Using AI for User Representation: An Analysis of 83 Persona Prompts

Este estudo analisa 83 prompts de persona utilizados em pesquisas com modelos de linguagem de grande escala, revelando tendências como a geração de perfis individuais e concisos, o uso predominante de texto e dados demográficos, a exigência frequente de formatos estruturados e a escassez de comparações entre diferentes modelos, levantando implicações para a representação computacional de usuários.

O essencial

Imagine que você é um diretor de cinema e precisa criar personagens para um filme, mas não tem tempo para entrevistar 100 pessoas reais. Então, você contrata um "ator de IA" (uma Inteligência Artificial) e lhe dá um roteiro escrito à mão, chamado de prompt (ou instrução), dizendo: "Crie um personagem chamado João, de 30 anos, que gosta de café".

O artigo que você pediu para analisar é como um relatório de inspeção feito por pesquisadores que olharam para 83 desses "roteiros" (prompts) usados em 27 estudos diferentes. Eles queriam saber: como as pessoas estão usando a IA para criar esses personagens fictícios (chamados de personas)? O que está dando certo? O que está dando errado?

Aqui está a tradução desse estudo complexo para uma linguagem simples, usando algumas analogias:

1. O Que Eles Descobriram? (Os "Personas" de Um Só)

A maioria dos pesquisadores pediu para a IA criar apenas um personagem por vez.

• A Analogia: É como se você fosse ao restaurante e pedisse apenas um prato para a mesa inteira, em vez de pedir um menu variado para todos os convidados.
• O Problema: Personas servem para representar grupos diferentes de pessoas. Criar apenas um "João" pode não ajudar a entender a diversidade real dos usuários.

2. O Roteiro Curto vs. O Roteiro Rico

Os pesquisadores muitas vezes pediam descrições curtas e diretas (ex: "resuma em 3 frases").

• A Analogia: Tradicionalmente, criar um personagem é como escrever uma biografia completa, com história de vida, medos, sonhos e detalhes ricos. Mas, com a IA, muitos estão pedindo apenas um bilhete de identificação (nome, idade, profissão).
• O Risco: Um personagem "magro" e sem detalhes não consegue gerar empatia. É difícil se conectar com alguém que você conhece apenas pelo nome e idade.

3. A Receita de Bolo (O Formato dos Dados)

A maioria dos pedidos (prompts) exigia que a resposta viesse em um formato organizado, como uma tabela ou um código chamado JSON (uma linguagem que computadores leem facilmente).

• A Analogia: Em vez de pedir uma história emocionante, os pesquisadores estão pedindo uma planilha de Excel.
• Por que fazem isso? Para que os computadores possam ler e analisar os dados depois. Mas isso transforma o "personagem" em um simples "dado", perdendo a parte humana e narrativa.

4. A Famosa "Idade e Nome" (Demografia)

Quase todos os pedidos incluíam dados demográficos: idade, nome, gênero, profissão.

• A Analogia: É como se, ao criar um personagem, a primeira coisa que você fizesse fosse preencher o RG dele.
• O Detalhe: Isso é comum e útil, mas o estudo mostra que os pesquisadores estão focando muito no "o que a pessoa é" (dados) e menos no "como a pessoa pensa" (atitudes e comportamentos).

5. O "Chef" e o "Mestre de Cerimônias" (Como a IA é usada)

A maioria dos estudos usa apenas um modelo de IA (o famoso GPT, da OpenAI), como se fosse o único chef na cozinha.

• A Analogia: Poucos pesquisadores tentam comparar diferentes "chefs" (outras IAs) para ver quem faz o melhor personagem. Eles ficam fiéis a um só, mesmo que outro pudesse ser melhor.
• Complexidade: Alguns estudos usam até 12 prompts diferentes em sequência (um gera o nome, o outro a foto, o outro a história). Isso é como ter uma linha de montagem complexa. Se um elo da corrente falhar, todo o personagem fica estranho, e é difícil descobrir onde foi o erro.

6. O Perigo de "Adivinhar" em vez de "Pesquisar"

O maior alerta do estudo é sobre a origem dos dados.

• A Analogia: Imagine que você quer saber o que os brasileiros comem.
  • Método Tradicional: Você vai a 100 casas, pergunta o que eles comeram e anota. (Isso é persona baseada em dados reais).
  • Método da IA (Risco): Você pede para a IA: "Crie o que os brasileiros comem". A IA vai inventar com base no que ela "leu" na internet. Ela pode criar um brasileiro que come apenas pizza, porque é o que ela acha que é popular, ignorando a realidade.
• A Recomendação: Os autores dizem: Não deixe a IA inventar tudo. Você deve alimentar a IA com dados reais (entrevistas, pesquisas) e pedir para ela organizar esses dados. Se não fizer isso, você está criando estereótipos, não personas reais.

Resumo da Ópera (Conclusão Simples)

A Inteligência Artificial é uma ferramenta poderosa para criar personagens fictícios, mas os pesquisadores estão usando-a de forma um pouco "apressada" e "fria".

• O que está bom: É rápido e organizado.
• O que precisa melhorar: Precisamos pedir histórias mais ricas (não apenas dados secos), usar mais variedade de IAs para comparar resultados e, o mais importante, garantir que a IA esteja baseada em dados reais de pessoas verdadeiras, e não apenas na imaginação dela.

Se usarmos a IA apenas para "adivinhar" quem são os usuários, corremos o risco de criar um filme com personagens que parecem reais, mas que não representam ninguém de verdade.

Resumo técnico

1. Problema e Contexto

O desenvolvimento de personas (representações fictícias de usuários baseadas em dados reais) é uma prática fundamental no Design Centrado no Usuário (UCD) e na Interação Humano-Computador (HCI). Tradicionalmente, a criação de personas envolve a análise qualitativa de dados por humanos. Recentemente, a Inteligência Artificial Generativa (GenAI) e os Grandes Modelos de Linguagem (LLMs) começaram a ser utilizados para automatizar ou auxiliar esse processo.

O problema central identificado pelos autores é a falta de diretrizes específicas e de uma compreensão sistemática sobre como os pesquisadores estão utilizando prompts (instruções) para gerar personas com LLMs. Embora existam diretrizes gerais para prompting, não há um consenso sobre as melhores práticas específicas para a representação de usuários. Há riscos de viés algorítmico, perda de riqueza narrativa e falta de transparência quando a tecnologia é aplicada sem critérios rigorosos. O estudo visa preencher essa lacuna mapeando e analisando os prompts existentes na literatura acadêmica.

2. Metodologia

O estudo adota uma abordagem de análise de conteúdo sistemática baseada em uma revisão de literatura prévia.

• Corpus de Dados: Os autores extraíram prompts de 27 artigos de pesquisa (selecionados de um corpus maior de 52 artigos de uma Revisão Sistemática de Literatura - SLR) que utilizam GenAI para desenvolvimento de personas.
• Amostra: Foram analisados um total de 83 prompts de personas.
• Processo de Extração: A equipe identificou prompts diretos, descrições de uso e técnicas de prompting nos textos e anexos dos artigos. Se um artigo continha múltiplos prompts, eles foram mantidos como entradas únicas para preservar a estratégia do pesquisador.
• Codificação: Dois autores codificaram os dados colaborativamente utilizando um framework estruturado para responder a três Perguntas de Pesquisa (RQs):
  • RQ1: Por que os pesquisadores usam prompts de persona?
  • RQ2: Como os pesquisadores usam esses prompts?
  • RQ3: Que tipo de personas são geradas?
• Verificação: A confiabilidade foi assegurada através de verificação cruzada aleatória e discussão de divergências.

3. Principais Contribuições

O artigo oferece o primeiro mapeamento sistemático do estado da arte no uso de LLMs para geração de personas. Suas contribuições principais incluem:

• Análise Quantitativa e Qualitativa: Uma caracterização detalhada de 83 prompts, incluindo comprimento, complexidade, modelos utilizados e formatos de saída.
• Identificação de Tendências e Lacunas: Revelação de que a maioria dos estudos gera apenas uma persona, foca em formatos de texto/numéricos e raramente compara diferentes modelos de LLM.
• Diretrizes Práticas: Recomendações para manter a natureza "baseada em dados" das personas e evitar a substituição de dados reais pela "criatividade" do LLM.
• Recurso Público: Disponibilização do conjunto de prompts analisados para futuras pesquisas empíricas.

4. Resultados Chave

Motivação e Uso (RQ1)

• Aplicações: O uso principal é a geração de personas (81,48%), seguido por previsão (25,93%) e avaliação (14,81%).
• Domínios: As aplicações variam desde ferramentas educacionais e desenvolvimento de software até comunicação sobre mudanças climáticas e marketing.
• Estrutura de Saída: Mais da metade dos prompts (51,85%) exige uma saída estruturada, predominantemente em JSON (50% dos casos estruturados), facilitando a análise de dados downstream, mas possivelmente em detrimento da narrativa rica.

Metodologia de Uso (RQ2)

• Modelos: O modelo GPT domina o cenário (76,1% das instâncias). Outros modelos (DALL-E, Midjourney, Claude, etc.) aparecem muito menos. A comparação entre múltiplos modelos é rara (apenas 22% dos artigos).
• Complexidade: Os prompts variam de instruções simples de uma linha a sistemas complexos de múltiplas etapas. A média de prompts por estudo é de 3,1, com um máximo de 12 em um único estudo (Chen et al.).
• Técnicas Avançadas:
  • Dados Dinâmicos: 74,1% dos prompts inserem dados ou variáveis dinâmicas (usando RAG ou similar) para personalizar a geração.
  • Design Circular: Alguns prompts geram outros prompts (ex: um prompt cria a instrução para gerar uma imagem).
  • Parâmetros: Menos de um terço dos artigos divulga os hiperparâmetros utilizados, sugerindo o uso de valores padrão.

Características das Personas Geradas (RQ3)

• Formato: O formato predominante é texto (96,3%), seguido por números (66,7%). A geração de imagens é surpreendentemente baixa (7,41%), apesar de ser comum em personas tradicionais.
• Quantidade: A maioria dos prompts instrui a gerar uma única persona (70,6%), o que limita a representação da diversidade do público-alvo.
• Riqueza de Informação:
  • As personas geradas tendem a ser menos ricas em informações do que as personas quantitativas tradicionais (média de 5,48 atributos vs. 8,83 em templates tradicionais).
  • A maioria cai na categoria "Simples" (4-7 atributos).
• Conteúdo:
  • Demografia: É a categoria mais frequente (52% dos atributos), com idade, nome e ocupação sendo os mais comuns.
  • Outras Categorias: Comportamentos, atitudes e informações contextuais aparecem com menos frequência, mas ainda são presentes.
• Restrições de Comprimento: Muitos prompts exigem descrições curtas ou concisas, o que pode conflitar com a tradição de criar perfis de usuário detalhados e ricos.

5. Significado e Implicações

O estudo destaca uma tensão entre a eficiência computacional e a fidelidade da representação do usuário:

1. Risco de "Shallow" Personas: A tendência de pedir descrições curtas e focar em dados demográficos pode resultar em personas superficiais que não capturam a complexidade humana necessária para a empatia no design.
2. Objeto de Dados vs. Ferramenta Narrativa: O uso excessivo de JSON sugere que os pesquisadores estão tratando personas como objetos de dados para análise, em vez de ferramentas narrativas para construção de empatia.
3. Falta de Diversidade: A geração de uma única persona por prompt é um problema crítico, pois falha em representar o espectro completo de um público de usuários.
4. Transparência e Agência Humana: A integração de dados diretamente nos prompts e o uso de cadeias complexas de prompts (pipelines) tornam o processo menos transparente e mais difícil de avaliar criticamente por humanos.
5. Recomendações Práticas:
   • Os pesquisadores devem incluir dados primários reais nos prompts para garantir que as personas sejam baseadas em dados e não apenas em alucinações do modelo.
   • É necessário familiarizar-se com a teoria de personas para evitar prompts "rasos" que ignoram a diversidade e a representatividade.
   • Future work deve focar em comparações entre modelos e na avaliação empírica do impacto desses prompts na qualidade final da persona.

Em suma, o artigo serve como um alerta e um guia para a comunidade de HCI, indicando que, embora os LLMs ofereçam eficiência, seu uso atual na geração de personas ainda carece de rigor metodológico, diversidade e profundidade teórica.