Workshop UAP 2025: AARO reúne 40 especialistas para padronizar dados narrativos de avistamentos

Contexto e Autorização

O documento foi liberado para publicação aberta pelo Escritório de Revisão de Pré-Publicação e Segurança do Departamento de Defesa em 11 de fevereiro de 2026, sob o número de controle 26-P-0344. [§ p.1]

Resumo Executivo

A pesquisa sobre Fenômenos Aéreos Não Identificados (UAP) requer coleta de dados rigorosa, padronização e análise. A maioria dos relatos de UAP é fragmentada, esparsa e não estruturada — abrangendo registros militares, relatórios de pilotos, documentos de arquivo, postagens em redes sociais e depoimentos civis. A interpretação desse conjunto heterogêneo de dados em larga escala é dificultada por barreiras de classificação sigilosa, tradução e retenção de registros. [§ p.2]

O Workshop UAP 2025 sobre Dados Narrativos, Infraestruturas e Análise reuniu 40 participantes de governo, academia e organizações de pesquisa independentes. O encontro focou especificamente nos desafios e oportunidades do trabalho com relatos narrativos de UAP e fontes de dados correlatas. [§ p.2]

As discussões identificaram cinco achados transversais:

1. Padrões e modelos comuns de registro são necessários, com metadados robustos que capturem tempo, localização, proveniência, morfologia e detalhes contextuais.
2. Vinculação entre conjuntos de dados — militares e civis, incluindo arquivos históricos, ambientais e técnicos — deve equilibrar interoperabilidade com restrições de privacidade, ética e classificação sigilosa.
3. Credibilidade é mais bem avaliada por corroboração, mas há necessidade de métodos automatizados para filtrar relatos e identificar os mais promissores para investigação.
4. Ferramentas de IA e aprendizado de máquina oferecem capacidade para transcrição, triagem, agrupamento e busca semântica, mas devem ser aplicadas com cautela para evitar alucinação, viés e amplificação de fraudes. Supervisão humana e fluxos de trabalho iterativos permanecem essenciais.
5. Engajamento comunitário e construção de confiança são importantes; a comunidade científica deve cultivar uma "comunidade de prática" sustentável para pesquisa de UAP. [§ p.2]

Introdução e Propósito

A compreensão da natureza dos UAP emergiu como área prioritária de investigação, exigindo abordagens científicas rigorosas e colaboração interdisciplinar, intersetorial e internacional. A análise de relatos de avistamentos apresenta desafios únicos devido ao caráter em larga escala, heterogêneo e qualitativo dos registros provenientes de fontes militares e civis. [§ p.3]

Esses relatos normalmente carecem de metadados padronizados, dificultando a análise comparativa. A integração de dados de fontes díspares — como bancos de dados militares, sistemas de registro online, arquivos digitais e digitalizados, e redes sociais — impõe desafios significativos para harmonização e verificação. [§ p.3]

Avanços recentes em inteligência artificial (IA) e aprendizado de máquina apresentam tanto oportunidades quanto riscos. Modelos de Linguagem de Grande Escala (LLMs — Large Language Models) podem auxiliar na transcrição, agrupamento e detecção de padrões em escala, mas arriscam introduzir viés e alucinação. O uso responsável de IA para organizar, analisar e integrar relatos de UAP em larga escala requer avaliação contínua, supervisão humana e estruturas compartilhadas de interpretação. [§ p.3]

Sobre o Workshop

O workshop concentrou-se na coleta, organização e interpretação de relatos de UAP, com atenção aos desafios e oportunidades do trabalho com dados narrativos. Os objetivos primários estabelecidos foram:

• Avaliar o panorama atual dos sistemas de registro de UAP e repositórios de dados;
• Identificar desafios e lacunas na coleta, padronização e acessibilidade de dados;
• Explorar metodologias de análise de dados e reconhecimento de padrões;
• Fomentar confiança e colaboração entre pesquisadores, agências governamentais e organizações civis;
• Propor recomendações para o desenvolvimento de uma infraestrutura robusta de dados UAP. [§ p.3]

