Ken; SUTHERLAND, Jeff. The Scrum Guide: the definitive guide to Scrum: the rules of the game. 2020. Disponível em: https://scrumguides.org/scrum-guide.html. Acesso em: 29 mar. 2026.

SOMMERVILLE, Ian. Engenharia de Software. 10. ed. São Paulo: Pearson Education do Brasil, 2016.

WIKIPEDIA. Kanban (development). 2025. Disponível em: https://en.wikipedia.org/wiki/Kanban_(development). Acesso em: 29 mar. 2026.

Fonte: Visto no Brasil Acadêmico

Introdução à UML e Documentação: Guia Prático para Engenharia de Software

noreply@blogger.com (War) — Sun, 29 Mar 2026 22:18:10 -0300

intro

Este artigo apresenta, de forma integrada e com exemplos práticos, os fundamentos do fechamento de requisitos de software, a introdução à Linguagem de Modelagem Unificada (UML), os diagramas de casos de uso e de atividades, a documentação estruturada de requisitos, o dicionário de dados e as boas práticas organizacionais recomendadas pela literatura. O material é direcionado a estudantes de graduação em Engenharia de Software e Análise de Sistemas e pode ser utilizado como referência complementar às disciplinas de Engenharia de Requisitos e Modelagem de Sistemas.

Figura 1 — Visão geral do processo de modelagem com UML.

1 Fechamento de Requisitos

O fechamento de requisitos é o marco que sinaliza a passagem da fase de elicitação e análise para a fase de projeto do sistema. Segundo Sommerville (2019), esse momento envolve a validação formal dos requisitos junto aos stakeholders, garantindo que o escopo acordado esteja completo, consistente e viável. Não se trata de "congelar" todos os requisitos indefinidamente, mas de estabelecer uma linha de base (baseline) que servirá de referência para o controle de mudanças durante o restante do projeto.

Na prática, o fechamento envolve três atividades centrais (Pressman; Maxim, 2021):

a) Revisão técnica formal — uma reunião estruturada em que analistas, desenvolvedores e representantes do cliente percorrem cada requisito, verificando clareza, completude e rastreabilidade.
b) Priorização e negociação — técnicas como MoSCoW (Must, Should, Could, Won't) são aplicadas para classificar requisitos por importância e viabilidade.
c) Assinatura do documento de requisitos — formalização do aceite, que pode ser digital em ferramentas como Jira, Azure DevOps ou mesmo em ata de reunião.

1.1 Exemplo prático — Sistema de Biblioteca Universitária

Imagine que a equipe levantou 38 requisitos para um sistema de empréstimo de livros. Na reunião de fechamento, o bibliotecário-chefe contesta o requisito RF-12: "O sistema deve permitir reserva de livros por até 48 horas", solicitando que o prazo seja de 72 horas. A equipe registra a alteração, atualiza a baseline e todos os envolvidos assinam o documento revisado. A partir desse ponto, qualquer nova alteração deverá passar pelo processo formal de controle de mudanças.

2 Introdução à UML — Visão Geral de Modelagem e Padrões

A Unified Modeling Language (UML) é uma linguagem padronizada pela Object Management Group (OMG) para especificação, visualização, construção e documentação de artefatos de sistemas de software (OMG, 2017). A versão corrente, UML 2.5.1, organiza seus diagramas em duas grandes categorias:

Tabela 1 — Categorias de diagramas da UML 2.5

Categoria	Diagramas	Finalidade principal
Estruturais	Classes, Objetos, Componentes, Implantação, Pacotes, Estrutura Composta, Perfil	Modelar a arquitetura estática do sistema
Comportamentais	Casos de Uso, Atividades, Máquina de Estados, Sequência, Comunicação, Tempo, Visão Geral de Interação	Modelar o comportamento dinâmico do sistema

Fonte: Adaptado de OMG (2017).

Conforme Fowler (2014), a UML pode ser empregada em três níveis: como rascunho (esboços informais), como projeto (modelos detalhados que guiam a implementação) e como linguagem de programação (geração automática de código). Na maioria dos projetos acadêmicos e corporativos, o uso como rascunho ou projeto é o mais frequente.

3 Diagrama de Casos de Uso

O diagrama de casos de uso é a ferramenta mais utilizada para capturar requisitos funcionais sob a perspectiva do usuário. Ele responde à pergunta: "O que o sistema faz para cada tipo de usuário?" (Larman, 2007).

3.1 Elementos fundamentais

Ator: qualquer entidade externa (pessoa, sistema ou dispositivo) que interage com o sistema. Representado graficamente por um boneco palito.
Caso de uso: uma funcionalidade ou serviço que o sistema oferece, representada por uma elipse com o nome da ação.
Fronteira do sistema: um retângulo que delimita o escopo do sistema, separando o que está "dentro" do que está "fora".
Associação: linha sólida que conecta um ator a um caso de uso, indicando participação.

3.2 Relacionamentos: include e extend

Dois estereótipos são essenciais para organizar a complexidade dos casos de uso (Booch; Rumbaugh; Jacobson, 2006):

«include» — indica que um caso de uso sempre incorpora o comportamento de outro. É obrigatório. Exemplo: "Realizar Empréstimo" sempre inclui "Validar Carteirinha".

«extend» — indica que um caso de uso pode, sob condição específica, estender o comportamento de outro. É opcional. Exemplo: "Realizar Empréstimo" pode ser estendido por "Aplicar Multa por Atraso" (somente se houver devolução em atraso).

3.3 Exemplo prático — Sistema de Biblioteca Universitária

A seguir, a representação textual estruturada do diagrama de casos de uso do sistema de biblioteca. Em ferramentas como Astah, Lucidchart ou draw.io, essa descrição é transformada no diagrama gráfico correspondente.

Observe que o ator Sistema SIG (Sistema Integrado de Gestão da universidade) é um ator não humano: trata-se de um sistema externo que fornece dados de matrícula para a validação da carteirinha. Essa distinção é importante, pois reforça que atores não são necessariamente pessoas (Larman, 2007).

4 Diagrama de Atividades

O diagrama de atividades modela o fluxo de trabalho (workflow) de um processo ou a lógica interna de um caso de uso. Ele é particularmente útil para representar decisões, paralelismo e responsabilidades entre diferentes papéis, por meio de raias de natação (swimlanes) (Sommerville, 2019).

4.1 Elementos do diagrama

Nó inicial: círculo preenchido — indica o início do fluxo.
Ação: retângulo com bordas arredondadas — representa uma atividade executada.
Decisão / Merge: losango — ponto de ramificação condicional ou reunião de fluxos.
Fork / Join: barra horizontal — indica início e fim de atividades paralelas.
Nó final: círculo preenchido com contorno — encerra o fluxo.
Raias (swimlanes): faixas verticais ou horizontais que atribuem responsabilidade a um ator ou componente.

4.2 Exemplo prático — Fluxo de Empréstimo de Livro

│        Aluno        │     Bibliotecário    │       Sistema        │
│─────────────────────│──────────────────────│──────────────────────│
│                     │                      │                      │
│    ● (início)       │                      │                      │
│        │            │                      │                      │
│  ┌─────▼──────┐     │                      │                      │
│  │ Solicitar  │     │                      │                      │
│  │ empréstimo │     │                      │                      │
│  └─────┬──────┘     │                      │                      │
│        │            │                      │                      │
│        ├────────────┼──▶ ┌──────────────┐  │                      │
│        │            │    │ Receber      │  │                      │
│        │            │    │ solicitação  │  │                      │
│        │            │    └──────┬───────┘  │                      │
│        │            │           │          │                      │
│        │            │           ├──────────┼──▶ ┌──────────────┐  │
│        │            │           │          │    │ Validar      │  │
│        │            │           │          │    │ carteirinha  │  │
│        │            │           │          │    └──────┬───────┘  │
│        │            │           │          │           │          │
│        │            │           │          │       ◇ Válida?     │
│        │            │           │          │      / \             │
│        │            │           │          │   Sim    Não         │
│        │            │           │          │    │      │          │
│        │            │           │          │    │  ┌───▼───────┐  │
│        │            │           │          │    │  │ Recusar   │  │
│        │            │           │          │    │  │ empréstimo│  │
│        │            │           │          │    │  └───┬───────┘  │
│        │            │           │          │    │      │          │
│        │            │           │          │    │      ◉ (fim)    │
│        │            │           │          │    │                 │
│        │            │           │          │  ┌─▼──────────────┐  │
│        │            │           │          │  │ Registrar      │  │
│        │            │           │          │  │ empréstimo     │  │
│        │            │           │          │  └─┬──────────────┘  │
│        │            │           │          │    │                 │
│        │            │  ┌────────┼──────────┼────┘                 │
│        │            │  │        │          │                      │
│        │            │  ▼        │          │                      │
│        │            │ ┌────────────────┐   │                      │
│        │            │ │ Entregar livro │   │                      │
│        │            │ └───────┬────────┘   │                      │
│        │            │         │            │                      │
│  ┌─────▼──────┐     │         │            │                      │
│  │ Receber    │◀────┼─────────┘            │                      │
│  │ livro      │     │                      │                      │
│  └─────┬──────┘     │                      │                      │
│        │            │                      │                      │
│        ◉ (fim)      │                      │                      │

Neste diagrama, as raias separam claramente as ações de cada participante. A decisão "Válida?" após a validação da carteirinha cria dois caminhos alternativos: o empréstimo prossegue ou é recusado. Segundo Pressman e Maxim (2021), essa representação facilita a identificação de gargalos e pontos de falha no processo.

5 Documentação de Requisitos

A documentação de requisitos é o artefato central da engenharia de requisitos. A norma IEEE 830, atualizada pela ISO/IEC/IEEE 29148:2018 (ISO/IEC/IEEE, 2018), define a estrutura recomendada para a Especificação de Requisitos de Software (SRS). Um documento bem elaborado deve ser: correto, não ambíguo, completo, consistente, classificado por importância, verificável, modificável e rastreável.

5.1 Estrutura típica de uma SRS

1. Introdução (propósito, escopo, definições, referências, visão geral)
2. Descrição geral (perspectiva do produto, funções, características dos usuários, restrições, suposições)
3. Requisitos específicos (funcionais, não funcionais, de interface, de desempenho, de segurança)
4. Apêndices (modelos de dados, protótipos, glossário)

5.2 Exemplo de requisito funcional documentado

Identificador: RF-03
Nome: Realizar Empréstimo de Livro
Descrição: O sistema deve permitir que o bibliotecário registre o empréstimo de um exemplar disponível a um aluno com matrícula ativa e sem pendências.
Prioridade: Essencial (Must)
Entradas: Código do exemplar, número da matrícula
Saídas: Comprovante de empréstimo com data de devolução prevista
Pré-condições: Aluno autenticado; exemplar com status "disponível"
Pós-condições: Status do exemplar alterado para "emprestado"; registro salvo no histórico
Regras de negócio: RN-01 (limite de 3 livros simultâneos); RN-04 (prazo de 14 dias)
Rastreabilidade: UC-03 (caso de uso); US-07 (história de usuário)

6 Dicionário de Dados

O dicionário de dados é um repositório organizado de definições de todos os elementos de dados que circulam pelo sistema: entidades, atributos, tipos, domínios e restrições. Ele elimina ambiguidades e serve como referência única para toda a equipe (Pressman; Maxim, 2021).

6.1 Notação clássica

A notação utilizada em dicionários de dados segue convenções consolidadas na análise estruturada (Yourdon, 1990):

Tabela 2 — Notação de dicionário de dados

Símbolo	Significado	Exemplo
=	é composto de	aluno = matrícula + nome + curso
+	concatenação (e)	endereço = rua + número + cidade
[ \| ]	seleção (ou)	sexo = [M \| F \| Outro]
{ }	repetição (iteração)	pedido = { item_pedido }
( )	opcional	telefone = DDD + número + (ramal)
	comentário	chave primária

Fonte: Adaptado de Yourdon (1990).

6.2 Exemplo prático — Entidade "Empréstimo"

empréstimo = **entidade que registra a retirada de exemplar por um aluno**
    id_empréstimo       : inteiro, autoincremento  **chave primária**
  + data_empréstimo     : data (AAAA-MM-DD)
  + data_devolução_prev : data (AAAA-MM-DD)        **= data_empréstimo + 14 dias (RN-04)**
  + (data_devolução_real): data (AAAA-MM-DD)       **preenchida na devolução**
  + status              : [ativo | devolvido | atrasado]
  + id_exemplar         : inteiro                  **chave estrangeira → exemplar**
  + matrícula_aluno     : char(10)                 **chave estrangeira → aluno**
  + id_bibliotecário    : inteiro                  **chave estrangeira → funcionário**

Tabela 3 — Dicionário de dados da entidade Empréstimo

Atributo	Tipo	Tamanho	Nulo?	Domínio / Regra
id_empréstimo	INT	—	Não	PK, autoincremento
data_empréstimo	DATE	—	Não	Formato AAAA-MM-DD
data_devolução_prev	DATE	—	Não	= data_empréstimo + 14
data_devolução_real	DATE	—	Sim	Preenchida na devolução
status	ENUM	—	Não	ativo \| devolvido \| atrasado
id_exemplar	INT	—	Não	FK → exemplar
matrícula_aluno	CHAR	10	Não	FK → aluno
id_bibliotecário	INT	—	Não	FK → funcionário

Fonte: Elaboração própria.

7 Escrita Estruturada de Cenários — Principais e Alternativos

A especificação de casos de uso é complementada pela descrição narrativa dos cenários. O cenário principal (ou fluxo básico) descreve o caminho de sucesso (happy path). Os cenários alternativos descrevem variações ou tratamentos de erro (Cockburn, 2001).

7.1 Modelo de especificação de caso de uso

UC-03: Realizar Empréstimo de Livro
Ator principal: Bibliotecário
Ator secundário: Sistema SIG
Pré-condições: Bibliotecário autenticado no sistema; exemplar disponível.
Pós-condições (sucesso): Empréstimo registrado; exemplar marcado como "emprestado".
Gatilho: Aluno apresenta carteirinha e solicita o empréstimo.

Cenário principal (fluxo básico)

1. O bibliotecário seleciona a opção "Novo Empréstimo".
2. O sistema solicita o número da matrícula do aluno.
3. O bibliotecário informa a matrícula.
4. O sistema envia a matrícula ao Sistema SIG e valida os dados do aluno. [«include» Validar Carteirinha]
5. O sistema exibe o nome do aluno e a quantidade de empréstimos ativos.
6. O bibliotecário informa o código de barras do exemplar.
7. O sistema verifica a disponibilidade do exemplar.
8. O sistema registra o empréstimo com data de devolução prevista (data atual + 14 dias).
9. O sistema gera e exibe o comprovante de empréstimo.
10. O caso de uso é encerrado.

Cenários alternativos

4a. Matrícula inválida ou aluno inativo:
    4a.1. O sistema exibe a mensagem "Matrícula não encontrada ou inativa".
    4a.2. O caso de uso retorna ao passo 2.

5a. Aluno atingiu o limite de 3 empréstimos simultâneos:
    5a.1. O sistema exibe a mensagem "Limite de empréstimos atingido".
    5a.2. O caso de uso é encerrado.

7a. Exemplar indisponível (emprestado ou em manutenção):
    7a.1. O sistema exibe a mensagem "Exemplar não disponível" e sugere reserva.
    7a.2. O caso de uso é encerrado.

*a. A qualquer momento, o bibliotecário pode cancelar a operação:
    *a.1. O sistema descarta os dados informados.
    *a.2. O caso de uso é encerrado.

A notação *a (asterisco) indica uma alternativa que pode ocorrer em qualquer passo do cenário principal. Essa convenção é proposta por Cockburn (2001) e amplamente adotada na indústria.

8 Boas Práticas Organizacionais

A qualidade da documentação depende não apenas do conteúdo, mas da disciplina organizacional. A seguir, são elencadas práticas recomendadas pela literatura e pelo mercado.

8.1 Rastreabilidade bidirecional

Cada requisito deve ser rastreável "para frente" (até o caso de teste e o código) e "para trás" (até a origem — entrevista, documento de negócio, norma legal). A ISO/IEC/IEEE 29148 recomenda o uso de matrizes de rastreabilidade que cruzam requisitos com artefatos de projeto, teste e código (ISO/IEC/IEEE, 2018).

8.2 Versionamento e controle de mudanças

Documentos de requisitos devem ser versionados. Uma tabela de histórico de revisões — com data, autor, versão e descrição da mudança — é obrigatória em projetos profissionais. Ferramentas como Git (para arquivos texto/Markdown) ou os recursos nativos de ferramentas como Jira e Azure DevOps facilitam esse controle (Sommerville, 2019).

8.3 Nomenclatura padronizada

Adote um padrão de identificação consistente para todos os artefatos do projeto. Uma convenção comumente utilizada na indústria é exemplificada a seguir:

Tabela 4 — Exemplo de convenção de nomenclatura de artefatos

Prefixo	Artefato	Exemplo
RF-	Requisito Funcional	RF-03
RNF-	Requisito Não Funcional	RNF-12
UC-	Caso de Uso	UC-03
RN-	Regra de Negócio	RN-04
CT-	Caso de Teste	CT-03.01

Fonte: Elaboração própria.

8.4 Revisões por pares e validação contínua

Revisões cruzadas entre analistas — e, idealmente, com a participação de desenvolvedores e testadores — reduzem defeitos em até 60%, segundo estimativas de Pressman e Maxim (2021). Inspeções formais (como a técnica de Fagan) ou revisões mais leves (walkthroughs) são aplicáveis conforme o nível de formalidade do projeto.

8.5 Glossário compartilhado e linguagem ubíqua

Manter um glossário unificado, acessível a todos os membros do projeto, evita que termos como "cliente", "usuário" e "assinante" sejam usados de forma intercambiável sem critério. O conceito de linguagem ubíqua (ubiquitous language), proposto por Evans (2003) no contexto de Domain-Driven Design, estende essa ideia: o vocabulário do domínio deve ser compartilhado entre equipe técnica e especialistas de negócio, permeando código, documentos e conversas.

Considerações Finais

O fechamento de requisitos, a modelagem em UML e a documentação estruturada não são etapas burocráticas, mas investimentos diretos na qualidade do software. Um diagrama de casos de uso bem construído comunica o escopo em minutos; um dicionário de dados preciso elimina retrabalho na implementação do banco de dados; cenários bem escritos antecipam falhas antes que o código exista. Para o estudante de Engenharia de Software e Análise de Sistemas, dominar essas técnicas é construir o alicerce sobre o qual metodologias ágeis e tradicionais igualmente se apoiam.

Referências

BOOCH, Grady; RUMBAUGH, James; JACOBSON, Ivar. UML: guia do usuário. 2. ed. Rio de Janeiro: Elsevier, 2006.

COCKBURN, Alistair. Writing Effective Use Cases. Boston: Addison-Wesley, 2001.

EVANS, Eric. Domain-Driven Design: tackling complexity in the heart of software. Boston: Addison-Wesley, 2003.

FOWLER, Martin. UML Essencial: um breve guia para a linguagem-padrão de modelagem de objetos. 3. ed. Porto Alegre: Bookman, 2014.

ISO/IEC/IEEE. ISO/IEC/IEEE 29148:2018 — Systems and software engineering — Life cycle processes — Requirements engineering. Geneva: ISO, 2018.

LARMAN, Craig. Utilizando UML e padrões: uma introdução à análise e ao projeto orientados a objetos e ao desenvolvimento iterativo. 3. ed. Porto Alegre: Bookman, 2007.

OMG — OBJECT MANAGEMENT GROUP. Unified Modeling Language (UML) Specification, version 2.5.1. Needham: OMG, 2017. Disponível em: https://www.omg.org/spec/UML/2.5.1. Acesso em: 28 mar. 2026.

PRESSMAN, Roger S.; MAXIM, Bruce R. Engenharia de Software: uma abordagem profissional. 9. ed. Porto Alegre: AMGH, 2021.

SOMMERVILLE, Ian. Engenharia de Software. 10. ed. São Paulo: Pearson, 2019.

YOURDON, Edward. Análise Estruturada Moderna. Rio de Janeiro: Campus, 1990.

Fonte:
Visto no Brasil Acadêmico

Modelo Ágil Lean: Um Guia para Acadêmicos e Iniciantes

noreply@blogger.com (War) — Sat, 28 Mar 2026 12:28:00 -0300

Conheça essa filosofia originária da indústria automobilística do Japão que promete tazer mais eficiência para o desenvolvimento de software.

O Lean é uma filosofia de gestão nascida na indústria automobilística japonesa que revolucionou a forma como empresas e equipes de software pensam sobre valor, desperdício e melhoria contínua. Neste guia, apresentamos o modelo ágil Lean de forma acessível — de suas origens históricas aos seus princípios, ferramentas e aplicações práticas — para estudantes de computação, negócios e qualquer pessoa interessada em processos mais eficientes.

O que é Lean?

Lean, do inglês "enxuto", é uma filosofia de gestão focada em maximizar o valor entregue ao cliente enquanto minimiza qualquer forma de desperdício. Originada no Sistema Toyota de Produção (STP) nas décadas de 1940 a 1970, essa abordagem foi sistematizada no Ocidente principalmente pelo trabalho de Womack e Jones, que cunharam o termo "Lean Production" no livro The Machine That Changed the World (WOMACK; JONES; ROOS, 1990).

A ideia central é simples, mas poderosa: toda atividade que não agrega valor percebido pelo cliente final é considerada desperdício (muda, em japonês) e deve ser eliminada ou reduzida (OHNO, 1988). Quando essa mentalidade foi transportada para o desenvolvimento de software, Mary e Tom Poppendieck foram os pioneiros, publicando Lean Software Development (POPPENDIECK; POPPENDIECK, 2003), adaptando os princípios fabris para a realidade de equipes de tecnologia.

💡 Para o leigo Imagine uma cozinha de restaurante: Lean é como reorganizar todo o espaço para que cada utensílio esteja ao alcance da mão, cada ingrediente chegue na hora certa e nenhuma porção de comida seja preparada sem que um cliente a tenha pedido. O resultado? Menos desperdício, mais rapidez e qualidade.

Origens históricas

O Lean não surgiu da noite para o dia. Sua evolução reflete décadas de experimentação na Toyota Motor Corporation, sob a liderança de engenheiros como Taiichi Ohno e Shigeo Shingo (OHNO, 1988). Após a Segunda Guerra Mundial, o Japão não dispunha de recursos para produção em massa ao estilo fordista, o que obrigou a Toyota a desenvolver métodos que fizessem mais com menos.

Década de 1930–1940: Kiichiro Toyoda estuda os métodos de produção de Ford nos EUA e percebe que é preciso adaptá-los à realidade japonesa de baixos volumes e alta variedade (LIKER, 2004).
Década de 1950: Taiichi Ohno começa a desenvolver o sistema Just-in-Time (JIT) e o Kanban dentro das fábricas da Toyota (OHNO, 1988).
Década de 1960–1970: O Sistema Toyota de Produção (TPS) amadurece. Shigeo Shingo desenvolve técnicas de troca rápida de ferramentas (SMED) e sistemas à prova de erro (Poka-Yoke) (SHINGO, 1985).
1988: John Krafcik publica artigo cunhando pela primeira vez o termo "Lean Production" (KRAFCIK, 1988).
1990: Womack, Jones e Roos publicam The Machine That Changed the World, popularizando o Lean no Ocidente (WOMACK; JONES; ROOS, 1990).
1996: Womack e Jones aprofundam os princípios no livro Lean Thinking (WOMACK; JONES, 1996).
2003: Mary e Tom Poppendieck lançam Lean Software Development, conectando Lean ao desenvolvimento ágil de software (POPPENDIECK; POPPENDIECK, 2003).
2011: Eric Ries publica The Lean Startup, aplicando princípios Lean ao empreendedorismo e inovação (RIES, 2011).

Os cinco princípios fundamentais do Lean

Womack e Jones definiram cinco princípios que servem como alicerce de toda implementação Lean (WOMACK; JONES, 1996). Eles formam um ciclo contínuo que deve ser repetido indefinidamente em busca da melhoria:

1. Valor

→

2. Fluxo
de Valor

→

3. Fluxo
Contínuo

→

4. Produção
Puxada

→

5. Perfeição

O ponto de partida de todo pensamento Lean é definir valor sob a perspectiva do cliente, não da empresa. Valor é aquilo pelo qual o cliente está disposto a pagar — uma funcionalidade, um serviço, uma experiência (WOMACK; JONES, 1996).

No software: uma funcionalidade que resolve um problema real do usuário agrega valor. Um relatório interno que ninguém lê, uma tela carregada de campos desnecessários ou uma reunião de alinhamento improdutiva são exemplos de desperdício (POPPENDIECK; POPPENDIECK, 2003).

Nos negócios: uma empresa que não sabe articular claramente o que é valor para seu cliente tende a investir recursos em atividades que não geram retorno. A definição de valor deve ser revisada continuamente, pois as necessidades do mercado mudam.

O fluxo de valor (Value Stream) é o conjunto de todas as ações necessárias para levar um produto ou serviço do conceito ao cliente. O exercício de Mapeamento do Fluxo de Valor (Value Stream Mapping, VSM) torna visíveis todas as etapas, permitindo identificar quais agregam valor, quais são necessárias mas não agregam valor e quais são puro desperdício (ROTHER; SHOOK, 2003).

Na prática de software: um VSM pode revelar que uma funcionalidade leva 30 dias da ideia à produção, mas apenas 5 dias são de trabalho efetivo — os outros 25 são filas de aprovação, espera por ambientes de teste ou handoffs entre equipes (POPPENDIECK; POPPENDIECK, 2003).

Uma vez eliminadas as etapas que não agregam valor, o objetivo é fazer com que as etapas remanescentes fluam de maneira contínua e ininterrupta. Em vez de processar grandes lotes de trabalho, o Lean favorece o fluxo de peça única (one-piece flow), reduzindo o tempo de ciclo e aumentando a previsibilidade (WOMACK; JONES, 1996).

No desenvolvimento de software: isso se traduz em limitar o trabalho em progresso (WIP — Work in Progress), integrar código continuamente (Continuous Integration) e entregar incrementos pequenos e frequentes ao invés de grandes lançamentos espaçados (ANDERSON, 2010).

O sistema puxado (pull) significa que nenhum item é produzido sem que haja demanda real. É o oposto do sistema push (empurrado), onde se produz com base em previsões. O mecanismo clássico é o Kanban: cartões que sinalizam quando uma etapa seguinte precisa de mais material (OHNO, 1988).

No software: a equipe não começa novas funcionalidades enquanto o trabalho atual não é concluído e entregue. Isso evita acúmulo de código não integrado, bugs escondidos e estoque de funcionalidades inacabadas. O quadro Kanban digital é uma implementação direta desse conceito (ANDERSON, 2010).

A perfeição não é um destino, mas um norte. O conceito japonês de Kaizen (改善, "mudança para melhor") prega que todas as pessoas da organização — do chão de fábrica à diretoria — devem continuamente buscar pequenas melhorias nos processos (IMAI, 1986).

No contexto ágil, as retrospectivas de sprint são uma manifestação direta do Kaizen: ao final de cada ciclo, a equipe reflete sobre o que funcionou, o que não funcionou e o que pode ser melhorado (POPPENDIECK; POPPENDIECK, 2003).

Womack e Jones advertem que, ao repetir o ciclo dos cinco princípios, cada iteração revela novas camadas de desperdício antes invisíveis, num processo virtualmente infinito de aprimoramento (WOMACK; JONES, 1996).

Os sete desperdícios (Muda)

Taiichi Ohno identificou originalmente sete tipos de desperdício na manufatura (OHNO, 1988). Mary e Tom Poppendieck os traduziram para o contexto do desenvolvimento de software (POPPENDIECK; POPPENDIECK, 2003):

Tabela 1 — Os sete desperdícios: manufatura *versus* software
Manufatura	Desenvolvimento de software	Exemplo prático
Superprodução	Funcionalidades desnecessárias	Desenvolver módulos que nenhum usuário solicitou
Estoque	Trabalho parcialmente concluído	Código escrito mas não testado ou implantado
Espera	Atrasos e filas	Aguardar aprovação de merge request por dias
Transporte	Handoffs entre equipes	Repassar requisitos de analistas para devs para QA
Movimentação	Troca de tarefas (task switching)	Desenvolvedor alternando entre 4 projetos no mesmo dia
Processamento excessivo	Reaprendizado / burocracia	Documentação excessiva que ninguém consulta
Defeitos	Bugs e retrabalho	Correções urgentes em produção por falhas no teste

Fonte: Adaptado de Ohno (1988) e Poppendieck e Poppendieck (2003).

Os sete princípios do Lean Software Development

Poppendieck e Poppendieck adaptaram a filosofia Lean em sete princípios específicos para desenvolvimento de software (POPPENDIECK; POPPENDIECK, 2003):

Eliminar desperdícios: tudo que não contribui para o valor final deve ser removido. Inclui código desnecessário, processos burocráticos, funcionalidades não utilizadas e artefatos de documentação inúteis.
Amplificar o aprendizado: o desenvolvimento de software é um processo de descoberta. Ciclos curtos de feedback, testes automatizados, revisões de código e prototipagem rápida aceleram o aprendizado da equipe.
Decidir o mais tarde possível: em contextos de incerteza, adiar decisões irreversíveis até o último momento responsável permite que a equipe acumule mais informações antes de se comprometer.
Entregar o mais rápido possível: entregas rápidas e frequentes reduzem o risco, geram feedback e permitem ajustes de rota. A velocidade de entrega é uma vantagem competitiva.
Empoderar a equipe: quem faz o trabalho é quem melhor entende os detalhes. Decisões técnicas devem ser tomadas por quem executa, não por gestores distantes do código.
Construir integridade: o software deve ter integridade perceptível (o usuário sente que "funciona bem") e integridade conceitual (a arquitetura é coerente e sustentável).
Otimizar o todo: otimizações locais podem prejudicar o sistema global. É preciso ter visão sistêmica — melhorar o fluxo inteiro, não apenas uma etapa isolada.

Ferramentas e práticas Lean

O Lean dispõe de um arsenal de ferramentas práticas, tanto no chão de fábrica quanto em escritórios de software. Abaixo, detalhamos as principais:

O sistema Kanban foi originalmente desenvolvido por Taiichi Ohno na Toyota, inspirado nos supermercados americanos onde as prateleiras eram reabastecidas apenas quando esvaziavam (OHNO, 1988). David Anderson formalizou o Kanban para trabalho do conhecimento e desenvolvimento de software, definindo princípios como visualizar o fluxo, limitar o trabalho em progresso (WIP) e gerenciar o fluxo de forma explícita (ANDERSON, 2010).

Na prática, um quadro Kanban possui colunas representando os estágios do processo (ex.: "A Fazer", "Em Progresso", "Em Revisão", "Concluído"), com cartões representando itens de trabalho. Limites de WIP em cada coluna impedem sobrecarga e revelam gargalos no processo.

🔧 Ferramentas populares de Kanban digital Trello Jira Azure DevOps Asana KanbanFlow Notion

O Value Stream Mapping (VSM) é uma técnica visual que documenta todas as etapas — de informação e materiais — necessárias para entregar valor ao cliente (ROTHER; SHOOK, 2003). No desenvolvimento de software, o VSM pode mapear desde a solicitação do cliente até a funcionalidade em produção, revelando tempos de espera, gargalos e redundâncias.

O exercício envolve desenhar o estado atual (current state), identificar os desperdícios e projetar um estado futuro (future state) com tempos de ciclo reduzidos. É uma das ferramentas mais poderosas para transformações Lean.

O relatório A3 é uma ferramenta de resolução de problemas que condensa toda a análise em uma única folha de papel tamanho A3 (297 × 420 mm). Popularizado na Toyota, o A3 segue o ciclo PDCA (Planejar–Fazer–Checar–Agir) e inclui: contexto do problema, estado atual, análise de causa raiz, estado futuro desejado, plano de ação e acompanhamento (SOBEK; SMALLEY, 2008).

No ambiente de software, o A3 pode ser usado para analisar defeitos recorrentes, gargalos de entrega ou falhas de comunicação entre equipes.

O 5S é uma prática de organização originada no Japão, composta por cinco etapas cujos nomes em japonês começam com a letra "S" (LIKER, 2004):

Seiri (Utilização): separar o necessário do desnecessário.
Seiton (Organização): organizar para acesso fácil.
Seiso (Limpeza): manter o ambiente limpo e inspecionado.
Seiketsu (Padronização): criar padrões para manter os três primeiros S.
Shitsuke (Disciplina): manter e melhorar os padrões continuamente.

Analogia no software: manter repositórios limpos, código bem organizado, convenções de nomenclatura padronizadas, e uma disciplina de refatoração contínua podem ser vistos como o 5S digital.

Poka-Yoke (ポカヨケ) são mecanismos que impedem ou detectam erros humanos antes que se tornem defeitos (SHINGO, 1985). Na manufatura, pode ser um encaixe que só permite a montagem na orientação correta.

No software: validações de formulário que impedem entrada de dados inválidos, testes automatizados que bloqueiam o deploy se falharem, linters que detectam erros de sintaxe antes do commit e sistemas de feature flags que permitem desfazer lançamentos problemáticos — todos são formas de Poka-Yoke digital.

Lean Startup — O Lean no empreendedorismo

Eric Ries expandiu os conceitos Lean para o universo das startups e inovação em seu livro The Lean Startup (RIES, 2011). A premissa é que startups operam em condições de extrema incerteza e, portanto, devem validar hipóteses de negócio o mais rápido e barato possível.

O pilar central do Lean Startup é o ciclo Construir–Medir–Aprender (Build–Measure–Learn):

Ideia / Hipótese

→

Construir (MVP)

→

Medir (Dados)

→

Aprender

→

Pivotar ou Perseverar

O Produto Mínimo Viável (MVP — Minimum Viable Product) é a versão mais simples do produto que permite testar uma hipótese de valor junto a clientes reais. Não se trata de lançar algo ruim, mas de aprender o máximo com o mínimo de esforço (RIES, 2011).

Se os dados validam a hipótese, a startup persevera e refina o produto. Caso contrário, realiza um pivô — uma mudança estruturada de direção baseada no aprendizado obtido. Exemplos célebres de pivôs incluem empresas como a Slack (que nasceu como uma ferramenta interna de um jogo online) e o Instagram (originalmente um aplicativo de check-in chamado Burbn).

Para medir o progresso, Ries propõe a contabilidade de inovação (innovation accounting), que substitui métricas de vaidade (como número total de usuários registrados) por métricas acionáveis — aquelas que ajudam a tomar decisões reais, como taxa de retenção semanal ou receita por cohort (RIES, 2011).

Lean e os demais métodos ágeis

O Lean compartilha valores com outros métodos ágeis mas possui ênfases distintas. A tabela a seguir sintetiza as principais diferenças:

Tabela 2 — Comparação entre Lean, Scrum e XP
Aspecto	Lean / Kanban	Scrum	XP (Extreme Programming)
Origem	Sistema Toyota de Produção	Gestão de projetos adaptativa	Práticas de engenharia de software
Cadência	Fluxo contínuo	Sprints de duração fixa	Iterações curtas (1–2 semanas)
Papéis definidos	Não prescritivo	Scrum Master, Product Owner, Devs	Coach, Cliente, Programadores
Foco principal	Eliminar desperdícios, fluxo	Entrega iterativa, transparência	Excelência técnica, feedback rápido
Gestão de trabalho	Limites de WIP	Backlog priorizado, sprint backlog	Histórias de usuário priorizadas
Métricas-chave	Lead time, throughput, WIP	Velocidade, burndown	Velocidade, cobertura de testes

Fonte: Elaborado pelo autor com base em Anderson (2010), Schwaber e Sutherland (2020) e Beck (2004).

É importante notar que esses métodos não são mutuamente exclusivos. Muitas equipes adotam abordagens híbridas, como o Scrumban (Scrum + Kanban) ou incorporam práticas de XP dentro de um framework Lean (ANDERSON, 2010).

Lean em escala — SAFe e além

Quando uma organização com centenas ou milhares de desenvolvedores deseja adotar Lean, frameworks de escala como o SAFe (Scaled Agile Framework) incorporam princípios Lean como fundamento. O SAFe utiliza conceitos como fluxos de valor de desenvolvimento, cadência e sincronização, e a mentalidade Lean-Agile como pilares (LEFFINGWELL, 2011).

Além do SAFe, outras abordagens de escala com influência Lean incluem o LeSS (Large-Scale Scrum), que busca simplificar a escalada mantendo o foco em eliminar desperdícios organizacionais, e o Lean Enterprise, que estende os princípios Lean para toda a cadeia de valor corporativa — de portfólio a operações.

Críticas e limitações do Lean

Embora amplamente adotado, o Lean não é isento de críticas:

Dificuldade de transposição cultural: o Lean nasceu em um contexto cultural japonês específico, com forte ênfase em respeito, consenso e emprego vitalício. Transplantá-lo sem adaptações para culturas organizacionais ocidentais individualistas pode gerar resistência (LIKER, 2004).
Risco de pressão sobre trabalhadores: a obsessão com eliminação de desperdícios pode ser distorcida para intensificar o trabalho e reduzir buffers necessários à saúde organizacional, levando ao burnout.
Falsa simplicidade: os princípios Lean parecem simples de entender, mas são profundamente difíceis de implementar corretamente. Muitas organizações adotam ferramentas (como Kanban) sem absorver a filosofia por trás delas.
Menos prescritivo: diferente do Scrum, que fornece papéis, eventos e artefatos claros, o Lean é mais uma filosofia do que um framework passo a passo, o que pode desorientar equipes que buscam direcionamento concreto.
Tensão entre eficiência e inovação: a eliminação radical de desperdícios pode, paradoxalmente, reduzir a folga organizacional (slack) necessária para experimentação e inovação disruptiva.

Como começar com Lean — Guia prático

Para quem deseja iniciar a jornada Lean, seja em um projeto de software ou em um processo de negócios, os seguintes passos oferecem uma trilha introdutória:

Defina o valor: converse com seus clientes ou usuários e entenda o que realmente importa para eles.
Mapeie o fluxo atual: desenhe todas as etapas do seu processo, da ideia à entrega. Use um mural ou ferramenta digital.
Identifique desperdícios: marque cada etapa que não agrega valor direto ao cliente.
Implemente um quadro Kanban: visualize o trabalho em andamento e limite o WIP para as capacidades reais da equipe.
Estabeleça ciclos de feedback: faça retrospectivas regulares (semanal ou quinzenalmente).
Meça e adapte: acompanhe métricas como "lead time", "throughput" e taxa de defeitos. Tome decisões baseadas em dados.

📚 Leitura recomendada para aprofundamento Para quem deseja se aprofundar, as obras de Womack e Jones (1996), Poppendieck e Poppendieck (2003), Anderson (2010) e Ries (2011) formam uma base sólida. Para o contexto brasileiro, é recomendável buscar também casos de estudo publicados em eventos como o SBQS (Simpósio Brasileiro de Qualidade de Software) e o WBMA (Workshop Brasileiro de Métodos Ágeis).

Glossário essencial

Tabela 3 — Glossário de termos Lean
Termo	Definição
Muda (無駄)	Desperdício; qualquer atividade que consome recursos sem agregar valor.
Mura (斑)	Irregularidade; variação e inconsistência nos processos.
Muri (無理)	Sobrecarga; exigir mais do que a capacidade permite.
Kaizen (改善)	Melhoria contínua incremental.
Kanban (看板)	Sinal visual ("cartão") que controla a produção puxada.
Just-in-Time (JIT)	Produzir ou entregar somente o necessário, quando necessário, na quantidade necessária.
Jidoka (自働化)	Automação com toque humano; parar o processo ao detectar anomalia.
Genchi Genbutsu	"Vá e veja"; tomar decisões com base em observação direta, não em relatórios.
Heijunka (平準化)	Nivelamento da produção para suavizar variações de demanda.
Andon (行灯)	Sistema de sinalização visual que alerta sobre problemas na linha.
WIP	Work in Progress; quantidade de trabalho em andamento simultâneo.
Lead Time	Tempo total desde a solicitação até a entrega ao cliente.
Cycle Time	Tempo efetivo de trabalho em um item, excluindo filas e esperas.
Throughput	Número de itens concluídos por unidade de tempo.
MVP	Minimum Viable Product; versão mínima do produto para validação.

Fonte: Compilado pelo autor com base nas referências deste artigo.

Considerações finais

O modelo Lean, ao longo de quase oito décadas de evolução, demonstrou uma capacidade notável de adaptação — das linhas de montagem da Toyota aos sprints de equipes de software e às pivotagens de startups. Seus princípios de eliminação de desperdícios, fluxo contínuo e melhoria incessante permanecem relevantes em qualquer contexto onde se busque eficiência sem sacrifício de qualidade.

Para acadêmicos de computação e negócios, compreender o Lean é mais do que aprender uma metodologia: é adquirir uma mentalidade sistêmica que questiona continuamente o que agrega valor e o que é desperdício. Essa mentalidade, quando genuinamente incorporada, transforma não apenas processos, mas a cultura inteira de equipes e organizações.

"Onde não há padrão, não pode haver melhoria." — Taiichi Ohno

Referências

ANDERSON, D. J. Kanban: successful evolutionary change for your technology business. Sequim: Blue Hole Press, 2010.

BECK, K.; ANDRES, C. Extreme Programming Explained: embrace change. 2. ed. Boston: Addison-Wesley, 2004.

IMAI, M. Kaizen: the key to Japan's competitive success. New York: McGraw-Hill, 1986.

KRAFCIK, J. F. Triumph of the Lean Production System. Sloan Management Review, v. 30, n. 1, p. 41–52, 1988.

LEFFINGWELL, D. Agile Software Requirements: lean requirements practices for teams, programs, and the enterprise. Boston: Addison-Wesley, 2011.

LIKER, J. K. The Toyota Way: 14 management principles from the world's greatest manufacturer. New York: McGraw-Hill, 2004.

OHNO, T. Toyota Production System: beyond large-scale production. Portland: Productivity Press, 1988.

POPPENDIECK, M.; POPPENDIECK, T. Lean Software Development: an agile toolkit. Boston: Addison-Wesley, 2003.

RIES, E. The Lean Startup: how today's entrepreneurs use continuous innovation to create radically successful businesses. New York: Crown Business, 2011.

ROTHER, M.; SHOOK, J. Learning to See: value stream mapping to add value and eliminate muda. Cambridge: Lean Enterprise Institute, 2003.

SCHWABER, K.; SUTHERLAND, J. The Scrum Guide. 2020. Disponível em: https://scrumguides.org. Acesso em: 22 mar. 2026.

SHINGO, S. A Revolution in Manufacturing: the SMED system. Portland: Productivity Press, 1985.

SOBEK, D. K.; SMALLEY, A. Understanding A3 Thinking: a critical component of Toyota's PDCA management system. Boca Raton: CRC Press, 2008.

WOMACK, J. P.; JONES, D. T.; ROOS, D. The Machine That Changed the World. New York: Free Press, 1990.

WOMACK, J. P.; JONES, D. T. Lean Thinking: banish waste and create wealth in your corporation. New York: Simon & Schuster, 1996.

Fonte:
Visto no Brasil Acadêmico

Introdução à programação usando Python – Parte II

noreply@blogger.com (War) — Thu, 26 Mar 2026 00:57:00 -0300

Continuação da introdução à programação usando a linguagem Python.

📝 Sinopse

Na Parte I desta série, exploramos os fundamentos da programação com Python: algoritmos, variáveis, tipos primitivos, operadores, entrada e saída de dados. Agora, na Parte II, avançamos para um dos pilares mais importantes da programação: o controle de fluxo. Você aprenderá a fazer seu programa tomar decisões com estruturas condicionais (if, elif, else), a repetir tarefas de forma inteligente com laços while e for, a dominar os comandos break, continue e pass, e a depurar seus programas no Google Colab. Com esses recursos, seus programas deixarão de ser sequências lineares e passarão a resolver problemas reais de forma dinâmica e eficiente.

Figura 1 — Estruturas de controle de fluxo em Python. Fonte: elaborado pelo autor.

📚 Neste artigo você vai aprender

1 O que é Controle de Fluxo?
2 Expressões Booleanas
3 Estruturas Condicionais
4 Condicionais Aninhadas e Compostas
5 Laço while
6 while e Depuração Inicial
7 Laço for e range()
8 Técnicas com for
9 break, continue e pass
10 Técnicas de Depuração no Colab

1. O que é Controle de Fluxo?

Nos programas que escrevemos na Parte I, as instruções eram executadas uma após a outra, da primeira à última, em ordem estritamente sequencial. Esse modelo, embora funcional para tarefas simples, é insuficiente para resolver a maioria dos problemas do mundo real. Para que um programa possa tomar decisões e repetir ações, precisamos de mecanismos chamados estruturas de controle de fluxo.

Conforme (MATTHES, 2019), o controle de fluxo é o que permite a um programa responder de forma diferente a situações diferentes, tornando-o dinâmico e adaptável. Existem três estruturas fundamentais de controle de fluxo, presentes em praticamente todas as linguagens de programação:

Estrutura	Função	Exemplo em Python
Sequência	Instruções executadas na ordem em que aparecem	Código linear (Parte I)
Seleção (Decisão)	Executa blocos diferentes conforme uma condição	`if`, `elif`, `else`
Repetição (Iteração)	Repete um bloco de instruções enquanto uma condição for verdadeira	`while`, `for`

💡 Definição

Controle de fluxo é o conjunto de mecanismos que determina a ordem em que as instruções de um programa são executadas. Por meio de condições e laços, o programa pode decidir o que executar e quantas vezes executar, em vez de simplesmente seguir uma sequência fixa (CORMEN et al., 2009).

2. Expressões Booleanas: A Base das Decisões

Antes de estudar as estruturas condicionais, é essencial compreender as expressões booleanas, pois são elas que determinam qual caminho o programa deve seguir. Uma expressão booleana é qualquer expressão que, ao ser avaliada, resulta em um valor True (verdadeiro) ou False (falso) (SWEIGART, 2020).

Na Parte I, conhecemos os operadores relacionais (==, !=, >, <, >=, <=) e os operadores lógicos (and, or, not). Esses operadores são os blocos fundamentais para construir expressões booleanas. Vamos aprofundar seu uso com exemplos mais elaborados:

Python — Expressões Booleanas

# Expressões Booleanas: a base das decisões

idade = 20
tem_carteira = True
saldo = 150.00

# Expressões simples
print(idade >= 18)              # True
print(saldo > 200)              # False

# Expressões compostas com operadores lógicos
pode_dirigir = idade >= 18 and tem_carteira
print("Pode dirigir?", pode_dirigir)  # True

pode_comprar = saldo >= 100 or tem_carteira
print("Pode comprar?", pode_comprar)  # True

# Operador 'in': verifica pertencimento
frutas = ["maçã", "banana", "laranja"]
print("banana" in frutas)        # True
print("uva" not in frutas)       # True

# Valores "truthy" e "falsy" em Python
print(bool(0))       # False (zero é falsy)
print(bool(42))      # True  (qualquer número diferente de zero)
print(bool(""))      # False (string vazia é falsy)
print(bool("Python")) # True  (string não vazia)
print(bool([]))      # False (lista vazia é falsy)
print(bool(None))    # False (None é falsy)

⚠ Truthy e Falsy

Em Python, todo valor pode ser interpretado como booleano. Os valores considerados falsy (equivalentes a False) são: 0, 0.0, "" (string vazia), [] (lista vazia), () (tupla vazia), {} (dicionário vazio) e None. Todos os demais valores são truthy (equivalentes a True). Esse comportamento é muito utilizado em condicionais para verificar se uma variável contém algum valor significativo (MATTHES, 2019).

