<b>Concepção de chatbots:</b> perspectivas e interseções na Ciência da Informação

Soares, Jordana Rabelo; Silva, Patrícia Nascimento

doi:10.20396/rdbci.v23i00.8679339

RESUMO

Introdução: Os chatbots têm sua origem nos anos 1960, mas, no cenário tecnológico atual, emergem como ferramentas importantes, aprimorando a experiência do usuário e proporcionando um atendimento ágil e personalizado. Do ponto de vista da Ciência da Informação (CI), os chatbots representam um novo canal de comunicação e interação com a informação para facilitar o acesso a grandes volumes de dados, auxiliar na organização e classificação de conteúdos e, até mesmo, na criação de sistemas de recomendação e curadoria de informações. Assim, investigar como a CI está sendo relacionada ao desenvolvimento dos chatbots é o questionamento desta pesquisa.

Objetivo: Investigar, na literatura acadêmico-científica, metodologias e tecnologias para o desenvolvimento de chatbots, bem como suas principais aplicações e relações com a CI. Metodologia: Foi realizada uma revisão de literatura cujo protocolo foi executado entre os meses de julho e agosto de 2024.

Resultados: Foram analisados 55 documentos, com segmentos em cinco categorias: Metodologias, Modelos, Linguagens, Plataformas e Técnicas de processamento. As categorias foram desenhadas com o intuito de explorar a diversidade de abordagens e técnicas presentes na literatura, além de compreender como as diferentes áreas estão utilizando os chatbots para otimizar processos e serviços.

Conclusão: A evolução constante das tecnologias de IA e recuperação da informação abre um horizonte promissor para o desenvolvimento de chatbots. No entanto, apesar de estar relacionada com várias técnicas e processos, a CI ainda ganha pouco destaque. Como trabalhos futuros, sugere-se que técnicas e métodos da CI sejam integrados de maneira formal no desenvolvimento de chatbots.

PALAVRAS-CHAVE
Chatbot; Organização da informação; Recuperação da informação; Ciência da Informação.

ABSTRACT

Introduction: Chatbots originated in the 1960s, but in today's technological landscape, they have emerged as important tools, improving the user experience and providing an agile and personalized service. From the perspective of Information Science (IS), chatbots represent a new channel of communication and interaction with information to facilitate access to large volumes of data, assist in the organization and classification of content, and even in the creation of information recommendation and curation systems. Thus, investigating how CI is being related to the development of chatbots is the question of this research.

Objective: To investigate, in the academic-scientific literature, methodologies and technologies for developing chatbots, as well as their main applications and relations with CI. Methodology: A literature review was carried out between July and August 2024.

Results: 55 documents were analyzed, segmented into five categories: Methodologies, Models, Languages, Platforms and Processing techniques. The categories were designed to explore the diversity of approaches and techniques present in the literature, as well as to understand how different areas are using chatbots to optimize processes and services.

Results: Fifty-five documents were analyzed, divided into five categories: Methodologies, Models, Languages, Platforms, and Processing Techniques. The categories were designed to explore the diversity of approaches and techniques present in the literature, as well as to understand how different areas are using chatbots to optimize processes and services.

Conclusion: The constant evolution of AI and information retrieval technologies opens up a promising horizon for the development of chatbots. However, despite being related to various techniques and processes, CI is still not given much prominence. Future work suggests that CI techniques and methods be formally integrated into the development of chatbots.

KEYWORDS
Chatbot; Organization of information; Information retrieval; Information Science.

1 INTRODUÇÃO

A invenção dos chatbots tem sua origem nos anos 1960, com o trabalho de Joseph Weizenbaum e seu chatbot ELIZA. Inspirado no teste de Turing, ELIZA simulava uma psicóloga rogeriana, engajando-se em conversas simples com usuários. Mesmo com suas limitações, o chatbot ELIZA despertou o interesse na investigação sobre Processamento de Linguagem Natural (PLN), abrindo caminho para futuros avanços (Adamopoulou; Moussiades, 2020). Após o Teste de Turing e com a criação dos primeiros chatbots, foi observado o aperfeiçoamento dessas aplicações e a sua evolução ao longo dos anos.

A década de 1990 foi marcada pela explosão da internet, impulsionando o desenvolvimento e a adoção de chatbots. Em 1995, o chatbot ALICE se destacou por sua capacidade de engajar-se em conversas abertas e complexas, utilizando técnicas de PLN e aprendizado de máquina. Chatbots baseados em regras, como SmarterChild, em 2001, também ganharam popularidade, oferecendo suporte ao cliente e informações em diversos sites (Guimarães, 2022). A ascensão das plataformas de mensagens instantâneas, no início dos anos 2000, revolucionou o cenário dos chatbots. Outro marco importante ocorreu em novembro de 2022, com o lançamento dos modelos generativos de inteligência artificial, no qual novas aplicações reuniram funcionalidades de recuperação de informação e a interação com os usuários em linguagem natural.

No cenário tecnológico atual, os chatbots, por sua vez, emergem como ferramentas importantes, aprimorando a experiência do usuário e proporcionando um atendimento ágil e personalizado. Na atualidade, essa tecnologia inovadora utiliza inteligência artificial para interagir com os usuários, respondendo perguntas, auxiliando em dúvidas frequentes e oferecendo recomendações em tempo real (Batllori, 2023).

Do ponto de vista da Ciência da Informação (CI), os chatbots representam um novo canal de comunicação e interação com a informação. Eles podem ser utilizados para facilitar o acesso a grandes volumes de dados, auxiliar na organização e classificação de conteúdos e, até mesmo, na criação de sistemas de recomendação e curadoria de informações. A personalização e a capacidade de aprendizado dos chatbots permitem que eles se adaptem às necessidades individuais dos usuários, oferecendo uma experiência de busca e recuperação da informação mais eficiente e intuitiva (Castor et al., 2021).

Dessa forma, a fim de investigar como CI está sendo relacionada ao desenvolvimento dos chatbots, esta pesquisa considerou as seguintes questões norteadoras: Quais são as metodologias utilizadas e empregadas no desenvolvimento de chatbots? Quais são as principais tecnologias e plataformas utilizadas? Quais são os principais domínios de aplicação dos chatbots? O objetivo do estudo foi investigar, na literatura acadêmico-científica, metodologias e tecnologias para o desenvolvimento de chatbots, bem como suas principais aplicações e relações com a CI.

Este estudo justifica-se para mapear, compreender e delinear um panorama da produção científica sobre chatbots, perpassando sua evolução e suas técnicas de modelagem, e integra uma pesquisa acadêmica em andamento sobre chatbots inter-relacionados com CI e Sistemas de Informação, iniciada no trabalho de Soares e Silva (2024), que pretende identificar lacunas e oportunidades no contexto da CI.

2 REVISÃO DE LITERATURA

Os chatbots e a inteligência artificial estão moldando o futuro da interação humana com a tecnologia. Embora apresentem inúmeras oportunidades, eles também trazem desafios que precisam ser abordados. Uma limitação crucial reside na necessidade contínua de informações atualizadas para garantir que os chatbots permaneçam relevantes, úteis e mantenham o desempenho ao longo do tempo (Oliveira; Matos, 2023).

A integração de chatbots no contexto digital contemporâneo destaca a importância desses três pilares da CI: organização, representação e recuperação da informação, que são tópicos fundamentais para a compreensão, recuperação e utilização eficiente dos dados, tanto em chatbots quanto em outros contextos. Os chatbots projetados para simular conversas humanas dependem de uma estrutura de informação bem definida para fornecer respostas precisas e contextualizadas.

Segundo Barreto (2002), o objetivo do processo de organização da informação é possibilitar e facilitar o acesso à informação, que, por sua vez, tem a competência e intenção de produzir conhecimento. A área da Organização da Informação (OI) compreende todos os estudos relacionados aos processos e instrumentos utilizados na organização de recursos informacionais de qualquer natureza, com o intuito de viabilizar o atendimento às necessidades de informação de uma determinada comunidade de usuários (Lima, 2020).

Conforme apontado por Hjorland (2010), a representação da informação compreende a descrição (física e intelectual) de documentos e a organização dessas descrições de forma que possam ser acessadas e recuperadas pelos usuários. Ao utilizar metadados e padrões de representação de dados, como a linguagem natural, os chatbots conseguem interpretar as perguntas e questões de maneira mais intuitiva. Além disso, a implementação de técnicas de PLN e Machine Learning (ML) aprimoram a capacidade dos chatbots de compreender nuances e contextos nas interações, resultando em respostas mais adequadas.

A recuperação da informação em chatbots refere-se à capacidade de localizar e apresentar informações relevantes a partir de um banco de dados estruturado (Moore et al., 2023). Algoritmos de busca e técnicas de recuperação baseadas em aprendizado de máquina são frequentemente utilizados para otimizar esse processo, garantindo que o chatbot possa acessar rapidamente dados organizados e representados de forma eficaz.

