Questão de Engenharia de Software — Inteligencia Artificial — FGV 2026
Engenharia de Software›Inteligencia Artificial
Código
fg126959
Banca
FGV
Órgão
AL-RO
Ano
2026
Nível
Superior
Cargo
Analista Legislativo (Engenharia de Computação)
Após treinar um modelo de Deep Learning para classificar documentos sigilosos versus documentos públicos, o Engenheiro da Computação precisa avaliar o desempenho do modelo. O custo de classificar erroneamente um documento sigiloso como público (Falso Negativo) é muito maior do que o custo de classificar um documento público como sigiloso (Falso Positivo).A métrica de classificação mais crítica a ser maximizada nesse cenário de alto custo de Falsos Negativos é a(o)
AAccuracy.
BRecall.
CEspecificidade.
DF1-Score.
EPrecision.
Revelar gabarito e comentário▾
GabaritoB — Recall.
Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Métricas de Classificação – Sensibilidade (Recall)
Gabarito: letra B. Quando o custo de um Falso Negativo (classificar sigiloso como público) é muito maior que o de um Falso Positivo, a métrica que se deve maximizar é o Recall (também chamado de Sensibilidade ou True Positive Rate). O Recall mede a proporção de positivos reais que foram corretamente identificados, sendo diretamente sensível aos falsos negativos.
A questão testa o conhecimento sobre o trade-off entre as métricas derivadas da matriz de confusão, em especial a escolha da métrica conforme o custo associado a cada tipo de erro.
Real: Público
Real: Sigiloso
Previsto: Público
Verdadeiro Negativo
Falso Negativo
Previsto: Sigiloso
Falso Positivo
Verdadeiro Positivo
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
Accuracy (acurácia) mede a proporção geral de acertos (verdadeiros positivos + verdadeiros negativos sobre total). Em problemas com desbalanceamento de classes ou custos assimétricos, a acurácia pode ser enganosa; ela não prioriza a minimização de falsos negativos.
Alternativa B — ✅ Correta ⟵ GABARITO
Recall = VP / (VP + FN). Maximizar o recall equivale a reduzir os falsos negativos, exatamente o que o cenário exige. É a métrica mais crítica quando o custo de deixar de detectar um positivo é alto.
Alternativa C — ❌ Incorreta
Especificidade (True Negative Rate) = VN / (VN + FP). Ela mede a capacidade de evitar falsos positivos, o oposto do que se deseja. De nada adianta maximizar a especificidade se muitos documentos sigilosos forem classificados como públicos (falsos negativos).
Alternativa D — ❌ Incorreta
F1-Score é a média harmônica entre precisão e recall. Embora seja útil quando se busca um equilíbrio entre as duas, não é a métrica mais crítica quando um dos dois erros é muito mais custoso. O enunciado ordena priorizar a redução dos falsos negativos, o que aponta diretamente para o recall.
Alternativa E — ❌ Incorreta
Precision (precisão) = VP / (VP + FP). Ela foca na minimização dos falsos positivos (classificar público como sigiloso). Isso é o contrário do que se pede; a preocupação central são os falsos negativos.
NÃO CAIA NESSA!
Muitos candidatos confundem Precision e Recall ou optam pelo F1-Score por parecer uma medida “completa”. A chave é atentar para o custo assimétrico: se falsos negativos são mais caros, a métrica a maximizar é o Recall.
PEGA ESSA DICA!
Na hora da prova, desenhe rapidamente a matriz de confusão e identifique qual métrica cada erro afeta. FN afeta Recall; FP afeta Precision. Associe o custo elevado à métrica correspondente.