UNIVERSIDADE FEDERAL DE SÃO CARLOS
CENTRO DE EDUCAÇÃO E CIÊNCIAS HUMANAS
DEPARTAMENTO DE LETRAS
CHATBOTS: A IMPORTÂNCIA DO PROCESSAMENTO DE LÍNGUA NATURAL
PARA A EXPERIÊNCIA DO USUÁRIO
Ester Gonçalves de Oliveira
SÃO CARLOS
2022
ESTER GONÇALVES DE OLIVEIRA
CHATBOTS: A IMPORTÂNCIA DO PROCESSAMENTO DE LÍNGUA NATURAL
PARA A EXPERIÊNCIA DO USUÁRIO
Trabalho de Conclusão de Curso submetido à
Universidade Federal de São Carlos como parte
dos requisitos necessários para a obtenção do
grau de Bacharel em Linguística, sob a orientação
do Prof. Dr. Oto Araújo Vale.
SÃO CARLOS
2022
UNIVERSIDADE FEDERAL DE SÃO CARLOS
DEPARTAMENTO DE LETRAS
BACHARELADO EM LINGUÍSTICA
Folha de aprovação
Assinatura dos membros da comissão examinadora que avaliou e aprovou a Defesa de
Trabalho de Conclusão de Curso da candidata Ester Gonçalves de Oliveira, realizada em
__/__/____:
___________________________________________________________________ Prof.
Dr. Oto Vale (UFSCar) - orientador
___________________________________________________________________
(UFSCar) - banca examinadora
AGRADECIMENTOS
Agradeço primeiramente a Deus que tem segurado minha mão durante toda minha jornada.
Sem Ele nada seria possível.
Aos meus pais, Anderson e Neuralucia, a minha irmãzinha, Débora, e a minha avó, Marilda,
que me apoiaram durante toda a minha trajetória. Vocês são a rocha que me manteve segura até
aqui.
Ao Lucas Nascimento, por ter sido minha base de apoio em grande parte desse projeto e ter
me dado forças para continuar.
Aos meus amigos e aos integrantes do grupo LeGOS que tiveram grande influência na
minha construção acadêmica.
Por fim, agradeço ao Prof. Dr. pelo acompanhamento e produção desseOto Araujo Vale
trabalho, além da orientação nos últimos anos.
No amor não existe medo.
(1 joão 4:18)
SUMÁRIO
INTRODUÇÃO 8
1. PROCESSAMENTO DE LÍNGUA NATURAL 11
1.1 DEFINIÇÃO DE PLN 12
1.2 REGEX 13
2. USER EXPERIENCE DESIGN 15
2.1 A HISTÓRIA DO UX DESIGN 17
2.2 AS SUB-ÁREAS DO UX DESIGN 18
3. CHATBOTS 23
3.1 HISTÓRIA DOS CHATBOTS 24
3.2 DEFINIÇÃO E TIPOS DE CHATBOT 29
3.3 CHATGPT -3 31
3.4 PLN E A EXPERIÊNCIA DO USUÁRIO 34
CONCLUSÃO 40
REFERÊNCIAS 41
RESUMO
O mercado de chatbots vem apresentando um crescimento exponencial em território nacional nos
últimos cinco anos, saindo de 8 mil chatbots criados em 2017 para 60 mil em 2019, 101 mil em
2020 e 216 mil em 2021. O crescimento do atendimento automatizado pelas empresas, acrescido ao
contexto da pandemia da COVID-19, fez com que a maior parte dos ramos de trabalho fosse
obrigada a se adaptar a uma nova realidade remota. Entendendo o cenário atual e o aumento
exponencial da utilização de assistentes virtuais, faz-se necessário evidenciar a relação que o
Processamento de Língua Natural (PLN) possui com a área de chatbots e, principalmente, destacar
a importância dele durante a construção, desenvolvimento e garantia de uma boa experiência do
usuário. Portanto, este trabalho visa explicar a atuação do PLN dentro do mercado de chatbots e UX
design, além de contribuir com a área de linguística e linguística computacional.
Palavras-chave: chatbot, design conversacional, PLN.
ABSTRACT
The chatbot market has been showing exponential growth in the Brazilian territory in the last five
years, going from 8 thousand chatbots created in 2017 to 60 thousand in 2019, 101 thousand in
2020 and 216 thousand in 2021. The growth of the automated service, within the context of the
COVID-19 pandemic, forced most branches of work to adapt to a new remote reality.
Understanding the current scenario and the exponential increase in the use of virtual assistants, it’s
necessary to highlight the relationship between NLP and the area of chatbots and its importance
during construction, development and guarantee of a good user experience. Therefore, this work
aims to explain the role of NLP within the chatbots and UX design market, as well as to contribute
to the area of  linguistics and computational linguistics.
Keywords: chatbot, conversational design, NLP.
INTRODUÇÃO
O mercado de chatbots vem apresentando um crescimento exponencial em território
nacional nos últimos cinco anos, saindo de 8 mil chatbots criados em 2017 para 60 mil em 2019,
101 mil em 2020 e 216 mil em 2021.1 Além disso, de acordo com relatório da Mobile Time2, o
tráfego de mensageria feita por chatbots brasileiros teve um crescimento de 500 milhões para 1
bilhão entre 2017 e 2019, subindo para 2,2 bilhões em 2020 e 2,8 bilhões em 2021.
É possível relacionar o crescimento do atendimento automatizado pelas empresas com o
contexto da pandemia da COVID-19, que fez com que a maior parte dos ramos de trabalho fosse
obrigada a se adaptar a uma nova realidade, a remota. Essa correlação fica clara pelos índices do
MCC-ENET (desenvolvido pelo Comitê de Métricas da Câmara Brasileira da Economia Digital
em parceria com o Neotrust) do ano de 2020 em relação a 2019, que expõem o aumento de
73,88% no número de e-commerces brasileiros.3 Desta forma, com o aumento do consumo
on-line, as funcionalidades dos chatbots tornam-se cada vez mais necessárias às empresas que
buscam manter-se relevantes para os seus compradores.
Nesse contexto, os chatbots vêm suprindo duas necessidades do mercado: a redução de
custos e a automatização de processos. Tais necessidades podem ser motivadas pelo
gerenciamento de filas para transbordo de atendimento humano, pela execução de ações de
vendas, FAQs ou por outras resoluções de problemas dentro dos fluxos conversacionais.
Ao utilizarem um software conversacional, as empresas economizam tempo e dinheiro
enquanto adquirem informações sobre seus clientes de maneira mais aprofundada. Assim,
softwares que suprem essas necessidades vêm se tornando cada vez mais populares entre as
empresas.
Existem, no entanto, diferentes tipos de chatbots para esses propósitos, que variam nas
suas funções e construções, seja com inteligência artificial (IA) ou não. Nas palavras de Haenlein
e Kaplan, a IA pode ser entendida como a “habilidade que um sistema tem de interpretar dados
corretamente, aprendendo com estes e usando-os para alcançar objetivos e tarefas específicas por
meio de adaptações flexíveis”. (2019, p. 1, tradução nossa).4 Portanto, podemos entender que a
4A system’s ability to interpret external data correctly, to learn from such data, and to use those learnings to
achieve specific goals and tasks through flexible adaptation.
3 Disponível em: https://www.ecommercebrasil.com.br/noticias/e-commerce-brasileiro-cresce-dezembro/.
Acesso em: 26 abr. 2022.
2 Mobile Time se define como uma plataforma que realiza pesquisas sobre o comportamento do brasileiro no
uso da tecnologia móvel com a parceria da Opinion Box. Todas as pesquisas têm validade estatística, com
cerca de 2 mil pessoas entrevistadas a cada edição. 
1 Pesquisa Panorama Mobile Time - Mapa do Ecossistema Brasileiro de Bots - Agosto de 2021. Disponível
em: https://www.mobiletime.com.br/pesquisas/mapa-do-ecossistema-brasileiro-de-bots-2021/. Acesso em:
23 mar. 2023.
inteligência artificial busca imitar o comportamento e a mente humana, efetivando a ideia de
construção de um computador/programa que seja capaz de “pensar” e tomar decisões como um
ser humano.
Para a linguística, a inteligência artificial faz-se relevante pelo processamento de
linguagem natural (PLN), isto é, pela capacidade da máquina de reconhecer a linguagem
humana. Segundo João de Fernandes Teixeira,
Para a linguística, a IA significava uma revolução: agora seria possível criar um
programa de computador em que estivessem representadas as estruturas
gramaticais das diversas línguas humanas. Se isso pudesse ser feito, um sonho
muito antigo seria realizado: teríamos descoberto a raiz comum de todas as
línguas humanas e uma máquina universal de tradução tornar-se-ia possível
(TEIXEIRA, 2019, p. 3).
