Este artigo discute como algoritmos de inteligência artificial podem reproduzir desigualdades sociais em vez de agir de forma neutra. O foco está em mostrar que esses sistemas podem reforçar exclusões ligadas à raça, ao gênero e à sexualidade, especialmente quando organizam buscas, classificam imagens ou tomam decisões com base em dados já marcados por preconceitos históricos. O objetivo do estudo é explicar como esse processo funciona e defender que o algoritmo deve ser lido criticamente como um texto que produz sentidos e afeta vidas. Para isso, o artigo propõe um modelo de análise que observa três momentos do processo: o que entra no sistema, o que o algoritmo faz com esses dados e o que ele devolve como resposta. A análise de casos mostra que as respostas algorítmicas não são simples erros técnicos, mas resultados de lógicas que podem reafirmar hierarquias sociais. O estudo conclui que é urgente desenvolver uma leitura crítica da inteligência artificial e pensar formas mais justas de produzir tecnologia.

De que maneira os algoritmos de Inteligência Artificial (IA) afetam diferentes comunidades, e qual é a abrangência desse impacto? Esta é a pergunta que orienta o presente ensaio. Em um cenário em que a IA se torna cada vez mais central na organização da vida social, é urgente interrogar os pressupostos de neutralidade que acompanham os discursos sobre algoritmos. Esses sistemas, alimentados por grandes volumes de dados históricos, frequentemente carregam e automatizam preconceitos arraigados, reproduzindo desigualdades estruturais sob a aparência de técnica e inovação.

Neste trabalho, retomo o conceito de necroalgoritmização (Araújo, 2025a), formulado a partir de uma releitura da necropolítica de Achille Mbembe (2018) em diálogo com a teoria da interseccionalidade de Kimberlé Crenshaw (1989; 1991), para compreender como os algoritmos automatizam decisões e produzem formas entrelaçadas de exclusão, como racismo, transfobia, homofobia e misoginia, incidindo especialmente sobre corpos atravessados por múltiplos eixos de subalternização. Tais violências algorítmicas culminam em mortes nem sempre simbólicas, processos de apagamento ou de redução da subjetividade humana à condição de dado descartável, estigmatizado ou desumanizado.

Como afirma Kimberlé Crenshaw (1991),

... utilizei o conceito de interseccionalidade para denotar as diversas formas pelas quais raça e gênero interagem na conformação das múltiplas dimensões das experiências laborais das mulheres negras. [...] muitas das experiências vividas por mulheres negras não se enquadram nos limites tradicionais da discriminação racial ou de gênero [...]. A intersecção entre racismo e sexismo incide sobre a vida dessas mulheres de modos que não podem ser captados integralmente se examinarmos isoladamente as dimensões de raça ou de gênero dessas experiências (Crenshaw, 1991, p. 1244, tradução nossa)

Desse modo, a experiência interseccional é maior do que a simples soma entre racismo e sexismo, de modo que qualquer análise que não leve em consideração a interseccionalidade será incapaz de abordar, de forma adequada, o modo específico pelo qual as mulheres pretas são subalternizadas. Essa formulação é crucial para compreender por que os sistemas algorítmicos, ao operar sobre grandes volumes de dados enviesados, tendem a reproduzir formas compostas e sobrepostas de exclusão. Não se trata apenas de somar marcadores identitários, mas de reconhecer que a combinação entre eles gera formas específicas de violência algorítmica ou, como proponho neste ensaio, de necroalgoritmização.

O objetivo do presente trabalho é, portanto, investigar os múltiplos modos como a necroalgoritmização se manifesta, com base em evidências empíricas e formulações teóricas. Ao compreender os algoritmos como textos performativos (Araújo, 2025b), afirmo que a linguagem técnica não é neutra uma vez que ela organiza sentidos, regula práticas sociais e reproduz sistemas de poder. Defendo que a necroalgoritmização não é apenas efeito social dos algoritmos, mas se manifesta na própria textualidade algorítmica, onde exclusões históricas são processadas, codificadas e reiteradas como respostas técnicas.