3. Estruturas Condicionais: if, elif e else

A estrutura condicional é o mecanismo que permite ao programa tomar decisões. Com ela, diferentes blocos de código são executados conforme o resultado de uma expressão booleana. Em Python, a estrutura condicional é construída com as palavras reservadas if (se), elif (senão se) e else (senão) (MENEZES, 2019).

Figura 2 — Fluxograma de uma estrutura condicional if-elif-else. Fonte: elaborado pelo autor.

💡 Indentação obrigatória

Em Python, a indentação (recuo de 4 espaços) não é mera questão estética — ela é obrigatória e define quais instruções pertencem a cada bloco. Um bloco indentado após um if, elif ou else só será executado se a condição correspondente for verdadeira. Esquecer a indentação (ou usar indentação inconsistente) gera um IndentationError (PAIVA, 2021).

3.1 Condicional simples: if

A forma mais básica de decisão. O bloco de código indentado é executado apenas se a condição for verdadeira.

Python — Condicional Simples (if)

# Condicional simples: if
idade = int(input("Digite sua idade: "))

if idade >= 18:
    print("Você é maior de idade.")
    print("Pode acessar o sistema.")

print("Fim do programa.")  # Sempre executado

3.2 Condicional composta: if-else

Quando precisamos executar um bloco caso a condição seja verdadeira e outro bloco caso seja falsa, usamos if-else.

Python — Condicional Composta (if-else)

# Condicional composta: if-else
nota = float(input("Digite sua nota (0 a 10): "))

if nota >= 7.0:
    print("Parabéns! Você foi APROVADO(A).")
else:
    print("Infelizmente, você foi REPROVADO(A).")

print(f"Sua nota foi: {nota:.1f}")

3.3 Condicional encadeada: if-elif-else

Quando há múltiplas condições mutuamente exclusivas, usamos elif (contração de else if) para testar cada uma delas em sequência. O bloco else ao final é opcional e funciona como um "caso contrário" para todas as condições anteriores (SWEIGART, 2020).

Python — Condicional Encadeada (if-elif-else)

# Condicional encadeada: classificação de notas
nota = float(input("Digite sua nota (0 a 10): "))

if nota >= 9.0:
    conceito = "A (Excelente)"
elif nota >= 7.0:
    conceito = "B (Bom)"
elif nota >= 5.0:
    conceito = "C (Regular)"
elif nota >= 3.0:
    conceito = "D (Insuficiente)"
else:
    conceito = "E (Reprovado)"

print(f"Nota: {nota:.1f} → Conceito: {conceito}")

🔢 Como funciona a avaliação

Python avalia as condições de cima para baixo. Assim que encontra a primeira condição verdadeira, executa o bloco correspondente e pula todas as demais. Por isso, na estrutura acima, não é necessário escrever nota >= 7.0 and nota < 9.0 — se o programa chegou ao elif nota >= 7.0, é porque a nota já é menor que 9.0.

4. Condicionais Aninhadas e Compostas

4.1 Condicionais aninhadas

É possível colocar uma estrutura condicional dentro de outra. Isso é chamado de aninhamento (ou nesting). Embora seja uma técnica válida, o excesso de aninhamento torna o código difícil de ler e manter. De modo geral, recomenda-se não ultrapassar dois ou três níveis de profundidade (MENEZES, 2019).

Python — Condicionais Aninhadas

# Condicionais aninhadas: sistema de login simplificado
usuario = input("Usuário: ")
senha = input("Senha: ")

if usuario == "admin":
    if senha == "1234":
        print("Acesso concedido! Bem-vindo, administrador.")
    else:
        print("Senha incorreta.")
else:
    print("Usuário não encontrado.")

4.2 Condicionais compostas com operadores lógicos

Uma alternativa mais elegante ao aninhamento é combinar condições usando operadores lógicos (and, or, not). O exemplo anterior poderia ser reescrito de forma mais concisa:

Python — Condicionais Compostas

# Versão com operador lógico (mais concisa)
usuario = input("Usuário: ")
senha = input("Senha: ")

if usuario == "admin" and senha == "1234":
    print("Acesso concedido! Bem-vindo, administrador.")
elif usuario == "admin":
    print("Senha incorreta.")
else:
    print("Usuário não encontrado.")

4.3 Expressão condicional ternária

Python oferece uma sintaxe compacta para atribuições condicionais simples, conhecida como expressão ternária. Ela é útil quando o objetivo é atribuir um valor com base em uma única condição (PYTHON SOFTWARE FOUNDATION, 2024).

Python — Expressão Ternária

# Expressão condicional ternária
# Sintaxe: valor_se_verdadeiro if condição else valor_se_falso

idade = int(input("Idade: "))
status = "Maior de idade" if idade >= 18 else "Menor de idade"
print(status)

# Outro exemplo: par ou ímpar
numero = int(input("Número: "))
paridade = "par" if numero % 2 == 0 else "ímpar"
print(f"O número {numero} é {paridade}.")

🔢 Exemplo Prático: Calculadora Simples

Problema: Criar uma calculadora que lê dois números e uma operação (+, -, *, /) e exibe o resultado.

Python — Calculadora com if-elif-else

# Calculadora simples com condicionais
n1 = float(input("Primeiro número: "))
op = input("Operação (+, -, *, /): ")
n2 = float(input("Segundo número: "))

if op == "+":
    resultado = n1 + n2
elif op == "-":
    resultado = n1 - n2
elif op == "*":
    resultado = n1 * n2
elif op == "/":
    if n2 != 0:
        resultado = n1 / n2
    else:
        resultado = "ERRO: divisão por zero!"
else:
    resultado = "Operação inválida!"

print(f"Resultado: {resultado}")

5. Laço while: Repetição Indeterminada

O laço while (enquanto) é uma estrutura de repetição que executa um bloco de código enquanto uma condição for verdadeira. Ele é chamado de laço indeterminado porque, ao contrário do for, não sabemos necessariamente de antemão quantas vezes o bloco será repetido — a repetição depende de uma condição que é avaliada a cada iteração (MATTHES, 2019).

Figura 3 — Fluxograma do laço de repetição while. Fonte: elaborado pelo autor.

Python — Laço while (básico)

# Laço while: contagem regressiva
contador = 5

while contador > 0:
    print(f"Contagem: {contador}")
    contador -= 1   # ESSENCIAL: atualizar a variável de controle

print("Lançar! 🚀")

▶ Saída esperada

Contagem: 5
Contagem: 4
Contagem: 3
Contagem: 2
Contagem: 1
Lançar! 🚀

⚠ Cuidado: Laço Infinito!

Se a condição do while nunca se tornar falsa, o programa entra em um laço infinito e nunca para de executar. Isso geralmente acontece quando o programador esquece de atualizar a variável de controle dentro do laço. No Google Colab, você pode interromper a execução clicando no botão ⬜ Parar (ou pressionando Ctrl + M + I) (SWEIGART, 2020).

Padrões comuns com while

Python — Padrões Comuns com while

# Padrão 1: Acumulador — somar números até o usuário digitar 0
soma = 0
numero = int(input("Digite um número (0 para sair): "))

while numero != 0:
    soma += numero
    numero = int(input("Digite um número (0 para sair): "))

print(f"Soma total: {soma}")

# ------------------------------------------------

# Padrão 2: Validação de entrada — garantir dado correto
idade = int(input("Digite sua idade (0 a 150): "))

while idade < 0 or idade > 150:
    print("Valor inválido! Tente novamente.")
    idade = int(input("Digite sua idade (0 a 150): "))

print(f"Idade registrada: {idade} anos.")

# ------------------------------------------------

# Padrão 3: Sentinela — repetir até uma condição de parada
print("=== Menu ===")
opcao = ""

while opcao != "3":
    print("1 - Jogar")
    print("2 - Configurações")
    print("3 - Sair")
    opcao = input("Escolha: ")

    if opcao == "1":
        print("Iniciando jogo...\n")
    elif opcao == "2":
        print("Abrindo configurações...\n")
    elif opcao == "3":
        print("Até logo!")
    else:
        print("Opção inválida!\n")

6. while e Depuração Inicial: Encontrando Erros

Os laços de repetição são uma das fontes mais comuns de erros em programas de iniciantes. Erros como laços infinitos, execução a mais ou a menos (erro off-by-one) e condições de parada incorretas são frequentes. Nesta seção, aprenderemos a identificar e corrigir esses erros por meio de técnicas simples de depuração — um tema que será expandido na seção 10 (SWEIGART, 2020).

6.1 Depuração com print() — o "print debugging"

A técnica mais simples (e surpreendentemente eficaz) de depuração é inserir chamadas print() dentro do laço para inspecionar o valor das variáveis a cada iteração.

Python — Depuração com print()

# Programa com BUG: deveria somar de 1 a 5, mas há um erro
soma = 0
i = 1

while i <= 5:
    soma += i
    print(f"[DEBUG] i={i}, soma={soma}")  # linha de depuração
    # ERRO: esquecemos de incrementar i!
    # i += 1   ← esta linha está faltando!

# Ao executar, o print de depuração mostraria:
# [DEBUG] i=1, soma=1
# [DEBUG] i=1, soma=2
# [DEBUG] i=1, soma=3   ← i nunca muda → laço infinito!

# --- Versão corrigida ---
soma = 0
i = 1

while i <= 5:
    soma += i
    print(f"[DEBUG] i={i}, soma={soma}")
    i += 1  # Agora i é incrementado corretamente

print(f"Soma final: {soma}")  # 15

6.2 O while-else

Python possui uma sintaxe exclusiva: o bloco else após um while. Esse bloco é executado apenas se o laço terminar normalmente (sem ser interrompido por break). É útil para detectar se uma busca foi bem-sucedida (PYTHON SOFTWARE FOUNDATION, 2024).

Python — while-else

# while-else: verificar se um número é primo
numero = int(input("Digite um número inteiro positivo: "))
divisor = 2

while divisor < numero:
    if numero % divisor == 0:
        print(f"{numero} NÃO é primo (divisível por {divisor}).")
        break
    divisor += 1
else:
    # Executado apenas se o while terminou sem break
    print(f"{numero} é primo!")

7. Laço for e range(): Repetição Determinada

O laço for em Python é uma estrutura de repetição determinada, projetada para iterar (percorrer) sobre os elementos de uma sequência — como uma lista, uma string, um intervalo numérico ou qualquer outro objeto iterável. Diferentemente do while, o for é ideal quando sabemos de antemão quantas vezes a repetição deve ocorrer ou quando queremos processar cada item de uma coleção (MATTHES, 2019).

7.1 Sintaxe básica do for

Python — Laço for (básico)

# Iterando sobre uma lista
frutas = ["maçã", "banana", "laranja", "uva"]

for fruta in frutas:
    print(f"Eu gosto de {fruta}!")

# Iterando sobre uma string (caractere por caractere)
palavra = "Python"

for letra in palavra:
    print(letra, end=" ")  # P y t h o n
print()  # Quebra de linha

7.2 A função range()

A função range() gera uma sequência de números inteiros e é a companheira mais frequente do for. Ela aceita até três argumentos: range(início, fim, passo) (PAIVA, 2021).

Forma	Descrição	Exemplo	Sequência gerada
`range(n)`	De 0 até n-1, passo 1	`range(5)`	0, 1, 2, 3, 4
`range(a, b)`	De a até b-1, passo 1	`range(2, 7)`	2, 3, 4, 5, 6
`range(a, b, p)`	De a até b-1, passo p	`range(0, 10, 2)`	0, 2, 4, 6, 8
`range(a, b, -p)`	De a até b+1, passo -p (decrescente)	`range(10, 0, -2)`	10, 8, 6, 4, 2

⚠ Atenção: o limite superior é exclusivo!

O valor final informado no range() não é incluído na sequência. Assim, range(1, 6) gera os números 1, 2, 3, 4, 5 — mas não o 6. Esse é outro erro frequente entre iniciantes e é análogo ao conceito matemático de intervalo semiaberto [a, b).

Python — for com range()

# Repetir 5 vezes (range com 1 argumento)
for i in range(5):
    print(f"Iteração {i}")
# Saída: Iteração 0, Iteração 1, ..., Iteração 4

# Tabuada de um número (range com 2 argumentos)
n = int(input("Tabuada de: "))
for i in range(1, 11):
    print(f"{n} x {i} = {n * i}")

# Números pares de 0 a 20 (range com 3 argumentos)
print("Números pares de 0 a 20:")
for par in range(0, 21, 2):
    print(par, end=" ")  # 0 2 4 6 8 10 12 14 16 18 20
print()

# Contagem regressiva (passo negativo)
print("Contagem regressiva:")
for i in range(10, 0, -1):
    print(i, end=" ")
print("Lançar! 🚀")

8. Técnicas com for: enumerate, acumuladores e for-else

8.1 enumerate(): índice + valor

Quando precisamos do índice de cada elemento durante a iteração, usamos enumerate(). Essa função retorna pares (índice, valor) a cada iteração, eliminando a necessidade de manter um contador manualmente (PYTHON SOFTWARE FOUNDATION, 2024).

Python — enumerate()

# enumerate(): iterando com índice e valor
linguagens = ["Python", "Java", "C++", "JavaScript"]

for indice, nome in enumerate(linguagens):
    print(f"{indice + 1}. {nome}")

# Saída:
# 1. Python
# 2. Java
# 3. C++
# 4. JavaScript

# Também pode especificar o valor inicial do índice:
for i, nome in enumerate(linguagens, start=1):
    print(f"{i}. {nome}")

8.2 Padrões de acumulação com for

Python — Acumuladores com for

# Padrão: Acumulador — somar N números digitados pelo usuário
n = int(input("Quantos números deseja somar? "))
soma = 0

for i in range(1, n + 1):
    valor = float(input(f"Número {i}: "))
    soma += valor

print(f"Soma: {soma:.2f}")
print(f"Média: {soma / n:.2f}")

# ------------------------------------------------

# Padrão: Contador — contar pares em uma faixa
pares = 0
impares = 0

for num in range(1, 21):
    if num % 2 == 0:
        pares += 1
    else:
        impares += 1

print(f"De 1 a 20: {pares} pares e {impares} ímpares.")

# ------------------------------------------------

# Padrão: Maior e menor valor
n = int(input("Quantos números? "))
maior = None
menor = None

for i in range(n):
    valor = float(input(f"Valor {i + 1}: "))
    if maior is None or valor > maior:
        maior = valor
    if menor is None or valor < menor:
        menor = valor

print(f"Maior: {maior} | Menor: {menor}")

8.3 O for-else

Assim como o while, o for também pode ter um bloco else. Ele é executado quando o laço termina normalmente (sem break).

Python — for-else

# for-else: buscar um elemento em uma lista
nomes = ["Ana", "Bruno", "Carla", "Daniel"]
busca = input("Buscar nome: ")

for nome in nomes:
    if nome.lower() == busca.lower():
        print(f"'{nome}' encontrado na lista!")
        break
else:
    # Executado somente se o break NÃO foi acionado
    print(f"'{busca}' não foi encontrado.")

9. Controles de Fluxo: break, continue e pass

Python oferece três instruções especiais que alteram o comportamento normal de laços de repetição: break, continue e pass. Cada uma tem uma finalidade distinta e deve ser utilizada com critério (SWEIGART, 2020).

Figura 4 — Comparação entre break, continue e pass. Fonte: elaborado pelo autor.

Instrução	Efeito	Funciona em
`break`	Interrompe o laço imediatamente e segue para a próxima instrução após o laço	`for`, `while`
`continue`	Pula o restante da iteração atual e volta ao início do laço para a próxima iteração	`for`, `while`
`pass`	Não faz absolutamente nada; serve como placeholder sintático	Qualquer bloco

9.1 break — interrompendo o laço

Python — break

# break: encontrar o primeiro múltiplo de 7 entre 50 e 100
for num in range(50, 101):
    if num % 7 == 0:
        print(f"Primeiro múltiplo de 7: {num}")
        break  # Encerra o laço assim que encontra
# Saída: Primeiro múltiplo de 7: 56

# break com while: jogo de adivinhação
import random
secreto = random.randint(1, 20)
tentativas = 0

while True:  # Laço "infinito" controlado por break
    palpite = int(input("Adivinhe o número (1-20): "))
    tentativas += 1

    if palpite == secreto:
        print(f"Acertou em {tentativas} tentativa(s)!")
        break
    elif palpite < secreto:
        print("Muito baixo!")
    else:
        print("Muito alto!")

9.2 continue — pulando a iteração

Python — continue

# continue: imprimir apenas números ímpares de 1 a 10
for i in range(1, 11):
    if i % 2 == 0:
        continue  # Pula os pares
    print(i, end=" ")
# Saída: 1 3 5 7 9

print()

# continue: processar notas válidas e ignorar inválidas
total = 0
validas = 0

for i in range(5):
    entrada = input(f"Nota {i + 1}: ")

    if not entrada.replace(".", "", 1).isdigit():
        print("  → Ignorada (não é número).")
        continue

    nota = float(entrada)
    if nota < 0 or nota > 10:
        print("  → Ignorada (fora do intervalo 0-10).")
        continue

    total += nota
    validas += 1

if validas > 0:
    print(f"Média das notas válidas: {total / validas:.2f}")
else:
    print("Nenhuma nota válida foi digitada.")

9.3 pass — o placeholder silencioso

A instrução pass não executa nenhuma ação. Ela existe para servir como placeholder em blocos que ainda não foram implementados (por exemplo, durante o planejamento do código). Em Python, um bloco vazio gera erro de sintaxe; o pass resolve esse problema (MENEZES, 2019).

Python — pass

# pass: esqueleto de um programa (planejamento)
nota = float(input("Nota: "))

if nota >= 7:
    print("Aprovado!")
elif nota >= 5:
    pass  # TODO: implementar lógica de recuperação
else:
    pass  # TODO: implementar lógica de reprovação

# pass em um laço: ignorar certos valores silenciosamente
for i in range(10):
    if i % 3 == 0:
        pass  # Nenhuma ação especial para múltiplos de 3 (por enquanto)
    else:
        print(i, end=" ")
# Saída: 1 2 4 5 7 8

🐍 Resumo Visual

break → "Saia do laço agora!"
continue → "Pule esta iteração e vá para a próxima!"
pass → "Não faça nada aqui (por enquanto)."

10. Técnicas de Depuração no Google Colab

Depuração (ou debugging) é o processo de identificar, localizar e corrigir erros em um programa. O nome remonta à década de 1940, quando Grace Hopper encontrou uma mariposa (bug) causando problemas em um computador. Saber depurar é tão importante quanto saber programar — programadores experientes dedicam uma parcela significativa do seu tempo a essa atividade (SWEIGART, 2020).

10.1 Tipos de erro em Python

Antes de depurar, é essencial distinguir os três tipos de erro que podem ocorrer:

Tipo de Erro	Quando Ocorre	Exemplo
Erro de Sintaxe `SyntaxError`	O código viola as regras gramaticais do Python; detectado antes da execução	`if x == 5` (falta `:`)
Erro de Execução (Exceção)	O código está sintaticamente correto, mas falha durante a execução	`10 / 0` → `ZeroDivisionError`
Erro de Lógica	O programa executa sem erro, mas produz resultado incorreto	Calcular média com `n1 + n2 / 2` em vez de `(n1 + n2) / 2`

⚠ Nota sobre erros de lógica

Erros de lógica são os mais difíceis de encontrar porque o programa executa normalmente, sem mensagens de erro. O resultado simplesmente está errado. A depuração é a ferramenta principal para localizar esses erros (MATTHES, 2019).

10.2 Lendo mensagens de erro (traceback)

Quando ocorre uma exceção, Python exibe uma mensagem chamada traceback, que indica o arquivo, a linha e o tipo de erro. Aprender a ler o traceback é a habilidade mais importante de depuração (PAIVA, 2021).

Python — Lendo um Traceback

# Código com erro proposital
nome = "Maria"
idade = "25"  # Deveria ser int, mas é str

# A linha abaixo causará erro:
ano_nascimento = 2026 - idade

# Python exibirá algo como:
# ---------------------------------------------------------------------------
# TypeError                    Traceback (most recent call last)
# <ipython-input-1-...> in <cell line: 4>()
#       2 idade = "25"
# ----> 4 ano_nascimento = 2026 - idade  ← LINHA DO ERRO
#
# TypeError: unsupported operand type(s) for -: 'int' and 'str'
#            ↑ TIPO DO ERRO              ↑ DESCRIÇÃO DO PROBLEMA

💡 Como ler um traceback

1. Vá até a última linha — ali está o tipo de erro e uma descrição.
2. Suba até a seta (---->) — ela indica a linha exata que causou o erro.
3. Analise as variáveis e expressões naquela linha para entender o problema.

10.3 Exceções mais comuns

Exceção	Causa Comum	Exemplo
`SyntaxError`	Código escrito incorretamente	Falta de `:`, parênteses não fechados
`IndentationError`	Indentação inconsistente ou ausente	Mistura de tabs e espaços
`NameError`	Variável usada antes de ser definida	`print(x)` sem declarar `x`
`TypeError`	Operação entre tipos incompatíveis	`"5" + 3`
`ValueError`	Valor inadequado para a operação	`int("abc")`
`ZeroDivisionError`	Divisão por zero	`10 / 0`
`IndexError`	Índice fora dos limites de uma lista	`lista[10]` quando a lista tem 3 itens

10.4 Técnicas de depuração no Colab

O Google Colab, por ser baseado em Jupyter Notebooks, oferece um ambiente interativo que facilita a depuração. A seguir, apresentamos as técnicas mais úteis para iniciantes (PYTHON SOFTWARE FOUNDATION, 2024):

Técnica 1: Print debugging (depuração com print)

Já vimos esta técnica na seção 6. Consiste em inserir chamadas print() estratégicas para exibir o valor de variáveis em pontos-chave do programa. Apesar de simples, é a técnica mais utilizada mesmo por programadores experientes.

Python — Print Debugging Avançado

# Dica: use f-strings com rótulos descritivos
# para tornar a saída de depuração mais legível

x = 10
y = 3
resultado = x ** y + 2 * x

# Depuração com f-string "auto-documentada" (Python 3.8+)
print(f"{x = }")          # x = 10
print(f"{y = }")          # y = 3
print(f"{resultado = }")  # resultado = 1020

# Verificando tipos durante a depuração
print(f"{type(x) = }")    # type(x) = <class 'int'>

Técnica 2: Execução célula a célula

O Colab permite dividir o código em células independentes. Isso é uma vantagem enorme para depuração: você pode executar cada parte do programa separadamente, verificando os resultados intermediários antes de prosseguir.

🔢 Estratégia recomendada

1. Divida o programa em células lógicas (entrada de dados, processamento, saída).
2. Execute uma célula de cada vez com Shift + Enter.
3. Após cada célula, verifique os valores das variáveis digitando o nome da variável em uma nova célula e executando-a (o Colab exibe o valor automaticamente).
4. Quando encontrar a célula problemática, isole a linha do erro.

Técnica 3: O depurador interativo (%debug e pdb)

Quando um erro ocorre em uma célula do Colab, você pode ativar o depurador interativo digitando %debug na célula seguinte. Isso abre uma sessão interativa onde é possível inspecionar variáveis, executar comandos e navegar pela pilha de execução (PYTHON SOFTWARE FOUNDATION, 2024).

Python — Depurador Interativo no Colab

# Célula 1: código com erro
numeros = [10, 20, 0, 5]
resultados = []

for n in numeros:
    resultados.append(100 / n)  # ZeroDivisionError quando n=0

# ------------------------------------------------
# Célula 2: ativar o depurador após o erro
%debug

# No prompt do depurador (ipdb>), digite:
#   p n         → mostra o valor de n (será 0)
#   p numeros   → mostra a lista completa
#   p resultados → mostra os resultados até o erro
#   q           → sai do depurador

Técnica 4: Depuração com breakpoints (pdb.set_trace)

Para inspecionar o programa em um ponto específico antes que o erro ocorra, use breakpoint() (Python 3.7+) ou import pdb; pdb.set_trace(). Quando a execução chegar nessa linha, o programa pausa e abre o depurador interativo.

Python — Breakpoints no Colab

# Usando breakpoint() para pausar a execução
def calcular_media(notas):
    soma = 0
    for nota in notas:
        soma += nota
        breakpoint()  # Pausa aqui a cada iteração
    return soma / len(notas)

notas = [8.5, 7.0, 9.2]
media = calcular_media(notas)

# No prompt do depurador (Pdb), comandos úteis:
#   n    → executa a próxima linha (next)
#   c    → continua a execução até o próximo breakpoint (continue)
#   p x  → exibe o valor da variável x (print)
#   l    → mostra o código ao redor da linha atual (list)
#   q    → encerra o depurador (quit)

Técnica 5: try-except — tratamento preventivo de exceções

Embora o tratamento completo de exceções seja tema para um próximo artigo, a estrutura try-except é uma ferramenta básica de depuração que todo iniciante deve conhecer. Ela permite capturar um erro e executar um bloco alternativo em vez de interromper o programa (MATTHES, 2019).

Python — try-except (introdução)

# try-except: capturando erros de forma elegante

# Sem try-except: o programa para se o usuário digitar texto
# idade = int(input("Idade: "))  # ValueError se digitar "abc"

# Com try-except: o programa trata o erro e continua
try:
    idade = int(input("Idade: "))
    print(f"Sua idade é {idade}.")
except ValueError:
    print("Erro: digite um número inteiro válido!")

# Combinando try-except com while para validação robusta
while True:
    try:
        nota = float(input("Digite sua nota (0-10): "))
        if 0 <= nota <= 10:
            break
        print("A nota deve estar entre 0 e 10.")
    except ValueError:
        print("Entrada inválida! Digite um número.")

print(f"Nota registrada: {nota}")

10.5 Atalhos úteis do Google Colab

Atalho	Função
`Shift + Enter`	Executar célula atual e avançar para a próxima
`Ctrl + Enter`	Executar célula atual sem avançar
`Ctrl + M + I`	Interromper execução (útil para laços infinitos)
`Ctrl + M + .`	Reiniciar o runtime (limpa todas as variáveis)
`Ctrl + M + A`	Inserir célula de código acima
`Ctrl + M + B`	Inserir célula de código abaixo
`Ctrl + Shift + H`	Abrir histórico de versões do notebook

🐍 Dica profissional

Quando estiver depurando no Colab, crie uma célula de rascunho ao lado do código problemático. Nela, teste expressões isoladas, verifique valores de variáveis e experimente soluções antes de modificar o código principal. Essa abordagem incremental é muito mais eficiente do que tentar corrigir tudo de uma vez.

Exemplo Integrador: Jogo de Adivinhação Completo

Para consolidar todos os conceitos desta Parte II — condicionais, laços while e for, break, continue e tratamento de exceções —, vamos construir um jogo de adivinhação mais robusto:

Python — Jogo de Adivinhação (Exemplo Integrador)

# ================================================
# Jogo de Adivinhação - Exemplo Integrador
# Conceitos: if/elif/else, while, for, break,
#            continue, try-except, f-strings
# ================================================
import random

# Configuração
MINIMO = 1
MAXIMO = 50
MAX_TENTATIVAS = 7

secreto = random.randint(MINIMO, MAXIMO)
tentativas = []
acertou = False

print(f"🎯 Adivinhe o número entre {MINIMO} e {MAXIMO}!")
print(f"Você tem {MAX_TENTATIVAS} tentativas.\n")

# Laço principal do jogo
for rodada in range(1, MAX_TENTATIVAS + 1):
    restantes = MAX_TENTATIVAS - rodada + 1
    print(f"--- Tentativa {rodada}/{MAX_TENTATIVAS} ---")

    # Validação de entrada com try-except e while
    while True:
        try:
            palpite = int(input(f"Seu palpite ({MINIMO}-{MAXIMO}): "))
            if palpite < MINIMO or palpite > MAXIMO:
                print(f"Fora do intervalo! Digite entre {MINIMO} e {MAXIMO}.")
                continue
            if palpite in tentativas:
                print("Você já tentou esse número! Tente outro.")
                continue
            break  # Entrada válida e não repetida
        except ValueError:
            print("Digite um número inteiro válido!")

    tentativas.append(palpite)

    # Verificar o palpite
    if palpite == secreto:
        acertou = True
        print(f"\n🎉 PARABÉNS! O número era {secreto}!")
        print(f"Você acertou em {rodada} tentativa(s)!")
        break
    elif palpite < secreto:
        dica = "⬆ Muito baixo!"
    else:
        dica = "⬇ Muito alto!"

    # Dica extra de proximidade
    diferenca = abs(palpite - secreto)
    if diferenca <= 3:
        temperatura = "🔥 Quente!"
    elif diferenca <= 10:
        temperatura = "😐 Morno."
    else:
        temperatura = "🧊 Frio!"

    print(f"{dica} {temperatura} (restam {restantes - 1})\n")

# Mensagem final (for-else)
if not acertou:
    print(f"\n😞 Suas tentativas acabaram! O número era {secreto}.")

# Histórico
print(f"\nHistórico de palpites: {tentativas}")

Conclusão

Nesta Parte II, avançamos de forma significativa no aprendizado de Python. Partimos das expressões booleanas — a base lógica de toda decisão computacional — e exploramos as estruturas condicionais (if, elif, else), que permitem ao programa reagir de maneira diferente a cada situação. Em seguida, dominamos os laços de repetição: o while, para repetições indeterminadas controladas por condição, e o for, para iterações determinadas sobre sequências e intervalos numéricos com range().

Aprendemos também os comandos break, continue e pass, que oferecem controle fino sobre o comportamento dos laços. Por fim, mergulhamos nas técnicas de depuração — desde o simples print() estratégico até o uso do depurador interativo (%debug) e do try-except — ferramentas indispensáveis para encontrar e corrigir erros no Google Colab.

Com o domínio das estruturas de controle de fluxo e das técnicas de depuração, seus programas agora podem tomar decisões, repetir tarefas, validar entradas e lidar com erros de forma elegante. O próximo passo natural é explorar as funções, que permitirão organizar o código em blocos reutilizáveis, e as estruturas de dados (listas, tuplas, dicionários), que ampliarão enormemente o repertório de problemas que você poderá resolver.

🚀 Continue Aprendendo!

Desafie-se: modifique o jogo de adivinhação para adicionar níveis de dificuldade, crie um programa que calcule o fatorial usando while e for, ou construa um validador de CPF. Quanto mais você pratica, mais natural a programação se torna. Como reforça (SWEIGART, 2020), a melhor forma de aprender a programar é programando!

Referências

CORMEN, T. H. et al. Introduction to algorithms. 3. ed. Cambridge: MIT Press, 2009. (Tradução brasileira: Algoritmos: Teoria e Prática. 3. ed. Rio de Janeiro: Elsevier, 2012.)

MATTHES, E. Curso Intensivo de Python: Uma Introdução Prática e Baseada em Projetos à Programação. 2. ed. São Paulo: Novatec, 2019.

MENEZES, N. N. C. Introdução à Programação com Python: Algoritmos e Lógica de Programação para Iniciantes. 3. ed. São Paulo: Novatec, 2019.

PAIVA, F. Introdução a Python. Natal: Editora IFRN, 2021. Disponível em: <https://memoria.ifrn.edu.br/bitstream/handle/1044/2090/EBOOK%20-%20INTRODU%C3%87%C3%83O%20A%20PYTHON%20%28EDITORA%20IFRN%29.pdf>. Acesso em: 12 mar. 2026.

PYTHON SOFTWARE FOUNDATION. Python Documentation. Disponível em: <https://docs.python.org/3/>. Acesso em: 12 mar. 2026.

SWEIGART, A. Automatize Tarefas Maçantes com Python: Programação Prática para Verdadeiros Iniciantes. 2. ed. São Paulo: Novatec, 2020.

Fonte:
Visto no Brasil Acadêmico

Engenharia de Requisitos: Um Resumo Rumo à Prática

noreply@blogger.com (War) — Wed, 25 Mar 2026 12:37:00 -0300

Um apanhado teórico visando aulas práticas oferecendo uma amostra abrangente e condensada do universo do levantamento de requisitos para o desenvolvimento de sistemas.

A Engenharia de Requisitos é uma das disciplinas mais críticas — e subestimadas — do desenvolvimento de software. Este post oferece um panorama com parte dos fundamentos teóricos (o que é um requisito, por que tratá-lo com "engenharia", os tipos e critérios de qualidade), percorre as técnicas de elicitação e análise (entrevistas, casos de uso, prototipação, histórias de usuário com INVEST e CCC), aborda a gerência de requisitos (CMMI-DEV, MoSCoW, matriz de rastreabilidade, gestão de mudanças), introduz a Justificativa Lean e o conceito de Produto Mínimo Viável — com o princípio de eliminação de desperdícios que fundamenta a decisão sobre o que entra e o que fica de fora de uma primeira entrega — e, ao final, conecta tudo isso com a prática moderna de reuniões de levantamento em contexto ágil. O objetivo é fornecer ao estudante e ao profissional uma overview da base teórica necessária para conduzir — ou participar de — um exercício real de elicitação e criação de backlogs.

Parte 1 — Engenharia de Requisitos: fundamentos

O que é Engenharia de Requisitos?

A Engenharia de Requisitos (ER) pode ser definida como o conjunto sistemático de atividades destinadas a descobrir, analisar, documentar e gerenciar os requisitos de um sistema de software (VAZQUEZ; SIMÕES, 2016). Ela é uma subdisciplina da Engenharia de Software e está presente em qualquer processo de desenvolvimento — do modelo cascata às metodologias ágeis —, embora sua forma de execução varie conforme a estratégia adotada.

O uso da palavra "engenharia" não é acidental. Assim como outras engenharias, a ER aplica métodos sistemáticos e repetíveis para transformar necessidades de negócio em especificações verificáveis. Segundo Vazquez e Simões (2016), a ER está intimamente ligada à aquisição e aplicação de conhecimento para a criação, o aperfeiçoamento e a implementação de soluções. Sem esse rigor, requisitos ficam vagos, ambíguos e propensos a gerar falhas em cascata ao longo do projeto causando um relevante impacto econômico para os envolvidos.

ER em diferentes estratégias de desenvolvimento

No modelo cascata, a ER ocupa uma fase dedicada no início do projeto, com o objetivo de produzir uma especificação exaustiva antes de qualquer linha de código. Já em processos iterativos, como o RUP (Rational Unified Process), ela é uma disciplina que se repete em cada iteração, com intensidade decrescente ao longo do tempo. Nos métodos ágeis — Scrum, XP, Kanban —, a ER é distribuída ao longo de todo o ciclo de vida: os requisitos são descobertos, refinados e priorizados continuamente em cerimônias como o backlog refinement e o sprint planning (FATTO, 2020). Independentemente da estratégia, a ER permanece necessária; o que muda é o quando e o quanto se detalha de cada vez (VAZQUEZ; SIMÕES, 2016).

O papel do analista de requisitos

O analista de requisitos (ou analista de negócios, ou product owner em contexto ágil) é o profissional responsável por mediar a comunicação entre o mundo do negócio e o mundo técnico. Suas atividades incluem elicitar necessidades dos stakeholders, analisar e modelar essas necessidades, especificar requisitos de forma verificável, e gerenciar mudanças ao longo do projeto. Em equipes ágeis, esse papel é frequentemente exercido pelo product owner, que acumula a responsabilidade de priorizar o backlog e garantir que cada item entregue valor ao negócio (VAZQUEZ; SIMÕES, 2016).

Parte 2 — Requisito: uma palavra, muitos significados

O termo "requisito" carrega pelo menos três significados distintos na literatura de Engenharia de Software (VAZQUEZ; SIMÕES, 2016). Como necessidade, é algo que o usuário precisa para resolver um problema ou atingir um objetivo. Como propriedade, é uma característica que o sistema deve possuir para satisfazer um contrato, padrão ou especificação. Como especificação, é a representação documentada de uma necessidade ou propriedade, em formato que permita comunicação, verificação e rastreabilidade.

Requisitos se classificam em diversas categorias. Os requisitos de negócio definem os objetivos de alto nível que justificam o projeto. Os requisitos das partes interessadas capturam o que cada grupo de stakeholders espera do sistema. Os requisitos funcionais descrevem o que o sistema deve fazer (funcionalidades), enquanto os requisitos não funcionais descrevem como o sistema deve se comportar (desempenho, segurança, usabilidade etc.). A classificação FURPS+ e a norma ISO/IEC 25010 são referências comuns para organizar requisitos não funcionais (VAZQUEZ; SIMÕES, 2016). Existem ainda os requisitos de transição, que tratam da migração do estado atual para o novo sistema, e os requisitos inversos, que definem o que o sistema não deve fazer.

Critérios de qualidade da especificação

Uma especificação de requisitos de qualidade deve ser: correta (reflete a real necessidade), completa (nada relevante foi omitido), clara (não ambígua), consistente (sem contradições internas), modificável (fácil de atualizar), priorizada, verificável (pode-se testar se foi atendida) e rastreável (cada requisito pode ser ligado à sua origem e aos artefatos que o implementam) (VAZQUEZ; SIMÕES, 2016). Esses critérios devem guiar tanto documentos extensos quanto histórias de usuário ágeis.

Parte 3 — Elicitação de requisitos: a reunião na prática

A elicitação (ou levantamento) é o processo de descobrir requisitos a partir da interação com stakeholders, da análise de documentos e da observação do ambiente de trabalho. O termo "elicitação" é preferido a "coleta" porque bons requisitos não podem ser simplesmente recolhidos — eles precisam ser extraídos, confrontados e refinados (WIKIPEDIA, 2026). As atividades da elicitação se organizam em quatro etapas: preparação, execução, documentação dos resultados e confirmação dos resultados (VAZQUEZ; SIMÕES, 2016).

Principais técnicas de elicitação

Tabela 1 — Técnicas de elicitação de requisitos

Técnica	Descrição	Quando usar
Entrevista	Sessão interativa (estruturada ou não) com um ou mais stakeholders, usando perguntas abertas e fechadas.	Necessidade de profundidade; explorar conhecimento tácito e opiniões.
Análise de documentos	Exame de documentação existente (manuais, regulamentos, sistemas legados) para extrair requisitos antes de interagir com pessoas.	Acesso limitado a stakeholders; existe documentação prévia relevante.
Observação (etnografia)	Acompanhamento do trabalho real do usuário (ativa ou passiva) para identificar processos e necessidades implícitas.	Usuários não conseguem descrever completamente o que fazem.
Workshop (JAD)	Sessão estruturada com múltiplos stakeholders, conduzida por facilitador neutro, com anotador e controlador de tempo.	Projetos complexos que exigem consenso rápido entre áreas distintas.
Brainstorming	Geração livre de ideias, avaliadas depois por viabilidade e relevância.	Requisitos vagos; inovação desejada.
Pesquisa / questionário	Formulário com perguntas fechadas e/ou abertas distribuído a um grande número de pessoas.	Necessidade de dados quantitativos de muitos stakeholders.
Glossário	Construção de um vocabulário comum do domínio, eliminando ambiguidades entre equipe e cliente.	Domínios especializados com terminologia própria.

Fonte: adaptado de Vazquez e Simões (2016, cap. 7) e Software Testing Help (2025).

Na prática moderna, essas técnicas raramente são usadas isoladamente. A entrevista é a mais comum e exige preparação cuidadosa: o analista deve elaborar um roteiro de questões, manter escuta ativa, buscar fatos e opiniões e registrar tudo de forma acessível. Vazquez e Simões (2016) recomendam que o entrevistador "vá de coração aberto" — livre de preconceitos sobre o que o sistema deveria ser.

A reunião de levantamento no contexto ágil

Nos projetos ágeis — hoje majoritários no mercado de TI — a elicitação se distribui ao longo de todo o ciclo. O product owner apresenta itens prioritários do product backlog na reunião de planejamento do sprint, e a equipe os discute até haver entendimento suficiente para iniciar o desenvolvimento. Diferentemente do cascata, não se busca detalhar tudo de uma vez; o esforço é restrito ao mínimo necessário para aquele ciclo, e requisitos futuros são refinados apenas quando se aproximam da implementação (FATTO, 2020). Ferramentas de IA, como Fireflies.ai e Otter.ai, já são usadas por cerca de 40% das empresas para transcrever sessões em tempo real e extrair itens de ação automaticamente (TECHTARGET, 2026).

Parte 4 — Análise de requisitos: especificação, verificação e validação

Especificar para documentar

A especificação é o registro formal dos requisitos em um formato que permita comunicação entre equipe e stakeholders, verificação posterior e rastreabilidade. Ela pode assumir a forma de um documento extenso (como o SRS — Software Requirements Specification) ou de artefatos ágeis mais leves (histórias de usuário com critérios de aceitação). O quando elaborar depende da estratégia: no cascata, antes do desenvolvimento; no ágil, de forma incremental durante os refinamentos. O como envolve selecionar os modelos adequados (textuais, diagramáticos ou prototípicos), aplicar os critérios de qualidade citados anteriormente e garantir que cada requisito seja verificável e rastreável (VAZQUEZ; SIMÕES, 2016).

Verificação de requisitos

A verificação responde à pergunta: "estamos construindo o produto corretamente?" — ou seja, os requisitos estão bem escritos, completos, consistentes e sem ambiguidades? Ela é realizada pela própria equipe de desenvolvimento (analistas, desenvolvedores, testadores) por meio de revisões por pares, inspeções formais e checklists. Segundo Vazquez e Simões (2016), a verificação deve acontecer em três níveis: a verificação de cada modelo individualmente e sua integração com os demais; a verificação da definição do escopo (a lista de requisitos funcionais cobre todo o escopo previsto?); e a verificação do detalhamento de cada requisito funcional (a descrição é suficiente para implementar e testar?). Técnicas úteis incluem listas de verificação (checklists), revisão cruzada entre analistas, matrizes de rastreabilidade e prototipação.

Validação de requisitos

A validação, por sua vez, responde: "estamos construindo o produto certo?" — ou seja, os requisitos realmente atendem às necessidades do cliente? A validação é feita com os stakeholders, por meio de revisões conjuntas, apresentações de protótipos, demonstrações de incrementos (como na sprint review) e testes de aceitação. É a última linha de defesa contra requisitos que estão tecnicamente corretos, mas não resolvem o problema real (VAZQUEZ; SIMÕES, 2016).

Listas de verificação (checklists)

Uma lista de verificação é um conjunto predefinido de itens que devem ser conferidos para garantir que nenhum aspecto importante foi esquecido. Na ER, checklists são aplicadas tanto na verificação (cada requisito é não ambíguo? é testável? é rastreável?) quanto na elicitação (todos os stakeholders foram consultados? requisitos não funcionais foram considerados?). Sua principal vantagem é transformar experiência acumulada em um processo repetível e menos dependente da memória individual (VAZQUEZ; SIMÕES, 2016).

Parte 5 — Técnicas de modelagem e análise

Modelagem de casos de uso

Um caso de uso é uma descrição de uma sequência de interações entre um ator (uma entidade externa ao sistema — pessoa, outro sistema ou dispositivo) e o próprio sistema para atingir um objetivo. O diagrama de casos de uso (da UML) oferece uma visão gráfica de alto nível: mostra os atores conectados aos casos de uso por linhas de associação. Outros relacionamentos incluem o <<include>> (um caso de uso sempre incorpora outro), o <<extend>> (um caso de uso opcionalmente estende outro) e a generalização entre atores ou entre casos de uso (VAZQUEZ; SIMÕES, 2016).

Exemplo de Diagrama de Casos de Uso (UML). Fonte: Elaborado pelo autor.

A especificação do caso de uso vai além do diagrama: descreve os cenários — o fluxo principal (caminho feliz), os fluxos alternativos e os fluxos de exceção. Para identificar um caso de uso, o analista deve perguntar: "Quem interage com o sistema? Quais são seus objetivos? Que valor o sistema entrega a esse ator?". Casos de uso são especialmente úteis para sistemas com interações complexas entre usuários e funcionalidades, e servem como base para derivar casos de teste (VAZQUEZ; SIMÕES, 2016).

Prototipação

A prototipação é a criação de representações visuais (parciais ou completas) do sistema antes de sua implementação definitiva, com o objetivo de validar requisitos com os usuários de forma tangível. Segundo Vazquez e Simões (2016), ela se classifica em diversos eixos. Quanto à fidelidade: protótipos de baixa fidelidade (esboços em papel, wireframes simples) são rápidos e baratos, ideais para explorar ideias iniciais; protótipos de alta fidelidade (mockups interativos, navegáveis) simulam o comportamento real e são indicados para validações mais refinadas. Quanto à permanência: protótipos descartáveis são criados exclusivamente para validar requisitos e depois abandonados; protótipos evolutivos se transformam gradualmente no sistema final.

A relação entre protótipo e caso de uso é complementar: o caso de uso descreve o "o quê" e o "porquê" de uma funcionalidade, enquanto o protótipo ilustra o "como será". Juntos, reduzem a lacuna de comunicação entre analista e usuário. A prototipação é particularmente valiosa quando os requisitos são visuais ou experienciais — situações em que o usuário não consegue articular verbalmente o que deseja, mas reconhece quando vê (VAZQUEZ; SIMÕES, 2016).

Tabela 2 — Classificações de protótipos

Eixo	Tipo A	Tipo B
Fidelidade	Baixa — esboços, wireframes, post-its. Rápidos e baratos.	Alta — mockups interativos, navegáveis. Simulam comportamento real.
Permanência	Descartável — serve apenas para validar requisitos; depois é abandonado.	Evolutivo — evolui gradualmente até se tornar o sistema final.
Escopo	Horizontal — amplo, cobre muitas funcionalidades superficialmente.	Vertical — profundo, implementa poucas funcionalidades por completo.

Fonte: adaptado de Vazquez e Simões (2016, cap. 8).

Parte 6 — Histórias de usuário na prática

A história de usuário (user story) é a menor unidade de trabalho em um framework ágil. Diferente de uma especificação técnica, ela descreve uma funcionalidade a partir da perspectiva do usuário final, usando linguagem não técnica. O conceito surgiu com Kent Beck em 1999 (Extreme Programming Explained) e desde então tornou-se o formato predominante para itens de product backlog (ATLASSIAN, 2025). Vazquez e Simões (2016) a classificam como uma técnica de análise que serve tanto para documentar requisitos de forma leve quanto para estimular a conversa entre equipe e cliente.

