Dia Oficial

Diário Oficial da União · 12/11/2026 · pág. 12

DOU 12/11/2026 - Diario Oficial da Uniao - Brasil extra_B

Baixar página em PDF · Criar alerta deste tema

O visualizador interativo precisa de JavaScript — baixe a página original em PDF.

TEXTO OFICIAL · ÍNTEGRA

Seção 1 - Edição Extra

Nº 213-B, quinta-feira, 12 de novembro de 2026

ISSN 1677-7042

  1. Manipulação comportamental: Emprego de técnicas computacionais, inclusive de IA, destinadas a influenciar de modo oculto, enganoso ou subliminar decisões, emoções ou comportamentos de pessoas naturais, em desacordo com sua autonomia e melhor interesse.

  2. Mecanismos de recomendação acadêmica: Mecanismo que sugere conteúdos, trilhas, disciplinas, atividades, intervenções, atendimento ou decisões de gestão a partir de dados educacionais. A recomendação automatizada não é ato neutro: ao ordenar, priorizar ou filtrar opções, condiciona de fato as escolhas de estudantes, docentes e gestores, razão pela qual sua adoção exige finalidade educacional específica, transparência sobre os critérios gerais de recomendação e preservação da liberdade de escolha do destinatário, vedado que a sugestão se converta, por desenho de interface, por omissão de alternativas ou por aceitação tácita, em decisão dissimulada. 53. Mineração de dados: Processo de exploração de grandes volumes de dados para identificação de padrões, correlações e conhecimentos não evidentes, mediante técnicas estatísticas e de aprendizado de máquina.

  3. Minimização de dados: Princípio segundo o qual apenas os dados estritamente necessários, adequados e proporcionais à finalidade declarada devem ser coletados ou tratados. É requisito essencial em sistemas educacionais, especialmente com crianças e adolescentes.

  4. Modelo de fundação: Modelo amplo, treinado com grande quantidade de dados e capaz de ser adaptado a diversas tarefas, inclusive texto, imagem, áudio e vídeo. Serve de base para múltiplas aplicações generativas ou preditivas.

  5. Modelo proprietário de IA: Sistema cujo funcionamento, pesos, dados, código, métricas ou documentação são controlados por fornecedor, com acesso restrito. Sua utilização educacional exige garantias contratuais de transparência, auditabilidade, proteção de dados e responsabilidade. 57. Moderação de conteúdo: Atividade de análise, filtragem, sinalização ou remoção de conteúdos em plataformas digitais, realizada por meios humanos, automatizados ou híbridos. Em ambientes educacionais, deve proteger estudantes contra conteúdos ilícitos ou inadequados à idade, com transparência de critérios, precisão proporcional e possibilidade de revisão humana das medidas adotadas.

  6. Monitoramento automatizado: Uso de sistemas computacionais para observar, registrar, classificar ou emitir alertas sobre condutas, interações, desempenho ou presença de estudantes, docentes ou demais membros da comunidade educacional. No contexto educacional, sua admissibilidade é excepcional e de interpretação restritiva.

  7. Não discriminação algorítmica: Princípio que veda a produção, por sistemas de IA, de tratamento desigual injustificado, direto ou indireto, em razão de origem, raça, cor, gênero, idade, deficiência, condição socioeconômica, território, religião, convicção ou qualquer outro fator de discriminação. Impõe deveres de prevenção, teste, monitoramento e correção de vieses em todo o ciclo de vida do sistema. 60. Opacidade algorítmica: Característica de sistemas cujo funcionamento interno não é compreensível, acessível ou explicável aos usuários, às instituições ou aos órgãos de controle, seja por complexidade técnica, seja por restrições proprietárias. A opacidade não afasta os deveres de transparência e explicabilidade: quando a explicação adequada for inviável, a utilização do sistema em processos com impacto relevante sobre direitos deve ser evitada.

  8. Pensamento computacional: Capacidade de compreender, analisar e resolver problemas mediante estratégias como decomposição, reconhecimento de padrões, abstração e construção de algoritmos, de forma crítica e criativa. Integra as competências digitais previstas nos referenciais curriculares.

