Hierarquia DIKW - Wikipédia, a enciclopédia livre

Hierarquia DIKW - Wikipédia, a enciclopédia livre: "Hierarquia DIKW
Origem: Wikipédia, a enciclopédia livre.
Ir para: navegação, pesquisa

DIKW é uma hierarquia informacional utilizada principalmente nos campos da Ciência da Informação e da Gestão do Conhecimento, onde cada camada acrescenta certos atributos sobre a anterior.

[editar] Características

Os seus componentes, em ordem crescente de importância e normalmente dispostos em um sistema de coordenadas cartesianas, são os seguintes:

* Dados (Data) é o nível mais básico;
* Informação (Information) acrescenta contexto e significado aos dados;
* Conhecimento (Knowledge) acrescenta a forma como usar adequadamente a informação;
* Sabedoria (Wisdow) acrescenta o entendimento de quando utilizá-los.

Desta forma, a hierarquia DIKW é um modelo teórico que se mostra útil na análise e no entendimento da importância e limites das atividades dos trabalhadores do conhecimento.

[editar] Ligações externas

* Data, Information, Knowledge, and Wisdom (em inglês)"

Artigos sobre DIKW

DIKW - Wikipedia, the free encyclopedia

DIKW - Wikipedia, the free encyclopedia: "The 'DIKW Hierarchy', also known variously as the 'Wisdom Hierarchy', the 'Knowledge Hierarchy', the 'Information Hierarchy', and the 'Knowledge Pyramid'[1], refers loosely to a class of models[2] for representing purported structural and/or functional relationships between data, information, knowledge, and wisdom. 'Typically information is defined in terms of data, knowledge in terms of information, and wisdom in terms of knowledge'[1].

Not all versions of the DIKW model reference all four components (earlier versions not including data, later versions omitting or downplaying wisdom), and some include additional components. In addition to a hierarchy and a pyramid, the DIKW model has also been characterized as a chain[3][4], as a framework [5], and as a continuum[6].
Contents
[hide]

* 1 History
o 1.1 Information, Knowledge, Wisdom
o 1.2 Data, Information, Knowledge, Wisdom
o 1.3 Data, Information, Knowledge
* 2 Description
* 3 Data
o 3.1 Data as Fact
o 3.2 Data as Signal
o 3.3 Data as Symbol
* 4 Information
o 4.1 Structural vs. Functional
o 4.2 Symbolic vs. Subjective
* 5 Knowledge
o 5.1 Knowledge as Processed
o 5.2 Knowledge as Procedural
o 5.3 Knowledge as Propositional
* 6 Wisdom
* 7 Representations
* 8 Criticisms
* 9 References

[edit] History

'The presentation of the relationships among data, information, knowledge, and sometimes wisdom in a hierarchical arrangement has been part of the language of information science for many years. Although it is uncertain when and by whom those relationships were first presented, the ubiquity of the notion of a hierarchy in embedded in the use of the acronym DIKW as a shorthand representation for the data-to-information-to-knowledge-to-wisdom transformation.'[7]

[edit] Information, Knowledge, Wisdom

Educator Danny P. Wallace traces the earliest conception of a hierarchy involving knowledge and wisdom to 1927 and 1941, in early works of American philosopher Mortimer Adler, later to be formalized as 'goods of the mind'[7], in 1970--'knowledge, understanding, prudence, and even a modicum of wisdom'[8]--and later revised, in 1986, as follows: 'As health, strength, vigor and vitality are bodily goods, so information, knowledge, understanding and wisdom are goods of the mind - goods that acquired, perfect it.'[9]

The earliest formalized distinction between wisdom, knowledge, and information may have been made by poet and playwright T.S. Eliot[10][11]:

Where is the Life we have lost in living?
Where is the wisdom we have lost in knowledge?
Where is the knowledge we have lost in information?

-- from T.S. Eliot, 'Choruses from 'The Rock''

Nearly half a century later, American composer Frank Zappa articulated an extended version of the information-knowledge-wisdom hierarchy[12]:

Information is not knowledge,
Knowledge is not wisdom,
Wisdom is not truth,
Truth is not beauty,
Beauty is not love,
Love is not music,
and Music is THE BEST.

-- from Frank Zappa, 'Packard Goose'

Thereafter, American author and educator Harlan Cleveland cited to Eliot in his 1982 article discussing the hierarchy.[13][7]

[edit] Data, Information, Knowledge, Wisdom

Other early versions (prior to 1982) of the hierarchy that refer to a data tier include those of Chinese-American geographer Yi-Fu Tuan[13][verification needed][14] and sociologist-historian Daniel Bell.[13][verification needed][14]. In 1980, Irish-born engineer Mike Cooley invoked the same hierarchy in his critique of automation and computerization, in his book Architect or Bee?: The Human / Technology Relationship.[15][verification needed][14]

Thereafter, in 1987, Checkoslovakian-born educator Milan Zeleny mapped the elements of the hierarchy to knowledge forms: know-nothing, know-what, know-how, and know-why.[16][verification needed] Zeleny 'has frequently been credited with proposing the [representation of DIKW as a pyramid]...although he actually made no reference to any such graphical model.'[7]

The hierarchy appears again in a 1988 address to the International Society for General Systems Research, by American organizational theorist Russell Ackoff, published in 1989.[17]. Subsequent authors and textbooks cite Ackoff's as the 'original articulation'[1] of the hierarchy or otherwise credit Ackoff with its proposal[18]. Ackoff's version of the model includes an understanding tier (as Adler had, before him[8][9][7]), interposed between knowledge and wisdom. Although Ackoff did not present the hierarchy graphically, he has also been credited with its representation as a pyramid.[17][7].

In the same year as Ackoff presented his address, information scientist Anthony Debons and colleagues introduced an extended hierarchy, with 'events', 'symbols', and 'rules and formulations' tiers ahead of data.[19][7].

[edit] Data, Information, Knowledge

In 1955, English-American economist and educator Kenneth Boulding presented a variation on the hierarchy consisting of 'signals, messages, information, and knowledge'.[20][7]. However, '[t]he first author to distinguish among data, information, and knowledge and to also employ the term 'knowledge management' may have been American educator Nicholas L. Henry'[7], in a 1974 journal article[21].

Jennifer Rowley notes that there is 'little reference to wisdom' in discussion of the DIKW in recently published college textbooks[1], and does not include wisdom in her own definitions following that research[18]. Meanwhile, Zins's extensive analysis of the conceptualizations of data, information, and knowledge, in his recent research study, makes no explicit commentary on wisdom[2], although some of the citations included by Zins do make mention of the term[22][23][24].

[edit] Description

The DIKW model 'is often quoted, or used implicitly, in definitions of data, information and knowledge in the information management, information systems and knowledge management literatures, but there has been limited direct discussion of the hierarchy'[1]. Reviews of textbooks[1] and a survey of scholars in relevant fields[2] indicate that there is not a consensus as to definitions used in the model, and even less 'in the description of the processes that transform elements lower in the hierarchy into those above them'[1][25].

This has led Israeli researcher Chaim Zins to suggest that the data–information–knowledge components of DIKW refer to a class of no less than five models, as a function of whether data, information, and knowledge are each conceived of as subjective, objective (what Zins terms, 'universal' or 'collective') or both. In Zins's usage, subjective and objective 'are not related to arbitrariness and truthfulness, which are usually attached to the concepts of subjective knowledge and objective knowledge'. Information science, Zins argues, studies data and information, but not knowledge, as knowledge is an internal (subjective) rather than an external (universal–collective) phenomenon.[2]

[edit] Data

In the context of DIKW, data is conceived of as symbols or signs, representing stimuli or signals[2], that are 'of no use until...in a usable (that is, relevant) form'[18]. Zeleny characterized this non-usable characteristic of data as 'know-nothing'[16][verification needed][14].

In some cases, data is understood to refer not only to symbols, but also to signals or stimuli referred to by said symbols--what Zins terms subjective data.[2] Where universal data, for Zins, are 'the product of observation'[18] (italics in original), subjective data are the observations. This distinct is often obscured in definitions of data in terms of 'facts'.

[edit] Data as Fact

Rowley, following her study of DIKW definitions given in textbooks[1], characterizes data 'as being discrete, objective facts or observations, which are unorganized and unprocessed and therefore have no meaning or value because of lack of context and interpretation.'[18] In Henry's early formulation of the hierarchy, data was simply defined as 'merely raw facts'.[21], while two recent texts define data as 'chunks of facts about the state of the world'[26] and 'material facts'[27], respectively.[7] Cleveland does not include an explicit data tier, but defines information as 'the sum total of...facts and ideas'.[13][7]

Insofar as facts have as a fundamental property that they are true, have objective reality, or otherwise can be verified, such definitions would preclude false, meaningless, and nonsensical data from the DIKW model, such that the principle of Garbage In, Garbage Out would not be accounted for under DIKW.

[edit] Data as Signal

In the subjective domain, data are conceived of as 'sensory stimuli, which we perceive through our senses'[2], or 'signal readings', including 'sensor and/or sensory readings of light, sound, smell, taste, and touch'[25]. Others have argued that what Zins calls subjective data actually count as a 'signal' tier (as had Boulding[20][7]), which precedes data in the DIKW chain.[6]

American information scientist Glynn Harmon defines data as 'one or more kinds of energy waves or particles (light, heat, sound, force, electromagnetic) selected by a conscious organism or intelligent agent on the basis of a preexisting frame or inferential mechanism in the organism or agent.'[28]

The meaning of sensory stimuli may also be thought of as subjective data:

Information is the meaning of these sensory stimuli (i.e., the empirical perception). For example, the noises that I hear are data. The meaning of these noises (e.g., a running car engine) is information. Still, there is another alternative as to how to define these two concepts— which seems even better. Data are sense stimuli, or their meaning (i.e., the empirical perception). Accordingly, in the example above, the loud noises, as well as the perception of a running car engine, are data.[2] (Italics added. Bold in original)

Subjective data, if understood in this way, would be comparable to knowledge by acquaintance, in that it is based on direct experience of stimuli. However, unlike knowledge by acquaintance, as described by Bertrand Russell and others, the subjective domain is 'not related to...truthfulness'.[2]

Whether Zins' alternate definition would hold would be a function of whether 'the running of a car engine' is understood as an objective fact or as a contextual interpretation.

[edit] Data as Symbol

Whether the DIKW definition of data is deemed to include Zins's subjective data (with or without meaning), data is consistently defined to include 'symbols'[17][29], or 'sets of signs that represent empirical stimuli or perceptions'[2], of 'a property of an object, an event or of their environment'[18]. Data, in this sense, are 'recorded (captured or stored) symbols', including 'words (text and/or verbal), numbers, diagrams, and images (still &/or video), which are the building blocks of communication', the purpose of which 'is to record activities or situations, to attempt to capture the true picture or real event,' such that 'all data are historical, unless used for illustrative purposes, such as forecasting.'[25]

Boulding's version of DIKW explicitly named the level below the information tier message, distinguishing it from an underlying signal tier.[20][7] Debons and colleagues reverse this relationship, identifying an explicit symbol tier as one of several levels underlying data.[19][7].

