Logotipo do repositório

Metadados de Large Language Models sob a perspectiva da ciência da informação: proposta de perfil de aplicação de metadados para LLMs personalizados

dc.contributor.advisorAlves, Rachel Cristina Vesu
dc.contributor.authorSiqueira, Marcos Antonio
dc.contributor.coadvisorConeglian, Caio Saraiva
dc.contributor.committeeMemberSant'Ana Filho, Ricardo César Gonçalves
dc.contributor.committeeMemberCastro, Fabiano Ferreira de
dc.contributor.committeeMemberRodrigues, Fernando de Assis
dc.contributor.committeeMemberArakaki, Felipe Augusto
dc.contributor.institutionUniversidade Estadual Paulista (UNESP)pt
dc.date.accessioned2026-10-23T15:29:16Z
dc.date.issued2026-06-30
dc.description.abstractEsta tese analisa a estrutura de metadados para Large Language Models (LLMs) sob a perspectiva da Ciência da Informação (CI), propondo um Perfil de Aplicação de Metadados (MAP) para LLMs personalizados, denominado MAP-CLLM. Reconhecendo a crescente relevância dos LLMs e a necessidade de controle e representação informacional, o estudo justifica-se pela lacuna na literatura sobre diretrizes formais para a organização e representação de metadados de modelos de Inteligência Artificial Generativa (IAG). O objetivo principal reside em desenvolver e apresentar o MAP-CLLM, visando padronizar a representação de LLMs personalizados e viabilizar a interoperabilidade, a recuperação e o reuso informacional. A metodologia de natureza aplicada, com abordagem qualitativa e objetivo exploratório-descritivo, operacionaliza uma revisão de literatura e análise documental, servindo-se do modelo conceitual LRM para a desconstrução do objeto de estudo, um LLM personalizado, fundamentada na literatura da CI focada na determinação de metadados e, na literatura da Ciência da Computação (CC) para especificações de metadados presentes em ferramentas de personalização de LLMs. A pesquisa realiza a análise e integração do padrão Dublin Core, do vocabulário Schema.org e do framework Model Cards, adaptando-os ao contexto da IAG. Os resultados culminam no MAP-CLLM, um conjunto de elementos que incorpora requisitos funcionais e estruturais específicos para contribuir para uma explicabilidade contextual de LLMs personalizados. O perfil é detalhado por meio de um Description Set Profile (DSP). Conclui-se que o MAP-CLLM constitui-se como uma estrutura fundamentada pela CI para a gestão de metadados de LLMs personalizados, contribuindo para a governança, transparência e confiabilidade desses objetos informacionais.pt
dc.description.abstractThis thesis analyzes the metadata structure for Large Language Models (LLMs) from the perspective of Information Science (IS), proposing a Metadata Application Profile (MAP) for customized LLMs, designated as MAP-CLLM. Acknowledging the growing relevance of LLMs and the need for informational control and representation, the study is justified by a gap in the literature regarding formal guidelines for the organization and representation of metadata for Generative Artificial Intelligence (GAI) models. The primary objective is to develop and present MAP-CLLM, aiming to standardize the representation of customized LLMs and enable interoperability, retrieval, and information reuse. The methodology—applied in nature, qualitative in approach, and exploratory-descriptive in objective—operationalizes a literature review and document analysis. It employs the LRM conceptual model to deconstruct the object of study (a customized LLM), grounded in IS literature focused on metadata determination and in Computer Science (CS) literature regarding metadata specifications found in LLM customization tools. The research analyzes and integrates the Dublin Core standard, the Schema.org vocabulary, and the Model Cards framework, adapting them to the GAI context. The results culminate in MAP-CLLM, a set of elements incorporating specific functional and structural requirements to contribute to the contextual explainability of customized LLMs. The profile is detailed through a Description Set Profile (DSP). The study concludes that MAPCLLM constitutes an IS-grounded framework for managing metadata for customized LLMs, contributing to the governance, transparency, and trustworthiness of these information objects.en
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt
dc.description.sponsorshipIdCAPES: 88887.694015/2022-00
dc.identifier.capes33004110043P4
dc.identifier.citationSIQUEIRA, Marcos Antonio. Metadados de Large Language Models sob a perspectiva da ciência da informação: proposta de perfil de aplicação de metadados para LLMs personalizados. 2026. Tese (Doutorado em Ciência da Informação) - Faculdade de Filosofia e Ciências, Universidade Estadual Paulista (UNESP), Marília, 2026.pt
dc.identifier.lattes7364494700499051
dc.identifier.lattes5658134053257855
dc.identifier.lattes3954065076810604
dc.identifier.lattes7124931056289027
dc.identifier.lattes5556499513805582
dc.identifier.orcid0000-0002-1649-3722
dc.identifier.orcid0009-0002-8412-8820
dc.identifier.urihttps://hdl.handle.net/11449/349160
dc.language.isopor
dc.publisherUniversidade Estadual Paulista (UNESP)pt
dc.rights.accessRightsAcesso abertopt
dc.subjectMetadadospt
dc.subjectOrganização da informaçãopt
dc.subjectRecuperação da informaçãopt
dc.subjectInteligência artificialpt
dc.subjectDublin Corept
dc.subjectSchema.orgpt
dc.subjectLibrary Reference Modelen
dc.subjectModel Cardsen
dc.titleMetadados de Large Language Models sob a perspectiva da ciência da informação: proposta de perfil de aplicação de metadados para LLMs personalizadospt
dc.title.alternativeMetadata for Large Language Models from the Perspective of information science: a proposed metadata application profile for customized LLMsen