A participação externa foi limitada por restrições orçamentárias e de capacidade institucional. Os participantes foram selecionados com base em expertise demonstrada em: IA e aprendizado de máquina; pesquisa e dados de UAP; ciências físicas e naturais; ciência da informação e de dados; arquivos e registros; métodos de análise; ciberinfraestrutura e computação; e ciências humanas e sociais. O workshop reuniu 40 participantes no total. [§ p.4]

Estabelecimento de Diálogo Aberto

A privacidade dos participantes foi consideração central durante o planejamento. A coleta e segurança dos dados do workshop foram regidas por aprovação do Conselho de Revisão Institucional (IRB — Institutional Review Board). O comitê organizador optou por não divulgar o workshop online previamente, a fim de limitar atenção externa e promover discurso aberto entre o grupo restrito. [§ p.4]

Medidas de privacidade adotadas incluíram:

• Opção de crachá apenas com primeiro nome, sem afiliação institucional;
• Participantes podiam se retirar de sessões em que não se sentissem confortáveis;
• Fotografia de outros participantes era proibida sem consentimento;
• Respeito mútuo e postura aberta eram requisito para participação. [§ p.4]

Resumo do Workshop

Visão Geral da Agenda

O evento iniciou com um encontro informal de networking na noite de 4 de agosto de 2025. Na manhã de 5 de agosto, a programação incluiu boas-vindas, apresentações dos participantes e uma palestra magna sobre a importância de bons dados de UAP, seguida da primeira sessão de grupos (breakout session). [§ p.4]

A tarde do Dia 1 incluiu uma palestra plenária, o primeiro painel — "Oportunidades e Desafios com IA" — e a segunda sessão de grupos. O Dia 2 começou com segunda palestra plenária e painel "Harmonizando Perspectivas Qualitativas e Quantitativas sobre Dados Narrativos". Após o almoço, foram realizadas apresentações relâmpago (lightning talks) antes da terceira e última sessão de grupos. [§ p.5]

Durante todo o evento, a equipe organizadora coletou anotações, posteriormente transcritas e anonimizadas. Moderadores e anotadores designados garantiram registro robusto das discussões. [§ p.5]

Resumos das Sessões de Grupos

Sessão de Grupos #1: Identificando, Acessando e Integrando Fontes de Dados [DIA 1]

A primeira sessão abordou desafios centrais da pesquisa de UAP. As discussões revelaram o panorama dos dados de UAP como um mosaico de arquivos históricos de casos, relatos narrativos contemporâneos, dados baseados em sensores (radar, imagens, dados de voo) e conjuntos de dados ambientais e contextuais (meteorologia, astronomia, sismologia). [§ p.5]

Os participantes demonstraram entusiasmo com o potencial de vincular essas fontes díspares, mas reconheceram as barreiras impostas por: inconsistência nos metadados; restrições de classificação sigilosa; registros ausentes ou inacessíveis; e estigma em torno do relato de UAP. Os grupos convergiram para a perspectiva de que, com padrões claros, projetos-piloto de integração e colaboração intencional entre organizações, é possível criar conjuntos de dados interoperáveis e compartilháveis. [§ p.5]

Sessão de Grupos #2: Caminhos para Análise e Interpretação de Dados em Escala [DIA 1]

A segunda sessão explorou métodos e limitações para análise de dados narrativos de UAP. Os participantes debateram a tensão entre extrair sinais operacionalmente úteis e preservar a riqueza experiencial, cultural e histórica dos relatos. [§ p.5]

O consenso geral foi que narrativas de UAP não podem ser reduzidas a uma única abordagem analítica:

• Métodos em nível de corpus (agrupamento temporal/espacial, tendências de palavras-chave, correlação estatística, análise de grafos) são úteis para detecção de padrões e geração de hipóteses;
• Métodos narrativos/experienciais (fenomenologia, análise do discurso) são úteis para preservar significado, contexto cultural e as vozes das testemunhas.