Apesar de não termos chegado ao ideal comentado por ele, o autor está correto em
afirmar que a IA faz parte de uma revolução dentro da linguística, pois é a partir dela que somos
capazes de realizar diversas atividades antes impensáveis. É graças ao PLN que milhares de
pessoas pelo mundo são capazes de acessar línguas diferentes pela internet com a tradução
automática. Softwares como Word, Google Docs, Grammarly, entre outros, possuem funções
como a correção gramatical de textos, que só é possível por causa dos avanços da linguística
computacional e o PLN.
Além disso, há, claro, a possibilidade de criação de softwares de conversação que
interagem com os usuários, entendendo-os dentro das suas funcionalidades, ou seja, dentro do
seu próprio contexto, podendo desenvolver conversas em diversos caminhos, mesmo que com
limitações.
É dentro das plataformas dos softwares de conversação que “a mágica acontece”, ou
melhor, que conseguimos montar programas para corresponder às nossas expectativas e
necessidades conversacionais. É aqui que damos vida aos chatbots. Dentro dessas plataformas
desenhamos os fluxos conversacionais prevendo como os usuários ideais do robô interagiriam
com ele, desde o primeiro contato até a despedida. Com um propósito em mente, nosso robô irá
trabalhar dentro das suas possibilidades para entender, responder e corresponder às vontades
daquele com quem interage.
Indo um pouco mais a fundo nas possibilidades que o PLN já traz para os chatbots
existem os “provedores de IA”, como exemplo o DialogFlow, da Google, o Watson Assistant, da
IBM, e o LUIS, da Microsoft. Estes provedores de IA permitem chatbots se desprendam das
ações booleanas - isso é, ações de valores predefinidos como verdadeiro ou falso, sem
possibilidade de variação em seus resultados - “pensem por si próprios” por meio de cálculos
feitos no que chamamos de intenções e entidades. Com os provedores de IA os chatbots passam
a ser chamados de inteligentes, pois são capazes de realizar ações e tomar caminhos que seriam
impossíveis dentro de cenários sim/não booleanos.
Nosso principal objetivo neste trabalho é demonstrar não somente a importância do PLN
na criação de chatbots, como também expor como o PLN é a base de todo o processo para que os
usuários possam se comunicar, ser entendidos e ter uma experiência satisfatória. Desta forma, o
objetivo do chatbot – que vai desde reter clientes a resolver problemas ou responder pesquisas –
é conquistado de maneira mais eficaz, já que quando utilizamos o PLN o chatbot entende inputs,
ou entradas de texto, de maneira mais completa.
Para tanto, comentamos sobre Inteligência Artificial e PLN. Além disso, adentramos a
área de user experience design (UX), sua história e suas subáreas para entender como se dá a
construção de fluxos conversacionais em chatbots e como eles se envolvem com o PLN.
1. PROCESSAMENTO DE LÍNGUA NATURAL
Durante a introdução vimos que para a linguística a inteligência artificial é de grande
importância para a linguística, mas dizer somente isso não explica o que é o processamento de
linguagem natural (PLN). Nunes et al. (1999) nos apontam algumas das principais perguntas que
deram origem a essa área: sabemos que a linguagem dos computadores são “zeros” e “uns”, que não
são nada compreensíveis para nós, então como poderíamos transformar (ou mascarar, usando o
mesmo termo que Nunes et al.) essa linguagem?
Para entendermos o PLN, no entanto, é preciso voltar ao momento de seu nascimento: em
meados da década de 1940, quando o seu principal foco era a tradução automática de línguas em
contexto de Guerra Fria. Freitas (2022) nos expõe que, durante essa primeira fase, o processamento
acontecia de palavra em palavra e que isso foi necessário para que os linguistas da época
percebessem a necessidade de descrições em níveis sintático e semântico:
O reconhecimento de que a linguagem humana é ambígua nos níveis sintático e
semântico motivou a incorporação da informação vinda de dicionários (dicionários
legíveis por máquinas) e chamou a atenção para a necessidade de uma descrição
sintática que fosse precisa o suficiente para guiar a aplicação de algoritmos. A ideia
predominante na época era que para poder obter sucesso no PLN seria necessário,
sobretudo, avançar com conhecimento linguístico, e não tanto com conhecimento
computacional (FREITAS, 2022, s/p).
Após essa fase, contudo, o foco do PLN se voltou para o desenvolvimento prático (e não
teórico) de inteligências artificiais, acarretando em uma desaceleração nas pesquisas voltadas ao
conhecimento linguístico da área. De acordo com Freitas (2022) essa mudança de foco deu-se pelo
pouco avanço, ou melhor, a falta de grandes resultados de maneira rápida e que, portanto, o
caminho deveria ser alterado. Desta maneira, nas décadas de 60 e 70 prevalecem os estudos
voltados à descrição e representação de mundo.
Em termos gerais, esperava-se que a partir da modelagem do mundo, isto é, de uma
representação reduzida do mundo, as tarefas de linguagem seriam naturalmente
resolvidas (FREITAS, 2022, s/p)
Não muito tempo depois, essa visão acaba se demonstrando errônea e logo percebe-se que a
criação de sistemas gerais não é eficiente em um mundo composto por particularidades e
especificidades. Ainda sim, o desenvolvimento de frames e scripts foram um grande marco da
segunda fase (FREITAS, 2022).
A terceira e penúltima fase do PLN é descrito pela autora como:
Um choque de realidade: o PLN é difícil, mesmo em domínios restritos. A
linguagem é ambígua, altamente dependente de contexto e de conhecimento de
mundo (...) As atenções desta fase vão para aspectos lógico-gramaticais, com o
desenvolvimento de gramáticas (FREITAS, 2022, s/p).
A autora opta por dizer que, mesmo com a ideia recorrente de que essa tenha sido a época de
maior troca entre as teorias linguísticas e o PLN, estas não foram implementações das teorias
linguísticas, mas inspiradas por elas. Apesar de a abordagem predominante da época ser gramatical,
é no final da terceira fase (final dos anos 80) que nasce o processamento estatístico, método usado
hoje em dia.
O processamento estatístico, diferentemente do processamento gramatical, trabalha com
probabilidades a partir do aprendizado de máquina. Com este método foi possível a criação de
treebanks - definido como corpora anotada sintaticamente (FREITAS, 2022) - resultando em
análises muito mais rápidas e com uma assertividade maior.
A partir da década de 90 e com a consolidação do processamento estatístico em conjunto do
aprendizado de máquina dá-se início a quarta fase - e fase atual - do PLN. Desde então, graças a
grande quantidade de dados textuais disponíveis e os avanços algorítmicos e computacionais
(FREITAS, 2022), o PLN possibilitou a criação de aplicações que vão desde tradutores e revisores
gramaticais automáticos até a lista de compras do mercado que pedimos para a Alexa5 nos lembrar.
1.1 DEFINIÇÃO DE PLN
Algumas definições do PLN podem ser encontradas pelo ACL (Associação para Linguística
Computacional):
Linguística computacional é a área de estudos científicos da linguagem a partir de
uma perspectiva computacional. Os linguistas computacionais são interessados  em
fornecer modelos computacionais a partir de vários tipos de fenômenos
linguísticos. Esses modelos podem ser "baseados em conhecimento" ("feitos à
mão") ou "baseados em dados" ("estatísticos" ou "empíricos"). O trabalho da
linguística computacional é, em alguns casos, motivado por uma perspectiva
científica na medida em que se tenta fornecer uma explicação computacional para
um fenômeno linguístico ou psicolinguístico particular; e em outros casos a
motivação pode ser mais puramente tecnológica, pois se deseja fornecer um
componente funcional de um sistema de fala ou linguagem natural (ACL, 2005,
s/p).
E também pela autora citada acima, Cláudia Freitas, em conjunto com Helena Caseli e Roberta
Viola:
O PLN pode ser situado como uma subárea da computação e da linguística
(McShane e Nirenburg 2021), onde o objetivo principal é desenvolver modelos
computacionais e recursos linguísticos úteis para a automatização do
processamento das línguas humanas (CASELI; FREITAS; VIOLA; 2022, p. 1).
De maneira sucinta e em nossas próprias palavras, podemos definir o processamento de
língua natural como a área da Inteligência Artificial que busca entender as línguas humanas. Ou
seja, o PLN visa reproduzir o máximo possível a estrutura das línguas utilizadas por nós, seres
humanos, para que seja possível sua reprodução pelas máquinas. Como exemplos temos o inglês, o
português, o italiano, o russo, as línguas de sinais, que são naturais do homem, e as línguas fictícias,
como o klingon.
1.2 REGEX
Existem inúmeras ferramentas à disposição do PLN, mas a escolhida para nos auxiliar na
conclusão do objetivo deste trabalho é o RegEx. RegEx vem do inglês “regular expression”, ou, em
português, “expressão regular”, e possui esse nome, pois tem como função validar padrões em
entradas.
