Questões: Universidade Estadual de Goiás (UEG) — com gabarito

A região Antártica é quase toda ocupada por uma área continental (cerca de 14 milhões de km2). Essa área, por sua vez, encontra-se coberta por uma grossa camada de gelo. Sobre a ocupação e o uso dessa região, verifica-se que 

Os fatores exógenos de formação dos relevos são aqueles que agem externamente modificando a paisagem. Dentre esses fatores, destacam-se 

Observe a figura a seguir.

A regionalização representada na figura

Disponível em: https://pt.wikipedia.org/wiki/Quatro_Brasis#/media/Ficheiro:Os_Quatro_B rasis_-_Preto_e_Branco.png. Acesso em: 25 abr. 2025. 

Leia o texto a seguir.

No que diz respeito a todas as coisas que compreendemos, não consultamos a voz de quem ensina, a qual soa por fora, mas a verdade que dentro de nós preside à própria mente, incitados talvez pelas palavras a consultá-la. Quem é consultado ensina verdadeiramente, e este é Cristo, que habita, como foi dito, no homem interior, isto é: a virtude incomensurável de Deus e a sempiterna Sabedoria, que toda alma racional consulta, mas que se revela a cada um quanto é permitido pela sua própria boa ou má vontade.

AGOSTINHO, Santo. De magistro (Do mestre). 2. ed. São Paulo: Abril Cultural, 1980. p. 319. (Adaptado).

Desde o início do século IV, o cristianismo foi se tornando cada vez mais influente em todos os setores da sociedade, inclusive na reflexão filosófica, como ilustra a vasta produção literária de Agostinho de Hipona (Santo Agostinho). 

Nesse sentido, o trecho apresentado ilustra uma ideia filosófica que ficou conhecida como

Leia a matéria a seguir para responder à questão.

Como a indústria de inteligência artificial lucra criando uma nova classe trabalhadora sem direitos no Brasil

A baiana Lílian largou um emprego CLT no ano passado. Por causa da filha pequena, trabalhar fora de casa era um pesadelo. Foi em um vídeo no TikTok que ficou sabendo da possibilidade de trabalhar online treinando inteligência artificial.

[...]

Hoje, trabalha em horários flexíveis, seis dias por semana, para “melhorar a inteligência artificial com dados”, como propagandeia a Appen. No fim do mês, se tudo der certo, tira R$ 1.400, sem nenhum outro benefício. Lílian faz parte de uma classe de trabalhadores muitas vezes definidos como fantasmas, escondidos ou microtrabalhadores. Por meio de plataformas multinacionais como Tellus, OneForma e a própria Appen, grandes empresas de tecnologia contratam mão de obra barata, em larga escala e em diversos países, para executar pequenas tarefas.

Na outra ponta da cadeia, gigantes como Meta, Google e TikTok lucram com a facilidade de comprar bases de dados já preparadas por trabalhadores que custam infinitamente menos do que os profissionais do mercado de tecnologia. As big tech também se beneficiam de uma cadeia que opera à margem da lei, opaca e blindada por contratos de confidencialidade, em que as pessoas sequer sabem para quem ou para quê estão trabalhando. Além dos salários baixos, esses trabalhadores terceirizados não recebem treinamento e trabalham com prazos apertados. Há inúmeros relatos de calotes, contratos rompidos unilateralmente sem explicação e desassistência das plataformas.

[...]

Os sistemas de aprendizado de máquina são um tipo de inteligência artificial, um conjunto de algoritmos que, a partir de determinado input – dados ou informações disponíveis – gera um output, ou seja, o resultado desejado. Isso pode ser feito com uma árvore de decisão, por exemplo. Mas, no caso da IA generativa, o próprio sistema aprende a decidir sozinho, no chamado ‘deep learning’, ou aprendizado profundo. O programador não cria a regra – só mostra o resultado desejado.

Os dados produzidos por essa legião de trabalhadores são a matéria prima e o refinamento dessa automatização. É a partir deles que os sistemas de computação ditos inteligentes aprendem os padrões que vão imitar depois.