Zins determined that, for most of those surveyed, data 'are characterized as phenomena in the universal domain'. 'Apparently,' clarifies Zins, 'it is more useful to relate to the data, information, and knowledge as sets of signs rather than as meaning and its building blocks'.[2]

[edit] Information

In the context of DIKW, information meets the definition for knowledge by description ('information is contained in descriptions[18] [Italics in original]), and is differentiated from data in that it is 'useful'. 'Information is inferred from data'[18], in the process of answering interrogative questions (e.g., 'who', 'what', 'where', 'how many', 'when')[17][18], thereby making the data useful[29] for 'decisions and/or action'[25]. 'Classically,' states a recent text, 'information is defined as data that are endowed with meaning and purpose.'[26][7]

[edit] Structural vs. Functional

Rowley, following her review of how DIKW is presented in textbooks[1], describes information as 'organized or structured data, which has been processed in such a way that the information now has relevance for a specific purpose or context, and is therefore meaningful, valuable, useful and relevant.' Note that this definition contrasts with Rowley's characterization of Ackoff's definitions, wherein '[t]he difference between data and information is structural, not functional.'[18]

In his formulation of the hierarchy, Henry defined information as 'data that changes us'[21][7], this being a functional, rather than structural, distinction between data and information. Meanwhile, Cleveland, who did not refer to a data level in his version of DIKW, described information as 'the sum total of all the facts and ideas that are available to be known by somebody at a given moment in time'.[13][7]

American educator Bob Boiko is more obscure, defining information only as 'matter-of-fact'.[27][7].

[edit] Symbolic vs. Subjective

Information may be conceived of in DIKW models as: (i) universal, existing as symbols and signs; (ii) subjective, the meaning to which symbols attach; or (iii) both.[2]. Examples of information as both symbol and meaning include:

* American information scientist Anthony Debons's characterization of information as representing 'a state of awareness (consciousness) and the physical manifestations they form', such that '[i]nformation, as a phenomena, represents both a process and a product; a cognitive/affective state, and the physical counterpart (product of) the cognitive/affective state.'[30]
* Danish information scientist Hanne Albrechtsen's description of information as 'related to meaning or human intention', either as 'the contents of databases, the web, etc.' (italics added) or 'the meaning of statements as they are intended by the speaker/writer and understood/misunderstood by the listener/reader.'[31]

Zeleny formerly described information as 'know-what'[16][citation needed], but has since refined this to differentiate between 'what to have or to possess' (information) and 'what to do, act or carry out' (wisdom). To this conceptualization of information, he also adds 'why is', as distinct from 'why do' (another aspect of wisdom). Zeleny further argues that there is no such thing as explicit knowledge, but rather that knowledge, once made explicit in symbolic form, becomes information.[3]

[edit] Knowledge

The knowledge component of DIKW 'is generally agreed to be an elusive concept which is difficult to define. Knowledge is typically defined with reference to information.'[18] Definitions may refer to information having been processed, organized or structured in some way, or else as being applied or put into action.

Zins has suggested that knowledge, being subjective rather than universal, is not the subject of study in information science, and that it is often defined in propositional terms[2], while Zeleny has asserted that to capture knowledge in symbolic form is to make it into information, i.e., that 'All knowledge is tacit'[3].

'One of the most frequently quoted definitions'[7] of knowledge captures some of the various ways in which it has been defined by others:

Knowledge is a fluid mix of framed experience, values, contextual information, expert insight and grounded intuition that provides an environment and framework for evaluating and incorporating new experiences and information. It originates and is applied in the minds of knowers. In organizations it often becomes embedded not only in documents and repositories but also in organizational routines, processes, practices and norms.[32][7]

[edit] Knowledge as Processed

Mirroring the description of information as 'organized or structured data', knowledge is sometimes described as:

* 'synthesis of multiple sources of information over time'
* 'organization and processing to convey understanding, experience [and] accumulated learning'
* 'a mix of contextual information, values, experience and rules'[18]

One of Boulding's definitions for knowledge had been 'a mental structure'[20][7] and Cleveland described knowledge as 'the result of somebody applying the refiner's fire to [information], selecting and organizing what is useful to somebody'[13][7]. A recent text describes knowledge as 'information connected in relationships'.[26][7].

[edit] Knowledge as Procedural

Zeleny defines knowledge as 'know-how'[16][3] (i.e., procedural knowledge), and also 'know-who' and 'know-when', each gained through 'practical experience'[3] . 'Knowledge...brings forth from the background of experience a coherent and self-consistent set of coordinated actions.'[16][7]. Further, implicitly holding information as descriptive, Zeleny declares that 'Knowledge is action, not a description of action.'[3]

Ackoff, likewise, described knowledge as the 'application of data and information', which 'answers 'how' questions'[17][verification needed][29], that is, 'know-how'.[18].

Meanwhile, textbooks discussing DIKW have been found to describe knowledge variously in terms of experience, skill, expertise or capability:

* 'study and experience'
* 'a mix of contextual information, expert opinion, skills and experience'
* 'information combined with understanding and capability'
* 'perception, skills, training, common sense and experience'[18].

Businessmen James Chisholm and Greg Warman characterize knowledge simply as 'doing things right'.[5]

[edit] Knowledge as Propositional

Knowledge is sometimes described as 'belief structuring' and 'internalization with reference to cognitive fameworks'[18]. One definition given by Boulding for knowledge was 'the subjective 'perception of the world and one's place in it''[20][7], while Zeleny's said that knowledge 'should refer to an observer's distinction of 'objects' (wholes, unities)'[16][7].

Zins, likewise, found that knowledge is described in propositional terms, as justifiable beliefs (subjective domain, akin to tacit knowledge), and sometimes also as signs that represent such beliefs (universal/collective domain, akin to explicit knowledge). Zeleny has rejected the idea of explicit knowledge (as in Zins' universal knowledge), arguing that once made symbolic, knowledge becomes information.[3] Boiko appears to echo this sentiment, in his claim that 'knowledge and wisdom can be information'.[27][7].

In the subjective domain:

Knowledge is a thought in the individual’s mind, which is characterized by the individual’s justifiable belief that it is true. It can be empirical and non-empirical, as in the case of logical and mathematical knowledge (e.g., 'every triangle has three sides'), religious knowledge (e.g., 'God exists'), philosophical knowledge (e.g., 'Cogito ergo sum'), and the like. Note that knowledge is the content of a thought in the individual’s mind, which is characterized by the individual’s justifiable belief that it is true, while “knowing” is a state of mind which is characterized by the three conditions: (1) the individual believe[s] that it is true, (2) S/he can justify it, and (3) It is true, or it [appears] to be true.[2](Italics added. Bold in original)

The distinction here between subjective knowledge and subjective information is that subjective knowledge is characterized by justifiable belief, where subjective information is a type of knowledge concerning the meaning of data.

Boiko implied that knowledge was both open to discourse and justification, when he defined knowledge as 'a matter of dispute'.[27][7].

[edit] Wisdom

Although commonly included as a level in DIKW, 'there is limited reference to wisdom'[1] in discussions of the model. Boiko appears to have dismissed wisdom, characterizing it as 'non-material'.[27][7]

Zeleny described wisdom as 'know-why'[16], but later refined his definitions, so as to differentiate 'why do' (wisdom) from 'why is' (information), and expanding his definition to include a form of know-what ('what to do, act or carry out')[3]. According to University of Michigan Ph.D. candidate Nikhil Sharma, Zeleny has argued for a tier to the model beyond wisdom, termed 'enlightenment'[14].

Ackoff refers to understanding as an 'appreciation of 'why'', and wisdom as 'evaluated understanding', where understanding is posited as a discrete layer between knowledge and wisdom[17][7][29]. Adler had previously also included an understanding tier[9][8][7], while other authors have depicted understanding as a dimension in relation to which DIKW is plotted[5][29]. Rowley attributes the following definition of wisdom to Ackoff:

Wisdom is the ability to increase effectiveness. Wisdom adds value, which requires the mental function that we call judgment. The ethical and aesthetic values that this implies are inherent to the actor and are unique and personal.[18]

Cleveland described wisdom simply as 'integrated knowledge--information made super-useful'.[13][7] Other authors have characterized wisdom as 'knowing the right things to do'[5] and 'the ability to make sound judgments and decisions apparently without thought'[26][7].

[edit] Representations
A flow diagram of the DIKW hierarchy. Public domain.
It is requested that a diagram or diagrams be included in this article to improve its quality.
For more information, refer to discussion on this page and/or the listing at Wikipedia:Requested images. (January 2009)

DIKW is a hierarchical model often depicted as a pyramid[1][7], with data at its base and wisdom at its apex. In this regard it is similar to Maslow's hierarchy of needs, in that each level of the hierarchy is argued to be an essential precursor to the levels above. Unlike Maslow's hierarchy, which describes relationships of priority (lower levels are focused on first), DIKW describes purported structural or functional relationships (lower levels comprise the material of higher levels). Both Zeleny and Ackoff have been credited with originating the pyramid representation[7], although neither used a pyramid to present their ideas.[16][17][7].

DIKW has also been represented as a two-dimensional chart[33][5] or as one or more flow diagrams[25]. In such cases, the relationships between the elements may be presented as less hierarchical, with feedback loops and control relationships.

Debons and colleagues[19] may have been the first to 'present the hierarchy graphically'[7].

[edit] Criticisms

Raphael Capurro, a philosopher based in Germany, argues that data is an abstraction, information refers to 'the act of communicating meaning', and knowledge 'is the event of meaning selection of a (psychic/social) system from its ‘world’ on the basis of communication'. As such, any impression of a logical hierarchy between these concepts 'is a fairytale'.[34]

One objection offered by Zins is that, while knowledge may be an exclusively cognitive phenomena, the difficulty in pointing to a given fact as being distinctively information or knowledge, but not both, makes the DIKW model unworkable.

[I]s Albert Einstein’s famous equation “E = MC2” (which is printed on my computer screen, and is definitely separated from any human mind) information or knowledge? Is “2 + 2 = 4” information or knowledge?[2]

Alternatively, information and knowledge might be seen as synonyms.[35] In answer to these criticisms, Zins argues that, subjectivist and empiricist philosophy aside, 'the three fundamental concepts of data, information, and knowledge and the relations among them, as they are perceived by leading scholars in the information science academic community', have meanings open to distinct definitions.[2] Rowley echoes this point in arguing that, where definitions of knowledge may disagree, '[t]hese various perspectives all take as their point of departure the relationship between data, information and knowledge.'[18]

American philosophers John Dewey and Arthur Bentley, arguing that 'knowledge' was 'a vague word', presented a complex alternative to DIKW including some nineteen 'terminological guide-posts'.[36][7].

Information processing theory argues that the physical world is made of information itself. Under this definition, data is either comprised of or synonymous with physical information. It is unclear, however, whether information as it is conceived in the DIKW model would be considered derivative from physical-information/data or synonymous with physical information. In the former case, the DIKW model is open to the fallacy of equivocation. In the latter, the data tier of the DIKW model is preempted by an assertion of neutral monism.