O artigo está organizado em quatro blocos. (1) Fundamentação: com base na Linguística Aplicada Crítica, argumento que algoritmos devem ser lidos como textos performativos e situo a necroalgoritmização como prática discursiva. (2) Panorama crítico: retomo o debate sobre racismo algorítmico, de Syed M. Ali (2016) a Noble (2021) e pesquisas brasileiras, para mostrar que não se trata de “falha técnica”, mas de reconfiguração interseccional de desigualdades, exemplificada em vigilância, crédito e curadoria de plataformas. (3) defino o conceito de necroalgoritmização, descrevo a noção de poder algorítmico e apresento o Triângulo Discursivo da Textualidade Algorítmica (TDTA) como dispositivo teórico-metodológico para rastrear a coleta voluntária e involuntária de dados, o processamento opaco e a materialização sociotécnica das decisões algorítmicas. (4) Aplicação: analiso o caso Google no que concerne à beleza e à exclusão algorítmica, detalhando as três instâncias do TDTA: Texto-Prompt (TP), Texto-Algoritmo (TA) e Texto-Resposta (TR), evidenciando processos de necroalgoritmização estética que incidem sobre corpos negros. Nas considerações finais, sustento que algoritmos enunciam e governam discursos, e proponho uma ética interseccional do código, concebendo o TDTA como instrumento crítico e interventivo para a análise e a reescrita dos sistemas algorítmicos.

Para aprofundar a reflexão proposta neste ensaio, inscrevo-me no campo da Linguística Aplicada Crítica (LAC), que compreende a linguagem como prática social, ideológica e situada em relações de poder. Essa abordagem rompe com visões instrumentais da linguagem, recusando o tratamento técnico e descontextualizado do discurso, especialmente quando aplicado à IA.

Como bem observa Pennycook (2010, p. 2, tradução nossa),

em vez de presumirmos que a linguagem seja um meio neutro para a transmissão de ideias, é mais produtivo concebê-la como uma prática social e política, enredada em relações de poder tanto locais quanto globais.

Nessa direção, tal formulação desloca o olhar sobre os algoritmos, que deixam de ser vistos apenas como artefatos técnicos e passam a ser compreendidos como textos performativos (Araújo, 2025b), plasmando práticas discursivas no e pelo tecido social e reproduzindo, ou contestando, os regimes de sentido que moldam a vida em tempos de IA.

A LAC oferece instrumentos epistêmicos e políticos para compreender como os algoritmos utilizam linguagem e, em função disso, performatizam exclusões sociais. Esses instrumentos incluem a problematização da neutralidade e da transparência (Rajagopalan, 2003), a articulação entre linguagem e ideologia na construção de identidades (Moita Lopes, 2006), a atenção à historicidade e à colonialidade que atravessam práticas discursivas (Menezes de Souza, 2011) e a ênfase na agência política da linguagem nos cotidianos (Pennycook, 2001). Longe de se restringir a uma descrição dos usos linguísticos, essa vertente da linguística aplicada compromete-se com a transformação das estruturas que sustentam desigualdades discursivas e materiais. Nesse horizonte, como observa Pennycook (2001), trata-se de articular os usos cotidianos da linguagem às estruturas sociais, culturais e políticas mais amplas, em uma perspectiva crítica que se orienta para a mudança e não para a simples descrição.

É nessa direção que este ensaio se alinha à tese segundo a qual “o algoritmo é um texto” (Araújo, 2025b), concebendo os sistemas algorítmicos como entidades performativas, discursivas e ideológicas que organizam sentidos, regulam condutas e instituem regimes de visibilidade e invisibilidade. Nesse horizonte, a necroalgoritmização não se configura como uma falha técnica ou um desvio contingente, mas como uma prática discursiva letal que se insinua nas dobras textuais do código, dos modelos estatísticos e das infraestruturas sociotécnicas, operando processos de apagamento, silenciamento e hierarquização de corpos e subjetividades.

O termo racismo algorítmico encontra uma de suas formulações pioneiras nos trabalhos de Syed Mustafa Ali, que em textos como Algorithmic racism: a decolonial critique (2016) e Decolonizing information narratives: entangled apocalyptics, algorithmic racism and the myths of history (2017) articulou uma crítica decolonial à forma como os imaginários tecnológicos da modernidade ocidental constroem o Outro racializado, em especial a negritude e o Islã, como ameaça, legitimando projetos sociotécnicos marcados por exclusão, eugenia e destruição ambiental (Ali, 2016; 2017).

A partir dessas formulações iniciais, o conceito ganhou ampla notoriedade com os estudos de autoras como Cathy O’Neil (2020) e Safiya Umoja Noble (2021), que denunciaram como sistemas computacionais, alimentados por dados enviesados, perpetuam estereótipos raciais e aprofundam desigualdades históricas. No Brasil, pesquisadores como Tarcízio Silva (2022) e o próprio autor deste ensaio (2025a; 2025c) têm mostrado como o racismo algorítmico assume contornos específicos em uma sociedade atravessada por desigualdades raciais estruturais, apontando para a necessidade de leituras críticas localizadas e epistemologicamente situadas.