  9. Perfilização: Tratamento automatizado de dados pessoais destinado a avaliar, classificar, prever ou inferir aspectos relativos ao comportamento, ao desempenho, às características, às preferências, aos interesses, aos riscos, às trajetórias ou à vulnerabilidade de estudantes ou de outros integrantes da comunidade educacional. 63. Personalização da aprendizagem: Adaptação de conteúdos, ritmo, atividades, trilhas ou feedback ao perfil ou desempenho do estudante. A personalização da aprendizagem não se confunde com a individualização do currículo nem com a fragmentação do percurso formativo.

  10. Plataforma externa de IA: Solução de terceiro acessada por internet, API, aplicativo ou ambiente em nuvem, sem controle integral pela instituição educacional.

  11. Pontuação social: Sistema de avaliação, classificação ou ranqueamento de pessoas com base em comportamento, características ou dados pessoais, apto a condicionar acesso a direitos, serviços ou oportunidades. Nos sistemas de ensino, sua utilização é vedada.

  12. Processamento de linguagem natural - PLN: Área da IA dedicada à compreensão, interpretação, geração e tradução da linguagem humana por sistemas computacionais. Fundamenta aplicações como chatbots, tradutores automáticos, corretores, sumarizadores e grandes modelos de linguagem. 67. Proctoring: utilização de sistemas computacionais, com ou sem dados biométricos, para monitorar estudantes durante avaliações ou atividades acadêmicas, mediante captação de imagem, som, tela, ambiente, olhar, voz, movimento ou padrões de comportamento, com finalidade de verificação de identidade ou sinalização de suspeitas de fraude.

  13. Prompt (ou comando): Instrução, pergunta, documento, imagem, áudio ou conjunto de entradas fornecido ao sistema de IA generativa para solicitar respostas ou tarefas. Pode conter contexto, exemplos, restrições, papéis e formato esperado.

  14. Prompt oculto ou system prompt: Conjunto de instruções internas, em regras invisíveis ao usuário, que orientam comportamento, limites, tom, função e respostas de um modelo de IA.

  15. Pseudonimização: Tratamento por meio do qual um dado perde a possibilidade de associação direta a seu titular, senão pelo uso de informação adicional mantida separadamente em ambiente controlado e seguro. Diferentemente da anonimização, o dado pseudonimizado permanece dado pessoal. 71. Rastreamento ou rastreabilidade: Capacidade de registrar e reconstruir decisões, entradas, saídas, versões, dados relevantes, parâmetros, responsáveis e intervenções humanas relacionadas ao uso de IA. Indispensável para auditoria, contestação, revisão e responsabilização. 72. Reconhecimento de emoções: Técnica que pretende inferir estados emocionais, afetivos ou psicológicos de pessoas a partir de expressões faciais, voz, texto, sinais fisiológicos ou padrões comportamentais.

  16. Reconhecimento facial: Técnica de identificação ou verificação biométrica baseada em características faciais. Por envolver tratamento de dado pessoal sensível e captar atributo permanente, inalterável e exposto da pessoa, submete-se a regime de restrição rigorosa no ambiente educacional, com admissibilidade excepcional e de interpretação restritiva, especialmente quando aplicada a crianças e adolescentes ou associada a controle disciplinar, aferição de frequência ou gestão da conduta.

  17. Rede neural artificial: Modelo computacional inspirado no funcionamento de neurônios biológicos, composto por unidades de processamento interconectadas e organizadas em camadas, capaz de aprender representações a partir de dados. Constitui a base técnica do aprendizado profundo e dos grandes modelos de linguagem.

  18. Relatório de Impacto à Proteção de Dados Pessoais - RIPD: Documentação que descreve os processos de tratamento de dados pessoais contendo os riscos às liberdades civis e aos direitos fundamentais, bem como as medidas, salvaguardas e mecanismos de mitigação adotados.

  19. Revisão humana: Validação por pessoa qualificada de conteúdo, recomendação, classificação ou resultado produzido por IA. Deve ser efetiva, contextualizada e proporcional ao risco; não deve ser meramente formal, especialmente quando houver impacto sobre direitos ou avaliação.

  20. Rotulagem de conteúdo gerado por IA: Identificação clara, acessível e verificável de que determinado conteúdo foi gerado ou substancialmente modificado por sistema de IA, mediante avisos, metadados ou marcas técnicas (como marca d'água digital). Constitui medida de transparência apta a prevenir desinformação, fraude e confusão sobre a origem de materiais utilizados no ambiente educacional. Na perspectiva das relações da prestação de serviços educacionais, a rotulagem integra o direito básico à informação adequada e clara sobre os serviços prestados, assegurado aos estudantes e responsáveis na condição de consumidores dos serviços de instituições privadas, e, nas instituições públicas, decorrente dos princípios da publicidade, da transparência e da boafé administrativa.

  21. Segurança da informação: Conjunto de medidas técnicas e administrativas destinadas a proteger dados e sistemas contra acessos não autorizados, vazamentos, alterações indevidas, indisponibilidade e outros incidentes, compreendendo confidencialidade, integridade e disponibilidade. Constitui dever permanente das instituições educacionais e condição de contratação de plataformas de IA. 79. Segurança de sistemas de IA: Conjunto de atributos que expressam a capacidade do sistema de operar de forma confiável, resistir a falhas, erros, usos indevidos e ataques, inclusive manipulação de comandos e contaminação de dados, e de manter desempenho adequado em condições diversas. Constituem requisitos de adoção institucional e devem ser monitorados durante todo o ciclo de vida.

  22. Sistema de Inteligência Artificial: Sistema computacional que, com graus variados de autonomia e adaptabilidade, infere, a partir das entradas que recebe, como gerar saídas, previsões, conteúdos, recomendações ou decisões capazes de influenciar ambientes físicos ou virtuais. A definição orienta a identificação das aplicações sujeitas às Diretrizes e à classificação de risco, distinguindo-as da automação convencional. 81. Sistema de tutoria inteligente: Sistema baseado em IA que oferece orientação, feedback, acompanhamento ou adaptação de atividades ao estudante.

  23. Supervisão humana significativa: Atuação humana com capacidade efetiva de compreender, acompanhar, interpretar, contestar, revisar, corrigir ou interromper os resultados produzidos por sistemas de IA, exercida em condições institucionais adequadas.

  24. Tecnologia assistiva: Produtos, recursos, metodologias, práticas e serviços destinados a promover a funcionalidade, a participação e a autonomia de pessoas com deficiência ou mobilidade reduzida, podendo incorporar IA, tais como leitores de tela inteligentes, comunicação alternativa e legendagem automática.

  25. Transparência: Dever de informar, de forma clara, acessível e adequada ao público destinatário, quando a IA é utilizada, qual sua finalidade, seus limites, seus responsáveis e seus possíveis efeitos. Alcança estudantes, famílias, docentes, gestores e pesquisadores, conforme o contexto, com linguagem adaptada à capacidade de compreensão de cada público, inclusive de crianças e adolescentes.

  26. Tratamento de dados pessoais: Toda operação realizada com dados pessoais, como coleta, produção, recepção, classificação, utilização, acesso, reprodução, transmissão, distribuição, processamento, arquivamento, armazenamento, eliminação, avaliação, modificação, comunicação, transferência, difusão ou extração.

  27. Treinamento de modelo: Processo pelo qual um sistema de IA aprende padrões a partir de dados, mediante ajuste de seus parâmetros internos, compreendendo o treinamento inicial, o ajuste fino e a calibragem a partir de interações de uso. Em educação, a utilização de dados de estudantes, docentes ou instituições para treinamento requer base legal, finalidade educacional específica, minimização de dados, segurança da informação e vedação de exploração incompatível com a relação educacional.