O critério INVEST

Uma boa história de usuário deve atender ao acrônimo INVEST, proposto por Bill Wake:

Independente (não depende de outras para fazer sentido),
Negociável (ponto de partida para discussão, não contrato rígido), com
Valor (entrega benefício perceptível),
Estimável (a equipe consegue estimar o esforço),
Small (pequena o bastante para caber em um sprint) e
Testável (tem critérios claros de verificação) (VAZQUEZ; SIMÕES, 2016; JUSTINMIND, 2025).

Os 3 Cs: Cartão, Conversação e Confirmação

Ron Jeffries propôs que toda história se compõe de três partes começadas com C. O Cartão é a frase curta no formato "Como um [papel], eu quero [objetivo] para que [benefício]" — breve o bastante para caber em um post-it. A Conversação são as discussões detalhadas entre equipe e stakeholders que dão vida ao cartão; é nela que os requisitos reais emergem. A Confirmação são os critérios de aceitação que definem quando a história está concluída — condições verificáveis que comprovam que a funcionalidade foi implementada corretamente (VAZQUEZ; SIMÕES, 2016; VALENTE, 2025).

Temas, épicos e histórias: a hierarquia do backlog

As histórias se organizam em uma taxonomia: temas representam grandes objetivos de negócio; cada tema se desdobra em épicos, funcionalidades amplas demais para um único sprint; e os épicos são decompostos em histórias de usuário individuais. Quando necessário, cada história pode ser dividida em tarefas técnicas (VAZQUEZ; SIMÕES, 2016; KONRAD, 2025). A técnica de dividir histórias grandes em menores é essencial para que cada item do backlog atenda ao critério Small do INVEST.

Quem escreve, quando e onde

Embora a responsabilidade formal de manter o product backlog seja do product owner, qualquer membro da equipe pode redigir histórias. Segundo Mike Cohn, quem escreve importa muito menos do que quem participa da conversa (COHN, 2025). As histórias nascem em sessões de story mapping ou workshops de visão do produto, são refinadas no backlog refinement, comprometidas no sprint planning e validadas na sprint review. Seu registro é feito em ferramentas como Jira, Azure DevOps, Linear ou Trello — ou ainda em post-its em dinâmicas presenciais (ATLASSIAN, 2025).

Exemplos práticos: sistema de cantina universitária

Para ilustrar, considere o cenário de um sistema de pedidos para uma cantina universitária — um domínio de exercício acadêmico. Abaixo, exemplos que seguem o formato e os critérios discutidos.

US01 — Pedido antecipado | Prioridade: Alta

Descrição: Como um aluno, eu quero fazer meu pedido pelo aplicativo antes de chegar à cantina para que eu possa retirá-lo rapidamente no intervalo de aula.

Critérios de aceitação:

1. O aplicativo deve exibir apenas os itens disponíveis no horário atual.
2. O aluno recebe uma confirmação com número do pedido e tempo estimado de preparo.
3. Se o item ficar indisponível após o pedido, o sistema notifica o aluno e sugere alternativas.

US02 — Restrições alimentares | Prioridade: Alta

Descrição: Como um aluno com restrição alimentar, eu quero filtrar o cardápio por restrições (lactose, glúten, açúcar) para que eu só veja itens seguros para minha dieta.

Critérios de aceitação:

1. Os filtros devem incluir pelo menos: sem lactose, sem glúten, sem açúcar.
2. Itens que atendem ao filtro devem exibir selo de conformidade.
3. A informação nutricional deve ser fornecida por um nutricionista parceiro.

US03 — Painel de pedidos | Prioridade: Alta

Descrição: Como um atendente da cantina, eu quero visualizar os pedidos em um painel atualizado automaticamente para que eu possa prepará-los na ordem correta e reduzir erros.

Critérios de aceitação:

1. O painel deve atualizar em tempo real (ou com polling a cada 10 s em caso de internet instável).
2. Cada pedido exibe: número, itens, observações e horário limite de retirada.
3. O atendente pode marcar um pedido como "em preparo" e depois como "pronto para retirada".

Anti-exemplo — História mal escrita

❌ "Como product owner, eu quero um banco de dados MySQL com tabelas para pedidos, itens e pagamentos, com índices otimizados para consultas."

Erros:

— O PO não é o usuário final; a história deveria identificar quem se beneficia (COHN, 2025).
— Prescreve solução técnica (MySQL, índices), ferindo o critério "Negociável" do INVEST.
— Não menciona o "para que", impossibilitando avaliar o valor de negócio.

✔ Corrigida: "Como o dono da cantina, eu quero consultar um relatório de vendas do dia para que eu possa ajustar o cardápio do dia seguinte conforme a demanda real."

Parte 7 — Gerência de requisitos

Se a elicitação e a análise descobrem e documentam os requisitos, a gerência de requisitos garante que eles permaneçam íntegros, aprovados e rastreáveis ao longo de todo o ciclo de vida do projeto. Vazquez e Simões (2016) estruturam essa gerência em torno de quatro pilares: gestão de mudanças, aprovação, rastreabilidade e priorização.

Gerência de requisitos no CMMI-DEV

No modelo CMMI (Capability Maturity Model Integration), a Engenharia de Requisitos é abordada em duas áreas de processo: Desenvolvimento de Requisitos (RD — Requirements Development), que trata da elicitação, análise e especificação; e Gestão de Requisitos (REQM — Requirements Management), que trata do controle sobre os requisitos já estabelecidos — incluindo obter comprometimento dos envolvidos, gerenciar mudanças, manter a rastreabilidade e identificar inconsistências entre requisitos e os artefatos de projeto (VAZQUEZ; SIMÕES, 2016).

Gestão de mudanças

Requisitos mudam — é inevitável. A gestão de mudanças fornece um processo controlado para avaliar o impacto de cada alteração antes de aceitá-la: qual o custo? Quais artefatos serão afetados? A mudança mantém a consistência da especificação? No contexto ágil, o product backlog é o instrumento vivo de gestão de mudanças: novos itens entram, itens existentes são repriorizado ou removidos, e cada sprint entrega apenas o que foi comprometido (FATTO, 2020).

Matriz de rastreabilidade

A rastreabilidade é a capacidade de seguir o caminho de um requisito desde sua origem (quem pediu? por quê?) até sua implementação (qual código? qual teste?). A matriz de rastreabilidade é uma tabela que cruza requisitos com outros artefatos — como casos de teste, componentes de código ou objetivos de negócio. Existem dois eixos: horizontal (entre artefatos do mesmo nível, como requisito x caso de teste) e vertical (entre níveis, como requisito de negócio x requisito funcional). A rastreabilidade pode ainda ser pré (da origem ao requisito) ou pós (do requisito ao artefato de implementação). Seus benefícios incluem análise de impacto de mudanças, verificação de cobertura de testes e auditoria (VAZQUEZ; SIMÕES, 2016).

Priorização com MoSCoW

A análise MoSCoW é uma técnica de priorização que classifica cada requisito em quatro categorias: Must have (essencial — sem isso o sistema não funciona), Should have (importante, mas não impede a entrega), Could have (desejável, implementado se houver tempo/recursos) e Won't have (descartado nesta versão, mas registrado para o futuro). A diretriz prática é que os Must have não ultrapassem 60% do esforço total do timebox, reservando margem para imprevistos. A técnica é simples de aplicar e eficaz para alinhar expectativas entre equipe e stakeholders sobre o que será e o que não será entregue (VAZQUEZ; SIMÕES, 2016).

Tabela 3 — Categorias da análise MoSCoW

Categoria	Significado	Diretriz prática
Must have	Requisito essencial; sem ele, a entrega não tem valor.	Não deve exceder ~60% do esforço do timebox*.
Should have	Importante, mas o sistema funciona sem ele; pode ser contornado temporariamente.	Incluso se o esforço dos Must permitir.
Could have	Desejável, mas facilmente descartável neste ciclo.	Só entra se houver folga comprovada de tempo/recurso.
Won't have	Fora do escopo desta versão, mas registrado para avaliação futura.	Documentar para evitar re-discussão.

Fonte: adaptado de Vazquez e Simões (2016, cap. 9).

*Timebox é uma técnica de gestão de tempo na qual se define um período fixo e inegociável para a realização de uma atividade ou conjunto de atividades. Ao final desse período, o trabalho é encerrado — independentemente de estar 100% concluído — e avalia-se o que foi produzido.

No contexto da ER e do desenvolvimento ágil, o timebox aparece em pelo menos dois usos importantes:

Como técnica de priorização (VAZQUEZ; SIMÕES, 2016): em vez de perguntar "quanto tempo precisamos para entregar tudo?", inverte-se a pergunta para "dado esse prazo (ou orçamento) fixo, o que conseguimos entregar?". Isso força a equipe e os stakeholders a priorizarem de verdade — separando o essencial do desejável. Em sua obra os autores agrupam timeboxing e budgeting juntos: a lógica é a mesma, seja o recurso escasso tempo ou dinheiro.
Como estrutura dos sprints no Scrum: cada sprint é, por definição, um timebox (geralmente de 2 a 4 semanas). Nenhum requisito novo entra durante o sprint, e ao final a equipe entrega o incremento com o que foi possível concluir. As próprias cerimônias do Scrum também são timeboxed — a daily tem 15 minutos, o sprint planning tem duração proporcional ao tamanho do sprint, e assim por diante.

A grande vantagem do timebox é que ele combate dois problemas clássicos de projetos: o escopo infinito (quando stakeholders continuam adicionando requisitos sem parar) e a paralisia por análise (quando a equipe tenta detalhar tudo antes de agir). Ao fixar o tempo, o que se torna variável é o escopo — e é aí que técnicas como a MoSCoW entram para decidir o que fica dentro e o que fica fora do timebox.

Parte 8 — Justificativa Lean e o Produto Mínimo Viável

A Justificativa Lean (Lean Business Case)

Antes mesmo de detalhar requisitos, é fundamental garantir que a iniciativa como um todo faça sentido para o negócio. É aqui que entra a Justificativa Lean (Lean Business Case — LBC). Diferente dos casos de negócio tradicionais — que tentam prever resultados com precisão exaustiva por meio de longos documentos e projeções financeiras de longo prazo —, a Justificativa Lean reconhece a incerteza inerente ao desenvolvimento de software e constrói mecanismos para aprender rapidamente (AGILITY AT SCALE, 2026). Fortemente baseada na filosofia Lean Startup de Eric Ries (2011), ela substitui a predição fixa pela validação iterativa através do ciclo Construir-Medir-Aprender (Build-Measure-Learn).

No contexto de frameworks ágeis em escala, como o SAFe (Scaled Agile Framework), a LBC é o artefato que enquadra cada iniciativa (épico) como uma hipótese testável — uma previsão sobre o que acontecerá se determinadas capacidades forem entregues. Seus componentes incluem a declaração de hipótese (o "por quê" conciso), a hipótese de resultados de negócio (como o sucesso será medido), indicadores antecedentes (leading indicators, que fornecem sinais iniciais de progresso) e a definição do Produto Mínimo Viável, que estabelece o escopo mínimo necessário para validar a hipótese (EFICODE, 2026). A conexão com a Engenharia de Requisitos é direta: ao definir critérios de sucesso mensuráveis logo no início, a LBC guia a priorização do backlog e apoia decisões sobre escopo, fazendo com que o analista foque nos requisitos estritamente necessários para o MVP em vez de especificar um sistema completo e monolítico (EFICODE, 2026).

O Produto Mínimo Viável (MVP)

Ries (2011) define o Produto Mínimo Viável (MVP — Minimum Viable Product) como a versão de um novo produto que permite à equipe coletar a maior quantidade de aprendizado validado sobre os clientes com o menor esforço possível. É importante destacar que "mínimo" não significa incompleto ou de baixa qualidade: significa que o MVP contém apenas as funcionalidades estritamente necessárias para que o produto entregue sua proposta de valor central e possa ser testado com usuários reais.

Definir o MVP exige que a equipe olhe para o conjunto total de funcionalidades desejadas — como as histórias de usuário levantadas durante a elicitação — e faça uma triagem rigorosa, separando o que é essencial do que é desejável. A técnica MoSCoW, apresentada na Parte 7, é uma das formas mais eficazes de realizar essa triagem: as histórias classificadas como Must have compõem o MVP; as demais (Should, Could e Won't have) ficam registradas para versões futuras (IIBA, 2015). A pergunta-chave para cada funcionalidade é: "Se retirarmos esta história, o produto ainda resolve o problema central do usuário?". Se a resposta for sim, a funcionalidade é candidata a ficar de fora da primeira versão (RIES, 2011).

O princípio da eliminação de desperdícios

A decisão sobre o que fica de fora do MVP não é arbitrária — ela se apoia no princípio Lean de eliminação de desperdícios (muda). No pensamento Lean aplicado ao software, desperdício é todo esforço empregado em algo que não contribui diretamente para o aprendizado ou para a entrega de valor ao cliente (POPPENDIECK; POPPENDIECK, 2003). Womack e Jones (2003) definem cinco princípios do pensamento Lean, entre os quais está a busca pela perfeição por meio da remoção contínua de tudo que não agrega valor.

Poppendieck e Poppendieck (2003) adaptaram os desperdícios clássicos da manufatura para o contexto de software, identificando sete tipos:

Tabela 5 — Os sete desperdícios do desenvolvimento de software

Desperdício	Descrição
Trabalho parcialmente concluído	Funcionalidades iniciadas mas não finalizadas, que consomem recursos sem gerar valor.
Funcionalidades extras	Capacidades desenvolvidas além do necessário, que ninguém pediu ou que não serão usadas na validação da hipótese.
Reaprendizado	Retrabalho causado por informações perdidas ou decisões mal documentadas.
Transferências de responsabilidade	Passagens excessivas de tarefas entre pessoas ou equipes (handoffs), que geram perda de contexto.
Atrasos	Tempo de espera por aprovações, decisões ou recursos.
Troca de tarefas	Alternância constante entre atividades (task switching), que reduz a produtividade.
Defeitos	Erros que exigem correção posterior.

Fonte: adaptado de Poppendieck e Poppendieck (2003, cap. 1).

No contexto da definição do MVP, o desperdício mais relevante a ser combatido é o de funcionalidades extras — ou seja, construir algo que, embora possa ser útil no futuro, não é necessário agora para testar se a proposta de valor funciona. Toda funcionalidade que não é essencial para validar a hipótese de negócio representa um custo de desenvolvimento sem retorno garantido (POPPENDIECK; POPPENDIECK, 2003).

Da priorização à justificativa: explicar o que ficou de fora e por quê

A Justificativa Lean vai além de simplesmente listar o que está no MVP. Ela exige que a equipe documente explicitamente o que foi excluído e o motivo da exclusão, à luz do princípio de eliminação de desperdícios. Cada funcionalidade deixada de fora deve ser acompanhada de uma explicação que demonstre por que, neste momento, desenvolvê-la representaria um desperdício — seja porque não é necessária para validar a hipótese central, seja porque pode ser contornada temporariamente, seja porque o custo de desenvolvimento supera o aprendizado esperado (RIES, 2011; EFICODE, 2026). Esse registro cumpre duas funções: evita que funcionalidades descartadas sejam rediscutidas sem novos argumentos e mantém um repositório de ideias para iterações futuras — alinhando-se à categoria Won't have da MoSCoW (VAZQUEZ; SIMÕES, 2016).

Exemplo: MVP e justificativa para a cantina universitária

Retomando o exemplo da Parte 6, suponha que a equipe tenha levantado dez histórias de usuário para o sistema da cantina. Após aplicar a MoSCoW, o MVP poderia incluir apenas três: pedido antecipado (US01), filtro por restrições alimentares (US02) e painel de pedidos para o atendente (US03) — pois sem essas três funcionalidades o sistema não resolve o problema central de agilizar o atendimento com segurança alimentar. As demais histórias — como programa de fidelidade, integração com carteira digital da universidade ou relatórios gerenciais avançados — seriam documentadas como excluídas do MVP, cada uma com sua justificativa: o programa de fidelidade, por exemplo, não é necessário para validar se os alunos de fato usarão o pedido antecipado (funcionalidade extra); relatórios gerenciais avançados podem ser temporariamente substituídos por consultas simples (contorno viável).

Parte 9 — Aplicação prática: o fluxo completo de uma reunião de levantamento

Quando se reúnem os conceitos anteriores em um exercício prático — como o proposto em contextos acadêmicos de Prototipagem de Sistemas —, o fluxo típico segue uma sequência lógica que reflete diretamente as atividades da ER. A Tabela 6 sintetiza esse fluxo e os artefatos produzidos em cada etapa.

Tabela 6 — Fluxo prático de um levantamento de requisitos

Etapa	Atividade	Artefato produzido
1. Análise do cenário	Ler documentação sobre o cenário do negócio; identificar atores, fluxos e regras explícitas.	Notas de análise; rascunho de escopo.
2. Matriz de stakeholders	Mapear interessados, seus papéis e suas necessidades/interesses principais.	Matriz de stakeholders (tabela com nome/perfil, papel no sistema e interesses).
3. Roteiro de elicitação	Elaborar perguntas estratégicas focadas em regras de negócio ocultas, exceções e fluxos alternativos (exemplo de perguntas).	Roteiro de entrevista.
4. Sessão de entrevista	Executar a entrevista com o cliente (real ou simulado), registrando perguntas e respostas.	Transcrição do diálogo completo.
5. Escrita das user stories	Traduzir necessidades em histórias no formato padrão, com critérios de aceitação e prioridade.	Product backlog inicial.
6. Definição do MVP	Aplicar MoSCoW sobre as histórias; selecionar os Must have que compõem o escopo mínimo viável.	Lista de funcionalidades do MVP.
7. Justificativa Lean	Documentar as funcionalidades excluídas do MVP e justificar cada exclusão à luz da eliminação de desperdícios.	Registro de exclusões com justificativas.
8. Revisão e entrega	Compilar todos os artefatos; verificar consistência interna usando checklist.	Documento final consolidado.

Fonte: elaboração própria com base em Vazquez e Simões (2016), Ries (2011) e Gomes (2026).

Observe como cada etapa se conecta aos fundamentos teóricos: a análise do cenário é uma forma simplificada de análise de documentos; a matriz de stakeholders aplica o conceito de partes interessadas; o roteiro remete à preparação da entrevista; a sessão é a execução da entrevista em si; a escrita das user stories é a especificação em formato ágil; a definição do MVP é a aplicação prática da priorização MoSCoW e do conceito de Produto Mínimo Viável; a justificativa Lean traduz o princípio de eliminação de desperdícios em decisões documentadas de escopo; e a revisão final é uma verificação simplificada com apoio de checklist. Os critérios de avaliação típicos — compreensão do cenário, qualidade do roteiro, estrutura das histórias (o "quê" e o "porquê", nunca o "como"), testabilidade dos critérios de aceitação, coerência do MVP e fundamentação das exclusões — refletem diretamente os critérios de qualidade de uma especificação de requisitos discutidos na Parte 2.

Considerações finais

A Engenharia de Requisitos não é burocracia — é a disciplina que transforma necessidades vagas em compromissos verificáveis. Este post percorreu o caminho completo: dos fundamentos (o que é ER, o que é um requisito, os critérios de qualidade), passando pelas técnicas de elicitação (entrevista, observação, workshop) e análise (casos de uso, prototipação, histórias de usuário com INVEST e CCC), chegando à gerência (CMMI-DEV, gestão de mudanças, MoSCoW, rastreabilidade), avançando até a Justificativa Lean e a definição do MVP — com o princípio de eliminação de desperdícios que sustenta a decisão consciente sobre o que construir agora e o que deixar para depois — e, finalmente, à prática de uma reunião real de levantamento.

O ponto central permanece: boas especificações — sejam documentos formais ou histórias em post-its — dependem de boas conversas. E boas decisões de escopo dependem de clareza sobre o que é essencial para validar uma hipótese de negócio e o que, por mais atraente que pareça, representa desperdício neste momento. Projetos não falham por falta de perguntas, mas por pararem cedo demais nas respostas (AQUA CLOUD, 2025). Dominar as técnicas apresentadas aqui é dominar a arte de perguntar certo, ouvir com atenção, transformar respostas em artefatos que guiam a construção do software correto para o problema certo — e ter a disciplina de não construir mais do que o necessário para provar que se está no caminho certo.

Referências

AGILITY AT SCALE. Lean business case. 2026. Disponível em: https://agility-at-scale.com. Acesso em: 25 mar. 2026.

AQUA CLOUD. 8 essential strategies for effective requirements elicitation. 2025. Disponível em: https://aqua-cloud.io/8-essential-strategies-effective-requirements-elicitation/. Acesso em: 24 mar. 2026.

ATLASSIAN. User stories with examples and a template. 2025. Disponível em: https://www.atlassian.com/agile/project-management/user-stories. Acesso em: 24 mar. 2026.

COHN, M. User stories and user story examples. Mountain Goat Software, 2025. Disponível em: https://www.mountaingoatsoftware.com/agile/user-stories. Acesso em: 24 mar. 2026.

EFICODE. Lean business case in SAFe. 2026. Disponível em: https://www.eficode.com. Acesso em: 25 mar. 2026.

FATTO. Engenharia de requisitos no contexto ágil. 2020. Disponível em: https://www.fattocs.com/blog/engenharia-de-requisitos-no-contexto-agil/. Acesso em: 24 mar. 2026.

GOMES, Alexandre. Técnica de entrevista: elicitação de requisitos — prototipagem de sistemas (exercício prático em grupo). Brasília: UDF/Cruzeiro do Sul Educacional, 2026. Material didático e notas de aula. Problemas propostos disponível em: https://blog.brasilacademico.com/p/desafio-mvp.html. Acesso em: 25 mar. 2026.

INTERNATIONAL INSTITUTE OF BUSINESS ANALYSIS (IIBA). A guide to the business analysis body of knowledge (BABOK Guide). 3. ed. Toronto: IIBA, 2015.

JUSTINMIND. 20 user story examples and best practices. 2025. Disponível em: https://www.justinmind.com/blog/examples-user-story-best-practices/. Acesso em: 24 mar. 2026.

KONRAD. User stories, maps and examples: 2025 guide. 2025. Disponível em: https://www.konrad.com/research/user-stories. Acesso em: 24 mar. 2026.

POPPENDIECK, Mary; POPPENDIECK, Tom. Lean software development: an agile toolkit. Boston: Addison-Wesley, 2003.

RIES, Eric. The lean startup: how today's entrepreneurs use continuous innovation to create radically successful businesses. New York: Crown Business, 2011.

SOMMERVILLE, I.; SAWYER, P. Requirements engineering: a good practice guide. Chichester: John Wiley, 1997.

SOFTWARE TESTING HELP. Top 10 most common requirements elicitation techniques. 2025. Disponível em: https://www.softwaretestinghelp.com/requirements-elicitation-techniques/. Acesso em: 24 mar. 2026.

TECHTARGET. 8 AI meeting assistants to consider in 2026. 2026. Disponível em: https://www.techtarget.com/searchunifiedcommunications/tip/AI-meeting-assistants-to-consider. Acesso em: 24 mar. 2026.

VALENTE, M. T. Engenharia de software moderna: princípios e práticas para desenvolvimento de software com produtividade. Belo Horizonte: ASERG/DCC/UFMG, 2025. Disponível em: https://engsoftmoderna.info/. Acesso em: 24 mar. 2026.

VAZQUEZ, C. E.; SIMÕES, G. S. Engenharia de requisitos: software orientado ao negócio. Rio de Janeiro: Brasport, 2016.

WIKIPEDIA. Requirements elicitation. 2026. Disponível em: https://en.wikipedia.org/wiki/Requirements_elicitation. Acesso em: 24 mar. 2026.

WOMACK, James P.; JONES, Daniel T. Lean thinking: banish waste and create wealth in your corporation. 2. ed. New York: Free Press, 2003.

Fonte: Visto no Brasil Acadêmico

Questionário para Entrevista de Elicitação de Requisitos em Projetos de Prototipagem de Software

noreply@blogger.com (War) — Mon, 23 Mar 2026 02:14:00 -0300

Questionário detalhado para subsidiar rodadas de levantamento de requisitos de sistema com gestores e usuários.

A elicitação de requisitos é considerada uma das atividades mais críticas — e mais propensas a falhas — da engenharia de software. Segundo Sommerville (2011), erros na compreensão dos requisitos respondem por até 56% dos defeitos em sistemas entregues. Este questionário foi elaborado para que estudantes de engenharia de software conduzam uma entrevista única, profunda e estruturada com o cliente-gestor, extraindo em uma só sessão todas as informações necessárias para compor a base de conhecimento do projeto: perfil organizacional, análise SWOT, perfil de usuários e stakeholders, dores, expectativas, cenários de uso, além dos requisitos funcionais e não-funcionais completos.

O roteiro a seguir está organizado em dez blocos temáticos progressivos, partindo do contexto organizacional amplo até as especificações técnicas mais granulares, seguindo as recomendações do BABOK® Guide (IIBA, 2015) e do padrão ISO/IEC/IEEE 29148 (ISO, 2018). O princípio norteador é que o entrevistado detém conhecimento total sobre o domínio, de modo que o questionário busca esgotar cada tema, minimizando a necessidade de retornos posteriores (Zowghi; Coulin, 2005).

▶ 📋 BLOCO 1 — PERFIL DA ORGANIZAÇÃO E CONTEXTO ESTRATÉGICO

Este bloco mapeia a identidade organizacional e o ambiente no qual o sistema será inserido, fornecendo subsídios para a análise SWOT e o alinhamento estratégico do projeto (Pressman; Maxim, 2021).

1.1 Identidade organizacional

Qual é a razão social e o nome fantasia da organização?
Qual o CNPJ, porte (MEI, ME, EPP, médio, grande) e regime tributário?
Em que ano a organização foi fundada e qual a sua forma jurídica (SA, LTDA, EIRELI, associação, órgão público etc.)?
Qual a missão, a visão e os valores declarados da organização?
Descreva o organograma atual: quantos níveis hierárquicos existem? Quais são os departamentos ou setores?
Quantos colaboradores a organização possui atualmente (total e por setor)?
A organização possui filiais, franquias ou unidades remotas? Onde estão localizadas?
Qual o faturamento médio anual ou faixa de receita (se aplicável)?

1.2 Segmento de atuação e mercado

Em qual setor econômico e nicho de mercado a organização atua (CNAE principal)?
Quem são os principais concorrentes diretos e indiretos?
Qual a participação estimada de mercado (market share) da organização?
Quais são os principais produtos ou serviços oferecidos e suas respectivas proporções na receita?
Quem é o público-alvo primário e o secundário da organização?
Há sazonalidades ou ciclos que impactam significativamente a operação (picos, períodos de baixa)?

1.3 Análise SWOT — Forças, Fraquezas, Oportunidades e Ameaças

Quais são as principais forças (strengths) da organização em relação ao mercado? (por exemplo: marca forte, equipe qualificada, localização privilegiada, base de clientes fiel etc.)
Quais são as fraquezas (weaknesses) internas mais relevantes? (por exemplo: processos manuais, tecnologia obsoleta, alta rotatividade, dependência de fornecedor único etc.)
Quais oportunidades (opportunities) externas a organização identifica atualmente? (por exemplo: mudança regulatória favorável, novos mercados, tendência tecnológica etc.)
Quais são as ameaças (threats) externas mais preocupantes? (por exemplo: entrada de novos concorrentes, mudança legislativa desfavorável, crises econômicas etc.)
Dentro da análise SWOT, qual fraqueza interna mais diretamente motivou a busca por este sistema?

▶ 💔 BLOCO 2 — O PROBLEMA, AS DORES E AS NECESSIDADES

Este bloco investiga as motivações reais para o desenvolvimento do sistema, identificando dores operacionais, estratégicas e humanas (Robertson; Robertson, 2012).

2.1 Diagnóstico do cenário atual

Descreva detalhadamente o(s) processo(s) de negócio atual(is) que o sistema deverá apoiar ou substituir. Se possível, descreva passo a passo, do início ao fim, com os atores envolvidos em cada etapa.
Esses processos são executados de forma manual, semiautomatizada ou já possuem algum sistema? Qual?
Quais ferramentas, planilhas, cadernos, sistemas legados ou plataformas são usados atualmente para executar esses processos?
Qual o volume médio de operações (transações, atendimentos, registros) por dia, semana e mês em cada processo?
Quanto tempo médio cada processo leva para ser concluído do início ao fim?
Quantas pessoas estão envolvidas na execução de cada processo?

2.2 Dores e pontos de falha

Quais são as três maiores dores ou frustrações dos colaboradores com o processo atual?
Quais são as três maiores dores ou frustrações dos clientes finais (se aplicável) com o serviço ou produto oferecido?
Quais erros, falhas ou retrabalhos acontecem com mais frequência? Com que frequência ocorrem?
Há gargalos identificados (etapas que travam o fluxo)? Onde exatamente?
Já houve perdas financeiras, contratuais, legais ou de reputação decorrentes dessas falhas? Pode exemplificar?
Quais informações ou dados são perdidos, duplicados ou inconsistentes atualmente?
Existem tarefas repetitivas que consomem tempo excessivo dos colaboradores? Quais?
Há reclamações recorrentes de clientes ou parceiros? Sobre quais aspectos?

2.3 Necessidades e expectativas de melhoria

O que o sistema precisa obrigatoriamente resolver ou melhorar para que o projeto seja considerado bem-sucedido?
Quais resultados mensuráveis são esperados com a implantação do sistema? (por exemplo: redução de X% no tempo de atendimento, eliminação de Y retrabalhos/mês, aumento de Z% na satisfação do cliente)
Há algum indicador-chave de desempenho (KPI) que o sistema deverá monitorar ou impactar diretamente? Qual(is)?
Quais benefícios intangíveis são esperados (por exemplo: maior confiança do cliente, melhoria na cultura organizacional, transparência)?
Existe uma priorização já definida entre as necessidades (o que é mais urgente versus o que pode esperar)?

▶ 👥 BLOCO 3 — PERFIL DOS STAKEHOLDERS E PAPÉIS

A identificação completa dos stakeholders e seus interesses é fundamental para a gestão de expectativas e a priorização dos requisitos (IIBA, 2015).

Quem é o patrocinador (sponsor) do projeto? Qual seu cargo, departamento e nível de autoridade sobre decisões do projeto?
Quem são os decisores que aprovarão requisitos, escopo e entregas? Liste nome, cargo e área.
Quem será o ponto focal (ou Product Owner) para esclarecer dúvidas durante o desenvolvimento?
Liste todos os grupos de usuários que interagirão diretamente com o sistema. Para cada grupo, informe: (a) denominação do grupo; (b) quantidade estimada de pessoas; (c) função/cargo típico; (d) nível de familiaridade com tecnologia (básico, intermediário, avançado); (e) frequência de uso prevista (diária, semanal, eventual).
Existem usuários indiretos (que não operam o sistema, mas consomem seus resultados — ex.: gestores que leem relatórios, auditores)? Quem são?
Há partes externas interessadas no sistema (órgãos reguladores, parceiros comerciais, fornecedores, clientes finais)? Quem são e qual seu interesse?
Existe algum stakeholder que possa ser um potencial resistente ou opositor ao sistema? Por quê?
Quais expectativas cada grupo de stakeholders tem especificamente em relação ao sistema?

▶ ♿ BLOCO 4 — PERFIL DOS USUÁRIOS E ACESSIBILIDADE

O entendimento profundo do perfil de quem usará o sistema define a experiência do usuário e a arquitetura de permissões (Wiegers; Beatty, 2013).

Qual a faixa etária predominante dos usuários do sistema?
Qual o nível de escolaridade predominante dos usuários?
Os usuários possuem experiência prévia com sistemas similares? Quais?
Em quais dispositivos os usuários acessarão o sistema (desktop, notebook, tablet, smartphone)? Há predominância de algum?
Os usuários trabalham em ambiente fixo (escritório) ou móvel (campo, visitas externas, home office)?
Há usuários com necessidades de acessibilidade (deficiência visual, auditiva, motora, cognitiva)? Quais adaptações seriam necessárias?
Qual o idioma principal dos usuários? Há necessidade de suporte multilíngue?
Os usuários terão acesso à internet de forma constante e estável ou há cenários de conectividade limitada/offline?
Quantos usuários simultâneos são esperados em horários de pico?
Que tipo de treinamento será viável (presencial, online, manual, tutoriais embutidos no sistema)?

▶ ⚙️ BLOCO 5 — REQUISITOS FUNCIONAIS — DETALHAMENTO DE FUNCIONALIDADES

Os requisitos funcionais descrevem "o que" o sistema deve fazer. A técnica de decomposição por funcionalidades é recomendada pela ISO/IEC/IEEE 29148 (ISO, 2018) e por Sommerville (2011).

5.1 Cadastros e entidades de dados

Quais entidades (cadastros) o sistema deverá gerenciar? (ex.: clientes, produtos, fornecedores, colaboradores, serviços, equipamentos, contratos etc.) Liste todas.
Para cada entidade listada, quais campos/atributos são necessários? Indique quais são obrigatórios e quais são opcionais.
Quais campos possuem regras de formatação ou validação (CPF, CNPJ, e-mail, telefone, CEP, valores monetários, datas)?
Há campos que devem ser preenchidos automaticamente pelo sistema (data de criação, código sequencial, campo calculado)? Quais?
Quais entidades possuem relacionamentos entre si? (ex.: um cliente pode ter muitos pedidos; um produto pertence a uma categoria) Descreva os relacionamentos e suas cardinalidades (1:1, 1:N, N:M).
Há necessidade de histórico de alterações nos cadastros (auditoria de quem alterou o quê e quando)?
Existem cadastros que precisam de aprovação antes de serem efetivados? Qual o fluxo de aprovação?
É necessário importar dados de cadastros existentes (migração de dados)? De quais fontes e em quais formatos (CSV, Excel, banco de dados, API)?

5.2 Processos e fluxos de trabalho (workflows)

Quais são os processos de negócio completos que o sistema deverá automatizar ou apoiar? Descreva cada um passo a passo, incluindo: (a) evento que inicia o processo; (b) cada etapa e seu responsável; (c) decisões/condições que alteram o fluxo; (d) resultado final esperado.
Para cada processo, quais são as regras de negócio que regem cada etapa? (ex.: desconto só pode ser dado com aprovação gerencial se acima de 15%; pedido só avança se estoque disponível; prazo máximo de resposta é 48h)
Há processos que envolvem múltiplas aprovações? Qual a sequência e quem são os aprovadores?
Existem processos com etapas que podem ser executadas em paralelo? Quais?
Quais processos possuem prazos (SLAs) a serem controlados? Quais são esses prazos e o que deve acontecer em caso de descumprimento (alerta, escalonamento, penalidade)?
Há necessidade de assinatura digital ou eletrônica em algum ponto do fluxo?
Existem processos que geram documentos (contratos, notas, ordens, recibos, laudos)? Descreva cada tipo de documento, seus campos e seu formato esperado.

5.3 Consultas, filtros e relatórios

Quais consultas e pesquisas os usuários precisarão realizar com frequência? Por quais campos/critérios?
Quais relatórios o sistema deve gerar? Para cada relatório, descreva: (a) nome/título; (b) dados apresentados; (c) filtros disponíveis; (d) formato de saída (tela, PDF, Excel); (e) periodicidade (sob demanda, diário, semanal, mensal); (f) quem terá acesso.
Há necessidade de dashboards ou painéis de indicadores? Quais indicadores devem ser exibidos e para quem?
Os relatórios ou dashboards precisam exibir dados em tempo real ou atualizações periódicas são suficientes? Qual a frequência aceitável?
Há necessidade de exportação de dados (CSV, Excel, PDF, XML, JSON) para uso externo?

5.4 Comunicação e notificações

O sistema deverá enviar notificações aos usuários? Em quais situações (alertas de prazo, confirmações, atualizações de status, lembretes)?
Quais canais de notificação devem ser suportados (e-mail, SMS, push notification, WhatsApp, notificação interna no sistema)?
Há necessidade de comunicação interna entre usuários dentro do sistema (chat, comentários, anotações em registros)?
O sistema deverá enviar comunicações em massa (mala direta, campanhas, avisos em lote)?

5.5 Autenticação, autorização e controle de acesso

Quais perfis de acesso (papéis) devem existir no sistema? (ex.: administrador, gestor, operador, consultor, auditor, cliente) Liste todos.
Para cada perfil, quais funcionalidades e dados devem estar acessíveis e quais devem ser restritos?
Um mesmo usuário pode acumular mais de um perfil?
Há campos ou registros que devem ser visíveis apenas para determinados perfis (ex.: dados financeiros apenas para a diretoria)?
Como será feito o login? (credenciais próprias, integração com Active Directory/LDAP, login social, SSO — Single Sign-On)?
Há exigência de autenticação multifator (MFA)?
Qual a política de senhas desejada (tamanho mínimo, complexidade, expiração, bloqueio após tentativas)?

▶ 🎯 BLOCO 6 — REQUISITOS NÃO-FUNCIONAIS

Os requisitos não-funcionais definem qualidades sistêmicas e restrições transversais. A classificação segue a norma ISO/IEC 25010 (ISO, 2023) e Bass, Clements e Kazman (2021).

6.1 Desempenho e escalabilidade

Qual o tempo máximo de resposta aceitável para operações típicas (abrir tela, salvar registro, gerar relatório)?
Qual o número máximo de usuários simultâneos que o sistema deve suportar sem degradação perceptível?
Qual o volume máximo de dados projetado para os próximos 3 a 5 anos (número de registros, tamanho em GB)?
Há expectativa de crescimento abrupto de uso em determinados períodos (campanhas, sazonalidade, expansão)?
Há funcionalidades que exigem processamento em tempo real (ex.: rastreamento, IoT, chat ao vivo)?

6.2 Disponibilidade e confiabilidade

Qual o nível de disponibilidade exigido (ex.: 99%, 99,9%, 24/7)?
Há janelas de manutenção aceitáveis (horários em que o sistema pode ficar indisponível)?
Qual o tempo máximo aceitável de indisponibilidade (RTO — Recovery Time Objective) em caso de falha?
Qual o volume máximo de dados que pode ser perdido (RPO — Recovery Point Objective) em caso de falha?
É necessário um plano de contingência ou disaster recovery? Quais cenários devem ser cobertos?

6.3 Segurança e privacidade

O sistema manipulará dados pessoais (nome, CPF, endereço, dados de saúde, dados financeiros)?
Há necessidade de conformidade com a LGPD (Lei Geral de Proteção de Dados) ou algum regulamento setorial específico (HIPAA, PCI-DSS, Bacen etc.)?
Quais dados devem ser criptografados em trânsito e/ou em repouso?
Há necessidade de logs de auditoria para todas as ações dos usuários? Por quanto tempo devem ser mantidos?
O sistema precisará atender a auditorias externas? Quais padrões ou certificações são necessários?
Quais são os requisitos de consentimento e gestão de dados do titular (portabilidade, exclusão, retificação)?

6.4 Usabilidade e experiência do usuário (UX)

Há uma identidade visual (manual de marca, paleta de cores, logotipos) que o sistema deverá seguir?
Existe preferência por estilo de interface (minimalista, rico em informações, tipo dashboard, tipo formulário)?
O sistema deve ser responsivo (adaptar-se a diferentes tamanhos de tela)?
Há benchmarks de tempo de aprendizado desejado (ex.: usuário deve conseguir realizar tarefa X em menos de Y minutos na primeira tentativa)?
O sistema deve seguir diretrizes de acessibilidade (WCAG 2.1, e-MAG)?
Há funcionalidades que exigem operação por voz, leitura de tela, atalhos de teclado ou alto contraste?

6.5 Portabilidade e compatibilidade

O sistema será web, desktop, mobile nativo ou híbrido?
Quais navegadores e versões mínimas devem ser suportados (se web)?
Quais sistemas operacionais devem ser suportados (Windows, macOS, Linux, Android, iOS)?
Há restrições quanto ao hardware mínimo dos usuários (ex.: PCs antigos, dispositivos de baixo custo)?

6.6 Manutenibilidade e evolução

O sistema será mantido por equipe interna ou terceirizada? Qual o perfil técnico dessa equipe?
Há preferência ou restrição quanto a tecnologias, linguagens de programação, frameworks ou bancos de dados?
O código-fonte deve ser entregue? Sob qual licença?
É desejável uma arquitetura modular que permita adicionar funcionalidades futuras sem grande impacto?
Quais funcionalidades são previstas para fases futuras (roadmap)?

▶ 🔗 BLOCO 7 — INTEGRAÇÕES E ECOSSISTEMA TÉCNICO

A interoperabilidade é um dos fatores mais subestimados em projetos de software, respondendo por atrasos significativos quando não mapeada previamente (Bass; Clements; Kazman, 2021).

O sistema deverá se integrar com quais sistemas internos existentes? (ERP, CRM, BI, folha de pagamento, contabilidade, e-commerce etc.) Para cada integração, descreva: (a) nome do sistema; (b) fornecedor/versão; (c) dados a serem trocados; (d) sentido do fluxo (envio, recebimento ou bidirecional); (e) frequência (tempo real, batch, sob demanda); (f) tecnologia de integração disponível (API REST, SOAP, arquivo CSV, banco compartilhado, webhook).
O sistema deverá se integrar com serviços externos ou APIs de terceiros? (ex.: gateways de pagamento, serviços de CEP, consulta de CPF/CNPJ, serviços de e-mail, SMS, mapas, redes sociais, governo eletrônico) Descreva com o mesmo detalhamento da questão anterior.
Há necessidade de integração com hardware ou dispositivos (impressoras, leitores de código de barras, balanças, catracas, sensores, câmeras)?
O sistema deverá disponibilizar API própria para consumo por outros sistemas ou parceiros?
Há requisitos de integração com plataformas de autenticação federada (OAuth 2.0, OpenID Connect, SAML)?

▶ 🎬 BLOCO 8 — CENÁRIOS DE USO E CASOS CRÍTICOS

Os cenários de uso conectam requisitos abstratos a situações concretas do cotidiano, sendo essenciais para a validação do entendimento (Cockburn, 2001).

Descreva o cenário de uso mais comum (o "caminho feliz") do sistema, do ponto de vista do usuário principal, desde o login até a conclusão da tarefa mais frequente.
Descreva pelo menos três cenários alternativos ou de exceção: (a) o que acontece quando o sistema detecta um dado inválido; (b) o que acontece quando o usuário não tem permissão; (c) o que acontece em falha de comunicação ou indisponibilidade de serviço integrado.
Há cenários críticos de negócio em que uma falha do sistema teria consequências graves (perda financeira, risco à saúde, descumprimento legal)? Descreva-os detalhadamente.
Há cenários de uso sazonais ou esporádicos que são diferentes do dia a dia (fechamento mensal, inventário anual, auditorias, eventos especiais)?
Existe um cenário de migração ou primeiro uso (carga inicial de dados, configuração, onboarding) que requer fluxo específico?

▶ ⚠️ BLOCO 9 — RESTRIÇÕES, PREMISSAS E RISCOS DO PROJETO

A explicitação de restrições e premissas evita o scope creep e alinha expectativas desde o início (PMI, 2021).

9.1 Restrições

Qual o orçamento disponível para o projeto (desenvolvimento, infraestrutura, licenças)?
Qual o prazo esperado ou obrigatório para entrega (parcial e total)? Há datas-limite inegociáveis?
Há restrições legais, regulatórias ou contratuais que o sistema deve atender?
Há restrições de infraestrutura (servidor local obrigatório, proibição de nuvem pública, limitação de largura de banda)?
Há restrições relacionadas a propriedade intelectual (uso obrigatório de software livre, proibição de determinada tecnologia proprietária)?

9.2 Premissas

Quais são as premissas que a equipe de desenvolvimento pode assumir como verdadeiras? (ex.: "todos os usuários terão acesso à internet"; "a base de dados legada será fornecida em formato CSV limpo"; "haverá um ponto focal disponível durante todo o projeto")
Há alguma dependência de terceiros (fornecedores, prestadores de serviço, órgãos) para que o projeto avance?

9.3 Riscos conhecidos

Quais riscos a organização já identifica para o sucesso do projeto? (ex.: resistência à mudança, falta de tempo dos usuários para testes, dependência de sistema legado sem documentação)
Já houve tentativas anteriores de implantar um sistema similar que não foram bem-sucedidas? O que deu errado?
Quais estratégias de mitigação a organização está disposta a adotar para os riscos identificados?

▶ ✅ BLOCO 10 — CRITÉRIOS DE ACEITAÇÃO, IMPLANTAÇÃO E PÓS-ENTREGA

Critérios claros de aceitação definem a fronteira entre "feito" e "não feito" e são parte essencial da validação de requisitos (Wiegers; Beatty, 2013).

Quais são os critérios mínimos de aceitação para que o sistema seja considerado pronto para uso? (ex.: todas as funcionalidades do escopo testadas e aprovadas; tempo de resposta inferior a 3 segundos; zero bugs críticos abertos)
Quem realizará os testes de aceitação (UAT — User Acceptance Testing)? Haverá um grupo de usuários-piloto?
Qual a estratégia de implantação desejada (big bang, migração gradual, piloto)?
Há necessidade de treinamento pré-implantação? Para quantas pessoas e em qual formato?
Quem será responsável pela operação e suporte técnico após a entrega (help desk, suporte N1/N2/N3)?
Qual o período de garantia esperado após a entrega para correção de defeitos?
Há expectativa de contrato de manutenção (evolutiva, corretiva, adaptativa) após a entrega?
Existem critérios para o encerramento formal do projeto (documento de aceite, homologação)?

▶ 💭 BLOCO COMPLEMENTAR — PERGUNTAS ABERTAS E CONSOLIDAÇÃO

Existe algum aspecto, funcionalidade, restrição ou preocupação que não foi abordado neste questionário e que você considera relevante?
Se pudesse resumir em uma frase, qual é o principal objetivo deste sistema?
Como você imagina o dia a dia dos usuários após a implantação bem-sucedida do sistema? Descreva o cenário ideal.
Há alguma referência de sistema (concorrente, de outro setor ou de outra empresa do grupo) que você considera um bom modelo a ser seguido? Qual e por quê?

📚 Referências

BASS, L.; CLEMENTS, P.; KAZMAN, R. Software architecture in practice. 4. ed. Boston: Addison-Wesley, 2021.

COCKBURN, A. Writing effective use cases. Boston: Addison-Wesley, 2001.

INTERNATIONAL INSTITUTE OF BUSINESS ANALYSIS (IIBA). A guide to the Business Analysis Body of Knowledge (BABOK® Guide). Version 3. Toronto: IIBA, 2015.

INTERNATIONAL ORGANIZATION FOR STANDARDIZATION (ISO). ISO/IEC 25010:2023 — Systems and software engineering — Systems and software Quality Requirements and Evaluation (SQuaRE) — Product quality model. Geneva: ISO, 2023.