Sem uma montanha de conteúdo produzido por veículos de comunicação e pessoas reais, o ChatGPT seria incapaz de oferecer respostas qualificadas. Sem pessoas reais interpretando erros de digitação em resultados de busca, o Google não adivinharia o que você realmente quis dizer com aquela palavra que escreveu errado. Sem trabalhadores interpretando fotos para treinar algoritmos de visão computacional, câmeras inteligentes não conseguiriam identificar objetos em uma imagem.

Para executar o enorme número de tarefas humanas necessárias para o desenvolvimento de sistemas de IA, é preciso contratar também milhões de trabalhadores. O jeito mais barato que a indústria encontrou para fazer isso foi por meio de multinacionais intermediárias.

DIAS, Tatiana; SCHURIG, Sofia. Proletários de plataforma: como a indústria de inteligência artificial lucra criando uma nova classe trabalhadora sem direitos no Brasil. 2024. Disponível em: https://www.intercept.com.br/2024/07/22/inteligencia-artificial-classe-trabalhadora-sem-direitos-no-brasil/. Acesso em: 24 mar. 2025.

Levando em consideração o fenômeno da reestruturação produtiva e o conceito sociológico de trabalho alienado, o trabalho descrito na matéria expressa

Leia a matéria a seguir para responder à questão.

Como a indústria de inteligência artificial lucra criando uma nova classe trabalhadora sem direitos no Brasil

A baiana Lílian largou um emprego CLT no ano passado. Por causa da filha pequena, trabalhar fora de casa era um pesadelo. Foi em um vídeo no TikTok que ficou sabendo da possibilidade de trabalhar online treinando inteligência artificial.

[...]

Hoje, trabalha em horários flexíveis, seis dias por semana, para “melhorar a inteligência artificial com dados”, como propagandeia a Appen. No fim do mês, se tudo der certo, tira R$ 1.400, sem nenhum outro benefício. Lílian faz parte de uma classe de trabalhadores muitas vezes definidos como fantasmas, escondidos ou microtrabalhadores. Por meio de plataformas multinacionais como Tellus, OneForma e a própria Appen, grandes empresas de tecnologia contratam mão de obra barata, em larga escala e em diversos países, para executar pequenas tarefas.

Na outra ponta da cadeia, gigantes como Meta, Google e TikTok lucram com a facilidade de comprar bases de dados já preparadas por trabalhadores que custam infinitamente menos do que os profissionais do mercado de tecnologia. As big tech também se beneficiam de uma cadeia que opera à margem da lei, opaca e blindada por contratos de confidencialidade, em que as pessoas sequer sabem para quem ou para quê estão trabalhando. Além dos salários baixos, esses trabalhadores terceirizados não recebem treinamento e trabalham com prazos apertados. Há inúmeros relatos de calotes, contratos rompidos unilateralmente sem explicação e desassistência das plataformas.

[...]

Os sistemas de aprendizado de máquina são um tipo de inteligência artificial, um conjunto de algoritmos que, a partir de determinado input – dados ou informações disponíveis – gera um output, ou seja, o resultado desejado. Isso pode ser feito com uma árvore de decisão, por exemplo. Mas, no caso da IA generativa, o próprio sistema aprende a decidir sozinho, no chamado ‘deep learning’, ou aprendizado profundo. O programador não cria a regra – só mostra o resultado desejado.

Os dados produzidos por essa legião de trabalhadores são a matéria prima e o refinamento dessa automatização. É a partir deles que os sistemas de computação ditos inteligentes aprendem os padrões que vão imitar depois.

Sem uma montanha de conteúdo produzido por veículos de comunicação e pessoas reais, o ChatGPT seria incapaz de oferecer respostas qualificadas. Sem pessoas reais interpretando erros de digitação em resultados de busca, o Google não adivinharia o que você realmente quis dizer com aquela palavra que escreveu errado. Sem trabalhadores interpretando fotos para treinar algoritmos de visão computacional, câmeras inteligentes não conseguiriam identificar objetos em uma imagem.