Esses estudos mostram que, mais do que uma falha técnica, o racismo algorítmico constitui uma reconfiguração da lógica de exclusão, agora inscrita e operacionalizada em códigos computacionais. Plataformas de busca (Noble, 2021), sistemas de vigilância (Buolamwini; Gebru, 2018), mecanismos de crédito (Amparo; Prado, 2024) e aplicações de reconhecimento facial (Santos; Costa; David; Pedro, 2023) funcionam por meio de algoritmos que reiteradamente associam a negritude à criminalidade ou à anomalia.

O racismo algorítmico não pode ser compreendido como mera atualização do racismo histórico e estrutural, mas como sua necroalgoritmização, pois se trata de uma reconfiguração tecnológica que transforma preconceitos seculares em comandos invisíveis, inscrito em códigos que decidem silenciosamente quem tem acesso e quem é excluído. Ao operar em escala e velocidade inéditas, esses sistemas naturalizam a violência racial sob a aparência de neutralidade técnica, instaurando um novo regime de morte e exclusão, não mais apenas visível nas ruas ou instituições, mas disseminado de modo difuso e persistente nas arquiteturas digitais que organizam a vida contemporânea.

Exemplos disso são os casos emblemáticos que incluem o uso de reconhecimento facial por forças policiais, como mostrou a Rede de Observatórios da Segurança (2023) cujos dados atestam que entre as 151 prisões feitas por esse recurso, 90,5% eram de pessoas negras. E nessa mesma direção, como mostram Santos; Costa; David; Pedro, (2023, p. 12), “abrir a caixa-preta do dispositivo faz ver qual rosto é o modelo e qual é o suspeito”. Também nas plataformas digitais, como TikTok e Instagram, usuários trans e não binários relatam exclusões de conteúdos e bloqueios de contas, mesmo sem violação de diretrizes. Conforme Boa Sorte, Gonçalves e Santos (2024), corpos dissidentes são rotineiramente lidos como “inadequados”, evidenciando uma curadoria algorítmica excludente.

No campo do crédito financeiro, Assef (2018) mostrou como sistemas de crédito penalizam bairros periféricos e racializados com base em inferências que operam como proxies raciais, mesmo sem coletar a variável “raça”. São formas de exclusão digital que reafirmam lógicas coloniais sob a linguagem da eficiência técnica. Na mesma direção, Garcia, Garcia e Rigobon (2024) evidenciam que os algoritmos utilizados por instituições bancárias e corretoras de imóveis reproduzem padrões discriminatórios que não incidem de forma uniforme sobre todos os indivíduos negros, mas se intensificam quando fatores como raça, orientação sexual e gênero se entrecruzam.

A pesquisa de Garcia, Garcia e Rigobon (2024) mostra que homens negros gays enfrentam taxas de rejeição de crédito significativamente mais elevadas do que homens brancos heterossexuais, revelando que a exclusão algorítmica não se dá por uma única via identitária, mas por múltiplos vetores de opressão que se sobrepõem. Essa constatação reforça a importância da categoria de interseccionalidade, tal como proposta por Crenshaw (1989), para compreender os modos específicos pelos quais sujeitos marginalizados são afetados por sistemas automatizados de decisão.

Nesse contexto, a necroalgoritmização deve ser compreendida como um fenômeno interseccional (Araújo, 2025a) pois se trata da produção de ausências, recusas e silenciamentos que não operam apenas com base na raça, no gênero ou na sexualidade isoladamente, mas que se intensificam na intersecção entre essas categorias. O caso analisado por Garcia, Garcia e Rigobon (2024) demonstra que a lógica algorítmica da exclusão age de forma seletiva e estratificada, naturalizando desigualdades históricas sob a aparência de neutralidade técnica. É precisamente nesse ponto que o conceito de necroalgoritmização revela sua potência crítica, pois serve de lentes para que vejamos como os algoritmos perpetuam e reorganizam hierarquias sociais segundo lógicas interseccionais de apagamento e subalternização.