Independentemente da abordagem ou estrutura adotada para a construção de chatbots, a articulação entre organização, representação e recuperação da informação é fundamental para o desempenho desses sistemas. A estruturação adequada dos dados melhora a experiência do usuário e também contribui para aumentar a eficácia dos chatbots na gestão do conhecimento. À medida que a tecnologia avança, torna-se necessário avaliar continuamente essas dimensões, buscando ampliar a capacidade e a utilidade dos chatbots em diferentes contextos de aplicação (Matthews, 2020). Considerando esse cenário, a presente revisão busca investigar os processos de construção de chatbots a partir da perspectiva da Ciência da Informação, destacando o papel das práticas informacionais na qualidade e no desempenho desses sistemas.

3 METODOLOGIA

A revisão da literatura, segundo Gil (2002), é um componente crítico dos trabalhos acadêmicos, fornecendo uma visão geral, um resumo e uma avaliação de pesquisas relevantes sobre um tópico, problema ou período de tempo específico. De acordo com Kitchenham (2004), a revisão de literatura se conceitua como um método que busca identificar, avaliar e interpretar pesquisas disponíveis e relevantes para uma determinada questão de pesquisa, temática ou fenômeno de interesse. Além disso, ela estabelece uma estratégia de busca com critérios bem delimitados.

Para realizar esta revisão da literatura sobre chatbots, um protocolo foi adaptado com base na literatura da área e considerou os seguintes critérios: objetivo geral, questões a serem resolvidas, fontes de informação pesquisadas, critérios de elegibilidade, critérios de inclusão e de exclusão, campos de busca, expressões de busca, string geral, procedimentos de seleção dos documentos recuperados, procedimentos de análise e critérios de exclusão após a análise dos documentos e tratamento, conforme apresentado no Quadro 1.

Thumbnail

Quadro 1
Protocolo da Revisão de Literatura

A pesquisa foi delineada, primeiramente, pela definição das fontes de pesquisa, optando-se por bases de dados com ampla cobertura em diversas áreas do conhecimento, como Scopus, Web of Science, SciELO e Biblioteca Digital de Teses e Dissertações (BDTD). A definição da expressão e das strings de busca foi realizada considerando-se a sintaxe de cada base de dados, utilizando-se o termo "chatbot" e seus sinônimos, além dos termos "metodologia" ou "construção" e sinônimos e "informação". Com relação aos campos de busca, foram utilizados os campos: título, resumo e palavras-chave, nas bases Scopus, WOS, BDTD, e título e palavras-chave na base SciELO.

Para o critério de elegibilidade, foram selecionados os idiomas inglês, pelo fato de a maioria dos artigos ser no idioma inglês e essa língua abranger grande parte da produção científica na área, espanhol e português. Não foi estabelecida uma delimitação de datas nas buscas, a fim de não restringir a pesquisa e permitir a recuperação de questões históricas sobre o tema. Quanto à tipologia documental da amostra, foram selecionados: artigos de periódicos, publicações em eventos, teses e dissertações e capítulos de livros.

Os critérios de inclusão foram definidos para a realização da seleção dos documentos de forma adequada ao estudo e consideraram documentos que possuíam resumo; documentos nos idiomas inglês, espanhol e português; e documentos relacionados ao desenvolvimento e à construção de chatbots. Foram definidos três critérios de exclusão: exclusão de documentos que não foram escritos nos idiomas selecionados; exclusão de documentos cujos títulos, resumos e palavras-chave não abordam o tema chatbot; e exclusão de documentos não disponíveis na íntegra.

O critério definido em procedimentos de seleção para os documentos recuperados consistiu em realizar a leitura do título e dos resumos dos documentos recuperados, com o intuito de verificar a pertinência do conteúdo ao objetivo geral do protocolo de revisão. Nos procedimentos de análise, procurou-se identificar conceitos, definições e aplicações dos chatbots, além de elementos como construção e metodologia, a fim de recuperar documentos estritamente pertinentes ao estudo. Os critérios de exclusão, após análise dos documentos, tiveram como intuito descartar trabalhos que não possuíssem abordagem conceitual, teórica ou metodológica em seu conteúdo.

O procedimento de análise dos resultados envolveu o software Rayyan para a triagem de resumos, a localização e a exclusão de estudos duplicados. Posteriormente, seguiu-se com a leitura dos documentos, considerando o título e o resumo, a fim de verificar a relevância do documento para a pesquisa. Considerando-se os aspectos e as categorias com o intuito de entender os fenômenos investigados, a técnica de análise de conteúdo descrita por Bardin (2011) foi utilizada no tratamento dos resultados, na inferência e na interpretação.

Conforme definido por Bardin (2011), a análise de conteúdo consiste em um conjunto de técnicas de pesquisa que visam interpretar e analisar o conteúdo e significado de diversos tipos de documentos. A análise de conteúdo pode utilizar tanto indicadores quantitativos (frequência de palavras) quanto indicadores qualitativos (temas recorrentes e relações entre conceitos). Esses indicadores são utilizados para descrever o conteúdo das mensagens e para fazer inferências sobre o contexto em que foram produzidas (Bardin, 2011).

Assim, durante a leitura completa dos documentos, foram identificados e registrados os temas recorrentes para cada documento em uma planilha Excel. Ao final as temáticas identificadas foram agrupadas conforme a relação entre os conceitos e foi realizada uma classificação facetada dos documentos. A partir da ocorrência dos desses indicadores nos resultados, considerou-se as seguintes categorias: metodologias, modelos, linguagens, plataformas e técnicas de PNL.

O protocolo de revisão de literatura foi executado entre os meses de julho e agosto de 2024. A análise dos dados utilizou uma metodologia mista, a partir de métodos qualitativos e quantitativos.

4 RESULTADOS E DISCUSSÃO

A busca nas quatro bases de dados selecionadas resultou na recuperação de 2.090 documentos. No software Rayyan, foram removidos 538 documentos duplicados, restando 1.552 trabalhos para a triagem inicial. Nesta fase, foram analisados títulos e resumos, e uma quantidade expressiva de 1.478 documentos foi descartada por não atender aos critérios de inclusão/exclusão definidos no protocolo. As razões para a exclusão incluíram: foco em análises e avaliação de modelos de linguagem generativa (como ChatGPT, Bard e Copilot); idioma diferente de inglês, português ou espanhol; e documentos sem acesso ao texto completo. Portanto, 74 documentos foram selecionados para a leitura na íntegra, visando verificar sua pertinência ao objetivo geral da revisão. Os procedimentos de análise buscaram identificar conceitos, definições, aspectos metodológicos e aplicações de chatbots. Após a leitura completa, 19 documentos foram excluídos por apresentarem lacunas e ausência de dados considerados relevantes para a revisão, não descreverem os detalhes e ferramentas de implementação e trazerem apenas informações sobre a finalidade e aplicação da ferramenta chatbot, totalizando 55 documentos para análise e discussão, conforme apresentado no fluxo de seleção de documentos (Figura 1) e (Quadro 2).

Thumbnail

Quadro 2
Documentos selecionados

Figura 1
Fluxograma da seleção e elegibilidade dos documentos da revisão

Os 55 estudos da amostra que apresentaram elementos e ferramentas utilizadas para a construção dos chatbots consistiram artigos de periódicos, trabalhos apresentados em congressos e uma dissertação de mestrado. A data de publicação dos estudos recuperados sugere que a temática dos chatbots é relativamente recente, com uma tendência crescente de publicações nos últimos anos, especialmente a partir de 2020. A maior parte dos trabalhos da amostra foi publicada entre os anos de 2021 e 2023, conforme apresenta o Gráfico 1, sobre a distribuição da frequência das publicações ao longo dos anos.

Gráfico 1
Distribuição das publicações por ano

Figura 2
Mapa de calor (afiliação dos autores)

Gráfico 2
Área de conhecimento (categorização dos autores)

Em relação à área de aplicação dos chatbots, a revisão buscou responder à seguinte pergunta: Quais são os principais domínios de aplicação dos chatbots na literatura? Foi observado que diversas áreas têm se beneficiado da capacidade dos chatbots de proporcionar atendimento rápido, reduzir custos operacionais e melhorar a experiência do usuário por meio da automatização e personalização das interações. No estudo, observou-se que a maior parte dos chatbots descritos, 26 (47,27%), estão concentrados na área da educação, sendo empregados para auxiliar alunos com dúvidas, fornecer feedback instantâneo, disponibilizar materiais de estudo e apoiar o processo de ensino à distância.

