Resumo: Estudos de futuro têm mostrado um crescimento acelerado desde o período pós-Segunda Guerra Mundial, em que governos e empresas privadas se atentaram à importância de "prever" novas tendências, principalmente tecnológicas, para sua segurança institucional. Tais estudos ganharam um novo panorama a partir da proliferação de dados em escalas massivas e da capacidade de processamento crescente, levando a novas abordagens principalmente em estudos baseados em dados. Big Data e Machine Learning (BDML) se tornaram ferramentas poderosas para extrair e analisar dados para atividades prospectivas. A questão central sobre o uso de ferramentas de BDML é entender os impactos específicos desses mecanismos nas abordagens conceituais e metodológicas de estudos futuros. Este trabalho pretende responder a essas questões através da análise de publicações acadêmicas sobre estudos de futuros apoiados por BDML e a aplicação de uma survey com 479 especialistas em foresight. A metodologia proposta visa compreender como essas ferramentas são empregadas e os futuros benefícios e limitações de BDML em foresight. Os resultados bibliométricos apontam para um número reduzido, mas crescente, de estudos futuros apoiados por BDML publicados nas últimas décadas. Em geral, esses estudos empregam técnicas de BDML, como mineração de texto e dados, em ao menos uma parte do processo de previsão. As opiniões dos especialistas em estudos futuros sugerem que 1) as competências analíticas são essenciais para lidar com a complexidade trazida pela revolução digital e 2) a robusta análise de dados e ferramentas automatizadas apoiam a transferência dos resultados dos estudos para o desenvolvimento de políticas e estratégias. No entanto, 3) a falta de confiabilidade e possível manipulação dos dados pode desempenhar um papel incerto neste ambiente. O trabalho conclui que BDML impacta as atividades orientadas para o futuro em três dimensões: 1) Confiança de dados, 2) Integração de dados e métodos e, 3) Tomada de decisão. A manipulação de dados pode aumentar a percepção de incerteza substantiva em estudos futuros. No entanto, a integração de técnicas de BDML em metodologias de previsão diminui fortemente a incerteza processual e apoiará a tomada de decisão eficaz. As limitações deste trabalho são principalmente duas. Primeiro, publicações de estudos de futuro não acadêmicos não foram coletadas e analisadas. Segundo, as características da amostra e da população de especialistas consultados não foram comparadas devido a uma limitação dos dados da população na análise da survey. Ver menos

Abstract: Futures studies have shown an accelerated growth since the post-World War II period, in which governments and private companies have been attentive to the importance of "forecasting" new trends, mainly technological ones, for their security as an institution. Such studies have gained a new panorama from the proliferation of data on massive scales and the increasing processing capacity, leading to new approaches, mainly in data-driven studies. Big Data and Machine Learning (BDML) has become powerful tools to extract and analyze data for future-oriented activities. The central question about using BDML tools is to understand the specific impacts of these mechanisms on futures studies' conceptual and methodological approaches. This work intends to respond to these questions by analyzing academic publications about futures studies supported by BDML and the opinions of 479 futures studies experts. The proposed methodology aims to comprehend how these tools are employed, the future benefits and limitations of BDML in foresight. The bibliometric results point to a reduced but increasing number of prospective studies supported by BDML published in the past decades. In general, these studies employ BDML techniques such as text and data mining in at least one part of the foresight process. Futures studies experts' opinions suggested that 1) analytical competencies are essential to deal with the complexity of the digital revolution, and 2) robust data analysis and automated tools support the transfer of study results to policy- and strategy-making. However, 3) the lack of data reliability and manipulation can play an uncertain role in this environment. The thesis concludes that BDML impact future-oriented activities in three dimensions: 1) Data reliance, 2) Data-Method integration, and 3) Decision-making. Data manipulation may increase the perception of substantive uncertainty in futures studies. However, integrating BDML techniques in foresight methodologies strongly decreases procedural uncertainty and will support effective decision-making. The limitation of this work is mainly two. First, non-academic futures studies publications were not collected in the bibliometric analysis. Second, the expert's population and sample characteristics were not compared due to a limitation of population data in survey analysis. Ver menos