A necroalgoritmização é aqui concebida como a automatização interseccional da exclusão e da desumanização. Inspirado na necropolítica de Achille Mbembe (2018) e na análise crítica de García-Canclini (2021) sobre a substituição da cidadania pela lógica algorítmica, o conceito busca compreender como sistemas digitais reproduzem o poder de decidir quem tem acesso à vida digna e quem é descartado pela máquina social digital.

Desse modo, a necroalgoritmização opera não como exceção, mas como engrenagem estrutural de múltiplas exclusões. Isso ocorre porque os algoritmos, por serem treinados a partir de dados históricos enviesados, reiteram padrões coloniais e normativos, silenciando, distorcendo ou precarizando a existência de grupos historicamente marginalizados. Em função disso, o necropoder dos sistemas algorítmicos reduz subjetividades a categorias estatísticas, atribuindo pesos desiguais à existência nos cálculos que organizam o cotidiano.

Em Algoritmos da Opressão, Safiya Noble (2021) desmonta a ideia de neutralidade algorítmica ao mostrar como sistemas de busca, especialmente o algoritmo do Google, refletem e amplificam preconceitos raciais, legitimando estigmas históricos. Um de seus exemplos mais contundentes é a associação do termo “black girls” a conteúdos hipersexualizados, misóginos e racistas, ainda que o texto-prompt voluntário de Noble não contivesse qualquer referência sexual. O motor de busca, nesse caso, indexa, organiza e reinscreve sentidos, transformando o corpo negro feminino em categoria disponível para consumo violento.

A mesma lógica de exclusão automatizada já havia sido exposta em 2015, quando o engenheiro Jacky Alciné denunciou que o sistema de rotulagem automática do Google Imagens havia classificado fotos suas e de uma amiga, ambos pessoas pretas, com a etiqueta “gorillas”. A repercussão internacional revelou que o algoritmo de reconhecimento de imagens reatualizava um dos estigmas mais brutais do racismo colonial: a animalização dos corpos pretos. A resposta do Google foi declarar-se “consternado” e, como medida emergencial, remover os termos “gorilla”, “chimpanzee” e “monkey” do vocabulário do sistema (Business Insider, 2015; The Guardian, 2018).

Alguns anos depois, um episódio ocorrido no Brasil mostrou como essa mesma textualidade algorítmica atua em diferentes contextos socioculturais. A influenciadora negra Sah Oliveira teve sua imagem vinculada automaticamente ao termo “cabelo feio” no Google Imagens (Marques, 2023). A fotografia, originalmente publicada em matéria que denunciava os estigmas contra cabelos crespos, foi reinscrita pelo algoritmo como exemplo daquilo que deveria ser lido como “indesejável” ou “disforme”. Se, no caso de Alciné, a violência simbólica se materializou na etiqueta animalizante, no caso de Sah Oliveira ela emergiu como sentença estética racializada. Ambos os episódios compartilham um núcleo comum: a automatização de uma hierarquia visual que, ao operar por meio de hiperassociações estatísticas, ignora contextos discursivos e reinscreve corpos negros em zonas de desumanização ou de feiura ontológica.

Longe de se tratar de “falhas técnicas”, essas ocorrências revelam o funcionamento ordinário e interseccional da necroalgoritmização. O que aparece como erro isolado é, na verdade, a expressão automatizada de um sistema que codifica exclusões a partir da repetição estatística de preconceitos históricos. Por isso, o algoritmo deve ser lido como texto performativo (Araújo, 2025b) que organiza sentidos, hierarquiza visualidades e legitima apagamentos sob o véu da suposta eficiência computacional.

Para evidenciar essas engrenagens simbólicas, recorro ao TDTA, já apresentado em seção anterior, pois ele permite cartografar os sentidos inscritos nas três instâncias interdependentes do processo algorítmico: o TP, que representa os insumos discursivos fornecidos ao sistema; o TA, que corresponde à lógica de processamento e associação dos dados; e o TR, que se manifesta na materialização textual, visual ou sonora da saída.

Para tornar mais visível como o TDTA ajuda a mapear os mecanismos de exclusão em diferentes contextos, apresento a seguir um quadro que retoma os três casos emblemáticos, o de Safiya Noble com a busca “black girls”, o de Jacky Alciné e o de Sah Oliveira ambos no Google Imagens, evidenciando como o TP, o TA e o TR se articulam na produção performativa da necroalgoritmização interseccional.