Para executar o enorme número de tarefas humanas necessárias para o desenvolvimento de sistemas de IA, é preciso contratar também milhões de trabalhadores. O jeito mais barato que a indústria encontrou para fazer isso foi por meio de multinacionais intermediárias.

DIAS, Tatiana; SCHURIG, Sofia. Proletários de plataforma: como a indústria de inteligência artificial lucra criando uma nova classe trabalhadora sem direitos no Brasil. 2024. Disponível em: https://www.intercept.com.br/2024/07/22/inteligencia-artificial-classe-trabalhadora-sem-direitos-no-brasil/. Acesso em: 24 mar. 2025.

O desenvolvimento das inteligências artificiais (IA) tem suscitado muitos debates a respeito da ética na produção de materiais originais; da sustentabilidade, com a proliferação de enormes centros de dados; da substituição da força de trabalho por máquinas ou programas de computador; além disso, o uso de IA toca na questão do recrudescimento cognitivo. Levando em consideração os problemas sociais advindos das inteligências artificiais, verifica-se que seu desenvolvimento impacta 

Leia o texto a seguir.

Suponhamos, pois, que a mente é, como dissemos, um papel branco, desprovida de todos os caracteres, sem quaisquer ideias; como ela será suprida? [...] De onde apreende todos os materiais da razão e do conhecimento? A isso respondo, numa palavra, da experiência. Todo o nosso conhecimento está nela fundado, e dela deriva fundamentalmente o próprio conhecimento. Empregada tanto nos objetos sensíveis externos como nas operações internas de nossas mentes, que são por nós percebidas e refletidas, nossa observação supre nossos entendimentos com todos os materiais do pensamento.

LOCKE, Jonh. Ensaio acerca do entendimento humano. São Paulo: Abril Cultural, 1978. p. 159.

O trecho apresentado fundamenta a seguinte corrente filosófica:

Washington University researchers are working to develop artificial intelligence (AI) systems for health care, which have the potential to transform the diagnosis and treatment of diseases, helping to ensure that patients get the right treatment at the right time.

In health care, artificial intelligence relies on the power of computers to sift through and make sense of reams of electronic data about patients—such as their ages, medical histories, health status, test results, medical images, DNA sequences, and many other sources of health information. AI excels at the complex identification of patterns in these reams of data, and it can do this at a scale and speed beyond human capacity. The hope is that this technology can be harnessed to help doctors and patients make better health-care decisions.

One of the first applications of AI in patient care that we currently see is in imaging, to help improve the diagnosis of cancer or heart problems, for example. There are many types of imaging tests —X-rays, CT scans, MRIs and echocardiograms. But the underlying commonality in all those imaging methods is huge amounts of high-quality data. For AI to work well, it's best to have very complete data sets—no missing numbers, so to speak—and digital images provide that. Plus, the human eye is often blind to some of the patterns that could be present in these images—subtle changes in breast tissue over several years of mammograms, for example. There has been some interesting work done in recognizing early patterns of cancer or early patterns of heart failure that even a highly trained physician would not see.

In many ways, we already have very simple forms of AI in the clinic now. We've had tools for a long time that identify abnormal rhythms in an EKG, for example. An abnormal heartbeat pattern triggers an alert to draw a clinician's attention. This is a computer trying to replicate a human being understanding that data and saying, "This doesn't look normal, you may need to address this problem." Now, we have the capacity to analyze much larger and more complex sources of data, such as the entire electronic health record and perhaps even data pulled from daily life, as more people track their sleep patterns or pulse rates with wearable devices, for example.

It's important to emphasize that these tools are never going to replace clinicians. These technologies will provide assistance, helping care providers see important signals in massive amounts of data that would otherwise remain hidden. But at the same time, there are levels of understanding that computers still can't and may never replicate. To take a treatment recommendation from an AI, even an excellent recommendation, and decide if it's right for the patient is inherently a human decision-making process. What are the patient's preferences? What are the patient's values? What does this mean for the patient's life and for his or her family? That's never going to be an AI function. As these AI systems slowly emerge, we may start to see the roles of physicians changing—in my opinion, in better ways. Doctors' roles may shift from being data collectors and analyzers to being interpreters and councilors for patients as they try to navigate their health. 
Right now, the challenges we need to address as we try to bring AI into medical practice include improving the quality of the data that we feed into AI systems, developing ways to evaluate whether an AI system is actually better than standard of care, ensuring patient privacy and making sure not only that AI doesn't disrupt clinical work flow but in fact improves it. But if doctors do their jobs right and build these systems well, much of what we have described will become so ingrained in the system, people won't even refer to it separately as informatics or AI. It will just be medicine. 