Educator Martin Frické has submitted an article critiquing the DIKW hierarchy for publication, in which he argues that the model is based on 'dated and unsatisfactory philosophical positions of operationalism and inductivism', that information and knowledge are both weak knowledge, and that wisdom is the 'possession and use of wide practical knowledge.[37]

[edit] References
Please add ISBNs for the books listed in this article or section.
Listing ISBNs makes it easier to conduct research. If the {{Cite book}} or {{citation}} templates are in use, you may add ISBNs automatically. Alternatively, you can add them manually or discuss this issue on the talk page. (January 2009)

1. ^ a b c d e f g h i j k Rowley, Jennifer (2007). 'The wisdom hierarchy: representations of the DIKW hierarchy'. Journal of Information Science 33 (2): 163-180. http://jis.sagepub.com/cgi/content/abstract/33/2/163.
2. ^ a b c d e f g h i j k l m n o p Zins, Chaim (22 January 2007). 'Conceptual Approaches for Defining Data, Information, and Knowledge'. Journal of the American Society for Information Science and Technology (Wiley Periodicals, Inc.) 58 (4): 479-493. doi:10.1002/asi. http://www.success.co.il/is/zins_definitions_dik.pdf. Retrieved on 7 January 2009.
3. ^ a b c d e f g h Zeleny, Milan (2005). Human Systems Management: Integrating Knowledge, Management and Systems. World Scientific. pp. 15-16. ISBN 9789810249137.
4. ^ Lievesley, Denise (September 2006). 'Data information knowledge chain'. Health Infomatics Now (Swindon: The British Computer Society) 1 (1): 14. http://www.bcs.org/server.php?show=ConWebDoc.7163. Retrieved on 8 January 2008.
5. ^ a b c d e Chisholm, James; Greg Warman (2007). 'Experiential Learning in Change Management'. in Silberman, Melvin L.. The Handbook of Experiential Learning. Jossey Bass. p. 321-40. ISBN 9780787982584.
6. ^ a b Choo, Chun Wei; Brian Detlor, Don Turnbull (September 2006). Web Work: Information Seeking and Knowledge Work on the World Wide Web. Kluwer Academic Publishers. p. 29-48. ISBN 978-0792364603.
7. ^ a b c d e f g h i j k l m n o p q r s t u v w x y z aa ab ac ad ae af ag ah ai aj ak al Wallace, Danny P. (2007). Knowledge Management: Historical and Cross-Disciplinary Themes. Libraries Unlimited. pp. 1-14. ISBN 9781591585022.
8. ^ a b c Adler, Mortimer Jerome (1970), The Time of Our Lives: The Ethics of Common Sense, Holt, Reinhart and Winston, p. 206, ISBN 9780030818363
9. ^ a b c Adler, Mortimer Jerome (1986), A Guidebook To Learning For The Lifelong Pursuit Of Wisdom, Collier Macmillan, p. 11, ISBN 9780025003408
10. ^ Eliot, T.S. (1934). ROCK: A Pageant Play Written For Performance at Sadler's Wells Theatre 28 May - 9 June 1934 On Behalf of the Forty-Five Churches Fund of the Diocese of London. London: Faber and Faber.
11. ^ Eliot, T.S. (c1964). Selected Poems. New York: Harcourt Brace Jovanovich.
12. ^ Zappa, Frank (1979). 'Packard Goose' (Song lyric). Joe's Garage: Act II & III (album).
13. ^ a b c d e f g Cleveland, Harlan (December 1982). 'Information as a Resource'. The Futurist: 34-39.
14. ^ a b c d e Sharma, Nikhil (4 February 2008). 'The Origin of the “Data Information Knowledge Wisdom” Hierarchy'. Retrieved on 7 January 2009.
15. ^ Cooley, Mike (1980). Architect or Bee?: The Human / Technology Relationship. Monroe: South End Press.
16. ^ a b c d e f g h Zeleny, Milan (1987). 'Management Support Systems: Towards Integrated Knowledge Management'. Human Systems Management 7 (1): 59–70.
17. ^ a b c d e f g Ackoff, Russell (1989), 'From Data to Wisdom', Journal of Applied Systems Analysis 16: 3-9
18. ^ a b c d e f g h i j k l m n o p q Rowley, Jennifer; Richard Hartley (2006). Organizing Knowledge: An Introduction to Managing Access to Information. Ashgate Publishing, Ltd.. pp. 5-6. ISBN 9780754644316.
19. ^ a b c Debons, Anthony; Ester Horne, Scott Cronenweth (1988). Information Science: An Integrated View. Boston: G.K. Hall. p. 5.
20. ^ a b c d e Boulding, Kenneth (1955). 'Notes on the Information Concept'. Exploration (Toronto) 6: 103-112. CP IV, pp. 21-32..
21. ^ a b c Henry, Nicholas L. (May/June 1974), 'Knowledge Management: A New Concern for Public Administration', Public Administration Review 34: 189
22. ^ Dodig-Crnkovi, Gordana, as cited in Zins, id., at pp. 482.
23. ^ Ess, Charles, as cited in Zins, id., at p. 482-83.
24. ^ Wormell, Irene, as cited in Zins, id., at p. 486.
25. ^ a b c d e Liew, Anthony (June 2007). 'Understanding Data, Information, Knowledge And Their Inter-Relationships'. Journal of Knowledge Management Practice 8 (2). http://www.tlainc.com/articl134.htm. Retrieved on 7 January 2009.
26. ^ a b c d Gamble, Paul R.; John Blackwell (educator) (2002). Knowledge Management: A State of the Art Guide. London: Kogan Page. p. 43.
27. ^ a b c d e Boiko, Bob (2005). Content Management Bible (2nd ed.). Indianapolis: Wiley. p. 57.
28. ^ Harmon, Glynn, as cited by Zins, id., at p. 483.
29. ^ a b c d e Bellinger, Gene; Durval Castro, Anthony Mills (2004). 'Data, Information, Knowledge, and Wisdom'. Retrieved on 7 January 2009.
30. ^ Debons, Anthony, as cited in Zins, id., at p. 482.
31. ^ Albrechtsen, Hanne, as cited in Zins, id., at p. 480.
32. ^ Davenport, Thomas H.; Laurence Prusack (1998). Working Knowledge: How Organizations Manage What They Know. Boston: Harvard Business School Press. pp. 5.
33. ^ Choo, Chun Wei (May 10, 2000). 'The Data-Information-Knowledge Continuum'. Web Work: Information Seeking and Knowledge Work on the World Wide Web. Retrieved on 9 January 2009.
34. ^ Capurro, Raphael, as cited in Zins, id., at p. 481
35. ^ Poli, Roberto, as cited in Zins, id., at p. 485.
36. ^ Dewey, John; Arthur F. Bentley (1949). Knowing and the Known. Boston: Beacon Press. pp. 58, 72-74.
37. ^ Frické, Martin (2008). 'The Knowledge Pyramid: A Critique of the DIKW Hierarchy' (preprint article). http://dlist.sir.arizona.edu/2327/01/The_Knowledge_Pyramid_DList.pdf"

Data, Information, Knowledge, & Wisdom

Data, Information, Knowledge, & Wisdom: "Data, Information, Knowledge, and Wisdom

by Gene Bellinger, Durval Castro, Anthony Mills

There is probably no segment of activity in the world attracting as much attention at present as that of knowledge management. Yet as I entered this arena of activity I quickly found there didn't seem to be a wealth of sources that seemed to make sense in terms of defining what knowledge actually was, and how was it differentiated from data, information, and wisdom. What follows is the current level of understanding I have been able to piece together regarding data, information, knowledge, and wisdom. I figured to understand one of them I had to understand all of them.

According to Russell Ackoff, a systems theorist and professor of organizational change, the content of the human mind can be classified into five categories:

1. Data: symbols

2. Information: data that are processed to be useful; provides answers to 'who', 'what', 'where', and 'when' questions

3. Knowledge: application of data and information; answers 'how' questions

4. Understanding: appreciation of 'why'

5. Wisdom: evaluated understanding.

Ackoff indicates that the first four categories relate to the past; they deal with what has been or what is known. Only the fifth category, wisdom, deals with the future because it incorporates vision and design. With wisdom, people can create the future rather than just grasp the present and past. But achieving wisdom isn't easy; people must move successively through the other categories.

A further elaboration of Ackoff's definitions follows:

Data... data is raw. It simply exists and has no significance beyond its existence (in and of itself). It can exist in any form, usable or not. It does not have meaning of itself. In computer parlance, a spreadsheet generally starts out by holding data.

Information... information is data that has been given meaning by way of relational connection. This 'meaning' can be useful, but does not have to be. In computer parlance, a relational database makes information from the data stored within it.

Knowledge... knowledge is the appropriate collection of information, such that it's intent is to be useful. Knowledge is a deterministic process. When someone 'memorizes' information (as less-aspiring test-bound students often do), then they have amassed knowledge. This knowledge has useful meaning to them, but it does not provide for, in and of itself, an integration such as would infer further knowledge. For example, elementary school children memorize, or amass knowledge of, the 'times table'. They can tell you that '2 x 2 = 4' because they have amassed that knowledge (it being included in the times table). But when asked what is '1267 x 300', they can not respond correctly because that entry is not in their times table. To correctly answer such a question requires a true cognitive and analytical ability that is only encompassed in the next level... understanding. In computer parlance, most of the applications we use (modeling, simulation, etc.) exercise some type of stored knowledge.

Understanding... understanding is an interpolative and probabilistic process. It is cognitive and analytical. It is the process by which I can take knowledge and synthesize new knowledge from the previously held knowledge. The difference between understanding and knowledge is the difference between 'learning' and 'memorizing'. People who have understanding can undertake useful actions because they can synthesize new knowledge, or in some cases, at least new information, from what is previously known (and understood). That is, understanding can build upon currently held information, knowledge and understanding itself. In computer parlance, AI systems possess understanding in the sense that they are able to synthesize new knowledge from previously stored information and knowledge.

Wisdom... wisdom is an extrapolative and non-deterministic, non-probabilistic process. It calls upon all the previous levels of consciousness, and specifically upon special types of human programming (moral, ethical codes, etc.). It beckons to give us understanding about which there has previously been no understanding, and in doing so, goes far beyond understanding itself. It is the essence of philosophical probing. Unlike the previous four levels, it asks questions to which there is no (easily-achievable) answer, and in some cases, to which there can be no humanly-known answer period. Wisdom is therefore, the process by which we also discern, or judge, between right and wrong, good and bad. I personally believe that computers do not have, and will never have the ability to posses wisdom. Wisdom is a uniquely human state, or as I see it, wisdom requires one to have a soul, for it resides as much in the heart as in the mind. And a soul is something machines will never possess (or perhaps I should reword that to say, a soul is something that, in general, will never possess a machine).

Personally I contend that the sequence is a bit less involved than described by Ackoff. The following diagram represents the transitions from data, to information, to knowledge, and finally to wisdom, and it is understanding that support the transition from each stage to the next. Understanding is not a separate level of its own.





Data represents a fact or statement of event without relation to other things.

Ex: It is raining.

Information embodies the understanding of a relationship of some sort, possibly cause and effect.

Ex: The temperature dropped 15 degrees and then it started raining.

Knowledge represents a pattern that connects and generally provides a high level of predictability as to what is described or what will happen next.

Ex: If the humidity is very high and the temperature drops substantially the atmospheres is often unlikely to be able to hold the moisture so it rains.

Wisdom embodies more of an understanding of fundamental principles embodied within the knowledge that are essentially the basis for the knowledge being what it is. Wisdom is essentially systemic.

Ex: It rains because it rains. And this encompasses an understanding of all the interactions that happen between raining, evaporation, air currents, temperature gradients, changes, and raining.

Yet, there is still a question regarding when is a pattern knowledge and when is it noise. Consider the following:

* Abugt dbesbt regtc uatn s uitrzt.
* ubtxte pstye ysote anet sser extess
* ibxtedstes bet3 ibtes otesb tapbesct ehracts

It is quite likely this sequence represents 100% novelty, which means it's equivalent to noise. There is no foundation for you to connect with the pattern, yet to me the statements are quite meaningful as I understand the translation with reveals they are in fact Newton's 3 laws of motion. Is something knowledge if you can't understand it?