Aplicado aos casos aqui discutidos, o TDTA revela que a sequência funcional da máquina, da entrada à saída é, de fato, um encadeamento performativo de exclusões. O prompt (por exemplo, a busca por “black girls” ou a indexação de uma foto de cabelo crespo), a lógica algorítmica da associação (que ignora contexto discursivo e reforça estigmas históricos) e a resposta imagética (hipersexualização, animalização ou estética da feiura) compõem, em conjunto, um TA que materializa formas de exclusão interseccional. Assim, o TDTA desnaturaliza o funcionamento técnico e reinscreve o algoritmo no campo do discurso, da política e da ética, evidenciando como a necroalgoritmização se torna performance codificada da exclusão.

Se os algoritmos são textos, e este ensaio sustentou que o são, então seus efeitos não se limitam ao campo técnico, mas atravessam as esferas do simbólico, do social e do político. Do ponto de vista defendido aqui, um algoritmo não apenas calcula, mas também enuncia. E sua enunciação, ao ser naturalizada sob o signo da neutralidade, converte-se em forma de governo discursivo, uma linguagem que organiza o mundo e distribui o valor das vidas.

A necroalgoritmização, nesse sentido, não se limita ao erro técnico nem à exceção estatística, pois ela se manifesta como uma gramática social automatizada, em que os marcadores de raça, gênero, classe e sexualidade são constantemente reescritos como desvio. Quando se rotula um corpo negro como “gorilla” ou se associa um cabelo crespo à feiura, o que está em jogo não é apenas uma falha algorítmica, mas uma violência epistêmica que reduz sujeitos a categorias estigmatizantes. Esses episódios não são desvios técnicos, mas apontam para o sintoma ordinário daquilo que chamo de sociedade da necroalgoritmização.

Trata-se de uma sociedade estruturada por dispositivos técnico-discursivos que classificam, silenciam, hierarquizam e performam exclusões com base em dados historicamente enviesados. O caso de Jacky Alciné, nos Estados Unidos, e de Sah Oliveira, no Brasil, mostram que a lógica da opressão algorítmica não opera em um único eixo na medida em que atua nas interseções, convertendo corpos racializados, femininos, masculinos e dissidentes em signos automatizados do erro ou da anomalia.

Ao aplicar o TDTA, este ensaio procurou mostrar que o racismo, o sexismo e outras formas de opressão são reproduzidos e formalizados discursivamente pelas máquinas, inscritas em prompts enviesados, processadas por algoritmos opacos e devolvidas ao mundo sob respostas que performam muita violência simbólica. Ao longo deste percurso, mostrei que a necroalgoritmização não se limita a efeitos sociais, mas se manifesta na própria textualidade algorítmica, reiterando exclusões históricas sob a forma de respostas técnicas. É diante desse quadro que se inscreve a urgência de uma ética interseccional do código.

Conflito de Interesse

O autor declara não haver conflitos de interesse de natureza pessoal, acadêmica, institucional, comercial ou financeira que possam ter influenciado a elaboração deste estudo.

Declaração de Disponibilidade de Dados

Os dados, materiais e documentação que apoiam as descobertas deste estudo estão abertamente disponíveis no repositório Zenodo em https://doi.org/10.5281/zenodo.18382157. O pacote depositado inclui documentação do teste realizado no Google Imagens, registro da consulta, data, contexto e lista de itens observados, bem como um arquivo README com descrição dos campos e instruções para replicação analítica. Os dados foram derivados de fontes publicamente disponíveis na web (Google Imagens). Devido a restrições legais e de direitos autorais, conteúdos de terceiros (imagens) não são redistribuídos; nesses casos, o repositório fornece apenas metadados descritivos e links de acesso às fontes originais. Esses materiais permitem a replicabilidade metodológica e a avaliação por pareceristas dentro dos limites ético-legais aplicáveis.

Declaração de Uso de IA

Ferramentas de IA generativa foram utilizadas de forma limitada como apoio à revisão linguística e sintática, à reorganização textual de seções editoriais e à formulação de declarações exigidas pela revista. Especificamente, foi utilizada a ferramenta ChatGPT (OpenAI, modelo GPT-5.2). Nenhuma ferramenta de IA foi utilizada para gerar dados empíricos, formular hipóteses, realizar análises, produzir interpretações teóricas ou elaborar conclusões. O autor assume integral responsabilidade pelo conteúdo intelectual, analítico e interpretativo do manuscrito. Os prompts utilizados estão disponibilizados publicamente em repositório com DOI, conforme indicado na Declaração de Disponibilidade de Dados.

