Introdução: A crescente adoção da Inteligência Artificial (IA) generativa na estruturação do conhecimento levanta questões éticas fundamentais, especialmente em relação à Organização do Conhecimento (OC). A pesquisa analisa as consequências da automação para a representatividade e acessibilidade do conhecimento, além de problematizar desafios epistemológicos e éticos na integração da IA aos processos classificatórios. A interseccionalidade (Crenshaw; 1991; Collins, 2017) oferece um referencial teórico essencial para compreender como gênero, raça e classe interagem na produção e disseminação do conhecimento mediado por IA.

Objetivo: examinar criticamente como os vieses algorítmicos na OC impactam a representação de identidades interseccionais, propondo caminhos teóricos para tornar os processos classificatórios mais inclusivos e eticamente orientados.

Referencial Teórico: A interseccionalidade, amplamente debatida nos estudos feministas e raciais, tem sido aplicada à Ciência da Informação para questionar os sistemas classificatórios e sua relação com a construção do conhecimento. Bowker e Star (1999) mostraram que sistemas de classificação, indexação e recuperação da informação, concebidos a partir de epistemologias ocidentais, mediados por tecnologias algorítmicas, longe de serem neutras, reproduzem padrões socioculturais excludentes. Olson (2002) já alertava que sistemas classificatórios hegemônicos, como a Classificação Decimal de Dewey (CDD), refletem as ideologias de seus criadores e limitam a inclusão de epistemologias dissidentes. Martinez-Avila, Fox e Olson (2012) argumentam que a interseccionalidade é frequentemente negligenciada no estudo de títulos de assunto em bibliotecas. Chou e Pho (2018) reforçam como estruturas institucionais na Ciência da Informação marginalizam mulheres racializadas, evidenciando a necessidade de repensar modelos classificatórios e sistemas de indexação para que contemplem múltiplas perspectivas e saberes historicamente marginalizados. Noble (2018) evidencia que algoritmos de busca reforçam estereótipos raciais e de gênero, tornando essencial uma análise crítica sobre como a IA perpetua desigualdades e invisibilizações na OC.

Metodologia: pesquisa teórico-conceitual, ancorada na revisão crítica da literatura sobre IA, OC e interseccionalidade, estruturada em três eixos: i) a suposta neutralidade dos sistemas algorítmicos: análise dos valores embutidos em infraestruturas de IA (Dourish, 2016; Gitelman, 2013); ii) Reprodução de assimetrias de poder nos sistemas classificatórios: invisibilização de grupos historicamente marginalizados (Berman, 1993; Olson, 2002); iii) Interseccionalidade como ferramenta crítica para a OC: propostas para uma abordagem mais inclusiva (Noble, 2018; Chou & Pho, 2018).

Principais resultados: i) a IA aplicada à OC amplifica desigualdades estruturais, reforçando dinâmicas de exclusão já presentes em sistemas tradicionais (Noble, 2018; Olson, 2002); ii) a classificação do conhecimento mediada por IA ainda privilegia epistemologias hegemônicas, invisibilizando grupos marginalizados; iii) bases de dados enviesadas, que perpetuam padrões discriminatórios históricos (Gitelman, 2013); iv) ausência de uma abordagem interseccional na OC, dificultando a inclusão de saberes diversos (Olson, 2002; Chou & Pho, 2018). A pesquisa reforça que a IA, quando aplicada sem criticidade, intensifica assimetrias de poder na produção do conhecimento, dificultando a democratização do acesso à informação.

Conclusões: Embora a IA tenha potencial para otimizar a OC, sua implementação sem uma abordagem crítica pode reforçar padrões excludentes. A OC é uma prática sociotécnica que reflete decisões sobre visibilidade e representação (Olson, 2002; Noble, 2018). A interseccionalidade se apresenta como um referencial crítico essencial para repensar a OC e promover classificações mais justas e inclusivas (Chou & Pho, 2018). O estudo conclui que os desafios éticos na OC não são apenas tecnológicos, mas epistemológicos e políticos, exigindo revisões nos modelos classificatórios para garantir diversidade e equidade no acesso à informação.

Referências

Berman, S. (1993). Prejudices and Antipathies: A Tract on the LC Subject Heads Concerning People. Scarecrow Press.

Bowker, G., & Star, S. L. (1999). Sorting Things Out: Classification and Its Consequences. MIT Press.

Chou, R. L., & Pho, A. (2018). Pushing the Margins: Women of Color and Intersectionality in LIS. Library Juice Press.

Collins, P. H. (2017) The difference that power makes: Intersectionality and participatory democracy. Investigaciones Feministas, v.8, n.1, p. 19-39.

Crenshaw, K. (1991). Mapping the Margins: Intersectionality, Identity Politics, and Violence against Women of Color. Stanford Law Review, 43(6), 1241-1299.

Dourish, P. (2016). Algorithms and their Others: Algorithmic Culture in Context. Big Data & Society, 3(2), 1-11.

Gitelman, L. (2013). Raw Data is an Oxymoron. MIT Press.

Martinez-Ávila, D.; Fox, M. J.; Olson, H. (2011) Intersectionality in users of library knowledge organization systems: lessons learned from the misrepresentation of Latina lesbians. In: Guimarães, J. A. C.; Dobedei, V. (Orgs.) Desafios e perspectivas científicas para a organização e representação do conhecimento na atualidade. Marília: ISKO-Brasil, 2012. p.163-165.

Noble, S. U. (2018). Algorithms of Oppression: How Search Engines Reinforce Racism. NYU Press.

Olson, H. A. (2002). The Power to Name: Locating the Limits of Subject Representation in Libraries. Springer.

Suchman, L. (2007). Human-Machine Reconfigurations: Plans and Situated Actions. Cambridge University Press.