ANÁLISE VISUAL DE DADOS POPULACIONAIS DO ESTADO DE MATO GROSSO USANDO LLM

Autores

DOI:

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

Palavras-chave:

Análise populacional, visualização de dados, ChatGPT, IA, análise gráfica, LLM, dados censitários.

Resumo

Este artigo mostra uma análise visual dos dados populacionais de Mato Grosso para os censos de 1980 até 2022, utilizando técnicas de diálogo via prompt e IA (Inteligência Artificial) para sugerir métodos de análise e geração de scripts de processamento dos dados de dataset populacional. A motivação central se deve a possibilidade exploração de dados disponibilizados pelo IBGE (via censo), organizados em meso e microrregião, permitindo que scripts Python pudessem ler dados (datasets) em formato CSV e XLS e processar os mesmos. Entre os resultados, podemos indicar crescimento expressivo e declínio de determinados municípios. O uso de prompts para conversa com datasets (conjunto de dados) bem como com scripts se demonstrou útil para a interpretação de dados.

Downloads

Os dados de download ainda não estão disponíveis.

Biografias do Autor

  • 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. 

Referências

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

Downloads

Publicado

18/07/2025

Edição

Vol. 6 N.º 7 (2025): CLIQUE AQUI PARA ACESSAR OS ARTIGOS

Secção

ARTIGOS

Categorias

Licença

Direitos de Autor (c) 2025 RECIMA21 -Revista Científica Multidisciplinar - ISSN 2675-6218

Creative Commons License

Este trabalho encontra-se publicado com a Licença Internacional Creative Commons Atribuição 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. 

Como Citar

ANÁLISE VISUAL DE DADOS POPULACIONAIS DO 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