Em segundo lugar, foram identificados, em maior número, domínios aplicados à saúde, desenvolvidos para atividades como triagem de sintomas, agendamento de consultas, lembretes de medicação, cessação de tabagismo e fornecimento de informações sobre bem-estar e saúde mental, com sete (12,72%) dos chatbots apresentados nos estudos. A CI aparece na terceira posição, com quatro (7,27%) estudos, seguida da Ciência da Computação (CC), que apresentou três (5,45%) estudos. As demais áreas de aplicação contaram com um estudo cada (1,81%). No caso da CI, os assistentes virtuais aplicados em bibliotecas e serviços de informação abrangem desde a curadoria de conteúdo, o suporte à navegação em catálogos e a orientação em pesquisas até a alfabetização informacional, orientando os usuários sobre como realizar pesquisas, avaliar a credibilidade das fontes e compreender práticas de uso ético da informação.

O local de filiação dos autores é uma informação relevante quanto à análise de contribuições acadêmicas, pois pode identificar a distribuição geográfica dos estudos, além de indicar as instituições que lideram as pesquisas em uma determinada área. Na Figura 7, o mapa de calor ilustra a distribuição geográfica das publicações, evidenciando a Índia, com oito estudos, como o país com a maior concentração de pesquisas, seguida por Brasil e Indonésia (seis). A intensidade da cor azul no mapa reflete a concentração de estudos, indicando uma atividade acadêmica mais intensa na Índia e um foco significativo em pesquisa na Indonésia e no Brasil. Países como Tailândia, China e EUA, representados em verde, demonstram uma produção moderada de publicações, enquanto países em bege apresentam menor número de estudos, sugerindo uma contribuição limitada ao tema, possivelmente devido à escassez de recursos ou menor interesse na área. Por fim, a cor branca indica países que não contribuíram com publicações na amostra analisada.

A área de conhecimento dos estudos (Gráfico 1) foi utilizada a fim de se buscar a compreensão das diferentes abordagens adotadas na pesquisa sobre chatbots e permitir reconhecer, de forma mais clara, em que disciplina essa tecnologia tem sido mais explorada. A Ciência da Computação (CC) foi identificada como a área que mais desenvolveu e publicou estudos sobre chatbots, demonstrando seu papel central no avanço e na inovação das ferramentas tecnológicas. A Ciência da Computação (CC) tem se destacado pela criação de novas arquiteturas de PNL, técnicas de aprendizado de máquina e abordagens que permitem a melhoria contínua dos chatbots, tanto em termos de eficácia quanto de aplicabilidade em diferentes contextos (Mitchell, 2002).

A seguir, nas seções 4.2.1 a 4.2.5, serão discutidas as seguintes categorias identificadas: Metodologias, Modelos, Linguagens, Plataformas e Técnicas de PNL.

4.1 Metodologias utilizadas

Com o intuito de investigar as metodologias empregadas na implementação de chatbots, identificou-se, a partir da análise dos documentos recuperados, o uso de algumas metodologias e processos, destacando-se não só métodos ágeis, como Scrum e Design Thinking, como também os métodos tradicionais de desenvolvimento de software, como Software Development Life Cycle (SDLC), e ferramentas de modelagem, como Business Process Model and Notation (BPMN).

De acordo com Moore et al. (2023), o desenvolvimento de chatbots envolve uma gama de metodologias e abordagens que buscam facilitar sua criação e implementação. Oliveira e Matos (2023) afirmam que os métodos empregados na construção de chatbots podem variar de acordo com os objetivos e o público-alvo da ferramenta e incluir desde abordagens ágeis (que favorecem iterações rápidas e feedback contínuo) até métodos mais tradicionais (que seguem etapas bem definidas de planejamento, desenvolvimento e avaliação).

4.1.1 Abordagens ágeis

As abordagens ágeis surgiram como uma resposta à necessidade de maior flexibilidade e adaptabilidade no desenvolvimento de software, em contraposição aos métodos tradicionais, que se mostravam lentos e pouco eficientes diante das constantes mudanças no cenário (Schwaber; Sutherland, 2020; Jurafsky; Martin, 2023).

Em 2001, um grupo de 17 desenvolvedores de software se reuniu em Utah para explorar novas abordagens que pudessem substituir os métodos tradicionais de desenvolvimento. O resultado desse encontro foi o "Manifesto para Desenvolvimento Ágil de Software", um documento que delineia os valores e princípios fundamentais das metodologias ágeis (Beck et al., 2001).

Essas metodologias têm sido aplicadas em diversos campos, oferecendo uma abordagem flexível e iterativa para lidar com projetos complexos que envolvem a colaboração de desenvolvedores, pesquisadores, analistas, cientistas e outros profissionais (Schwaber; Sutherland, 2020). A capacidade de adaptação e o foco na entrega contínua de valor tornam os métodos ágeis uma escolha frequente em contextos que exigem respostas rápidas e soluções alinhadas às necessidades dos usuários. O estudo de Silva (2022), reitera essa contribuição na aplicação dos métodos ágeis na CI. Neste cenário, o Scrum e o Design Thinking se destacaram como metodologias ágeis, sendo abordadas em cinco estudos.

O método Scrum se mostrou eficaz para o desenvolvimento de chatbots, conforme destacado por Iparraguirre-Villanueva et al. (2023), que demonstraram a aplicação bem-sucedida no desenvolvimento de um chatbot para otimizar o suporte de TI e a gestão de incidentes. De maneira similar, Alqaidi; Alharbi e Almatrafi (2021) descreveram o "Assistente do Estudante", um chatbot com funcionalidades que incluem respostas automatizadas, fóruns para achados e perdidos, anúncios e recrutamento de voluntários, desenvolvido sob a metodologia Scrum, e, também, o chatbot UNYSA, apresentado por Muhyiddin e Setiawan (2021), que visa melhorar o desempenho acadêmico e diminuir a carga de trabalho dos orientadores, igualmente desenvolvido com base no Scrum.

O Scrum adota uma abordagem iterativa e incremental que ajuda no gerenciamento de riscos, na melhora da previsibilidade do projeto, além de destacar a importância da transparência, da inspeção e da adaptação como princípios fundamentais (Schwaber; Sutherland, 2020).

A metodologia Design Thinking, explorada nos estudos de Chan et al. (2018) e Daniel et al. (2019), destaca-se como uma abordagem complementar que coloca o usuário no centro do processo de design. Essa metodologia enfatiza a empatia e a prototipagem rápida, facilitando a criação de chatbots mais eficazes e centrados na experiência do usuário. A relevância do Design Thinking no desenvolvimento de chatbots se alinha com os princípios da CI, conforme apontado por Guimarães e Rocha (2021), em sua pesquisa sobre práticas informacionais e Design Thinking, que aborda a importância de compreender as necessidades e os contextos dos usuários para criar sistemas de informação eficazes.

O Design Thinking é uma abordagem que envolve a definição do problema, ideação, prototipagem e testes, com foco na empatia e na compreensão profunda do usuário, a fim de criar experiências mais intuitivas (Combelles; Ebert; Lucena, 2020).

4.1.2 Abordagens tradicionais

As abordagens tradicionais, também conhecidas como modelos "clássicos", ou "prescritivos", são abordagens mais estruturadas e sequenciais para o desenvolvimento de software. Modelos Cascata, ou Waterfall, por exemplo, são considerados um dos mais utilizados e são metodologias que seguem uma sequência linear de fases: coleta de requisitos, design, implementação, testes e manutenção (Sommerville, 2016). Os métodos tradicionais de desenvolvimento de softwares são caracterizados por um planejamento detalhado e uma documentação extensiva antes do início do desenvolvimento.

Os autores Kingchang; Chatwattana e Wannapiroon (2024) e Feitosa et al. (2020) optaram, em seus estudos, pelo uso de métodos tradicionais no desenvolvimento de softwares para implementar os chatbots, demonstrando que essas abordagens mais estruturadas também são eficazes e aprimoram o desenvolvimento desses chatbots, especialmente em projetos que exigem maior controle e previsibilidade. O Software Development Life Cycle (SDLC) possui fases bem definidas de planejamento, análise, design, implementação, testes e manutenção e oferece um framework estruturado, que garante maior controle e previsibilidade ao projeto. A integração com sistemas existentes também é um fator importante considerado, visto que o SDLC ajuda a garantir que o chatbot se integre perfeitamente aos sistemas da organização, evitando conflitos e falhas.

Setores como saúde e finanças, nos quais a confiabilidade é essencial e erros podem ter consequências graves, se beneficiam da abordagem estruturada do SDLC para minimizar riscos e garantir a qualidade do chatbot (Feitosa et al., 2020).

Os estudos de López et al. (2019) e Feitoza (2021) descreveram a metodologia Business Process Model and Notation (BPMN) no desenvolvimento de chatbots. López et al. (2019) utilizaram a BPMN para orientar processos, enquanto Feitoza (2021) aplicou a mesma metodologia no desenvolvimento do chatbot Cecílio para o atendimento a usuários em instituições federais de ensino superior.