5 Disponível em: amazon.com.br/b?node=19949683011
O RegEx funciona da seguinte maneira: dentro do código será implementado um RegEx
pré-definido para combinação. Assim que o RegEx encontrar essa combinação dentro da ação do
usuário, ele vai dar início à ação programada por meio do código conforme a Figura 1:
Figura 1 - Funcionamento do RegEx.
Fonte: Expressões regulares: capturando textos de forma mágica. 6
Exemplos mais palpáveis e comuns desse processo no nosso dia a dia são as identificações
de e-mail quando se faz login em alguma página e a validação de e-mail em um site por meio de
RegEx.
Na figura abaixo temos cinco partes nesse RegEx:
● Rosa: valida qualquer caractere de A a Z, de 0 a 9, com ou sem pontos finais, underlines,
mais e menos e sem restrição de quantidade e de capslock.
● Azul: valida o @
6 Disponível em: https://www.alura.com.br/conteudo/expressoes-regulares.
● Verde: valida qualquer caractere de A a Z, de 0 a 9, sem restrição de quantidade e de
capslock até o ponto-final.
● Vermelho: valida o ponto-final.
● Amarelo: valida qualquer caractere de A a Z, de 0 a 9, com ou sem pontos-finais, underlines,
mais e menos, sem restrição de quantidade e de capslock.
Figura 2 - Exemplo de RegEx para e-mail.
Fonte: Email Address Regex Django - Alterações da autora.7
Isso significa que se o usuário der entrada em um e-mail como josebezerra2013@gmail.com
ou luquit_18@yahoo.com.br, eles vão ser validados, enquanto mariajose@gmail ou
rob2015@bata_ta.br, não.
Vale ressaltar que embora um RegEx simples como esse funcione muito bem para o seu
propósito em um cenário ideal, ele não é perfeito, pois podem existir cenários em que o usuário
tente dar entrada em um e-mail como arroz@batata.com e o RegEx faça a validação, dado que o
input corresponde às suas regras. Nesses casos, principalmente quando há validação de dados
sensíveis para acessos, o RegEx trabalhará com alguma ferramenta a mais, como uma API de
validação que consultará se o e-mail realmente existe no banco de dados.
Embora não seja perfeito, RegEx é uma das ferramentas mais conhecidas e utilizadas hoje
no mercado de desenvolvimento, inclusive no de chatbots e, portanto, serve devidamente ao
objetivo do nosso trabalho, uma vez que nos serve de apoio durante as exemplificações do trabalho.
2. USER EXPERIENCE DESIGN
Para entendermos o que é o User Experience Design precisamos, primeiramente, entender
como esta área de atuação surgiu. O termo User Experience Design (UX Design), ou Experiência
do Usuário, foi criado em meados de 1990 por Donald Norman ao entender que não existia uma
7 Disponível em: https://www.abstractapi.com/guides/email-address-regex-django
palavra que englobasse apropriadamente as atribuições do cargo de Tecnologia Avançada, área da
qual era vice-presidente na Apple. É importante entender que a atividade do UX Design já existia,
mas a terminologia nasceu e se difundiu com Norman.
A necessidade de Norman de nomear a “UX Design” veio do vale que existia entre a
usabilidade e o design de interfaces. Em suas próprias palavras:
Eu inventei o termo, porque achava que interface do usuário e usabilidade eram
muito restritos, eu queria cobrir todos os aspectos da experiência de uma pessoa
com o sistema, incluindo design industrial, gráficos, a interface, a interação física e
o manual (NORMAN, 2008, s/p - tradução nossa).8
O design de interfaces, também conhecido como User Interface (UI), é muito conectado ao
universo da programação e criação de softwares, sites e aplicativos. Neste sentido, o design de
interfaces é tudo aquilo com que você consegue interagir, o “front-end” da programação. Tudo o
que for botão, caixa de texto, scrolls e cliques são interface. Isso também significa que o UI está –
ou deveria estar – conectado à usabilidade, que, no contexto de produtos entregáveis, é o grau de
facilidade com que os usuários/consumidores utilizam determinado produto, seja ele físico, como
uma xícara, ou não, como um aplicativo dentro do seu celular.
Para entendermos melhor, vamos utilizar os exemplos citados acima: a xícara e o aplicativo.
Você já se perguntou por que a xícara tem uma asa? Em 1750, na Europa, a primeira xícara foi
inventada pela necessidade de suprir o problema dos cidadãos que foram apresentados aos chás,
mas que não tinham condições de importar as louças dos países asiáticos. Estes cidadãos tomavam o
líquido quente em canecas e copos de metal que queimavam seus dedos. Desta forma, para evitar
que as pessoas se machucassem ao beber, tigelas com alças foram inventadas.9
Assim como a xícara, todo aplicativo tem um porquê por trás, um objetivo. No contexto de
produtos digitais, a usabilidade significa se perguntar “o quão fácil é para o meu usuário fazer
aquilo que eu espero que ele faça?”. Por exemplo, de nada vai adiantar eu desenvolver um
aplicativo de e-commerce com uma linda interface, de uma marca acolhedora e com ótimas peças à
venda se o usuário não souber onde clicar para finalizar a compra, certo? Por isso eu preciso incluir
instruções claras de como o usuário deve prosseguir: nesse exemplo, poderia ser incluído um botão
grande e chamativo com o texto “finalizar compra”.
9 Disponível em: https://www.mexidodeideias.com.br/mundo-do-cafe/a-historia-da-xicara/
8 I invented the term because I thought human interface and usability were too narrow. I wanted to cover all
aspects of the person’s experience with the system including industrial design graphics, the interface, the
physical interaction and the manual. Since then the term has spread widely, so much so that it is starting to
lose it’s meaning.
Após entender o que são UI e Usabilidade, mencionados por Norman, vamos entender o que
é o UX Design. Portanto, o termo que surgiu da lacuna entre o UI e a Usabilidade é a combinação
do conteúdo, da arquitetura, do design visual, dos sons e do design de interação e possui o objetivo
de projetar e criar um sentimento no usuário.
2.1 A HISTÓRIA DO UX DESIGN
O termo UX foi cunhado por Don Norman em meados dos anos 90. Simultaneamente, Jakob
Nielsen, cientista da computação, doutor em Interação Humano-Computador (IHC) e futuro
cofundador do grupo Nielsen Norman (NNGroup), publicava o texto 10 Usability heuristics for
User Interface Design, sobre pesquisa de usuário e as 10 principais heurísticas de usabilidade. São
elas:
1. Visibilidade de sistema: o design deve informar seu status de maneira clara, por meio de
feedbacks e avisos de tempos em tempos.
2. Correspondência entre o sistema e o mundo real: o design deve ser de fácil leitura –
leia-se entendimento – para o usuário, utilizando conceitos familiares a ele. As informações
devem seguir uma ordem natural e lógica.
3. Liberdade de controle do usuário: os usuários precisam de um método de saída claro e
fácil de ser acessado caso cometam erros ao usar o produto, para que não sejam obrigados a
performar uma ação que não queriam.
4. Consistência e padronização: deve-se seguir as convenções com as quais já estamos
acostumados, pois o usuário não deve ficar gastando tempo se perguntando qual ação cada
botão faz.
5. Prevenção de erros: é importante tomar ações para prevenir que os usuários cometam
erros, seja procurando por bugs ou incluindo passos de confirmação antes de ações
importantes.
6. Reconhecimento, não memorização: elevamos a experiência dos usuários quando
diminuímos sua carga mental. Isto é, quanto menos eles tiverem que pensar para completar
uma ação, melhor. Por isso, procurar manter-se no padrão é importante.
7. Flexibilidade e eficiência de uso: permita que usuários “criem” seus próprios caminhos.
Um exemplo são os shortcuts, que cada usuário usa da maneira mais efetiva para alcançar
seus objetivos.
8. Estética e design minimalista: as interfaces não devem ser sobrecarregadas, principalmente
se incluem informações que não são relevantes ao usuário. Lembre-se de que as informações
irrelevantes competem com as importantes pela atenção do usuário.
9. Ajude os usuários a reconhecer, diagnosticar e recuperar-se de erros: mensagens de erro
devem ser claras. Deve-se partir do princípio que o usuário não entende os códigos, portanto
descreva o erro com uma mensagem de texto e inclua uma sugestão que o ajude nos
próximos passos.
10. Ajuda e documentação: documente tudo o que for necessário para ajudar o usuário a
completar suas tarefas.
Alguns anos depois da publicação das heurísticas de usabilidade, em 1998, Don Norman e
Jakob Nielsen fundaram o NNGroup. Dois anos depois, os cofundadores saem em turnê mundial
com o propósito de propagar e expor esta nova área. Ainda em 2000, Bruce Tognazzini, autor do
livro Tog on Interface, publicado em 1992, se junta ao NNGroup, contribuindo para seus objetivos.
Assim, de 2000 até os dias de hoje, houve a publicação de vários artigos, livros, pesquisas e
a realização de diversos eventos10, – um fato importante no período foi o livro O design do dia a
dia, de Don Norman, considerado um dos mais importantes para a história do design, ter atingido a
marca de 15 mil citações –, além de palestras em TED Talks sobre design emocional11 e o
recebimento do prêmio SIG-CHI Lifetime Practice12. Em 2018, o NNGroup comemorou seus 20
anos de história.