Consentimento e Ética

Este estudo não envolveu recrutamento, interação ou intervenção com participantes humanos, nem coleta de dados pessoais identificáveis; portanto, não se aplica aprovação por comitê de ética em pesquisa. Este estudo utiliza materiais publicamente acessíveis (resultados de busca e imagens indexadas em mecanismo de busca) para fins de análise crítica. Foram adotados cuidados para minimizar riscos de identificabilidade e exposição indevida, tratando os resultados como registros contextuais de uma interface algorítmica em data/hora específicas e evitando a republicação desnecessária de imagens de terceiros. Tais cuidados também orientam o compartilhamento dos materiais no repositório de dados: quando houver limitação ético-legal para redistribuição de imagens, essa restrição é explicitada e substituída por registros descritivos e referências que permitam auditoria do procedimento dentro dos limites legais e éticos aplicáveis.

Fontes de Financiamento

Este trabalho foi apoiado pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq), por meio de Bolsa de Produtividade em Pesquisa (Processo nº 303677/2025-2). O artigo integra a rede de pesquisa “VIRAL: Violência política interseccional e mediações algorítmicas no discurso digital”, iniciativa interinstitucional entre IFAL, UFG, UFC e UFRJ, coordenada por Danillo da Conceição Pereira da Silva e financiada pelo CNPq no âmbito da Chamada CNPq/MCTI nº 44/2024 (Processo nº 407489/2025-8).

AGÊNCIA BRASIL. 80% das prisões errôneas por reconhecimento facial no RJ são de negros. Agência Brasil, 12 jan. 2022. Disponível em: https://agenciabrasil.ebc.com.br/radioagencia-nacional/justica/audio/2022-01/80-das-prisoes-erroneas-por-reconhecimento-facial-no-rj-sao-de-negros. Acesso em: 13 set. 2025.

AGÊNCIA BRASIL. Estudo aponta riscos das tecnologias de reconhecimento facial. Agência Brasil, 20 maio 2025. Disponível em: https://agenciabrasil.ebc.com.br/geral/noticia/2025-05/estudo-aponta-riscos-das-tecnologias-de-reconhecimento-facial. Acesso em: 13 set. 2025.

ALI, S. M. Algorithmic racism: a decolonial critique. Milton Keynes: The Open University, 2016. Disponível em: https://www.academia.edu/14124452/Algorithmic_Racism_A_Decolonial_Critique Acesso em: 27 jan. 2026.

ALI, S. M. Decolonizing information narratives: entangled apocalyptics, algorithmic racism and the myths of history. In: IS4SI Summit 2017: Digitalisation for a Sustainable Society. Gothenburg, 2017. Proceedings, v. 1, n. 3, p. 50, 2017. https://doi.org/10.3390/IS4SI-2017-03910.

AMPARO, T.; PRADO, V. M. Racismo creditício no Brasil e nos EUA: risco discriminatório no acesso a crédito. Revista Direito GV, v. 20, n. 1, e2406, 2024. https://doi.org/10.1590/2317-6172202406.

ARAÚJO, J. Necroalgoritmização: notas para definir o racismo algorítmico. São Paulo: Mercado de Letras, 2025a.

ARAÚJO, J. O algoritmo é um texto. Texto Livre: Linguagem e Tecnologia, Belo Horizonte, v. 18, e58505, 2025b. https://doi.org/10.1590/1983-3652.2025.58505.

ARAÚJO, J. Instâncias textuais do racismo algorítmico. REDIS: Revista de Estudos do Discurso, v. 17, p. 18-57, 2025c. https://doi.org/10.21747/21833958/red17a1

ASSEF, F. M. Algoritmos de classificação em aplicação financeira: avaliação de risco de crédito para pessoa jurídica. 2018. Dissertação (Mestrado em Engenharia de Produção) – Programa de Pós-Graduação em Engenharia de Produção, Universidade Federal do Paraná, Curitiba, 2018.

BEAUGRANDE, R. New foundations for a science of text and discourse. Stamford: Ablex Publishing, 1997.

BOA SORTE, P. R. Inteligência artificial, linguagens e educação. Aracaju: EDIFS, 2024.