Now consider the following:

* I have a box.
* The box is 3' wide, 3' deep, and 6' high.
* The box is very heavy.
* The box has a door on the front of it.
* When I open the box it has food in it.
* It is colder inside the box than it is outside.
* You usually find the box in the kitchen.
* There is a smaller compartment inside the box with ice in it.
* When you open the door the light comes on.
* When you move this box you usually find lots of dirt underneath it.
* Junk has a real habit of collecting on top of this box.

What is it?

A refrigerator. You knew that, right? At some point in the sequence you connected with the pattern and understood it was a description of a refrigerator. From that point on each statement only added confirmation to your understanding.

If you lived in a society that had never seen a refrigerator you might still be scratching your head as to what the sequence of statements referred to.

Also, realize that I could have provided you with the above statements in any order and still at some point the pattern would have connected. When the pattern connected the sequence of statements represented knowledge to you. To me all the statements convey nothing as they are simply 100% confirmation of what I already knew as I knew what I was describing even before I started.
References:

* Ackoff, R. L., 'From Data to Wisdom', Journal of Applies Systems Analysis, Volume 16, 1989 p 3-9.
* Gadomski, Adam Maria, Information, Preferences and Knowledge, An Interesting Evolution in Thought
* Sharma, Nikhil, The Origin of the Data Information Knowledge Wisdom Hierarchy

theWay of Systems * Feedback * Musings
Copyright © 2004 Gene Bellinger"

Valor - Dado - MDR

Um valor é um símbolo (termo ou elemento simbólico) que é utilizado para caracterizar (quantificar ou qualificar) uma propriedade ou característica de uma entidade, um objeto, um relacionamento ou uma ligação.

No MDR os valores são atômicos, por uma necessidade de simplicidade quando da criação do MDR.

Ver: Valor - Termo - Símbolo

Termo (Elemento Simbólico - Símbolo - Valor - Dado)

Valor, termo, símbolo ou dado é um elemento da realidade criado por um ser cognitivo, que pode ser associado a qualquer outro elemento para dar significado a este.

Símbolo, em grego súmbolon, designa um elemento representativo que está (realidade visível) em lugar de algo (realidade invisível) que pode ser um elemento (objeto, entidade) ou um conceito, idéia, quantidade ou qualidade.

O "símbolo" é um elemento essencial no processo de cognição e comunicação (processo de conhecimento). A representação específica para cada símbolo pode surgir como resultado de um processo natural ou pode ser convencionada de modo a que o receptor (uma pessoa ou grupo específico de pessoas) consiga fazer a interpretação do seu significado implícito e atribuir determinada conotação ou significado.

Pode também estar mais ou menos relacionada fisicamente com o elemento que representa, podendo não só ter uma representação gráfica ou tridimensional como também sonora ou mesmo gestual.

A semiótica é a disciplina que se ocupa do estudo dos símbolos, do seu processo e sistema em geral.

Outras disciplinas especificam metodologias de estudo, como a semântica, que se ocupa do simbolismo na linguagem, ou seja, das palavras.

Fonte: Wikipédia

Valor é um símbolo que é atribuído a uma entidade ou a um relacionamento, dando significado, agregando conhecimento, caracterizando (quantificando ou qualificando) essa entidade ou esse relacionamento.

É um símbolo que pode ser conotado a um elemento de um conjunto, ou seja, é uma concatenação ou agregação de caracteres que possibilita a representação simbólica, é a abstração mais elementar dentro do modelo ER.

Exemplos:

· João, José, Maria, ...

· 08/10/55, 23/05/58, ...

· Rua A, Rua B, Rua C, ...

· 254-3435, 254-2773, ...

· DEP10, DEP20, DEP30, ...

· Planejamento, Financeiro, Industrial, ...

The origin of DIKW Hierarchy

The origin of DIKW Hierarchy:

The Origin of the “Data Information Knowledge Wisdom” Hierarchy
Nikhil Sharma
[Updated: February 4, 2008]

Image originally published in the December 1982 issue of THE FUTURIST. Used with permission from the World Future Society, 7910 Woodmont Avenue, Suite 450, Bethesda, Maryland 20814. Telephone: 301/656-8274; Fax: 301/951-0394; http://www.wfs.org

The Hierarchy

The Data Information Knowledge and Wisdom Hierarchy (DIKW) has been gaining popularity in many domains. In most Knowledge Management literature the hierarchy is often referred to as the "Knowledge Hierarchy" or the “Knowledge Pryamid”, while the “Information Science” domain refers to the same hierarchy as "Information Hierarchy" or “Information Pryamid” for obvious reasons. Often the choice between “Information” and “Knowledge” is based on what the particular profession believes to me manageable.

While there has been a lot of articulation of the hierarchy itself, the origins of this ubiquitous and frequently used hierarchy are largely unexplored. In this short piece we trace the trails of this hierarchy. Like an urban legend, it’s everywhere yet few know where it came from.

The Domains

While the domains of Information Science and Knowledge Management both refer to the DIKW hierarchy, they do not cross-reference. Thus there are two separate threads that lead to the origin of the hierarchy.

In Knowledge Management, Russell Ackoff is often cited as the initiator of the DIKW hierarchy. His 1988 Presidential Address to ISGSR is considered by many to be the earliest mention of the hierarchy. Ackoff’s presidential address was printed in a 1989 article "From Data to Wisdom" [1] and it does not cite any earlier sources of the hierarchy.

Searching for the orginis of the hierarchy in the Knowledge management domain, we find Milan Zeleny to be an earlier proponent of the hierarchy. In his article on “Management Support Systems” [2], Zeleny details out the DIKW hierarchy in 1987. Zeleny builds the knowledge hierarchy by equating Data, Information, Knowledge and Wisdom to various knowledge forms: “know-nothing”, “know-what”, “know-how” and “know-why” respectively. Yet, the trail stops again, Zeleny’s 1987 mention of the hierarchy is earlier than Ackoff’s 1989 address, but he also does not cite any earlier sources of the hierarchy. It can thus be argued that Zeleny was the first to mention the hierarchy in the field of Knowledge Management.

The domain of design has also drawn on and referred to the DIKW hierarchy. Almost at the same time as Milan Zeleny’s article, Michael Cooley’s book published in 1987: “Architecture or Bee?” [3], builds the DIKW hierarchy during his discussion of tacit knowledge and common sense. Once again no earlier work is cited or referred to by Cooley and trail of the origin has an ubrupt ending.

It is in Information Science domain that the trail can be picked up again. Here the hierarchy is mentioned as early as 1982, when Harlan Cleveland [4] wrote about it in a Futurist article. Cleveland’s article mentions the Information-Knowledge-Wisdom hierarchy in detail giving an example. What is different about this article from the ones mentioned above is that Cleveland points to the surprising origin of the hierarchy itself.

The Origin

Interestingly the first ever mention of the hierarchy is neither in the Knowledge Management field, nor the Information Science domain, but in an unexpected place: poetry. In his Futurist article, Cleveland cites T.S. Eliot as the person who suggested the hierarchy in the first place. Cleveland names it "the T.S. Eliot hierarchy". The poet T.S. Eliot was the first to mention the "DIKW hierarchy" without even calling it by that name. In 1934 Eliot wrote in "The Rock"[5]:

Where is the Life we have lost in living?
Where is the wisdom we have lost in knowledge?
Where is the knowledge we have lost in information?

This is the first vague mention of the hierarchy that was expanded by Cleveland. Though this is the first mention of the hierarchy in the arts, it is not the only one. Before management and information science caught on, Frank Zappa alluded to the hierarchy in 1979 [6]:

Information is not knowledge,
Knowledge is not wisdom,
Wisdom is not truth,
Truth is not beauty,
Beauty is not love,
Love is not music,
and Music is THE BEST.

Beyond Eliot’s hierarchy

In his Futurist article [4], Harlan Cleveland concedes that information scientists are “still struggling with the definitions of basic terms” of the hierarchy. He uses Elliot’s hierarchy as a starting point to explain the basic terms. Cleveland also agrees that there are many ways in which the elements of the hierarchy may be defined, yet universal agreement on them need not be a goal in itself. While Cleveland himself doesn’t add ‘Data’ to Eliot’s hierarchy he mentions Yi-Fu Tuan’s and Daniel Bell’s versions of the hierarchy in the article which includes “data” [4].

Russell Ackoff’s version of the DIKW hierarchy has another “layer” of “understanding” built in. Thus Ackoff’s hierarchy is Data-Information-Knowledge-Understanding & Wisdom. “Understanding” requires diagnosis and prescription, which Ackoff considers to be beyond “knowledge” but below “wisdom”. Discussing the temporal dimension of his version of the hierarchy, Ackoff points out that while information ages rapidly, knowledge has a longer life-span and understanding has only an aura of permanence. It is wisdom that he considers to be “permanent” in the true sense.

Zeleny also proposes additions to the DIKW hierarchy. According to him “enlightenment” should be on the top of the familiar DIKW framework [2]. Enlightenment, according to Zeleny (personal communication, October 29, 2004) “is not only answering or understanding why (wisdom), but attaining the sense of truth, the sense of right and wrong, and having it socially accepted, respected and sanctioned.”

Acknowledgements

George Furnas suggested this essay. Milan Zeleny, Adam Keen and Paul Link provided important feedback, pointers and references.

References:

1. Russell .L. Ackoff, "From Data to Wisdom," Journal of Applied Systems Analysis 16 (1989): 3-9.
2. Milan Zeleny, "Management Support Systems: Towards Integrated Knowledge Management," Human Systems Management 7, no 1 (1987): 59-70.
3. M. Cooley, Architecture or Bee? (London: The Hogarth Press, 1987).
4. Harland Cleveland, "Information as Resource," The Futurist, December 1982, 34-39.
   T.S. Eliot, The Rock (Faber & Faber 1934).
5. Frank Zappa, "Packard Goose" in album Joe's Garage: Act II & III (Tower Records, 1979).
   
   Contact me for comments & suggestions
   Nikhil Sharma, Doctoral Student, School Of Information, University of Michigan, Ann Arbor. (nsharma AT umich DOT edu)

Dado, Informação, Conhecimento e Competência - Valdemar Setzer

Dado, Informação, Conhecimento e Competência - Valdemar Setzer

Dado, Informação, Conhecimento e Competência

Valdemar W. SetzerDepto. de Ciência da Computação, Universidade de São Paulovwsetzer@ime.usp.br - www.ime.usp.br/~vwsetzer

(Este artigo é uma ampliação e atualização do artigo correspondente publicado na revista Datagrama (V. abaixo); ele foi publicado em Setzer, V.W. Os Meios Eletrônicos e a Educação: Uma Visão alternativa. São Paulo: Editora Escrituras, Coleção Ensaios Transversais Vol. 10, 2001.)

1. Introdução

O que é "ser competente em inglês"? O leitor deveria tentar responder a essa pergunta antes de prosseguir na leitura deste artigo. Seria interessante tomar nota de sua resposta, para compará-la com o que virá adiante.

Fiz essa pergunta a vários profissionais de Tecnologia de Informação (T.I.), durante entrevistas para levantamento de suas competências. As respostas variavam desde "ter fluência nessa língua" até "saber pensar em inglês". Razoavelmente vagas, não é verdade? Pois problema de caracterizar claramente o que se deve compreender como "competência" foi o primeiro que enfrentei ao receber a encomenda de organizar um Centro de Competências em T.I. para a grande empresa de engenharia PROMON. A literatura não ajudou: logo vi que há uma confusão muito grande entre "conhecimento" e "competência". Pior, tendo chegado ao problema de distinguir entre esses dois conceitos, a literatura ajudou a confundir ainda mais as coisas, pois havia uma grande confusão entre "informação" e "conhecimento". Ao chegar em "informação", foi necessário distingui-la de "dado", mas aí defrontei-me com um conceito sobre o qual já elaborado. Seguirei aqui, então, o caminho inverso, desde "dado" até competência.

Seria também interessante que o leitor procurasse neste ponto dar sua caracterização do que entende por "informação" e "conhecimento". Mas não pense que sua provável dificuldade não é comum: por "coincidência", durante os estudos para conceituar esses termos, saiu o número 81 de 10/8/98 da excelente revista eletrônica Netfuture, sobre tecnologia e responsabilidade humana; nele, seu editor Stephen Talbott descreve que, em duas conferências dadas para bibliotecários, com grandes audiências, ao perguntar o que entendiam por "informação", ninguém arriscou qualquer resposta [Talbott].

Este artigo inicia com a definição do que vem a ser "dado", para daí partir para a caracterização (e não definição, como se verá) de "informação", seguindo-se "conhecimento" e "competência". Ver-se-á que minha conceituação de "competência" depende de dois fatores, levando a uma representação matricial, a "matriz de competências". Depois de considerações gerais sobre esses conceitos, e uma discussão da literatura, é descrito como eles foram usados na implantação de dois sistemas de gerenciamento de competências, na PROMON Engenharia e na PRODESP (Companhia de Processamento de Dados do Estado de São Paulo), com levantamento das competências de cerca de 100 profissionais, até o momento da revisão deste artigo. Finalmente, são feitas considerações sobre a implantação de Centros de Competência.

Uma versão anterior deste artigo foi publicada na revista eletrônica Datagrama Zero, número zero, artigo 1, dez. 1999 (ver vínculo em meu "site", onde se encontra uma versão local formatada).

2. Dado

Defino dado como uma seqüência de símbolos quantificados ou quantificáveis. Portanto, um texto é um dado. De fato, as letras são símbolos quantificados, já que o alfabeto, sendo um conjunto finito, pode por si só constituir uma base numérica (a base hexadecimal emprega tradicionalmente, além dos 10 dígitos decimais, as letras de A a E). Também são dados fotos, figuras, sons gravados e animação, pois todos podem ser quantificados a ponto de se ter eventualmente dificuldade de distinguir a sua reprodução, a partir da representação quantificada, com o original. É muito importante notar-se que, mesmo se incompreensível para o leitor, qualquer texto constitui um dado ou uma seqüência de dados. Isso ficará mais claro no próximo item.

Com essa definição, um dado é necessariamente uma entidade matemática e, desta forma, é puramente sintático. Isto significa que os dados podem ser totalmente descritos através de representações formais, estruturais. Sendo ainda quantificados ou quantificáveis, eles podem obviamente ser armazenados em um computador e processados por ele. Dentro de um computador, trechos de um texto podem ser ligados virtualmente a outros trechos, por meio de contigüidade física ou por "ponteiros", isto é, endereços da unidade de armazenamento sendo utilizada, formando assim estruturas de dados. Ponteiros podem fazer a ligação de um ponto de um texto a uma representação quantificada de uma figura, de um som, etc..

O processamento de dados em um computador limita-se exclusivamente a manipulações estruturais dos mesmos, e é feito por meio de programas. Estes são sempre funções matemáticas, e portanto também são "dados". Exemplos dessas manipulações nos casos de textos são a formatação, a ordenação, a comparação com outros textos, estatísticas de palavras empregadas e seu entorno, etc.

3. Informação

Informação é uma abstração informal (isto é, não pode ser formalizada através de uma teoria lógica ou matemática), que está na mente de alguém, representando algo significativo para essa pessoa. Note-se que isto não é uma definição, é uma caracterização, porque "algo", "significativo" e "alguém" não estão bem definidos; assumo aqui um entendimento intuitivo (ingênuo) desses termos. Por exemplo, a frase "Paris é uma cidade fascinante" é um exemplo de informação – desde que seja lida ou ouvida por alguém, desde que "Paris" signifique para essa pessoa a capital da França (supondo-se que o autor da frase queria referir-se a essa cidade) e "fascinante" tenha a qualidade usual e intuitiva associada com essa palavra.

Se a representação da informação for feita por meio de dados, como na frase sobre Paris, pode ser armazenada em um computador. Mas, atenção, o que é armazenado na máquina não é a informação, mas a sua representação em forma de dados. Essa representação pode ser transformada pela máquina, como na formatação de um texto, o que seria uma transformação sintática. A máquina não pode mudar o significado a partir deste, já que ele depende de uma pessoa que possui a informação. Obviamente, a máquina pode embaralhar os dados de modo que eles passem a ser ininteligíveis pela pessoa que os recebe, deixando de ser informação para essa pessoa. Além disso, é possível transformar a representação de uma informação de modo que mude de informação para quem a recebe (por exemplo, o computador pode mudar o nome da cidade de Paris para Londres). Houve mudança no significado para o receptor, mas no computador a alteração foi puramente sintática, uma manipulação matemática de dados.

Assim, não é possível processar informação diretamente em um computador. Para isso é necessário reduzi-la a dados. No exemplo, "fascinante" teria que ser quantificado, usando-se por exemplo uma escala de zero a quatro. Mas então isso não seria mais informação.
Por outro lado, dados, desde que inteligíveis, são sempre incorporados por alguém como informação, porque os seres humanos (adultos) buscam constantemente por significação e entendimento. Quando se lê a frase "a temperatura média de Paris em dezembro é de 5oC" (por hipótese), é feita uma associação imediata com o frio, com o período do ano, com a cidade particular, etc. Note que "significação" não pode ser definida formalmente. Aqui ela será considerada como uma associação mental com um conceito, tal como temperatura, Paris, etc. O mesmo acontece quando se vê um objeto com um certo formato e se diz que ele é "circular", associando – através do pensar – a representação mental do objeto percebido com o conceito "círculo". Para um estudo profundo do pensamento, mostrando que quanto à nossa atividade ele é um órgão de percepção de conceitos, veja-se uma das obras fundamentais de Rudolf Steiner, A Filosofia da Liberdade, especialmente o cap. IV, "O mundo como percepção" [Steiner 2000 pg. 45].

A informação pode ser propriedade interior de uma pessoa ou ser recebida por ela. No primeiro caso, está em sua esfera mental, podendo originar-se eventualmente em uma percepção interior, como sentir dor. No segundo, pode ou não ser recebida por meio de sua representação simbólica como dados, isto é, sob forma de texto, figuras, som gravado, animação, etc. Como foi dito, a representação em si, por exemplo um texto, consiste exclusivamente de dados. Ao ler um texto, uma pessoa pode absorvê-lo como informação, desde que o compreenda. Pode-se associar a recepção de informação por meio de dados à recepção de uma mensagem. Porém, informação pode também ser recebida sem que seja representada por meio de dados mensagens. Por exemplo, em um dia frio, estando-se em um ambiente aquecido, pondo-se o braço para fora da janela obtém-se uma informação – se está fazendo muito ou pouco frio lá fora. Observe-se que essa informação não é representada exteriormente por símbolos, e não pode ser denominada de mensagem. Por outro lado, pode-se ter uma mensagem que não é expressa por dados, como por exemplo um bom berro por meio de um ruído vocal: ele pode conter muita informação, para quem o recebe, mas não contém nenhum dado.

Note-se que, ao exemplificar dados, foi usado "som gravado". Isso se deve ao fato de os sons da natureza conterem muito mais do que se pode gravar: ao ouvi-los existe todo um contexto que desaparece na gravação. O ruído das ondas do mar, por exemplo, vem acompanhado da visão do mar, de seu cheiro, da umidade do ar, da luminosidade, do vento, etc.

Uma distinção fundamental entre dado e informação é que o primeiro é puramente sintático e a segunda contém necessariamente semântica (implícita na palavra "significado" usada em sua caracterização). É interessante notar que é impossível introduzir e processar semântica em um computador, porque a máquina mesma é puramente sintática (assim como a totalidade da matemática). Por exemplo, o campo da assim chamada "semântica formal" das "linguagens" de programação, é de fato, apenas um tratamento sintático expresso por meio de uma teoria axiomática ou de associações matemáticas de seus elementos com operações realizadas por um computador (eventualmente abstrato). De fato, "linguagem de programação" é um abuso de linguagem, porque o que normalmente se chama de linguagem contém semântica. (Há alguns anos, em uma conferência pública, ouvi Noam Chomsky – o famoso pesquisador que estabeleceu em 1959 o campo das "linguagens formais" e que buscou intensivamente por "estruturas profundas" sintáticas na linguagem e no cérebro –, dizer que uma linguagem de programação não é de forma alguma uma linguagem.) Outros abusos usados no campo da computação, ligados à semântica, são "memória" e "inteligência artificial". Não concordo com o seu uso porque nos dão, por exemplo, a falsa impressão de que a memória humana é equivalente em suas funções aos dispositivos de armazenamento dos computadores, ou vice-versa. Theodore Roszack faz interessantes considerações mostrando que nossa memória é infinitamente mais ampla [Roszack 1994 pg. 97]. John Searle, o autor da famosa alegoria do Quarto Chinês (em que uma pessoa, seguindo regras em inglês, combinava ideogramas chineses sem entender nada, e assim respondia perguntas – é a assim que o computador processa dados), demonstrando que os computadores não possuem qualquer entendimento, argumentou que os computadores não podem pensar porque lhes falta a nossa semântica [Searle 1991 pg. 39].

A alegoria de Searle sugere um exemplo que pode esclarecer um pouco mais esses conceitos. Suponha-se uma tabela de três colunas, contendo nomes de cidades, meses (representados de 1 a 12) e temperaturas médias, de tal forma que os títulos das colunas e os nomes das cidades estão em chinês. Para alguém que não sabe nada de chinês nem de seus ideogramas, a tabela constitui-se de puros dados. Se a mesma tabela estivesse em português, para quem está lendo este artigo ela conteria informação. Note-se que a tabela em chinês poderia ser formatada, as linhas ordenadas segundo as cidades (dada uma ordem alfabética dos ideogramas) ou meses, etc. – exemplos de processamento puramente sintático.

4. Conhecimento

Caracterizo Conhecimento como uma abstração interior, pessoal, de algo que foi experimentado, vivenciado, por alguém. Continuando o exemplo, alguém tem algum conhecimento de Paris somente se a visitou. Mais adiante essa exigência será um pouco afrouxada (V. item 5).
Nesse sentido, o conhecimento não pode ser descrito; o que se descreve é a informação. Também não depende apenas de uma interpretação pessoal, como a informação, pois requer uma vivência do objeto do conhecimento. Assim, o conhecimento está no âmbito puramente subjetivo do homem ou do animal. Parte da diferença entre estes reside no fato de um ser humano poder estar consciente de seu próprio conhecimento, sendo capaz de descrevê-lo parcial e conceitualmente em termos de informação, por exemplo, através da frase "eu visitei Paris, logo eu a conheço" (supondo que o leitor ou o ouvinte compreendam essa frase).

A informação pode ser inserida em um computador por meio de uma representação em forma de dados (se bem que, estando na máquina, deixa de ser informação). Como o conhecimento não é sujeito a representações, não pode ser inserido em um computador. Assim, neste sentido, é absolutamente equivocado falar-se de uma "base de conhecimento" em um computador. O que se tem é, de fato, é uma tradicional "base (ou banco) de dados".

Um nenê de alguns meses tem muito conhecimento (por exemplo, reconhece a mãe, sabe que chorando ganha comida, etc.). Mas não se pode dizer que ele tem informações, pois não associa conceitos. Do mesmo modo, nesta conceituação não se pode dizer que um animal tem informação, mas certamente tem muito conhecimento.

Assim, há informação que se relaciona a um conhecimento, como no caso da segunda frase sobre Paris, pronunciada por alguém que conhece essa cidade; mas pode haver informação sem essa relação, por exemplo se a pessoa lê um manual de viagem antes de visitar Paris pela primeira vez. Portanto, a informação pode ser prática ou teórica, respectivamente; o conhecimento é sempre prático.

A informação foi associada à semântica. Conhecimento está associado com pragmática, isto é, relaciona-se com alguma coisa existente no "mundo real" do qual se tem uma experiência direta. (De novo, é assumido aqui um entendimento intuitivo do termo "mundo real".).

5. Competência

Caracterizo Competência como uma capacidade de executar uma tarefa no "mundo real". Estendendo o exemplo usado acima, isso poderia corresponder à capacidade de se atuar como guia em Paris. Note-se que, nesse sentido, um manual de viagem, se escrito em uma língua inteligível, é lido como informação. Uma pessoa só pode ser considerada competente em alguma área se demonstrou, por meio de realizações passadas, a capacidade de executar uma determinada tarefa nessa área.

Pragmática foi associada a conhecimento. Competência está associada com atividade física. Uma pessoa pode ter um bom nível de competência, por exemplo, ao fazer discursos. Para isso, deve mover sua boca e produzir sons físicos. Um matemático competente não é apenas alguém capaz de resolver problemas matemáticos e eventualmente criar novos conceitos matemáticos – que podem ser atividades puramente mentais, interiores (e, assim, por uma de minhas hipóteses de trabalho, não-físicas). Ele deve também poder transmitir seus conceitos matemáticos a outros escrevendo artigos ou livros, dando aulas, etc., isto é, através de ações físicas (exteriores).
A criatividade que pode ser associada com a competência revela uma outra característica. Pode ser vinculada com a liberdade, que não apareceu nos outros três conceitos porque não havia qualquer atividade envolvida neles, exceto sua aquisição ou transmissão. No exemplo dado, um guia competente de Paris poderia conduzir dois turistas diferentes de forma diversa, reconhecendo que eles têm interesses distintos. Mais ainda, o guia pode improvisar diferentes passeios para dois turistas com os mesmos interesses mas com reações pessoais diferentes durante o trajeto, ou ainda ao intuir que os turistas deveriam ser tratados distintamente. Cusumano e Selby descrevem como a Microsoft Corporation organizou suas equipes de desenvolvimento de software de uma forma tal que permitissem a criatividade típica de "hackers" embora fossem, ao mesmo tempo, direcionadas para objetivos estabelecidos, mantendo a compatibilidade de módulos através de sincronizações periódicas [Cusumano 1997].

Aqui está uma outra característica distinta entre homens e animais em termos de competência: os seres humanos não se orientam necessariamente por seus "programas" como os animais e podem ser livres e criativos, improvisando diferentes atividades no mesmo ambiente. Em outras palavras, a competência animal é sempre automática, derivada de uma necessidade física. Os seres humanos podem estabelecer objetivos mentais para as suas vidas, tais como os culturais ou religiosos, que não têm nada a ver com as suas necessidades físicas. Esses objetivos podem envolver a aquisição de algum conhecimento e de certas competências, conduzindo ao auto-desenvolvimento.

Competência exige conhecimento e habilidade pessoais. Por isso, é impossível introduzir competência em um computador. Não se deveria dizer que um torno automático tem qualquer habilidade. O que se deveria dizer é que ele contém dados (programas e parâmetros de entrada) que são usados para controlar seu funcionamento.

Assim como no caso do conhecimento, uma competência não pode ser descrita plenamente. Ao comparar competências, deve-se saber que uma tal comparação dá apenas uma idéia superficial do nível de competência que uma pessoa tem. Assim, ao classificar uma competência em vários graus, por exemplo, "nenhuma", "em desenvolvimento", "proficiente", "forte" e "excelente", como proposto no modelo de competência do MIT [MIT I/T], ou "principiante" ("novice"), "principiante avançado" ("advanced beginner"), "competente", "proficiente" e "especialista", devidas a Hubert e Stuart Dreyfus [Devlin 1999 pg. 187], deve-se estar consciente do fato de que algo está sendo reduzido a informação (desde que se entenda o que se quer exprimir com esses graus). Existe uma clara ordenação intuitiva nesses graus, que vão de pouca a muita competência. Associando-se um "peso" a cada uma, como 0 a 4 no caso do MIT e 0 a 5 no caso dos Dreyfus (nesse caso, entenda-se 0 como "nenhuma), ter-se-á quantificado (isto é, transformado em dados), o que não é quantificável em sua essência. Desse modo, deve-se estar consciente também do fato que, ao calcular a "competência total" de alguém em áreas diversas – eventualmente requeridas por algum projeto –, usando pesos para os vários graus de competência, é introduzida uma métrica que reduz certa característica subjetiva humana a uma sombra objetiva daquilo que ela realmente é, e isso pode conduzir a muitos erros. A situação agrava-se nas habilidades comportamentais, tais como "liderança", "capacidade de trabalho em equipe", etc.

Não estou dizendo que tais avaliações quantificadas não deveriam ser usadas; quero apenas apontar que o sejam com extrema reserva, devendo-se estar consciente de que elas não representam qual competência tem realmente a pessoa avaliada. Elas deveriam ser usadas apenas como indicações superficiais, e deveriam ser acompanhadas por análises subseqüentes pessoais – e, portanto, subjetivas. No caso de seleção de profissionais, um sistema de competências deveria ser encarado como aquele que simplesmente fornece uma lista restrita inicial de candidatos, de modo que se possa passar a uma fase de exame subjetivo de cada um. Se o computador é usado para processar dados, permanece-se no âmbito do objetivo. Seres humanos não são entidades puramente objetivas, quantitativas e, desse modo, deveriam sempre ser tratados com algum grau de subjetividade, sob pena de serem encarados e tratados como quantidades (dados!) ou máquinas (isto é obviamente ainda pior do que tratá-los como animais).

6. Campos intelectuais

Essas caracterizações aplicam-se muito bem a campos práticos, como a informática ou a engenharia, mas necessitam elaboração subseqüente para campos puramente intelectuais. Examinemos o caso de um historiador competente. Não há qualquer problema com a sua competência: ela se manifesta por meio de livros e artigos escritos, eventualmente de conferências e cursos dados, etc. Por outro lado, é necessário estender a caracterização de conhecimento, de modo a abranger um campo intelectual como o da história: geralmente os historiadores não têm experiências pessoais dos tempos, pessoas e lugares do passado. Ainda assim, um bom historiador é certamente uma pessoa com muito conhecimento no seu campo.
Infelizmente, a saída que proponho para essa aparente incongruência de minha caracterização não será aceita por todos: admito como hipótese de trabalho que um bom historiador tem, de fato, uma experiência pessoal – não das situações físicas mas do "mundo" platônico das idéias, onde fica uma espécie de memória universal. Fatos antigos estão gravados naquele mundo como "memória real" e são captados através do pensamento por alguém imerso no estudo dos relatos antigos. As palavras "intuição" e "insight" (literalmente, "visão interior") tratam de atividades mentais que têm por vezes a ver com uma "percepção" daquele mundo. De fato, "insight" significa de acordo com o American Heritage Dictionary (edição de 1970), "a capacidade de discernir a verdadeira natureza de uma situação", "um vislumbre elucidativo". "Verdadeiras naturezas" são conceitos, logo não existem fisicamente; seguindo Steiner coloco a hipótese de que, através do "insight", isto é, uma percepção interna, o ser humano "vislumbra" o mundo das idéias [Steiner 2000 pg. 71].

Se se puder aceitar, como hipótese de trabalho, que o conceito de circunferência é uma "realidade" no mundo não-físico das idéias, com existência independente de qualquer pessoa, então não será difícil admitir que o pensar é um órgão de percepção, com o qual se pode "vivenciar" a idéia universal, eterna, de "circunferência". Nesse sentido, e usando minha caracterização para "conhecimento", pode-se dizer que uma pessoa pode ter um conhecimento do conceito "circunferência". Note-se que uma circunferência perfeita não existe na realidade física, assim como não existem "reta", "ponto", "plano", "infinito", etc. Assim, jamais alguém viu uma circunferência perfeita, assim como nenhuma pessoa atualmente viva experimentou com os seus sentidos atuais a Revolução Francesa ou encontrou Goethe, embora sejam, ambos, realidades no "mundo arquetípico" desse último.

Assim, evitei que bons historiadores sejam rotulados como tendo apenas informação e nenhum conhecimento…

7. Comentários gerais

É necessário reconhecer que as caracterizações apresentadas para dado, informação, conhecimento e competência não são usuais. Por exemplo, é comum considerar-se "dado" como um subconjunto próprio de "informação", isto é, o dado é um tipo particular de informação. Considero útil separar completamente esses dois conceitos, isto é, de acordo com as considerações feitas, os dados não são parte da informação. Esta, como foi visto, pode em alguns casos ser transmitida por meio de dados, isto é, estes podem ser uma representação da informação. Em outros, qualquer representação por meio de dados retira da informação sua essência. O mesmo se aplica a informação e conhecimento, e a conhecimento e competência.
É interessante observar que, nessas caracterizações, não existe "Teoria (formal) da Informação". O que Claude Shannon desenvolveu foi de fato uma "Teoria dos Dados". Theodore Roszack discorre sobre as polêmicas que o nome "Teoria da Informação" suscitou [Roszack 1993 pg. 12], já que a teoria de Shannon lida, por exemplo, com a capacidade de canais de comunicação, sem se importar com o conteúdo (significado). A capacidade desses canais refere-se à capacidade de transmitir dados, e não informação. Assim, no sentido aqui exposto, não se deve falar de "quantidade de informação", e sim "quantidade de dados" transmitida por um canal. "Bit" não é uma unidade de informação, e sim de dados, aliás, como o próprio nome o mostra ("BInary Digit"), pois um número por si não contém informação, é um dado puro.

Um dado é puramente objetivo – não depende do seu usuário. A informação é objetiva-subjetiva no sentido que é descrita de uma forma objetiva (textos, figuras, etc.) ou captada a partir de algo objetivo, como no exemplo de se estender o braço para fora da janela para ver se está frio, mas seu significado é subjetivo, dependente do usuário. O conhecimento é puramente subjetivo – cada um tem a vivência de algo de uma forma diferente. A competência é subjetiva-objetiva, no sentido de ser uma característica puramente pessoal, mas cujos resultados podem ser verificados por qualquer um.

