Voltar ao hub de avaliação
PROTOCOLO DE INTERPRETAÇÃO DE EVIDÊNCIATRUTH LEDGER

Como interpretar os números deste portfólio.

Um gráfico pode demonstrar método sem demonstrar impacto. Um protótipo pode demonstrar arquitetura sem demonstrar operação em produção. Esta página torna essa fronteira explícita.

O limite declarado faz parte da evidência. Nenhum acabamento visual, interatividade ou narrativa promove uma simulação a resultado observado.

10

Registros no ledger

6

Verificados

4

Simulados

Contrato de leitura

Leia a natureza da evidência antes de ler o número.
Leia a fonte e a data antes de tratar um fato como atual.
Leia a limitação antes de ampliar a conclusão.
Protótipo demonstra desenho e raciocínio; produção exige evidência operacional própria.
Simulação demonstra comportamento de um modelo; não comprova ROI, adoção ou impacto realizado.

A gramática do Truth Ledger

As categorias abaixo definem o que uma alegação pode e não pode sustentar. Nem todas aparecem hoje no ledger, mas o contrato existe para impedir promoção silenciosa no futuro.

VERIFIED · Verificado

Fato sustentado por fonte pública ou artefato diretamente verificável.

SUPPORTS

Sustenta a alegação dentro do escopo e da data declarados.

DOES NOT SUPPORT

Não autoriza extrapolar para competências, contextos ou resultados não documentados.

SOURCED · Com fonte

Alegação ligada a uma fonte identificada, sem o mesmo grau de verificação independente.

SUPPORTS

Sustenta rastreabilidade da origem da alegação.

DOES NOT SUPPORT

Não equivale automaticamente a validação independente.

ESTIMATE · Estimativa

Valor calculado a partir de premissas explícitas, não observado diretamente.

SUPPORTS

Sustenta análise de cenário quando premissas e fórmula estão disponíveis.

DOES NOT SUPPORT

Não deve ser apresentado como custo, economia ou efeito realizado.

SIMULATED · Simulado

Dado sintético ou cenário construído para demonstrar lógica, interface ou método.

SUPPORTS

Sustenta demonstração de funcionamento conceitual e raciocínio sobre cenários.

DOES NOT SUPPORT

Não comprova resultado de cliente, coorte real, ROI, adoção ou causalidade.

TARGET · Meta

Resultado desejado ou critério de sucesso definido antes da observação.

SUPPORTS

Sustenta intenção e critério futuro de decisão.

DOES NOT SUPPORT

Não deve ser descrito como resultado alcançado.

CONCEPTUAL · Conceitual

Proposição de arquitetura, método ou produto ainda sem validação suficiente.

SUPPORTS

Sustenta autoria de desenho, hipótese e capacidade de modelagem.

DOES NOT SUPPORT

Não comprova eficácia, adoção ou robustez em produção.

UNVERIFIED · Não verificado

Alegação ainda sem fonte ou validação pública suficiente.

SUPPORTS

Pode orientar o que deve ser investigado ou validado.

DOES NOT SUPPORT

Não deve ser usada como prova de contratação ou impacto.

O que o ledger sustenta hoje

Estes registros vêm diretamente da fonte central usada pelas demais camadas do site. A página não cria evidência nova.

Doutorado em Bioinformática pela UFMG

VERIFIED

Doutorado em Bioinformática pela Universidade Federal de Minas Gerais (UFMG), um dos programas de pós-graduação mais conceituados do Brasil.

Verificado em
2026-07-16
Limite
A informação do doutorado está registrada no Lattes e pode ser verificada publicamente. Detalhes específicos da tese não estão disponíveis nesta página.

Pós-Doutorado pela UFMG

VERIFIED

Pós-Doutorado realizado na Universidade Federal de Minas Gerais (UFMG).

Verificado em
2026-07-16
Limite
A informação do pós-doutorado está registrada no Lattes. Detalhes específicos do período e tema não estão disponíveis nesta página.

11 Publicações científicas

VERIFIED

Onze artigos publicados em periódicos e conferências científicas.

Verificado em
2026-07-16
Limite
O número de publicações é verificado no Lattes. A lista completa não está disponível nesta página.

Mais de 260 citações acadêmicas

VERIFIED

Mais de 260 citações ao trabalho acadêmico de Carlos, conforme registrado no Google Scholar.

Fonte
Google Scholar
Verificado em
2026-07-16
Limite
Este valor reflete as citações no momento da última verificação (2026-07-16). Citações podem variar ao longo do tempo. Não é um valor atualizado em tempo real.

Mais de 10 anos de experiência em ensino e pesquisa

VERIFIED

Mais de 10 anos de experiência profissional combinando ensino, pesquisa e aplicação de IA e ciência de dados.

Verificado em
2026-07-16
Limite
A contagem de anos de experiência é uma estimativa baseada no histórico profissional disponível publicamente. Experiência específica em cada área pode variar.

4 sistemas de P&D navegáveis

VERIFIED

Quatro sistemas de Pesquisa & Desenvolvimento estão implementados como páginas navegáveis no portfólio: AI Fluency para Educadores, Learning Journey Inteligente, LearningOps Automation e Learning Analytics Command Center.

Fonte
Código-fonte do portfólio
Limite
A existência e a navegabilidade dos quatro sistemas são verificáveis diretamente no portfólio. As métricas internas de cada sistema são simuladas para fins de demonstração conceitual. Ver o Content Truth Ledger de cada projeto.

AI Fluency para Educadores (Protótipo)

SIMULATED

Protótipo conceitual de programa de AI Fluency para educadores. As métricas apresentadas (78% não aplicam, R$ 2.8k, 200 estudantes, 5.5h) são simuladas para demonstração.

Fonte
Portfólio · Página do Projeto
Limite
Métricas simuladas. Não há dados de validação com turmas reais. O programa é um protótipo conceitual, não uma oferta comercial validada.

Learning Journey Inteligente (Protótipo)

SIMULATED

Protótipo conceitual de sistema de autoria de jornadas adaptativas. As métricas (87% personalization, 3.2x engagement, 42% completion, -28% time) são simuladas.

Fonte
Portfólio · Página do Projeto
Limite
Métricas simuladas. Não há dados reais de usuários ou validação externa. O sistema é um protótipo conceitual.

LearningOps Automation (Protótipo)

SIMULATED

Protótipo conceitual de plataforma de automação no-code para L&D. As métricas de economia (14h/semana, R$ 68k/ano) são simuladas.

Fonte
Portfólio · Página do Projeto
Limite
Métricas simuladas. Não há evidência de operação real ou resultados documentados. O projeto é um protótipo conceitual.

Learning Analytics Command Center (Protótipo)

SIMULATED

Dashboard demonstrativo de Learning Analytics. Correlações (r=0.94) e métricas de ROI são simuladas para demonstração do conceito.

Fonte
Portfólio · Página do Projeto
Limite
Métricas simuladas. Não há dados reais de clientes. O dashboard é demonstrativo e não representa resultados de implementações reais.

Limites quantitativos que importam agora

Os flagships usam números para tornar decisões concretas. Quando esses números são simulados, o papel deles é demonstrar método, não fabricar histórico de impacto.

LearningOps Automation

14h/semana, R$ 68k/ano e os cenários de retorno são demonstrativos. O gráfico interativo trabalha com variações de cenário; a curva não é uma série observada e não sustenta economia ou ROI realizado.

Learning Analytics Command Center

Correlações e métricas de ROI exibidas no protótipo usam dados simulados ou sintéticos. Elas demonstram como uma análise seria interrogada, não uma relação causal observada em cliente.

AI Fluency e Learning Journey

Percentuais de adoção, personalização, engajamento, conclusão, tempo e valores econômicos apresentados nos protótipos são cenários de demonstração, não resultados de turmas reais.

Como uma simulação vira evidência mais forte

A natureza só muda quando o processo de produção da evidência muda. O caminho abaixo é deliberadamente mais difícil do que trocar o badge.

  1. 1Definir indicador, unidade, população e regra de cálculo antes da intervenção.
  2. 2Registrar baseline e proveniência dos dados com a mesma definição usada depois.
  3. 3Declarar desenho de comparação, confundidores, exclusões e fontes de viés.
  4. 4Preservar dados ou artefatos suficientes para reproduzir o resultado.
  5. 5Separar associação, estimativa e causalidade na linguagem da conclusão.
  6. 6Adicionar fonte, data de verificação, limitação e responsável pela validação.
  7. 7Só então atualizar a natureza no Truth Ledger.

Regra de promoção: uma evidência sobe de nível por proveniência e método, nunca por estética, confiança narrativa ou complexidade do protótipo.

A decisão final continua humana. Quando a evidência não sustenta uma conclusão, a resposta correta é definir o próximo teste.