O BPMN é uma notação gráfica que padroniza a modelagem de processos de negócios, oferecendo fluxogramas claros que facilitam a compreensão dos processos por qualquer pessoa, independentemente de seus conhecimentos técnicos, oferecendo uma linguagem visual padronizada que possibilita a modelagem, análise e otimização de processos informacionais, de forma semelhante à CI, abrangendo o ciclo completo da informação: geração, coleta, organização, armazenamento, recuperação, disseminação e uso (López et al., 2019).

Com menor frequência nos estudos analisados e sendo identificadas em somente um trabalho cada, estão: Rapid application development (RAD), ou Desenvolvimento Rápido de Aplicações, descrito nos estudos de Rukhiran e Netinant (2022), Recuperação automatizada de informações e serviços da pós-graduação usando o sistema chatbot, e de Nasharuddin et al. (2021), Designing an Educational Chatbot: A Case Study of CikguAIBot. O RAD se caracteriza como uma metodologia de desenvolvimento de software que prioriza a prototipagem rápida e o feedback regular do usuário para entregar aplicações de forma mais rápida e eficiente.

A Programação Orientada a Objetos (POO) foi descrita em The Combination of Natural Language Processing and Entity Extraction for Academic Chatbot, trabalho publicado pelos autores Tommy; Kirana e Riska (2020). Segundo Figueiredo et al. (2015), a POO é semelhante a uma metodologia, porém é considerada um paradigma de programação que organiza o software em torno de objetos, que representam abstrações do mundo real. Esses objetos combinam dados (atributos) e comportamentos (métodos) em uma única estrutura. O principal objetivo é criar sistemas modulares, reutilizáveis e fáceis de manter. A POO pode ser utilizada em conjunto com diversas metodologias de desenvolvimento, como, por exemplo, o Scrum, para gerenciar o projeto, e a POO, para estruturar o código. A escolha da metodologia depende de fatores como o tamanho do projeto, a complexidade do problema e as preferências da equipe (Figueiredo et al., 2015).

Por fim, a Metodologia “build-and-test”, que pode ser traduzida como "construir e testar", é uma abordagem iterativa para o desenvolvimento de software que se concentra em construir e testar pequenas partes do sistema de informação continuamente, priorizando e colocando o usuário no centro do processo, permitindo a criação de produtos de qualidade para atender suas necessidades e expectativas. O estudo Developing a Chatbot for College Student Programme, de Chan et al. (2018), utilizou o método para desenvolver o chatbot EaSelective para auxiliar os alunos na seleção de cursos eletivos.

Na categoria metodologias, observou-se que metodologias ágeis e iterativas, em especial o Scrum, destacaram-se como as mais utilizadas na construção de chatbots, reforçando a importância de processos flexíveis que permitam rápidas adaptações. Em paralelo, abordagens centradas no usuário, como o Design Thinking, e metodologias tradicionais, a exemplo do SDLC e BPMN, também aparecem de forma relevante, sugerindo a combinação de práticas ágeis e modelos mais estruturados. Essas escolhas indicam a busca por uma constante interação com o usuário e por ciclos de desenvolvimento contínuos, fatores consideráveis para o sucesso de projetos de chatbot em um cenário tecnológico em rápida evolução.

A partir da relação das metodologias encontradas e sua ligação com a área da CI, foi observada a forma como essas metodologias lidam com o ciclo de vida das informações, desde sua criação e organização até a recuperação e o uso efetivo pelos usuários. Ao incorporar abordagens ágeis e centradas no usuário, como o Scrum e o Design Thinking, potencializa-se a interação humano-computador, destacando os usuários, uma temática relevante na CI. Da mesma forma, práticas estruturadas, como o SDLC e o BPMN, promovem uma visão sistemática dos processos de desenvolvimento e gestão de dados, refletindo a natureza interdisciplinar da CI (Borko, 1968), que integra técnicas de classificação, análise e utilização de dados para aprimorar a tomada de decisão e a acessibilidade da informação.

A CI tem potencial de destaque na criação de sistemas de chatbot, uma vez que as metodologias de desenvolvimento aplicadas são diretamente influenciadas pela maneira como os dados são organizados, representados e recuperados. Com isso, a organização lógica da informação, por meio de uma estrutura planejada, é vital para que o chatbot compreenda e utilize as informações de forma precisa, garantindo interações mais eficazes com os usuários (Carvalho, 2022).

A CI oferece princípios teóricos e práticos que garantem a estruturação adequada, como os metadados (Alves et al., 2018), possibilitando que os chatbots compreendam e respondam com precisão às interações dos usuários.

Para Guimarães (2022), a relação da CI com o desenvolvimento de artefatos pode ser vista como uma aproximação transdisciplinar, pois permite a expansão das fronteiras de contato da CI com campos que vão além dos científicos, como o desenvolvimento de artefatos tecnológicos nas áreas do design e da engenharia.

4.2 Modelo

Modelos baseados em PNL são utilizados para possibilitar que os chatbots compreendam e respondam às perguntas dos usuários de forma contextual e relevante. Os modelos aplicados na construção e no desenvolvimento de bots, assim como as metodologias descritas no item 4.2.1, devem ser definidos com base nas necessidades específicas do projeto, como a complexidade, o custo e a natureza da interação desejada (Hyrmet; Arbana, 2021).

Nos resultados da revisão, foi identificado o modelo RASA em quatro estudos: os autores Ramalakshmi et al. (2023), no estudo Using Artificial Intelligence Methods to Create a Chatbot for University Questions and Answers, destacam a eficácia do uso do RASA para o desenvolvimento de chatbots, a importância da recuperação dinâmica de informações e o papel dos chatbots no aprimoramento do envolvimento do usuário em contextos educacionais. O estudo de Vasilevich et al. (2022), Language-Agnostic Knowledge Graphs for Smarter Multilingual Chatbots, utilizou a modelo RASA para desenvolver o SmartBot, chatbot que tem como objetivo fornecer recomendações de subsídios relevantes com base nas contribuições do usuário.

O estudo WASABI Contextual BOT, de Agrawal et al. (2022), e o estudo de Jiao (2020), An Intelligent Chatbot System Based on Entity Extraction Using RASA NLU and Neural Network, apresentaram o RASA como um framework open-source para a construção de chatbots e assistentes virtuais com foco em PNL e Machine Learning (ML). De acordo com os autores, o RASA permite a criação de interfaces conversacionais robustas e complexas, com capacidade de entender a linguagem natural e manter diálogos mais naturais e engajadores.

Nesta revisão, o RASA foi categorizado tanto como Modelo (4.2.2) quanto como Platafoma (4.2.4), pois, segundo Meshram et al. (2021), o RASA pode ser compreendido de ambas as formas para a construção de chatbots. Como modelo, o RASA utiliza algoritmos avançados de machine learning, como aprendizado por reforço e redes neurais, para processar a linguagem natural, entender a intenção do usuário e gerar respostas relevantes. Como plataforma, o RASA oferece um conjunto de ferramentas e recursos que facilitam o desenvolvimento, a implantação e o gerenciamento de chatbot e que oferecem integração com diversas plataformas de mensagens, Application Programming Interface (APIs) e bancos de dados, tornando-o uma solução para a construção de chatbots robustos e escaláveis (Meshram et al., 2021).

O modelo BERT foi abordado em quatro estudos recentes: por Moore et al. (2023), no trabalho A Comprehensive Solution to Retrieval-Based Chatbot Construction; por Mishra et al. (2023), em Advancements in Conversational AI: Building Mental Health Chatbot with BERT Model; por Elsayed et al. (2023), em Chatbot as a Virtual Assistant to Retrieve Information from Datasheets Using Memory Controllers Domain Knowledge; e por Wang; Liu e Song (2022), em Designing an Educational Chatbot with Joint Intent Classification and Slot Filling. O BERT é um modelo de linguagem baseado na arquitetura Transformer e destaca-se por permitir o processamento paralelo de sequências de texto e por capturar relações bidirecionais entre palavras, considerando o contexto tanto à esquerda quanto à direita. Essa abordagem inovadora marca um avanço significativo no campo do PLN, oferecendo flexibilidade e precisão para compreender o contexto linguístico. Sua capacidade de ser ajustado para uma ampla variedade de tarefas de PLN sem a necessidade de alterações substanciais em sua arquitetura reforça sua relevância tanto em pesquisas quanto em aplicações práticas.

Outro modelo destacado foi o Language Large Model (LLM), ou Modelo de Linguagem de Grande Escala. O modelo LLM é um tipo de modelo avançado de Inteligência Artificial (IA), projetado para compreender e gerar textos de maneira semelhante à linguagem humana. Os modelos LLM são baseados em arquiteturas de aprendizado profundo e são treinados em grandes volumes de dados, incluindo textos de livros, artigos, sites e outras fontes (Sejnowski, 2023).