A caracterização feita aqui pode ser de valia para empresas. Elas devem conscientizar-se de que não colocam informações no computador, e sim dados. Aqui há dois aspectos a considerar. Os dados devem representar o melhor possível as informações que devem ser obtidas a partir deles. Além disso, eles sempre serão interpretados pelos profissionais da empresa. O mesmo dado pode ser tomado como duas informações diferentes. Para evitar isso, não basta que represente claramente a informação desejada, mas que os profissionais sejam preparados para interpretá-lo da maneira esperada. Keith Devlin cita alguns casos trágicos, com desastres de aviação, devidos a interpretação errada de dados ou à representação ambígua das informações [Devlin 1999 pgs. 9 (o caso das Canárias, em 1977, com 583 mortos) e 76 (o caso de Cali, em 1995, com 159 mortos), respectivamente].

Por outro lado, é importante saber que é impossível transmitir conhecimento: o que se transmite são dados, eventualmente representando informações. Para que haja transmissão de conhecimento de uma pessoa para outra, é necessário haver interação pessoal entre os envolvidos, com a primeira mostrando ou descrevendo vividamente a sua experiência. Devlin cita dois casos de grandes empresas em que se tentou transmitir conhecimento através de dados, mas a transmissão só se concretizou com o contato pessoal [idem pgs. 176 e 177].
Já a competência só pode ser adquirida fazendo-se algo, isto é, as empresas que querem desenvolver competência em seus profissionais em certa área devem fazê-los trabalhar na mesma ou participar de projetos, preferivelmente juntamente com pessoas com grande competência.

8. A literatura

Na literatura encontra-se apoio para algumas das idéias aqui expostas, desenvolvidas independentemente. Por exemplo, Y. Malhorta diz: "O paradigma tradicional dos sistemas de informação está baseado na procura de uma interpretação consensual da informação fundamentada em normas ditadas socialmente ou nas diretrizes dos dirigentes das empresas. Isto resultou na confusão entre conhecimento e informação. Conhecimento e informação, contudo, são entidades distintas. Enquanto a informação gerada por computadores não é um veículo muito rico da interpretação humana para a ação em potencial, o conhecimento encontra-se no contexto subjetivo de ação do usuário, baseado naquela informação. Assim, não seria incorreto sugerir que o conhecimento está no usuário e não no conjunto de informações, algo levantado há duas décadas atrás por West Churchman, o filósofo pioneiro em sistemas de informação." [Malhorta 1978].

Note-se que, no sentido acima, informação não pode ser gerada por um computador. O computador pode apenas reproduzir sua representação em forma de dados, eventualmente com alguma modificação de formato ou algum tratamento puramente sintático. O computador pode gerar dados, por exemplo calculando a temperatura média de várias cidades. Mais ainda, "ação" foi associada a competência e não a conhecimento.

Malhorta também diz: "Karl Erik Sveiby, o autor de The New Organization Wealth: Managing and Measuring Knowledge-Based Assets (Berret Koehler, 1997) ("A Nova Riqueza Organizacional: Gerenciando e Medindo Ativos Baseados em Conhecimento"), argumenta que a confusão entre conhecimento e informação levou a direção de empresas a investir bilhões de dólares em empreendimentos de tecnologia da informação com resultados apenas marginais. Sveiby afirma que os gerentes de negócio necessitam compreender que, diferentemente da informação, o conhecimento está incorporado nas pessoas, e a criação de conhecimento ocorre no processo de interação social. Em uma nota similar, Ikujiro Nonaka, o primeiro Professor Titular da Cadeira Xerox de Conhecimento da Universidade da Califórnia em Berkeley, enfatizou que somente os seres humanos podem ter o papel central na criação do conhecimento. Nonaka argumenta que os computadores são meras ferramentas, não importando a grande capacidade de processamento de informação que possam ter."

Considero a confusão entre informação e competência ainda pior do que a existente entre informação e conhecimento, pois competência deveria ser encarada com muito mais subjetividade e estar ligada a alguma realização física.

De acordo com a caracterização aqui exposta, um indivíduo pode adquirir conhecimento sem interação social. Por exemplo, alguém pode fazer uma visita extensa a Paris sozinho, sem falar com ninguém do local. Bem, Paris é em grande parte um resultado de interações sociais, mas a visita poderia ser feita a um lago ou montanha.

Nanoka parece acreditar que o conhecimento pode ser descrito, com o que não concordo. Finalmente, no sentido exposto, não existe nos computadores "processamento da informação", mas apenas "processamento de dados". Por exemplo, uma formatação de informação por um computador consiste, na realidade, na formatação dos dados que a representam. Com muito mais ênfase ainda sou contra a expressão "processamento de conhecimento" ou "banco de dados de conhecimento".

Em seu livro sobre gerenciamento de conhecimento, Davenport e Prusack dizem: "conhecimento não é nem dado nem informação, embora esteja relacionado a ambos e as diferenças entre aqueles termos sejam freqüentemente uma questão de grau" [Davenport 1998]. Concordo com a primeira afirmação. Mas, nas caracterizações apresentadas, os três conceitos são absolutamente diferentes, e não uma questão de grau.

Eles estão também de acordo com Malhorta: "A confusão sobre o que são dados, informação e conhecimento – como diferem e o que tais palavras significam –, resultou em enormes gastos em iniciativas tecnológicas, raramente produzindo aquilo que as empresas que nisso despenderam o seu dinheiro necessitavam ou pensavam estar obtendo. … O êxito e o fracasso organizacional podem depender freqüentemente de se saber quais daqueles se necessita, quais se tem e o que se pode fazer ou não com cada um deles." Este trabalho tenta estabelecer diferenças essenciais entre eles; quem sabe elas ajudem a dar um fim à presente confusão.

Eles caracterizam "dado" como "um conjunto de fatos discretos, objetivos, sobre eventos." Estou de acordo quanto a dados serem discretos e objetivos. Mas discordo quanto aos eventos, pois dados podem ser gerados por computadores. Por exemplo, podem ser o resultado de alguns cálculos sem qualquer vinculação com fatos do mundo real (os eventos). Sentir o frio é um evento, mas não é um dado. Eles estabelecem que "os dados por si mesmos têm pouca intenção ou relevância." Como foi visto, considero os dados por si sós como sendo simples representações simbólicas, não tendo absolutamente qualquer relevância ou propósito; somente ao serem usados por alguém já não como dados, mas como informação, são acrescentadas relevância e intenção.

Eles também estabelecem que "… não existe qualquer significado inerente aos dados. Os dados descrevem somente uma parte do que aconteceu." Sim, não existe qualquer significado nos dados, eles são apenas representações simbólicas e, por si sós, não possuem qualquer conexão com o que descrevem. Um ser humano deve estabelecer tal conexão. Além disso, eu não diria que os "dados descrevem" algo. Eles simplesmente podem ser a representação de informações, mas também podem ser puro lixo, sem que se possa extrair deles nenhuma informação. Por exemplo, a tabela de cidades e temperaturas em chinês (V. item 2) é puro lixo para quem não lê ou não compreende essa língua.

Duas afirmações interessantes: "Dados são importantes para as organizações – em grande parte, naturalmente, porque constituem matéria prima essencial para a criação de informação." "As empresas algumas vezes acumulam dados porque são factuais e, assim, criam uma ilusão de precisão científica." Como foi exposto aqui, dados são objetivos; além disso, eles podem sempre ser expressos matematicamente, daí a ilusão mencionada.

Na seção sobre informação, eles a descrevem como "… uma mensagem, usualmente na forma de um documento ou de uma comunicação audível ou visível. Como com qualquer mensagem, ela tem um emissor e um receptor. A informação visa mudar a forma com que o receptor percebe algo… A palavra ‘informar’ significava originalmente ‘dar forma a’, e a informação visa moldar a pessoa que a obtém, produzir alguma diferença em seu ponto de vista ou discernimento." A caracterização aqui apresentada é mais geral: ela não implica que aquele que origina a informação visa transmiti-la a mais alguém. Além disso, como no exemplo de se avaliar o frio pondo o braço para fora da janela, a informação nem foi captada por meio de uma mensagem. Mas a concepção de informação como mensagem é muito interessante (desde que tenha algum significado para o receptor), porque cobre a maior parte dos propósitos de se criar alguma informação. Um ponto importante aqui é "Portanto, falando estritamente, segue-se que o receptor, não o emissor, decide se a mensagem que ele obtém é realmente informação – isto é, se ela verdadeiramente o informa". (Veja-se o exemplo da tabela de cidades e temperaturas, mas em chinês.) Mais adiante, lê-se: "Diferentemente dos dados, a informação tem significado – ‘relevância e propósito’… Não somente ela potencialmente forma o receptor, mas ela tem forma: está organizada com algum propósito. Dados tornam-se informação quando o seu criador acrescenta significado". Apesar do problema do criador, pois quem acrescenta significado é principalmente o receptor, e o "criador" de dados poderia ser um computador – é agradável ver que as minhas idéias concordam inteiramente com algumas das deles. Vale a pena mencionar sua última frase naquela seção. "O corolário para os gerentes de hoje é que ter mais tecnologia da informação não necessariamente aumenta o estado da informação". É óbvio, a tecnologia é de dados, e não de informação ou, na melhor das hipóteses, do armazenamento ou transmissão da representação da informação.

Como aquele livro trata sobre gestão do conhecimento, na seção sobre o conhecimento é fornecida uma ampla caracterização desse conceito: "Conhecimento é uma mistura fluida de experiência estruturada, valores, informação contextual e discernimento especializado que fornece um parâmetro para avaliar e incorporar novas experiências em informação. Origina-se e é aplicado nas mentes dos conhecedores. Nas organizações torna-se freqüentemente incorporado não somente em documentos ou repositórios, mas também em rotinas organizacionais, processos, práticas e normas" [pg. 5].

A caracterização dada aqui restringe o conhecimento a uma experiência pessoal; ela não está de acordo com o resto. Em particular, rotinas e processos podem não estar nas mentes dos conhecedores, e as normas escritas são, nesse sentido, apenas dados. Elas podem ser lidas como informação, mas provavelmente algumas dessas normas são incompreensíveis, e portanto são apenas dados mesmo. "Enquanto de um lado encontramos dados em registros ou transações e, por outro, informação em mensagens, obtemos conhecimento dos indivíduos ou grupos de conhecedores ou, às vezes, em rotinas organizacionais". Sim, o conhecimento encontra-se nos indivíduos, mas o que eles transmitem e o que deles se obtém é informação (se o receptor a compreender), isto é, mensagens, de acordo com os autores, em geral sob forma de dados. Mas o exemplo do berro (V. item 3) também mostra que informações podem ser transmitidas sem que sejam representadas por dados.

É interessante observar que o seu valioso livro não menciona a competência. Algumas vezes eles tocam marginalmente em "perícia" ("expertise"), mas seu foco principal está no armazenamento e na transmissão de conhecimento (ou melhor, do que eles entendem por isso), práticas e tecnologias para a gestão do conhecimento, etc.

Um interessante livro é o de Keith Devlin [Devlin 1999]. Ele propõe-se a desenvolver uma "compreensão científica de informação e do conhecimento" [pg. 3]. "É por causa de o fato de ser construído sobre uma investigação robusta (‘sound’) e teórica da informação é que este livro difere da maioria dos livros sobre negócios com as palavras ‘informação’ e ‘conhecimento’ em seus títulos …" [pg. 5]. Só que, no fim do livro, ele diz que sua "teoria", que ele denomina de "teoria da situação" ("situation theory") é simplesmente um "começo de ciência" [pg. 207]. E nem poderia ser mais do que isso, pois aquelas duas palavras dependem do fator humano, o que ele claramente reconhece no caso da segunda [idem]. No fundo, parece-me que sua "teoria" é da especificação de contextos ("situações"). De fato, para haver informação no sentido aqui exposto, é preciso haver "compreensão" da mensagem ou do fenômeno percebido (como os exemplos do frio que está fazendo ou do berro, cf. item 3), o que envolve contexto, dado pela pessoa que recebe ou tem a percepção.

