Modelos de linguagem, soberania e o risco de reproduzir desigualdades na elaboração de políticas esportivas

Modelos de linguagem, soberania e o risco de reproduzir desigualdades na elaboração de políticas esportivas

Por Sabrina Furtado e Márjory Da Costa-Abreu

Grandes modelos de linguagem (um tipo de Inteligência Artificial [IA], que as mais populares são comerciais e privadas) estão sendo cada vez mais utilizados para apoiar a escrita diária de políticas, diretrizes e demais documentos norteadores, os quais por muitas vezses  embasam  a tomada de decisões em diversos setores, incluindo o esporte. Existe uma narrativa de que essas ferramentas podem aumentar a eficiência de tais setores, quando auxiliam na geração automática de resumos e na elaboração de documentos. Essa presunção não foi comprovada quando se olha para o impacto que tais políticas vêm a criar na vida do cidadão, e não somente se olha para a aceleração do processo organizacional, bem como para o lucro destinado às corporações que detêm os direitos sobre estas tecnologias. Como esses modelos de linguagem funcionam retornando médias probabilísticas de combinação de palavras o seu uso na elaboração de políticas esportivas levanta preocupações importantes.

No esporte, as desigualdades relacionadas a gênero, raça, deficiência, geografia e condição econômica são significativas, e acentuadas quando um ou mais destes indicadores são combinados.

Nesse contexto,  o uso acrítico de tais  modelos pode vir a gerar políticas que parecem neutras e inclusivas, mas que reforçam discriminações existentes nas bases de dados de textos e demais materiais usados para o seu treinamento.

Três questões principais exigem atenção: a reprodução de vieses históricos, a criação de políticas padronizadas que ignoram contextos locais e o reforço da discriminação por decisões baseadas em informações sintetizadas e através de sistemas automatizados.

Reprodução de vieses históricos e estruturais

O conhecimento humano registrado em documentos escritos foi moldado por sistemas de poder desiguais, os quais ainda são perpetuados em diversas sociedades através de barreiras sociais e econômicas de acesso ao conhecimento e à informação. Também já se é matematicamente evidenciado que modelos de aprendizado de máquina (subárea da IA que os grandes modelos de linguagem pertencem) reproduzem fortemente vieses sociais, uma vez que os dados utilizados para treiná-los refletem desigualdades históricas.

No esporte, essas preocupações são particularmente relevantes, pois o conhecimento produzido no campo esportivo historicamente priorizou determinados grupos que, ao se adequarem à narrativa social construída acerca do fenômeno, têm sido beneficiados no desenvolvimento de suas políticas. Em diversos países, as políticas públicas de esporte e lazer documentadas, frequentemente se concentraram no esporte masculino, liderado por homens, em competições de elite e em modelos de organizações de países ocidentais ricos. Consequentemente, um modelo treinado predominantemente com os dados e documentos existentes a partir dessa realidade, dará maior visibilidade a essas perspectivas, refletindo uma lógica excludente e um esporte distanciado da realidade de grande parte da população de países como o Brasil, por exemplo. Tais modelos, ao se basearem em tal lógica estarão fadados a reproduzir uma cultura esportiva que sub-representará o esporte feminino, as perspectivas indígenas, o esporte para pessoas com deficiência, o esporte comunitário e as experiências do Sul Global. Esses modelos refletem padrões contidos nas informações a partir das quais aprendem.

Elaboração de políticas genéricas que ignoram realidades locais

Esses sistemas identificam padrões comuns em grandes conjuntos de dados e geram textos com base no que é estatisticamente provável. No entanto, uma política esportiva eficaz não pode basear-se apenas em tendências gerais, visto que a participação no esporte, o acesso e a desigualdade são fortemente influenciados por fatores locais, incluindo cultura, infraestrutura, condições econômicas, sistemas políticos e experiências históricas.

Uma política concebida a partir de uma perspectiva global generalizada falhará em atender a necessidades regionais específicas.

Por exemplo, estratégias para aumentar a participação feminina no esporte em um ambiente urbano próspero podem não ser adequadas para comunidades onde as barreiras incluem transporte, segurança, expectativas culturais ou falta de instalações. Da mesma forma, políticas desenvolvidas com base em modelos de esporte de elite podem não atender às necessidades de organizações de base ou comunidades de baixa renda. O erro de abstração ocorre quando problemas humanos complexos são simplificados em problemas técnicos que ignoram realidades sociais importantes.

Para organizações esportivas, isso significa que políticas geradas por grandes modelos de linguagem podem não refletir as condições de acesso a recursos de sua região. A inter-relação entre recursos humanos, físicos e materiais, com os indicadores socio-culturais e econômicos onde cada uma destas organizações está inserida, pode vir a produzir barreiras ou facilitadores para o acesso de comunidades já comumente marginalizadas, que devem ser analisadas em suas particularidades frente ao contexto apresentado. Tais sistemas não são capazes de substituir a consulta a atletas, comunidades, praticantes e grupos sub-representados. O conhecimento local continua sendo essencial para a criação de políticas justas e eficazes.

Reforço da discriminação por meio de sistemas automatizados

No ciclo da política pública, dados relevantes sobre a realidade a ser endereçada através da implementação de uma nova política são essenciais para a efetividade destas ações, as quais, por sua vez, geram resultados e produtos que, ao serem avaliados , frequentemente influenciam decisões de financiamento, programas de participação e prioridades organizacionais. Ao relegar a função de avaliação e análise crítica sobre o desenvolvimento e efetividade de políticas de esporte e lazer para sistemas automatizados, corre-se um grande risco de permitir que vieses e lacunas sejam perpetuados dentro do sistema. Sabemos que os grandes modelos de linguagem contém suposições implícitas sobre quem pratica esportes, quais experiências são relevantes ou o que define o sucesso. Essas suposições podem acabar sendo incorporadas em decisões futuras, e potencializar os abismos sociais encontrados hoje no acesso ao esporte e lazer no Brasil

No esporte, isso afeta áreas como identificação de talentos, alocação de recursos, estratégias de igualdade e programas de participação.

Por exemplo, se dados históricos sub-representam certos grupos, uma recomendação gerada por grandes modelos de linguagem pode continuar priorizando os grupos que já se beneficiam dos sistemas existentes. O uso de grandes modelos de linguagem em políticas esportivas exige salvaguardas éticas robustas. Supervisão humana, consultas diversificadas, transparência sobre o uso de grandes modelos de linguagem e avaliação crítica dos resultados são medidas necessárias para reduzir esses riscos.

O que fazer diante dessas considerações?

O uso de grandes modelos de linguagem já está influenciando diferentes etapas do ciclo de políticas públicas, desde a definição dos problemas até a implementação das soluções, e quais items são ou não relevantes em suas avaliações. 

Na definição do problema e na construção da agenda, é importante investigar se esses modelos oferecem informações suficientemente diversas e representativas ou se reproduzem vieses presentes nos dados de treinamento, influenciando a identificação dos problemas e a seleção das evidências que orientam as prioridades governamentais. Aqui se faz necessário avaliar quais grupos estão advogando em prol de políticas esportivas, e ainda mais importante, quais estão sendo ouvidos, e quais estão sendo silenciados pelos grandes modelos de linguagem.

Na formulação das políticas, os grandes modelos de linguagem podem ser usados para comparar e avaliar alternativas. Porém, essas comparações serão genéricas, baseadas na imitação de políticas nacionais ou internacionais que não consideram as especificidades locais. O mesmo ocorre com as avaliações, as quais tendem a comparar o custo-beneficio da implementação de diferentes políticas, ignorando as necessidades de populações diversas. No Brasil, esse problema merece atenção, especialmente quando leis e políticas formuladas em âmbito nacional são reproduzidas por estados e municípios sem as adaptações necessárias às diferentes realidades sociais, econômicas e institucionais.

Na tomada de decisão, cabe questionar se as comparações automatizadas e o uso de médias podem obscurecer desigualdades e particularidades contextuais. Além disso, sistemas automatizados podem reforçar discriminações existentes, comprometendo a equidade das decisões públicas. 

Na implementação, é necessário compreender como os grandes modelos de linguagem afetam as rotinas administrativas, a alocação de recursos e as análises de eficiência, considerando seus impactos sobre a capacidade estatal, a qualidade dos serviços públicos e a distribuição dos benefícios das políticas entre diferentes grupos sociais. Aqui, a alimentação de informações fidedignas e contextuais a estes sistema, pode, no longo prazo, favorer uma maior diversidade e dados contextualizados e sensíveis as diferentes realidades de cada local. 

Por fim, no processo de avaliação, faz-se necessário, uma vez mais, desafiar as estruturas prontas propostas por tais modelos, a fim de buscar um processo de avaliação da política que forneça ao poder público e aos tomadores de decisão informações que possam subsidiar melhorias na oferta do esporte e lazer para as comunidades. Ao restringir, o já muito frágil, processo de avaliação da política de esporte e lazer do Brasil a indicadores prescritos por modelos de IA, perde-se a granularidade de informações contextuais que permitiria ao poder público melhorar o alcance de tais políticas para grupos marginalizados. 

É necessário ponderarmos a limitação iminente de tais modelos ao serem utilizados de maneira acrítica e de forma prescritiva, sem uma análise contextual atrelada à realidade de cada região ou comunidade.

O acesso ao esporte e ao lazer no Brasil é marcado por desigualdades sociais, econômicas e culturais, que permeiam as diferentes regiões do país.

Ao permitirmos que grandes modelos de linguagem automatizem o desenvolvimento, implementação e avaliação das políticas esportivas, permitimos também que tais desigualdades sejam perpetuadas e ainda acentuadas. Da mesma forma como a prescrição de modelos esportivos eurocêntricos tem sido refutada no contexto do Sul Global, o uso indiscriminado de grandes modelos de linguagem, produzidos e treinados no Norte Global deve ser criticamente avaliado no contexto brasileiro. 

Como citar esta matéria:

Furtado, Sabrina; Da Costa-Abreu, Márjory. Modelos de linguagem, soberania e o risco de reproduzir desigualdades na elaboração de políticas esportivas. SBC Horizontes, Outubro 2026. ISSN 2175-9235. Acesso em: DD mês. AAAA.

Referências

Compartilhe:
error
fb-share-icon
Tweet
Acessos: 77

Leia também

Quando a guerra cibernética chega à geladeira do supermercado

Quando a guerra cibernética chega à geladeira do supermercado

Oportunidades de desenvolvimento e soberania digital no Brasil: Da reserva de mercado à arquitetura RISC-V

Oportunidades de desenvolvimento e soberania digital no Brasil: Da reserva de mercado à arquitetura RISC-V

A Maior Vulnerabilidade Não Está No Código

A Maior Vulnerabilidade Não Está No Código

Entre Mythos, Prometeu e Pandora: Inteligência Artificial e a Nova Geopolítica da Cibersegurança

Entre Mythos, Prometeu e Pandora: Inteligência Artificial e a Nova Geopolítica da Cibersegurança

O código é neutro?

O código é neutro?

Macaozinho: um chatbot confiável que vai badalar a COP30

Macaozinho: um chatbot confiável que vai badalar a COP30