dc.typeTese de doutoradopt
dcterms.impactA integração dos Large Language Models (LLMs) personalizados em diversos setores da sociedade contemporânea reconfigura paradigmas de interação humano-computador e produção informacional. Esta tese, ao propor um perfil de aplicação de metadados para LLMs personalizados, doravante denominado MAP-CLLM, estabelece pontos de convergência com os Objetivos de Desenvolvimento Sustentável (ODS) concentrando-se em dimensões onde a estruturação da informação é condição para o desenvolvimento tecnológico responsável. A conexão com o ODS 4 (Educação de Qualidade), manifesta-se na qualificação dos LLMs como recursos educacionais digitais. A ausência de padrões para a representação de agentes inteligentes personalizados dificulta sua integração criteriosa em ambientes de aprendizagem. O MAP-CLLM provê a estrutura necessária para a descoberta, a avaliação e o reuso dessas ferramentas como mediadores pedagógicos, assegurando que o acesso ao conhecimento mediado por IA seja fundamentado em critérios de proveniência e fidedignidade informacional. No âmbito do ODS 9 (Indústria, Inovação e Infraestrutura), a pesquisa contribui para a consolidação de infraestruturas de dados robustas. A aplicação do rigor da Ciência da Informação ao cenário da Inteligência Artificial Generativa fomenta a inovação sustentável, provendo modelos de representação que contribuem para a solidez técnica e a interoperabilidade sistêmica necessária para a economia digital e o avanço científico. Por fim, relativo ao ODS 16 (Paz, Justiça e Instituições Eficazes), o estudo endereça a problemática da opacidade algorítmica. Ao propor elementos de metadados voltados à explicabilidade e à documentação de limitações éticas, a tese oferece subsídios para o fortalecimento de instituições transparentes comprometidas em diminuir riscos associados a vieses informacionais, promovendo a governança ética e confiável da informação.pt
dcterms.impactThe integration of customized Large Language Models (LLMs) into various sectors of contemporary society is reshaping paradigms of human-computer interaction and information production. By proposing a metadata application profile for customized LLMs—hereinafter referred to as MAP-CLLM—this thesis establishes points of convergence with the Sustainable Development Goals (SDGs), focusing on dimensions where information structuring is a prerequisite for responsible technological development. The connection to SDG 4 (Quality Education) is evident in the characterization of LLMs as digital educational resources. The lack of standards for representing customized intelligent agents hinders their judicious integration into learning environments. MAP-CLLM provides the necessary framework for the discovery, evaluation, and utilization of these tools as pedagogical mediators, ensuring that AI-mediated access to knowledge is grounded in criteria regarding provenance and informational reliability. Within the scope of SDG 9 (Industry, Innovation, and Infrastructure), the research contributes to the development of robust data infrastructures. Applying the rigor of Information Science to the landscape of Generative Artificial Intelligence fosters sustainable innovation by validating representation models that deliver the technical solidity and systemic interoperability essential for the digital economy and scientific advancement. Finally, regarding SDG 16 (Peace, Justice, and Strong Institutions), the study addresses the issue of algorithmic opacity. By proposing metadata elements specific to explainability and the documentation of ethical limitations, the thesis supports the strengthening of transparent institutions committed to mitigating risks associated with informational biases, thereby promoting ethical governance and trust in information.en
dspace.entity.typePublication
relation.isAdvisorOfPublication0bc5ab9b-2d65-45e4-ac4f-79b7c5971ab5
relation.isAdvisorOfPublication.latestForDiscovery0bc5ab9b-2d65-45e4-ac4f-79b7c5971ab5
relation.isAuthorOfPublication911a654c-71bc-43c4-b48c-e59b0f548dda
relation.isAuthorOfPublication.latestForDiscovery911a654c-71bc-43c4-b48c-e59b0f548dda
relation.isCoadvisorOfPublication0c006ac7-5430-4d13-882c-55017ce64210
relation.isCoadvisorOfPublication.latestForDiscovery0c006ac7-5430-4d13-882c-55017ce64210
relation.isCommitteeMemberOfPublication83b3740f-8c95-49e4-ae06-ca98c8e8abff
relation.isCommitteeMemberOfPublication900e5685-b01c-4a14-bf41-afa3d71ce28e
relation.isCommitteeMemberOfPublication687e667b-68b8-4e24-a7f6-edffe16b2da2
relation.isCommitteeMemberOfPublicationdcd56222-1e6b-4c44-ac33-d681ced04141
relation.isCommitteeMemberOfPublication.latestForDiscovery900e5685-b01c-4a14-bf41-afa3d71ce28e
relation.isCommitteeMemberOfPublication.latestForDiscovery687e667b-68b8-4e24-a7f6-edffe16b2da2
relation.isCommitteeMemberOfPublication.latestForDiscoverydcd56222-1e6b-4c44-ac33-d681ced04141
relation.isCommitteeMemberOfPublication.latestForDiscovery83b3740f-8c95-49e4-ae06-ca98c8e8abff
relation.isGradProgramOfPublication1ecdc84d-e8ea-4a3a-9b6a-7b64a970d043
relation.isGradProgramOfPublication.latestForDiscovery1ecdc84d-e8ea-4a3a-9b6a-7b64a970d043
relation.isOrgUnitOfPublicatione22ddca4-2c85-4153-8a3a-3aae2af14eaa
relation.isOrgUnitOfPublication.latestForDiscoverye22ddca4-2c85-4153-8a3a-3aae2af14eaa
unesp.campusUniversidade Estadual Paulista (UNESP), Faculdade de Filosofia e Ciências, Maríliapt
unesp.examinationboard.typeBanca públicapt
unesp.graduateProgramCiência da Informação - FFCpt
unesp.knowledgeAreaInformação, tecnologia e conhecimentopt
unesp.researchAreaInformação e tecnologiapt

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
siqueira_ma_dr_mar.pdf
Tamanho:
1,84 MB
Formato:
Adobe Portable Document Format