Foosherian et al. (2023), em Enhancing Pipeline-Based Conversational Agents with Large Language Models, destacam o aprimoramento de chatbots baseados em pipelines com LLMs. Oliveira e Matos (2023), em Introducing a Chatbot to the Web Portal of a Higher Education Institution to Enhance Student Interaction, apresentam a implementação de um chatbot com o objetivo de melhorar a interação dos estudantes em uma instituição de ensino, e Vasilevich et al. (2022), em Language-Agnostic Knowledge Graphs for Smarter Multilingual Chatbots, destacam o chatbot SmartBot, que utiliza um modelo de compreensão de linguagem natural para extrair intenções e entidades das entradas dos usuários por meio de grafos de conhecimento. Enquanto os modelos tradicionais se baseiam em estruturas fixas e regras explícitas, os LLMs dependem de aprendizado profundo, sendo treinados em grandes volumes de dados, o que os capacita a interpretar consultas mais complexas e fornecer respostas mais contextualizadas (Sejnowski, 2023). Todavia, a flexibilidade semântica dos modelos LLMs apresenta desafios, como possíveis alucinações e maior demanda computacional.

O modelo de aprendizagem contrastiva se mostrou eficiente para o desenvolvimento de chatbots baseados em recuperação, conforme destacaram Moore et al. (2023) em A comprehensive solution to retrieval-based chatbot construction. O estudo destaca o potencial da aprendizagem contrastiva em superar desafios como a desambiguação, o reconhecimento de entidades e a análise de sentimentos, permitindo, assim, que os chatbots respondam de forma mais precisa e natural às interações dos usuários.

Os modelos de aprendizagem contrastiva se assemelham a fundamentos da recuperação da informação (RI), especialmente na tarefa de identificar padrões semânticos em grandes volumes de dados. Segundo Baeza-Yates e Ribeiro-Neto (2013), a eficácia dos sistemas de RI depende diretamente da capacidade de representar informações de maneira adequada e ranquear documentos com base na relevância para as consultas realizadas pelos usuários. A qualidade da recuperação se associa à modelagem eficiente dos aspectos semânticos. Em paralelo à aprendizagem contrastiva, ao focar na distinção entre exemplos similares e dissimilares, ela permite aprimorar a representação semântica das informações, facilitando a compreensão da linguagem natural pelo sistema.

O Latent Dirichlet Allocation (LDA) é um modelo probabilístico que emprega técnicas de Processamento de Linguagem Natural (PLN) para estimar a probabilidade de ocorrência de sequências de palavras em um texto. Conforme descrito por Toumi et al. (2020), no estudo Intelligent Chatbot-LDA Recommender System, essa abordagem pode ser aplicada à construção de chatbots de recomendação, permitindo identificar tópicos e padrões linguísticos relevantes para aprimorar as respostas.

O modelo probabilístico N-grama foi destacado por Baizal et al. (2023) no estudo Movie recommender chatbot based on Dialogflow, ao implementar um chatbot de entretenimento criado para a indicação de filmes. Esse modelo, amplamente utilizado no Processamento de Linguagem Natural (PLN), estima a probabilidade de uma palavra ocorrer com base nas N-1 palavras anteriores em uma sequência textual. O N-grama analisa grandes volumes de texto (corpus) e identifica padrões de frequência, permitindo prever os termos ou frases mais prováveis em determinados contextos.

Do ponto de vista da CI, a adoção do modelo N-grama contribui diretamente para a organização e recuperação da informação em sistemas automatizados, como chatbots e repositórios digitais. Isso porque a modelagem por N-gramas possibilita o reconhecimento de padrões linguísticos que favorecem a identificação de intenções do usuário e a recomendação precisa de conteúdos, otimizando a busca e o acesso à informação relevante. Em ambientes como bibliotecas digitais e sistemas de recomendação, essa técnica pode ser utilizada para aprimorar a representação de documentos e facilitar a mediação entre o usuário e os recursos informacionais disponíveis, promovendo uma recuperação mais contextualizada e eficiente.

Tanto o modelo N-grama quanto o modelo LDA utilizam a abordagem probabilística: o N-grama estima a probabilidade de sequências de palavras, enquanto o LDA calcula probabilidades de distribuição de tópicos em documentos (Touimi et al., 2020).

Por fim, no estudo de Daniel et al. (2019), Multi-platform Chatbot Modeling and Deployment with the Jarvis Framework, foi destacado o modelo Model Driven Engineering (MDE). Este modelo de desenvolvimento de software oferece vantagens em relação às abordagens tradicionais. Ao colocar os modelos no centro do processo, o MDE permite que as equipes de desenvolvimento criem sistemas complexos de forma mais eficiente, com maior qualidade e menor custo.

Para a categoria modelos, verificou-se, nos trabalhos analisados, que os modelos RASA e BERT, cada um com quatro ocorrências, foram os mais adotados, demonstrando a relevância de frameworks abertos e de modelos pré-treinados para o desenvolvimento de chatbots. O crescimento de aplicações baseadas em LLM, presente em três documentos, reforça a tendência de uso de modelos de linguagem em larga escala, alinhada ao avanço das técnicas de IA. Já métodos mais específicos, como aprendizagem contrastiva, LDA, N-gramas probabilísticos e MDE, aparecem em menor frequência, indicando abordagens pontuais para necessidades particulares de modelagem. Em conjunto, esses dados denotam a diversidade de práticas e a busca por soluções robustas na construção de ferramentas de conversação.

Pode-se observar que os modelos encontrados possuem relação com a CI no que diz respeito à organização e recuperação da informação. Por meio da capacidade de compreender contextos linguísticos complexos, o modelo aprimora a recuperação de informações. De acordo com Saracevic (1995), a relação entre a CI e as tecnologias da informação se encontra na aplicação de recursos computacionais voltados para a recuperação da informação, bem como na criação de produtos e serviços que promovam a satisfação do usuário. Em concordância, Guimarães (2020) aponta que a construção de artefatos tecnológicos, especialmente os informacionais, está profundamente vinculada à representação, à organização, ao uso e à recuperação da informação, aspectos que são tradicionalmente tratados pela CI.

Ferneda (2012) destaca, ainda, que os avanços das tecnologias computacionais têm impulsionado significativamente a recuperação da informação, possibilitando uma gestão mais eficiente e o acesso a grandes volumes de dados. Nos chatbots, a recuperação da informação se torna essencial para fornecer respostas precisas e relevantes aos usuários, reforçando a convergência entre os autores sobre a relevância da CI no desenvolvimento de artefatos tecnológicos.

4.3 Linguagens

As linguagens de programação são conceituadas como sistemas formais de comunicação que permitem aos programadores instruir computadores a realizar tarefas específicas, desempenhando um papel na criação de chatbots. Essas linguagens fornecem as ferramentas para expressar algoritmos, manipular dados e controlar o comportamento do hardware e software (Mitchell, 2002). Cada linguagem possui sua própria sintaxe e semântica, que definem como os comandos são escritos e interpretados. No contexto do desenvolvimento de chatbots, as linguagens de programação são componentes essenciais no processo de modelagem e implementação de chatbots e sistemas computacionais.

Elas desempenham um papel no desenvolvimento de chatbots, determinando como a lógica, a compreensão da linguagem natural e as interfaces de interação são implementadas. A escolha da linguagem depende de uma série de fatores, incluindo o tipo de chatbot, o ambiente de uso e o grau de inteligência necessário (Srivastava; Prabhakar, 2020).

Tendo em vista investigar as tecnologias utilizadas, essa categoria e a próxima foram criadas para responder à seguinte questão: Quais são as principais tecnologias e plataformas utilizadas no desenvolvimento de chatbots?

A análise dos resultados revelou que o Python se destaca como uma linguagem popular para o desenvolvimento de chatbots, devido à sua robustez e à ampla gama de bibliotecas disponíveis para PNL e ML. Na área da saúde, existem diversos estudos, como os de Singla et al. (2024); Mishra et al. (2023) e Bendotti et al. (2024), que demonstraram a eficácia do Python no desenvolvimento de chatbots para assistência médica e monitoramento de pacientes. Já no contexto educacional, pesquisadores como Ramalakshmi et al. (2023); Nasharuddin et al. (2021); Muhyidin e Setiawan (2021) e Touimi et al. (2020) exploraram o uso do Python em chatbots voltados para o ensino e aprendizagem.

Destaca-se, em particular, o estudo de Nasharuddin et al. (2021), que investigou a integração do Python com a plataforma Telegram, permitindo o desenvolvimento de assistentes virtuais com a capacidade de aprendizado contínuo, o que contribui para a adaptação dinâmica às necessidades dos usuários. Essas características tornam os chatbots mais flexíveis e eficazes, aprimorando a interação e a personalização das respostas ao longo do tempo, seja na saúde ou na educação.