As infraestruturas devem permitir que esses modos coexistam. [§ p.5]

Sessão de Grupos #3: Limpeza, Organização e Vinculação de Dados [DIA 2]

A terceira sessão analisou a estrutura de um formulário hipotético de registro online que coletou 1.000 relatos de UAP armazenados como PDFs. O objetivo foi identificar possibilidades de análise e melhorias no formulário. As sugestões resultantes foram organizadas em seis categorias: [§ p.5–6]

1. Fluxo e estrutura de entrada:

• Iniciar com campo de texto livre (e opção de upload de áudio) onde a testemunha relata com suas próprias palavras; usar extração assistida por IA para propor campos estruturados, que a testemunha pode confirmar ou corrigir;
• Formular perguntas em torno do que foi percebido (tamanho angular, forma, movimento, som, efeitos) em vez de propriedades presumidas (distância exata, dimensões do objeto). [§ p.6]

2. Adições ao formulário:

• Solicitar à testemunha que explique como estimou tamanho, distância ou velocidade;
• Capturar se o evento já ocorreu antes e com que frequência;
• Substituir "avistamento em massa: sim/não" por número aproximado de testemunhas;
• Incluir campo sobre se o objeto pareceu reagir à presença do observador;
• Adicionar exemplos de efeitos tecnológicos (ex.: estática de rádio, falha em veículos) e perguntas básicas sobre sensações ou efeitos posteriores;
• Ingerir e exibir automaticamente metadados de fotos (modelo da câmera, data/hora, localização), com opção de redigir campos sensíveis. [§ p.6]

3. Padronização e limpeza:

• Aceitar informações de localização em múltiplos formatos (cidade/endereço/CEP/lat-long) com normalização no backend;
• Impor formato único para datas e horários;
• Permitir múltiplas unidades (imperial/métrico), convertendo e armazenando consistentemente;
• Incluir campos numéricos estruturados para contagem de objetos. [§ p.6]

4. Considerações taxonômicas:

• Fornecer taxonomia concisa de formas comuns (disco, esfera, triângulo, charuto, "outro"), permitindo texto livre para formas incomuns;
• Atualizar referências descritivas para familiaridade cultural e internacionalizar/traduzir formulários. [§ p.6]

5. Integração e vinculação:

• Incluir campo para indicar se o evento foi registrado em outro lugar (NUFORC, MUFON, FAA, etc.);
• Projetar o esquema para que os relatos possam ser vinculados a dados do Sistema de Relato de Segurança da Aviação FAA/NASA (ASRS), rastreamentos de voo ADS-B (Automatic Dependent Surveillance-Broadcast), radar meteorológico, bancos de dados astronômicos, redes de bolas de fogo, etc.;
• Habilitar acompanhamentos dinâmicos para múltiplos objetos, múltiplas testemunhas ou eventos sequenciais. [§ p.7]

6. Governança e confiança:

• Oferecer aos relatores controle claro sobre quais informações são compartilhadas publicamente;
• Comprometer-se com publicações de dados agregados e desidentificados para construir confiança sem incentivar fraudes;
• Incluir perguntas leves sobre bem-estar, para identificar se os respondentes desejam acompanhamento profissional ou por pares. [§ p.7]

Resultados e Recomendações

Síntese dos Achados

Tipos e fontes relevantes de dados narrativos de UAP

Os participantes enfatizaram que a pesquisa de UAP requer um ecossistema diversificado de dados, além do depoimento de testemunhas. Relatos narrativos primários em formatos que vão de PDFs e CSVs a e-mails e histórias orais permanecem centrais. Fontes governamentais tratam registros classificados e não classificados, incluindo documentos históricos e inteligência finalizada. Relatórios militares e diários de bordo de navios são particularmente robustos. [§ p.7]

