Dia 1 - Desvendando a IA Generativa e o Poder dos Prompts
Apresentação da IA Generativa, dos Modelos de Linguagem de Grande Escala (LLMs) e dos conceitos fundamentais da engenharia de prompts. Análise da anatomia de um prompt eficaz (instrução, contexto, persona, formato). Introdução da proposta de mini-projeto prático a ser desenvolvido ao longo do curso.
Dia 2 - Princípios e Técnicas Fundamentais de Engenharia de Prompts
Aprofundamento em técnicas essenciais para o refinamento de prompts, como clareza, especificidade, uso de delimitadores e a arte da iteração. Exploração de estratégias para definir persona, tom e formato da resposta da IA, incluindo a técnica de "few-shot prompting" e a análise de erros comuns.
Dia 3 - Técnicas Avançadas, Ética Prática e Aplicações Profissionais
Estudo de técnicas avançadas como "Chain-of-Thought" (Cadeia de Pensamento) e prompts de autorreflexão. Discussão sobre ética na prática, incluindo o uso de prompts para identificar vieses. Participação de especialista convidada para apresentar casos de uso da IA na produção de conteúdo profissional. Início do desenvolvimento dos mini-projetos.
Dia 4 - Desenvolvimento de Projetos, Ética Aprofundada e o Futuro da IA
Discussão sobre implicações éticas complexas (autoria, plágio, desinformação) e o papel do humanista na construção de uma IA responsável. Finalização e apresentação dos mini-projetos práticos, com feedback coletivo. Panorama sobre o futuro da IA e indicação de recursos para aprendizado contínuo.
Bibliografia:
1. Benamara, F., Taboada, M., & Mathieu, Y. (2017). Evaluative Language Beyond Bags of Words: Linguistic Insights and Computational Applications. Computational Linguistics, 43(1), 201-264.
2. Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?. In Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT '21).
3. Giray, L. (2024). The Prompt Report: A Systematic Survey of Prompting Techniques. arXiv preprint arXiv:2403.13551.
4. Grimmer, J., Roberts, M. E., & Stewart, B. M. (2022). Text as Data: A New Framework for Machine Learning and the Social Sciences. Princeton University Press.
5. Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H., & Neubig, G. (2022). Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing. ACM Computing Surveys, 55(9), 1-35.
6. Oppenlaender, J. (2024). A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT. arXiv preprint arXiv:2302.11382.
7. Silva, T. F. L. da. (2022). O Pão Que O Viado Amassou: contribuições da semiótica para o processamento de língua natural. Estudos Semióticos, 18(3), 70-92.
8. Silva, T. F. L. da. (2023). Using transformer networks and tensive semiotics to improve sentiment analysis accuracy in tourism digital platforms. In Semiotica e intelligenza artificiale (pp. 131-147). Aracne.
9. Silva, T. F. L. da. (2023). Humanismo digital e transformação social: campos abertos para o fomento da inovação nas Ciências Humanas e Sociais. Revista Sciencia Veritas, 2, 5-8.
10. Silva, T. F. L. da, et al. (2025). CDB: A Unified Framework for Hope Speech Detection Through Counterfactual, Desire, and Belief. In Findings of the Association for Computational Linguistics: NAACL 2025.
11. Sivasubramaniam, S., & Gurevych, I. (2024). An Empirical Categorization of Prompting Techniques for Large Language Models: A Practitioner’s Guide. In Proceedings of the 2024 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL 2024).
12. Wei, J., Wang, X., Schuurmans, D., Bosma, M., Chi, E., Le, Q., & Zhou, D. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems, 35.
13. White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C., Gilbert, H., ... & Schmidt, D. C. (2023). A Prompt-Based Probing Framework for Connecting Language Models to Knowledge Bases. arXiv preprint arXiv:2305.14924.
14. Zhang, T., Ke, P., Chen, Y., Zhang, J., & Li, F. (2023). A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications. arXiv preprint arXiv:2402.07927.
.png)