Disponível em: https://medicalxpress.com/news/2018-12-artificial-intelligence-future-medicine.html. Acesso em: 02 maio 2019.

Considering the ideas expressed in the text, artificial intelligence (AI) systems

Washington University researchers are working to develop artificial intelligence (AI) systems for health care, which have the potential to transform the diagnosis and treatment of diseases, helping to ensure that patients get the right treatment at the right time.

In health care, artificial intelligence relies on the power of computers to sift through and make sense of reams of electronic data about patients—such as their ages, medical histories, health status, test results, medical images, DNA sequences, and many other sources of health information. AI excels at the complex identification of patterns in these reams of data, and it can do this at a scale and speed beyond human capacity. The hope is that this technology can be harnessed to help doctors and patients make better health-care decisions.

One of the first applications of AI in patient care that we currently see is in imaging, to help improve the diagnosis of cancer or heart problems, for example. There are many types of imaging tests —X-rays, CT scans, MRIs and echocardiograms. But the underlying commonality in all those imaging methods is huge amounts of high-quality data. For AI to work well, it's best to have very complete data sets—no missing numbers, so to speak—and digital images provide that. Plus, the human eye is often blind to some of the patterns that could be present in these images—subtle changes in breast tissue over several years of mammograms, for example. There has been some interesting work done in recognizing early patterns of cancer or early patterns of heart failure that even a highly trained physician would not see.

In many ways, we already have very simple forms of AI in the clinic now. We've had tools for a long time that identify abnormal rhythms in an EKG, for example. An abnormal heartbeat pattern triggers an alert to draw a clinician's attention. This is a computer trying to replicate a human being understanding that data and saying, "This doesn't look normal, you may need to address this problem." Now, we have the capacity to analyze much larger and more complex sources of data, such as the entire electronic health record and perhaps even data pulled from daily life, as more people track their sleep patterns or pulse rates with wearable devices, for example.

It's important to emphasize that these tools are never going to replace clinicians. These technologies will provide assistance, helping care providers see important signals in massive amounts of data that would otherwise remain hidden. But at the same time, there are levels of understanding that computers still can't and may never replicate. To take a treatment recommendation from an AI, even an excellent recommendation, and decide if it's right for the patient is inherently a human decision-making process. What are the patient's preferences? What are the patient's values? What does this mean for the patient's life and for his or her family? That's never going to be an AI function. As these AI systems slowly emerge, we may start to see the roles of physicians changing—in my opinion, in better ways. Doctors' roles may shift from being data collectors and analyzers to being interpreters and councilors for patients as they try to navigate their health. 
Right now, the challenges we need to address as we try to bring AI into medical practice include improving the quality of the data that we feed into AI systems, developing ways to evaluate whether an AI system is actually better than standard of care, ensuring patient privacy and making sure not only that AI doesn't disrupt clinical work flow but in fact improves it. But if doctors do their jobs right and build these systems well, much of what we have described will become so ingrained in the system, people won't even refer to it separately as informatics or AI. It will just be medicine. 

Disponível em: https://medicalxpress.com/news/2018-12-artificial-intelligence-future-medicine.html. Acesso em: 02 maio 2019.

Analisando-se os aspectos linguísticos e estruturais do texto, constata-se que

Washington University researchers are working to develop artificial intelligence (AI) systems for health care, which have the potential to transform the diagnosis and treatment of diseases, helping to ensure that patients get the right treatment at the right time.