O JavaScript foi a segunda linguagem que se destacou nos estudos e se revelou utilizada no desenvolvimento de chatbots por sua versatilidade e capacidade de criar aplicações web interativas. Estudos como os de Lynnyk; Krestyanpol e Rozvod (2024); Wang; Liu e Song (2022); Santana et al. (2021); López et al. (2019) e Bendotti et al. (2024) evidenciam a aplicação do JavaScript em diversos contextos, incluindo chatbots para atendimento ao cliente, suporte técnico e interação social. Esses estudos demonstram a ampla diversidade de usos da linguagem, desde a criação de interfaces interativas até a implementação de funcionalidades complexas no backend, o que ressalta sua capacidade de atender às crescentes demandas tecnológicas do desenvolvimento de software moderno.

A linguagem PHP (Hypertext Preprocessor), encontrada em cinco estudos da revisão, se caracteriza como uma linguagem de programação popular no desenvolvimento web, especialmente para a criação de conteúdos dinâmicos e interativos. No contexto de chatbots, a PHP tem sido utilizada para integrar essas ferramentas em páginas web e plataformas online. Estudos de Iparraguirre-Villanueva et al. (2023); López et al. (2019); Agus Santoso et al. (2018); Mendoza et al. (2022) e Sanjaya e Santoso (2021) destacam a eficácia da PHP em diversas aplicações, como e-commerce, serviços online e comunicação interativa. Sua integração com servidores web permite a geração de páginas dinâmicas e interativas, fundamentais para plataformas modernas e responsivas. A literatura mostra que, mesmo com a evolução das tecnologias, a PHP continua sendo uma escolha eficaz, devido à sua capacidade de criar experiências interativas e facilitar a interação contínua entre usuários e sistemas, especialmente em projetos que exigem flexibilidade e dinamismo.

Outras linguagens, como Cascading Style Sheets (CSS) e Cython, também se destacaram pontualmente nos estudos. O chat UNIBOT, desenvolvido para auxiliar consultas e fornecer respostas rápidas aos usuários de uma instituição de ensino, utilizou o CSS para o desenvolvimento do front-end do assistente. Por sua vez, Cython foi a linguagem empregada no desenvolvimento das funcionalidades de um bot criado para cotação, consultas relacionadas à busca de preços, limites e volume de ações.

Portanto, na categoria linguagem, pôde-se observar que o Python se destaca como a linguagem mais utilizada (oito ocorrências), possivelmente devido à sua ampla gama de bibliotecas e ferramentas voltadas à IA e ao aprendizado de máquina, aspectos essenciais para o desenvolvimento de chatbots. Em seguida, JavaScript e PHP aparecem com cinco referências cada, refletindo sua relevância tanto no front-end quanto no back-end de aplicações web, ou seja, full-stack. Já CSS e Cython, cada uma com apenas uma ocorrência, indicam usos pontuais para a estilização de interfaces e otimização de desempenho, respectivamente. Esses dados reforçam a predominância de linguagens que oferecem robustez e flexibilidade para lidar com a complexidade inerente a sistemas de conversação.

A escolha da linguagem de programação adequada para o desenvolvimento de chatbots depende de uma série de variáveis, incluindo a demanda por interatividade, o tipo de informações que o sistema precisa processar, a necessidade de integração com outras plataformas e a complexidade das funcionalidades desejadas, o que resulta em uma variedade de opções que oferecem soluções distintas para os desafios enfrentados pelos desenvolvedores.

Na área CI, conforme apontado por Borko (1968) e Saracevic (1995), as linguagens de programação constituem ferramentas e tecnologias indispensáveis para o desenvolvimento de sistemas de organização, recuperação e análise de dados. A linguagem de programação Python, por exemplo, destaca-se pela ampla adoção em projetos de mineração de dados e aprendizado de máquina, áreas estratégicas para lidar com grandes volumes de informação, conforme destacado por Lancaster (2004) desde os anos 1970.

Para além disso, o uso de diferentes linguagens de programação possibilita a criação de interfaces informacionais inovadoras, a exemplo de catálogos interativos, bibliotecas digitais, sistemas de busca especializada e serviços de referência virtual. Essas soluções tecnológicas permitem aprimorar a mediação e o acesso à informação, contribuindo para a experiência do usuário e para a eficiência dos processos de organização e recuperação de dados no contexto informacional.

4.4 Plataforma

As plataformas para a criação de chatbots oferecem um conjunto de ferramentas que permitem aos desenvolvedores criar, treinar, implementar e gerenciar chatbots com mais facilidade. Embora algumas plataformas possibilitem a personalização avançada para desenvolvedores, elas geralmente dispensam um conhecimento profundo de programação (Touimi et al., 2020). Recursos como PNL, escalabilidade, análise, interface amigável, suporte para vários idiomas e acesso a informações e serviços facilitam a gestão e o desenvolvimento dos chatbots.

As pesquisas recuperadas neste estudo indicaram que os principais benefícios do uso de plataformas para o desenvolvimento de chatbots incluem uma experiência do cliente aprimorada, redução de custos e a possibilidade de modernizar processos comerciais tradicionais por meio de interações eficientes baseadas em inteligência artificial (Baizal et al., 2023; Chumkaew, 2023; Iparraguirre-Villanueva et al., 2023).

Os resultados demonstram a predominância do Dialogflow do Google Cloud (17 ocorrências), seguidos pelo RASA (cinco ocorrências) e IBM Watson (quatro ocorrências). As plataformas Kommunicate e LINE obtiveram duas ocorrências cada, enquanto ENGATI, Amazon Lex, Django Software Foundation, HEROKU, Arisa Nest, Discord, Facebook, NEORON e MOOC EAD foram mencionadas em apenas um estudo cada.

Tanwar et al. (2023) e Thaiprasert et al. (2023), concordam com isso em seus estudos sobre a aplicabilidade do Dialogflow em ambientes que exigem um alto nível de interatividade e resposta imediata. A adoção do Google Dialogflow, também evidenciada nos estudos de Alqaidi; Alharbi e Almatrafi (2021); Nasharuddin et al. (2021) e Erekata et al. (2021), se confirmam ao se relacionar a sua capacidade de integração com outras ferramentas e plataformas tecnológicas, como a Google Cloud e a Application Programming Interface (API)s, externas. Por exemplo, Nasharuddin et al. (2021) e Muhyidin e Setiawan (2021) relatam que o uso do Dialogflow, em conjunto com tecnologias de análise de dados e sistemas de backend melhorou a eficácia dos chatbots, tornando-os mais responsivos e aptos a oferecer experiências personalizadas aos usuários.

Destaca-se que o RASA foi alocado tanto na categoria 4.2.2 Modelo quanto na categoria 4.2.4 Plataforma, descritas nos estudos de Elsayed et al. (2023), Chatbot as a Virtual Assistant to Retrieve Information from Datasheets Using Memory Controllers Domain Knowledge, Ramalakshmi et al. (2023), Using Artificial Intelligence Methods to Create a Chatbot for University Questions and Answers, e Oliveira e Matos (2023), Introducing a Chatbot to the Web Portal of a Higher Education Institution to Enhance Student Interaction.

Portanto, na categoria plataforma, percebeu-se a predominância do Google DialogFlow, evidenciando sua capacidade e ampla adoção em projetos de chatbots. Em seguida, RASA e IBM Watson surgem como alternativas relevantes, enquanto outras plataformas - como Kommunicate, LINE, Engati e Amazon Lex - também tenham sido mencionadas, contribuindo para a diversidade de opções disponíveis.

As plataformas de criação de chatbots se mostram alinhadas às práticas da CI ao viabilizarem a organização, a recuperação e a disseminação do conhecimento de maneira dinâmica e personalizada. Conforme pontuado por Borko (1968), a CI lida com os processos de geração, coleta, organização e uso de informações, e as tecnologias de interação conversacional, como os chatbots, potencializam esses processos ao criarem ambientes que respondem de forma imediata às necessidades informacionais dos usuários. Dessa forma, soluções como DialogFlow, RASA e IBM Watson exemplificam iniciativas voltadas ao aperfeiçoamento da comunicação entre pessoas e sistemas, facilitando o acesso e a interpretação de dados em múltiplos contextos.Ademais, a adoção de plataformas remete ao princípio de Lancaster (2004) sobre a relevância de sistemas automatizados para o avanço da recuperação de informações.

Ao empregarem técnicas de PNL e algoritmos de Inteligência Artificial, os chatbots contribuem para tornar os fluxos de informação mais eficientes e escaláveis, atendendo às demandas crescentes na era digital (Carvalho, 2022). Tal perspectiva reforça o valor de práticas relacionadas ao planejamento, à gestão e à avaliação de sistemas informacionais, essenciais para a consolidação de metodologias e ferramentas que possibilitem uma interação cada vez mais satisfatória entre pessoas e metadados, em consonância com os objetivos da CI.