INTERNATIONAL ORGANIZATION FOR STANDARDIZATION (ISO). ISO/IEC/IEEE 29148:2018 — Systems and software engineering — Life cycle processes — Requirements engineering. Geneva: ISO, 2018.

PROJECT MANAGEMENT INSTITUTE (PMI). A guide to the Project Management Body of Knowledge (PMBOK® Guide). 7. ed. Newtown Square: PMI, 2021.

PRESSMAN, R. S.; MAXIM, B. R. Engenharia de software: uma abordagem profissional. 9. ed. Porto Alegre: AMGH, 2021.

ROBERTSON, S.; ROBERTSON, J. Mastering the requirements process: getting requirements right. 3. ed. Upper Saddle River: Addison-Wesley, 2012.

SOMMERVILLE, I. Engenharia de software. 9. ed. São Paulo: Pearson Prentice Hall, 2011.

WIEGERS, K. E.; BEATTY, J. Software requirements. 3. ed. Redmond: Microsoft Press, 2013.

ZOWGHI, D.; COULIN, C. Requirements elicitation: a survey of techniques, approaches, and tools. In: AURUM, A.; WOHLIN, C. (ed.). Engineering and managing software requirements. Berlin: Springer, 2005. p. 19-46.

Fonte:
Visto no Brasil Acadêmico

Git e GitHub: Do Conceito à Prática — Um resumo didático para Iniciantes e Desenvolvedores

noreply@blogger.com (War) — Wed, 18 Mar 2026 21:16:00 -0300

Se você já perdeu um arquivo importante, sobrescreveu um trabalho por engano ou ficou confuso com dezenas de versões como "trabalho_final_v3_FINAL_agora_vai.docx", então precisa conhecer o Git e o GitHub.

Nesta postagem, você vai entender o que são essas ferramentas, como surgiram, por que revolucionaram o desenvolvimento de software e, principalmente, como começar a usá-las — do clique no navegador até a integração com IDEs modernas como o Visual Studio Code, o Google Antigravity e o Google Colab. Tudo explicado com metáforas visuais, exemplos práticos e um passo a passo acessível.

1 — O que é Git? E o que é GitHub?

O Git é um sistema de controle de versão distribuído (do inglês Distributed Version Control System — DVCS). Em termos simples, ele é um programa instalado no seu computador que registra cada alteração feita nos arquivos de um projeto, criando um histórico completo e navegável de todas as mudanças (CHACON; STRAUB, 2014).

Já o GitHub é uma plataforma de hospedagem na nuvem que utiliza o Git como motor por baixo dos panos. Ele adiciona uma interface web amigável, recursos de colaboração (como pull requests, issues e revisão de código) e funciona como uma espécie de "rede social dos desenvolvedores" (GITHUB, 2024).

Analogia simples: se o Git é o motor de um carro, o GitHub é o carro completo — com painel, GPS, bancos confortáveis e até um porta-malas para compartilhar suas malas (projetos) com outros passageiros (colaboradores).

Tabela 1 — Comparação entre Git e GitHub
Característica	Git	GitHub
Tipo	Software local (CLI)	Plataforma web (nuvem)
Função principal	Controle de versão	Hospedagem + colaboração
Requer internet?	Não	Sim
Interface	Linha de comando	Interface gráfica web
Criador	Linus Torvalds (2005)	Tom Preston-Werner et al. (2008)
Fonte: elaboração do autor com base em Chacon e Straub (2014) e GitHub (2024).

2 — Uma breve história do Git e do GitHub

A história do Git começa com um problema real. Em 2005, Linus Torvalds — o criador do Linux — precisava de uma ferramenta para gerenciar o código-fonte do kernel Linux. Até então, o projeto utilizava um sistema proprietário chamado BitKeeper, mas um desentendimento sobre licenciamento forçou a comunidade a buscar alternativas (CHACON; STRAUB, 2014).

Insatisfeito com as opções existentes, Torvalds decidiu criar o seu próprio sistema. Em poucas semanas, nasceu o Git — projetado para ser rápido, distribuído e capaz de lidar com projetos enormes. O nome "Git" é uma gíria britânica para "pessoa desagradável", e Torvalds brincou que batizou a ferramenta em homenagem a si mesmo (TORVALDS, 2007).

Três anos depois, em 2008, Tom Preston-Werner, Chris Wanstrath e PJ Hyett lançaram o GitHub, uma plataforma que tornava o uso do Git acessível pela web. O crescimento foi vertiginoso: em 2018, a Microsoft adquiriu o GitHub por US$ 7,5 bilhões, reconhecendo sua posição central no ecossistema de desenvolvimento mundial (WARREN, 2018).

📅 Linha do tempo resumida (clique para expandir)

2005 — Linus Torvalds cria o Git para gerenciar o kernel Linux.
2007 — Git se torna a ferramenta padrão em projetos open source.
2008 — Fundação do GitHub por Preston-Werner, Wanstrath e Hyett.
2012 — GitHub atinge 2 milhões de repositórios.
2013 — Surgimento do GitLab como alternativa open source.
2018 — Microsoft adquire o GitHub por US$ 7,5 bilhões.
2020 — GitHub disponibiliza repositórios privados gratuitos ilimitados.
2021 — Lançamento do GitHub Copilot (assistente de IA para código).
2024 — GitHub ultrapassa 100 milhões de desenvolvedores cadastrados.

3 — Por que Git e GitHub são tão importantes?

O Git e o GitHub não são ferramentas "legais de se ter" — eles são infraestrutura fundamental do desenvolvimento de software moderno. Segundo pesquisa da Stack Overflow, mais de 93% dos desenvolvedores profissionais utilizam Git como sistema de controle de versão (STACK OVERFLOW, 2024). Os principais benefícios incluem:

Segurança do histórico: cada mudança é registrada permanentemente. É possível voltar a qualquer ponto anterior do projeto, como uma máquina do tempo para o seu código. Colaboração simultânea: múltiplos desenvolvedores podem trabalhar no mesmo projeto ao mesmo tempo, em ramificações independentes (branches), sem conflitos destrutivos. Rastreabilidade: é possível saber quem fez o quê, quando e por quê — essencial para auditorias, depuração e gestão de equipes. Portfólio profissional: o perfil no GitHub funciona como um currículo vivo para desenvolvedores. Recrutadores frequentemente analisam repositórios públicos ao avaliar candidatos (DABBISH et al., 2012).

4 — Entendendo o versionamento: metáforas visuais

O versionamento é o ato de registrar "fotografias" (instantâneos) do seu projeto ao longo do tempo. Cada fotografia captura o estado completo de todos os arquivos naquele momento. Se algo der errado no futuro, basta "revelar" uma foto anterior e restaurar o projeto (CHACON; STRAUB, 2014).

🎮 Metáfora 1: Os "save points" de um videogame (clique para expandir)

Imagine que você está jogando um RPG. Antes de enfrentar o chefe final, você salva o jogo (save point). Se perder a luta, pode carregar o save e tentar novamente — sem perder o progresso anterior.

O Git funciona exatamente assim: cada commit é um "save point". Você pode criar quantos quiser, voltar a qualquer um deles e até explorar caminhos alternativos (as branches, que seriam como "salvar em slots diferentes" para testar estratégias variadas).

🌳 Metáfora 2: A árvore com galhos (clique para expandir)

Pense no seu projeto como uma árvore. O tronco principal é a branch main — a versão estável e oficial. Quando alguém quer adicionar uma funcionalidade nova sem arriscar quebrar o tronco, cria-se um galho (branch).

No galho, você trabalha livremente: experimenta, erra, ajusta. Quando tudo estiver maduro e testado, o galho é fundido de volta ao tronco — essa é a operação de merge. Se o galho não deu certo? É só podá-lo, sem prejuízo ao tronco.

📦 Metáfora 3: O armazém de caixas etiquetadas (clique para expandir)

Imagine um grande armazém onde cada caixa contém uma versão completa do seu projeto. Cada caixa tem uma etiqueta dizendo quem montou, quando, e o que mudou em relação à caixa anterior.

Esse é o repositório Git: um armazém organizado onde cada commit é uma caixa etiquetada. Você pode abrir qualquer caixa a qualquer momento. E o melhor: quando você altera apenas um parágrafo num documento de 500 páginas, o Git não duplica o documento inteiro — ele armazena apenas a diferença (diff), economizando espaço.

Tabela 2 — Glossário dos principais conceitos de versionamento
Conceito	O que é	Metáfora
Repository	Pasta do projeto com todo o histórico de versões	O armazém inteiro
Commit	Registro de uma alteração com mensagem descritiva	Uma caixa etiquetada / um save point
Branch	Linha paralela de desenvolvimento	Um galho da árvore
Merge	Unir uma branch de volta à principal	Fundir o galho ao tronco
Clone	Copiar um repositório remoto para sua máquina	Fazer uma cópia idêntica do armazém
Pull	Baixar atualizações do repositório remoto	Receber novas caixas do armazém central
Push	Enviar seus commits para o repositório remoto	Devolver suas caixas ao armazém central
Fork	Cópia independente do repositório de outra pessoa	Construir seu próprio armazém a partir do modelo de outro
Fonte: elaboração do autor com base em Chacon e Straub (2014).

5 — Como criar sua conta e usar o GitHub pela Web

5.1 Criando a conta

O processo é simples e gratuito (GITHUB DOCS, 2024):

Passo 1: Acesse github.com e clique em "Sign up".
Passo 2: Insira seu e-mail, crie uma senha forte e escolha um nome de usuário (esse será seu identificador público — escolha com cuidado!).
Passo 3: Resolva o desafio de verificação e confirme seu e-mail.
Passo 4: Pronto! Você será direcionado ao painel inicial (dashboard).

💡 Dica: Escolha um nome de usuário profissional. Algo como joao-silva-dev transmite mais seriedade do que xXgamerBR2005Xx — especialmente se recrutadores forem ver seu perfil.

5.2 Criando seu primeiro repositório

Passo 1: No canto superior direito, clique no ícone "+" e selecione "New repository".
Passo 2: Dê um nome ao repositório (exemplo: meu-primeiro-projeto).
Passo 3: Adicione uma descrição (opcional, mas recomendada).
Passo 4: Escolha a visibilidade: Public (visível para todos) ou Private (apenas para você e colaboradores convidados).
Passo 5: Marque "Add a README file" — esse arquivo serve como a "capa" do seu projeto.
Passo 6: Opcionalmente, adicione um .gitignore (para ignorar arquivos desnecessários) e uma licença.
Passo 7: Clique em "Create repository". Pronto!

5.3 A dinâmica de uso: projetos, artefatos e colaboração

Uma vez com o repositório criado, a dinâmica cotidiana na plataforma envolve uma série de ações interconectadas. Entender esse fluxo é essencial para trabalhar de forma eficiente em equipe (GITHUB DOCS, 2024).

📁 Adicionando arquivos (artefatos) ao projeto

No GitHub Web, você pode criar ou enviar arquivos diretamente pelo navegador. Clique em "Add file" > "Upload files" para enviar arquivos existentes, ou "Create new file" para escrever diretamente no editor online. Cada adição gera um commit — ou seja, uma entrada no histórico do projeto com data, autor e descrição da mudança.

👥 Convidando colaboradores

Para trabalhar em equipe, acesse "Settings" > "Collaborators" no repositório e convide pessoas pelo nome de usuário ou e-mail do GitHub. Colaboradores podem clonar, criar branches e enviar alterações. Em organizações maiores, é possível definir permissões granulares — quem pode apenas ler, quem pode escrever e quem pode administrar o repositório.

🔀 Commits e Pull Requests — o coração da colaboração

Commit: é o ato de "salvar" suas alterações no histórico do Git. Cada commit deve ter uma mensagem clara que descreva o que mudou. Exemplos de boas mensagens: Corrige bug no cálculo de frete, Adiciona página de contato. Evite mensagens genéricas como alterações ou aaa.

Pull Request (PR): quando você trabalha em uma branch separada e quer que suas alterações sejam incorporadas à branch principal (main), você abre um Pull Request. É como dizer: "Terminei minha parte — por favor, revisem e aprovem para juntar ao projeto principal." Outros membros podem revisar o código, deixar comentários, sugerir mudanças e, finalmente, aprovar e realizar o merge (GOUSIOS et al., 2014).

🐛 Issues — gerenciando tarefas e problemas

As Issues são um sistema integrado de rastreamento de tarefas. Você pode usá-las para registrar bugs, solicitar funcionalidades ou organizar o trabalho da equipe. Cada issue pode receber etiquetas (labels), ser atribuída a um responsável e ser vinculada a um Pull Request — quando o PR que resolve o problema é mesclado, a issue é fechada automaticamente.

Fluxo típico de trabalho colaborativo:
main ─── estado estável do projeto
git branch minha-feature ──── cria um galho separado
(trabalha e faz commits) ──── salva alterações no galho
git push ──── envia para o GitHub
Abre Pull Request ──── solicita revisão da equipe
Revisão + Aprovação ──── colegas analisam o código
Merge ──── alterações entram na main 🎉

6 — Uso avançado: integração com IDEs e Google Colab

Embora o GitHub Web seja ótimo para operações rápidas, desenvolvedores profissionais normalmente integram o Git ao ambiente de desenvolvimento local por meio de IDEs (Integrated Development Environments). Isso permite um fluxo de trabalho mais produtivo: editar código, testar, commitar e enviar alterações — tudo dentro de uma única janela (BRINDESCU et al., 2020).

🟦 Visual Studio Code (VS Code)

O VS Code, da Microsoft, é o editor de código mais popular do mundo e possui integração nativa com o Git (STACK OVERFLOW, 2024). Sem instalar nenhuma extensão adicional, você já pode:

Clonar repositórios: abra a paleta de comandos (Ctrl+Shift+P), digite Git: Clone e cole a URL do repositório GitHub.

Visualizar mudanças: a aba "Source Control" (ícone de ramificação no menu lateral) mostra todos os arquivos alterados, com destaque colorido para linhas adicionadas (verde) e removidas (vermelho).

Fazer commits: escreva sua mensagem de commit diretamente na interface e clique no botão de confirmar (✓).

Push e Pull: use os botões na barra de status inferior ou a paleta de comandos.

Gerenciar branches: crie, alterne e mescle branches diretamente pelo menu da barra inferior.

Extensão recomendada: instale GitHub Pull Requests and Issues para gerenciar PRs e issues sem sair do editor.

🚀 Google Antigravity

O Google Antigravity é a IDE de desenvolvimento agêntico lançada pelo Google em novembro de 2025, construída sobre uma base derivada do VS Code. Por ser um fork do ecossistema VS Code, o Antigravity herda toda a integração nativa com o Git — clonagem, commits, branches, push, pull e visualização de diffs funcionam de forma familiar (GOOGLE DEVELOPERS BLOG, 2025).

O diferencial está na abordagem agent-first (agentes primeiro): em vez de apenas sugerir código, os agentes de IA do Antigravity podem executar fluxos completos de desenvolvimento de forma autônoma — incluindo operações Git. Na prática, isso significa que você pode descrever uma tarefa em linguagem natural (por exemplo, "crie uma branch, implemente a tela de login e abra um Pull Request") e o agente planeja e executa cada etapa, gerando artefatos verificáveis como planos de implementação, capturas de tela e gravações do navegador.

Destaque: o Antigravity suporta múltiplos modelos de IA (Gemini 3 Pro, Claude e GPT-OSS), permitindo escolher o modelo mais adequado para cada tarefa — inclusive para revisão de código e resolução de conflitos de merge.

🟧 Google Colab

O Google Colab é um ambiente de notebooks Jupyter hospedado na nuvem, muito utilizado em ciência de dados e aprendizado de máquina. Embora não seja uma IDE tradicional, ele se integra perfeitamente ao GitHub (GOOGLE COLAB, 2024).

Abrir notebooks do GitHub: basta acessar colab.research.google.com/github/ seguido do caminho do notebook. O Colab carrega o arquivo .ipynb diretamente do repositório.

Salvar de volta no GitHub: no menu "Arquivo" > "Salvar uma cópia no GitHub", você pode commitar o notebook atualizado diretamente para um repositório — com mensagem de commit personalizada.

Usar Git via terminal: como o Colab roda em máquinas virtuais Linux, você pode executar comandos Git em células de código usando o prefixo !. Exemplo:

!git clone https://github.com/usuario/repositorio.git

%cd repositorio

!git status

Isso é especialmente útil para carregar datasets ou módulos Python hospedados no GitHub diretamente em seus notebooks.

7 — Adendo: qual a diferença entre um Repositório e um Gist?

Ambos são formas de hospedar código no GitHub, mas servem a propósitos diferentes. Um repositório é a ferramenta completa — pensada para projetos inteiros, com estrutura de pastas, branches, issues, Pull Requests e colaboração em equipe. Já um Gist é uma forma simplificada de compartilhar trechos de código, anotações ou scripts pequenos (GITHUB DOCS, 2024).

Tabela 3 — Repositório versus Gist
Aspecto	Repositório	Gist
Escala	Projetos inteiros (múltiplos arquivos e pastas)	Trechos isolados (um ou poucos arquivos)
Branches	Sim, ilimitadas	Não (apenas um histórico linear)
Issues / PRs	Sim	Não
Colaboradores	Sim, com permissões configuráveis	Qualquer pessoa pode fazer fork, mas sem controle granular
Visibilidade	Público ou privado	Público ou secreto (acessível via URL direta)
Incorporação	Requer link ou clone	Pode ser incorporado em páginas web via embed
Uso típico	Aplicações, bibliotecas, sites	Snippets, configurações, anotações rápidas
Fonte: elaboração do autor com base em GitHub Docs (2024).

Analogia: se o repositório é um livro completo (com capítulos, índice, capa e contracapa), o Gist é um post-it — perfeito para aquela anotação rápida que você quer compartilhar sem precisar de toda a infraestrutura editorial.

Para criar um Gist, basta acessar gist.github.com, colar o trecho de código, dar um nome ao arquivo (com extensão, como script.py) e escolher entre público ou secreto.

Considerações finais

O Git e o GitHub transformaram a forma como software é construído no mundo. De uma ferramenta criada às pressas por Linus Torvalds em 2005 a uma plataforma com mais de 100 milhões de desenvolvedores, essa dupla se tornou tão essencial quanto o próprio código que ela gerencia. Compreender seus conceitos não é apenas uma habilidade técnica — é um passaporte para participar do ecossistema global de desenvolvimento, colaborar em projetos open source e construir um portfólio profissional visível para o mundo.

Se você está dando os primeiros passos, comece pelo GitHub Web: crie um repositório, faça seus primeiros commits e explore projetos de outras pessoas. Aos poucos, integre o Git ao VS Code ou ao Antigravity e descubra como o fluxo de trabalho fica mais fluido. E se trabalha com dados ou machine learning, o Google Colab é seu aliado natural para manter notebooks versionados.

O mais importante: não tenha medo de errar. Afinal, se tem uma coisa que o Git faz muito bem é permitir que você volte atrás.

Referências

BRINDESCU, C. et al. How do developers use version control in integrated development environments? Empirical Software Engineering, v. 25, p. 986–1021, 2020. Disponível em: https://doi.org/10.1007/s10664-019-09781-y. Acesso em: 18 mar. 2026.

CHACON, S.; STRAUB, B. Pro Git. 2. ed. Nova York: Apress, 2014. Disponível em: https://git-scm.com/book/pt-br/v2. Acesso em: 18 mar. 2026.

DABBISH, L. et al. Social coding in GitHub: transparency and collaboration in an open software repository. In: ACM CONFERENCE ON COMPUTER SUPPORTED COOPERATIVE WORK, 2012, Seattle. Proceedings [...]. Nova York: ACM, 2012. p. 1277–1286. Disponível em: https://doi.org/10.1145/2145204.2145396. Acesso em: 18 mar. 2026.

GITHUB. About GitHub. 2024. Disponível em: https://github.com/about. Acesso em: 18 mar. 2026.

GITHUB DOCS. GitHub documentation. 2024. Disponível em: https://docs.github.com. Acesso em: 18 mar. 2026.

GOOGLE COLAB. Welcome to Colaboratory. 2024. Disponível em: https://colab.research.google.com. Acesso em: 18 mar. 2026.

GOOGLE DEVELOPERS BLOG. Build with Google Antigravity, our new agentic development platform. 2025. Disponível em: https://developers.googleblog.com/build-with-google-antigravity-our-new-agentic-development-platform/. Acesso em: 18 mar. 2026.

GOUSIOS, G. et al. An exploratory study of the pull-based software development model. In: INTERNATIONAL CONFERENCE ON SOFTWARE ENGINEERING, 36., 2014, Hyderabad. Proceedings [...]. Nova York: ACM, 2014. p. 345–355. Disponível em: https://doi.org/10.1145/2568225.2568260. Acesso em: 18 mar. 2026.

STACK OVERFLOW. Developer Survey 2024. 2024. Disponível em: https://survey.stackoverflow.co/2024/. Acesso em: 18 mar. 2026.

TORVALDS, L. Tech Talk: Linus Torvalds on Git. Google, 2007. 1 vídeo (70 min). Disponível em: https://www.youtube.com/watch?v=4XpnKHJAok8. Acesso em: 18 mar. 2026.

WARREN, T. Microsoft confirms it will acquire GitHub for $7.5 billion. The Verge, 4 jun. 2018. Disponível em: https://www.theverge.com/2018/6/4/17422788/microsoft-github-acquisition-official-deal. Acesso em: 18 mar. 2026.

Fonte:
Visto no Brasil Acadêmico

Levantamento de Requisitos: Um Guia sobre Conceito, História e Técnicas de Elicitação

noreply@blogger.com (War) — Mon, 16 Mar 2026 00:47:00 -0300

O levantamento de requisitos é a base para o desenvolvimento de qualquer software de sucesso.

É o processo de descobrir, analisar, documentar e validar os requisitos de um sistema. Um levantamento de requisitos bem-executado garante que o produto final atenda às necessidades e expectativas dos stakeholders, enquanto um processo falho pode levar a projetos fracassados, custos extras e insatisfação do cliente.

📑 Índice

Um Pouco de História
Técnicas de Elicitação de Requisitos
Entrevistas
Questionários
Observação (Etnografia)
Personas no Desenvolvimento de Software
Análise de Stakeholders

📚 Um Pouco de História

A Engenharia de Requisitos, como disciplina, começou a tomar forma na década de 1970, a partir da necessidade de formalizar o processo de desenvolvimento de software e evitar os problemas recorrentes de projetos que não atendiam às expectativas. Antes disso, o desenvolvimento de software era uma atividade muito mais artesanal e menos estruturada. Com o aumento da complexidade dos sistemas, tornou-se evidente a necessidade de um processo mais rigoroso para a definição do que o software deveria fazer.

O primeiro simpósio internacional sobre o tema, o International Symposium on Requirements Engineering, em 1993, marcou a consolidação da área como um campo de pesquisa e prática fundamental na Engenharia de Software [1]. Desde então, a Engenharia de Requisitos evoluiu significativamente, incorporando novas técnicas, metodologias e ferramentas que refletem as mudanças no desenvolvimento de software, desde abordagens tradicionais até metodologias ágeis.

🔍 Técnicas de Elicitação de Requisitos

A elicitação de requisitos é o processo de obter os requisitos dos stakeholders. Existem diversas técnicas para isso, cada uma com suas vantagens e desvantagens. A escolha da técnica ideal depende do contexto do projeto, do perfil dos stakeholders e dos tipos de requisitos a serem levantados. Apresentamos aqui três das técnicas mais comuns e eficazes:

💬 Entrevistas

A entrevista é uma das técnicas mais tradicionais e eficazes para a elicitação de requisitos. Consiste em uma conversa, que pode ser estruturada, semiestruturada ou não estruturada, entre o analista de requisitos e o stakeholder. O objetivo é coletar informações detalhadas sobre as necessidades e expectativas do stakeholder em relação ao sistema.

As entrevistas permitem um aprofundamento nas questões e a identificação de requisitos que talvez não fossem percebidos em outras técnicas [2]. Além disso, elas facilitam o esclarecimento de ambiguidades e a construção de uma relação de confiança entre o analista e o stakeholder, elementos essenciais para o sucesso do projeto.

Tipos de entrevistas:

Estruturadas: Baseadas em um conjunto fixo de perguntas predefinidas, permitindo comparações entre respostas de diferentes stakeholders.

Semiestruturadas: Combinam perguntas predefinidas com questões abertas, oferecendo flexibilidade para explorar tópicos emergentes.

Não estruturadas: Conversacionais por natureza, ideais para compreender o contexto e os problemas do ambiente de trabalho.

📋 Questionários

Os questionários são uma forma de coletar informações de um grande número de pessoas de forma rápida e eficiente. Eles podem ser compostos por perguntas abertas ou fechadas e são úteis para obter dados quantitativos e validar requisitos já identificados.

No entanto, os questionários não permitem o mesmo nível de aprofundamento que as entrevistas e podem gerar respostas superficiais se não forem bem elaborados [3]. A efetividade dos questionários depende muito da clareza das perguntas, da estrutura lógica do documento e da capacidade de motivar os respondentes a participarem com seriedade.

Vantagens dos questionários:

Alcance de um grande número de stakeholders simultaneamente.

Redução de custos comparado a entrevistas individuais.

Facilidade de análise de dados quando bem estruturados.

Possibilidade de coleta de dados em diferentes localizações geográficas.

👁️ Observação (Etnografia)

A observação, ou etnografia, é uma técnica em que o analista de requisitos se insere no ambiente de trabalho do stakeholder para observar suas atividades diárias. Essa técnica é particularmente útil para descobrir requisitos implícitos, ou seja, aqueles que o stakeholder não consegue articular verbalmente, mas que são essenciais para a execução de suas tarefas [4].

A observação permite entender o contexto de uso do sistema e identificar problemas e oportunidades de melhoria que não seriam percebidos de outra forma. Além disso, ela revela as práticas reais de trabalho, que frequentemente diferem dos processos formais documentados nas organizações.

Fases da observação:

Preparação: Identificar áreas a observar, obter aprovações e explicar o propósito do estudo.

Condução: Observar atividades, documentar procedimentos e coletar dados sobre frequência e duração das tarefas.

Consolidação: Documentar descobertas e revisar resultados com os observados e seus superiores.

🎭 Personas no Desenvolvimento de Software

A técnica de criação de Personas é uma das ferramentas mais poderosas e amplamente utilizadas no design de produtos, engenharia de software e experiência do usuário. Ela serve para "humanizar" dados de pesquisa e gerar empatia, garantindo que o produto seja criado para resolver problemas de pessoas reais, e não para satisfazer as suposições da equipe técnica.

O que é uma Persona?

Uma Persona não é um usuário real e não é sinônimo de "público-alvo". O público-alvo é uma definição ampla e puramente demográfica, enquanto a persona é um arquétipo semifictício focado em comportamento, dores e contexto [6]. A persona é "fictícia" porque ganha um nome e um rosto inventados, mas deve ser rigorosamente construída com base em dados reais coletados através de pesquisas.

Processo de Criação:

Pesquisa: A equipe realiza entrevistas qualitativas, aplica questionários e observa usuários reais para coletar dados autênticos.

Identificação de Padrões: Os pesquisadores analisam os dados para encontrar semelhanças de comportamento, frustrações e objetivos entre os entrevistados.

Construção do Arquétipo: O grupo comportamental ganha vida em um documento visual que contém nome fictício, foto, citação, objetivos, dores/frustrações e contexto de uso.

Aplicação Prática: A persona é impressa ou fixada no mural da equipe, orientando decisões de design e desenvolvimento.

História e Origem:

A criação da técnica de Personas aplicadas a software é atribuída a Alan Cooper, um renomado designer e programador americano, frequentemente chamado de "Pai da linguagem Visual Basic" [7]. Em 1983, Cooper estava desenvolvendo um software de gerenciamento de projetos chamado Plan*It e, durante o processo, criou intuitivamente a primeira persona ao fazer role-play mental, simulando como uma colega chamada Kathy reagiria a cada elemento da interface.

Anos depois, Cooper notou um problema crônico na engenharia de software: os programadores projetavam para o que ele chamou de "Usuário Elástico", um termo tão vago que a equipe técnica o esticava ou encolhia conforme a própria conveniência [8]. As Personas nasceram para "matar" o usuário elástico, ao dar um nome e limites humanos rígidos ao personagem, forçando a equipe a ter empatia e foco.

Aplicação em Metodologias Modernas:

A Persona é uma ferramenta central em várias disciplinas modernas, incluindo Design Centrado no Usuário (UCD), UX Design, Design Thinking e Metodologias Ágeis [9].

Uma ferramenta online para criação de persona é o Make My Persona.

No mundo Ágil, os requisitos são escritos no formato de Histórias de Usuário (User Stories), que ganham precisão quando se usa a persona. Em vez do genérico "Como usuário, eu quero...", escreve-se "Como Marina, eu quero exportar o relatório em 1 clique para não me atrasar para buscar meu filho".

👥 Análise de Stakeholders

Stakeholders são todas as partes interessadas em um projeto, ou seja, qualquer pessoa ou grupo que possa ser afetado pelo sistema ou que possa influenciar seu desenvolvimento. Isso inclui usuários finais, gerentes, desenvolvedores, clientes, fornecedores e até mesmo órgãos reguladores.

A análise de stakeholders é o processo de identificar quem são os stakeholders, quais são seus interesses e como eles podem impactar o projeto [5]. Uma análise de stakeholders bem-feita é fundamental para garantir que todos os requisitos relevantes sejam considerados e para gerenciar as expectativas e os conflitos que possam surgir ao longo do projeto.

Etapas da análise de stakeholders:

Identificação: Listar todos os possíveis stakeholders do projeto.

Análise: Compreender seus interesses, influência e importância para o projeto.

Categorização: Classificar stakeholders por nível de poder e interesse (matriz de poder/interesse).

Engajamento: Definir estratégias de comunicação e envolvimento para cada grupo de stakeholders.

Monitoramento: Acompanhar mudanças nas posições e interesses dos stakeholders ao longo do projeto.

A identificação correta dos stakeholders e a compreensão de suas necessidades são essenciais para evitar retrabalho, atrasos e custos adicionais no desenvolvimento do software. Um stakeholder esquecido ou mal compreendido pode levar a requisitos incompletos ou conflitantes que comprometem o sucesso do projeto.

📖 Referências

1 ZAPAROLI, Wagner. Engenharia de Requisitos: um fundamento na construção de sistemas de informação. Exacta, v. 5, n. 1, p. 97-108, 2007.

2 REtraining. Entrevista. Disponível em: https://retraining.inf.ufsc.br/guia/app/classificacoes/tecnicas-de-elicitacao-de-requisitos/entidades/tecnicas-de-elicitacao-de-requisitos-entrevista. Acesso em: 15 mar. 2026.

3 BASTOS JUNIOR, Paulo Roberto de Oliveira. Elicitação de requisitos de software com o apoio de um sistema de recomendação de perguntas de questionários. 2012. Dissertação (Mestrado em Informática) - Pontifícia Universidade Católica do Rio de Janeiro, Rio de Janeiro, 2012.

4 DEV MEDIA. Técnicas para levantamento de Requisitos. Disponível em: https://www.devmedia.com.br/tecnicas-para-levantamento-de-requisitos/9151. Acesso em: 15 mar. 2026.

5 MINUCCI, Dante et al. Análise de requisitos de software com foco nos stakeholders: estudo de caso de uma empresa de estrada de rodagem. Revista Foco, v. 17, n. 1, p. e137, 17 jan. 2024. Disponível em: https://ojs.focopublicacoes.com.br/foco/article/view/4226.

6 COOPER, Alan; REIMANN, Robert; CRONIN, Dave; NOESSEL, Christopher. About Face: The Essentials of Interaction Design. 4. ed. Wiley, 2014. Nota: Considerada a Biblia do Design de Interacao, com capitulos metodologicos extensos sobre a transformacao de dados brutos de pesquisas em personas validas.

7 COOPER, Alan. The Inmates Are Running the Asylum: Why High Tech Products Drive Us Crazy and How to Restore the Sanity. Sams Publishing, 1999. Nota: A obra historica onde Cooper apresenta o conceito do Usuário Elastico e introduz as Personas formalmente a industria de tecnologia.

8 GOODWIN, Kim. Designing for the Digital Age: How to Create Human-Centered Products and Services. Wiley, 2009. Nota: Kim Goodwin foi executiva na agencia de Alan Cooper e seu livro detalha a transicao entre pesquisa e modelagem de personas de alta fidelidade.

9 NIELSEN NORMAN GROUP (NN/g). Personas Make Users Memorable for Product Team Members. Disponível em: https://www.nngroup.com. Nota: Instituicao fundada por Don Norman (inventor do termo UX), é a maior autoridade global em usabilidade e possui dezenas de artigos empiricos atestando a eficacia da tecnica de personas.

↑

A Crise do Software: do caos à engenharia

noreply@blogger.com (War) — Sun, 15 Mar 2026 10:17:00 -0300

Engenharia de Software Modelos de Ciclo de Vida Design Patterns História da Computação Metodologias

1. A Crise do Software

No final da década de 1960, a indústria da computação vivia um paradoxo: o hardware evoluía em ritmo exponencial, mas a capacidade de produzir software confiável ficava cada vez mais para trás. Projetos atrasavam, orçamentos explodiam e sistemas entregues frequentemente não atendiam às necessidades dos usuários. Esse conjunto de problemas crônicos recebeu o nome de Crise do Software — termo cunhado durante a Conferência de Engenharia de Software da OTAN 📖, realizada em Garmisch, Alemanha, em 1968 [1].

💡 Definição

Crise do Software é o nome dado ao conjunto de problemas sistêmicos enfrentados pela indústria de desenvolvimento de software entre as décadas de 1960 e 1990: projetos cronicamente atrasados, custos imprevisíveis, defeitos abundantes e incapacidade de atender aos requisitos dos usuários.

📊 Os números da crise Dados históricos

Relatórios da época e estudos posteriores revelaram números alarmantes [2]:

~60%

Projetos atrasados

2–3×

Estouro de custo

~30%

Projetos cancelados

~20%

Atendiam requisitos

O projeto do OS/360 📖 da IBM é frequentemente citado como caso emblemático: envolveu milhares de programadores, atrasou anos e acumulou inúmeros defeitos, sendo descrito por Frederick Brooks como um "pântano de alcatrão" [3].

⚠️ Sintomas recorrentes

A crise se manifestava por cinco sintomas interligados [4]:

Atrasos crônicos

A falta de metodologia tornava impossível estimar cronogramas realistas.

Custos imprevisíveis

Sem métricas de estimativa, orçamentos eram suposições otimistas.

Defeitos abundantes

Ausência de testes formais resultava em produtos instáveis.

Desalinhamento com o usuário

Sem análise rigorosa de requisitos, o software não resolvia o problema real.

Manutenção impossível

"Código espaguete" 📖 sem documentação tornava qualquer evolução um risco.

🕰️ Linha do tempo

1960s

Complexidade cresce com mainframes 📖. Projetos como SAGE 📖 e OS/360 falham sistematicamente [3].

1968

Conferência da OTAN em Garmisch cunha o termo "crise do software" [1].

1970

Royce descreve o modelo cascata [5].

1970–80s

Linguagens estruturadas (C, Pascal), programação modular 📖 e primeiras ferramentas CASE 📖.

1986

Boehm propõe o modelo espiral [6]. Brooks publica "No Silver Bullet" [7].

1990s

CMM 📖, orientação a objetos 📖 e padrões de projeto (GoF) [8].

2001

Manifesto Ágil [9].

2. Modelo Cascata

O modelo cascata (waterfall) foi o primeiro modelo de ciclo de vida de software formalizado. Descrito por Winston Royce em 1970 [5], propõe que o desenvolvimento avance em fases sequenciais — como água descendo uma cascata — onde cada fase deve ser concluída antes que a próxima se inicie.

🔢 As seis fases Sequencial

Requisitos

Levantamento e documentação completa. O cliente aprova antes de prosseguir.

Projeto (design)

Arquitetura, módulos, banco de dados e interfaces — tudo antes de codificar.

Implementação

Codificação do sistema com base no projeto aprovado.

Testes

Verificação e validação contra os requisitos documentados.

Implantação

Entrega e instalação no ambiente do cliente.

Manutenção

Correções, adaptações e melhorias ao longo da vida útil.

⚠ Curiosidade

Royce nunca defendeu o cascata puro. No artigo original, ele já sugeria ciclos de feedback entre fases — mas a indústria adotou apenas a versão sequencial simplificada [5].

❌ Limitações e críticas

A principal fragilidade é a premissa de que os requisitos podem ser completamente definidos no início [10]. Se um erro só é descoberto na fase de testes, o custo de correção é exponencialmente maior [4].

O cliente só vê o sistema funcionando na etapa final, quando mudanças significativas são quase inviáveis. Essa rigidez motivou a busca por modelos alternativos.

3. Modelo Espiral

Proposto por Barry Boehm em 1986 [6], o modelo espiral combina o cascata com prototipagem 📖 e adiciona a análise de riscos como atividade central de cada ciclo.

🌀 Os quatro quadrantes Boehm, 1986

Planejamento

Definir objetivos, alternativas e restrições para esta iteração.

Análise de riscos

Identificar riscos técnicos, de custo e de prazo. Se o risco for inaceitável, o projeto pode ser cancelado.

Desenvolvimento e testes

Projetar, codificar e testar o incremento planejado.

Avaliação do cliente

O cliente revisa o resultado e fornece feedback para a próxima volta.

💡 Quando usar

Especialmente adequado para projetos grandes e de alto risco — sistemas militares e aeroespaciais — onde o custo de fracasso é extremamente elevado [10].

4. Modelo Iterativo e Incremental

Em vez de entregar tudo no final, o sistema é construído em partes. Cada incremento passa por um mini-ciclo completo de análise, projeto, codificação e testes [4].

🔄 Iterativo vs. incremental Conceitos

↻

Iterativo = refinar

Cada ciclo melhora o que já existe. Como um pintor que faz um esboço, depois adiciona detalhes e cor.

Incremental = adicionar

Cada ciclo entrega uma parte nova e funcional. Como construir uma casa cômodo por cômodo.

Na prática, quase sempre se combinam. As metodologias ágeis — Scrum 📖, XP 📖, Kanban 📖 — são a evolução direta desse modelo [9].

5. Comparativo dos Modelos

Nenhum modelo é universalmente superior — cada um se adequa a contextos diferentes [10]:

📋 Cascata vs. espiral vs. iterativo

Critério	Cascata	Espiral	Iterativo
Fluxo	Linear, uma passada	Ciclos com análise de risco	Mini-ciclos de entrega
Requisitos	Fixos no início	Refinados a cada volta	Evoluem continuamente
Entrega	Somente no final	Protótipos + produto final	Incrementos funcionais
Feedback	Só na entrega	A cada volta	A cada incremento
Custo de mudança	Muito alto	Médio	Baixo
Risco	Alto	Controlado	Moderado
Ideal para	Requisitos estáveis	Projetos grandes, alto risco	Maioria dos projetos modernos

6. Padrões de Projeto (Design Patterns)

Padrões de projeto são soluções reutilizáveis para problemas recorrentes no design de software. O conceito foi popularizado pelo livro de Gamma, Helm, Johnson e Vlissides — o Gang of Four — que catalogou 23 padrões em três categorias [8].

💡 O que são

Não são código pronto, mas receitas documentadas que descrevem como estruturar classes e objetos para resolver um tipo específico de problema de forma elegante. Funcionam como um vocabulário compartilhado entre engenheiros.

🏭 Criacionais — como criar objetos 5 padrões

Singleton

Uma única instância global

Factory Method

Subclasses decidem o que criar

Abstract Factory

Famílias de objetos relacionados

Builder

Construção passo a passo

Prototype

Clonagem de instâncias

🧩 Estruturais — como compor objetos 7 padrões

Adapter

Traduz interfaces incompatíveis

Facade

Interface simplificada

Decorator

Adiciona responsabilidades

Composite

Árvore parte-todo

Bridge

Separa abstração e implementação

Flyweight

Compartilha estado comum

Proxy

Substituto controlado

💬 Comportamentais — como objetos interagem 11 padrões

Observer

Notificação um-para-muitos

Strategy

Algoritmos intercambiáveis

Command

Encapsula requisições

Iterator

Percorre coleções

State

Comportamento por estado

Template Method

Esqueleto de algoritmo

Mediator

Centraliza comunicação

Chain of Resp.

Cadeia de tratadores

Visitor

Operação sobre estrutura

Memento

Captura estado para undo

Interpreter

Avalia gramáticas

7. Legado e Lições

A Crise do Software nunca teve uma resolução definitiva — como argumentou Brooks, a complexidade essencial do software é irredutível [7].

O que houve foi uma resposta acumulativa: o cascata [5] mostrou que era preciso ter processo; o espiral [6] mostrou que era preciso gerenciar riscos; o modelo iterativo mostrou que era preciso obter feedback rápido; e o Manifesto Ágil [9] combinou tudo com foco em pessoas e adaptação contínua.

Os padrões de projeto [8] contribuíram com um vocabulário compartilhado que permitiu comunicar soluções complexas de forma precisa e eficiente.

🚀 Conclusão

A grande lição da Crise do Software é que não basta escrever código — é preciso engenharia: processo, gestão de riscos, feedback, colaboração e reutilização de conhecimento. A crise não acabou; aprendemos a conviver com a complexidade.

📖 Glossário de Termos Técnicos

OTAN (em inglês: NATO — North Atlantic Treaty Organization)

Organização do Tratado do Atlântico Norte, aliança político-militar intergovernamental fundada em 1949. Em 1968, o comitê científico da OTAN patrocinou a conferência em Garmisch (Alemanha) que cunhou o termo "engenharia de software" e diagnosticou formalmente a crise do software [1].

Mainframe

Computador de grande porte, com alta capacidade de processamento e armazenamento, utilizado por grandes organizações para tarefas críticas como processamento de transações em lote, censos e cálculos científicos. Nas décadas de 1960–70, o crescimento da complexidade dos mainframes evidenciou a incapacidade da indústria de produzir software na mesma escala [4].

SAGE (Semi-Automatic Ground Environment)

Sistema de defesa aérea automatizado dos Estados Unidos, desenvolvido entre os anos 1950 e 1960. Foi um dos maiores projetos de software da época, envolvendo milhares de programadores e milhões de linhas de código. Seus desafios ilustraram os primeiros sinais da crise do software [4].

OS/360

Sistema operacional desenvolvido pela IBM para a família de computadores System/360 na década de 1960. Considerado um dos projetos de software mais problemáticos da história: atrasou anos, ultrapassou amplamente o orçamento e foi entregue com milhares de defeitos. Frederick Brooks liderou o projeto e narrou suas lições no livro The Mythical Man-Month [3].

Código espaguete (spaghetti code)

Termo pejorativo para código-fonte com fluxo de controle complexo, emaranhado e sem estrutura clara, difícil de ler, manter e depurar. O nome faz analogia com um prato de espaguete, em que os fios se entrelaçam de forma caótica. Era um problema comum antes da adoção da programação estruturada [4].

Programação modular

Paradigma de desenvolvimento que consiste em dividir um programa em módulos independentes e coesos, cada um responsável por uma funcionalidade específica. Os módulos podem ser desenvolvidos, testados e mantidos separadamente, promovendo reuso e reduzindo a complexidade global do sistema [10].

Ferramentas CASE (Computer-Aided Software Engineering)

Classificação que abrange todas as ferramentas baseadas em computadores que auxiliam atividades de engenharia de software, desde análise de requisitos e modelagem até programação e testes. Surgiram nos anos 1980 como tentativa de automatizar e padronizar o processo de desenvolvimento [10].

CMM (Capability Maturity Model)

Modelo de maturidade de capacidade desenvolvido pelo SEI (Software Engineering Institute) da Carnegie Mellon University em 1991. Define cinco níveis de maturidade organizacional para o processo de desenvolvimento de software — de "inicial" (caótico) a "otimizado" (melhoria contínua). Foi posteriormente expandido para o CMMI [11].

Orientação a objetos (Object-Oriented Programming — OOP)

Paradigma de programação baseado no conceito de "objetos", que encapsulam dados (atributos) e comportamentos (métodos) em unidades coesas. Seus pilares são: encapsulamento, herança, polimorfismo e abstração. Linguagens como Smalltalk, C++ e Java popularizaram o paradigma, que se tornou dominante a partir dos anos 1990 [4].

Prototipagem (prototyping)

Abordagem de desenvolvimento em que uma versão preliminar e simplificada do sistema (protótipo) é construída rapidamente para validar requisitos, testar conceitos e obter feedback do usuário antes de investir no desenvolvimento completo. Pode ser descartável (usada apenas para aprendizado) ou evolutiva (refinada até se tornar o produto final) [10].

Scrum

Framework ágil para gestão e desenvolvimento de produtos complexos. Organiza o trabalho em ciclos curtos chamados sprints (tipicamente 2 a 4 semanas), com papéis definidos (Product Owner, Scrum Master, equipe de desenvolvimento) e cerimônias regulares (planejamento, revisão, retrospectiva e reuniões diárias) [12].

XP (Extreme Programming)

Metodologia ágil criada por Kent Beck no final dos anos 1990, focada em práticas de engenharia de software como programação em par, desenvolvimento orientado a testes (TDD), integração contínua, refatoração constante e entregas frequentes. Enfatiza feedback rápido e simplicidade [13].

Kanban

Método de gestão visual do fluxo de trabalho, originado no sistema de produção da Toyota e adaptado para desenvolvimento de software por David Anderson. Utiliza um quadro com colunas representando etapas do processo e cartões representando itens de trabalho. Seus princípios incluem limitar o trabalho em progresso (WIP) e otimizar o fluxo contínuo [14].

