Ir para o menu de navegação principal Ir para o conteúdo principal Ir para o rodapé
Revista Brasileira de Musicoterapia ISSN 2316-994x Brazilian Journal of Music Therapy ISSN 2764-5541

Trabalhos baseados em pesquisa

ANO XXVIII - NÚMERO 42 - 2026

BackTranslationLLM: uma Arquitetura Agêntica para Tradução e Validação de Conteúdo de Instrumentos Psicométricos

DOI
https://doi.org/10.51914/brjmt.42.2026.486
Enviado
17 janeiro 2026
Publicado
29-07-2026

Resumo

A adaptação transcultural de instrumentos psicométricos é um processo metodologicamente complexo, lento e custoso. Este estudo apresenta e avalia o BackTranslationLLM, uma arquitetura de Inteligência Artificial (IA) multiagente projetada para automatizar a tradução e validação de conteúdo de testes. Guiado por princípios de engenharia de IA, o sistema utiliza uma pipeline sequencial com agentes especializados para tradução, retrotradução e refinamento, seguida por um comitê diversificado de juízes de IA para avaliação. O sistema foi aplicado na adaptação do Cuestionario de Impacto de la Sesión de Musicoterapia do espanhol para o português brasileiro. Os resultados foram comparados com uma validação paralela conduzida por cinco juízes humanos. A Análise de Grafo Exploratória confirmou a preservação da estrutura semântica do instrumento. Tanto o comitê composto por juízes de IA quanto por humanos atribuiu Coeficientes de Validade de Conteúdo (CVC) adequados. Contudo, a ausência de correlação entre os CVCs item a item (e.g., Clareza, ρ = -0,37) revelou padrões de julgamento distintos: a IA atuou como uma auditora de conformidade metodológica, enquanto os humanos se destacaram na avaliação de nuances culturais. Conclui-se que o BackTranslationLLM é uma ferramenta eficaz que complementa, em vez de substituir, a expertise humana, otimizando o processo de validação.

Referências

  1. AERA - American Educational Research Association, American Psychological Association, & National Council on Measurement in Education. (2014). Standards for educational and psychological testing. American Educational Research Association.
  2. Bhagwat, S. (2024). Principles of Building AI Agents (2nd ed.). Mastra.ai.
  3. Boateng, G. O., Neilands, T. B., Frongillo, E. A., Melgar-Quiñonez, H. R., & Young, S. L. (2018). Best practices for developing and validating scales for health, social, and behavioral research: A primer. Frontiers in Public Health, 6, 149. DOI: https://doi.org/10.3389/fpubh.2018.00149
  4. Borsa, L. C.; Seize, M.. (2017). Construção e adaptação de instrumentos psicológicos: dois caminhos possíveis. In: Damásio, B. F.; Borsa, J. C.. Manual de desenvolvimento de instrumentos psicológicos. São Paulo: Vetor.
  5. Cassepp-Borges, V., Balbinotti, M. A. A., & Teodoro, M. L. M. (2010). Tradução e validação de conteúdo: uma proposta para a adaptação de instrumentos. In L. Pasquali (Org.), Instrumentação psicológica: Fundamentos e práticas (pp. 506-520). Artmed.
  6. Cripps, C.; Tsiris, G.; Spiro, N. (2016). Outcome measures in music therapy: A resource developed by the Nordoff Robbins research team. 1. ed. London: Nordoff Robbins. https://eresearch.qmu.ac.uk/handle/20.500.12289/4429
  7. Danon, L., Díaz-Guilera, A., Duch, J., & Arenas, A. (2005). Comparing community structure identification. Journal of Statistical Mechanics: Theory and Experiment, 2005(09), P09008–P09008. https://doi.org/10.1088/1742-5468/2005/09/P09008. DOI: https://doi.org/10.1088/1742-5468/2005/09/P09008
  8. DeepL SE. (2024). DeepL Translator. https://www.deepl.com/
  9. Google. (2024a). Gemini: A family of highly capable multimodal models. https://deepmind.google/technologies/gemini/
  10. Google. (2024b). Gemma: Open models based on Gemini research and technology. https://ai.google/discover/gemma/
  11. Hernandez-Nieto, R. A. (2002). Contributions to statistical analysis. Universidad de Los Andes.
  12. Kyriazos, T. A., & Stalikas, A. (2018). Applied psychometrics: The steps of scale development and standardization process. Psychology, 9(11), 2531-2560. DOI: https://doi.org/10.4236/psych.2018.911145
  13. Laverghetta Jr., A., & Licato, J. (2023). Generating better items for cognitive assessments using large language models. In E. Kochmar, J. Burstein, A. Horbach, R. Laarmann-Quante, N. Madnani, A. Tack, V. Yaneva, Z. Yuan, & T. Zesch (Eds.), Proceedings of the 18th Workshop on Innovative Use of NLP for Building Educational Applications (BEA 2023) (pp. 414–428). Association for Computational Linguistics. https://doi.org/10.18653/v1/2023.bea-1.34 DOI: https://doi.org/10.18653/v1/2023.bea-1.34
  14. Laverghetta Jr., A., Luchini, S., Linell, A., Reiter-Palmon, R., & Beaty, R. (2024). The creative psychometric item generator: A framework for item generation and validation using large language models. arXiv. https://arxiv.org/abs/2409.00202
  15. Nakano, T. C., & Siqueira, L. G. G. (2012). Validade de conteúdo da Gifted Rating Scale (versão escolar) para a população brasileira. Avaliação Psicológica, 11(1), 123-140.
  16. Pasquali, L. (2009). Psicometria: Teoria dos testes na psicologia e na educação. Vozes.
  17. Pasquali, L. (2010). Instrumentação psicológica: Fundamentos e práticas. Artmed.
  18. Pedrosa, F. G. (2023). Escala de Avaliação dos Efeitos da Musicoterapia em Grupo na Dependência Química (MTDQ) [Tese, Universidade Federal de Minas Gerais]. https://doi.org/10.13140/RG.2.2.21769.04962 DOI: https://doi.org/10.35699/2317-6377.2023.45027
  19. R Core Team. (2025). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/
  20. Russell-Lasalandra, L.L., Christensen, A.P. & Golino, H. (2026) Generative psychometrics via AI-GENIE: Automatic item generation and validation with network-integrated evaluation. Behavior Research Methods 58, 217. https://doi.org/10.3758/s13428-026-03082- DOI: https://doi.org/10.3758/s13428-026-03082-1
  21. Silveira, M. B., et al. (2018). Construção e validade de conteúdo de um instrumento para avaliação de quedas em idosos. Einstein (São Paulo), 16(2).
  22. Vinh, N. X., Epps, J., & Bailey, J. (2010). Information theoretic measures for clusterings comparison. Journal of Machine Learning Research. 11(95):2837−2854.
  23. Vercher, I. B., Soler, A. A., & Ferrari, K. D. (2023). Cuestionario CISMA - Cuestionario del Impacto de las Sesiones de Musicoterapia en Pacientes Adultos. Brazilian Journal of Music Therapy, (33). https://doi.org/10.51914/brjmt.33.2022.385 DOI: https://doi.org/10.51914/brjmt.33.2022.385
  24. Zmitrowicz, M., & Moura, C. de F. (2018). Musicoterapia e reabilitação: uma revisão de escopo. Cadernos Brasileiros de Terapia Ocupacional, 26(4), 891-903.

Artigos Semelhantes

<< < 22 23 24 25 26 27 28 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.

Artigos mais lidos pelo mesmo(s) autor(es)