4.5 Técnicas de Processamento de Linguagem Natural (PLN)

O PLN é um campo da inteligência artificial dedicado ao estudo das interações entre computadores e a linguagem humana que envolve tanto a compreensão de textos e falas quanto a geração automática de linguagem natural (Nadkarni; Ohno-Machado; Chapman, 2011). Essa área abrange técnicas e modelos computacionais que permitem a análise de estruturas linguísticas, como sintaxe e semântica, além de aplicações práticas em tarefas como tradução automática, classificação de textos, chatbots e resumo automático (Caseli; Nunes, 2024; Comarella; Café, 2008). Ao combinar conhecimentos de linguística, estatística e aprendizado de máquina, o PLN busca capacitar os sistemas computacionais a lidarem de forma eficiente com as ambiguidades, variações e contextos próprios da língua humana.

Nos estudos desta revisão, destacaram-se as técnicas TF-IDF, que medem a relevância de cada termo em um conjunto de documentos; o Seq2seq, uma arquitetura baseada em redes neurais voltadas para tarefas como tradução e geração de texto; e o Bag of Words, abordagem que converte textos em conjuntos de palavras, facilitando a identificação de padrões lexicais e estatísticos.

4.5.1 Term Frequency-Inverse Document Frequency (TF-IDF)

Matthews (2020) apresenta o TF-IDF como um método clássico e ainda útil para recuperação de informações em sistemas de chatbots simples ou baseados em palavras-chave. O método serve como um ponto de contraste para mostrar a evolução das técnicas no desenvolvimento de chatbots, mostrando-se eficiente e muito implementado e sendo relevante em contextos em que os custos computacionais de LLMs não são viáveis. Os modelos baseados em indexação, como TF-IDF, têm sido pilares na recuperação de informações. O método mede a relevância de um termo em um documento com base em sua frequência (TF) e raridade em todo o corpus (IDF) (Manning; Raghavan; Schütze, 2008). O TF-IDF é uma técnica bastante utilizada para representar texto em forma vetorial, considerando a frequência de termos em um documento e sua raridade no corpus. Nos chatbots baseados em recuperação, técnicas como TF-IDF são utilizadas para medir a similaridade entre a consulta do usuário e os documentos pré-existentes no banco de dados (Salton, 1968). Apesar de sua simplicidade, o TF-IDF é eficaz para consultas que envolvem palavras-chave exatas e bases de conhecimento específicas.

Nos estudos da revisão, os autores Baizal et al. (2023), com o título Movie recommender chatbot based on Dialogflow, Tanwar et al. (2023), com AI Based Chatbot for Healthcare using Machine Learning, Thaiprasert et al. (2023), com Development of a Class Materials Search System using LINE Chatbot, Santana et al. (2021), com A Chatbot to Support Basic Students Questions, Prakasam et al. (2023), com Design and Development of AI-Powered Healthcare WhatsApp Chatbot, e Attigeri; Agrawal e Kolekar (2024), com Advanced NLP Models for Technical University Information Chatbots: Development and Comparative Analysis, destacaram a utilização do TF-IDF para implementar os chatbots em educação, saúde e entretenimento, respectivamente. Os estudos mencionam que os chatbots podem se beneficiar do TF-IDF, principalmente na área de compreensão da linguagem natural e recuperação de informação.

4.5.2 Seq 2 seq

A técnica Seq 2 Seq (Sequence to Sequence) foi introduzida por Sutskever; Vinyals e Le (2014) e descreve uma arquitetura de redes neurais capaz de transformar uma sequência de entrada em outra sequência de saída. A Seq2seq faz uso de redes neurais para transformar uma sequência de entrada em outra sequência de saída, sendo aplicada em atividades como tradução automática, sumarização e geração de legendas para imagens (Sutskever; Vinyals; Le, 2014). De modo geral, o codificador (encoder) lê os elementos fornecidos (palavras, caracteres ou tokens) e condensa as informações em um vetor de contexto. Em seguida, o decodificador (decoder) utiliza esse vetor para gerar a sequência de saída, elemento por elemento. Essa estratégia tem sido aplicada em tarefas de PLN, como tradução automática, sumarização e geração de texto (Karri; Kumar, 2020). As versões aprimoradas do “Seq 2 seq” fazem uso de mecanismos de atenção (attention), o que permite ao decodificador focar em partes específicas do vetor de contexto e produzir resultados mais precisos na geração de sequências.

A técnica Seq 2 seq foi mencionada no estudo de Karri e Kumar (2020), Deep Learning Techniques for Implementation of Chatbots, que destacou, ainda, parâmetros que auxiliam na criação de um chatbot útil, como: escalabilidade, interoperabilidade, velocidade e Teste de Turing, sendo este último a capacidade do chatbot em simular o comportamento humano, ou seja, testar a capacidade de uma máquina que exibe comportamento inteligente equivalente a um humano.

4.5.3 Bag of words

A técnica “Bag of Words” converte o texto em um conjunto de palavras, sem considerar a ordem ou as relações de dependência entre elas (Rudkowsky et al., 2018). Embora simples, essa técnica é valiosa em classificações e na detecção de tópicos, uma vez que fornece uma representação estatística dos dados linguísticos (Jurafsky; Martin, 2023). Nesse contexto, cada palavra torna-se uma unidade, e o texto é representado por meio de frequências de ocorrência desses termos ou pela presença/ausência de cada um (Manning; Raghavan; Schütze, 2008). Essa abordagem, embora simples, se mostrou eficaz em aplicações de PNL, como classificação de documentos, análise de sentimentos e detecção de tópicos, pois fornece uma representação estatística a partir do vocabulário utilizado no texto e foi utilizada em conjunto ao Seq 2 seq por Karri e Kumar (2020), em Deep Learning Techniques for Implementation of Chatbots.

No contexto da CI, a abordagem Bag of Words pode ser útil para a organização e recuperação da informação em ambientes que lidam com grandes volumes de dados textuais, como repositórios institucionais, bibliotecas digitais e sistemas de busca documental (Manning; Raghavan; Schütze, 2008). Ao possibilitar a indexação automática de conteúdos e a classificação por similaridade textual, a técnica contribui para o mapeamento de temas, agrupamento de documentos e recomendação de materiais relevantes aos usuários (Jurafsky; Martin, 2023).

Por outro lado, a principal limitação semântica da técnica está no fato de ela desconsiderar o contexto em que as palavras aparecem, o que pode resultar em interpretações superficiais ou imprecisas, especialmente em casos em que o significado depende da relação entre termos (Manning; Raghavan; Schütze, 2008). Dessa forma, embora eficiente para análise exploratória e organização inicial de grandes coleções textuais, a Bag of Words pode não capturar nuances semânticas importantes para a recuperação precisa da informação.

Nesta categoria, optou-se por destacar as técnicas de PLN, tendo em vista sua relevância e predominância em alguns estudos. Segundo Caseli e Nunes (2024), a PLN é um campo de pesquisa que tem como objetivo investigar e propor métodos e sistemas de processamento computacional da linguagem humana. O termo “Natural”, na sigla, se refere às línguas faladas pelos humanos, distinguindo-as das demais linguagens (matemáticas, visuais, gestuais, de programação, etc).

A PLN pode ser dividida em duas grandes subáreas: Interpretação de Linguagem Natural (NLU) e Geração de Linguagem Natural (NLG). A PLN foca em entender a entrada do usuário e gerar a saída correspondente, incluindo componentes como o reconhecimento automático de texto e o gerenciamento de diálogos (Caseli; Nunes, 2024, p. 10). Essas abordagens estão alinhadas com as ideias de Rukhiran e Netinant (2022), que, no estudo Recuperação automatizada de informações e serviços da pós-graduação usando o sistema chatbot, destacam que a PNL e a CI compartilham objetivos relacionados à organização, representação e recuperação de informações textuais e linguísticas. Segundo os autores Taskın et al. (2019), a PNL desenvolve métodos e ferramentas para que máquinas compreendam, processem e gerem linguagem humana, ampliando as interações entre usuários e sistemas informacionais. Por sua vez, a CI oferece a base teórica necessária para estruturar e recuperar a informação, levando em consideração aspectos como relevância, contexto e as necessidades dos usuários.

Essa interação entre PNL e CI é especialmente evidente em aplicações como motores de busca, sistemas de recomendação e chatbots. Nesses sistemas, técnicas de PNL, como análise semântica, extração de entidades e sumarização automática, são utilizadas para aprimorar a precisão e a acessibilidade da informação (Caseli; Nunes, 2024). Assim, PNL e CI se complementam, unindo os avanços tecnológicos da linguística computacional com os fundamentos da organização e recuperação de informação, o que resulta em sistemas mais eficientes e alinhados às necessidades informacionais dos usuários.Cada uma dessas abordagens atende a necessidades específicas do PLN e pode ser combinada a outras soluções, o que resulta em um desempenho mais aperfeiçoado e adequado às demandas dos usuários (Yang, 2023).