2.2 AS SUB-ÁREAS DO UX DESIGN
No tópico acima entendemos um pouco sobre a história do UX design e as principais
heurísticas de usabilidade. Além disso, foram introduzidos dois personagens muito importantes para
o desenvolvimento da área, Don Norman e Jakob Nielsen. Agora iremos focar nas contribuições de
outra grande influência da área: Dan Saffer.
12 Disponível em: https://www.nngroup.com/news/item/jakob-nielsen-lifetime-achievement-award/
11 Disponível em:
https://www.ted.com/talks/don_norman_3_ways_good_design_makes_you_happy?language=pt
10 Artigos sobre diversos assuntos, como E-commerce, Psychology and UX, Research Methods, User
Testing, Web Usability e Writing for the Web. Além do “10 Usability Heuristics for User Interface Design”,
temos também “Empathy Mapping: The First Step in Design Thinking”, “The Four Dimensions of Tone of
Voice”, “Between-Subjects vs. Within-Subjects Study Design”, “Usability 101: Introduction to Usability” e
“Usability Testing 101” que podem ser encontrados no site do NNGroup.
Dan Saffer atua hoje como Product Design Leader, além de ser autor de obras como Gestural
Interfaces (2008), Designing for interaction (2010) e Microinteractions (2013). Saffer trabalha com
Design desde 1995, sendo reconhecido pela criação do infográfico de subáreas que compõem o UX
design:
Figura 3 - Subáreas do UX Design
Fonte: Saffer (2009).
O infográfico, criado em 2009 por Dan Saffer, engloba, de maneira completa, as áreas que
permitem a concepção do UX design.
Iniciemos por aquele que antecede tudo e todos, isto é, a Arquitetura de Informação (AI).
Nas palavras de Alfram Albuquerque e Mamede Lima-Marques,
A Disciplina Arquitetura da Informação é um programa de investigação
epistemológica da realidade que busca identificar e relacionar, no mínimo e
necessariamente, quatro dimensões no problema tratado: Forma, Contexto,
Manifestação e Significado (resumidamente, propriedades FCMS). Pode adotar
duas abordagens: orientada para o objeto, quando o propósito é analisar o
fenômeno, ou orientada ao produto, quando o propósito é criar um produto para
atuar sobre o fenômeno (ALBUQUERQUE, LIMA-MARQUES, 2011, s/p).
Por mais que o nome e a definição sejam complexos, a AI é a estruturação de conteúdo de
maneira interpretável e que faça sentido para o seu propósito, seja ele orientado ao objeto ou ao
produto. Um exemplo prático quando falamos de produto é pensar nas estruturas de sites, como da
Figura 4, com suas divisões de páginas e conteúdos, pois não é arbitrário a organização e divisão de
materiais e serviços em certas categorias determinadas.
Figura 4 - Exemplo de AI para construção de sites
Fonte: Os entregáveis da Arquitetura de Informação13
13 Disponível em:
https://brasil.uxdesign.cc/os-entreg%C3%A1veis-da-arquitetura-de-informa%C3%A7%C3%A3o-ff03baf3ba
45
Interligado à AI temos o Design Visual, que pode ser definido como o design que se
sobrepõe às mídias. O design visual não é centrado como o UX ou o UI e seu significado ainda não
é muito palpável, apesar da sua importância no meio midiático.
Quando falamos de design visual, falamos da essência de um design. Um logo ou uma
marca e suas características são criações do design visual. A memória da Coca-Cola como um item
necessário naqueles almoços de domingo em família, quando todos se juntam para comer um belo
strogonoff com batata-palha, por exemplo, é resultado do trabalho de criação de marca e voz de um
designer visual.
Além disso, para que haja uma produção é necessário um conteúdo, podendo ser ele visual,
auditivo e/ou textual, isto é:
● uma imagem, um gif (visual);
● uma música, um áudio (auditivo);
● um texto em copywriting, um botão com uma ação escrita (textual).
Salientamos que os tipos de conteúdo podem ser combinados para alcançar os objetivos,
como um vídeo, que utiliza de recursos auditivos e visuais em sua composição.
Também se deve ressaltar a importância do trabalho em conjunto da AI, do conteúdo e do
design visual, pois são eles os principais responsáveis pela criação de um produto consistente e
coerente. Não adianta expor milhares de imagens em um site se o seu display não está bem
arquitetado e se essas imagens não possuem descrições acessíveis. Quando pensamos no usuário de
um produto, nada deve ser considerado subentendido.
Quanto ao Design Industrial, este é responsável pelo desenvolvimento dos manufaturados
das empresas, sejam dispositivos, serviços ou produtos. O design industrial está intrinsecamente
ligado a meios de produção em massa. Nas palavras de Angela Dumas:
Design Industrial é o termo usado quando uma atividade é colocada em serviço
como uma parte formal de um empreendimento dedicado à criação de artefatos
como parte da criação de riquezas. Antes da industrialização, indivíduos que
realizam a atividade do design eram artesãos, sobre qual podemos especular a
experiência e o conhecimento que aqueles ativos em design podem precisar em
uma era pós-industrial. [...] Atualmente, no entanto, a atividade de design industrial
está generalizadamente ligada ao desenvolvimento de produtos manufaturados. É
fator: 1) A criação de produtos que conquistam e extrapolam os estilos. 2) A
integração e aplicação de novas tecnologias. 3) Atividades que melhoram ou criam
novos mercados. 4) Atividades que melhoram ou protegem marcas. (DUMAS,
2000, p. 2 - tradução nossa).14
14 Industrial Design is the term used when the activity is pressed into service as a formal part of a business
enterprise dedicated to creating artifacts as a part of wealth creation. Prior to industrialisation, individuals
undertaking design were artisan craftsman, we might speculate on what expertise and knowledge those active
in design might need in a future post industrialist age. [...] Currently, though, the activity of industrial design
Para finalizar, abordaremos os três últimos, mas não menos importantes compositores do
UX: o Design de Interação, a Interação Humano-Máquina (Human-Computer Interaction, HCI, ou
IHM, em português) e os Fatores Humanos.
O design de interação, em contraste com o design industrial, busca ir muito além do simples
desenvolvimento do produto. Nesse tipo de design procura-se entender como se dá a interação dos
usuários com os produtos, embora não se voltem para o usuário como o UX, abordando apenas a
parte essencial, como demonstrado no infográfico. Por outro lado, assim como o design industrial, o
design de interação volta-se para a forma, porém sem deixar de lado o comportamento.
Assim como no design de interação, a interação humano-máquina também se baseia no
comportamento do seu usuário. O IHM foca em otimizar as interações de humanos e máquinas por
meio de interfaces. Hewett define a IHM da seguinte maneira:
A interação humano-máquina é uma disciplina preocupada com o design, avaliação
e implementação de sistemas interativos de computador para uso humano e com os
principais fenômenos que os cercam (tais sistemas) (HEWETT, 1992, p. 5 -
tradução nossa).15
É válido acrescentar que o fluxo de trabalho do IHM é de fora para dentro, isto é, tem início
no usuário em vez do produto. Isso significa que o IHM entende o usuário como a parte mais
importante e, portanto, devem estar envolvidos no processo (MARIZ; BASTOS, 2018). A imagem
de Barbosa e Silva (2010), adaptada por Mariz e Bastos (2018), ilustra bem a ideia de fluxos “de
dentro para fora” (A) versus “de fora para dentro'' (B).
15 Human-computer interaction is a discipline concerned with the design, evaluation and implementation of
interactive computing systems for human use and with the study of major phenomena surrounding them
is generally linked to product development in a manufacturing context. It is a factor in the following: 1) The
creation of products that attain and reach beyond style. 2) The integration and application of new technology.
3) Activities that enhance or create new markets. 4) Activities that enhance and guard brands
Figura 5 – Tipos de fluxo de IHM
Fonte: MARIZ, BASTOS (2018)
Por fim, é necessário contarmos com os fatores humanos, isto é, com os acontecimentos que
advêm de seres humanos, seja por motivação fisiológica ou social, afetando suas interações.16 Em
outras palavras, se um usuário precisa de suporte emocional por causa de algum evento em sua vida
e procura ajuda em um site de psicólogos online, ele deve encontrar naquele site palavras que
acolham ele para que ele possa se sentir aceito e com vontade de continuar ali. É importante tentar
antecipar ações causadas tanto por emoções quanto por erros, afinal, todo ser humano está
predisposto a ambos.
