Modelo de identificação e antecipação de convergência tecnológica voltado para atividades de PD&I

Abstract

A Convergência Tecnológica (CT), entendida como o processo de combinação, integração ou fusão de tecnologias distintas, que origina novas trajetórias de inovação, tem se consolidado como vetor estratégico em atividades de Pesquisa, Desenvolvimento e Inovação (PD&I). Apesar dessa relevância, observa-se um número limitado de modelos computacionais que integrem, de forma articulada, a representação semântica do conhecimento tecnológico, a modelagem preditiva de padrões de convergência e a geração automatizada de subsídios informacionais para apoiar decisões em atividades de PD&I. Diante dessa lacuna, a presente pesquisa propôs, desenvolveu e avaliou um modelo de identificação e antecipação de convergência tecnológica que integra diferentes técnicas computacionais e de Engenharia do Conhecimento. O modelo foi estruturado em duas classes fundamentais, Artefato e Componente, e operacionalizado por meio de três fases: Recuperação, Processamento Estrutural e Geração Analítica. A pesquisa, de natureza aplicada e cunho tecnológico, adotou a Design Science Research Methodology (DSRM) como framework metodológico. Os resultados empíricos, tendo como referência uma base de patentes obtida no USPTO, demonstraram a viabilidade do modelo em três dimensões avaliativas complementares. Na capacidade de busca semântica, a acurácia foi superior a 80% utilizando o conceito de classificação multi-saída, para k=5 ou 6 subclasses e n=25 documentos recuperados. No desempenho preditivo, utilizando-se de uma arquitetura de redes neurais de grafos, obteve-se taxa de acerto de 4,9% no segmento de pares preditos com probabilidade = 0,90. A partir das predições de maior probabilidade, relatórios analíticos de convergência tecnológica foram gerados por meio de LLM, traduzindo inferências estatísticas em subsídios informacionais estruturados em linguagem natural. A avaliação qualitativa desses relatórios, conduzida por meio do protocolo LLM-as-a-Judge com dois juízes avaliadores independentes, indicou qualidade satisfatória das saídas analíticas, com estabilidade interna (QWK intra-modelo) de 1,00 e 0,90, para os dois juízes e veredictos positivos na concordância categórica para a totalidade dos pares tecnológicos avaliados. Entretanto, a concordância inter-juízes (QWK = 0,25), classificada como razoável, evidenciou limitações de variabilidade nas escalas avaliativas, indicando a necessidade de calibração futura dos critérios de julgamento. As contribuições da pesquisa se manifestam no plano tecnológico, pela articulação, em um fluxo unificado, de técnicas de representação, predição e interpretação não observadas de forma integrada na literatura revisada; no plano metodológico, pela combinação de métricas quantitativas e qualitativas em um arcabouço avaliativo replicável; e no âmbito da Engenharia do Conhecimento, pela proposição de um sistema que converte conhecimento implícito, disperso em bases de dados de patentes, em subsídios informacionais explícitos e acionáveis para o apoio à decisão em atividades de PD&I.

Abstract: Technological Convergence (TC), understood as the process of combining, integrating, or fusing distinct technologies that gives rise to new innovation trajectories, has established itself as a strategic driver in Research, Development, and Innovation (R&D&I) activities. Despite this relevance, a limited number of computational models are observed that integrate, in an articulated manner, the semantic representation of technological knowledge, the predictive modeling of convergence patterns, and the automated generation of informational inputs to support decision-making in R&D&I activities. Given this gap, the present research proposed, developed, and evaluated a model for identifying and anticipating technological convergence that integrates different computational and Knowledge Engineering techniques. The model was structured around two fundamental classes, Artifact and Component, and operationalized through three phases: Retrieval, Structural Processing, and Analytical Generation. The research, of an applied nature and technological character, adopted the Design Science Research Methodology (DSRM) as its methodological framework. The empirical results, based on a patent dataset obtained from the USPTO, demonstrated the feasibility of the model across three complementary evaluative dimensions. In semantic search capacity, accuracy exceeded 80% using the multi-output classification concept, for k=5 or 6 subclasses and n=25 retrieved documents. In predictive performance, using a Graph Neural Network (GNN) architecture, a hit rate of 4.9% was achieved for the segment of predicted pairs with probability = 0.90. From the highest-probability predictions, analytical reports of technological convergence were generated by means of an LLM, translating statistical inferences into structured informational inputs in natural language. The qualitative evaluation of these reports, conducted through the LLM-as-a-Judge protocol with two independent judges, indicated satisfactory quality of the analytical outputs, with internal stability (within-model QWK) of 1.00 and 0.90 for the two judges, and positive verdicts in categorical agreement for all evaluated technological pairs. However, inter-judge agreement (QWK = 0.25), classified as fair, revealed limitations in the variability of the evaluative scales, indicating the need for future calibration of the judgment criteria. The contributions of the research manifest at the technological level, through the articulation, in a unified workflow, of representation, prediction, and interpretation techniques not observed in an integrated manner in the reviewed literature; at the methodological level, through the combination of quantitative and qualitative metrics in a replicable evaluative framework; and in the domain of Knowledge Engineering, through the proposition of a system that converts implicit knowledge, dispersed across patent databases, into explicit and actionable informational inputs to support decision-making in R&D&I activities.