Outros fluxos de dados incluem postagens em redes sociais (frequentemente multimodais), bancos de dados de parceiros internacionais e dados técnicos ou científicos estruturados, como radar ou análises de espectro. Dados contextuais complementares também são críticos: registros de voo e meteorológicos, dados sismológicos, imagens de satélite e até câmeras de campainha ou circuitos fechados de TV (CCTV) podem corroborar avistamentos. [§ p.7]

Barreiras e desafios na coleta e uso de dados

Apesar das muitas fontes potenciais, obstáculos significativos persistem:

• O acesso a dados de redes sociais tornou-se mais restrito por políticas de licenciamento corporativo;
• A classificação sigilosa permanece barreira dominante: dados substanciais de UAP podem ser capturados por sensores classificados, tornando-os inacessíveis até eventual desclassificação;
• Barreiras de idioma e tradução afetam sistemas humanos e automatizados, especialmente em idiomas de baixo recurso computacional;
• O estigma no relato, particularmente entre pilotos, compromete a pontualidade e completude dos dados;
• A falta de formatos padronizados entre agências fragmenta ainda mais o panorama;
• Sensibilidade temporal e políticas fracas de retenção levaram à perda de registros críticos, como no conhecido caso Nimitz;
• Dados mais antigos são difíceis de digitalizar; escrita cursiva resiste a sistemas de Reconhecimento Ótico de Caracteres (OCR); projetos de transcrição colaborativa (crowdsourced) sofrem com saídas de baixa qualidade, recentemente agravadas pelo mau uso de IA generativa;
• O campo deve enfrentar dados falsos e desinformação, incluindo fotos e vídeos gerados por IA. [§ p.7–8]

Metadados e contexto para usabilidade e análise

O uso eficaz de dados de UAP requer metadados contextuais ricos. Todo relato deve idealmente conter data, hora e localização, de preferência com precisão geoespacial. É fundamental distinguir entre:

• Metadados descritivos (características objetivas como morfologia ou faixa de frequência);
• Metadados interpretativos (efeitos subjetivos ou significado experiencial).

A proveniência (cadeia de custódia e fonte dos dados) é essencial para garantir interpretabilidade e confiança. Para evidências visuais, metadados como tipo de dispositivo e geotags incorporadas permitem validação cruzada com fatos relatados. [§ p.8]

Vinculação de fontes de dados e desenvolvimento de abordagem unificada

Diante da natureza fragmentada dos dados de UAP, os participantes defenderam projetos de integração em escala-piloto como ponto de partida. O estabelecimento de terminologia comum e dicionários de dados é importante para harmonizar conjuntos de dados entre agências e disciplinas. Padrões de metadados modulares e extensíveis podem levar a um ecossistema componível, implementado por meio de modelos padronizados, Documentos de Controle de Interface (ICDs) ou APIs. [§ p.8]

Alguma forma de governança estabelecida é necessária para facilitar o gerenciamento de dados e o acesso dos pesquisadores, aliviando silos interagências. Dados não classificados devem ser disponibilizados para a academia, enquanto material sensível deve permanecer protegido. Lições de outras áreas — como genética e astronomia — foram citadas como modelos para o desenvolvimento de padrões de metadados interoperáveis e abordagens orientadas por ontologia. [§ p.8]

Avaliação de credibilidade e qualidade dos relatos

Os participantes destacaram a importância da confiabilidade dos sensores, observando que a percepção humana é falível. O estabelecimento de exemplares padrão ouro de relatórios de alta qualidade poderia orientar a coleta e análise futuras. A triagem semiautomática, assistida por IA, oferece promessa para filtrar conjuntos de dados massivos e identificar casos com explicações convencionais prováveis, bem como casos de potencial interesse — mas a supervisão humana permanece indispensável. [§ p.8–9]

Entrevistas e triagem psicológica de testemunhas foram apresentadas como exemplo de avaliação de motivações e redução de relatos falsos, embora se reconheça a dificuldade de implementação em escala. Vieses em favor de certas profissões (pilotos, policiais) devem ser reconhecidos, em função do treinamento e habilidades observacionais aprimorados dessas categorias. Uma abordagem fenomenológica — análise qualitativa de indicadores de experiências vividas — foi recomendada como complemento aos métodos quantitativos. [§ p.9]

IA e métodos analíticos

A IA oferece oportunidades para reconhecimento de padrões, geração de hipóteses e ganhos de eficiência na análise de texto e dados multimodais em larga escala. Técnicas como busca semântica, agrupamento (clustering) e modelagem multimodal (por exemplo, combinando sinais acústicos e infravermelhos) podem ajudar a identificar anomalias. A IA também é valiosa para tarefas rotineiras, como extração de datas ou locais de texto não estruturado, ou triagem de prováveis identificações equivocadas. [§ p.9]

No entanto, há riscos associados à IA:

• Alucinação (geração de conclusões convincentes, mas falsas) permanece preocupação central;
• A análise por IA é tão confiável quanto a qualidade de sua entrada — princípio do "lixo entra, lixo sai";
• LLMs já são influenciados por conteúdo cultural relacionado a OVNIs, potencialmente distorcendo análises;
• Conjuntos de dados pequenos limitam o treinamento de modelos, embora modelos pré-treinados possam ser reaproveitados.

As melhores práticas envolvem colaboração humano-IA iterativa, onde algoritmos fornecem análise preliminar verificada, corrigida e enriquecida por pesquisadores humanos. Abordagens de conjunto (ensemble), aproveitando múltiplos modelos, podem reduzir taxas de erro. [§ p.9]

Estratégia prospectiva e considerações-chave

O grupo enfatizou a necessidade de uma infraestrutura de pesquisa prospectiva que integre coleta proativa de dados, padrões robustos de metadados e colaboração interdisciplinar. Alguns argumentaram por foco em coleta de dados novos e de maior qualidade; outros defenderam investimento contínuo em dados históricos para preservar seu valor potencial. [§ p.9]

Prioridades futuras de infraestrutura incluem: solução unificada de segurança para gerenciar dados classificados e não classificados; design aprimorado de questionários para relatos de testemunhas; e sistemas de benchmarking para rastrear desempenho analítico ao longo do tempo. Mesmo relatórios de "baixa qualidade" ou estigmatizados não devem ser descartados, mas disponibilizados para diversas linhas de investigação e reutilização de dados. [§ p.9]

Os participantes destacaram ainda a necessidade de engajamento cidadão e responsabilidade ética. Colaboradores públicos devem ser incorporados a estratégias coerentes de coleta de dados e pesquisa com engajamento comunitário. Pesquisadores devem permanecer vigilantes quanto aos riscos de desinformação, alucinação por IA e injustiça epistêmica. [§ p.9]

Próximos Passos Recomendados

Para avançar o estudo sistemático de relatos de UAP e maximizar o valor dos dados narrativos, as seguintes ações devem ser priorizadas [§ p.10]:

• Desenvolver modelos padronizados de metadados. Metadados padronizados devem capturar informações contextuais essenciais, permitindo interoperabilidade entre agências e grupos de pesquisa. Mapeamentos cruzados entre esquemas existentes ajudarão a superar diferenças disciplinares e organizacionais.

• Adotar abordagem híbrida em que expertise qualitativa e supervisão humana complementem a IA. Métodos de IA podem ser úteis para filtragem, transcrição e detecção de padrões, mas infraestruturas com humano no circuito (human-in-the-loop) são essenciais para reduzir viés e garantir precisão contextual.

• Evitar "reinventar a roda". Ferramentas e padrões podem ser adaptados de outras áreas científicas, como genética, astronomia e arquivos digitais, incluindo padrões de metadados modulares, APIs e modelos de ciência cidadã.