3. CHATBOTS
Sabe-se que chatbots/assistentes virtuais são estigmatizados, pois, afinal de contas, quem
nunca teve uma interação ruim com um serviço de respostas automáticas quando você mais
16 Disponível em:
https://www.ocimf.org/pt/fatores-humanos#:~:text=Os%20fatores%20humanos%20s%C3%A3o%20caracter
%C3%ADsticas,indiv%C3%ADduos%20ou%20equipes%20de%20trabalho.
precisava de ajuda com algum produto de uma empresa? Mas por piores que sejam as memórias, é
bom sabermos que o mercado de chatbots vem evoluindo grandiosamente, não somente em níveis
de produção, mas também na busca por melhor qualidade, implicando, consequentemente, a busca
pela melhor experiência ao usuário.
Agora que entendemos o que é o PLN e o que é Design de Experiência do Usuário
precisamos entender como elas se favorecem quando colocadas para trabalhar em conjunto. Porém,
antes de pularmos de cabeça nisso é necessário compreender o que é e como nasceu essa tecnologia.
3.1 HISTÓRIA DOS CHATBOTS
A concepção de chatbots nasceu com Alan Turing, conhecido como o pai da ciência da
computação e da inteligência artificial. Turing, matemático nascido em Londres no ano de 1912, se
suicidou em 1954, aos 41 anos, dois anos após sua condenação por “atos homossexuais”, que, até
então, era crime no Reino Unido. Apesar das injustiças sofridas em sua curta vida, Turing fez
grandes contribuições para o desenvolvimento da ciência e das novas tecnologias, e uma delas foi o
pontapé inicial para o desenvolvimento de IAs: o Turing Test.
O Turing Test foi proposto, inicialmente, por um artigo do matemático em 1950, no jornal
Mind. Seu artigo inicia com uma pergunta: “máquinas são capazes de pensar?” que logo é
parafraseada, uma vez que as ramificações que seriam criadas para poder responder tal questão
seriam “absurdas”. Assim, “Máquinas são capazes de pensar?” foi alterada para “O que acontecerá
quando uma máquina for capaz de tomar parte de ‘A’ no jogo?”.
Para contextualizar, o jogo a que Turing se refere no parágrafo acima é o jogo da imitação,
que Tomáš Zemčík explica de maneira simplificada:
Para responder essa pergunta, é utilizado uma variação do chamado jogo da
imitação. É um jogo em que uma pessoa conduz uma comunicação “cega” com o
sujeito a ser testado. Após o término do jogo, a pessoa deve decidir se o sujeito se
trata de uma pessoa viva e pensante ou de uma inteligência artificial (IA), um
chatbot. Isso significa que neste teste a capacidade de pensar é identificada (ou
substituída) pela habilidade de comunicação em tal nível que os participantes
tomem o sujeito como um ser pensante (ZEMČÍK, 2019, p. 14 - tradução nossa).17
17 To answer this question, it uses a variation of the so-called Imitation game. It is a game in which a person
leads a ‘blind’ communication with the tested subject. After the end of the communication game, the person
is supposed to decide whether it was a living thinking person or artificial intelligence (AI), a chatbot. It
means that in this test the ability to think is identified (or substituted) with an ability to communicate on such
a level so that the participants of the conversation regard it as a thinking being
Então, basicamente, passam no teste as máquinas que forem capazes de imitar uma pessoa
(daí o nome jogo da imitação) a tal nível que, durante uma conversação entre estas e uma pessoa
real, a pessoa real não consiga diferenciar se aquele com quem conversa é uma pessoa ou máquina.
A partir do Turing test, ideia que deu origem aos chatbots, nasce a primeira assistente
virtual. ELIZA, como foi nomeada, foi desenvolvida em 1966 por Joseph Weizenbaum com o
intuito de explicitar o quão superficiais as interações humano/máquina são.
ELIZA foi construída para interpretar o papel de uma psicoterapeuta, mas ainda apresentava
respostas muito limitadas, baseadas na combinação de padrões simples e vagos, muitas vezes em
forma de perguntas. Ela demonstrava um comportamento evasivo quando as perguntas se voltavam
às suas características, buscando desviar o usuário sempre para o seu objetivo principal: os tópicos
de conversação pré-definidos entre psicoterapeuta e paciente.
Porém, apesar das limitações e da falta de entendimento de contexto como um todo, ELIZA
provou que Weizenbaum estava errado, pois os usuários logo começaram a criar laços sentimentais
com a chatbot, confidenciando-lhe desde histórias pessoais a dados sensíveis e confidenciais
(ZEMČÍK, 2019).18 Vale ressaltar aqui que este comportamento de humanização da máquina é algo
comum nos usuários, seja uma sentimentalização provocada propositalmente pelas empresas ou
não.
As figuras abaixo mostram exemplos de interações da ELIZA, a primeira recriada por
Norbert Landsteiner, em 2005, e a segunda pela autora19 (ambas imagens estarão seguidas das
traduções feitas pela autora).
Nessa versão, os exemplos mostram usuários interagindo com o chatbot. A Figura 6
representa o cenário em que o usuário começa a criar um laço sentimental com ele, se abrindo para
compartilhar mais sobre sua vida pessoal. A Figura 7 representa o cenário em que as limitações de
ELIZA ficam bem-dispostas ao usuário.
19 A interação foi feita pelo site: http://psych.fullerton.edu/mbirnbaum/psych101/eliza.htm
18 It was a surprise that people soon started to anthropomorphised Eliza and confide in her their personal
stories, sensitive data and secrets.
Figura 6 - Interação bem-sucedida de Eliza.
Fonte: Processamento de Linguagem Natural: Histórico e Potencial Atual.20
Bem-vindo a ELIZA
Eliza é uma falsa psicoterapeuta Rogeriana.
O programa original foi descrito por Joseph Weizenbaum em 1966.
Essa implementação foi feita por Norbert Landsteiner em 2005.
ELIZA: Tem algo te incomodando?
VOCÊ: Homens são todos iguais.
ELIZA: Qual você acha que é a conexão?
VOCÊ: Eles estão sempre nos chateando por uma coisa ou outra.
ELIZA: Você consegue pensar em um exemplo específico?
VOCÊ: Bem, meu namorado me fez vir aqui.
ELIZA: É importante para você que seu namorado tenha te feito vir aqui?
20 Disponível em: http://www.each.usp.br/petsi/jornal/?p=2577.
VOCÊ: Ele diz que eu tenho estado depressivo a maior parte do tempo.
ELIZA: Eu sinto muito por ouvir que você está depressivo.
VOCÊ: É verdade. Eu estou infeliz.
ELIZA: Consegue explicar o que fez você infeliz?
VOCÊ:
Figura 7 - Interação mal sucedida de Eliza.
Fonte: De autoria própria.
Pela figura, podemos presumir que este não é o começo da conversação entre o usuário e ELIZA,
mas, ainda assim, são evidenciadas as suas limitações.
VOCÊ: Sim.
ELIZA: Eu vejo.
VOCÊ: Sim, o que você vê?
ELIZA: Oh… ver?
VOCÊ: Você não deveria estar tentando me alegrar?
ELIZA: Você não está realmente falando sobre mim, está?
VOCÊ: Não, eu estou falando sobre mim.
ELIZA: Você está dizendo não só para ser negativo?
VOCÊ: Não.
ELIZA: Por que não?
Para resumir as expectativas sobre ELIZA, Sharma nos fala:
Muitos acadêmicos acreditavam que o programa seria capaz de influenciar
positivamente a vida de inúmeras pessoas, principalmente daquelas que sofrem de
problemas psicológicos e que (esse) poderia auxiliar os médicos ao que tratam
esses pacientes. Enquanto ELIZA era capaz de se engajar no discurso, ELIZA não
conseguia ter um real entendimento da conversa. Entretanto, muitos dos primeiros
usuários estavam convencidos da inteligência e entendimento de ELIZA, apesar da
insistência de Weizenbaum sobre o contrário (SHARMA et al., 2017, p. 52 -
tradução nossa).21
Dois outros chatbots que deixaram um marco na história dos chatbots são PARRY e
SmarterChild.22 PARRY foi apresentado ao público por Kenneth Mark Colby em 1972. Colby deixa
claro que seu papel na construção do chatbot não era atuar como um linguista, e sim, como um
psiquiatra interessado na área. Juntamente com um grupo de estudantes da área, o desenvolvimento
do projeto teve início no departamento de psiquiatria de Stanford.
A ideia principal por trás de PARRY batia quase de frente com o desenvolvimento da
ELIZA, dadas as vantagens que traria para os estudos e a atuação dela.23 Conjuntamente, dentro da
área da psicologia, PARRY representava a persona de um paciente com esquizofrenia
paranoica/pensamentos paranoicos com o objetivo de chegar a um diagnóstico por meio das
respostas dos usuários. Colby (1999) chamou esse processo de “diagnostic interviewing”, ou, em
tradução livre, “entrevista de diagnóstico”. Anos mais tarde, PARRY viria a atuar também em
terapias cognitivas.
Seguem citações de Colby e Zemčík:
O modelo de simulação computacional PARRY passou em vários testes de
indistinguibilidade no qual foi entrevistado por diversos profissionais
23 Em janeiro de 1973 foi feito um experimento entre os dois chatbots: ELIZA (DOCTOR) interage com
PARRY pela primeira vez. A interação completa está disponível pelo
link https://www.rfc-editor.org/rfc/rfc439
22 Importante ressaltar aqui que esses chatbots não foram os únicos a marcar a história, alguns, como ALICE
Ractor, Dr. Sbaitso e até mesmo Siri e Alexa podem ser considerados grandes marcos na área. Entretanto,
neste trabalho falaremos mais aprofundadamente somente de ELIZA, PARRY e SmarterChild. Para os
interessados em saber mais sobre outros chatbots que tiveram seus marcos na história recomendamos a
leitura de From Eliza to XiaoIce: challenges and opportunities with social chatbots, de Shum e Li que
criaram uma tabela intitulada "Summary of major conversational systems" (Sumário dos maiores sistemas
conversacionais).
21 Many academics believed that the program would be able to positively influence the lives of many people,
particularly those suffering from psychological issues and that it could aid doctors working on such patients’
treatment. While ELIZA was capable of engaging in discourse, ELIZA could not converse with true
understanding. However, many early users were convinced of ELIZA’s intelligence and understanding,
despite Weizenbaum’s insistence to the contrary.
especializados em saúde mental (psiquiatras, psicólogos, enfermeiros psiquiátricos)
que não conseguiram distinguir seu comportamento linguísticos do de reais
pacientes paranóicos em níveis estatísticos significativos. PARRY funcionava todas
as noites na rede ARPA por muitos anos e as interações, que totalizaram mais
100.000 - que por muitas acabavam sendo só para entretenimento - forneceram
uma rica fonte de frases, gírias, etc, para construção de um banco de dados
semântico (COLBY, 1999, p. 10 - tradução nossa).24
Ele (PARRY) serviu não apenas como ferramenta didática para jovens psiquiatras
aprenderem a se comunicar com pacientes diagnosticados com esquizofrenia
paranoica, mas também como um modelo funcional do padrão teórico de paranóia
de Colby sobre o processamento de sinais anormal na mente do paciente
(ZEMČÍK, 2019, p. 14 - tradução nossa).25
SmarterChild, por outro lado, foge da área da psicologia, sendo um dos principais chatbots
concebidos com o objetivo de auxiliar usuários comuns nas atividades do dia a dia. Desenvolvido
por ActiveBuddy, SmarterChild nasceu em 2001 e foi disponibilizado em plataformas de
mensageria comuns da época, como MSN e AOL. É dito por Usman Haruna et al. (2021) que a
interface do SmarterChild era bem amigável, o que permitia uma comunicação mais natural com o
chatbot.
Entre as capacidades do SmarterChild podemos listar informações sobre classificações nos
jogos, notícias do dia, ações na bolsa, filmes em cartaz, como estaria o tempo e até mesmo o que o
seu horóscopo dizia para você naquele dia.
25 It did not serve only as a didactic tool for young psychiatrists to learn how to communicate with patients
who were diagnosed with paranoid schizophrenia, but also as a functional model of Colby’s theoretical
pattern of paranoia functioning as a defective processing of signs in patient’s mind
24 The computer-simulation model PARRY passed several indistinguishability tests in which it was
interviewed by expert mental health professionals (psychiatrists, psychologists, psychiatric nurses) who
could not distinguish its linguistic behavior from that of paranoid patients at a statistically significant level.
PARRY ran nightly on the ARPA network for many years and these interactions, numbering over 100,000 -
often just playful or baiting in nature - nonetheless provided us with a rich source of words, phrases, slang,
etc. for building a semantic database.
Figura 8 - Interação de SmarterChild.
Fonte: MOLNÁR, SZÜTS (2018)
3.2 DEFINIÇÃO E TIPOS DE CHATBOT
Falamos um pouco sobre a história, agora precisamos entender o que exatamente é um
chatbot. Chatbots, chatterbots, assistentes virtuais, assistentes digitais ou assistentes interativos
designam sofwares/aplicativos de conversação com língua natural, buscando a naturalização da
conversa prevista para que não cause estranheza no usuário que o utiliza. Uma definição comum de
chatbot vem de Adamopoulou e Moussiades:
É um programa de computador que responde como uma entidade inteligente
quando se conversa via texto ou voz e compreende uma ou mais línguas humanas
pelo processamento de língua natural (PLN). No léxico, um chatbot é definido
como “um programa de computador projetado para simular conversas com usuários
humanos, especialmente pela internet” (ADAMOPOULOU; MOUSSIADES, 2020,
- tradução nossa). 26
26 It is a computer program, which responds like a smart entity when conversed with through text or voice
and understands one or more human languages by Natural Language Processing (NLP). In the lexicon, a
Esse software, no entanto, pode ser desenvolvido de duas formas diferentes: baseado em
regras ou baseado em IA27 - isso é, limitados pelas regras do programa criado ou que se utiliza das
chamadas intenções e entidades para o cálculo de probabilidade, com o propósito de encontrar a
resposta que melhor se adeque a vontade do usuário. Sharma et al. explicam:
Existem dois tipos principais de chatbots disponíveis, um cujas funções são
baseadas em um conjunto de regras e outro que usa inteligência artificial - versão
mais avançada. O primeiro tende a ser limitado e sua inteligência depende da
complexidade do programa. Quanto maior for a complexidade maior será a
inteligência do chatbot. Aquele que usa a inteligência artificial entende a língua não
apenas como comandos e torna-se mais inteligente à medida que aprende com as
suas interações com pessoas. Um chatbot também pode executar algumas funções
como cálculos, configurar lembretes, acionar alarmes, etc (SHARMA et al., 2017,
p. 52 - tradução nossa).28
Portanto, muitas são as possibilidades dos chatbots dependendo de sua construção,
desenvolvimento e propósito.
3.3 CHATGPT-3
O ChatGPT-3 é um modelo de linguagem criado e treinado pela OpenAI que possui formato
conversacional, permitindo que usuários interajam com ele por textos. O modelo foi disponibilizado
ao público no final de 2022, portando dados de treinamento limitados até 2021.
De acordo com seus criadores, o modelo de linguagem utilizou o método de Aprendizagem
por Reforço (um dos tipos de métodos utilizados pelo Aprendizado de Máquina) que se baseia no
treinamento de um modelo inicial por fine-tuning, ou ajuste fino, do qual houve dados de humanos
em perspectivas de usuários e de assistentes virtuais (OpenAI, 2022 - tradução nossa).
Não é sem fundamento a comoção pelo ChatGPT-3, pois este representa de maneira clara e
acessível aos leigos os avanços que as áreas da Inteligência Artificial vem gerando. No entanto, o
ChatGPT-3 não é perfeito e está longe de ser independente da ação humana, pois para que uma
inteligência exista é necessário alguém guiando/treinando-a.
28 There are two main types of chatbots available, one whose functions are based on a set of rules and other is
the more advanced version which uses artificial intelligence. The former one tends to be limited and their
smartness depends upon the complexity of the program. The more complex the program is, the more is the
smartness of the bot. The one that uses artificial intelligence, understands language, not just commands, and
continuously gets smarter as it learns from the conversation with the people. A chatbot can also perform
some basic functions like calculations, setting-up remainders, alarms etc
27 Para fins desse trabalho, como comentamos anteriormente, falaremos na prática somente do cenário
definido por regras.
chatbot is defined as “A computer program designed to simulate conversation with human users, especially
over the Internet”
Em exemplos demonstrado na figura 9, em que há uma clara defasagem gramatical em
relação à norma culta do português brasileiro quando lê-se “o lenguagem” ao invés de “a
linguagem” - isso é, o correto seria a utilização do artigo feminino “a” no lugar do artigo masculino
“o” e a escrita de linguagem com “i” no lugar de “e”. Também observamos essa defasagem quando
a resposta do ChatGPT-3 traz verbos no infinitivo, que não concordam com o sujeito da frase (as
pessoas adquirir, produzir e compreender).
Figura 9 - Interação com ChatGPT-3 1
Fonte: De autoria própria.
Até situações como as demonstradas nas figuras 10 e 11, das quais as respostas estão
incorretas, mesmo o modelo trazendo um retorno que aparenta confiança.
Na figura 10, o correto seria dizer que em 19 de junho de 2008, o Brasil passou a proibir a
condução de veículos automotores com concentração de seis miligramas de álcool por litro de
sangue pela lei 11.705, popularizada como lei seca. Já na figura 11, o modelo afirma que é uma
expressão usada para quando algo é considerado falso ou enganoso. Apesar de realmente ser uma
expressão do pt-br, ela possui um caráter político para denominar uma ação de duplo sentido,
passando como normal ou despercebido para aqueles que não são seu público alvo.
Figura 10 - Interação com ChatGPT-3 2
Fonte: De autoria própria.
Figura 11 - Interação com ChatGPT-3 3
Fonte: De autoria própria.
De toda maneira, o próprio ChatGPT-3 foi ensinado a responder sobre suas limitações e
entende a importância daqueles que o treinam:
Figura 12 - Interação com ChatGPT-3 4
Fonte: De autoria própria.
Figura 13 - Interação com ChatGPT-3 5
Fonte: De autoria própria.
Para concluirmos, o ChatGPT demonstra o grande avanço da área da Inteligência Artificial,
incluindo o PLN. No entanto, em suas próprias palavras, ele é um produto do trabalho de seus
treinadores, sejam eles desenvolvedores, engenheiros computacionais, engenheiros de machine
learning, especialistas em IA ou mesmo linguistas, e que a sua existência depende do nosso
trabalho.
3.4 PLN E A EXPERIÊNCIA DO USUÁRIO
O processo de desenvolvimento de um chatbot não é tão complexo, mas depreende muito
tempo. Há muitos passos a serem seguidos até um chatbot ser implementado, publicado e
disponibilizado ao público. Entre esses passos, o principal é entender o objetivo do projeto, saber
quais as ações que o chatbot deve performar e quais serão suas limitações, até onde a sua
inteligência se estenderá e o quão cognitivo será.
Ferramentas, APIs, recursos e tudo mais que for necessário é acordado durante a ideação do
projeto, por todos aqueles que participarão da sua criação. O responsável pela parte cognitiva do
chatbot, isto é, o linguista ou profissional da língua, fica encarregado de garantir que o usuário e o
chatbot sejam capazes de se entender da melhor forma possível, garantindo uma jornada
conversacional suave. É comum haver, em projetos de chatbots, ao menos um UX designer, um
profissional da língua, um analista de dados e um desenvolvedor.
A atuação do linguista começa assim que o UX designer termina de mapear o perfil do
usuário, isto é, de entender as ações que o chatbot irá performar, quais as principais características
do público que se deseja atingir. Vale ressaltar que esse mapeamento é feito com base em pesquisas
de perfil, portanto nem sempre irá condizer com a realidade e, caso condiza, ela pode mudar a
qualquer momento, mas é um processo muito importante, principalmente no início do projeto).
Como mencionado anteriormente, são muitas as ferramentas à disposição do linguista, tanto
dentro quanto fora da construção de chatbots, mas para este trabalho escolhemos o RegEx, por este
já ser muito conhecido e utilizado no mercado de desenvolvimento e chatbots. Para entendermos
melhor como o PLN age a favor da experiência vamos utilizar dois cenários fictícios diferentes:
1. Alice, assistente virtual de um banco clássico, com mais de 50 anos de atuação;
2. Rob, assistente virtual de um banco virtual.
Ambos os cenários pertencem ao setor financeiro, mas seus clientes diferem, principalmente
pela idade. A assistente virtual do banco clássico, Alice, deve ter sua linguagem adequada ao seu
público, que, de acordo com o UX designer, tem entre 50 e 80 anos, enquanto Rob precisa ter um
linguajar mais voltado aos jovens, pois são seu público-alvo.
Ambos os assistentes virtuais possuem serviços de consulta de saldo, consulta de extrato,
pedidos de transferência, visualização de contratos etc. e devem entender e entregar aquilo que o
usuário pede, mas como eles poderiam identificar que uma mensagem como “oi querida, tudo bem?
Meu filho passou aí ontem pra depositar um dinheiro pra mim e eu não sei se caiu ainda, consegue
ver pra mim se eu estou com o limite disponível?” significa o mesmo que “verificar saldo”?
Para dois perfis diferentes são criados dois validadores diferentes. Por exemplo, o RegEx da
Alice pode ser validado com:
Figura 14 - RegEx 1.
Fonte: De autoria própria.
Figura 15 - Validação de RegEx 1.
Fonte: De autoria própria.
Por outro lado, Rob só precisa de:
Figura 16 - RegEx 2.
Fonte: De autoria própria.
Figura 17 - Validação de RegEx 2.
Fonte: De autoria própria.
Além disso, não é realístico acreditar que o usuário sempre vai usar uma mesma expressão -
como no exemplo “verificar saldo”. Muito pelo contrário, o linguista deve ser capaz de mapear
todas as possíveis variações linguísticas que um usuário pode usar para tentar chegar ao seu
objetivo no fluxo conversacional. Ainda assim, vão existir casos que vão fugir do mapeamento,
independente do quão completo tenha sido feito.
Dessa maneira, temos possibilidades sintáticas como a da figura abaixo, que devem ser
mapeadas:
Figura 18 - Possibilidades fraseológicas de “verificar limite”.
Fonte: De autoria própria.
E possibilidades morfológicas como nos exemplos das figuras 19 e 20:
Figura 19 - Possibilidades morfológicas da palavra checar.
Fonte: De autoria própria.
Figura 20 - Possibilidades morfológicas da palavra constatar.
Fonte: De autoria própria.
É possível perceber na Figura 20 que algumas variações morfológicas que podem vir a
acontecer no ambiente on-line podem gerar, também, ambiguação, afinal a palavra “contatar” é um
verbo do português brasileiro que possui um significado não previsto pelo RegEx. Esse tipo de
ocorrência exemplifica os limites da ferramenta, pois é quando começa a ser necessário contornar
suas barreiras contextuais com a adição de pontos de desambiguação. Em pontos de desambiguação
são criados pontos de decisão no chatbot, em que o usuário deverá esclarecer como deseja
continuar: caso seu fluxo fosse de constatar o limite ele deverá selecionar o caminho desejado, caso
contrário (supondo que haja a opção de contatar a central, por exemplo), seguirá pelo outro
caminho.
RegEx é uma das ferramentas mais utilizadas e menos complicadas em quesito de ações,
mas peca por sua falta de entendimento contextual comparado aos provedores de IA comentados
anteriormente, que possuem a habilidade de aprender com seus erros e aprimorá-los para o futuro.
Ainda assim, não é possível que uma inteligência artificial trabalhe completamente sozinha, sem
interferência humana alguma.
Toda ferramenta, incluindo o RegEx e os provedores de IA, estão à disposição daquele que a
utiliza, seja pesquisador, linguista ou profissional da língua, para garantia da boa experiência do
usuário.
CONCLUSÃO
Esse trabalho teve como objetivo introduzir e apresentar as atividades da linguística e do
PLN na construção de chatbots. Dessa forma, na primeira seção, entendemos a história da
linguística computacional juntamente ao significado de PLN, com base no trabalho de Freitas
(2020). Em seguida, buscamos entender a área de UX Design, seus pilares e, como um todo, a
maneira como funciona. Na terceira seção apresentamos os ideais primórdios da área de chatbots,
além de descobrirmos quem foi ELIZA e PARRY, antecessores do, agora famoso, ChatGPT -3. Por
fim, demonstramos como linguistas podem utilizar o PLN a favor da experiência do usuário dentro
do design conversacional em fluxos de chatbot.
Como visto em nosso trabalho, quanto ao que rege a experiência do usuário é simples: o
chatbot deve ser capaz de entender a maior quantidade de inputs possível de maneira correta,
levando o usuário ao seu objetivo e garantindo-lhe uma jornada feliz. No que se refere à área dos
chatbots, o PLN, não somente deve andar de mãos dadas com o UX Design, como também é parte
essencial na formação e garantia da boa experiência. Além de que, como comentado ao decorrer do
trabalho, o PLN tem várias formas, não se limitando ao exemplo de RegEx usado aqui. Portanto as
boas práticas garantem uma cognição mais completa do chatbot, certificando uma inteligência
voltada ao uso prático do usuário.
Para finalizarmos, em vista da crescente utilização de chatbots durante os últimos anos,
acreditamos que o presente trabalho é de extrema importância para mantermos em aberto a
discussão científica sobre os avanços do PLN hoje em dia. Esse trabalho mostra-se relevante
também como uma introdução para pessoas dentro e fora do mercado de chatbots, que desejam
entender mais sobre o uso de PLN e sua relevância, tal como a necessidade de estudos
morfossintáticos para garantir uma qualidade para o usuário que vá além dos códigos e fluxos.
REFERÊNCIAS
ADAMOPOULOU, E.; MOUSSIADES, L. Chatbots: history, technology, and applications.
Machine Learning with Applications, v. 2, 2020. DOI: 10.1016/j.mlwa.2020.100006.
ALBUQUERQUE, A. R. R.; LIMA-MARQUES, M. Sobre os fundamentos da arquitetura da
informação. Perspectivas em Gestão & Conhecimento, v. 1, n. esp., p. 60-72, 2011.
ASSOCIATION for Computational Linguistics. Disponível em: https://www.aclweb.org/portal/.
Acesso em 27 fev. 2023.
BARBOSA, S. D; J; SILVA, B. S. da. Interação Humano-Computador. Rio de Janeiro: Elsevier,
2010.
BUDIU, R. Between-subjects vs. within-subjects study design. Nielsen Norman Group, 13 maio
2018. Disponível em: https://www.nngroup.com/articles/between-within-subjects/. Acesso em: 27
fev. 2023.
CASELI H.; FREITAS C.; VIOLA, R. Processamento de Linguagem Natural. In: Sociedade
Brasileira de Computação, 37, 2022. Búzios, RJ. Short courses of the 37th Brazilian Symposium
on Data Bases. [S. l: s. n.], 2022.
CHATGPT. OpenAI. Disponível em: https://chat.openai.com/. Acesso em 27 fev. 2023.
CHATGPT: Optimizing Language Models for Dialogue. OpenAI. Disponível em:
https://openai.com/blog/chatgpt/. Acesso em 27 fev. 2023.
COLBY, K. M. Human-computer conversation in a cognitive therapy program. In: WILKS, Y.
(org). Machine conversations, [S. l: s. n.], 1999. p. 9-19.
CONHEÇA Alexa. Amazon, 2021-2022. Disponível em: amazon.com.br/b?node=19949683011.
WatsonAcesso em: 12 de dez. de 2022.
DIALOGFLOW. Google Cloud, s.d. Disponível em: https://cloud.google.com/dialogflow?hl=pt-br.
Acesso em: 12 de dez. de 2022.
DOCUMENTAÇÃO do LUIS (Reconhecimento vocal). Microsoft, 2022. Disponível em:
https://learn.microsoft.com/pt-br/azure/cognitive-services/luis/. Acesso em: 12 de dez. de 2022.
DUMAS, A. Theory and Practice of Industrial Design. Local: Innoregio Project, 2000.
ELIZA, the Rogerian Therapist. Disponível em:
http://psych.fullerton.edu/mbirnbaum/psych101/eliza.htm. Acesso em 27 fev. 2023.
EXPRESSÕES regulares: capturando textos de forma mágica. Alura. Disponível em:
https://www.alura.com.br/conteudo/expressoes-regulares. Acesso em 27 fev. 2023.
FATORES humanos. OCIMF, c2021. Disponível em:
https://www.ocimf.org/pt/fatores-humanos#:~:text=Os%20fatores%20humanos%20s%C3%A3o%2
0caracter%C3%ADsticas,indiv%C3%ADduos%20ou%20equipes%20de%20trabalho. Acesso em:
12 de dez. de 2022.
FERNANDES, D. E-commerce brasileiro cresce 73,88% em 2020, revela Índice MCC-ENET.
E-commerce Brasil, 2021. Disponível em:
https://www.ecommercebrasil.com.br/noticias/e-commerce-brasileiro-cresce-dezembro/. Acesso
em: 26 abr. 2022.
FREITAS, C. Linguística Computacional. São Paulo: Parábola, 2022.
GASPARINI, C. A história da xícara. Mundo do Café, 2 out. 2015. Disponível em:
https://www.mexidodeideias.com.br/mundo-do-cafe/a-historia-da-xicara/. Acesso em: 27 fev. 2023.
GIBBONS, S. Usability 101: Introduction to usability. Nielsen Norman Group, 14 jan. 2018.
Disponível em: https://www.nngroup.com/articles/empathy-mapping/. Acesso em: 27 fev. 2023.
HAENLEIN, M.; KAPLAN, A. A brief history of artificial intelligence: on the past, present and
future of artificial intelligence. Local: California management review, 2019.
HARUNA, U. et al. Hausa Intelligence Chatbot System. In: MISRA, S.; MUHAMMAD-BELLO,
B. (ed.). Information and Communication Technology and Applications. ICTA 2020.
Communications in Computer and Information Science, v. 1350. Local: Springer Nature, 2021. p.
206-219. DOI: https://doi.org/10.1007/978-3-030-69143-1_17.
HEWETT, T. T. et al. ACM SIGCHI curricula for human-computer interaction. Nova York: ACM,
1992.
IBM Watson é IA para negócios mais inteligentes. IBM, s.d. Disponível em:
https://www.ibm.com/br-pt/watson. Acesso em: 12 de dez. de 2022.
MAPA do Ecossistema Brasileiro de Bots. Mobile Time. Disponível em:
https://www.mobiletime.com.br/pesquisas/mapa-do-ecossistema-brasileiro-de-bots-2021/. Acesso
em 27 fev. 2023.
MARIZ, L. K. P.; BASTOS, H. R. Interfaces e usabilidade: organização de critérios para avaliação.
In: CONGRESSO BRASILEIRO DE PESQUISA E DESENVOLVIMENTO EM DESIGN, 13.,
2018, Joinville. Anais… São Paulo: Blucher, 2019. p. 5394-5409.
MOLNÁR, G.; SZÜTS, Z. The role of chatbots in formal education. In: INTERNATIONAL
SYMPOSIUM ON INTELLIGENT SYSTEMS AND INFORMATICS, 16., 2018, Subotica.
Cidade: Serbia, IEE, 2018, p. 197-202. DOI: 10.1109/SISY.2018.8524609.
MORAN, K. The four dimensions of tone of voice. Nielsen Norman Group, 17 jul. 2016.
Disponível em: https://www.nngroup.com/articles/tone-of-voice-dimensions/. Acesso em: 27 fev.
2023.
MORAN, K. Usability testing 101. Nielsen Norman Group, 1 dez. 2019. Disponível em:
https://www.nngroup.com/articles/usability-testing-101/. Acesso em: 27 fev. 2023.
MORIN, H. PARRY Encounters the DOCTOR. RFC, 1999. Disponível em:
https://www.rfc-editor.org/rfc/rfc439. Acesso em: 12 de dez. de 2022.
NIELSEN, J. 10 usability heuristics for User Interface Design. Nielsen Norman Group, [1994]
2020. Disponível em: https://www.nngroup.com/articles/ten-usability-heuristics/. Acesso em: 12 de
dez. de 2022.
NIELSEN, J. Usability 101: Introduction to usability. Nielsen Norman Group, 3 jan. 2012.
Disponível em: https://www.nngroup.com/articles/usability-101-introduction-to-usability/. Acesso
em: 27 fev. 2023.
NORMAN, D. Três formas como o design nos faz felizes. TED, 2003. Disponível em:
https://www.ted.com/talks/don_norman_3_ways_good_design_makes_you_happy?language=pt.
Acesso em: 12 de dez. de 2022.
NORMAN, D; A. Design emocional: por que adoramos (ou detestamos) os objetos do dia-a-dia.
Rio de Janeiro: Rocco, 2008.
NORMAN, D. The design of everyday things. Local: Basic Books, MIT Press, 2013.
NUNES, M. G. V. et al. Introdução ao processamento das línguas naturais e algumas
aplicações. Notas Didáticas do ICMC, n. 38. São Carlos: NILC - ICMC-USP, jun. 1999. 91 p.
PROCESSAMENTO de Linguagem Natural: histórico e potencial atual. Coruja Informa, 2019.
Disponível em: http://www.each.usp.br/petsi/jornal/?p=2577. Acesso em: 12 de dez. de 2022.
SAFFER, D. Designing gestural interfaces: touchscreens and interactive devices. Local: California,
O’Reilly Media, 2008.
SAFFER, D. Designing for interaction. 2. ed. Berkeley: New Riders, 2009.
SAFFER, D. Designing for interaction: creating innovative applications and devices. Local: New
Jersey, New Riders, 2010.
SAFFER, D. Microinteractions: designing with details. Local: California, O’Reilly Media, 2013.
SHARMA, V.; GOYAL, M.; MALIK, D. An intelligent behaviour shown by chatbot system.
International Journal of New Technology and Research, v. 3, n. 4, p. 52-54, abr. 2017.
SHIPTON, E. Email Address Regex Django. Abstract API, 12 set. 2022. Disponível em:
https://www.abstractapi.com/guides/email-address-regex-django. Acesso em: 27 fev. 2023.
TEIXEIRA, F. Os entregáveis da Arquitetura de Informação. UX Collective, 9 jun. 2011.
Disponível em:
https://brasil.uxdesign.cc/os-entreg%C3%A1veis-da-arquitetura-de-informa%C3%A7%C3%A3o-ff
03baf3ba45. Acesso em: 27 fev. 2023.
TEIXEIRA, J. F. O que é inteligência artificial. 3. ed. Local: E-galáxia, 2019.
TOGNAZZINI, B. TOG on Interface. Boston: Addison-Wesley Longman Publishing Co., Inc.,
1992.
TURING, A. Computing Machinery and Intelligence. Local: Springer, Dordrecht, 1950.
UX Week 2008 Don Norman | Peter Merholz Speaks with Don Norman, 2008. 1 vídeo (52min29s).
Publicado pelo canal Adaptive Path. Disponível em: https://vimeo.com/2963837. Acesso em: 27
fev. 2023.
ZEMČÍK, T. A brief history of chatbots. DEStech Transactions on Computer Science and
Engineering, 2019. DOI: 10.12783/dtcse/aicae2019/31439.