4.6. Síntese da revisão de literatura

Analisando todas as cinco categorias, foi possível observar que, apesar de estar relacionada com várias técnicas e processos, a CI ganha pouco destaque, ainda que a informação seja o elemento fundamental dos chatbots. Para representar a visão geral da revisão a Figura 3, elaborada com base em diferentes aspectos relacionados a (1) dados sobre as publicações e (2) análise de conteúdo. Na análise dos dados sobre as publicações, as informações estão divididas em: local, ano de publicação e área do conhecimento. Para a análise de conteúdo, foram identificadas cinco categorias, considerando uma classificação facetada, tendo em vista o fato de que algumas soluções estão em mais de uma categoria.

Figurax 3
Síntese da revisão de literatura

A revisão de literatura buscou compreender as técnicas e os métodos empregados no desenvolvimento e na implementação de chatbots, com ênfase nas contribuições da Ciência da Informação (CI). Os resultados revelam que esses sistemas conversacionais têm se consolidado como ferramentas relevantes de mediação e recuperação da informação (Patel et al., 2019; Panda; Chakravarty, 2022; Chumkaew, 2023; Moore et al., 2023), sobretudo diante da crescente complexidade informacional (Karri; Kumar, 2020) e da demanda por agilidade, acessibilidade e personalização no acesso ao conhecimento (Villanueva; Aguilar-Alonso, 2021; Stepanov et al., 2023; Attigeri; Agrawal e Kolekar (2024).

Nesse contexto, observou-se um alinhamento entre os fundamentos clássicos da CI, como a organização, representação e recuperação da informação, e as técnicas empregadas na construção de chatbots (Rodriguez; Mune, 2022; Elsayed et al., 2023). As abordagens identificadas variam desde modelos baseados em regras até arquiteturas sofisticadas de aprendizado profundo, como transformers e sistemas híbridos (Baizal et al., 2023; Foosherian et al., 2023; Wang; Liu; Song, 2022; Whittle; Hall, 2022).

Apesar dos avanços tecnológicos, permanecem lacunas significativas no que diz respeito à estruturação e ao tratamento das bases informacionais que alimentam esses sistemas (Guimarães, 2022; Buckland, 1991; Lima, 2020), objetos de estudo desta pesquisa. Muitos estudos trabalham com documentos dispersos, como arquivos PDF, planilhas e conteúdos extraídos de sites institucionais, os quais nem sempre seguem padrões estruturais compatíveis com leitura automatizada (Lancaster, 2004; Kingchang; Chatwattana; Wannapiroon, 2024; Santana et al., 2021; Rukhiran; Netinant, 2022). Essa desorganização afeta diretamente a precisão da recuperação e a confiabilidade das respostas oferecidas aos usuários.

Também se constatou a escassez de estratégias de curadoria da informação, ancoradas em modelos consolidados de organização e representação. A ausência dessas práticas dificulta a construção de sistemas mais robustos e sustentáveis, sobretudo em contextos institucionais, como o universitário, em que há alta rotatividade normativa e necessidade constante de atualização (Prakasam et al., 2023; Mishra et al., 2023; Chase, 2024).

Outro ponto recorrente refere-se à baixa adoção de estruturas semânticas, como vocabulários controlados, taxonomias, tesauros e ontologias. Tais instrumentos são reconhecidos por promover a desambiguação e a padronização terminológica, além de aumentar a eficácia dos processos de recuperação (Allison, 2012; Agus Santoso et al., 2018; Touimi et al., 2020). Entretanto, sua incorporação prática nos projetos analisados ainda é limitada, o que compromete a coerência dos diálogos automatizados e a consistência das respostas (Hodge, 2000; Soergel, 1999).

No que se refere à manutenção dos sistemas, observou-se a ausência de procedimentos bem definidos para atualização automatizada, controle de versão ou validação periódica das bases de conhecimento (Oliveira; Matos, 2023; Mendoza et al., 2022; Singla et al., 2024). Essa lacuna é especialmente preocupante em ambientes com dinâmica informacional acelerada, como universidades públicas.

Além disso, a avaliação dos chatbots permanece centrada em métricas computacionais tradicionais (ex: acurácia, F-score), enquanto critérios informacionais mais qualitativos, como clareza, relevância contextual, satisfação do usuário e efetividade da mediação, são menos abordados (Feitoza, 2021; Wang; Liu; Song, 2022).

Por fim, constatou-se que a maioria dos estudos analisados concentra-se predominantemente em aspectos técnico-computacionais, com pouca incorporação das dimensões conceituais e metodológicas próprias da Ciência da Informação (Borko, 1968). Esses trabalhos apresentam frameworks bem estruturados, metodologias replicáveis e diretrizes claras que favorecem a reutilização institucional, a consolidação de boas práticas e a evolução integrada dos sistemas (Rosenfeld; Morville; Arango, 2015).

5 CONCLUSÃO

O objetivo desta revisão de literatura foi investigar, na literatura acadêmico-científica, metodologias e tecnologias para o desenvolvimento de chatbots, bem como suas principais aplicações e relações com a CI, permitindo elaborar um mapeamento, abordando aspectos como metodologias, modelos, linguagens de programação, plataformas e técnicas empregadas na construção chatbots. Inicialmente, foram recuperados 2.040 estudos científicos, dos quais, após a aplicação de critérios de inclusão e exclusão, foram selecionados 55 para compor a revisão bibliográfica apresentada. O processo de seleção garantiu que os estudos escolhidos representassem as questões centrais da pesquisa, proporcionando uma visão das tendências atuais no campo dos chatbots e suas aplicações.

Para orientar a revisão, foram formuladas quatro questões principais: Quais são as metodologias utilizadas no desenvolvimento de chatbots? Quais são as principais tecnologias e plataformas utilizadas? Quais são os principais domínios de aplicação dos chatbots?, que guiaram a análise dos estudos selecionados, bem como as categorias de análise, a saber: Metodologias, Modelos, Linguagens, Plataformas e Técnicas de PNL. As categorias foram desenhadas com o intuito de explorar a diversidade de abordagens e técnicas presentes na literatura, além de compreender como as diferentes áreas estão utilizando os chatbots para otimizar processos e serviços.

A adoção de práticas eficientes de organização e recuperação da informação, como técnicas de classificação, categorização e uso de metadados, é um aspecto determinante para o desenvolvimento de chatbots eficazes, que conseguem lidar com grandes volumes de dados e proporcionar experiências interativas e personalizadas para os usuários. No campo da CI, a aplicação dessas boas práticas é vista como um meio de garantir que os chatbots evoluam de forma contínua, à medida que novas informações são inseridas no sistema, adaptando-se às necessidades dos usuários e melhorando a recuperação da informação com o tempo. A organização estruturada dos dados é, portanto, um fator que contribui diretamente para a qualidade das interações e da experiência proporcionada pelos chatbots.

Acompanhando as evoluções tecnológicas e o contexto social, em que os chatbots se tornam ferramentas essenciais para a organização e disseminação do conhecimento, o sucesso de sua implementação depende tanto do modelo de linguagem adotado quanto da arquitetura de organização da informação. A evolução constante das tecnologias de IA e dos métodos de recuperação da informação abre um horizonte promissor para o desenvolvimento de chatbots cada vez mais eficientes, proporcionando aos usuários uma experiência intuitiva e produtiva no acesso, na organização e na recuperação de dados. No âmbito da CI, esses avanços representam um passo importante na busca por soluções inovadoras que otimizem a interação entre os usuários e a informação, contribuindo para sistemas mais responsivos, éticos e alinhados às demandas da área.

Como direcionamento para trabalhos futuros, recomenda-se a realização de estudos empíricos que avaliem, na prática, a implementação e o impacto de chatbots em ambientes informacionais, considerando aspectos como usabilidade, eficiência na mediação e satisfação dos usuários. Sugere-se, ainda, o desenvolvimento de frameworks metodológicos que possam ser aplicados à CI, contemplando desde a curadoria e a organização dos dados até a avaliação dos resultados gerados pelos sistemas automatizados. Outra possibilidade relevante consiste na construção de modelos de organização informacional fundamentados nos achados desta revisão, de modo a subsidiar a elaboração de soluções mais interoperáveis e alinhadas às demandas específicas do campo informacional.

Reconhecimentos:

Não aplicável.

Financiamento:
Não aplicável.
Aprovação ética:
Não aplicável.
Imagem:
Extraída da plataforma Lattes.
JITA:
LM. Automatic text retrieval
ODS:
10. Redução das Desigualdades

Disponibilidade de dados e material: