ANÁLISIS VISUAL DE DATOS POBLACIONALES DEL ESTADO DE MATO GROSSO USANDO LLM

Autores/as

DOI:

https://doi.org/10.47820/recima21.v6i7.6601

Palabras clave:

Análisis poblacional, Visualización de datos, ChatGPT, IA, Análisis gráfico, LLM, Datos censales

Resumen

Este artículo muestra un análisis visual de los datos de población de Mato Grosso correspondientes a los censos de 1980 a 2022, utilizando técnicas de diálogo mediante prompts e IA (Inteligencia Artificial) para sugerir métodos de análisis y generar scripts para el procesamiento de datos del conjunto de datos de población. La motivación central se debe a la posibilidad de exploración de datos puestos a disposición por el IBGE (vía censo), organizados en meso y microrregiones, permitiendo que los scripts de Python pudieran leer los datos (datasets) en formato CSV y XLS y procesarlos. Entre los resultados podemos señalar crecimientos y descensos significativos en determinados municipios. El uso de prompts para conversar con conjuntos de datos (datasets), así como con scripts, ha demostrado ser útil para la interpretación de datos.

Descargas

Los datos de descarga aún no están disponibles.

Biografía del autor/a

  • Emiliano Soares Monteiro

    Doutor em Computação Aplicada, pela UNISINOS. Mestre em Ciências da Computação pela Universidade Federal de Santa Catarina(UFSC), especialista em Análise de sistemas para negócios (UNIC), Tecnólogo em Processamento de Dados pela Faculdade de Informática de Cuiabá (FIC). Analista da SEFAZ-MT. Professor da Unemat. 

  • Francisco Sanches Banhos Filhos

    Graduação em Ciência da Computação pela Universidade do Estado de Mato Grosso, Especialização em Administração em Redes Linux pela Universidade Federal de Lavras e Mestrado em Ciência da Computação pela Faculdade Campo Limpo Paulista. Professor assistente da Universidade do Estado de Mato Grosso. 

  • Ivan Luiz Pedroso Pires

    Graduação em Computação pela Universidade do Estado de Mato Grosso, mestrado em Ciência da Computação pela Pontifícia Universidade Católica do Rio Grande do Sul e Doutorado em Ciência da Computação pela Universidade Federal do Paraná. Professor do Campus Universitário de Sinop da Universidade do Estado de Mato Grosso. 

  • Benevid Felix da Silva

    Graduação em Computação pela Universidade do Estado de Mato Grosso, Mestrado em Ciência da Computação pela Pontifícia Universidade Católica do Rio Grande do Sul (PUCRS) e Doutorado pela Universidade Federal do Paraná (UFPR). Professor Adjunto na Universidade do Estado de Mato Grosso (UNEMAT).

  • Maria Eloisa Mignoni

    Graduação em Curso Superior de Tecnologia Em Processamento de Dados - Faculdades Integradas Cândido Rondon  e mestre em Ciências da Computação pela Universidade Federal de Santa Catarina. Doutora em Computação aplicada pela UNISINOS. Professora assistente da UNEMAT - Campus Nova Mutum, ministro aulas de informática/computação, Assessora de Gestão de Formação regular Pró-Reitoria de Ensino de Graduação da UNEMAT, Diretora do Câmpus de Nova Mutum - UNEMAT, Chefe do Departamento de Administração da UNEMAT e coordenadora de curso de Computação do Unirondon, Presidente da CPA e professora do UNIRONDON. 

Referencias

ANESP. Censo 2022: alterações no perfil demográfico impactam políticas públicas. São Paulo: Anesp, 2023. Disponível em: www.anesp.org.br/todas-as-noticias/censo-2022-alteraes-no-perfil-demogrfico-impactam-polticas-pblicas.

BONDARENKO, O. V.; HANCHUK, O. V.; PAKHOMOVA, O. V.; TSUTSUNASHVILI, G.; ZAGÓRSKI, A. Visualization of demographic statistical data. IOP Conference Series: Earth and Environmental Science, v. 1049, n. 1, p. 012076, 2022. DOI: 10.1088/1755-1315/1049/1/012076. DOI: https://doi.org/10.1088/1755-1315/1049/1/012076

BORGES, G. M. A investigação da saúde nos censos demográficos do brasil: possibilidades de análise, vantagens e limitações. Boletim Informativo de Saúde (BIS), v. 16, n. 2, p. 6–14, 2015. Disponível em: https://docs.bvsalud.org/biblioref/2019/11/1025416/bis-v16n2-a-contribuicao-6-14.pdf DOI: https://doi.org/10.52753/bis.v16i2.35588

CARD, S.; MACKINLAY, J.; SHNEIDERMAN, B. Readings in Information Visualization: Using Vision To Think. San Francisco, CA: Morgan Kaufmann Publishers Inc, 1999. ISBN: 978-1-55860-533-6.

CUI, W. Visual analytics: A comprehensive overview. IEEE Access, v. 7, p. 81555–81573, 2019. DOI: 10.1109/ACCESS.2019.2923736. DOI: https://doi.org/10.1109/ACCESS.2019.2923736

DESAI, A. Deciphering human-ai interactions: A data-driven analysis of user prompting behaviors in large language models. ResearchGate Preprint, 2024. Disponível em: https://www.researchgate.net/publication/390587330_Deciphering_HumanAI_Interactions_A_Data-Driven_Analysis_of_User_Prompting_Behaviors_in_Large_Language_Models DOI: https://doi.org/10.36227/techrxiv.174235777.79846807/v1

DO PRADO, K. S. Repositório: Municípios brasileiros. [S. l.: s. n.], 2024. Disponível em: https://github.com/kelvins/municipios-brasileiros. Acesso em: abr. 2025.

FISHER, B. Illuminating the Path: An RD Agenda for Visual Analytics. 2005. [S. l.: s. n.], p. 69–104. ISBN: 0769523234.

IBGE. Censo demográfico. [S. l.]: IBGE, 2024a. Disponível em: https://www.ibge.gov.br/estatisticas/sociais/habitacao/25089censo19916.html?edicao=25090&t=o-que-e

IBGE. Linha do tempo – síntese da história do IBGE (1936-2016). [S. l.]: IBGE, 2017. Technical report. Disponível em: https://memoria.ibge.gov.br/images/memoria/linha-do-tempo/LinhaDoTempoSemImagem.pdf.

IBGE. Sidra: sistema IBGE de recuperação automática. [S. l.]: IBGE, 2024b. Disponível em: https://sidra.ibge.gov.br/home/pnadct/brasil.

JOSYULA, H.; PATEL, K.; BHANUSHALI, A.; SUNIL; LANDGE, R.; MITTAL, S. A review on data visualization for exploratory data analysis. Journal of Data Acquisition and Processing, v. 38, p. 487–494, 2023. DOI: 10.5281/zenodo.777730.

LIU, P.; YUAN, W.; FU, J.; JIANG, Z.; HAYASHI, H.; NEUBIG, G. Pre-train, prompt, and predict: A systematic survey of prompting methods in natural language processing. ACM Comput. Surv., v. 55, n. 9, 2023. DOI: 10.1145/3560815. DOI: https://doi.org/10.1145/3560815

MANAGEMENT SOLUTIONS. The rise of Large Language Models: from fundamentals to application. [S. l.]: Management Solutions, 2024. Disponível em: https://www.managementsolutions.com/sites/default/files/minisite/static/72b0015f‑39c9‑4a52‑ba63872c115bfbd0/llm/pdf/rise‑of‑llm.pdf. Acesso em: 8 jul. 2025.

MESKÓ, B. Prompt engineering as an important emerging skill for medical professionals: Tutorial. J Med Internet Res, v. 25, e50638, 2023. DOI: 10.2196/50638. DOI: https://doi.org/10.2196/50638

MIDWAY, S. R. Principles of effective data visualization. Patterns, v. 1, n. 9, p. 100141, 2020. DOI: https://doi.org/10.1016/j.patter.2020.100141. DOI: https://doi.org/10.1016/j.patter.2020.100141

MONTGOMERY, R. M. Population dynamics: Conceptual foundations, mathematical models and applications. [S. l.: s. n.], 2025. DOI: 10.13140/RG.2.2.28694.66889.

NOY, N.; BENJELLOUN, O. Prompting datasets: Data discovery with conversational agents. arXiv preprint arXiv:2312.09947, 2023. DOI: https://arxiv.org/html/2312.09947v1.

OJIMA, R. Censo 2022: alterações no perfil demográfico impactam políticas públicas. Technical report, nov. 2017. Disponível em: https://anesp.org.br/todas-as-noticias/censo-2022-alteraes-no-perfil-demogrfico-impactam-polticas-pblicas.

OLIVEIRA, L. A. P.; SIMÕES, C. C. S. O IBGE e as pesquisas populacionais. Revista Brasileira de Estudos de População, v. 22, n. 2, p. 291–302, 2005. DOI: 10.1590/S0102-30982005000200007. DOI: https://doi.org/10.1590/S0102-30982005000200007

OPPENLAENDER, J.; LINDER, R. Prompting ai art: An investigation into the creative skill of prompt engineering. International Journal of Human–Computer Interaction, p. 1–23, 2024. DOI: 10.1080/10447318.2024.2431761. DOI: https://doi.org/10.1080/10447318.2024.2431761

OUYANG, W. Data visualization in big data analysis: Applications and future trends. J. Comput. Commun., v. 12, n. 11, p. 76–85, 2024. DOI: 10.4236/jcc.2024.1211005. DOI: https://doi.org/10.4236/jcc.2024.1211005

PETERSON, E. W. F. The role of population in economic growth. SAGE Open, v. 7, n. 4, p. 2158244017736094, 2017. DOI: 10.1177/2158244017736094. DOI: https://doi.org/10.1177/2158244017736094

QUINN, T. Population Dynamics. [S. l.: s. n.], 2013. DOI: 10.1002/9780470057339.vap028.pub2. DOI: https://doi.org/10.1002/9780470057339.vap028.pub2

REYNOLDS, L.; MCDONELL, K. Prompt programming for large language models: Beyond the few-shot paradigm. In: Extended Abstracts of the 2021 CHI Conference on Human Factors in Computing Systems, CHI EA ’21, New York, NY, USA. Association for Computing Machinery, 2021. DOI: 10.1145/3411763.3451760. DOI: https://doi.org/10.1145/3411763.3451760

RIFFE, T.; KLUESENER, S.; SANDER, N. Editorial to the Special Issue on Demographic Data Visualization: Getting the point across – Reaching the potential of demographic data visualization. Demographic Research, S29, n. 36, p. 865–878, 2021a. DOI: 10.4054/DemRes.2021.44.36 DOI: https://doi.org/10.4054/DemRes.2021.44.36

RIFFE, T.; SANDER, N.; KLÜSENER, S. Getting the point across – reaching the potential of demographic data visualization. Demographic Research, v. 44, n. 36, p. 843–864, 2021b. Disponível em: https://www.demographic-research.org/volumes/vol44/36/44-36.pdf

SHIN, T.; RAZEGHI, Y.; LOGAN IV, R. L.; WALLACE, E.; SINGH, S. AutoPrompt: Eliciting Knowledge from Language Models with Automatically Generated Prompts. In: WEBBER, B.; COHN, T.; HE, Y.; LIU, Y. (editors). Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), 2020. p. 4222–4235, Online. Association for Computational Linguistics. DOI: 10.18653/v1/2020.emnlp-main.346. DOI: https://doi.org/10.18653/v1/2020.emnlp-main.346

SIBLY, R.; HONE, J. Population growth rate and its determinants: An overview. Philosophical transactions of the Royal Society of London. Series B, Biological sciences, v. 357, p. 1153–70, 2002. DOI: 10.1098/rstb.2002.1117. DOI: https://doi.org/10.1098/rstb.2002.1117

U.S. CENSUS BUREAU. Communicating with census data: Data visualization. Technical report. U.S: Department of Commerce, 2017. Disponível em: https://www.census.gov/content/dam/Census/library/working-papers/2017/demo/communicating-with-census-data-data-visualization.pdf

UNWIN, A. Why Is Data Visualization Important? What Is Important in Data Visualization? Harvard Data Science Review, v. 2, n. 1, 2020. https://hdsr.mitpress.mit.edu/pub/zok97i7p. DOI: https://doi.org/10.1162/99608f92.8ae4d525

WHITE, E. R. Minimum time required to detect population trends: The need for long-term monitoring programs. BioScience, v. 69, n. 1, p. 40–46, 2018. DOI: 10.1093/biosci/biy144. DOI: https://doi.org/10.1093/biosci/biy144

XU, A.; LIU, Z.; GUO, Y.; SINHA, V.; AKKIRAJU, R. A new chatbot for customer service on social media. In: Proceedings of the 2017 CHI Conference on Human Factors. ACM. CHI ’17, page 3506–3510, New York, NY, USA. Association for Computing Machinery, 2017. DOI: https://doi.org/10.1145/3025453.3025496

Descargas

Publicado

18/07/2025

Número

Vol. 6 Núm. 7 (2025): ACCEDER A LOS ARTÍCULOS

Sección

ARTIGOS

Categorías

Licencia

Derechos de autor 2025 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores  e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação. 

Cómo citar

ANÁLISIS VISUAL DE DATOS POBLACIONALES DEL ESTADO DE MATO GROSSO USANDO LLM. (2025). RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218, 6(7), e676601. https://doi.org/10.47820/recima21.v6i7.6601