BOA SORTE, P.; GONÇALVES, L.; SANTOS, Í. Algoritmos da normatividade: censura automatizada de corpos dissidentes nas redes sociais. Revista Linguagem em Foco, Fortaleza, v. 16, n. 1, p. 233-257, 2024. https://doi.org/10.46230/lef.v17i3.15992

BOYD, D.; CRAWFORD, K. Critical questions for Big Data: Provocations for a cultural, technological, and scholarly phenomenon. Information, Communication & Society, v. 15, n. 5, p. 662-679, 2012. https://doi.org/10.1080/1369118X.2012.678878

BRASIL DE FATO. Resultado da CPI do reconhecimento fotográfico na Alerj é insuficiente. Brasil de Fato, 9 maio 2024. Disponível em: https://www.brasildefato.com.br/2024/05/09/resultado-da-cpi-do-reconhecimento-fotografico-na-alerj-e-insuficiente. Acesso em: 13 set. 2025.

BUOLAMWINI, J.; GEBRU, T. Gender shades: intersectional accuracy disparities in commercial gender classification. Proceedings of Machine Learning Research, v. 81, p. 1-15, 2018. Disponível em: https://proceedings.mlr.press/v81/buolamwini18a.html. Acesso em: 15 jun. 2025.

BURRELL, J. How the machine ‘thinks’: Understanding opacity in machine learning algorithms. Big Data & Society, v. 3, n. 1, p. 1-12, 2016. https://doi.org/10.1177/2053951715622512

BUSINESS INSIDER. Google Photos labelled black people as “gorillas”. Business Insider, 01 jul. 2015. Disponível em: https://www.businessinsider.com/google-tags-black-people-as-gorillas-2015-7. Acesso em: 26 maio 2025.

COULDRY, N.; MEJIAS, U. The costs of connection: How data is colonizing human life and appropriating it for capitalism. Stanford: Stanford University Press, 2019.

CRAWFORD, K. Atlas of AI: Power, Politics, and the Planetary Costs of Artificial Intelligence. New Haven: Yale University Press, 2021.

CRENSHAW, K. Demarginalizing the intersection of race and sex: a Black feminist critique of antidiscrimination doctrine, feminist theory and antiracist politics. University of Chicago Legal Forum, v. 1989, n. 1, p. 139-167, 1989.

CRENSHAW, K. Mapping the margins: intersectionality, identity politics, and violence against women of color. Stanford Law Review, v. 43, n. 6, p. 1241-1299, 1991.

DEFENSORIA PÚBLICA DO ESTADO DO RIO DE JANEIRO. Relatórios apontam falhas em prisões após reconhecimento fotográfico. Defensoria Pública do RJ, 17 mar. 2023. Disponível em: https://www.defensoria.rj.def.br/noticia/detalhes/11088-Relatorios-apontam-falhas-em-prisoes-apos-reconhecimento-fotografico. Acesso em: 13 set. 2025.

FAIRCLOUGH, N. Language and power. 2. ed. London: Longman, 2001.

GARCÍA-CANCLINI, N. Cidadãos substituídos por algoritmos. São Paulo: Editora da Universidade de São Paulo, 2021.

GARCIA, A. C. B.; GARCIA, M. G. P.; RIGOBON, R. Algorithmic discrimination in the credit domain: what do we know about it? AI & Society, v. 39, p. 2059-2098, 2024. https://doi.org/10.1007/s00146-023-01676-3

GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. Cambridge, MA: MIT Press, 2016.

HILL, R. K. What an Algorithm Is. Philosophy & Technology, v. 29, n. 1, p. 35-59, 2016. https://doi.org/10.1007/s13347-014-0184-5.

JURAFSKY, D.; MARTIN, J. H. Speech and language processing: an introduction to natural language processing, computational linguistics, and speech recognition. 3. ed. Stanford: Stanford University, 2023. Disponível em: https://web.stanford.edu/~jurafsky/slp3/. Acesso em: 27 jan. 2026.

KITCHIN, R. The Data Revolution: Big Data, Open Data, Data Infrastructures and Their Consequences. London: SAGE, 2014.

KOCH, I. V. A coerência textual. 4. ed. São Paulo: Contexto, 2006.

MARCUSCHI, L. A. Gêneros textuais: definição e funcionalidade. In: MARCUSCHI, L. A. (Org.). Gêneros textuais: teoria e prática. São Paulo: Parábola, 2008. p. 19-40.

MARQUES, I. O que o Google mostra quando você pesquisa por “cabelo feio”? Dicas de Mulher, 2023. Disponível em: https://www.dicasdemulher.com.br/noticias/o-que-o-google-mostra-quando-voce-pesquisa-por-cabelo-feio/. Acesso em: 27 jan. 2026.

MBEMBE, A. Necropolítica: biopoder, soberania, estado de exceção, política da morte. São Paulo: n-1 edições, 2018.

MENEZES DE SOUZA, L. M. T. Para uma redefinição de letramento crítico: conflito e produção de significação. In: MACIEL, Ruberval Franco; ARAÚJO, Vanessa de Oliveira (orgs.). Letramentos e Multiletramentos. Campinas: Pontes, 2011. p. 129-146.

MIKOLOV, Tomas; CHEN, Kai; CORRADO, Greg; DEAN, Jeffrey. Efficient estimation of word representations in vector space. In: Proceedings of the International Conference on Learning Representations (ICLR), 2013. Disponível em: https://arxiv.org/abs/1301.3781. Acesso em: 27 jan. 2026.

MITCHELL, T. M. Machine Learning. New York: McGraw-Hill, 1997.

MOITA LOPES, L. P. Identidades fragmentadas: a construção discursiva de raça, gênero e sexualidade em sala de aula. Campinas: Mercado de Letras, 2006.

NBC MIAMI. Police obtain Amazon Alexa recordings in death case. Miami, 1 nov. 2019. Disponível em: https://www.nbcmiami.com/news/local/police-obtain-amazon-alexa-recordings-in-death-case/1614767/. Acesso em: 27 jan. 2026.

NISSENBAUM, H. Privacy in Context: Technology, Policy, and the Integrity of Social Life. Stanford, CA: Stanford Law Books, 2010.

NOBLE, U. S. Algoritmos da opressão: como o Google fomenta e lucra com o racismo. Tradução Felipe Damorim. Santo André: Rua do Sabão, 2021.

O’NEIL, C. Algoritmos de destruição em massa: como o big data aumenta a desigualdade e ameaça a democracia. Tradução Rafael Abraham. Santo André: Rua do Sabão, 2020.

PASQUALE, F. The Black Box Society: The secret algorithms that control money and information. Cambridge: Harvard University Press, 2015.

PENNYCOOK, A. Critical Applied Linguistics: A Critical Introduction. Mahwah, NJ: Lawrence Erlbaum, 2001.

PENNYCOOK, A. Language as a local practice. London: Routledge, 2010.

PRIVACY INTERNATIONAL. Witness “Alexa” is called to give evidence in ongoing murder investigation in Florida. Londres, 2019. Disponível em: https://privacyinternational.org/examples/3275/witness-alexa-called-give-evidence-ongoing-murder-investigation-florida. Acesso em: 27 jan. 2026.

RAJAGOPALAN, K. Por uma linguística crítica: linguagem, identidade e a questão ética. DELTA: Documentação de Estudos em Linguística Teórica e Aplicada, v. 19, n. 2, p. 323-338, 2003.

REDE DE OBSERVATÓRIOS DA SEGURANÇA. Panóptico: reconhecimento facial renova velhas táticas racistas de encarceramento. 2023. Disponível em: https://observatorioseguranca.com.br/panoptico-reconhecimento-facial-renova-velhas-taticas-racistas-de-encarceramento/. Acesso em: 26 maio 2025.

RUSSELL, S.; NORVIG, P. Artificial Intelligence: A Modern Approach. 4. ed. Hoboken: Pearson, 2021.

SANTOS, L. G. de M.; COSTA, A. B. da; DAVID, J. da S.; PEDRO, R. M. L. R. Reconhecimento facial: tecnologia, racismo e construção de mundos possíveis. Psicologia & Sociedade, v. 35, e277141, 2023. https://doi.org/10.1590/1807-0310/2023v35e277141

SILVA, T. Racismo algorítmico: inteligência artificial e discriminação nas redes digitais. São Paulo: Edições SESC, 2022.

THE GUARDIAN. Google ‘fixed’ racist photo labelling bug by removing gorilla label. The Guardian, 12 jan. 2018. Disponível em: https://www.theguardian.com/technology/2018/jan/12/google-racism-ban-gorilla-black-people. Acesso em: 26 maio 2025.

WIRED. Meet the star witness: your smart speaker. San Francisco, 2020. Disponível em: https://www.wired.com/story/star-witness-your-smart-speaker/. Acesso em: 27 jan. 2026.

ZUBOFF, S. The age of surveillance capitalism: the fight for a human future at the new frontier of power. New York: PublicAffairs, 2019.

DOI: https://doi.org/10.25189/2675-4916.2026.V7.N4.ID882.R