Pesquisadores do Laboratório do Futuro participaram da 27ª Conferência Europeia sobre Gestão do Conhecimento (27th European Conference on Knowledge Management – ECKM 2026), realizada na Niccolò Cusano University, em Roma, Itália. O evento reúne anualmente acadêmicos e especialistas internacionais para discutir os avanços teóricos e práticos na área.
Nesta edição, o laboratório destacou-se com a aprovação e apresentação de três artigos científicos. Os trabalhos abordam desde a sistematização de processos na engenharia de software até o desenvolvimento de arquiteturas de Inteligência Artificial baseadas em Grafos de Conhecimento e a análise crítica da proveniência de dados.
1. Processos de Gestão do Conhecimento no Reuso de Software
O artigo “Knowledge Management Processes in Software Reuse: A Rapid Review” investiga como a adoção formal de práticas de Gestão do Conhecimento potencializa a reutilização de componentes de software. Através de uma revisão rápida da literatura (rapid review), a pesquisa sintetiza evidências empíricas sobre a redução do tempo de desenvolvimento, a otimização da manutenção e a diminuição da dívida técnica nas organizações.
2. K-GRASP: Externalização de Conhecimento Tácito com LLMs e Grafos de Conhecimento
Em “K-GRASP: Tacit Knowledge Externalization with Language Models and Knowledge Graphs”, os autores propõem o framework K-GRASP, desenhado para solucionar um dos desafios mais complexos da gestão do conhecimento: a conversão do saber tácito (não estruturado e residente na experiência humana) em conhecimento explícito.
A abordagem integra o poder gerativo de Grandes Modelos de Linguagem (Large Language Models – LLMs) com a precisão conceitual dos Grafos de Conhecimento (Knowledge Graphs), permitindo formalizar saberes especialistas em estruturas representacionais auditáveis e diretamente consultáveis.
3. Fluxos Ocultos de Dados e Crowdsourcing Indireto para IA
O trabalho “Indirect Crowdsourcing and the Hidden Flows of Data for AI” faz uma análise metodológica e crítica sobre as vias indiretas pelas quais dados comportamentais são coletados e integrados ao treinamento de sistemas de aprendizado de máquina.
O estudo examina os impactos éticos e epistemológicos do crowdsourcing passivo, propondo diretrizes para aumentar a transparência, a rastreabilidade e a governança nas cadeias de suprimento de dados que alimentam modelos preditivos e generativos contemporâneos.