  28. Uso individual de IA: Uso realizado por estudante, docente ou pesquisador por iniciativa própria, fora de sistema institucional controlado. Embora não decorra de adoção institucional, não constitui espaço de irrelevância normativa: quando realizado em contexto pedagógico ou acadêmico, na elaboração de trabalhos, pesquisas, avaliações, produções submetidas à instituição ou atividades docentes, sujeita-se às normas institucionais sobre utilização de IA, aos deveres de integridade acadêmica e científica, inclusive quanto à declaração de uso quando exigida, às normas de proteção de dados pessoais, sendo vedada a inserção, em plataformas externas, de dados pessoais de estudantes, colegas ou terceiros, de produções alheias e de informações institucionais sigilosas e às vedações gerais das Diretrizes.

  29. Uso institucional de IA: Uso definido, contratado, recomendado, disponibilizado ou integrado por sistema de ensino, rede ou instituição educacional. Diferencia-se do uso individual espontâneo por estudantes ou docentes e atrai deveres reforçados de governança, transparência, formação e responsabilidade. Caracteriza-se pelo ato institucional de adoção, qualquer que seja sua forma, contratação, licenciamento, integração a ambiente virtual, recomendação oficial, disponibilização de acesso ou incorporação a processo pedagógico, avaliativo ou administrativo, e a recomendação ou a exigência de uso de ferramenta externa por docente, no exercício de suas funções e com anuência ou tolerância institucional, equipara-se ao uso institucional para fins de responsabilidade.

  30. Validação humana: Procedimento pelo qual pessoa natural qualificada e investida de competência para tanto examina e confirma, mediante juízo próprio e fundamentado, a adequação, a segurança, a qualidade, a coerência pedagógica ou a justiça de resultado produzido por sistema de IA, como condição para que esse resultado produza efeitos.

  31. Viés algorítmico: Tendência de sistema de IA de, ao processar dados, produzir resultados injustos, discriminatórios, imprecisos ou inadequados para determinados indivíduos e grupos O viés algorítmico pode comprometer a igualdade de tratamento entre estudantes, a justiça dos processos avaliativos e a distribuição equitativa de oportunidades, impondo aos fornecedores o dever de testar, documentar e informar os vieses conhecidos e as limitações das bases de treinamento, inclusive quanto à adequação ao contexto brasileiro, e às instituições o dever de exigir essa demonstração na diligência prévia, de monitorar periodicamente impactos desproporcionais sobre grupos específicos e de comunicar à comunidade educacional os riscos relevantes identificados, nos termos do dever de transparência.

  32. Viés de automação: Tendência humana de depositar confiança excessiva em resultados produzidos por sistemas automatizados, com redução da análise crítica e do julgamento próprio, conduzindo à aceitação de saídas de IA sem verificação suficiente.

  33. Viés de exclusão: Espécie qualificada de viés algorítmico decorrente da ausência ou da sub-representação de grupos, territórios, linguagens, culturas ou necessidades nos dados e nos modelos, produzindo resultados inadequados, imprecisos ou discriminatórios em desfavor das populações não representadas.

  34. Vigilância emocional: Utilização de sistemas de IA para inferir, classificar, pontuar, registrar ou monitorar, de forma pontual ou continuada, estados emocionais, afetivos ou psicológicos de estudantes ou de profissionais da educação, a partir de rosto, voz, comportamento, escrita, postura, sinais fisiológicos ou padrões de interação digital. Constitui forma agravada de reconhecimento de emoções, qualificada pelo caráter observacional e de controle, e submete a esfera íntima da pessoa, seus estados internos, a análise automatizada incompatível com a dignidade humana, a privacidade, a liberdade de expressão, o livre desenvolvimento da personalidade e o ambiente de confiança inerente à relação educacional, com potencial de inibição da participação, da experimentação e do erro que integram o processo de aprendizagem.

12

Documento assinado digitalmente conforme MP nº 2.200-2 de 24/08/2001, que institui a Infraestrutura de Chaves Públicas Brasileira - ICP-Brasil.

Este documento pode ser verificado no endereço eletrônico http://www.in.gov.br/autenticidade.html, pelo código 06012026111200012