In health care, artificial intelligence relies on the power of computers to sift through and make sense of reams of electronic data about patients—such as their ages, medical histories, health status, test results, medical images, DNA sequences, and many other sources of health information. AI excels at the complex identification of patterns in these reams of data, and it can do this at a scale and speed beyond human capacity. The hope is that this technology can be harnessed to help doctors and patients make better health-care decisions.

One of the first applications of AI in patient care that we currently see is in imaging, to help improve the diagnosis of cancer or heart problems, for example. There are many types of imaging tests —X-rays, CT scans, MRIs and echocardiograms. But the underlying commonality in all those imaging methods is huge amounts of high-quality data. For AI to work well, it's best to have very complete data sets—no missing numbers, so to speak—and digital images provide that. Plus, the human eye is often blind to some of the patterns that could be present in these images—subtle changes in breast tissue over several years of mammograms, for example. There has been some interesting work done in recognizing early patterns of cancer or early patterns of heart failure that even a highly trained physician would not see.

In many ways, we already have very simple forms of AI in the clinic now. We've had tools for a long time that identify abnormal rhythms in an EKG, for example. An abnormal heartbeat pattern triggers an alert to draw a clinician's attention. This is a computer trying to replicate a human being understanding that data and saying, "This doesn't look normal, you may need to address this problem." Now, we have the capacity to analyze much larger and more complex sources of data, such as the entire electronic health record and perhaps even data pulled from daily life, as more people track their sleep patterns or pulse rates with wearable devices, for example.

It's important to emphasize that these tools are never going to replace clinicians. These technologies will provide assistance, helping care providers see important signals in massive amounts of data that would otherwise remain hidden. But at the same time, there are levels of understanding that computers still can't and may never replicate. To take a treatment recommendation from an AI, even an excellent recommendation, and decide if it's right for the patient is inherently a human decision-making process. What are the patient's preferences? What are the patient's values? What does this mean for the patient's life and for his or her family? That's never going to be an AI function. As these AI systems slowly emerge, we may start to see the roles of physicians changing—in my opinion, in better ways. Doctors' roles may shift from being data collectors and analyzers to being interpreters and councilors for patients as they try to navigate their health. 
Right now, the challenges we need to address as we try to bring AI into medical practice include improving the quality of the data that we feed into AI systems, developing ways to evaluate whether an AI system is actually better than standard of care, ensuring patient privacy and making sure not only that AI doesn't disrupt clinical work flow but in fact improves it. But if doctors do their jobs right and build these systems well, much of what we have described will become so ingrained in the system, people won't even refer to it separately as informatics or AI. It will just be medicine. 

Disponível em: https://medicalxpress.com/news/2018-12-artificial-intelligence-future-medicine.html. Acesso em: 02 maio 2019.

De acordo com o texto, em termos de sentido, verifica-se que o trecho

Considerando-se os elementos de escritura e forma da língua inglesa, constata-se que

Observe os quadrinhos a seguir.

Disponível em: http://psicologia-e-familia.blogspot.com/2012/04/charges-tirinhas-e-cartoons.html. Acesso em: 31 out. 2019.

O sentido dos quadrinhos, e seu consequente efeito cômico, são obtidos a partir do uso

Leia o texto a seguir para responder à questão.

Freud, no texto apresentado, constrói sua argumentação de modo

Leia o texto a seguir para responder à questão.

De acordo com o texto, é ideia defendida por Freud:

Leia o texto a seguir para responder à questão.

Se o período “Apesar de haver objeções em contrário, é forçoso admitir que o papel desempenhado na causação dos sonhos pelas excitações sensoriais objetivas durante o sono permanece indiscutível.” (linhas 1-2), for transformado sintaticamente em uma construção adversativa, o resultado será o seguinte:

Leia o texto a seguir para responder à questão.

No trecho “E se, por sua natureza e frequência, esses estímulos parecem insuficientes para explicar todas as imagens oníricas, somos incentivados a buscar outras fontes de sonhos análogas a eles em seu funcionamento” (linhas 2-4), o autor estabelece uma

Em termos de conteúdo, o excerto poético apresentado é configurado por uma referência a elementos