• Criar sistemas de triagem de relatos. Relatórios podem ser categorizados com base em credibilidade, riqueza de detalhes e fluxos de dados corroborativos para eficiência investigativa. Reconhecer potenciais vieses na ponderação de fontes profissionais/treinadas.

• Capturar o significado e o contexto dos relatos. Expertise e métodos das ciências sociais devem ser implementados paralelamente às abordagens quantitativas, podendo incluir entrevistas estruturadas, histórias orais e codificação fenomenológica.

• Continuar preservando e digitalizando relatos históricos. A coleta de dados novos de alta qualidade deve ser priorizada, mas sem abandonar registros históricos potencialmente valiosos.

• Aprimorar portais públicos de relato. Colaboração interorganizacional pode equilibrar participação aberta com salvaguardas contra fraudes e desinformação, com recursos como questões narrativas e estruturadas, metadados opcionais e opções de "recusar responder".

• Convocar workshops adicionais e oportunidades colaborativas. Identificou-se forte necessidade de continuar moldando estruturas de governança, padronizando práticas e construindo uma comunidade de prática interdisciplinar.

Apêndices

Apêndice A: Carta de Convite [§ p.11–12]

A carta de convite descreveu o workshop como evento presencial de dois dias na área de Washington, D.C., construindo sobre workshop anterior financiado pela NSF em 2024 — "Fenômenos Aéreos Não Identificados (UAP): Um Diálogo sobre Ciência, Engajamento Público e Comunicação". A nova colaboração entre o AARO, a Associated Universities, Inc. (AUI) e a Florida State University (FSU) organizou o evento sobre dados narrativos. Os organizadores cobriram hospedagem e a maioria das refeições, mas não puderam compensar custos de viagem.

Apêndice B: Diretrizes de Conduta [§ p.13]

O foco do workshop foi declarado explicitamente como dados de UAP — e não a natureza ou origem dos UAP. As diretrizes enfatizaram que tornar algo "tabu" ou dispensar as observações de outros cria abertura para desinformação. Os participantes foram convidados a se abster de fotografar outros participantes, a obter permissão antes de atribuir declarações a indivíduos, e a manter postura profissional e respeitosa. As sessões de grupos foram gravadas para transcrição, com dados identificáveis removidos posteriormente e gravações destruídas após verificação.

Apêndice C: Agenda do Workshop [§ p.14]

4 de agosto (pré-workshop): Networking social das 19h às 21h.

5 de agosto (Dia 1): Boas-vindas e apresentações (9h–9h30); palestra magna (9h30–10h45); Sessão de Grupos #1 (11h–12h); Plenária #1 (13h15–14h15); Painel #1 (15h45–16h45); Sessão de Grupos #2 (16h45–17h45).

6 de agosto (Dia 2): Plenária #2 (9h–10h); Apresentações relâmpago #1 (10h–10h30); Painel #2 (10h45–11h45); Apresentações relâmpago #2 (13h–14h10); Sessão de Grupos #3 (14h30–15h30); Discussão geral e encerramento (15h45–16h).

Apêndice D: Perguntas Norteadoras das Sessões de Grupos [§ p.15–16]

Sessão #1 focou em: tipos e fontes relevantes de dados narrativos de UAP; barreiras de acesso; metadados necessários; vinculação responsável de fontes; fontes corroborativas; e avaliação de credibilidade.

Sessão #2 focou em: métodos analíticos mais adequados; combinação de dados estruturados e não estruturados; identificação e interpretação ética de padrões; papel da IA versus interpretação humana; e prioridades para infraestrutura futura de análise.

Sessão #3 utilizou cenário de agência hipotética que lançou ferramenta online de relato de UAP, coletando mais de 1.000 relatos em PDF. As perguntas norteadoras abordaram: o que mudar no formulário de coleta; o que pode ser feito com o conjunto de dados; técnicas de limpeza aplicáveis; e como vincular o conjunto a outros bancos de dados, incluindo os de organizações não governamentais.