Referências

[1] NAUR, Peter; RANDELL, Brian (ed.). Software Engineering: report on a conference sponsored by the NATO Science Committee. Garmisch, Germany: NATO, 7–11 Oct. 1968. Brussels: Scientific Affairs Division, NATO, 1969. Disponível em: http://homepages.cs.ncl.ac.uk/brian.randell/NATO/nato1968.PDF. Acesso em: 14 mar. 2026.
[2] THE STANDISH GROUP. CHAOS Report. Boston: The Standish Group International, 1995.
[3] BROOKS, Frederick P. The Mythical Man-Month: essays on software engineering. Reading, MA: Addison-Wesley, 1975. ISBN 0-201-00650-2.
[4] PRESSMAN, Roger S.; MAXIM, Bruce R. Engenharia de software: uma abordagem profissional. 9. ed. Porto Alegre: AMGH, 2020. ISBN 978-85-8055-534-1.
[5] ROYCE, Winston W. Managing the development of large software systems. In: PROCEEDINGS OF IEEE WESCON, Los Angeles, 1970. Proceedings [...]. New York: IEEE, 1970. p. 1–9.
[6] BOEHM, Barry W. A spiral model of software development and enhancement. ACM SIGSOFT Software Engineering Notes, New York, v. 11, n. 4, p. 14–24, Aug. 1986. DOI: 10.1145/12944.12948.
[7] BROOKS, Frederick P. No silver bullet: essence and accidents of software engineering. Computer, Washington, v. 20, n. 4, p. 10–19, Apr. 1987. DOI: 10.1109/MC.1987.1663532.
[8] GAMMA, Erich; HELM, Richard; JOHNSON, Ralph; VLISSIDES, John. Design Patterns: elements of reusable object-oriented software. Reading, MA: Addison-Wesley, 1994. ISBN 0-201-63361-2.
[9] BECK, Kent et al. Manifesto for Agile Software Development. 2001. Disponível em: https://agilemanifesto.org/. Acesso em: 14 mar. 2026.
[10] SOMMERVILLE, Ian. Engenharia de software. 10. ed. São Paulo: Pearson Education do Brasil, 2016. ISBN 978-85-430-1968-2.
[11] PAULK, Mark C. et al. Capability Maturity Model for Software, Version 1.1. Pittsburgh: Software Engineering Institute, Carnegie Mellon University, 1993. (Technical Report CMU/SEI-93-TR-024). Disponível em: https://resources.sei.cmu.edu/library/asset-view.cfm?assetid=11955. Acesso em: 15 mar. 2026.
[12] SCHWABER, Ken; SUTHERLAND, Jeff. The Scrum Guide: the definitive guide to Scrum: the rules of the game. 2020. Disponível em: https://scrumguides.org/. Acesso em: 15 mar. 2026.
[13] BECK, Kent; ANDRES, Cynthia. Extreme Programming Explained: embrace change. 2. ed. Boston: Addison-Wesley, 2004. ISBN 0-321-27865-8.
[14] ANDERSON, David J. Kanban: successful evolutionary change for your technology business. Sequim, WA: Blue Hole Press, 2010. ISBN 978-0-9845214-0-1.

Introdução à programação usando Python

noreply@blogger.com (War) — Thu, 12 Mar 2026 05:20:00 -0300

📚 Neste artigo você vai aprender

1 O que é Programação?
2 Algoritmo
3 Linguagem de Alto Nível
4 A Linguagem Python
5 Interpretada vs. Compilada
6 Tipagem Dinâmica e Forte
7 Variáveis
8 Tipos Primitivos
9 Operadores
10 Precedência de Operadores
11 Entrada de Dados (input)
12 Saída de Dados (print)

1. O que é Programação?

Programar é a arte de comunicar instruções precisas a um computador para que ele execute tarefas específicas. Trata-se de um processo criativo e lógico que envolve a decomposição de problemas complexos em etapas menores e bem definidas, que a máquina é capaz de compreender e executar. Assim como um chef de cozinha segue uma receita, o programador descreve, passo a passo, o que o computador deve fazer.

A programação está presente em praticamente todos os aspectos da vida moderna: nos aplicativos de celular, nos sistemas bancários, nos veículos autônomos e até nos eletrodomésticos inteligentes. Aprender a programar, portanto, é desenvolver uma habilidade fundamental para o século XXI. Conforme aponta (MATTHES, 2019), a programação é uma das competências mais valorizadas no mercado de trabalho atual, e Python se destaca como uma das linguagens mais acessíveis para quem está começando.

💡 Definição

Programação é o processo de criação de um conjunto de instruções que dizem ao computador como realizar uma tarefa. Essas instruções são escritas em uma linguagem de programação, que serve como intermediária entre a linguagem humana e a linguagem da máquina.

2. Algoritmo: O Roteiro do Programa

Antes de escrever qualquer linha de código, o programador precisa planejar a solução do problema. Esse planejamento é expresso por meio de um algoritmo: uma sequência finita, ordenada e não ambígua de passos que, quando seguidos, conduzem à solução de um problema ou à realização de uma tarefa.

"Um algoritmo é qualquer procedimento computacional bem definido que toma algum valor, ou conjunto de valores, como entrada e produz algum valor, ou conjunto de valores, como saída. Um algoritmo é, portanto, uma sequência de passos computacionais que transformam a entrada na saída." (CORMEN et al., 2009, p. 5, tradução nossa)

Um algoritmo pode ser representado de diversas formas: em linguagem natural (texto), por meio de fluxogramas (diagramas visuais) ou em pseudocódigo (uma notação intermediária entre a linguagem humana e a linguagem de programação). O infográfico abaixo ilustra a estrutura básica de um algoritmo na forma de fluxograma:

Figura 1 — Representação de um algoritmo em fluxograma. Fonte: elaborado pelo autor.

Todo algoritmo deve possuir três características essenciais: finitude (deve terminar após um número finito de passos), definição (cada passo deve ser precisamente definido) e efetividade (cada passo deve ser suficientemente básico para ser executado) (CORMEN et al., 2009).

🔢 Exemplo de Algoritmo em Linguagem Natural

Problema: Calcular a média de dois números.
Passos:
1. Leia o primeiro número (N1).
2. Leia o segundo número (N2).
3. Calcule a soma: SOMA = N1 + N2.
4. Calcule a média: MEDIA = SOMA / 2.
5. Exiba o valor de MEDIA.
6. Fim.

3. Linguagem de Alto Nível

Os computadores só entendem a linguagem de máquina, composta por sequências de zeros e uns (código binário). Escrever programas diretamente em binário seria extremamente trabalhoso e propenso a erros. Por isso, foram criadas as linguagens de programação, que funcionam como uma camada de abstração entre o programador e a máquina.

As linguagens são classificadas conforme seu nível de abstração em relação ao hardware:

Nível	Descrição	Exemplos
Baixo nível	Próximas ao hardware; difíceis de ler e escrever	Assembly, Linguagem de Máquina
Médio nível	Combinam características de alto e baixo nível	C, C++
Alto nível	Próximas da linguagem humana; mais fáceis de aprender e usar	Python, Java, JavaScript, Ruby

As linguagens de alto nível possuem uma sintaxe mais próxima da linguagem humana, o que facilita a leitura, a escrita e a manutenção do código. Python é um excelente exemplo de linguagem de alto nível, pois sua sintaxe limpa e expressiva permite que o programador se concentre na resolução do problema, e não nos detalhes técnicos do hardware (PAIVA, 2021).

Figura 2 — Ilustração do processo de interpretação de uma linguagem de alto nível. Fonte: elaborado pelo autor.

4. A Linguagem Python

Python é uma linguagem de programação de propósito geral criada por Guido van Rossum e lançada em 1991. Seu nome é uma homenagem ao grupo de comédia britânico Monty Python. Desde então, Python cresceu exponencialmente em popularidade, tornando-se uma das linguagens mais utilizadas no mundo, com aplicações que vão do desenvolvimento web à inteligência artificial (MATTHES, 2019).

🐍 Por que aprender Python?

Python se destaca por sua sintaxe clara e legível, que se assemelha ao pseudocódigo, tornando-o ideal para iniciantes. Além disso, possui uma vasta comunidade, uma enorme biblioteca padrão e é amplamente utilizado em áreas como ciência de dados, aprendizado de máquina, automação de tarefas, desenvolvimento web e computação científica (SWEIGART, 2020).

Conforme (PAIVA, 2021), Python é uma linguagem de programação de alto nível, interpretada, imperativa, orientada a objetos, funcional, de tipagem dinâmica e forte. Cada uma dessas características será explorada ao longo deste artigo.

Seu Primeiro Programa: "Olá, Mundo!"

Por tradição, o primeiro programa que se escreve em qualquer linguagem exibe a mensagem "Olá, Mundo!" na tela. Em Python, isso é feito com apenas uma linha:

Python — Google Colab

# Meu primeiro programa em Python
print("Olá, Mundo!")
print("Bem-vindo ao universo da programação com Python!")

▶ Saída esperada

Olá, Mundo!
Bem-vindo ao universo da programação com Python!

5. Linguagem Interpretada vs. Compilada

Uma das primeiras distinções importantes no estudo das linguagens de programação diz respeito à forma como o código-fonte é traduzido para a linguagem que o computador entende. Existem dois modelos principais: a compilação e a interpretação.

Figura 3 — Comparação entre o processo de compilação e interpretação. Fonte: elaborado pelo autor.

Linguagem Compilada

Em uma linguagem compilada, o código-fonte é traduzido integralmente para código de máquina por um programa chamado compilador, antes de ser executado. O resultado é um arquivo executável independente. Esse processo é mais rápido em tempo de execução, pois a tradução já foi feita. Exemplos: C, C++ e, em parte, Java (que compila para bytecode).

Linguagem Interpretada

Em uma linguagem interpretada, o código-fonte é lido e executado linha por linha por um programa chamado interpretador, em tempo de execução. Isso torna o processo de desenvolvimento mais ágil, pois não é necessário compilar o programa a cada alteração. Python é uma linguagem interpretada, o que facilita a experimentação e o aprendizado (PAIVA, 2021).

⚠ Nota Técnica

Na prática, Python compila o código-fonte para um formato intermediário chamado bytecode (arquivos .pyc), que é então executado pela Python Virtual Machine (PVM). Esse processo é transparente para o programador e ocorre automaticamente, combinando aspectos de compilação e interpretação para otimizar o desempenho (MATTHES, 2019).

Característica	Compilada	Interpretada (Python)
Tradução	Antes da execução (toda de uma vez)	Durante a execução (linha a linha)
Velocidade de execução	Geralmente mais rápida	Pode ser mais lenta
Portabilidade	Executável depende do SO/hardware	Código roda em qualquer SO com o interpretador
Depuração	Erros apontados na compilação	Erros detectados em tempo de execução
Exemplos	C, C++, Rust	Python, Ruby, JavaScript

6. Tipagem Dinâmica e Forte

Python possui um sistema de tipos com duas características fundamentais que todo iniciante precisa compreender: a tipagem dinâmica e a tipagem forte.

Figura 4 — Ilustração dos conceitos de tipagem dinâmica e forte em Python. Fonte: elaborado pelo autor.

Tipagem Dinâmica

Em Python, você não precisa declarar o tipo de uma variável ao criá-la. O tipo é inferido automaticamente pelo interpretador com base no valor atribuído, e pode mudar ao longo da execução do programa. Isso contrasta com linguagens de tipagem estática, como C ou Java, onde o tipo deve ser declarado explicitamente e não pode ser alterado (PAIVA, 2021).

Python — Tipagem Dinâmica

# Tipagem dinâmica: o tipo muda conforme o valor atribuído
x = 10
print(type(x))   # <class 'int'>

x = "Python"
print(type(x))   # <class 'str'>

x = 3.14
print(type(x))   # <class 'float'>

Tipagem Forte

Apesar de dinâmica, a tipagem em Python é forte: o interpretador não realiza conversões implícitas entre tipos incompatíveis. Isso significa que tentar somar um número com uma string, por exemplo, gera um erro (TypeError), ao contrário do que ocorre em linguagens de tipagem fraca, como JavaScript. Essa característica torna o código Python mais previsível e seguro (MATTHES, 2019).

Python — Tipagem Forte

# Tipagem forte: sem conversão implícita entre tipos incompatíveis
numero = 5
texto = "3"

# A linha abaixo causaria um TypeError:
# resultado = numero + texto  # ERRO!

# A conversão deve ser explícita:
resultado = numero + int(texto)   # Converte "3" para 3
print(resultado)  # Saída: 8

resultado_texto = str(numero) + texto  # Converte 5 para "5"
print(resultado_texto)  # Saída: "53"

7. Variáveis: Guardando Informações

Uma variável é um espaço nomeado na memória do computador onde um valor pode ser armazenado, recuperado e modificado durante a execução de um programa. Em Python, uma variável é criada no momento em que um valor é atribuído a ela, sem necessidade de declaração prévia de tipo (SWEIGART, 2020).

O operador de atribuição em Python é o sinal de igual (=). O nome da variável fica à esquerda e o valor a ser armazenado, à direita. Os nomes de variáveis devem seguir algumas regras: começar com uma letra ou sublinhado (_), não conter espaços e não ser palavras reservadas da linguagem (como if, for, print).

Python — Variáveis

# Criando e usando variáveis em Python
nome = "Ana"           # variável do tipo str
idade = 25             # variável do tipo int
altura = 1.68          # variável do tipo float
estudante = True       # variável do tipo bool

print("Nome:", nome)
print("Idade:", idade)
print("Altura:", altura)
print("É estudante?", estudante)

# Atribuição múltipla
a, b, c = 1, 2, 3
print(a, b, c)  # Saída: 1 2 3

# Verificando o tipo de uma variável
print(type(nome))   # <class 'str'>
print(type(idade))  # <class 'int'>

⚠ Boas Práticas de Nomenclatura

Em Python, a convenção é usar o estilo snake_case para nomes de variáveis: todas as letras em minúsculas, com palavras separadas por sublinhado. Exemplos: nome_completo, ano_nascimento, total_vendas. Evite nomes genéricos como x ou a em programas reais — prefira nomes descritivos que indiquem o propósito da variável.

8. Tipos Primitivos de Dados

Os tipos primitivos são os blocos de construção fundamentais de qualquer programa. Em Python, os quatro tipos primitivos principais são: int, float, str e bool. Cada um representa uma categoria diferente de informação (MATTHES, 2019).

Figura 5 — Os quatro tipos primitivos de dados em Python. Fonte: elaborado pelo autor.

Tipo	Nome	Descrição	Exemplos
`int`	Inteiro	Números inteiros, positivos ou negativos, sem parte decimal	`42`, `-10`, `0`
`float`	Ponto Flutuante	Números reais com parte decimal (ponto flutuante)	`3.14`, `-0.5`, `2.0`
`str`	String (Cadeia de Caracteres)	Sequência de caracteres (texto), delimitada por aspas simples ou duplas	`"Olá"`, `'Python'`
`bool`	Booleano	Valor lógico: verdadeiro (`True`) ou falso (`False`)	`True`, `False`

Python — Tipos Primitivos

# Explorando os tipos primitivos em Python

# int: números inteiros
populacao_brasil = 215000000
temperatura_minima = -5
print(type(populacao_brasil))  # <class 'int'>

# float: números com decimais
pi = 3.14159
preco = 29.90
print(type(pi))  # <class 'float'>

# str: texto (strings)
linguagem = "Python"
mensagem = 'Aprender a programar é incrível!'
print(type(linguagem))  # <class 'str'>
print(len(linguagem))   # 6 (número de caracteres)

# bool: valores lógicos
aprovado = True
reprovado = False
print(type(aprovado))  # <class 'bool'>

# Conversão entre tipos (casting)
numero_str = "42"
numero_int = int(numero_str)    # str → int
numero_float = float(numero_str) # str → float
print(numero_int, numero_float)   # 42  42.0

9. Operadores

Os operadores são símbolos especiais que realizam operações sobre valores e variáveis (chamados de operandos). Python oferece quatro categorias principais de operadores, cada uma com uma finalidade específica (SWEIGART, 2020).

Figura 6 — Os operadores em Python divididos por categoria. Fonte: elaborado pelo autor.

9.1 Operadores Aritméticos

Realizam operações matemáticas sobre valores numéricos (int e float).

Operador	Operação	Exemplo	Resultado
`+`	Adição	`10 + 3`	`13`
`-`	Subtração	`10 - 3`	`7`
`*`	Multiplicação	`10 * 3`	`30`
`/`	Divisão real	`10 / 3`	`3.333...`
`//`	Divisão inteira	`10 // 3`	`3`
`%`	Módulo (resto)	`10 % 3`	`1`
`**`	Potenciação	`2 ** 8`	`256`

Python — Operadores Aritméticos

# Operadores Aritméticos
a = 10
b = 3

print("Adição:",        a + b)   # 13
print("Subtração:",     a - b)   # 7
print("Multiplicação:", a * b)   # 30
print("Divisão real:",  a / b)   # 3.3333...
print("Divisão inteira:", a // b) # 3
print("Módulo (resto):", a % b)  # 1
print("Potenciação:",   2 ** 8)  # 256

# Exemplo prático: calcular área de um círculo
import math
raio = 5
area = math.pi * raio ** 2
print(f"Área do círculo: {area:.2f}")  # 78.54

9.2 Operadores Relacionais (de Comparação)

Comparam dois valores e retornam um resultado booleano (True ou False). São amplamente utilizados em estruturas de decisão (if) e de repetição (while).

Python — Operadores Relacionais

# Operadores Relacionais
x = 10
y = 5

print(x == y)   # False  (igual a)
print(x != y)   # True   (diferente de)
print(x >  y)   # True   (maior que)
print(x <  y)   # False  (menor que)
print(x >= y)   # True   (maior ou igual a)
print(x <= y)   # False  (menor ou igual a)

# Comparando strings
print("Python" == "python")  # False (case-sensitive)
print("abc" < "abd")          # True (ordem lexicográfica)

9.3 Operadores Lógicos

Combinam expressões booleanas e retornam um valor booleano. São essenciais para criar condições compostas em estruturas de controle.

Python — Operadores Lógicos

# Operadores Lógicos: and, or, not
p = True
q = False

# and: verdadeiro somente se AMBOS forem verdadeiros
print(p and q)   # False
print(p and p)   # True

# or: verdadeiro se PELO MENOS UM for verdadeiro
print(p or q)    # True
print(q or q)    # False

# not: inverte o valor lógico
print(not p)     # False
print(not q)     # True

# Exemplo prático: verificar se um número está em um intervalo
numero = 15
em_intervalo = numero >= 10 and numero <= 20
print("Está entre 10 e 20?", em_intervalo)  # True

9.4 Operadores de Atribuição Compostos

Combinam uma operação aritmética com a atribuição, tornando o código mais conciso. Por exemplo, x += 5 é equivalente a x = x + 5.

Python — Operadores de Atribuição Compostos

# Operadores de Atribuição Compostos
contador = 10

contador += 5   # equivale a: contador = contador + 5
print(contador)  # 15

contador -= 3   # equivale a: contador = contador - 3
print(contador)  # 12

contador *= 2   # equivale a: contador = contador * 2
print(contador)  # 24

contador //= 4  # equivale a: contador = contador // 4
print(contador)  # 6

contador **= 2  # equivale a: contador = contador ** 2
print(contador)  # 36

contador %= 5   # equivale a: contador = contador % 5
print(contador)  # 1

10. Precedência de Operadores

Quando uma expressão contém múltiplos operadores, Python segue uma ordem de avaliação chamada precedência de operadores, análoga à ordem de operações matemáticas. Operadores com maior precedência são avaliados primeiro. Parênteses () sempre têm a maior precedência e podem ser usados para forçar uma ordem específica de avaliação (MATTHES, 2019).

Prioridade	Operador(es)	Descrição
1 (maior)	`()`	Parênteses
2	`**`	Potenciação
3	`+x`, `-x`	Sinal positivo/negativo (unário)
4	`*`, `/`, `//`, `%`	Multiplicação, divisão, módulo
5	`+`, `-`	Adição, subtração
6	`==`, `!=`, `>`, `<`, `>=`, `<=`	Comparação
7	`not`	Negação lógica
8	`and`	E lógico
9 (menor)	`or`	OU lógico

Python — Precedência de Operadores

# Precedência de Operadores

# Sem parênteses: * antes de +
resultado1 = 2 + 3 * 4
print(resultado1)  # 14  (3*4=12, depois 2+12=14)

# Com parênteses: altera a ordem
resultado2 = (2 + 3) * 4
print(resultado2)  # 20  (2+3=5, depois 5*4=20)

# Potenciação antes de multiplicação
resultado3 = 2 * 3 ** 2
print(resultado3)  # 18  (3**2=9, depois 2*9=18)

# Expressão mista com operadores lógicos e relacionais
x = 10
resultado4 = x > 5 and x < 20
print(resultado4)  # True

# Dica: use parênteses para deixar o código mais legível!
resultado5 = (x > 5) and (x < 20)
print(resultado5)  # True (mesmo resultado, mais legível)

11. Entrada de Dados: a Função input()

Um programa se torna muito mais útil quando pode receber informações do usuário durante sua execução. Em Python, a função input() permite que o programa pause e aguarde que o usuário digite algo no teclado. O valor digitado é lido como uma string (str), independentemente do que for digitado (SWEIGART, 2020).

⚠ Atenção: input() sempre retorna str!

A função input() sempre retorna uma string. Se você precisar usar o valor digitado como número, é necessário convertê-lo explicitamente usando int() ou float(). Esquecer essa conversão é um dos erros mais comuns entre iniciantes.

Python — Entrada de Dados com input()

# Entrada de Dados com input()

# Lendo um texto
nome = input("Qual é o seu nome? ")
print("Olá,", nome + "! Seja bem-vindo(a) ao Python!")

# Lendo um número inteiro
idade = int(input("Qual é a sua idade? "))
print("Daqui a 10 anos você terá", idade + 10, "anos.")

# Lendo um número decimal
altura = float(input("Qual é a sua altura em metros? "))
print(f"Sua altura é {altura:.2f} metros.")

# Calculando a média de duas notas
nota1 = float(input("Digite a primeira nota: "))
nota2 = float(input("Digite a segunda nota: "))
media = (nota1 + nota2) / 2
print(f"Sua média é: {media:.1f}")

12. Saída de Dados: a Função print()

A função print() é a principal forma de exibir informações na tela em Python. Ela aceita um ou mais argumentos separados por vírgula e os exibe na saída padrão (normalmente o terminal ou o console do Colab). A função print() possui parâmetros opcionais que permitem personalizar a saída (MATTHES, 2019).

Python — Saída de Dados com print()

# Saída de Dados com print()

# Uso básico
print("Olá, Mundo!")

# Múltiplos argumentos (separados por espaço por padrão)
nome = "Carlos"
idade = 22
print("Nome:", nome, "| Idade:", idade)

# Parâmetro sep: define o separador entre os argumentos
print("Python", "é", "incrível", sep="-")  # Python-é-incrível

# Parâmetro end: define o que vem ao final (padrão é \n)
print("Linha 1", end=" | ")
print("Linha 2")  # Linha 1 | Linha 2

# f-strings: a forma mais moderna e legível de formatar saída
produto = "Notebook"
preco = 3499.90
quantidade = 2
total = preco * quantidade
print(f"Produto: {produto}")
print(f"Preço unitário: R$ {preco:.2f}")
print(f"Quantidade: {quantidade}")
print(f"Total: R$ {total:.2f}")  # Total: R$ 6999.80

Exemplo Integrador: Calculadora de IMC

Para consolidar todos os conceitos estudados, veja a seguir um exemplo prático que combina entrada de dados, variáveis, tipos, operadores e saída de dados para calcular o Índice de Massa Corporal (IMC):

Python — Calculadora de IMC (Exemplo Integrador)

# ================================================
# Calculadora de IMC - Exemplo Integrador
# Conceitos: input, print, variáveis, tipos,
#            operadores aritméticos e relacionais
# ================================================

# Entrada de dados
nome = input("Digite seu nome: ")
peso = float(input("Digite seu peso em kg: "))
altura = float(input("Digite sua altura em metros: "))

# Cálculo do IMC: peso / altura²
imc = peso / (altura ** 2)

# Saída de dados formatada
print(f"\n--- Resultado para {nome} ---")
print(f"Peso: {peso:.1f} kg")
print(f"Altura: {altura:.2f} m")
print(f"IMC: {imc:.2f}")

# Classificação (usando operadores relacionais e lógicos)
if imc < 18.5:
    classificacao = "Abaixo do peso"
elif imc < 25.0:
    classificacao = "Peso normal"
elif imc < 30.0:
    classificacao = "Sobrepeso"
else:
    classificacao = "Obesidade"

print(f"Classificação: {classificacao}")

Conclusão

Ao longo deste artigo, percorremos os conceitos fundamentais do ensino introdutório de programação com Python. Partimos da definição de programação e algoritmo, passamos pela compreensão das linguagens de alto nível, interpretadas e compiladas, e exploramos as características de tipagem dinâmica e forte do Python. Em seguida, colocamos a mão na massa com variáveis, tipos primitivos, operadores, precedência de operadores, entrada e saída de dados.

Python, com sua sintaxe clara e expressiva, é uma porta de entrada excelente para o mundo da programação. Os exemplos apresentados foram projetados para serem executados no Google Colab, uma ferramenta gratuita e acessível que elimina a necessidade de instalação de qualquer software. O próximo passo natural é explorar as estruturas de controle de fluxo (condicionais e laços de repetição), que permitirão criar programas ainda mais poderosos e interessantes.

🚀 Continue Aprendendo!

A programação é uma habilidade que se desenvolve com a prática constante. Modifique os exemplos deste artigo, crie seus próprios programas e não tenha medo de errar — os erros são parte fundamental do processo de aprendizagem. Como afirma (SWEIGART, 2020), a melhor forma de aprender a programar é programando!

Referências

CORMEN, T. H. et al. Introduction to algorithms. 3. ed. Cambridge: MIT Press, 2009. (Tradução brasileira: Algoritmos: Teoria e Prática. 3. ed. Rio de Janeiro: Elsevier, 2012.)

MATTHES, E. Curso Intensivo de Python: Uma Introdução Prática e Baseada em Projetos à Programação. 2. ed. São Paulo: Novatec, 2019.

SWEIGART, A. Automatize Tarefas Maçantes com Python: Programação Prática para Verdadeiros Iniciantes. 2. ed. São Paulo: Novatec, 2020.

MENEZES, N. N. C. Introdução à Programação com Python: Algoritmos e Lógica de Programação para Iniciantes. 3. ed. São Paulo: Novatec, 2019.

PYTHON SOFTWARE FOUNDATION. Python Documentation. Disponível em: <https://docs.python.org/3/>. Acesso em: 12 mar. 2026.

Como Reinventar o Computador do Zero (resumo educacional)

noreply@blogger.com (War) — Sun, 8 Mar 2026 21:01:00 -0300

E se... o mundo como você conhece não existisse mais e você tivesse que recriar a tecnologia do zero? É com isso em mente que Rolandinho e Adrian nos propõe uma viagem pela história e pelos fundamentos na computação.

O roteiro a seguir, extraído de um documentário científico muito inspirado e trabalhoso, funciona como uma verdadeira aula sobre os princípios fundamentais da computação, desmistificando a ideia de que o computador é uma "caixa mágica" e revelando como a humanidade enganou a eletricidade para "pensar" por nós.

⚡ Lógica e Eletricidade: Para entender como um computador "pensa", o vídeo traça uma fascinante linha do tempo, ligando as regras lógicas de Aristóteles à matemática de George Boole, até chegar aos relés eletromagnéticos que permitem à energia tomar decisões usando apenas uns e zeros.
A Magia da Memória: O autor materializa brilhantemente conceitos abstratos ao construir na prática o circuito Flip-Flop, um engenhoso loop de correntes que permite à máquina reter informações e "lembrar" dos dados indefinidamente.
A Diferença Fundamental: Inspirando-se na genial Máquina de Turing, a aula explica como deixamos de reconectar cabos físicos complexos para cada nova tarefa e passamos a usar uma fita de comandos (software) para ditar as ações de uma estrutura física fixa (hardware).

Clique nos botões de tempo no texto para Navegar no vídeo

Como Reinventar o Computador do Zero (Transcrição Editada)

00:00:02 Imagina que você é mais uma das vítimas das viagens no tempo acidentais ou um dos poucos sobreviventes de um apocalipse que destruiu toda a tecnologia da Terra. Já que você não pode voltar pro mundo que vivia, sua única opção vai ser recriar o mundo moderno. E para isso, a melhor estratégia é desenvolver primeiro a ferramenta mais poderosa já criada: está na hora de reinventar o computador do zero. Nós vamos fazer uma viagem por 2.500 anos de história, passando por invenções mirabolantes para entender como partes físicas fundamentais se combinam para revolucionar a civilização humana.

00:15:12 A grande inovação que seria essencial no desenvolvimento de um computador foi a de trazer as leis do pensamento de Aristóteles para dentro das leis da Matemática, através do inglês George Boole. Ele encontrou uma forma de expressar frases lógicas em frases algébricas fazendo com que se conseguisse calcular com facilidade se uma afirmação é verdade ou não, usando apenas um e zero. Mas, para não precisarmos ficar girando manivelas manuais, utilizamos o eletromagnetismo 00:27:37 e reinventamos o relê. Essa invenção traz uma mudança muito importante: agora é possível que o próprio circuito abra ou feche interruptores usando energia. Ou seja, além de pensar por nós, eles também se movem por nós, formando os portões lógicos 00:28:55(AND, OR e NOT).

Uma máquina capaz de encontrar soluções para 00:09:52 problemas de lógica de forma eletrônica.

00:21:51 Circuitos de Portões Lógicos
00:22:44AND
00:22:57OR
00:23:10NOT

00:43:43 Conectando esses portões lógicos de uma forma bem estranha e em loop, nós temos um dos circuitos mais importantes da história: o Flip-flop. Ele consegue "se lembrar" de qual foi o último estado da energia. Ele é a parte mais básica da memória de um computador. Para rodar programas cada vez mais complexos sem precisarmos criar novos circuitos físicos do zero, usamos os conceitos matemáticos de Alan Turing 00:49:10 e sua Máquina Universal. E como prometemos, agora você entende a diferença entre hardware e software 01:05:57. Hardware são os relês e todos os circuitos físicos rígidos que fizemos. Software são os códigos que podemos combinar de múltiplas formas para ditar regras sem mexer em nenhum componente físico. 01:10:52 E são os programadores que constroem esses softwares desde o começo da computação. E para facilitar essa codificação foram sendo criadas linguagens cada vez mais próximas da linguagem humana que depois eram compiladas para a linguagem das máquinas.

01:08:20 Com o passar do tempo, o relê foi substituído por tubos a vácuo e depois veio a invenção de engenharia mais importante do século passado: transformar peças mecânicas gigantescas no minúsculo transistor de silício. Funcionando como um microscópico interruptor, ele possibilitou que computadores muito menores e velozes fossem produzidos em massa, validando a inevitável Lei de Moore e permitindo à humanidade mapear o genoma humano, pisar na Lua e investigar as estrelas.

Capítulos:
00:00:00 Reinventar do zero
02:50:00 Computadores à Manivela
08:00:00 A Racionalidade Humana
17:19:00 Fazendo a Energia Pensar
33:49:00 Pensamentos de um Computador
43:38:00 Como Computadores Lembram
00:49:10 Máquina de Simular Computadores
00:57:23 Idioma das Máquinas
01:11:58 Do pó, para as estrelas
Fonte: Canal Infinitamente (YouTube)
Transcrição editada e resumida para formato de texto.
Fonte:YouTube
Visto no Brasil Acadêmico

A Incrível Evolução dos Computadores (Resumo Educativo)

noreply@blogger.com (War) — Wed, 4 Mar 2026 22:31:00 -0300

O roteiro a seguir, extraído de uma detalhada animação 3D, funciona como uma verdadeira aula multidisciplinar sobre tecnologia, desmistificando a ideia de que a evolução da computação se resume apenas ao encolhimento do tamanho dos componentes.

A Metáfora dos Blocos de Lego: Para tornar tangível o impensável avanço exponencial de cálculos processados, o autor materializa brilhantemente o abstrato "poder de processamento" associando cada operação por segundo a uma peça de Lego. O que era um modesto cubo de legos na década de 40 passa a ser um prédio de dois andares com o lançamento do primeiro iPhone.
A Importância da Manutenção: Ao explicar por que gigantescas válvulas de vidro perduraram mesmo após a invenção do minúsculo transistor, o vídeo evidencia os bastidores da engenharia de diagnóstico: uma válvula queimada embaçava e era fácil de substituir; procurar um microscópico transistor defeituoso invisível entre milhares numa placa era um pesadelo logístico insustentável.
A Miopia Corporativa: A falha da gigante IBM em abraçar os Circuitos Integrados no tempo certo por estar financeiramente presa às suas próprias e rentáveis linhas de montagem obsoletas (o empacotamento SLT) ilustra de forma clara uma clássica lição de gestão estratégica e corporativa frente à inovação.

Clique nos botões de tempo no texto para Navegar no vídeo

A Evolução dos Computadores 1945-2026 (Transcrição Traduzida)

00:00:00 Neste vídeo, exploraremos a evolução dos computadores ao longo dos últimos 80 anos. Começaremos com os imensos computadores mainframes, passaremos para os primeiros computadores pessoais e sistemas de jogos, atravessaremos a virada do milênio rumo à era dos smartphones, dispositivos vestíveis e placas de vídeo e, finalmente, terminaremos no advento da Inteligência Artificial e no futuro da computação. Em essência, este vídeo explorará como, no espaço de poucas décadas, saímos de mainframes do tamanho de uma sala que pesavam tanto quanto um elefante, custavam milhões de dólares e eram usados para calcular trajetórias de foguetes para a NASA e para as missões Apollo 00:00:33, para smartphones que representam uma fração desse tamanho, custo e peso, sendo cerca de 16 milhões de vezes mais poderosos computacionalmente e usados para uma variedade de atividades.

00:01:00 Para fazer este vídeo, construímos modelos 3D precisos de mais de 60 computadores, consoles, smartphones e circuitos integrados. Compramos e desmontamos fisicamente vários desses dispositivos, dessoldamos todos os chips da placa-mãe, tiramos centenas de fotos e modelamos seus componentes internos. Nosso objetivo não é apenas listar especificações mecânicas, mas focar na evolução subjacente da ciência e da engenharia que possibilitou criar aparelhos cada vez menores e mais rápidos, respondendo "por que" e "como" eles evoluíram da maneira que os conhecemos hoje.

00:02:06 Talvez você tenha ouvido falar da Lei de Moore (1965), que previa que o número de transistores num chip dobraria a cada dois anos. Assim, pode-se pensar que a evolução foi apenas uma progressão de transistores cada vez menores. Embora a Lei de Moore tenha sido precisa e muito impactante, focar apenas nela é uma simplificação enganosa. Por exemplo, o Super Nintendo e o Nintendo Switch foram lançados com 26 anos de diferença; nesse tempo, o número de transistores aumentou em 80 mil vezes. No entanto, em termos de poder de processamento, o Switch é cerca de 1,4 milhão de vezes mais poderoso! O aumento exponencial no processamento deve-se a avanços diretos e complexos na arquitetura, indo muito além da simples contagem de transistores.

00:03:30 Podemos dividir essa linha do tempo em 8 eras distintas, cada uma com diferentes avanços tecnológicos únicos. Compreender essas fases explica como companhias lideraram uma geração inteira, mas falharam completamente na adaptação para a próxima. A IBM dominava cerca de 70% do mercado de computadores nas décadas de 50 a 70, mas, com a mudança tecnológica subsequente, perdeu sua liderança e hoje detém menos de 1% do mercado de computadores. Vemos tendências similares no declínio da Intel através dos anos 2010 e na atual ascensão meteórica da Nvidia, alicerçada em suas GPUs para algoritmos de IA.

00:05:18 Para evitar confusões e não nos perdermos num mar de "zeros" na hora de medir a capacidade computacional, usaremos blocos de Lego: igualando uma operação ou cálculo por segundo a um bloco de Lego de dois por quatro. O gigante ENIAC (1945), com suas 5.000 operações de adição por segundo, construiria um modesto cubo de 5.000 peças de Lego. O Super Nintendo (1991), com quase 1,8 milhão de instruções por segundo, forma um cubo capaz de preencher a maior parte de uma sala. O primeiro iPhone (2007), executando 800 milhões de cálculos por segundo, ergueria um prédio de Lego da altura de dois andares!

A Era 1: Transistorização (1945 a 1962). 00:06:27 Começamos com o ENIAC, o primeiro computador programável de uso geral. Construído 2 anos antes da invenção dos transistores, usava 17 mil pesadas válvulas a vácuo, tornando-o imenso. O computador seguinte, o UNIVAC-1, feito seis anos depois (já com transistores inventados no mercado), continuou teimosamente usando as velhas válvulas. 00:07:24 Por quê? Porque os primeiros transistores eram sensíveis a picos de voltagem e propensos a quebrar com frequência. Uma velha válvula de vácuo quebrada ficava com o vidro rachado ou embaçado (fácil de identificar e trocar), mas procurar por um transistor minúsculo defeituoso entre vinte mil num painel seria terrível para a manutenção. 00:08:21 Por essa razão, os cientistas focaram primeiro em aperfeiçoar e empacotar transistores estáveis e confiáveis, mudando a base de germânio para a de silício, até chegar à invenção do MOSFET (1959) e do circuito CMOS (1963), que se tornaram a base e arranjo dos computadores de hoje. 00:09:50 (Lembrando que existiu toda uma complexa evolução paralela também na memória dos sistemas).

A Era 2: Empacotamento de Transistores (1964 a 1977). 00:13:00 Foi a transição dos mainframes do tamanho de salas inteiras para os minicomputadores (tamanho de geladeiras) e desktops. O colosso IBM System 360 estabeleceu de vez o que conhecemos como "arquitetura de computadores padronizada": pela primeira vez o mesmo software rodava em todos os diferentes modelos da marca. O hardware podia ser atualizado apenas plugando novos gabinetes modulares imensos ao sistema original. 00:15:41 Mas, se esses mainframes usavam transistores que já eram do tamanho de sementes de gergelim, por que a máquina de processar as missões Apollo ainda exigia uma sala de 36 milhões de dólares? 00:17:52 Tudo residia na sua Tecnologia Lógica Sólida (SLT): em vez de chips complexos integrados, eles usavam pacotes onde transistores isolados e resistores discretos eram montados separados sob um substrato de cerâmica com uma cobertura de metal. Para ligar portões lógicos E/OU (AND/OR) e ter uma CPU capaz de somar componentes binários, centenas e mais centenas de cabos com placas forradas de SLTs tinham de ser dispostos em fileiras de armários de hardware.

O Advento do Circuito Integrado e as Primeiras CPUs: 00:19:48 Uma tecnologia concebida na mesma época (1958) como via alternativa ditou o futuro: o Circuito Integrado (IC). Diferente do pacote SLT, no circuito integrado os múltiplos resistores, capacitores e transistores eram construídos "simultaneamente" em complexas camadas 3D no mesmo substrato de silício. 00:21:07 Excessivamente caros no começo (passando dos 10.000 dólares), seu uso se restringia a fins extremamente ricos e compactos, como o sistema da navegação Apollo. Mas, com a melhoria acentuada das técnicas de fábrica, chegaram à Integração em Larga Escala (LSI). 00:23:00 Em 1971, a Intel lançou a primeira CPU num único chip acessível no mercado, o Intel 4004 (com 2.300 transistores e blocos de 4 bits). Isso forneceu a centelha que originaria mais tarde, em 1975, o icônico MOS 6502 que, comercializado por baratos US$ 150 (com arquitetura de 8 bits), foi o cérebro fundamental para a trindade da computação que popularizou os desktops em 1977 (como o Apple II) e abriu a rota até para os videogames da Atari e NES.

Como Líderes Ficam para Trás? 00:25:34 Por que a poderosíssima IBM, com 70% do mercado, não esteve à frente das pesquisas nos Circuitos Integrados? Precisamente porque a IBM havia construído colossais plantas e fábricas massivas focadas inteiramente em produzir componentes padronizados de SLT, altamente confiáveis e baratos para ela. Naquele ponto crítico de transição, a corporação achou inviável e irracional drenar dinheiro e desviar fundos de uma velha tecnologia consagrada para apostar nos ainda incipientes, caros e complexos painéis embutidos dos Circuitos Integrados. 00:27:57 Além disso, executivos do mercado acreditavam firmemente que não haveria nenhum interesse prático e financeiro para o computador pessoal no lar de um cidadão comum. Esse engano gigantesco permitiu que a Fairchild, Texas Instruments e a recém-nascida Intel decolassem sozinhas com a miniaturização extrema dos CIs, inaugurando de forma isolada a Terceira Era (1975-2000): a Corrida da Frequência 00:30:01 (onde os processadores saltariam dos Megahertz até quebrar o teto dos Gigahertz de clock). E essa corrida rumo à evolução da arquitetura moderna é assunto para a próxima continuação do vídeo!

Fonte: YouTube
Visto no Brasil Acadêmico

Prototipação em Engenharia de Software: Fundamentos Clássicos e a Revolução Global da IA (2026)

noreply@blogger.com (War) — Sun, 1 Mar 2026 20:40:00 -0300

Atualização de Mercado e Literatura Acadêmica. Esta postagem consolida as visões duas referências literárias da Engenharia de Software e atualiza esses preceitos com o impacto massivo das tendências globais de 2025 e 2026, onde ferramentas de Inteligência Artificial e o ecossistema Low-Code transformaram a velocidade da inovação.

No desenvolvimento de software, a certeza absoluta é uma rara exceção. Em muitas situações, o cliente apresenta apenas objetivos gerais, com notável dificuldade em detalhar as funções e os recursos necessários antes do início do projeto. Para lidar com esse cenário de incerteza e evitar o esgotamento de recursos massivos em um produto inadequado, as equipes de engenharia dispõem de uma poderosa estratégia: o paradigma da prototipação [1].

Figura 1: Paradigma da Prototipação.
Fonte: Diagramado pelo autor com base nas diretrizes conceituais de Pressman e Maxim (2021) [1].

1. O Conceito e o Paradigma da Prototipação

A prototipação é a abordagem mais recomendada quando há insegurança quanto à viabilidade de um algoritmo, à adaptabilidade de um sistema operacional ou à interação humano-computador (IHC) [1].

"O protótipo é uma versão inicial de um sistema utilizado para demonstrar conceitos, experimentar opções de projeto e descobrir mais sobre o problema e suas possíveis soluções." (SOMMERVILLE, 2018, p. 48) [2].

Figura 2: Modelo Espiral.
Fonte: Diagramado pelo autor com base nas diretrizes conceituais de Pressman e Maxim (2021) [1].

O desenvolvimento rápido e iterativo é essencial. O paradigma atua como uma ferramenta de validação, ajudando a responder à pergunta gerencial crítica: "Estamos construindo o produto certo?" [2].

2. O Processo de Desenvolvimento do Protótipo

O ciclo começa obrigatoriamente pela comunicação, mapeando as áreas que necessitam de uma definição mais ampla. A literatura consolida esse processo cíclico em quatro etapas vitais:

Figura 4: Esquematização do processo de construção de protótipos de software.
Fonte: Diagramado pelo autor com base técnica na obra de Sommerville (2018) [2].

3. UX, Requisitos e Estimativas de Esforço

Na engenharia de requisitos, a prototipação é vital. Sem um modelo tangível para testar, dificilmente os clientes conseguirão sugerir requisitos específicos [2]. No Design de Experiência do Usuário (UX), prototipar é a única forma de validar o projetado. A qualidade pode ser inferida antes: analisando o número de tarefas exigidas no esquema de tela, prevê-se a carga de memória e o cansaço do usuário final [1].

Estimando Custos com COCOMO II

Para que os protótipos não se tornem ralos orçamentários sem controle, utiliza-se o modelo de Composição da Aplicação do COCOMO II, voltado a desenvolvimentos ágeis que buscam alto reúso de software preexistente [2]:

PM = (NAP × (1 − %reúso / 100)) / PROD

Onde PM é a estimativa em pessoas-mês; NAP são os pontos da aplicação; %reúso é a taxa de componentes reaproveitados; e PROD é a produtividade base da equipe.

4. A Grande Armadilha: Protótipo vs. Sistema de Produção

Um dos erros técnicos mais perigosos na indústria é ceder à pressão de transformar o protótipo no produto final. Como a interface parece funcional, gerentes e clientes exigem seu lançamento imediato [1]. Contudo, a arquitetura subjacente (segurança, criptografia, escalabilidade do banco de dados) foi intencionalmente negligenciada em prol da velocidade.

Para mitigar esse risco de longo prazo, a engenharia de software exige a adoção prévia de posturas estratégicas claras.

Figura 5: Comparativo entre Fluxo de Processo Linear X Fluxo de Processo Iterativo.
Fonte: Diagramado pelo autor com base nas diretrizes conceituais de Pressman e Maxim (2021) [1].

Protótipo Descartável (Throwaway): Construído estritamente para descobrir requisitos. Após a extração do conhecimento prático com o usuário, o código gerado deve ser, sem exceções, deletado para dar lugar à construção robusta oficial [1].
Prototipação Evolucionária: Integrada às metodologias ágeis, nela a base do sistema é projetada solidamente para não ser jogada fora. O sistema evolui de forma orgânica e controlada a cada iteração (sprint), submetendo-se a rigorosos testes funcionais [1].

5. O Cenário Atual: A Revolução da IA e Tendências (2026)

Se as bases teóricas de governança permanecem incontestáveis, a execução braçal da prototipação sofreu uma disrupção massiva. Em 2026, as Inteligências Artificiais Generativas (IAs) e ecossistemas Low-Code assumiram o papel de co-desenvolvedores no mercado corporativo. Estudos atuais e relatórios da indústria indicam que mais de 42% do código de novos protótipos já é assistido integralmente por IA [4], efetivando a transição do fluxo histórico "Design-First" (desenhar as telas primeiro) para o dinâmico "Intent-First" (gerar a arquitetura a partir da intenção descrita em texto) [3].

Figura 6: Mapeamento estratégico global das tendências de adoção da IA na fase inicial de prototipação da Engenharia de Software.

Fonte: Diagrama vetorial compilado pelo autor a partir de dados da IEEE Computer Society (2025), UnioTech (2026) e ShiftMag (2025) [3] [4] [5].

Conforme mapeado na Figura 3, a assimilação ocorre de formas singulares para suprir as demandas econômicas e regulatórias locais. No Brasil, impulsionado pelo mercado de Fintechs, explodiu a integração de ferramentas "Design-to-Code". Essa abordagem popularizou os "citizen developers" (desenvolvedores cidadãos sem formação formal no backend), aliviando a escassez crítica de engenheiros seniores na fase de ideação [3].

Enquanto isso, a Europa foca no uso dos protótipos de IA como ferramentas de compliance. Em razão de leis como o AI Act, as empresas os empregam de forma preditiva para auditar códigos em busca de violações algorítmicas e gargalos de cibersegurança [5]. Na vanguarda asiática, China e Japão abandonaram o limite da tela plana e apostam na modelagem de Gêmeos Digitais (Digital Twins). A prototipação de softwares de robótica ocorre agora dentro de réplicas tridimensionais do ambiente real [5].

Considerações Finais

A recomendação clássica de Pressman (2021) em "produzir protótipos incrementais altamente interativos" em vez de grandes planos estáticos [1] provou-se exata. Em 2026, os motores de Inteligência Artificial banalizaram a dor de cabeça manual das codificações exploratórias, permitindo que a inteligência humana foque no refinamento da Regra de Negócio. Contudo, o princípio nuclear e irrevogável da disciplina sobrevive intacto: o protótipo existe apenas para acelerar o aprendizado empírico. Transformá-lo impulsivamente no sistema de produção final, desprezando a refatoração arquitetural para ganhar tempo comercial, continua e continuará sendo o maior catalisador do fracasso corporativo.

Referências Bibliográficas

PRESSMAN, R. S.; MAXIM, B. R. Engenharia de software: uma abordagem profissional. 9. ed. Porto Alegre: AMGH (Bookman/McGraw Hill Education), 2021.
QUALIS Capes: Livro Acadêmico (Computação L1/L2)

SOMMERVILLE, I. Engenharia de software. 10. ed. São Paulo: Pearson, 2018.
QUALIS Capes: Livro Acadêmico (Computação L1/L2)

IEEE COMPUTER SOCIETY. How AI Agents Are Transforming Software Engineering and the Future of Product Development. IEEE Computer Magazine, v. 58, n. 5, p. 45-52, 2025.
QUALIS Capes: A1 (Ciência da Computação)

SHIFTMAG. 42% of Code Is Now AI-Assisted! The State of Code 2025. ShiftMag, fev. 2025. Disponível em: https://shiftmag.dev/state-of-code-2025-7978/. Acesso em: 1 mar. 2026.
QUALIS Capes: Não se aplica (Mídia / Portal de Tecnologia)

UNIOTECH. Hardware and Embedded Software Development Trends in 2026. UnioTech Insights, jan. 2026. Disponível em: https://uniotech.org/. Acesso em: 1 mar. 2026.
QUALIS Capes: Não se aplica (Relatório Técnico / Indústria)

Visto no Brasil Acadêmico

ESAF RPG - Novo Jogo Digital de Aventura

noreply@blogger.com (War) — Sat, 3 Jan 2026 21:50:00 -0300

Para você que gosta de um jogo de estratégia do tipo aventura clássica ou para você que quer conhecer ESAF (Escola Sobrenatural de Aprendizes de Feiticeiro) RPG é o título ideal para você experimentar o gênero.

Monstros que povoam esse reino alternativo da tecnomagia tomaram de assalto uma escola de governo e só você pode ajudar. Essa é uma novidade para agitar o cenário dos RPGs, especialmente para quem está começando ou busca uma experiência com um toque de brasilidade e muita inclusão (atualizado em 07/01/2026).

Raízes Clássicas, Toque Moderno e Digital! ✨

O ESAF RPG é um jogo digital no estilo adventure (ou RPG) para iniciantes, mas que bebe direto da fonte dos gigantes! Pense na nostalgia de clássicos como o imortal Dungeon & Dragons 🐉, mas também nas aventuras digitais que marcaram época no Brasil especialmente a partir dos anos 1980!

Ele é uma homenagem aos pioneiros que pavimentaram o caminho, como Wilson F. Martins (de Alcatraz Fuga Impossível - jogo em BASIC que compunha a documentação do microcomputador MSX Expert da saudosa Gradiente), José Maurício Bussab (do lendário Avenida Paulista), e a dupla Renato Degiovani (Amazônia e participação em Pedra da Gávea) e Luis F. Morais (Pedra da Gávea). É a união da tradição do RPG de mesa com a aventura textual brasileira!

Mas calma lá, ele não parou no tempo! O ESAF RPG traz um toque moderno com gráficos ~~vetoriais~~ matriciais super estilosos e até mesmo voz para dar mais imersão à sua jornada. É o melhor dos dois mundos: a essência clássica com a tecnologia de hoje!

Atualização: Nova versão Deluxe traz gráficos matriciais (acima) no lugar dos vetoriais (abaixo).

Brasília, ESAF e Serviço Público no Mapa

Aqui é onde a aventura ganha um sabor único! Além do tradicional folclore europeu e um toque de tecnomagia medieval alternativa que a gente ama, o ESAF RPG faz uma homenagem épica a Brasília, ao serviço público e às escolas de governo! (como ENAP, ESMPU, CEFOR, Instituto Serzedello Corrêa, ILB entre outras tantas).

A inspiração do autor, Alexandre Gomes, começa na arquitetura monumental (de Pedro Paulo de Melo Saraiva), tudo a ver com a Capital Federal, da extinta ESAF (Escola Superior de Administração Fazendária), e vai até os detalhes, como os botões no estilo das placas do DF! É a sua chance de salvar o mundo em um cenário que é a cara do Brasil!

Inclusão e Empatia: Seus Heróis, Suas Regras 💖

A parte mais incrível do ESAF RPG é o foco na inclusão e no desenvolvimento da empatia. O jogo convida você a ir além, oferecendo uma diversidade de heróis, heroínas e heroínes! Sim, você pode escolher o gênero do seu personagem (ou a ausência dele) independente da descrição. Sim, era para agradar a todos do espectro político vigente mas só de agr dessa forma já podem acusar a iniciativa de woke ou isentona.

Quer um exemplo? Imagine jogar com uma mulher ladina, um guerreiro com TDAH, um telepata cadeirante ou um mago com claustrofobia. Cada escolha não é só estética; ela muda a forma como você contorna os problemas do jogo, o próprio roteiro do jogo, sendo uma metáfora poderosa para a vida em sociedade, acessibilidade e os diferentes tratamentos recebidos pelos diferentes indivíduos. É um jogo que te faz pensar, mas sem perder a diversão! 🧠

A Missão É Urgente! ⚔️

Mas não se engane, por trás de todo o fundo ético e moral, o ESAF RPG é pura adrenalina e diversão! A missão é clara e perigosa:

O Palhaço do Mal está liderando forças vindas das catacumbas das mídias sociais para roubar o Amuleto da Ponte do Saber e conquistar a sabedoria eterna!

A você (e o personagem que você escolher) resta a sagacidade e a ousadia necessárias para impedir isso. Talvez seja tarde demais pois, após o palhaço conseguir acesso a sala onde estão as relíquias da escola, seus asseclas passaram a rondar todo o mapa para impedir qualquer intromissão, o que só dificultará sua missão. Mas você ainda contará com um ou outro destemido funcionário resistindo ao desejo de se mandar antes de acabar o expediente para te dar algum auxílio. Mas lembre-se: não há garantias de sucesso, mesmo que você faça tudo certo. Mesmo assim, a ESAF conta com você!

🔗 Jogue Agora Mesmo!

A aventura te espera! Comece sua jornada para salvar a sabedoria eterna:

JOGUE ESAF RPG AQUI!

#ESAFRPG #RPG #AdventureGame #Brasília #Inclusão #NovoJogo #ServiçoPúblico

Visto no Brasil Acadêmico

Marco Referencial de Competências em IA para Professores (UNESCO)

noreply@blogger.com (War) — Sun, 14 Sep 2025 01:04:00 -0300

A UNESCO lançou o guia Marco Referencial de Competências em IA para Professores para nortear os educadores neste novo cenário. Entenda esse guia e como ele pode ajudar você e sua instituição de ensino.

A Inteligência Artificial (IA) está remodelando rapidamente nosso mundo, e a educação não é exceção. A relação tradicional em sala de aula, antes centrada na interação entre professor e aluno, agora se expande para uma dinâmica de três vias: professor, aluno e IA. Reconhecendo essa transformação profunda, a UNESCO (Organização das Nações Unidas para a Educação, a Ciência e a Cultura) lançou o Marco Referencial de Competências em IA para Professores, um guia fundamental para capacitar educadores a navegar neste novo cenário de forma ética, eficaz e segura.[1]

Atualização: Yuma Inzolia, directora de Aprendizaje y Desarrollo de Capacidades de UNESCO IESALC, trouxe essa discussão a sua palestra online na UDF (Brasília. março/2026).

Publicado originalmente em setembro de 2024 e com sua versão em português disponibilizada em julho de 2025, o documento surge como uma resposta à necessidade urgente de orientação, visto que, até 2022, apenas 15 países haviam integrado objetivos de aprendizagem de IA em seus currículos nacionais.[2] O guia se destina a um público amplo, incluindo formuladores de políticas, instituições de formação de professores e, claro, os próprios educadores, oferecendo um caminho claro para o desenvolvimento profissional na era digital.

As 5 Dimensões da Competência em IA

O marco da UNESCO é estruturado em cinco dimensões interligadas, que abrangem desde a mentalidade até a aplicação prática da IA no ensino. São elas:[3]

Mentalidade Centrada no Ser Humano: Coloca as necessidades e os direitos humanos no centro do desenvolvimento e uso da IA.
Ética na IA: Aborda os dilemas e as responsabilidades éticas, garantindo um uso justo e transparente da tecnologia.
Fundações e Aplicações da IA: Fornece o conhecimento conceitual sobre como a IA funciona, incluindo dados, algoritmos e suas principais aplicações.
Pedagogia da IA: Foca em como integrar ferramentas de IA para aprimorar o planejamento de aulas, o ensino e a avaliação, mitigando os riscos associados.
IA para o Desenvolvimento Profissional: Incentiva a aprendizagem contínua e o uso da IA para o próprio crescimento profissional dos professores.

Níveis de Progressão: Uma Jornada de Aprendizagem

Para guiar os educadores em sua jornada, o documento estabelece três níveis de progressão, permitindo uma avaliação contínua e o estabelecimento de metas de aprendizagem:[3]

1. Adquirir : O nível inicial, onde os professores começam a obter os conhecimentos e habilidades mais fundamentais para usar a IA de forma básica.
2. Aprofundar : Neste estágio, espera-se que os educadores integrem a IA de forma proficiente em suas práticas pedagógicas, alinhados às legislações e diretrizes éticas.
3. Criar : O nível mais avançado, no qual os professores desenvolvem um entendimento crítico dos impactos sociais da IA, sendo capazes de contribuir para a formulação de novas políticas e padrões éticos.

A Importância do Marco Referencial

A publicação da UNESCO é mais do que um simples manual; é uma ferramenta estratégica para garantir que a integração da IA na educação seja feita de maneira a proteger os direitos de professores e alunos, promover a inclusão e a equidade, e aprimorar a autonomia humana. Ele serve como uma referência global para que nações desenvolvam seus próprios programas de formação e políticas públicas, assegurando que a educação continue a ser uma força para o bem comum em um futuro cada vez mais tecnológico.[2]

Acesso para Educadores

Para todos os educadores interessados em se aprofundar neste tema essencial, o documento completo está disponível para acesso e download. É uma leitura indispensável para quem busca não apenas entender, mas também moldar o futuro da educação.

[📘 Marco Referencial de Competências em IA para Professores]

O Marco Referencial de Competências em IA para Professores da UNESCO estabelece um framework abrangente organizado em 15 blocos de competências distribuídos em 5 dimensões principais. Cada bloco é estruturado com objetivos curriculares específicos para programas de formação e objetivos de aprendizagem claros para os professores, progredindo através de três níveis distintos de desenvolvimento profissional.

📖 Onde encontrar: O documento completo está disponível em https://unesdoc.unesco.org/ark:/48223/pf0000394280 - Capítulo 4: "As especificações do MRCP-IA" (páginas 33-59) [1]

As 5 Dimensões e seus 15 Blocos de Competências

Dimensão	Blocos de Competências	Foco Principal
1. Mentalidade Centrada no Ser Humano	1.1 Autonomia Humana 1.2 Responsabilidade Humana 1.3 Responsabilidade Social	Proteção dos direitos humanos e autonomia
2. Ética na IA	2.1 Princípios éticos 2.2 Uso seguro e responsável 2.3 Criação conjunta de regras éticas	Uso ético e responsável da IA
3. Fundamentos e Aplicações de IA	3.1 Técnicas e aplicações básicas de IA 3.2 Habilidades de aplicação 3.3 Criar com IA	Conhecimento técnico e conceitual
4. Pedagogia de IA	4.1 Ensino Assistido por IA 4.2 Integração IA-pedagogia 4.3 Inovação pedagógica aprimorada por IA	Integração pedagógica da IA
5. IA para Desenvolvimento Profissional	5.1 Possibilitar a aprendizagem profissional ao longo da vida 5.2 IA para melhorar a aprendizagem organizacional 5.3 IA para apoiar o desenvolvimento profissional	Crescimento profissional contínuo

Os Três Níveis de Progressão

Nível 1 ADQUIRIR

Objetivo geral: Apoiar todos os professores a alcançar um nível básico de competência ou alfabetização em IA exigido pela profissão docente.

Exemplo de Competência (Fundamentos e Aplicações de IA):
OA3.1.1 - "Demonstrar conhecimento conceitual apropriado às suas competências e responsabilidades sobre como os sistemas de IA são desenvolvidos usando dados, algoritmos e arquitetura de computação."

📖 Onde encontrar: [1] páginas 33-45 - Especificações detalhadas para o nível "Adquirir"

Nível 2 APROFUNDAR

Objetivo geral: Professores proficientes em integrar IA com suas práticas pedagógicas, de maneira responsável e de acordo com as legislações nacionais e locais.

Exemplo de Competência (Pedagogia de IA):
OA4.2.1 - "Integrar adequadamente princípios éticos, metodologias pedagógicas centradas no estudante e perspectivas interdisciplinares sobre os objetivos de aprendizagem em suas práticas de design de aprendizagem."

📖 Onde encontrar: [1] páginas 45-52 - Especificações para o nível "Aprofundar"

Nível 3 CRIAR

Objetivo geral: Professores com entendimento crítico dos impactos sociais da IA, contribuindo para a formulação de políticas e padrões éticos.

Exemplo de Competência (IA para Desenvolvimento Profissional):
OA5.3.1 - "Mostrar compromisso e persistência na criação conjunta e no uso de ferramentas e métodos de IA para cumprir suas responsabilidades profissionais e sociais nas sociedades de IA."

📖 Onde encontrar: [1] páginas 52-59 - Especificações para o nível "Criar"

📋 Estrutura dos Objetivos Curriculares e de Aprendizagem

Compreenda como o Marco Referencial organiza as competências em dois tipos complementares de objetivos

Objetivos Curriculares

Para Programas de Formação

Direcionados aos programas de formação e apoio aos professores, definindo o que essas instituições devem implementar para capacitar adequadamente os educadores.

OC[Dimensão].[Bloco].[Número]

💡 Exemplo Prático

OC1.1.1

"Promover o pensamento crítico sobre IA, estimulando os professores a discutir os benefícios versus os riscos de diminuir a autonomia humana."

Objetivos de Aprendizagem

Para Professores Individuais

Especificam o que os professores devem ser capazes de fazer após completar a formação. São resultados mensuráveis e observáveis.

OA[Dimensão].[Bloco].[Número]

🎯 Exemplo Prático

OA1.1.1

"Refletir criticamente sobre os benefícios e riscos da IA em contextos educacionais, demonstrando compreensão dos impactos na autonomia humana."

⚖️ Principais Diferenças

🏫 Objetivos Curriculares (OC)

Focam nas instituições
Definem o que ensinar
Orientam programas de formação
Estabelecem diretrizes curriculares

👨‍🏫 Objetivos de Aprendizagem (OA)

Focam nos professores
Definem competências esperadas
São mensuráveis e observáveis
Permitem avaliação do progresso

Exemplo Resumido
3 - Fundamentos e Aplicações de IA

Progressão através dos Três Níveis

ADQUIRIR Conhecimento Básico

Objetivos Curriculares (OC):

OC3.1.1 - Adaptar o nível de dificuldade do conhecimento conceitual básico sobre IA de acordo com as responsabilidades dos professores e a experiência anterior com IA (...)
OC3.1.2 - Apoiar a utilização prática de ferramentas de IA que sejam relevantes para as responsabilidades dos professores (...)
...
OC3.1.4 - Apoiar os professores a estabelecer sua própria coleção de ferramentas de IA (...)

Objetivos de Aprendizagem (OA):

OA3.1.1 - Demonstrar conhecimento conceitual sobre desenvolvimento de sistemas de IA
OA3.1.2 - Exemplificar o que a IA é e o que ela não é
OA3.1.3 - Localizar e operar ferramentas de IA necessárias para o trabalho diário
...
OA3.1.5 - Começar a consolidar uma coleção pessoal de ferramentas de IA

APROFUNDAR Aplicação Prática

Objetivos Curriculares (OC):

OC3.2.1 - Enriquecer as experiências de “operação e comparação” de ferramentas típicas de IA
OC3.2.2 - Oferecer estruturas consistentes de construção de conhecimento conceitual, facilitando a aprendizagem dos professores baseada em pesquisa, inclusive sobre como um sistema de IA é treinado e testado
...
OC3.2.4 - Oferecer práticas para avaliar a “ética desde o design” das ferramentas de IA

Objetivos de Aprendizagem (OA):

OA3.2.1 - Operar com eficiência as ferramentas de IA comumente usadas na vida cotidiana e na educação
OA3.2.2 - Representar visualmente como os sistemas de IA selecionados funcionam
...
OA3.2.4 - Aplicar com pensamento crítico os conhecimentos e as habilidades para avaliar a ética enraizada no projeto de ferramentas de IA

CRIAR Inovação e Liderança

Objetivos Curriculares (OC):

OC3.3.1 - Estimular a adaptabilidade e a criatividade na personalização de ferramentas de IA
OC3.3.2 - Promover visões críticas sobre IA de código aberto
...
OC3.3.4 - Apoiar os professores a incorporar valores, conhecimentos e habilidades em repositórios existentes de ferramentas educacionais de IA

Objetivos de Aprendizagem (OA):

OA3.3.1 - Conduzir pesquisas originais sobre impactos da IA na educação
OA3.3.2 - Contribuir para a formulação de políticas institucionais e nacionais sobre IA educacional
(...)
OA3.3.4 - Contribuir para um repositório novo ou existente de ferramentas de IA criadas pelo usuário ou adaptadas

Recursos para Educadores

Onde Buscar Informações Detalhadas

🎯 Documento Principal:
[Marco Referencial de Competências em IA para Professores - UNESCO]
Capítulo 4 contém todas as especificações detalhadas dos 15 blocos

🌐 Página Oficial da UNESCO:
Artigo explicativo sobre o Marco Referencial
Visão geral e contexto de criação do documento

📚 Recursos Complementares:
• Análise das 5 dimensões de competências
• Guia prático de implementação
• Perspectiva sobre formação docente

Implementação Prática

Para implementar efetivamente os 15 blocos de competências, os programas de formação devem:

Avaliar o nível atual dos professores em cada dimensão antes de iniciar a formação
Personalizar o percurso de aprendizagem baseado nas necessidades individuais e contextuais
Integrar teoria e prática através de projetos reais e estudos de caso
Promover reflexão crítica sobre os impactos éticos e sociais da IA na educação
Estabelecer comunidades de prática para aprendizagem colaborativa e contínua

💡 Dica para Educadores: O documento da UNESCO recomenda que a progressão através dos níveis seja flexível e adaptada ao contexto local. Nem todos os professores precisam atingir o nível "Criar" em todas as dimensões, mas todos devem alcançar pelo menos o nível "Adquirir" nas competências fundamentais.

O Marco Referencial da UNESCO representa um guia abrangente e estruturado para a formação de professores na era da IA, oferecendo um caminho claro para o desenvolvimento profissional responsável e eficaz. Sua implementação adequada pode transformar significativamente a qualidade da educação e preparar melhor os estudantes para um futuro cada vez mais tecnológico.

Conclusão: Um Futuro Educacional Centrado no Humano

O Marco Referencial de Competências em IA para Professores da UNESCO representa mais que um documento técnico: é uma declaração de princípios sobre como a educação deve evoluir na era digital. Ao estabelecer 15 blocos de competências organizados em 5 dimensões e 3 níveis de progressão, o framework oferece um caminho claro e estruturado para que educadores de todo o mundo desenvolvam as habilidades necessárias para integrar a IA de forma ética, eficaz e centrada no ser humano.

A implementação deste marco não é apenas uma necessidade técnica, mas um imperativo ético. Em um mundo onde a IA pode tanto amplificar desigualdades quanto promover inclusão, a formação adequada de professores torna-se fundamental para garantir que a tecnologia sirva à humanidade, e não o contrário. O futuro da educação depende de nossa capacidade de abraçar a inovação sem perder de vista nossa essência humana.

Referências Bibliográficas

[1] UNESCO. Marco referencial de competências em IA para professores. Autores: Fengchun Miao, Mutlu Cukurova. Paris: UNESCO, 2025. 59 p. ISBN 978-65-86603-49-1 Aplicar título de acordo com o ISBN no projeto Citavi. Disponível em: https://unesdoc.unesco.org/ark:/48223/pf0000394280. Acesso em: 10 set. 2025.

[2] INSTITUTO DANNEMANN SIEMSEN. UNESCO lança guia sobre competências em IA para professores. IDS Notícias, Rio de Janeiro, 9 set. 2024. Disponível em: https://ids.org.br/noticia/unesco-lanca-guia-sobre-competencias-em-ia-para-professores/. Acesso em: 10 set. 2025.

[3] UNESCO. Marco referencial de competências em IA para professores. UNESCO Brasil, Brasília, 16 jul. 2025. Disponível em: https://www.unesco.org/pt/articles/marco-referencial-de-competencias-em-ia-para-professores. Acesso em: 10 set. 2025.

[4] GIANNINI, Fernando. Competências de IA para professores: estrutura e aplicações. Blog Fernando Giannini, 2025. Disponível em: https://fernandogiannini.com.br/competencias-de-ia-para-professores-estrutura-e-aplicacoes/. Acesso em: 10 set. 2025.

[5] PASSOS, Julio. Marco de IA da UNESCO para Professores: guia prático. Blog Julio Passos, 19 jul. 2025. Disponível em: https://juliopassos.com/marco-ia-unesco-professores/. Acesso em: 10 set. 2025.

[6] PUPA EDUCAÇÃO DIGITAL. Marco referencial de competências em IA para professores e estudantes. Pupa Edu Digital, 28 jul. 2025. Disponível em: https://pupaedu.digital/07-marco-referencial-de-competencias-em-ia-para-professores-e-estudantes/. Acesso em: 10 set. 2025.

[7] ASSOCIAÇÃO BRASILEIRA DE MANTENEDORAS DE ENSINO SUPERIOR. Inteligência Artificial e formação docente: o Marco da UNESCO como guia para a educação na era digital. ABMES, Brasília, 23 jul. 2025. Disponível em: https://www.abmes.org.br/colunas/detalhe/2067/inteligencia-artificial-e-formacao-docente-o-marco-da-unesco-como-guia-para-a-educacao-na-era-digital. Acesso em: 10 set. 2025.

Visto no Brasil Acadêmico

Crianças chinesas de 6 anos já aprendem Inteligência Artificial nas escolas

noreply@blogger.com (War) — Mon, 18 Aug 2025 00:00:00 -0300

Em uma jogada estratégica que pode redefinir o futuro da educação global, a China anunciou a implementação obrigatória de aulas de Inteligência Artificial para crianças a partir de 6 anos de idade. Esta iniciativa pioneira coloca o país asiático na vanguarda da educação tecnológica mundial.

Em 13 de maio de 2025, o Ministério da Educação da China lançou diretrizes revolucionárias para integrar a IA nos estágios mais iniciais da educação infantil. Segundo (China Media Project, 2025), esta medida representa uma transformação completa do sistema educacional chinês, alinhada à iniciativa governamental "AI+" mais ampla.

🎓 O Que as Crianças Vão Aprender?

De acordo com as diretrizes oficiais do Ministry of Education (2024), as crianças serão introduzidas aos conceitos-chave que impulsionam a IA, incluindo:

✅ Usos básicos e melhores práticas da tecnologia
✅ Como usar chatbots adequadamente
✅ Ética da Inteligência Artificial
✅ Conceitos de classificação de imagem
✅ Interação com dispositivos inteligentes

Importante: Embora os estudantes possam usar IA como auxílio de aprendizagem, as diretrizes proíbem expressamente o uso de IA generativa sozinha para realizar trabalhos escolares (China Media Project, 2025).

📊 Framework Educacional: Do Jardim de Infância ao Ensino Médio

O Ministério da Educação Chinês desenvolveu um framework abrangente que estrutura o aprendizado de IA em três níveis educacionais, conforme China Media Project (2025):

Nível Educacional	Foco Principal	Conhecimento	Habilidades	Pensamento	Valores e Ética
🌱 Escola Primária (6-12 anos)	Experiência e Interesse	• Consciência básica de tecnologia de IA • Compreensão de reconhecimento de voz • Conceitos de classificação de imagem • Interação com dispositivos inteligentes	• Operação simples de ferramentas de IA • Programação visual • Noções básicas de coleta de dados • Métodos básicos de anotação • Técnicas de anotação	• Pensamento lógico • Iniciação: decomposição de tarefas • Treinamento de pensamento computacional • Fundação: comparação Humano vs IA	• Consciência de segurança • Compreensão de assinatura tecnológica • Proteção de privacidade • Noções básicas: conceitos de identidade digital
🔬 Escola Média (12-15 anos)	Lógica Técnica	• Fluxos de trabalho de aprendizado de máquina • Conceitos de aprendizado supervisionado • Recursos de dados e algoritmos • Cadeias de decisão técnica	• Organização e análise de dados • Resolução de problemas baseada em projetos • Desenvolvimento de agentes inteligentes • Aplicações baseadas em cenários	• Desenvolvimento de pensamento de engenharia • Análise de necessidades • Frameworks tecnológicos • Adaptação tecnológica • Habilidades de avaliação crítica	• Compreensão de estratégia de inovação • Reconhecimento ético de IA • Falso reconhecimento • Consciência de informação • Conceitos de soberania tecnológica
🎯 Ensino Médio (15-18 anos)	Compreensão Estratégica	• Características de IA generativa • Aplicações de cidade inteligente • Implicações de segurança nacional • Impacto de tecnologia estratégica	• Construção de modelos de algoritmo • Otimização de desempenho • Soluções interdisciplinares • Desenvolvimento abrangente de IA	• Domínio do pensamento de sistemas • Análise multidimensional • Integração interdisciplinar • Liderança de projetos de inovação	• Prática de responsabilidade social • Estratégia de tecnologia nacional • Raciocínio ético complexo • Equilíbrio inovação-risco

🏫 Implementação Prática: 8 Horas Anuais Obrigatórias

Segundo (Fore, 2025), as escolas primárias e secundárias de Pequim oferecerão pelo menos 8 horas de aulas de IA por ano acadêmico. Esta carga horária será integrada aos currículos como componente regular, incluindo:

💻

Cursos de
Tecnologia
da Informação

🔬

Disciplinas
de Ciências

🛠️

Atividades
Práticas

🎨

Atividades
Extracurriculares

🌍 Contexto Global: China vs. Estados Unidos

A iniciativa chinesa contrasta drasticamente com a situação educacional americana. Enquanto a China implementa IA obrigatoriamente para crianças de 6 anos, os Estados Unidos enfrentam defasagem significativa, segundo Fore (2025):

🇨🇳 CHINA

✅ IA obrigatória aos 6 anos
✅ 8 horas anuais mínimas
✅ Framework nacional completo
✅ Treinamento de professores

🇺🇸 ESTADOS UNIDOS

📉 Apenas 12 estados com requisitos
📉 6,4% dos estudantes em cursos de CS
📉 US$ 660 bilhões em risco
📉 250 CEOs pedem mudanças

💬 Vozes da Indústria

Sam Altman (OpenAI) enfatiza: "A coisa tática óbvia é ficar realmente bom em usar ferramentas de IA", comparando esta habilidade ao que foi aprender programação para gerações anteriores (Fore, 2025).

Cameron Wilson (Code.org) destaca: "Ciência da computação e IA desbloqueiam uma porta para habilidades que estudantes precisam para prosperar em uma economia que muda a cada minuto", segundo Fore (2025).

🎯 Objetivos Estratégicos da China

Segundo (Reuters, 2025), esta reforma educacional faz parte de uma estratégia nacional mais ampla:

🚀 Meta 2035: Tornar-se uma "Nação de Educação Forte"

🔹 Cultivar talentos inovadores capazes de lidar com desafios futuros
🔹 Moldar a "competitividade central de talentos inovadores"
🔹 Impulsionar as "novas forças produtivas" para o desenvolvimento econômico

👨‍🏫 Formação de Professores

✅ Treinamento especializado em IA para educadores
✅ Recrutamento de profissionais de universidades e empresas de alta tecnologia
✅ Intercâmbio entre escolas urbanas e rurais via plataformas online

🤔 Desafios e Preocupações

Apesar do entusiasmo, o China Media Project (2025) levanta questões importantes sobre pensamento crítico. O sistema educacional chinês, que prioriza conformidade política e lealdade ao Partido Comunista, pode enfrentar contradições ao tentar desenvolver pensamento independente através da IA.

⚖️ Equilíbrio Delicado

🔸 Como desenvolver pensamento crítico mantendo conformidade ideológica?
🔸 Como evitar dependência excessiva da IA?
🔸 Como garantir que estudantes sejam "criadores de IA, não apenas consumidores"?

🌐 Impacto Global e Tendências Futuras

Esta iniciativa chinesa já está influenciando outros países:

🇰🇷

Coreia do Sul
Treinar todos os professores em IA até 2026

🇺🇸

Estados Unidos
Ordem executiva para alfabetização em IA

🌍

Tendência Mundial
IA como habilidade de crescimento mais rápido

🔮 Conclusão: O Futuro Começa Agora

A decisão da China de implementar educação de IA para crianças de 6 anos representa mais que uma reforma educacional - é uma aposta estratégica no futuro. Enquanto outros países ainda debatem a necessidade, a China já está formando a próxima geração de nativos digitais em IA.

A pergunta que fica é: Estamos preparados para um mundo onde crianças chinesas de 6 anos já dominam conceitos de Inteligência Artificial que muitos adultos ainda estão tentando compreender?

📖 Referências

CHINA MEDIA PROJECT. AI Joins China's Primary Schools. Disponível em: https://chinamediaproject.org/2025/05/19/ai-joins-chinas-primary-schools/. Acesso em: 18 ago. 2025.

MINISTRY OF EDUCATION OF THE PEOPLE'S REPUBLIC OF CHINA. MOE issues guidance on how to teach AI in primary and middle schools. Disponível em: http://en.moe.gov.cn/news/press_releases/202412/t20241210_1166454.html. Acesso em: 18 ago. 2025.

FORE, Preston. China's 6-year-olds are being offered AI classes in school—and now 250 CEOs want the lessons to come to America. Fortune, 8 maio 2025. Disponível em: https://fortune.com/2025/05/08/microsoft-airbnb-uber-ceos-demand-computer-science-ai-school-classes-like-china-to-unlock-billions/. Acesso em: 18 ago. 2025.

REUTERS. China to rely on artificial intelligence in education reform bid. Reuters, 17 abr. 2025. Disponível em: https://www.reuters.com/world/asia-pacific/china-rely-artificial-intelligence-education-reform-bid-2025-04-17/. Acesso em: 18 ago. 2025.

📝 Este artigo foi elaborado com base em fontes jornalísticas confiáveis e documentos oficiais do governo chinês, traduzidos e adaptados para o contexto brasileiro.

O Poder do O-soji: Como a Limpeza Vira Educação no Japão

noreply@blogger.com (War) — Wed, 2 Jul 2025 00:00:00 -0300

Como a rotina de limpeza das escolas pelos próprios alunos transforma as crianças japonesas em cidadãos exemplares.

Imagine uma escola onde, ao final de cada dia letivo, você vê crianças de 6 a 18 anos empunhando vassouras, panos e baldes, trabalhando em equipe para limpar meticulosamente suas salas de aula, corredores e até mesmo os banheiros. Para muitos brasileiros, essa cena pode parecer estranha ou até mesmo inadequada. No entanto, no Japão, essa prática milenar chamada O-soji (お掃除) representa muito mais do que uma simples tarefa de limpeza - é uma das ferramentas pedagógicas mais poderosas e transformadoras do sistema educacional japonês [1].

15-20 minutos diários de O-soji [1]
12,5% professores brasileiros sofrem agressões (OCDE) [2]
0% pais japoneses questionam O-soji [2]

🏯 As Raízes Milenares do O-soji: Onde Espiritualidade e Educação se Encontram

Para compreender verdadeiramente a importância do O-soji na formação da criança japonesa, é fundamental mergulhar em suas raízes culturais e históricas. Esta prática não surgiu por acaso, mas emerge de uma filosofia de vida profundamente enraizada nas tradições espirituais japonesas, especificamente no Xintoísmo e no Budismo [1].

No Xintoísmo, a religião nativa do Japão, a ênfase na pureza (kiyome) é um princípio fundamental que permeia todos os aspectos da vida. Para os praticantes xintoístas, a limpeza física não é meramente uma questão de higiene, mas um reflexo direto da pureza espiritual. Manter o ambiente limpo é visto como uma forma de respeito aos kami (divindades) e uma maneira de criar um espaço sagrado propício ao aprendizado e ao crescimento pessoal [1].

O Budismo, por sua vez, contribui com ensinamentos igualmente profundos sobre a importância da limpeza como prática de atenção plena (mindfulness) e disciplina mental. Na tradição budista, manter o ambiente limpo é considerado um exercício para a mente, uma forma de desenvolver o foco, a humildade e a clareza mental. Os monges budistas há séculos praticam a limpeza dos templos como uma forma de meditação ativa [1].

Além das influências religiosas profundas, a prática do O-soji foi significativamente fortalecida durante o período pós-Segunda Guerra Mundial. Com o Japão devastado e recursos extremamente escassos, a responsabilidade coletiva pela manutenção dos espaços públicos tornou-se não apenas uma necessidade prática, mas um símbolo poderoso da união nacional e do esforço conjunto para a reconstrução do país [4].

🎓 A Pedagogia em Ação: Como o O-soji Molda Mentes e Corações

A implementação prática do O-soji nas escolas japonesas revela uma sofisticação pedagógica que vai muito além da aparente simplicidade da atividade. O O-soji não é uma medida de economia ou uma imposição autoritária, mas sim um componente valorizado e formalmente integrado ao currículo escolar japonês, especificamente nas "atividades especiais" (tokubetsu katsudo) [1].

"Na escola, o aluno não estuda apenas as matérias, mas aprende também a cuidar do que é público e a ser um cidadão mais consciente" [2]
- Professor Toshinori Saito

A organização do O-soji segue uma estrutura meticulosamente planejada que maximiza seus benefícios pedagógicos. Os estudantes são divididos em pequenos grupos chamados "han" e as tarefas são distribuídas de forma rotativa para que todos experimentem diferentes responsabilidades. As atividades incluem varrer e esfregar o chão, limpar carteiras, apagar quadros-negros e higienizar os banheiros [1].

Um aspecto particularmente notável é que os professores participam ativamente da limpeza, trabalhando lado a lado com seus alunos. Esta participação serve como um poderoso exemplo de liderança, reforçando a mensagem de que a responsabilidade pelo espaço é de todos, sem exceção [1].

Nas escolas japonesas também não existem refeitórios. Os estudantes comem na própria sala de aula e são eles mesmos que organizam tudo e servem os colegas. Depois da merenda, é hora de limpar a escola, com os alunos divididos em grupos responsáveis por lavar o que foi usado na refeição e pela limpeza da sala de aula, dos corredores, das escadas e dos banheiros [2].

🌟 Os Pilares da Transformação: Benefícios Pedagógicos Comprovados

🎯 Responsabilidade e Consciência Cidadã

Quando as crianças sabem que elas mesmas terão que limpar a sujeira que produzem, desenvolvem naturalmente uma consciência sobre suas ações e seu impacto no ambiente compartilhado. A consciência de que eles mesmos limparão a sujeira que produzem naturalmente os incentiva a manter o ambiente organizado ao longo do dia [1].

🤝 Trabalho em Equipe e Colaboração

O O-soji é uma atividade inerentemente coletiva. Os alunos precisam se organizar, dividir tarefas e colaborar para alcançar um objetivo comum. Isso fortalece os laços sociais e ensina habilidades de cooperação e resolução de problemas, competências cruciais para a vida adulta [1].

🙏 Humildade e Igualdade

Independentemente da origem social ou do desempenho acadêmico, todos os alunos participam da limpeza. Esta prática reforça a ideia de que o trabalho manual é digno e que todos têm a mesma responsabilidade perante a comunidade [1].

🧠 Respeito pelo Espaço Coletivo

Ao cuidarem ativamente de suas salas, os estudantes passam a valorizar o espaço que compartilham. Eles aprendem a respeitar o patrimônio escolar, formando cidadãos mais conscientes com os espaços públicos no futuro [1].

📊 Contrastes Reveladores: O-soji versus Realidades Educacionais Globais

Brasil

12,5% dos professores ouvidos disseram ser vítimas de agressões verbais ou intimidação pelo menos uma vez por semana, segundo a OCDE [2]
Casos de agressão contra professores se tornaram manchetes frequentes [2]
Escolas que "obrigam" alunos a ajudar na limpeza são denunciadas por pais [2]

Japão

0% de pais questionaram a participação do filho na limpeza da escola em 15 anos de observação [2]
Violência escolar é rara. "Desde os tempos antigos, escola e professores são respeitados" [2]
Prática é valorizada como componente pedagógico essencial [1]

🌍 O Impacto Global: Quando o Mundo Reconhece a Sabedoria Japonesa

O reconhecimento internacional da eficácia do O-soji tem levado educadores ao redor do mundo a estudar e adaptar esta prática para seus próprios contextos culturais. Um exemplo notável é o da escola The Grove, no Reino Unido, onde a diretora Hilary Priest implementou uma versão adaptada do O-soji após assistir a um programa de televisão sobre educação japonesa [3].

"Sim, estamos protegendo nossa escola" [3]
- Noah, 6 anos, escola britânica The Grove

A escola britânica adquiriu dez aspiradores de pó e organizou um sistema onde os alunos se revezam na limpeza de suas salas de aula. Os resultados foram impressionantes: "Nós não precisamos aumentar a carga horária do zelador. Na verdade, ele não tem tido muito trabalho na limpeza das salas de aula desde que as crianças começaram a aspirar o pó, há cerca de três meses", relatou a diretora Priest [3].

O impacto cultural do O-soji também se manifesta em contextos internacionais. Durante a Copa do Mundo de 2018 na Rússia, a torcida japonesa chamou atenção mundial ao limpar meticulosamente seus assentos nos estádios após os jogos. Este comportamento é um reflexo direto dos valores cultivados através de práticas como o O-soji desde a infância [3].

🎯 Formação Integral: Mais que Limpeza, uma Filosofia Educacional

Michie Afuso, presidente da ABC Japan, organização sem fins lucrativos que ajuda na integração de estrangeiros e japoneses, observa que a prática "mostra o nível de organização do povo japonês, que aprende desde pequeno a cuidar de um patrimônio público que será útil para as próximas gerações" [2].

A auxiliar bilíngue brasileira Emilia Mie Tamada, que trabalha há mais de 15 anos no sistema educacional japonês, oferece uma perspectiva reveladora: "Neste período, não me lembro de nenhum pai que tenha questionado a participação do filho na limpeza da escola". Ela complementa: "Desde os tempos antigos, escola e professores são respeitados. Os alunos aprendem a cultivar o sentimento de amor e agradecimento à escola" [2].

Esta diferença fundamental na relação entre estudantes, famílias e instituições educacionais não é coincidência, mas resultado direto de práticas como o O-soji que cultivam respeito, responsabilidade e senso de comunidade desde a primeira infância.

🚀 Lições para o Futuro da Educação

À medida que o mundo enfrenta desafios educacionais cada vez mais complexos, práticas como o O-soji oferecem insights valiosos sobre como integrar desenvolvimento acadêmico e formação de caráter. A crescente ênfase em aprendizagem socioemocional nas escolas ao redor do mundo alinha-se perfeitamente com os objetivos do O-soji.

Michie Afuso sugere que "assim como o Brasil tem um programa de intercâmbio com a polícia japonesa, poderíamos ter um na área educacional", referindo-se ao sistema de policiamento comunitário do Japão que foi implantado em algumas cidades do Brasil. A celebração dos 120 anos de relações diplomáticas entre Brasil e Japão seria uma ótima oportunidade para incrementar o intercâmbio na área social [2].

📚 Referências Bibliográficas (ABNT)

[1] PEBSP. O segredo das escolas japonesas que o resto do mundo precisa copiar AGORA. Portal de Educação PEBSP, 1 jul. 2025. Disponível em: https://www.pebsp.com/o-segredo-das-escolas-japonesas-que-o-resto-do-mundo-precisa-copiar-agora/. Acesso em: 1 jul. 2025.

[2] TOBACE, Ewerthon. No Japão, alunos limpam até banheiro da escola para aprender a valorizar patrimônio. BBC News Brasil, 11 nov. 2015. Disponível em: https://www.bbc.com/portuguese/noticias/2015/11/151110_escola_japao_limpeza_et_rb. Acesso em: 1 jul. 2025.

[3] BBC BRASIL. Inspirada no Japão, escola britânica coloca alunos para ajudar na limpeza da escola. BBC News Brasil, 19 out. 2018. Disponível em: https://www.bbc.com/portuguese/internacional-45910136. Acesso em: 1 jul. 2025.

[4] DIA A DIA JP. Disciplina que nasce dentro escola, limpeza nas escolas japonesas. Dia a Dia JP, 31 dez. 2023. Disponível em: https://diaadia.jp/blog/disciplina-que-nasce-dentro-escola-limpeza-nas-escolas-japonesas/. Acesso em: 1 jul. 2025.

[5] ORGANIZAÇÃO PARA A COOPERAÇÃO E DESENVOLVIMENTO ECONÔMICO (OCDE). Teaching and Learning International Survey (TALIS). Paris: OECD Publishing, 2015.

Visto no Brasil Acadêmico

#EducaçãoJaponesa #LimpezaNaEscola #DisciplinaEAprendizado #CiênciasHumanas #PedagogiaInovadora #SucessoEscolar #CulturaJaponesa #AprendizadoCompartilhado #GestãoEscolar

MIT: Como o Cérebro se Beneficia Quando Você Usa IA da Forma Certa

noreply@blogger.com (War) — Fri, 27 Jun 2025 04:58:00 -0300

Pesquisa do MIT Media Lab mostra ós malefícios para o cérebro de se usar os LLMs (como o ChatGPT) mas tembém os benefícios.

Os alertas da pesquisa se mostraram tão impactantes que nem foi submetida à revisão por pares a fim de que guie políticas públicas e tomadores de decisão.

Uma pesquisa inovadora do MIT Media Lab, publicada em 10 de junho de 2025 [1], está aprimorando significativamente nossa compreensão sobre como os modelos de linguagem de grande escala (Large Language Models - LLMs) como o ChatGPT afetam nosso cérebro. Mas aqui está a reviravolta surpreendente: quando usada da forma correta, a IA pode na verdade melhorar significativamente nossa capacidade cognitiva.

O estudo "Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task" (Seu Cérebro no ChatGPT: Acúmulo de Débito Cognitivo ao Usar um Assistente de IA para Tarefa de Escrita de Ensaio), liderado pela pesquisadora Nataliya Kosmyna [1], utilizou eletroencefalografia (EEG) para monitorar diretamente a atividade cerebral de 54 participantes durante 4 meses de experimentos, com 18 participantes completando a sessão final crucial [1].

🎯 A Descoberta que Surpreendeu os Cientistas: Enquanto a mídia tem focado nos aspectos negativos do uso de IA - e eles existem -, a descoberta mais fascinante do estudo passou despercebida por muitos: pessoas que primeiro desenvolveram suas habilidades cognitivas sem IA e depois passaram a usá-la mostraram benefícios neurológicos significativos [2].

🧩 Os Três Grupos do Experimento

Os pesquisadores dividiram os 54 participantes (idades 18-39 anos da região de Boston) em três grupos de 18 pessoas cada [1]:

➫ Grupo LLM: Usou exclusivamente ChatGPT para escrever ensaios
➫ Grupo Search Engine: Utilizou buscas tradicionais no Google
➫ Grupo Brain-only: Escreveu ensaios usando apenas memória e raciocínio

📚 Entendendo os Termos Técnicos da Pesquisa

🎯 SAT (Scholastic Assessment Test): É um exame padronizado amplamente utilizado para admissões em universidades americanas. O teste inclui seções de redação onde os estudantes devem escrever ensaios argumentativos sobre tópicos específicos em tempo limitado. Na pesquisa do MIT, os participantes escreveram ensaios baseados em prompts do SAT - ou seja, temas como ética da filantropia, lealdade e escolhas excessivas - durante 20 minutos por sessão [1].

🔍 NERs (Named Entity Recognition): É uma técnica de processamento de linguagem natural que identifica e classifica entidades nomeadas em textos, como nomes de pessoas, lugares, organizações, datas e eventos. Por exemplo, em uma frase como "Einstein nasceu na Alemanha em 1879", o NER identificaria "Einstein" como pessoa, "Alemanha" como local e "1879" como data. Na pesquisa, o uso excessivo de NERs indicava que os participantes estavam copiando informações específicas diretamente das ferramentas, em vez de processar e integrar o conhecimento de forma original [1].

Na quarta sessão experimental, os grupos foram trocados: quem usava apenas o cérebro passou a usar IA, e vice-versa [1].

🌟 Os Benefícios Surpreendentes do Grupo "Brain-to-LLM"

Aqui está onde a pesquisa se torna verdadeiramente fascinante. Os participantes que primeiro treinaram seu cérebro e depois passaram a usar IA apresentaram resultados extraordinários com dados quantitativos específicos:

❶ Memória Turbinada 🚀
O grupo Brain-to-LLM exibiu recall de memória significativamente maior comparado a todos os outros grupos [1]. Isso significa que eles conseguiam lembrar e acessar informações com mais facilidade e precisão do que aqueles que usaram IA desde o início.

❷ Ativação Cerebral Otimizada 🎯
Os exames de EEG revelaram ativação das áreas occipito-parietais e pré-frontais - regiões cruciais para processamento visual-espacial, atenção e funções executivas [1]. Essa ativação foi similar à observada no grupo que usou buscas tradicionais, indicando um processamento cognitivo mais robusto.

❸ Conectividade Neural Aprimorada 🔗
O mais impressionante: esses participantes mostraram conectividade direcionada mais alta em todas as bandas de frequência do EEG comparado às sessões 1, 2 e 3 do grupo que usou apenas LLM [1]. Isso indica que diferentes regiões do cérebro estavam se comunicando de forma mais eficiente.

❹ Melhor Integração de Informações 📊
O grupo demonstrou melhor integração de conteúdo comparado às sessões anteriores do grupo Brain-only [1], com pontuações principalmente acima da média em todos os grupos [1], uma habilidade crucial na era digital.

⚠️ O Lado Sombrio: Quando a IA Prejudica

Por outro lado, o estudo confirmou preocupações sobre o uso inadequado de IA. Participantes que usaram ChatGPT desde o início mostraram dados quantitativos preocupantes:

🔻 Conectividade neural mais fraca comparada aos outros grupos [1]
🔻 Uso de NERs 50% a 100% maior comparado ao grupo Search Engine (ou seja, copiavam muito mais nomes, datas e informações específicas diretamente) [1]
🔻 Propriedade percebida significativamente reduzida (não se sentiam donos de seus próprios textos) [1]
🔻 Capacidade de citação significativamente reduzida (não conseguiam citar seus próprios ensaios) [1]
🔻 Comportamento de "copiar e colar" com esforço baixo na terceira sessão [1]

🧬 A Ciência por Trás dos Benefícios

O Conceito de "Débito Cognitivo"

A Dra. Marlynn Wei, psiquiatra de Harvard e Yale, explica que o estudo introduz o conceito de "débito cognitivo" - quando a dependência repetida de sistemas de IA pode prejudicar processos cognitivos independentes [3].

"O esforço cognitivo promove crescimento ativo e neuroplasticidade. Quando contornamos o esforço cognitivo com IA, podemos estar prejudicando nossa própria resiliência cognitiva, consciência metacognitiva e codificação de memória." [3]

Por Que o Timing Importa 🕐

Alberto Romero, analista técnico do The Algorithmic Bridge, destaca que o timing é crucial baseado nos dados da pesquisa [4]:

"A sequência de uso - primeiro cérebro, depois IA - faz diferença significativa. Isso sugere que a IA pode melhorar o aprendizado se usada corretamente, não apenas prejudicar." [4]

🚨 O Alerta dos Pesquisadores

A pesquisadora Nataliya Kosmyna decidiu publicar os resultados antes da revisão por pares completa devido à urgência das implicações [2]:

"O que realmente me motivou a publicar agora, antes de esperar uma revisão completa, é que tenho medo de que em 6-8 meses algum formulador de políticas decida 'vamos fazer jardim de infância com GPT'. Acho que isso seria absolutamente ruim e prejudicial. Cérebros em desenvolvimento estão em maior risco." [2]

📊 Dados Quantitativos Específicos da Pesquisa

Participantes e Metodologia:
➫ 54 participantes totais nas sessões 1-3 [1]
➫ 18 participantes completaram a sessão 4 crucial [1]
➫ 18 participantes por grupo (LLM, Search Engine, Brain-only) [1]
➫ 3 tópicos SAT por sessão, 9 opções de tópicos totais [1]
➫ 20 minutos por ensaio (tempo padrão do SAT) [1]

Resultados Quantitativos Específicos:
✓ Grupo Search Engine: 50% a 100% menor uso de NERs comparado ao grupo LLM (menos cópia de informações específicas) [1]
✓ Grupo Brain-to-LLM: Conectividade direcionada mais alta em todas as bandas de frequência comparado às sessões 1, 2, 3 do grupo LLM-only [1]
✓ Grupo Brain-only: Aumentos robustos na conectividade em todas as bandas EEG [1]
✗ Grupo LLM: Conectividade mais baixa devido à adaptação de eficiência neural [1]

🎯 A Mensagem Principal

Esta pesquisa do MIT nos aponta para uma tendência fundamental baseada em dados quantitativos rigorosos de 54 participantes ao longo de 4 meses [1]: a IA não é inerentemente boa ou ruim para nosso cérebro - tudo depende de COMO e QUANDO a usamos.

Quando desenvolvemos primeiro nossas capacidades cognitivas e depois incorporamos a IA como uma ferramenta de aprimoramento, os benefícios podem ser extraordinários, com conectividade neural significativamente maior [1]. Mas quando dependemos dela desde o início, corremos o risco de criar um "débito cognitivo" que pode prejudicar nosso desenvolvimento intelectual.

A chave está em encontrar o equilíbrio perfeito: usar nossa inteligência natural para potencializar a artificial, não o contrário.

📚 Fontes e Referências

KOSMYNA, Nataliya et al. Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task. MIT Media Lab, 2025. Disponível em: https://www.media.mit.edu/publications/your-brain-on-chatgpt/ | ArXiv: https://arxiv.org/abs/2506.08872
CHOW, Andrew R. ChatGPT May Be Eroding Critical Thinking Skills, According to a New MIT Study. TIME Magazine, 23 jun. 2025. Disponível em: https://time.com/7295195/ai-chatgpt-google-learning-school/
WEI, Marlynn. How ChatGPT May Be Impacting Your Brain. Psychology Today, 19 jun. 2025. Disponível em: https://www.psychologytoday.com/us/blog/urban-survival/202506/how-chatgpt-may-be-impacting-your-brain
ROMERO, Alberto. MIT Study: Using ChatGPT Won't Make You Dumb (Unless You Do It Wrong). The Algorithmic Bridge, 19 jun. 2025. Disponível em: https://www.thealgorithmicbridge.com/p/mit-study-using-chatgpt-wont-make

Visto no Brasil Acadêmico

#InteligênciaArtificial #DesenvolvimentoCognitivo #Neurociência #Tecnologia #Inovação #CiênciasHumanas #PsicologiaCognitiva #BenefíciosIA #IAeCérebro #EvoluçãoTecnológica

SURPRESA! Garrafas de Vidro Contêm Mais Microplásticos que as de Plástico

noreply@blogger.com (War) — Sat, 21 Jun 2025 01:52:00 -0300

Estudo francês revela contaminação inesperada de microplásticos em bebidas em garrafas de vidro, entenda.

Resultado Contraintuitivo: Bebidas em garrafas de vidro apresentaram de 5 a 50 vezes mais fragmentos de microplásticos do que aquelas em garrafas plásticas, segundo pesquisa da agência francesa de segurança alimentar.

🧪 O Que a Pesquisa Descobriu

Um estudo recente conduzido pela agência francesa de segurança alimentar ANSES trouxe uma descoberta que contraria todas as expectativas: bebidas vendidas em garrafas de vidro contêm significativamente mais microplásticos do que aquelas comercializadas em embalagens plásticas.

A pesquisa, liderada pelo diretor Guillaume Duflos e pela estudante de doutorado Iseline Chaib, analisou diferentes tipos de bebidas disponíveis no mercado francês, revelando números que surpreenderam até mesmo os próprios pesquisadores.

📊 Os Números Reveladores

100

partículas por litro
em garrafas de vidro

5-50x

menos partículas
em plástico/metal

60%

redução possível
com limpeza adequada

📈 Concentração por Tipo de Bebida:

🍺 Cerveja: 60 partículas por litro

🍋 Limonada: 40 partículas por litro

🥤 Refrigerantes: 30 partículas por litro

💧 Água: 4,5 partículas (vidro) vs 1,6 (plástico)

🍷 Vinho: Níveis baixos mesmo em vidro

🔍 A Origem Inesperada da Contaminação

💡

A Culpada: A tinta das tampas das garrafas de vidro

Os pesquisadores descobriram que as partículas encontradas tinham exatamente a mesma forma, cor e composição química da tinta utilizada nas tampas que selam as garrafas.

O processo de contaminação ocorre de forma sutil: as tampas apresentam pequenos arranhões invisíveis a olho nu, resultantes do atrito durante o armazenamento e transporte. Esses micro-arranhões liberam partículas de tinta que acabam contaminando o conteúdo das garrafas.

"Esperávamos o resultado oposto", admitiu Iseline Chaib, a estudante responsável pela pesquisa. "Foi então que notamos que no vidro, as partículas emergentes das amostras tinham a mesma forma, cor e composição do polímero da tinta externa das tampas."

✅ A Solução Está ao Alcance

Soprar as tampas com ar comprimido

Enxaguar com água limpa

Finalizar com álcool

Resultado: Redução de 60% na contaminação por microplásticos 🎯

🏥 Implicações para a Saúde

⚕️

Embora os microplásticos tenham sido detectados amplamente no meio ambiente e no corpo humano, ainda não existe evidência científica direta de que representem risco à saúde humana.

A pesquisa também não estabeleceu níveis de referência para quantidades potencialmente tóxicas, indicando a necessidade de mais estudos na área.

🎯 Conclusões e Perspectivas

Esta descoberta revoluciona nossa compreensão sobre contaminação por microplásticos em embalagens. Enquanto as garrafas de vidro são tradicionalmente vistas como mais "naturais" e seguras, o estudo demonstra que o sistema de vedação pode ser uma fonte significativa de contaminação.

A boa notícia é que soluções relativamente simples podem fazer uma grande diferença. Melhorias nos processos de fabricação e limpeza das tampas podem reduzir substancialmente a exposição aos microplásticos, oferecendo uma perspectiva otimista para a indústria de bebidas.

📚 Fonte e Referências

Referência ABNT:
FRASQUET, Rébecca. Glass bottles found to contain more microplastics than plastic bottles. Phys.org, 20 jun. 2025. Disponível em: https://phys.org/news/2025-06-glass-bottles-microplastics-plastic.html. Acesso em: 21 jun. 2025.

Pesquisadores: Guillaume Duflos (ANSES) e Iseline Chaib
Instituição: ANSES - Agência Nacional de Segurança Sanitária da Alimentação, do Ambiente e do Trabalho (França)
Publicação científica: Journal of Food Composition and Analysis

Visto no Brasil Acadêmico

#Microplásticos #Sustentabilidade #Saúde #Pesquisa #MeioAmbiente #Ciência

Streaming Brasil: O Guia Completo para Assistir Filmes Sem Pagar Nada

noreply@blogger.com (War) — Fri, 20 Jun 2025 08:33:00 -0300

Você sabia que está cada vez mais fácil assistir filmes em português sem pagar nada? Conheça um pouco dessa verdadeira revolução no acesso a conteúdo audiovisual.

O cenário do entretenimento digital no Brasil está passando por uma transformação extraordinária. Enquanto muitos brasileiros ainda acreditam que assistir a filmes de qualidade online requer assinaturas caras de plataformas internacionais, uma verdadeira revolução silenciosa está acontecendo: o crescimento exponencial dos streamings gratuitos brasileiros.

Em 2025, o consumo de filmes gratuitos online cresceu significativamente no Brasil, impulsionado pela popularidade de aplicativos como Pluto TV, Tubi e uma série de iniciativas nacionais que estão democratizando o acesso à cultura audiovisual [1]. Este movimento representa muito mais do que uma simples alternativa econômica; é uma verdadeira democratização cultural que está colocando o cinema brasileiro e mundial ao alcance de todos os brasileiros, independentemente de sua condição socioeconômica.

"O Brasil vai ter sua própria plataforma de streaming totalmente gratuita. O Governo Federal está preparando um serviço dedicado..." (EM FOCO, 2025) [2]

📅 O Lançamento Mais Esperado de 2025

🎯 TELA BRASIL

Mais de 400 títulos do cinema nacional

Lançamento: 2º semestre de 2025

100% GRATUITO! 🎉

Acessar Ministério da Cultura

O Ministério da Cultura está preparando o que pode ser considerado a maior revolução no streaming brasileiro: o "Tela Brasil". Esta plataforma governamental, com lançamento previsto para o segundo semestre de 2025, promete disponibilizar mais de 400 títulos do cinema nacional de forma completamente gratuita [3].

"democratizar o acesso às produções nacionais, além de enriquecer o panorama do consumo de produções audiovisuais brasileiras e garantindo que a cultura do país seja acessível a todos" (CBN GLOBO, 2025) [3]

🏆 Os Gigantes Nacionais: Plataformas Brasileiras que Já Fazem a Diferença

🎭 Spcine Play: O Tesouro Paulistano

Acessar Spcine Play

O Spcine Play representa uma das iniciativas mais bem-sucedidas de streaming público no Brasil. Esta plataforma, vinculada à Secretaria Municipal de Cultura de São Paulo, oferece um catálogo impressionante focado na cultura paulista e paulistana, mas que transcende as fronteiras regionais com clássicos do cinema brasileiro e obras selecionadas de mostras e festivais de cinema [3].

🌟 Destaques:

Filmes de Hector Babenco: "Carandiru" e "Pixote, a Lei do Mais Fraco"
Coleção completa de Zé do Caixão 🎃
Obras de diretores estreantes
Títulos "raros" não disponíveis em outras plataformas

🏛️ Itaú Cultural Play: Onde Arte e Tecnologia se Encontram

Acessar Itaú Cultural Play

A plataforma gratuita do Itaú é dedicada exclusivamente a produções nacionais, oferecendo um catálogo que inclui filmes, séries, programas de TV e animações antigas e contemporâneas [3].

🎬 Mostras Especiais:

28ª Mostra de Cinema de Tiradentes
"Terror à brasileira" 👻
"Narrativas negras" ✊🏿
"Histórias do cinema brasileiro" 🇧🇷

🌟 Filmes Imperdíveis:

"O Homem Que Copiava" (Jorge Furtado)
"Saneamento Básico, o Filme" (Jorge Furtado)
"Eles Não Usam Black-tie" (Leon Hirszman)

🎪 Cinema #EmCasaComSesc: A Curadoria que Renova

Acessar Cinema Sesc

O Sesc São Paulo oferece uma proposta única no cenário dos streamings gratuitos através do Cinema #EmCasaComSesc. Esta plataforma apresenta um modelo dinâmico onde novos títulos são disponibilizados semanalmente [3].

⚠️ Importante: Os filmes têm permanência temporária - verifique sempre o período de disponibilidade!

🎬 Em Cartaz Atualmente:

"Marvada Carne" (André Klotzel)
"O Segredo dos Seus Olhos" (Juan José Campanella)
"Persona" (Ingmar Bergman)
Documentários: "Lynch/Oz" e "Jango"

🛒 Mercado Play: Quando o E-commerce Encontra o Cinema

Acessar Mercado Play

O Mercado Livre surpreendeu o mercado brasileiro em 2023 ao lançar sua própria plataforma de streaming totalmente gratuita [5].

🎬 Filmes Clássicos dos Anos 80 e 90:

"Curtindo a Vida Adoidado" (1986) 😎
"Corra que a Polícia Vem Aí" (1988) 🚔

✅ Vantagens:

Não precisa de conta no Mercado Livre
Disponível para Smart TV 📺
Totalmente gratuito 💰

📺 Bandplay: A Tradição Televisiva no Digital

Acessar Bandplay

O Grupo Bandeirantes entrou no mercado de streaming com o Bandplay, combinando programação tradicional com conteúdo sob demanda [5].

👨‍🍳 Programas de Destaque:

"Pesadelo na Cozinha" 🔥
"MasterChef" 👨‍🍳
Produções nacionais 🇧🇷

🌟 +SBT: O Legado de Silvio Santos na Era Digital

Acessar +SBT

O aplicativo +SBT representa a continuidade digital do legado de Silvio Santos [5].

🎭 Variedade de Conteúdo:

Programação da TV aberta 📺
Títulos originais 🎬
Séries e documentários 📽️
Conteúdo infantil 👶
Franquia "Hellraiser" 👹

🌊 Iniciativas Municipais: Quando as Cidades Abraçam o Cinema

🏖️ Maricá Filmes: O Pioneirismo Municipal

Acessar Maricá Filmes

A cidade de Maricá, no Rio de Janeiro, tornou-se pioneira no Brasil ao criar sua própria plataforma de streaming municipal [3].

🎞️ Clássicos Históricos:

"Viagem à Lua" (1902) 🚀
"Nosferatu" (1922) 🧛
"O Bandido da Luz Vermelha" (Rogério Sganzerla)

🏛️ Cine Humberto Mauro: A Tradição Mineira

Acessar Cine Humberto Mauro

Minas Gerais contribui para o cenário nacional através do cinema público Humberto Mauro, mantido pela Fundação Clóvis Salgado [3].

🎭 Programação Diversificada:

Clássicos do cinema brasileiro e mundial 🌍
Terror cult 👻
Ficção científica 🚀
Filmes do Prêmio Humberto Mauro 🏆

📚 Cinemateca Brasileira: O Arquivo Nacional Digital

🎞️ Banco de Conteúdos Culturais: Preservação e Acesso

Acessar Cinemateca Brasileira

Desde 2009, esta iniciativa da Cinemateca Brasileira em parceria com a Sociedade Amigos da Cinemateca (SAC) disponibiliza conteúdos digitais relacionados ao campo audiovisual [3].

📽️ Coleções Especiais:

🎬 Glauber Rocha
🎬 Gustavo Dahl
🎬 B. J. Duarte

📁 Tipos de Conteúdo:

Filmes completos 🎬
Fotos históricas 📸
Documentos raros 📄
Capítulos de novelas 📺
Comerciais publicitários 📢

🌍 Plataformas Internacionais com Presença Brasileira

🎬 Pluto TV: O Gigante Global com Alma Brasileira

Acessar Pluto TV

A Pluto TV estabeleceu-se como uma das principais plataformas de streaming gratuito no Brasil, funcionando em mais de 30 dispositivos [6].

📺 Canais Temáticos:

Pluto TV Cine Ação 💥
Pluto TV Cine Sucessos ⭐
TV Brasileira grátis 🇧🇷

📺 Tubi TV: A Biblioteca Infinita

Acessar Tubi TV

A Tubi TV impressiona pela amplitude de seu catálogo, oferecendo mais de 40.000 filmes [7].

🎭 Gêneros Disponíveis:

Ação 💥
Terror 👻
Ficção Científica 🚀
Crime 🕵️
Comédia 😂

✅ Vantagens:

Não requer cartão de crédito 💳
Disponível para Android e iOS 📱
Catálogo gigantesco 📚

🎬 Plex: Diversidade Internacional

Acessar Plex

Mais uma possibilidade para assistir filmes sem gastar nada é o Plex. A plataforma oferece filmes que vão da comédia ao terror, com clássicos como "Django" (1966) [5].

🌟 Características:

Programação "ao vivo" e sob demanda 📺
Séries internacionais 🌍
Muitos conteúdos com áudio original
Disponível em múltiplas plataformas

🌸 Viki: O Portal Asiático

Acessar Viki

O Viki é um aplicativo grátis especializado em filmes asiáticos, com produções da China, Japão, Coreia do Sul, Taiwan e Tailândia [5].

🎬 Destaques:

"Missão Improvável" (2021)
"O Goblin" (2022)
"Always" (2011)
Vários conteúdos com legendas em português

🎯 Características Gerais e Tendências do Mercado

"Todos os streamings gratuitos compartilham características fundamentais que garantem sua sustentabilidade através do modelo AVOD (Advertising Video On Demand)" (OLHAR DIGITAL, 2025) [5]

💰 Modelo de Negócio Sustentável:

Financiamento através de publicidade 📢
Sem necessidade de assinatura 📝
Sem cartão de crédito 💳
Democratização do acesso 🌍

📊 Perfil do Conteúdo:

Foco em filmes clássicos e menos recentes 🎞️
Disponibilidade multiplataforma 📱💻📺
Títulos "raros" não disponíveis em streamings pagos 💎
Curadoria especializada 🎭

🔮 Perspectivas Futuras e Conclusões

🚀 O FUTURO É AGORA!

O lançamento do Tela Brasil no 2º semestre de 2025 promete ser um marco histórico!

🎬 Mais de 400 títulos nacionais gratuitos

🇧🇷 Fortalecimento da identidade cultural brasileira

🌍 Modelo que pode inspirar outros países

O cenário dos streamings gratuitos no Brasil está em constante evolução, com novas iniciativas surgindo regularmente e plataformas existentes expandindo seus catálogos e funcionalidades. O lançamento do Tela Brasil no segundo semestre de 2025 promete ser um marco histórico que pode inspirar outras iniciativas governamentais similares.

Para os usuários brasileiros, este momento representa uma oportunidade única de explorar a riqueza do cinema nacional e internacional sem custos financeiros. A diversidade de opções disponíveis garante que há algo para todos os gostos e idades, desde clássicos históricos até produções contemporâneas, passando por documentários especializados e programas de entretenimento.

O futuro dos streamings gratuitos no Brasil parece promissor, com o potencial de transformar definitivamente a forma como os brasileiros consomem conteúdo audiovisual. Esta revolução silenciosa está democratizando a cultura, fortalecendo a identidade nacional e criando novas oportunidades para artistas e produtores brasileiros. Em um mundo onde o entretenimento de qualidade muitas vezes é privilégio de poucos, o Brasil está construindo um modelo inclusivo que pode inspirar o mundo inteiro. 🌟

📖 Referências

[1] THREADS. DESTAQUE | Em 2025, o consumo de filmes gratuitos online cresce no Brasil. Disponível em: https://www.threads.com/@amostrasgratisshop/post/DK--KIAMRJb/destaque-em-2025-o-consumo-de-filmes-gratuitos-online-cresce-no-brasil-impulsion. Acesso em: 20 jun. 2025.

[2] EM FOCO. Streaming gratuito para todos? Veja como acessar agora! Disponível em: https://www.em.com.br/emfoco/2025/02/05/novidade-streaming-gratuito-para-todos/. Acesso em: 20 jun. 2025.

[3] CBN GLOBO. Além do futuro 'Tela Brasil', conheça streamings gratuitos com produções do cinema brasileiro (e mundial). Disponível em: https://cbn.globo.com/cultura/noticia/2025/02/06/alem-do-futuro-tela-brasil-conheca-streamings-gratuitos-com-producoes-do-cinema-brasileiro-e-mundial.ghtml. Acesso em: 20 jun. 2025.

[4] PORTAL IN. Tela Brasil: saiba como funcionará a plataforma de streaming gratuita com filmes nacionais. Disponível em: https://www.portalin.com.br/sem-categoria/tela-brasil-governo-anuncia-a-plataforma-de-streaming-gratuita-com-filmes-nacionais/. Acesso em: 20 jun. 2025.

[5] OLHAR DIGITAL. 5 apps para assistir filmes de graça online em 2025. Disponível em: https://olhardigital.com.br/2025/06/15/dicas-e-tutoriais/5-apps-para-assistir-filmes-de-graca-online-em-2025/. Acesso em: 20 jun. 2025.

[6] PLUTO TV. Filmes, programas de TV & TV ao vivo online grátis. Disponível em: https://pluto.tv/br. Acesso em: 20 jun. 2025.

[7] TUBI TV. Watch Free Movies and TV Shows Online. Disponível em: https://tubitv.com/. Acesso em: 20 jun. 2025.

[8] UPTODOWN. Tubi TV para Android. Disponível em: https://tubi-tv.br.uptodown.com/android. Acesso em: 20 jun. 2025.

Visto no Brasil Acadêmico

Nova pílula promete queimar gordura sem tirar o apetite

noreply@blogger.com (War) — Wed, 18 Jun 2025 13:40:00 -0300

Seria o EOLO-201 a revolução uruguaia para o tratamento da obesidade?

A obesidade representa um dos maiores desafios de saúde pública do século XXI, afetando mais de 650 milhões de adultos em todo o mundo [1]. Enquanto medicamentos como o Ozempic revolucionaram o tratamento ao suprimir o apetite, uma nova abordagem terapêutica está sendo desenvolvida no Uruguai. O EOLO-201, desenvolvido pela empresa de biotecnologia EOLO Pharma, representa o primeiro medicamento capaz de ativar farmacologicamente a termogênese dependente de creatina em humanos, oferecendo uma alternativa que atua no gasto energético sem afetar o apetite durante o período estudado [2].

⚡ Destaque: O EOLO-201 é o primeiro composto terapêutico a ativar com segurança a termogênese dependente de creatina em humanos, utilizando um mecanismo que aumenta o gasto energético em vez de suprimir o apetite [2].

🔬 O que é o EOLO-201?

O EOLO-201, cientificamente conhecido como SANA (salicylic acid nitroalkene) ou MVD1, é um composto farmacológico em desenvolvimento para o tratamento da obesidade [2]. Este composto é um derivado nitroalceno do ácido salicílico, o mesmo componente ativo encontrado na aspirina, mas com propriedades terapêuticas distintas para o controle de peso [3].

Desenvolvido pela EOLO Pharma, uma empresa de biotecnologia em estágio clínico sediada em Montevidéu, Uruguai, o EOLO-201 nasceu de uma década de pesquisa intensiva em pequenas moléculas conduzida por uma equipe interdisciplinar de cientistas e empreendedores [7]. A empresa, fundada como spin-off do Institut Pasteur de Montevideo e da Universidad de la República (UDELAR), concentra seus esforços no desenvolvimento de moléculas inovadoras para tratar distúrbios não comunicáveis, incluindo condições cardiometabólicas, neurodegenerativas e autoimunes [7].

Característica	EOLO-201 (SANA)	Medicamentos GLP-1
Mecanismo de Ação	Termogênese dependente de creatina [2]	Supressão do apetite e retardo do esvaziamento gástrico [6]
Efeito no Apetite (15 dias)	Não observado no estudo [2]	Reduz significativamente [5][6]
Massa Muscular	Preserva e aumenta (apenas em estudos pré-clínicos com camundongos) [2]	Pode causar perda significativa [5]
Efeitos Gastrointestinais	Não observados no estudo de 15 dias [2]	Comuns (náusea, vômito, dores estomacais) [6]
Perda de Peso Documentada	Cerca de 3% em 15 dias [3]	Wegovy: 6% em 12 semanas, 15% em 68 semanas [5][6]
Fase de Desenvolvimento	Fase 1 (segurança inicial) [2]	Aprovados para uso clínico [5][6]

⚙️ Como Funciona o Mecanismo?

O diferencial do EOLO-201 reside em seu mecanismo de ação. Enquanto os medicamentos tradicionais para obesidade focam na redução do apetite ou na absorção de nutrientes, o EOLO-201 atua diretamente no metabolismo energético celular, especificamente ativando a termogênese dependente de creatina [2].

A termogênese dependente de creatina é um processo metabólico pelo qual as células convertem energia química em calor, aumentando o gasto energético do organismo. Este mecanismo atua principalmente no tecido adiposo [2] [3] [4].

"Esta é a primeira vez que um medicamento demonstrou ativar farmacologicamente a termogênese baseada em creatina, o que pode levar a uma nova abordagem terapêutica para a obesidade em humanos. Abre um caminho terapêutico totalmente novo para obesidade e distúrbios metabólicos, complementar às terapias GLP-1, mas direcionando a capacidade do corpo de queimar energia, e não apenas suprimindo o apetite."

- Dr. Carlos Escande, Chief Scientific Officer e Co-Fundador da EOLO Pharma [2]

O processo funciona através da ativação da respiração mitocondrial no tecido adiposo. Em estudos pré-clínicos com camundongos, o EOLO-201 demonstrou a capacidade de preservar e até mesmo aumentar a massa muscular magra enquanto reduz especificamente a massa gorda, porém estes resultados ainda não foram confirmados em humanos [2].

📊 Resultados do Estudo Clínico de Fase 1

Os resultados do primeiro estudo em humanos do EOLO-201, publicado na revista científica Nature Metabolism em 16 de junho de 2025, demonstraram a segurança inicial do composto em um estudo de curto prazo [2]. O estudo duplo-cego, randomizado e controlado por placebo, conduzido em duas fases (1a/b), teve como objetivo principal avaliar a segurança e tolerabilidade do medicamento em um período de tratamento de 15 dias.

Na fase 1a do estudo, 17 voluntários saudáveis participaram de uma coorte de dose única ascendente (SAD), onde diferentes dosagens do EOLO-201 foram testadas para estabelecer perfis de segurança e tolerabilidade. Paralelamente, na fase 1b, 24 indivíduos com obesidade receberam doses múltiplas ascendentes (MAD) do medicamento por um período de 15 dias consecutivos [2].

Os resultados de segurança foram positivos: o EOLO-201 demonstrou ser seguro e bem tolerado em todos os níveis de dose testados durante o período de 15 dias, sem a ocorrência de eventos adversos graves [2].

📈 Resultados Preliminares Documentados [2]:

Redução estatisticamente significativa do peso corporal comparado ao placebo
Melhorias na glicose em jejum
Redução da resistência à insulina (medida por HOMA-IR)
Resultados obtidos sem mudanças significativas na dieta ou atividade física
Melhorias metabólicas observadas após 15 dias de tratamento

As melhorias na glicose em jejum e na resistência à insulina foram observadas após 15 dias de tratamento, porém a durabilidade e significância clínica destes efeitos ainda precisam ser confirmadas em estudos de longo prazo [2].

🥇 Comparação com Medicamentos Estabelecidos

O EOLO-201 apresenta características distintas quando comparado aos medicamentos atualmente aprovados para o tratamento da obesidade, especialmente os agonistas do receptor GLP-1 como Ozempic, Wegovy e Mounjaro [3] [4]. No entanto, é importante notar que o EOLO-201 ainda está em fase inicial de desenvolvimento (Fase 1), enquanto os medicamentos GLP-1 já passaram por todas as fases de testes clínicos e são aprovados para uso.

A principal diferença reside no mecanismo de ação: enquanto os medicamentos GLP-1 funcionam primariamente através da supressão do apetite e do retardamento do esvaziamento gástrico, o EOLO-201 atua diretamente no metabolismo energético celular [5] [6].

Uma preocupação com os agonistas do receptor GLP-1 é a perda de massa muscular que frequentemente acompanha a perda de peso. Estudos demonstram que a recuperação de peso após a interrupção dos GLP-1 é "normalmente acompanhada por acúmulo de gordura e redução dos músculos", resultando em "maior massa de gordura e menor massa muscular" [5]. Os dados pré-clínicos do EOLO-201 sugerem preservação da massa muscular, mas este benefício ainda não foi confirmado em estudos clínicos com humanos [2].

"Ao final das duas semanas, quem tomou a dose mais alta do medicamento apresentou perda de peso de cerca de 3%, comparável à perda de peso observada em pessoas que tomaram Ozempic e Wegovy."

- Época Negócios [3]

Importante: Esta comparação deve ser interpretada com cautela, pois os medicamentos GLP-1 demonstram perda de peso de 6% em 12 semanas e 15% em 68 semanas [5], enquanto o EOLO-201 mostrou 3% em apenas 15 dias. A eficácia comparativa real só poderá ser determinada através de estudos clínicos de longo prazo.

Os efeitos gastrointestinais, que representam a principal causa de descontinuação dos medicamentos GLP-1, não foram observados no estudo de 15 dias com EOLO-201 [2]. No entanto, a amostra pequena e o período curto de seguimento são insuficientes para descartar completamente a ocorrência de efeitos adversos gastrointestinais em uso prolongado [6].

🏢 EOLO Pharma: Inovação Científica Latino-Americana

A EOLO Pharma representa um exemplo de inovação científica emergindo de centros de pesquisa latino-americanos. Fundada por uma equipe interdisciplinar de cientistas e empreendedores - Carlos Batthyany, Virginia Lopez, Carlos Escande e María Pía Garat - a empresa nasceu como spin-off do Institut Pasteur de Montevideo e da Universidad de la República (UDELAR) do Uruguai [7].

O Institut Pasteur de Montevideo, estabelecido em 2006, é um centro de pesquisa biomédica que se dedica ao estudo de doenças humanas com foco em patologias prevalentes na América Latina. A instituição mantém colaborações científicas com a rede global dos Institutos Pasteur [7].

A trajetória da EOLO Pharma exemplifica como uma década de experiência trabalhando com pequenas moléculas pode resultar em descobertas farmacológicas. A empresa construiu um portfólio baseado em tecnologias patenteadas, focando no desenvolvimento de moléculas para abordar distúrbios não comunicáveis [7].

🌟 Equipe Fundadora da EOLO Pharma [7]:

Carlos Batthyany - Cofundador
Virginia Lopez - Cofundadora
Carlos Escande - Chief Scientific Officer e Cofundador
María Pía Garat - CEO e Cofundadora

🔮 Próximos Passos e Limitações

O sucesso do estudo de Fase 1 do EOLO-201 estabelece as bases para estudos clínicos de Fase 2 e 3, que serão necessários para confirmar a eficácia e segurança em larga escala e estabelecer protocolos de dosagem para diferentes populações de pacientes. Atualmente, os dados disponíveis são limitados a um estudo de 15 dias com 41 participantes.

As pequenas variações observadas em HOMA-IR (resistência à insulina) após 15 dias podem ser transitórias, e nenhum ensaio terapêutico específico em pacientes diabéticos foi realizado. Portanto, qualquer aplicação potencial para diabetes tipo 2 permanece especulativa até que estudos específicos sejam conduzidos [2].

A possibilidade de terapia combinada com medicamentos GLP-1 mencionada pelos executivos da empresa é uma hipótese estratégica, mas não há dados pré-clínicos ou clínicos publicados que confirmem sinergia ou segurança da combinação [2].

Limitações importantes do estudo atual:

Duração muito curta (15 dias)
Amostra pequena (41 participantes)
Foco principal em segurança, não eficácia
Ausência de avaliação de composição corporal em humanos
Necessidade de confirmação em estudos de longo prazo

🎯 Conclusão: Resultados Preliminares Promissores

O EOLO-201 representa uma abordagem farmacológica inovadora no tratamento da obesidade. O estudo de Fase 1 publicado na Nature Metabolism demonstra segurança de curto prazo e sinal preliminar de eficácia, estabelecendo fundamentos para estudos futuros mais robustos.

Os resultados iniciais são encorajadores, mostrando ativação da termogênese dependente de creatina em humanos pela primeira vez. No entanto, é importante enfatizar que se trata de dados muito preliminares de um estudo de segurança de curto prazo.

A eficácia real, segurança de longo prazo e potencial terapêutico do EOLO-201 só poderão ser determinados através de estudos clínicos de Fase 2 e 3, que avaliarão o medicamento em populações maiores e por períodos mais prolongados.

Acompanhe os desenvolvimentos futuros do EOLO-201 conforme novos estudos clínicos forem conduzidos e publicados. 🌟

📚 Referências

ORGANIZAÇÃO MUNDIAL DA SAÚDE. Obesity and overweight. Disponível em: https://www.who.int/news-room/fact-sheets/detail/obesity-and-overweight. Acesso em: 18 jun. 2025.
EOLO USA INC. Eolo Pharma Publishes First-in-Human Study in Nature Metabolism on Novel Obesity Drug Activating Energy-Burning Pathway. Yahoo Finance, 16 jun. 2025. Disponível em: https://finance.yahoo.com/news/eolo-pharma-publishes-first-human-110000873.html. Acesso em: 18 jun. 2025.
TURBIANI, Renata. Aposta no gasto energético: nova droga experimental promete queimar gordura sem tirar o apetite. Época Negócios, 17 jun. 2025. Disponível em: https://epocanegocios.globo.com/ciencia-e-saude/noticia/2025/06/aposta-no-gasto-energetico-nova-droga-experimental-promete-queimar-gordura-sem-tirar-o-apetite.ghtml. Acesso em: 18 jun. 2025.
WIRED. A New Obesity Pill May Burn Fat Without Suppressing Appetite. 2025. Disponível em: https://www.wired.com/story/new-obesity-pill-may-burn-fat-without-suppressing-appetite/. Acesso em: 17 jun. 2025.
COX, David. Ozempic: o que acontece quando se para de tomar o medicamento, segundo estudos. BBC News Brasil, 18 jun. 2024. Disponível em: https://www.bbc.com/portuguese/articles/c9992wgv2lno. Acesso em: 18 jun. 2025.
LUISA, Ingrid. Qual a diferença entre Wegovy, Ozempic e Rybelsus? Veja Saúde, 17 set. 2024. Disponível em: https://saude.abril.com.br/medicina/qual-a-diferenca-entre-wegovy-ozempic-e-rybelsus/. Acesso em: 18 jun. 2025.
EOLO PHARMA. About. Disponível em: https://eolo-pharma.com/about/. Acesso em: 18 jun. 2025.

Este texto é apenas para fins informativos. Para orientação ou diagnóstico médico, consulte um profissional e evite a automedicação.

Visto no Brasil Acadêmico

#PerderPeso #SaúdeEBemEstar #Nutrição #Farmacologia #CiênciasDaSaúde #InovaçõesEmSaúde

Descobertas Científicas Revolucionárias - Junho/2025

noreply@blogger.com (War) — Sat, 7 Jun 2025 07:53:00 -0300

Cinco avanços científicos extraordinários de junho de 2025 que podem estar moldando o futuro da humanidade.

Desde neurociência até astronomia, estas descobertas representam o que há de mais inovador na pesquisa científica global, até agora.

🔬 Introdução

A ciência continua avançando em ritmo acelerado, produzindo descobertas que podem transformar nossa compreensão do mundo e melhorar a vida humana. Este relatório apresenta cinco descobertas científicas recentes e relevantes que, embora tenham recebido atenção limitada na mídia brasileira, representam avanços significativos em suas respectivas áreas. As descobertas abrangem neurociência, astronomia, biotecnologia e inteligência artificial, demonstrando a diversidade e o dinamismo da pesquisa científica contemporânea.

🧠 Cientistas descobrem nova forma de como o cérebro aprende

🔍 Descoberta Principal:

Neurocientistas do Sainsbury Wellcome Centre (SWC) da UCL descobriram que o cérebro usa um sistema duplo para aprendizado através de tentativa e erro. Esta é a primeira vez que um segundo sistema de aprendizado foi identificado, o que pode ajudar a explicar como os hábitos são formados.

⚙️ Detalhes Técnicos:

Os pesquisadores descobriram um sinal de dopamina no cérebro que atua como um tipo diferente de sinal de ensino
Além dos "erros de predição de recompensa" (RPE), existe um sinal adicional chamado "erro de predição de ação" (APE)
O APE atualiza a frequência com que uma ação é realizada, permitindo escolher a opção mais frequente
Este sistema mais simples libera recursos cognitivos para outras tarefas

🎯 Implicações Clínicas:

Fornece base científica para desenvolver novas estratégias para quebrar maus hábitos
Pode explicar movimentos paradoxais no Parkinson
Abre nova área de pesquisa para alvos terapêuticos em vícios e compulsões

💡 Relevância Acadêmica: Esta descoberta revoluciona nossa compreensão sobre formação de hábitos e oferece uma nova perspectiva sobre vícios, compulsões e distúrbios neurológicos.

(SAINSBURY WELLCOME CENTRE, 2025)

🔭 Observatório Vera C. Rubin criará o registro time-lapse mais completo do universo

🌟 Descoberta Principal:

Em 23 de junho de 2025, o mundo verá as primeiras imagens de um dos telescópios mais poderosos já construídos: o Observatório Vera C. Rubin, localizado nos Andes chilenos.

🔧 Especificações Técnicas:

Câmera digital do tamanho de um carro pequeno, pesando mais de 3 toneladas
3.200 megapixels - pode detectar uma bola de golfe a 25km de distância
Capturará centenas de imagens do céu do hemisfério sul, todas as noites por 10 anos
Cada imagem precisaria de centenas de telas de TV ultra-alta definição para ser exibida

🎯 Objetivos Científicos:

Investigar a natureza da energia escura e expansão do universo
Mapear a estrutura em larga escala do universo e matéria escura
Encontrar e rastrear milhões de asteroides próximos à Terra
Capturar eventos cósmicos raros como colisões de estrelas de nêutrons

🌌 Relevância Acadêmica: Nomeado em homenagem à Dra. Vera Rubin, representa um momento único para a astronomia que transformará nossa visão do universo pelos próximos 10 anos.

(NOËL, 2025)

🧪 Descoberta de receptores de dopamina em região negligenciada do cérebro

🔬 Descoberta Principal:

Pesquisadores do Mount Sinai descobriram papéis distintos para dois receptores de dopamina localizados em células nervosas dentro da porção do cérebro que controla o comportamento de aproximação versus evitação.

⚗️ Detalhes da Pesquisa:

Caracterização da função dos receptores D1 e D2 no hipocampo ventral de camundongos
Primeiro estudo funcional abrangente de células D1 e D2 no hipocampo ventral
Os receptores mediam respostas opostas de aproximação/evitação
Camundongos com células D2 ativadas se tornaram muito menos temerosos

🏥 Relevância Clínica:

O hipocampo coordena tomada de decisões em situações que induzem ansiedade
Implica desregulação da dopamina em transtornos de ansiedade e humor
Abre caminho para pesquisas sobre desregulação em depressão maior

🧬 Relevância Acadêmica: Esta descoberta expande o conhecimento sobre sinalização de dopamina além de suas ações conhecidas, estabelecendo base para futuras pesquisas em transtornos emocionais.

(GODINO et al., 2025)

⚕️ Nanopartículas revolucionárias para tratamento de câncer com ultrassom

💊 Descoberta Principal:

Cientistas da OHSU desenvolveram uma nanopartícula especialmente projetada para tornar o tratamento de câncer com ultrassom focado de alta intensidade mais seguro e eficaz.

🔬 Detalhes Técnicos:

Nanopartícula mil vezes mais fina que uma folha de papel
Superfície coberta com bolhas de gás microscópicas
Reduz energia necessária para tratamento por ultrassom em 100 vezes
Cobertas com peptídeo que ajuda aderência aos tumores

🎯 Inovação Dupla:

Ultrassom quebra fisicamente o tumor através das bolhas
Medicamento quimioterápico carregado destrói células restantes
Abordagem não usa calor, apenas energia das bolhas

📊 Resultados Promissores:

Em testes com camundongos: tumores encolheram ou desapareceram
Sem efeitos colaterais importantes
Tratamento escalável e custo-efetivo

🚀 Relevância Acadêmica: Representa avanço significativo em nanotecnologia médica, combinando terapia mecânica e farmacológica para tratamento de câncer mais eficaz e seguro.

(HENDERSON et al., 2025)

🤖 Descoberta cerebral pode desbloquear capacidade da IA de "ver o futuro"

🧠 Descoberta Principal:

Pesquisadores descobriram um "universo oculto de sinalização de dopamina" no cérebro que revela como neurônios individuais especializam-se para prever diferentes aspectos de recompensas futuras.

🔍 Detalhes da Pesquisa:

Neurônios não apenas rastreiam recompensas, mas também quando e quão grandes elas são
Constroem mapa mental de possibilidades de recompensa de curto e longo prazo
Alguns neurônios preferem recompensas imediatas, outros esperam satisfação atrasada
Cada célula tem preferência por tamanho de recompensa e sinais internos

🤖 Conexão com IA:

Mapa multidimensional imita sistemas de IA emergentes com aprendizado por reforço
IA equipada com mapa multidimensional lida melhor com incerteza e risco
Sistemas usam grupo de algoritmos que vota em decisão final

🎯 Implicações:

Abre avenidas para IA de aprendizado por reforço mais eficiente
Nova compreensão sobre tomada de decisões cotidianas
Insights para tratar impulsividade em distúrbios neurológicos

🔮 Relevância Acadêmica: Representa mudança fundamental na compreensão de processamento de recompensas cerebrais e pode inspirar nova geração de algoritmos de IA mais sofisticados.

(SOUSA et al., 2025)

🎯 Conclusão

As cinco descobertas apresentadas neste relatório ilustram o estado vibrante da pesquisa científica global em 2025. Desde a compreensão de novos mecanismos de aprendizado cerebral até o desenvolvimento de tecnologias revolucionárias para tratamento de câncer, estas pesquisas demonstram como a ciência continua expandindo as fronteiras do conhecimento humano.

Particularmente notável é a convergência entre diferentes disciplinas: a neurociência informando o desenvolvimento de inteligência artificial, a biotecnologia criando soluções mais eficazes para medicina, e a astronomia preparando-se para revelar novos segredos do universo. Esta interdisciplinaridade representa uma tendência crescente na pesquisa científica contemporânea.

Para o público acadêmico brasileiro, estas descobertas oferecem oportunidades de colaboração internacional, inspiração para novas linhas de pesquisa e exemplos de como a ciência de ponta pode abordar desafios fundamentais da humanidade.

📚 Referências

SAINSBURY WELLCOME CENTRE. Scientists discover new way the brain learns. ScienceDaily, 14 maio 2025. Disponível em: https://www.sciencedaily.com/releases/2025/05/250514111059.htm. Acesso em: 7 jun. 2025.
NOËL, Noelia. A new observatory is assembling the most complete time-lapse record of the night sky ever. The Conversation, 5 jun. 2025. Disponível em: https://phys.org/news/2025-06-observatory-lapse-night-sky.html. Acesso em: 7 jun. 2025.
GODINO, Arthur et al. Dopamine D1–D2 signalling in hippocampus arbitrates approach and avoidance. Nature, 2025. DOI: 10.1038/s41586-025-08957-5. Disponível em: https://medicalxpress.com/news/2025-05-discovery-dopamine-receptors-overlooked-brain.html. Acesso em: 7 jun. 2025.
HENDERSON, Michael et al. Nanoparticle-enhanced ultrasound cancer therapy. Nano Letters, 2025. Disponível em: https://www.oregonlive.com/health/2025/05/ohsu-researchers-develop-tiny-particle-aimed-at-supercharging-cancer-treatment.html. Acesso em: 7 jun. 2025.
SOUSA, Margarida et al. Distributional dopamine signaling in the brain. Singularity Hub, 6 jun. 2025. Disponível em: https://singularityhub.com/2025/06/06/this-brain-discovery-could-unlock-ais-ability-to-see-the-future/. Acesso em: 7 jun. 2025.

🌐 Fontes: ScienceDaily, Phys.org, Medical Xpress, The Oregonian, Singularity Hub

Visto no Brasil Acadêmico

Hashtags:
#CiênciaRevolucionária #Neurociência #Astronomia #Biotecnologia #InteligênciaArtificial #PesquisaCientífica #Inovação2025 #DescobertasCientíficas #TecnologiaMédica #ObservatórioVeraRubin #Dopamina #Nanopartículas #TratamentoCâncer #AprendizadoCerebral #CiênciaGlobal #PesquisaAcadêmica #PontesdoSaber #FuturoHumanidade #AvancosCientíficos #TecnologiaInovadora

Palavras-chave Primárias:
descobertas científicas, neurociência, astronomia, biotecnologia, inteligência artificial, pesquisa científica, inovação médica, observatório espacial, dopamina cerebral, nanopartículas anticâncer

Palavras-chave Secundárias:
aprendizado cerebral, hábitos neurológicos, telescópio Vera Rubin, energia escura, matéria escura, ultrassom terapêutico, receptores dopaminérgicos, hipocampo ventral, ansiedade depressão, algoritmos IA, aprendizado por reforço, nanotecnologia médica, tratamento oncológico, pesquisa acadêmica brasileira, colaboração internacional científica

As Melhores Ferramentas de IA em 2025

noreply@blogger.com (War) — Thu, 5 Jun 2025 15:31:00 -0300

Longe de querer abranger todas as categorias e ferramentas. Aqui listamos algumas das mais populares plataformas que geram soluções baseadas em algoritmos e agentes com inteligência artificial.

A Inteligência Artificial revolucionou a forma como criamos conteúdo, automatizamos tarefas e expressamos nossa criatividade. Este guia apresenta as principais ferramentas de IA organizadas por área de aplicação, baseado em pesquisa abrangente na web sobre as soluções mais relevantes e populares do mercado.

🧠 ASSISTENTES IA AVANÇADOS E AGENTES AUTÔNOMOS

Os assistentes de IA mais sofisticados do mercado, capazes de realizar tarefas complexas e autônomas com raciocínio avançado.

➫Manus Agente de IA chinês que transforma pensamentos em ações concretas. Capaz de realizar pesquisas aprofundadas, criar sites, planejar viagens e executar tarefas complexas de forma autônoma. Você pode acompanhar o trabalho em tempo real pelo monitor do Manus.
➫DeepSeek Modelo de IA chinês com foco em raciocínio matemático e científico. Oferece capacidades avançadas de resolução de problemas e é gratuito para uso, competindo diretamente com GPT-4.
➫Mistral Modelo de IA francês focado em eficiência e performance. Oferece modelos open-source e comerciais com excelente relação custo-benefício e forte presença na Europa.
➫Qwen Família de modelos de IA da Alibaba com múltiplos tamanhos (0.5B a 72B parâmetros). Oferece versões especializadas em código, matemática e multimodalidade, com forte performance em chinês e inglês.

🔎 PESQUISA E COLETA DE INFORMAÇÕES

Ferramentas especializadas em resumir documentos, artigos científicos, decisões jurídicas e realizar pesquisas acadêmicas com precisão.

➫Chat PDF Converse com seus PDFs e vá direto às informações principais.
➫Elicit Assistente de pesquisa acadêmica que usa IA para buscar, resumir e extrair dados de mais de 125 milhões de artigos científicos. Usado por mais de 2 milhões de pesquisadores.
➫Perplexity AI Motor de busca conversacional que combina IA com pesquisa em tempo real. Fornece respostas precisas com citações de fontes confiáveis e atualizadas.
➫Consensus Motor de busca acadêmica alimentado por IA que encontra insights instantâneos em artigos científicos. Especializado em fornecer consenso científico sobre tópicos específicos.
➫NotebookLM Assistente de pesquisa virtual do Google que usa IA para resumos rápidos e anotações. Enraizado em informações confiáveis, ideal para análise de documentos e criação de podcasts.
➫SciSpace Ferramentas de IA completas para estudantes e pesquisadores. Faça uma revisão sistemática da literatura em minutos.

🏆 GERAÇÃO DE TEXTO E CHATBOTS

As ferramentas de geração de texto são as mais populares e acessíveis da IA atual, oferecendo desde conversas naturais até criação de conteúdo complexo.

➫ChatGPT O chatbot mais popular do mundo, baseado em GPT-4, oferece conversas naturais e capacidades avançadas de raciocínio. Ideal para redação, programação, análise e tarefas criativas.
➫Claude Assistente de IA da Anthropic focado em segurança e conversas úteis. Excelente para análise de documentos, raciocínio complexo e tarefas que exigem precisão e ética.
➫Gemini Chatbot do Google integrado com seus serviços. Oferece acesso a informações atualizadas da web e integração perfeita com Gmail, Drive e outros produtos Google.
➫Microsoft Copilot Assistente de IA integrado aos produtos Microsoft. Excelente para produtividade empresarial, criação de documentos e automação de tarefas no Office 365.

🎨 GERAÇÃO DE IMAGENS

As ferramentas de geração de imagens transformaram a criação visual, permitindo que qualquer pessoa crie arte profissional apenas com descrições em texto.

➫DALL-E 3 Gerador de imagens da OpenAI integrado ao ChatGPT. Oferece a melhor aderência ao prompt e facilidade de uso, criando imagens realistas e artísticas com precisão excepcional.
➫Imagiyo Gerador de imagens NSFW. Menos moderação e guardrails com possibilidade de assinatura para vida toda.
➫Midjourney Líder em qualidade artística e criatividade. Especializado em imagens estilizadas e arte conceitual, é a escolha preferida de designers e artistas profissionais.
➫Leonardo.AI Plataforma completa para criação de imagens com excelente custo-benefício. Oferece diversos modelos especializados e controles avançados para criadores de conteúdo.
➫Ideogram Especialista em geração de texto dentro de imagens. Perfeito para criar logos, cartazes e designs que precisam incorporar texto de forma legível e estética.

🎬 GERAÇÃO DE VÍDEOS

A geração de vídeos com IA representa a fronteira mais avançada da criação de conteúdo, transformando texto e imagens em vídeos cinematográficos.

➫Veo 3 (Flow) O gerador de vídeos mais avançado da Google Inc (Alphabet). Cria vídeos de até 8 segundos com qualidade cinematográfica com voz e som ambiente. Pelo Flow você consegue conectar vários para gerar um vídeo maior.
➫Oppus Clip Cria clipes para viralisar (cortes) de seus vídeos longos de forma automática.
➫Sora O gerador de vídeos mais avançado da OpenAI. Cria vídeos de até 60 segundos com qualidade cinematográfica e realismo impressionante. Acesso ainda limitado.
➫Kling AI Gerador de vídeos chinês. Cria vídeos com muitos efeitos pré-programados (abraço, beijo, virar balão, etc).
➫RunwayML Plataforma profissional para criação de vídeos com IA. Oferece ferramentas avançadas de edição e é usado por estúdios de cinema e agências de publicidade.
➫Pika Labs Gerador de vídeos curtos com excelente custo-benefício. Ideal para criadores de conteúdo que precisam de vídeos rápidos para redes sociais e marketing.
➫Luma Dream Machine Especializado em vídeos 3D e movimentos cinematográficos. Excelente para criar cenas com profundidade e movimento realista de câmera.

🎵 ÁUDIO E MÚSICA

Ferramentas que democratizaram a criação musical, permitindo que qualquer pessoa componha músicas profissionais sem conhecimento musical.

➫Suno AI O gerador de música mais popular do mundo. Cria músicas completas com letra, melodia e arranjos em qualquer estilo musical, apenas a partir de uma descrição em texto.
➫Udio Plataforma de criação e descoberta musical com qualidade de áudio superior. Oferece controles avançados para músicos que desejam maior precisão na composição.
➫LoudMe Gerador de música AI de última geração que cria músicas realistas e de qualidade profissional a partir de prompts de texto. Ferramenta gratuita para transformar ideias em canções completas.
➫ElevenLabs Líder mundial em clonagem de voz e text-to-speech. Cria vozes sintéticas indistinguíveis de vozes humanas reais, suportando múltiplos idiomas e emoções.

🚀 TENDÊNCIAS PARA 2025

A IA continua evoluindo rapidamente, com algumas tendências importantes:

Multimodalidade: Ferramentas que combinam texto, imagem, áudio e vídeo
Agentes Autônomos: IA capaz de executar tarefas complexas sem supervisão constante
Personalização Avançada: IA que se adapta ao estilo e preferências do usuário
Integração Empresarial: Ferramentas de IA incorporadas em software corporativo
Democratização: Acesso mais fácil e barato para usuários comuns

💬 PARTICIPE DA CONVERSA!

Conhece alguma ferramenta de IA incrível que não está nesta lista?

Deixe sua recomendação nos comentários! Estamos sempre atualizando este guia com as melhores descobertas da comunidade. Compartilhe:

🔧 Nome da ferramenta
🎯 Para que serve
💡 Por que você recomenda

Sua contribuição pode ajudar outros leitores a descobrir a próxima ferramenta que vai revolucionar seu trabalho!

Este guia foi baseado em pesquisa abrangente na web e atualizado em junho de 2025. As informações sobre preços e funcionalidades podem variar conforme atualizações das plataformas. Alguma plataformas como Gemini, Manus e ChatGPT passam a agregar outros agentes e funcionalidades que poderiam estar presentes em outras categorias (por exemplo, recentemente Manus passou a gerar vídeos com base em textos). NÃO NOS RESPONSABILIZAMOS PELO USO OU PELO FUNCIONAMENTO DAS FERRAMENTAS. Use por sua conta e risco.

Visto no Brasil Acadêmico

Guia Completo de Engenharia de Prompt

noreply@blogger.com (War) — Tue, 3 Jun 2025 14:53:00 -0300

Um guia de técnicas de engenharia de prompt para você entender e barbarizar na hora de demandar seu LLM de IA preferido.

📖Introdução

A Engenharia de Prompt tornou-se uma competência essencial na era da IA generativa. Como define a Alura [1], é "o design estratégico de instruções para maximizar a eficácia dos modelos de IA". A AWS [2] complementa definindo como "o processo de orientar soluções de IA generativa para gerar resultados desejados".

Este guia explora 25+ técnicas aplicáveis aos principais modelos:

ChatGPT (OpenAI) Claude (Anthropic) Gemini (Google)

🎯Técnicas Básicas (Nível Iniciante)

1. Zero-shot Prompting BÁSICO

[accordion]

📋 Definição

Capacidade de um modelo executar tarefas sem ter recebido exemplos específicos anteriormente. O modelo generaliza a partir de seu treinamento prévio para compreender e executar instruções diretas.

💡 Exemplo Prático

Prompt: "Classifique o sentimento desta análise: 'Este smartphone é incrível!'"
Resultado: "Sentimento: Positivo"

🎯 Ideal Para

• Tarefas de classificação simples
• Análise de sentimento básica
• Tradução de idiomas comuns
• Resumo de textos
• Perguntas de conhecimento geral

2. Few-shot Prompting BÁSICO

[accordion]

📋 Definição

Fornece 2-5 exemplos demonstrativos para guiar o modelo sobre o formato, estilo e tipo de resposta esperada. Permite ao modelo capturar nuances através de padrões nos exemplos.

💡 Exemplo Prático

Gere uma sinopse concisa para os seguintes artigos científicos:
Artigo: "Avanços na Fotossíntese Artificial"
Texto: [texto completo do artigo científico]
Sinopse: "Este estudo explora novos catalisadores para melhorar a eficiência da conversão de luz em energia, simulando o processo de fotossíntese encontrado na natureza."
Artigo: "Aplicações de Machine Learning em Medicina"
Texto: [texto completo do artigo científico]
Sinopse: "A pesquisa demonstra como algoritmos de aprendizado de máquina podem ser utilizados para diagnóstico precoce de doenças cardiovasculares com precisão superior a 95%."
Artigo: "Impactos Ambientais da Energia Solar"
Texto: [texto completo do artigo científico]
Sinopse: [aguardando resposta do modelo]

🎯 Ideal Para

• Formatação específica de respostas
• Manutenção de consistência de estilo
• Análise de dados estruturados
• Criação de conteúdo padronizado
• Classificação complexa

3. Role Prompting (Persona Prompting) BÁSICO

[accordion]

📋 Definição

Atribui uma persona específica ao modelo (professor, médico, vendedor) para guiar o estilo, tom e perspectiva das respostas. Influencia vocabulário, nível de detalhe e abordagem.

💡 Exemplo Prático

Prompt: "Você é um professor de ciências. Explique o que é fotossíntese para uma criança de 8 anos."
Resultado: Explicação didática com analogias simples e linguagem acessível.

🎯 Ideal Para

• Ajustar tom e estilo de comunicação
• Explicações especializadas
• Atendimento ao cliente personalizado
• Criação de conteúdo com perspectiva específica
• Educação adaptativa

⚡Técnicas Intermediárias

4. Chain-of-Thought (CoT) Prompting INTERMEDIÁRIO

[accordion]

📋 Definição

Solicita que o modelo demonstre seu processo de raciocínio passo-a-passo, decompondo problemas complexos em etapas lógicas menores. Aumenta transparência e precisão.

💡 Exemplo Prático

Prompt: Quando eu tinha 6 anos, minha irmã tinha metade da minha idade. Agora eu tenho 70 anos. Quantos anos minha irmã tem?
Vamos resolver isso passo a passo:
1. Primeiro, determine a idade da irmã quando eu tinha 6 anos
2. Calcule a diferença de idade entre nós
3. Use essa diferença para encontrar a idade atual da irmã
Resultado: Explicação detalhada calculando a diferença de idade e aplicando à idade atual.

🎯 Ideal Para

• Problemas matemáticos complexos
• Análise lógica e dedutiva
• Diagnóstico e troubleshooting
• Explicações educacionais
• Tomada de decisão estruturada

5. Self-Consistency INTERMEDIÁRIO

[accordion]

📋 Definição

Executa o mesmo prompt múltiplas vezes (5-10x) e seleciona a resposta mais frequente. Combina diversidade de raciocínio com votação por maioria para aumentar precisão.

💡 Exemplo Prático

Processo: Executar problema matemático 5 vezes → Obter respostas: 42, 42, 41, 42, 42 → Selecionar: 42 (mais frequente)

Exemplo:
Em uma escola, há 15 árvores no pátio. Os jardineiros plantarão árvores no pátio hoje. Depois que terminarem, haverá 21 árvores. Quantas árvores os jardineiros plantaram hoje?
Resolva este problema passo a passo.

1. Árvores iniciais: 15
2. Árvores finais: 21
3. Árvores plantadas: 21 - 15 = 6
Resposta: 6 árvores

1. Situação inicial: 15 árvores no pátio
2. Situação final: 21 árvores no pátio
3. Diferença: 21 - 15 = 6
4. Portanto, foram plantadas 6 árvores
Resposta: 6 árvores

1. Começamos com 15 árvores
2. Terminamos com 21 árvores
3. O aumento foi de 21 - 15 = 6 árvores
Resposta: 6 árvores

Neste exemplo, todas as execuções chegaram à mesma resposta (6 árvores), mas através de formulações ligeiramente diferentes do raciocínio, aumentando nossa confiança na correção da resposta.

🎯 Ideal Para

• Aumentar precisão em cálculos
• Problemas de raciocínio aritmético
• Validação de respostas críticas
• Detecção de incerteza
• Análise quantitativa

6. Generate Knowledge Prompting INTERMEDIÁRIO

[accordion]

📋 Definição

Solicita que o modelo primeiro gere fatos relevantes sobre o tópico, depois use esse conhecimento para responder à pergunta principal. Cria base sólida para respostas fundamentadas.

💡 Exemplo Prático

Prompt: "Primeiro liste fatos importantes sobre mudanças climáticas. Depois explique os impactos na agricultura."
Resultado: Lista de fatos seguida de análise baseada nesses fatos.

🎯 Ideal Para

• Análises fundamentadas em evidências
• Pesquisa acadêmica
• Relatórios técnicos
• Consultoria especializada
• Tomada de decisão baseada em dados

7. Prompt Chaining INTERMEDIÁRIO

[accordion]

📋 Definição

Quebra tarefas complexas em subtarefas sequenciais, onde a saída de um prompt serve como entrada para o próximo. Permite modularidade e especialização.

💡 Exemplo Prático

Cadeia: Pesquisa → Análise → Síntese → Recomendações → Formatação
Cada etapa usa o resultado da anterior como input.

🎯 Ideal Para

• Projetos complexos e extensos
• Relatórios detalhados
• Análises multi-etapas
• Workflows automatizados
• Processamento de dados estruturados

🔬Técnicas Avançadas

8. Tree of Thoughts (ToT) AVANÇADO

[accordion]

📋 Definição

Explora múltiplos caminhos de raciocínio simultaneamente usando estrutura de árvore. Gera próximas etapas possíveis e executa busca sistemática para encontrar melhor solução.

💡 Exemplo Prático

Estrutura: Problema → Múltiplas abordagens → Expansão de cada abordagem → Avaliação → Seleção da melhor solução

🎯 Ideal Para

• Planejamento estratégico complexo
• Análise de cenários múltiplos
• Resolução de problemas sem solução óbvia
• Tomada de decisão multi-critério
• Exploração criativa de possibilidades

9. Prompting Maiêutico AVANÇADO

[accordion]

📋 Definição

Questionamento iterativo inspirado no método socrático. O modelo explica, depois é questionado sobre partes da explicação, refinando através de ciclos de pergunta-resposta.

💡 Exemplo Prático

Ciclo: Pergunta inicial → Explicação → Questionamento de partes → Explicação refinada → Novo questionamento → Síntese final

🎯 Ideal Para

• Análise profunda de conceitos
• Detecção de inconsistências
• Desenvolvimento de argumentos robustos
• Educação socrática
• Validação de raciocínio complexo

10. RAG (Retrieval Augmented Generation) AVANÇADO

[accordion]

📋 Definição

Combina recuperação de informações externas com geração de texto. Busca dados atualizados em bases de conhecimento antes de gerar resposta, superando limitações de conhecimento estático.

💡 Exemplo Prático

Processo: Pergunta → Busca em base de dados → Recupera informações relevantes → Integra com capacidade generativa → Resposta fundamentada

🎯 Ideal Para

• Informações atualizadas e específicas
• Pesquisa acadêmica com fontes recentes
• Análise de mercado com dados atuais
• Suporte técnico especializado
• Jornalismo e análise de notícias

11. ReAct (Reasoning and Acting) AVANÇADO

[accordion]

📋 Definição

Combina raciocínio e ação em loop iterativo. O modelo raciocina sobre ações, executa ações baseadas no raciocínio, observa resultados e ajusta abordagem conforme necessário.

💡 Exemplo Prático

Ciclo: Raciocínio → Ação → Observação → Reflexão → Novo raciocínio → Nova ação (até completar objetivo)

🎯 Ideal Para

• Tarefas que requerem ações sequenciais
• Planejamento adaptativo
• Resolução de problemas dinâmicos
• Automação inteligente
• Sistemas de tomada de decisão

12. Reflexion AVANÇADO

[accordion]

📋 Definição

Capacidade metacognitiva de auto-avaliação e melhoria iterativa. O modelo reflete sobre suas próprias respostas, identifica pontos fracos e gera versões melhoradas.

💡 Exemplo Prático

Processo: Resposta inicial → Auto-crítica → Identificação de melhorias → Resposta refinada → Nova reflexão (se necessário)

🎯 Ideal Para

• Escrita acadêmica e técnica
• Desenvolvimento de argumentos complexos
• Análise crítica aprofundada
• Melhoria iterativa de soluções
• Controle de qualidade automatizado

🎨Técnicas Especializadas (13-25)

Técnicas Adicionais ESPECIALIZADO

[accordion]

🔬 Multimodal Chain-of-Thought

Definição: Raciocínio estruturado integrando texto, imagem e outros dados.
Ideal para: Análise médica, educação científica, design integrado.

💻 Program-Aided Language Models

Definição: Integra geração e execução de código para cálculos precisos.
Ideal para: Análise financeira, pesquisa científica, engenharia.

🤖 Automatic Prompt Engineer

Definição: Otimização automática de prompts usando algoritmos.
Ideal para: Otimização de performance, automação avançada.

😊 Emotion Prompting

Definição: Incorpora elementos emocionais para influenciar respostas.
Ideal para: Engajamento, comunicação empática, marketing.

🔄 Re-reading (RE2)

Definição: Solicita que o modelo "releia" e reconsidere sua resposta.
Ideal para: Melhoria de precisão, validação de respostas.

📝 Rephrase and Respond (RaR)

Definição: Reformula a pergunta antes de responder para melhor compreensão.
Ideal para: Clarificação de requisitos, precisão interpretativa.

⚡ Active-Prompt

Definição: Prompts que se adaptam dinamicamente baseado no contexto.
Ideal para: Sistemas adaptativos, personalização automática.

🎯 Directional Stimulus

Definição: Orientação através de palavras-chave específicas.
Ideal para: Controle de direcionamento, foco temático.

🔗 Meta Prompting

Definição: Prompts para gerar ou melhorar outros prompts.
Ideal para: Otimização recursiva, automação de prompt design.

📊 Graph Prompting

Definição: Usa estruturas de grafos para organizar informações.
Ideal para: Relações complexas, análise de redes, mapeamento conceitual.

🧮 Complexity-based Prompting

Definição: Seleciona respostas baseado na complexidade do raciocínio.
Ideal para: Problemas que requerem análise profunda.

🔧 Auto-refinement Prompting

Definição: Ciclos automáticos de melhoria até critério de parada.
Ideal para: Otimização iterativa, controle de qualidade.

🧠 SimToM (Theory of Mind)

Definição: Simula teoria da mente para compreender perspectivas.
Ideal para: Análise social, comunicação interpessoal.

🌐Plataformas e Aplicações

Principais Plataformas de IA

[accordion]

🤖 ChatGPT (OpenAI)

Forças: Conversação natural, criatividade excepcional, versatilidade de estilos, APIs robustas para integração.
Ideal para: Escrita criativa, brainstorming, diálogos prolongados, desenvolvimento de aplicações.

🧠 Claude (Anthropic)

Forças: Análise ética avançada, processamento de textos longos, precisão factual, transparência sobre limitações.
Ideal para: Análise de documentos extensos, discussões éticas, pesquisa acadêmica, análise crítica.

🔍 Gemini (Google)

Forças: Integração com ecossistema Google, capacidades multimodais, informações atualizadas via busca.
Ideal para: Pesquisa em tempo real, integração com ferramentas Google, análise multimodal.

Contextos de Aplicação

[accordion]

🎓 Educação e Treinamento

Aplicações: Tutoria personalizada com Role Prompting, avaliações adaptativas com Self-Consistency, explicações graduais com Chain-of-Thought.
Benefícios: Personalização do aprendizado, feedback construtivo, adaptação ao nível do estudante.

💼 Negócios e Marketing

Aplicações: Análise de mercado com RAG, criação de conteúdo com Few-shot, atendimento ao cliente com Prompt Chaining.
Benefícios: Consistência de marca, análise de dados atualizados, automação inteligente.

💻 Desenvolvimento de Software

Aplicações: Geração de código com Program-Aided, documentação com Generate Knowledge, debugging com ReAct.
Benefícios: Automação de tarefas repetitivas, documentação abrangente, diagnóstico sistemático.

🔬 Pesquisa e Análise

Aplicações: Síntese de literatura com Reflexion, análise multi-perspectiva com Tree of Thoughts, validação com Prompting Maiêutico.
Benefícios: Análise aprofundada, validação rigorosa, síntese de informações complexas.

📋Melhores Práticas

Diretrizes Fundamentais

[accordion]

🎯 Princípios da OpenAI [1]

Clareza: Seja explícito como ensinar um profissional júnior
Decomposição: Divida tarefas complexas em subtarefas menores
Transparência: Peça explicação do processo de raciocínio
Justificação: Solicite fundamentação para conclusões
Alternativas: Explore múltiplas soluções e abordagens

☁️ Diretrizes AWS [2]

Contextualização: Forneça contexto adequado e específico
Especificidade: Defina claramente o formato desejado
Iteração: Refine prompts através de ciclos de teste
Validação: Implemente verificação de qualidade consistente

⚖️ Considerações Éticas

Verificação: Sempre valide informações factuais críticas
Viés: Reconheça e mitigue limitações dos modelos
Privacidade: Evite incluir informações pessoais sensíveis
Transparência: Seja claro sobre o uso de IA em decisões importantes

🎯Conclusão

A engenharia de prompt representa uma nova forma de literacia digital essencial para o século XXI. Dominar essas 25+ técnicas não é apenas sobre obter melhores respostas da IA - é sobre expandir nossas capacidades cognitivas e redefinir nossa relação com a tecnologia.

Para iniciantes: Comece com técnicas básicas (Zero-shot, Few-shot, Role Prompting), pratique regularmente e desenvolva pensamento crítico. A competência desenvolve-se através da experimentação ativa.

Em um futuro onde a colaboração humano-IA será prevalente, aqueles que dominarem essas técnicas terão vantagem significativa em suas áreas de atuação.

📚Referências

[1] CARRARO, Fabricio. O que é Engenharia de Prompt e quais as suas principais técnicas? Alura, 07 fev. 2024. Disponível em: https://www.alura.com.br/artigos/engenharia-prompt. Acesso em: 02 jun. 2025.

[2] AMAZON WEB SERVICES. O que é engenharia por prompt? AWS, 2025. Disponível em: https://aws.amazon.com/pt/what-is/prompt-engineering/. Acesso em: 02 jun. 2025.

[3] PROMPTING GUIDE. Prompting Techniques. Prompt Engineering Guide, 24 abr. 2025. Disponível em: https://www.promptingguide.ai/techniques. Acesso em: 02 jun. 2025.

[4] WANG, Xuezhi et al. Self-Consistency Improves Chain of Thought Reasoning. arXiv:2203.11171, 2022. Disponível em: https://www.promptingguide.ai/techniques/consistency. Acesso em: 02 jun. 2025.

[5] KUKA, Valeriia. Role Prompting: Guide LLMs with Persona-Based Tasks. LearnPrompting, 27 set. 2024. Disponível em: https://learnprompting.org/docs/advanced/zero_shot/role_prompting. Acesso em: 02 jun. 2025.

Visto no Brasil Acadêmico

Hashtags

#EngenhariaDePrompt #InteligênciaArtificial #AprendizadoDeMáquina #TecnologiaDaInformação #DesenvolvimentoDeSoftware #InovaçãoTecnológica #CiênciaDeDados #Automação #PromptEngineering #IAnoFuturo

Palavras-chave

Engenharia de Prompt, Inteligência Artificial, Aprendizado de Máquina, Processamento de Linguagem Natural, Desenvolvimento de Software, Inovação Tecnológica, Ciência de Dados, Automação, GPT, NLP

Como a IA Pode Salvar (e Não Destruir) o Futuro do Aprendizado

noreply@blogger.com (War) — Fri, 30 May 2025 12:44:00 -0300

O fundador da Khan Academy revela como a inteligência artificial pode oferecer um tutor pessoal para cada estudante do planeta e transformar completamente nossa experiência educacional.

O fundador da Khan Academy revela como a inteligência artificial pode oferecer um tutor pessoal para cada estudante do planeta e transformar completamente nossa experiência educacional.

Em meio a manchetes alarmistas sobre como a IA vai arruinar a educação, Salman Khan apresenta uma visão revolucionária e otimista: e se, em vez de temer a inteligência artificial, a usássemos para criar a maior transformação positiva que a educação já viu? Nesta inspiradora palestra TED, Khan demonstra como sua plataforma está desenvolvendo tutores de IA personalizados que podem mudar para sempre a forma como aprendemos e ensinamos.

Salman Khan durante sua apresentação no TED2023

Transcrição Completa da Palestra

Todos os que têm prestado atenção nos últimos meses têm visto manchetes como este, especialmente sobre a educação. A tese tem sido: os estudantes vão passar a usar o ChatGPT e outras formas da IA para fazer trapaça, fazer as tarefas de casa. Não vão aprender nada. Isto vai minar totalmente a educação tal como a conhecemos. 🧠

💡 Visão Transformadora

O que eu vou defender hoje é que há formas de minimizar tudo isso. Se colocarmos as proteções certas, se fizermos as coisas certas, podemos minimizar isso. Mas penso que estamos no limiar da utilização da IA provavelmente para a maior transformação positiva que a educação já viu.

A forma como vamos fazer isso é dando a cada estudante do planeta um tutor pessoal artificialmente inteligente mas incrível. E vamos dar a cada professor do planeta um incrível assistente de ensino artificialmente inteligente. 🌍

Para entendermos até que ponto será importante dar a cada um um tutor pessoal, vou mostrar um trecho do estudo 2-sigma de 1984 de Benjamin Bloom, ou, como ele lhe chamou, o "problema 2 sigma". O problema 2 sigma nasce de dois desvios padrão, em que sigma é o símbolo para desvio padrão.

Ele tinha bons dados que mostravam uma distribuição normal, que é a que estão vendo na tradicional curva do meio, em forma de sino, que é como o mundo se organiza. Se dermos aulas pessoais de explicações aos estudantes podemos obter uma distribuição parecida com a curva da direita. É a que diz "Tutorial 1-1, com um asterisco. Esta distribuição da direita é uma melhoria de dois desvios padrão.

📊 Dados Impressionantes

Para traduzir isto numa linguagem simples isso pode transformar um aluno médio num aluno excepcional. Pode transformar um estudante abaixo da média num estudante acima da média.

A razão por que ele lhe chamou um problema foi que ele disse: "Tudo isto é muito bonito, "mas como é que se implementa o ensino de grupo desta forma? "Como é que o disponibilizamos a toda a gente de forma econômica?" 🤔

O que lhes vou mostrar, segundo penso, é o primeiro passo para fazer isso. Obviamente, há mais de 10 anos que temos tentado fazê-lo, de certa forma, na Academia Khan. Mas penso que estamos em vias de o acelerar radicalmente. Vou mostrar-lhes os primeiros passos do que a nossa IA, a que chamamos Khanmigo, pode fazer neste momento e talvez um pouco do que poderá vir a fazer.

🆕 Anúncio de Novidade

Este aqui é um exercício tradicional que vocês ou seus filhos talvez tenham visto na Academia Khan, O que é novidade é este pequeno robô à direita. Vamos começar por ver uma das salvaguardas muito importantes, que é a gravação da conversa que pode ser revista pelo professor.

É moderada por uma segunda IA. E também não nos dá a resposta. Não é uma ferramenta de trapaça. Se o aluno diz: "Diz-me qual é a resposta", ele diz: "Sou o seu tutor. "Qual é o próximo passo que você acha que resolve o problema?" 🤖

Se o estudante faz um erro — e isto surpreender as pessoas que pensam que os grandes modelos linguísticos não são bons em matemática — observem, não só detecta o erro, como pede ao estudante que explique o seu raciocínio. mas está fazendo o que eu diria que não seria feito por um tutor mediano mas apenas por um tutor excelente.

É capaz de adivinhar qual é provavelmente a ideia errada na cabeça do estudante, que ele provavelmente não usou a propriedade distributiva. Lembrem-se, é preciso distribuir o -2, tanto para o 9 como para o 2m dentro dos parênteses. Isto, para mim, é muito, muito importante. E não é só na matemática 📝

Este é um exercício de programação de computadores na Academia Khan, em que o estudante tem de afastar as nuvens.

Vemos que o estudante começa por definir uma variável, "leftX--". Só afasta a nuvem da esquerda.

Mas pode perguntar ao Khanmigo: "O que está acontecendo?" "Por que só se afasta a nuvem da esquerda?" O Khanmigo conhece o código. Conhece todo o contexto do que o estudante está fazendo e percebe que aquelas elipses estão ali para desenhar as nuvens, o que eu acho que é um pouco impressionante.

E diz: "Para também afastar a nuvem da direita, tente juntar uma linha de código dentro da função desenhar que incremente a variável rightX em um pixel em cada quadro". 💻

Isto talvez seja ainda mais espantoso porque temos muitos professores de matemática. Todos nós já tentamos ensinar o mundo a codificar, mas não há muitos professores de informática. O que acabaram de ver, mesmo quando ensino minhas crianças, quando elas aprendem a codificar, não consigo ajudá-las tão bem, tão rápido, isto vai ser um super professor.

🎓 Aprendizado Contextualizado

E não são apenas exercícios. Entende o que estamos vendo. Entende o contexto do nosso vídeo. Pode responder à velha questão: "Por que preciso aprender isto?" Pergunta de forma socrática: "Bem, o que te interessa?" Digamos que o estudante diz: "Quero ser um atleta profissional." O Khanmigo diz: "Aprender a dimensão das células, "que é aquilo de que este vídeo trata, "pode ser muito útil para aprender nutrição "e como o corpo funciona, etc."

Pode responder a perguntas; pode nos interrogar, pode nos colocar em contato com outras ideias, podemos fazer perguntas a um vídeo como nunca sonhamos. 🔍

Outra grande carência que existe, lembro quando andei no ensino médio, a proporção de aluno/orientador era de 200 ou 300 para um. Em grande parte do país ainda é pior. Podemos usar o Khanmigo para dar a cada estudante um orientador, um treinador acadêmico, um treinador de carreira, um treinador da vida, que é exatamente o que vocês estão vendo aqui. Lançamos isto com o lançamento do GPT-4. Temos uns milhares de pessoas fazendo isto. Isto não é uma demonstração fabricada, é a realidade em ação.

Depois, há coisas que acho que teriam sido mais difíceis, teria sido fazer um pouco de ficção científica mesmo com um tutor tradicional. Dirigimos uma escola de ensino médio online com a Universidade do Arizona chamada Khan World School e temos uma estudante que frequenta essa escola online, na Índia. Chama-se Saanvi. Ela estava fazendo um trabalho sobre "O Grande Gatsby". E quando estava lendo "O Grande Gatsby", Jay Gatsby continuava a olhar para a luz verde à distância. E ela: "Por que ele faz isto?" Fez uma investigação na Internet. Obviamente, havia estudos sobre isso e comentários sobre o seu simbolismo mas nada disso a convencia. Depois, ela lembrou-se que tinha o Khanmigo e podia falar com o próprio Jay Gatsby. 📚

Assim, "Ótima escolha, amiga, "agora sou Jay Gatsby, o milionário enigmático "do clássico de F. Scott Fitzgerald."

E ela: "Por que está sempre olhando para a luz verde?"

"Ah! a luz verde, minha amiga. "Você está vendo, é um símbolo dos meus sonhos e desejos. "Está situada na ponta da doca de Daisy Buchnan "do outro lado da baía da minha mansão. "Olho para lá com saudade porque representa o meu saudoso passado "e a minha esperança de encontrar Daisy, o amor da minha vida." 💭

O que é legal é que Saanvi disse: "Eu tive uma longa conversa", e ela chamava-lhe "Mr. Gatsby" e, no fim, pediu desculpa por lhe roubar tanto tempo (Risos) o que acho que foi muito delicado da parte dela.

🌟 Potencial Transformador

Mas podem imaginar que isto desbloqueia a aprendizagem da literatura. Podem conversar com figuras históricas. Talvez até possam acrescentar uma atividade, podem falar, por exemplo, com o Rio Mississippi. Dá vida a coisas que, na verdade, eram ficção científica ainda há seis meses ou um ano.

Os estudantes podem entrar em debates com a IA. Temos aqui um debate de estudantes sobre se devemos cancelar a dívida dos estudantes. O estudante é contra o cancelamento da dívida, e obtivemos um feedback muito claro. Começamos a utilizá-lo na Khan World School a nossa escola-laboratório, a Khan Lab School. Os estudantes, em especial os do ensino médio, dizem: "É fantástico poder afinar meus argumentos "sem recear a crítica. "Fico muito mais confiante "ao entrar na sala de aulas e participar." Todos sabemos que o diálogo socrático é uma forma ótima de aprender, mas, sinceramente, não está ao alcance da maioria dos estudantes. Agora, segundo esperamos, vai estar acessível a todos. 🗣️

Grande parte da narrativa que vimos nas manchetes da imprensa, tem sido: "Vai fazer os trabalhos para as crianças," "As crianças não vão aprender a escrever." Mas nós demonstramos que há coisas que a IA não escreve em nosso lugar. escreve conosco.

Trata-se de uma pequena coisa e o meu filho de oito anos é viciado nisso. e não é uma criança que gostasse muito de escrever, mas, podemos dizer: "Eu quero escrever uma história de terror" e ele diz: "Oh, uma história de terror, que arrepiante e emocionante. "Vamos mergulhar no mundo das sombras sinistras e mistérios arrepiantes." Esta é uma atividade em que o estudante vai escrever duas frases e depois a IA vai escrever duas frases. Assim, colaboram os dois juntos numa história. ✍️

O estudante escreve: "Beatrice era uma fantasma incompreendida. "Queria arranjar amigos mas assustava-os sem querer."

E a IA diz: "Pobre Beatrice, uma alma solitária sedenta de companhia. "Um dia descobriu uma velha mansão abandonada", etc.

Eu encorajo todos vocês a experimentar isto um dia. É extraordinariamente divertido.

🔍 Inovação Educacional

Para mais diretamente atingir este caso de utilização. O que lhes vou mostrar agora — tudo o que lhes mostrei até aqui já faz parte da Khanmigo — e o que lhes vou mostrar agora ainda não mostramos a ninguém, é um protótipo. Esperamos poder lançá-lo nos próximos meses, mas isto é usar diretamente a IA, usar a IA geradora, para não prejudicar o inglês e as artes da linguagem mas sim para melhorar de uma forma que nem sequer podíamos imaginar aqui há um ano.

Isto é compreensão da leitura. Os estudantes lendo o famoso discurso de Steve Jobs em Stanford. Quando chegam a determinados pontos, podem clicar naquela pergunta. E a IA, de forma socrática — quase como num exame oral — faz perguntas ao estudante. A IA pode destacar partes da passagem. "Por que o autor usa esta palavra?" "Qual era a intenção dele?" "Ele justifica o seu argumento?" Podem começar a fazer coisas que, repito, nunca pudemos fazer, por impossibilidade de dar um tutor a cada um, um treinador de escrita, para ler a este nível. 📖

Podemos ir para o outro lado. Temos fluxos completos de trabalho que os ajuda a escrever, que os ajuda a serem um treinador de escrita, a traçar um esboço. Mas depois de um estudante criar um rascunho e é aqui que eles criam um rascunho, podem pedir feedback outra vez, conforme se esperaria de um bom treinador de escrita. Neste caso, o estudante poderá dizer, por exemplo: "As minhas provas justificam a minha afirmação?" E a IA, não só consegue dar feedback, como consegue destacar algumas partes da passagem e dizer: "Esta passagem não justifica bem a sua afirmação", mas, de novo, diz de forma socrática: "Pode me dizer por quê?" É estimular o estudante que o torna melhor escritor, dando-lhe mais feedback do que ele tinha anteriormente. Pensamos que isso vai acelerar a escrita fantasticamente, não vai prejudicá-la.

👨‍🏫 Benefícios para Professores

Tudo aquilo de que tenho falado tem sido até aqui para o estudante. Mas pensamos que isto pode ser igualmente importante para o professor para promover um ensino mais personalizado e, francamente, poupar tempo e energia para si mesmo e para os alunos.

Isto é um exercício de história americana na Academia Khan. É uma pergunta sobre a Guerra Hispano-Americana. A princípio, está no modo estudante. Se dissermos "Me dê a resposta", não vai nos dar a resposta. Vai passar para o modo de tutor. Mas os professores têm acesso a essa mudança e podem desativar o modo estudante e passar para o modo professor. E assim, passa a ser... Pode ser visto como um super guia do professor. Não só pode explicar a resposta, como pode explicar como ele pode querer ensiná-la. Pode ajudar a preparar o professor para essa matéria. Pode ajudá-lo a planejar as aulas, como estão vendo na tela. Por fim, pode ajudá-los a criar relatórios de progresso e ajudá-los, e por fim avaliá-los. Repito, os professores gastam metade do tempo com esta atividade de planejamento de aulas. Toda essa energia pode ser poupada ou reverter para interações humanas com os seus alunos. 🕰️

Há uma questão que quero levantar. Estes grandes modelos linguísticos são tão poderosos que há a tentação de dizer: "todas estas pessoas vão colocá-las nos seus sites, "e transformar as aplicações em mercadorias". O que posso dizer é que essa é uma das razões por que eu não dormi durante duas semanas quando tive acesso pela primeira vez ao GPT-4, em agosto. Mas rapidamente entendemos que, para o tornar mágico — penso que viram um pouco isso com a Khanmigo — ela não interage conosco da forma que vemos o ChatGPT interagir, Foi um pouco mais mágico, mais socrático. foi nitidamente muito melhor em matemática do que a maioria das pessoas julgava. A razão é que havia muito trabalho nos bastidores para que isso acontecesse.

Eu podia percorrer toda a lista de tudo aquilo em que temos trabalhado, muitíssimas pessoas, durante seis, sete meses, para o tornar mágico. Mas talvez a coisa mais interessante intelectualmente é que entendemos, e isso foi uma ideia dum investigador do OpenAI que podíamos melhorar drasticamente a sua capacidade matemática e a sua capacidade de ensino se permitíssemos que a IA pensasse antes de falar. Se somos tutores de alguém e começamos logo a falar antes de avaliar a sua matemática, podemos incorrer em erro. Mas se construirmos pensamentos para nós mesmos e o que virmos à direita, há um pensamento real da IA uma coisa que gera para si mesmo mas não partilha com o estudante, o seu rigor aumenta drasticamente e a sua capacidade de ser um tutor de classe mundial aumenta drasticamente. Vemos ele falando consigo mesmo: "O estudante deu uma resposta diferente do que eu daria, "mas não vou dizer que fez um erro. "Pelo contrário vou pedir-lhe que explique como chegou a essa conclusão." 🧩

🔑 Conclusão Importante

Vou terminar, na esperança de que o que lhes mostrei é apenas metade do que estamos trabalhando e pensamos que é apenas a ponta do iceberg em relação ao que podemos atingir. Estou plenamente convencido, coisa que não acontecia há um ano, de que, em conjunto, temos a hipótese de resolver o problema do 2 sigma e transformá-lo numa oportunidade do 2 sigma, acelerando exponencialmente a educação, tal como a conhecemos.

Só para dar um passo atrás, a um nível meta, obviamente ouvimos hoje muitos debates de cada lado. Há pessoas que têm uma ideia mais pessimista da IA, dizem que é assustadora, há toda uma série de cenários distópicos, talvez seja melhor desacelerar, querer pausar. Por outro lado, há pessoas mais otimistas que dizem que já passamos por pontos de inflexões anteriormente, já passamos pela Revolução Industrial. Foi assustadora, mas acabou por dar certo. O que eu defendo, neste momento, é que não penso que isto seja como cara ou coroa ou que seja uma coisa que tenhamos de fazer, tipo, vamos esperar e ver o que acontece. Penso que todos aqui, e não só, somos ativos participantes nesta decisão. Estou plenamente convencido de que a primeira linha de raciocínio é quase uma profecia que se cumpre a si mesma. que, se agirmos com medo e dissermos: "Temos de parar de fazer isto" o que vai acontecer é que os que obedecerem à regra podem parar, podem desacelerar, mas os que violarem a regra, conforme Alexandr Wang referiu, os governos totalitários, as organizações criminosas, vão continuar a acelerar. Isso leva ao que eu estou convencido que será um estado distópico, ou seja, que os bons atores têm uma IA pior do que os maus atores. ⚠️

🌈 Mensagem Final

Mas também vou falar um pouco para os otimistas. Não acho que isso signifique que devamos descontrair e esperar o melhor. Isso também pode não acontecer. Penso que todos nós, em conjunto, temos de lutar muito para garantir que impomos seguranças, que criamos — quando surgirem os problemas — regulamentações razoáveis. Mas lutamos muito pelos casos de utilização positiva. Porque me é muito importante — e, obviamente, pode haver muitos casos de utilização positiva mas talvez que o caso de utilização mais poderoso e talvez o caso de utilização mais poético seja que a IA, a inteligência artificial, pode ser usada para melhorar a IH, a inteligência humana, o potencial humano e o objetivo humano.

Obrigado. 🙏

Fonte: Palestra TED de Salman Khan: "Como a IA poderia salvar (e não destruir) a educação", abril de 2023.
Visto no Brasil Acadêmico

Palavras-chave: Salman Khan, Khan Academy, IA na educação, tutoria personalizada, Khanmigo, transformação educacional, futuro da educação, inteligência artificial, aprendizado personalizado, tecnologia educacional

Hashtags: #IAnaEducação #KhanAcademy #FuturoDaEducação #TutoriaPersonalizada #Khanmigo #InteligênciaArtificial #TED2023 #SalmanKhan #EducaçãoDigital #RevoluçãoEducacional

Brasil Acadêmico

Metodologias Ágeis: Introdução ao Scrum, Kanban, Papéis e Artefatos

Introdução à UML e Documentação: Guia Prático para Engenharia de Software

Modelo Ágil Lean: Um Guia para Acadêmicos e Iniciantes

Introdução à programação usando Python – Parte II

Engenharia de Requisitos: Um Resumo Rumo à Prática

Questionário para Entrevista de Elicitação de Requisitos em Projetos de Prototipagem de Software

Git e GitHub: Do Conceito à Prática — Um resumo didático para Iniciantes e Desenvolvedores

Levantamento de Requisitos: Um Guia sobre Conceito, História e Técnicas de Elicitação

A Crise do Software: do caos à engenharia

Introdução à programação usando Python

Como Reinventar o Computador do Zero (resumo educacional)

A Incrível Evolução dos Computadores (Resumo Educativo)

Prototipação em Engenharia de Software: Fundamentos Clássicos e a Revolução Global da IA (2026)

ESAF RPG - Novo Jogo Digital de Aventura

Raízes Clássicas, Toque Moderno e Digital! ✨

Brasília, ESAF e Serviço Público no Mapa

Inclusão e Empatia: Seus Heróis, Suas Regras 💖

A Missão É Urgente! ⚔️

🔗 Jogue Agora Mesmo!

Marco Referencial de Competências em IA para Professores (UNESCO)

As 5 Dimensões da Competência em IA

Níveis de Progressão: Uma Jornada de Aprendizagem

A Importância do Marco Referencial

As 5 Dimensões e seus 15 Blocos de Competências

📋 Estrutura dos Objetivos Curriculares e de Aprendizagem

Objetivos Curriculares

Objetivos de Aprendizagem

Exemplo Resumido 3 - Fundamentos e Aplicações de IA

Conclusão: Um Futuro Educacional Centrado no Humano

Referências Bibliográficas

Crianças chinesas de 6 anos já aprendem Inteligência Artificial nas escolas

O Poder do O-soji: Como a Limpeza Vira Educação no Japão

🏯 As Raízes Milenares do O-soji: Onde Espiritualidade e Educação se Encontram

🎓 A Pedagogia em Ação: Como o O-soji Molda Mentes e Corações

🌟 Os Pilares da Transformação: Benefícios Pedagógicos Comprovados

🎯 Responsabilidade e Consciência Cidadã

🤝 Trabalho em Equipe e Colaboração

🙏 Humildade e Igualdade

🧠 Respeito pelo Espaço Coletivo

📊 Contrastes Reveladores: O-soji versus Realidades Educacionais Globais

Brasil

Japão

🌍 O Impacto Global: Quando o Mundo Reconhece a Sabedoria Japonesa

🎯 Formação Integral: Mais que Limpeza, uma Filosofia Educacional

🚀 Lições para o Futuro da Educação

📚 Referências Bibliográficas (ABNT)

MIT: Como o Cérebro se Beneficia Quando Você Usa IA da Forma Certa

SURPRESA! Garrafas de Vidro Contêm Mais Microplásticos que as de Plástico

Streaming Brasil: O Guia Completo para Assistir Filmes Sem Pagar Nada

Nova pílula promete queimar gordura sem tirar o apetite

Descobertas Científicas Revolucionárias - Junho/2025

🔬 Introdução

🧠 Cientistas descobrem nova forma de como o cérebro aprende

🔍 Descoberta Principal:

⚙️ Detalhes Técnicos:

🎯 Implicações Clínicas:

🔭 Observatório Vera C. Rubin criará o registro time-lapse mais completo do universo

🌟 Descoberta Principal:

🔧 Especificações Técnicas:

🎯 Objetivos Científicos:

🧪 Descoberta de receptores de dopamina em região negligenciada do cérebro

🔬 Descoberta Principal:

⚗️ Detalhes da Pesquisa:

🏥 Relevância Clínica:

⚕️ Nanopartículas revolucionárias para tratamento de câncer com ultrassom

💊 Descoberta Principal:

🔬 Detalhes Técnicos:

🎯 Inovação Dupla:

📊 Resultados Promissores:

🤖 Descoberta cerebral pode desbloquear capacidade da IA de "ver o futuro"

🧠 Descoberta Principal:

🔍 Detalhes da Pesquisa:

🤖 Conexão com IA:

🎯 Implicações:

🎯 Conclusão

📚 Referências

As Melhores Ferramentas de IA em 2025

🧠 ASSISTENTES IA AVANÇADOS E AGENTES AUTÔNOMOS

🔎 PESQUISA E COLETA DE INFORMAÇÕES

Exemplo Resumido
3 - Fundamentos e Aplicações de IA