Ele também dá importância a uma conceituação precisa de dados, informação e conhecimento: "É essencial compreender as distinções sutis entre conceitos de dados, informação e conhecimento …" [pg. 14]. Só que, na minha conceituação, as distinções não são sutis, são enormes; quem sabe com isso ela seja mais clara. "… como pudemos observar [por meio de exemplos de como informação – dado, na minha conceituação – transforma-se em conhecimento] a distinção entre informação e conhecimento não é muito limpa (‘clean"), e é em grande parte uma questão de ênfase." [pg. 151]. Parece-me que a conceituação aqui exposta seja bem "limpa".

"Falando aproximadamente (‘roughly’), dados são o que jornais, relatórios e ‘sistemas de processamento de dados’ nos fornecem" [pg. 14]. Minha definição (cf. item 2) é bem mais precisa e genérica. Logo em seguida vem: "Quando pessoas adquirem dados e os encaixam no contexto (‘framework’) de informação previamente adquirida, esses dados tornam-se informação." [idem]. Ora, pois, que circularidade… Mais adiante, como bom matemático de formação, ele dá uma "equação": "Informação = Dados + Significado" [idem] e com isso chega a apenas uma das formas de informação como foi caracterizada aqui. Na conceituação deste artigo, dado é uma representação. Informação pode ser adquirida de um dado se se associar significado a ele, mas ela também pode ser adquirida sem dados. A propósito, não me agradam essas representações em "equações", como se se tratasse de Matemática, o que não o é de maneira nenhuma. Como se pode somar grandezas diferentes? (É análogo a se somar a altura de alguém ao seu peso.) Pior, nem se tratam de grandezas, apesar do primeiro termo poder ser expresso em "bits" na conceituação aqui exposta, mas não na dele. Além disso, ele não define dados e, como foi visto, "significado" é algo informal. Assim, essa soma não tem nada a ver com a soma da Matemática, e o todo não é uma equação.

Nesse ponto, ele chega a conhecimento: "Quando uma pessoa internaliza a informação ao ponto de que pode fazer uso dela, chamamos de conhecimento. … Como uma equação: "Conhecimento = Informação internalizada + Habilidade de usar a informação" [pg. 15]. Aí há uma divergência: no sentido aqui exposto, pode-se ter conhecimento sem que se faça uso dele. Pior, pode-se usar uma informação teórica (internalizada) para derivar outra informação teórica. Além disso, o conhecimento, nesse sentido, exige uma vivência, ao passo que, a internalização que ele menciona poderia dar-se a partir de dados teóricos (como no caso do manual de viagem do item 3). Mas a discordância não é total: "Conhecimento existe nas mentes dos indivíduos." [idem], se bem que talvez as concepções de "mente" sejam diferentes (para mim, ela não é física). Mas, em outro trecho, ele diz "Conhecimento é informação possuída de tal forma que a torna disponível para uso imediato." Se ela está na mente das pessoas, como dizer que ela tem uma "forma"?
Não vou entrar nos detalhes de outras formulações que ele dá para esses conceitos, pois acabaria fazendo uma resenha do mesmo. Resta tratar brevemente do que ele entende por competência.

Ele trata muito pouco dela, que denomina "especialização" ("expertise") [pg. 185]. A minha denominação (correspondente ao inglês "competency") parece melhor, pois nos níveis mais baixos de competência não se pode dizer que um profissional já é especialista. Ele dá os graus de competência já mencionados no item 5, caracterizando cada grau. O "principiante" caracteriza-se por seguir regras consciente e cegamente, sem levar em conta o contexto da situação; o "principiante avançado" também segue regras conscientemente, mas modifica algumas de acordo com o contexto; o "competente" ainda segue regras mas o faz de maneira fluida, sem precisar pensar em cada regra que deve seguir, escolhendo livremente a regra seguinte e provavelmente não reage bem em casos de emergência; o "proficiente" em geral não seleciona e segue regras, reconhecendo situações como sendo muito similares a outras que já enfrentou antes, reagindo por um reflexo treinado; finalmente, o "especialista" não segue regras conscientemente, e nem está ciente de que segue regras que regulam a atividade, agindo "suavemente, sem esforço e subsconscientemente" [pg. 186]. Como se vê, essas caracterizações não são muito claras, e o pior é que, com elas, provavelmente outra pessoa deve atribuir o grau de competência a cada profissional. E o que dizer de áreas intelectuais, como as de projeto, de programação de computadores, etc.? Nessas áreas, a atividade é sempre consciente. Ele faz a seguinte associação. "O primeiro estágio de competência (‘expertise’) corresponde, mais ou menos, a uma informação que é relacionada de maneira tão simples e direta à sua representação, que pode ser praticamente classificada como dados. Os estágios 2 e 3 correspondem mais ou menos à posse de informação. Os estágios 4 e 5 correspondem a conhecimento." [pg. 188]. Uma analogia que parece bem forçada, e do ponto de vista aqui exposto, mistura alhos com bugalhos: só com dados não se faz absolutamente nada, pois eles não têm significado; só com informação faz-se algo somente se ela está relacionada com um conhecimento, pois senão não tem nada a ver com o mundo real. Nas caracterizações aqui apresentadas a competência, mesmo no seu grau mais elementar, sempre envolve conhecimento, pois ela diz respeito a uma ação no mundo real.
Devlin não chega a reconhecer que uma competência diz respeito a uma habilidade sobre uma área de conhecimento, como será visto no próximo item.
9. Matrizes de competência

O exemplo de um guia competente de Paris indica que a competência é uma habilidade de produzir algo (servir de guia) em uma certa área de conhecimento (Paris). Alguém é competente em uma língua estrangeira (a área de conhecimento) se tiver a habilidade de compreender a língua escrita, ou de compreender a língua falada, de falar, de proferir nela conferências ou de fazer a partir dela traduções escritas ou simultâneas, etc. Note-se que uma pessoa pode ter diferentes graus de competência para cada uma dessas habilidades em cada uma de diferentes línguas estrangeiras. Mas para todas as línguas estrangeiras podem ser consideradas as mesmas habilidades. Isso responde a pergunta formulada no início deste artigo.
Assim, pode-se construir para cada profissional uma matriz de competência, indicando em suas linhas as áreas de conhecimento e em suas colunas as várias habilidades aplicáveis àquelas áreas. Cada célula contém um grau de competência, como um dos cinco ou seis mencionados na seção 5 ou os que serão descritos adiante; a falta de competência pode ser indicada por uma célula em branco.

Um profissional pode não ser competente em uma certa habilidade para uma certa área de conhecimento, mas pode ter conhecimentos (experiência pessoal) dela. Este fato é indicado pela atribuição de um grau de conhecimento à célula correspondente na matriz daquela pessoa. O mesmo para a informação nas acepções expostas anteriormente. Assim, as matrizes de competência podem ser usadas para representar não só competências, mas também conhecimentos (o que exige alguma vivência prática, como ter feito exercícios, acompanhado um projeto, etc.) ou informação (que representa um conhecimento meramente teórico, fruto de leituras, cursos sem parte prática, etc.).

Para simplificar a matriz, a representação de algum grau de competência em uma célula elimina a representação de certo grau de conhecimento que, por sua vez, substitui a representação de informação. Isso tem funcionado bem nas várias áreas do processamento de dados; profissionais entrevistados estavam bem satisfeitos com essa simplificação. Uma simplificação adicional foi introduzida no sistema que implementado na PROMON, que contava exclusivamente com uma matriz de T.I., pela diminuição dos graus de conhecimento e informação de cinco para três valores (nenhum, fraco/razoável, bom/excelente). Já no sistema da PRODESP a simplificação foi ainda maior: foram empregados apenas dois valores para os graus de competência ("básica" e "avançada"), e apenas um para conhecimento e um para informação (correspondentes a ter ou não ter).

Por exemplo, se alguém seguiu um curso teórico ou leu alguns manuais referentes a uma certa área, é inserido um grau de informação na célula correspondente. Se a mesma pessoa fez alguns exercícios práticos ou examinou cuidadosamente alguns produtos desenvolvidos com o uso daquela informação, isso é classificado como conhecimento. Um grau de competência somente é lançado no caso de o profissional ter produzido algum produto naquela área ou ter trabalhado nela há algum tempo.

Nas áreas de engenharia e processamento de dados, muitos produtos e sistemas são produzidos através de projetos. Nesses casos, foram representadas as seguintes habilidades típicas, correspondentes a fases de projeto, para cada área de conhecimento: 1. Análise (de requisitos e de objetivos); 2. Projeto (planejamento e modelagem do produto); 3. Construção (montagem do produto ou sistema); 4. Implementação (teste, treinamento do usuário); 5. Suporte (manutenção, apoio). Na PROMON, os dois primeiros itens foram combinados em um só, pois foi notado que os profissionais que tinha um tinham também o outro.

O sistema implementado na PRODESP tem um número qualquer de matrizes. Foram representadas as seguintes matrizes: de T.I., de Sistemas (onde cada área de conhecimento é um sistema desenvolvido pela empresa), de áreas administrativas (representando os conhecimentos fora de T.I., por exemplo na elaboração de licitações, no gerenciamento de recursos humanos, etc.), de línguas estrangeiras e de formação acadêmica. As habilidades e os graus de competência mudam por matriz. Por exemplo, na de formação há duas colunas de habilidades: maior grau (completo ou incompleto) atingido e número de anos de experiência na área de formação. Nesse sistema foi ainda incluído o último ano em que o profissional atuou na área de conhecimento.
O sistema da PROMON foi implementado como protótipo, empregando-se planilhas eletrônicas. Assim a matriz de competências de um profissional é simplesmente uma planilha. Alguma estrutura de bancos de dados foi empregada, como na codificação das áreas de conhecimento.

Já no sistema da PRODESP foi empregado um gerenciador de bases de dados, o que permitiu a generalização de todas as estruturas. Cada matriz é representada por uma coluna em que as áreas de conhecimento são estruturadas em forma de árvore de dois níveis no padrão Windows, isto é, com possibilidade de se expandir ou contrair o primeiro nível. As habilidades aparecem numa segunda coluna, também em dois níveis; o grau de competência é colocado ao lado da habilidade. Exibindo-se uma matriz de um profissional, selecionando-se uma área com o "mouse" os graus de competência lançados aparecem automaticamente ao lado das habilidades válidas para a matriz.

10. Seleção de profissionais

Para selecionar profissionais que satisfazem uma dada combinação de competências, tanto no sistema da PROMON quando no da PRODESP emprega a mesma representação das matrizes que são preenchidas pelos profissionais. No primeiro caso, preenchem-se as células com as competências mínimas desejadas. Quando se desejam várias habilidades para uma mesma área ou várias áreas, o conectivo lógico E é automaticamente assumido. Já no sistema da PRODESP há uma tela especial de seleção, onde pode-se especificar se nas comparações com os graus dos profissionais será usado o operador de comparação <=, = ou >=, indicando competência "inferior ou igual" (para se poder ver quais profissionais não detêm uma competência mínima, por exemplo para se selecionar can1111didatos a treinamento), "igual" ou "superior ou igual" às especificadas na tela de seleção.

Cada linha dessa condição pode conter: 1) apenas uma área de conhecimento (são selecionados os profissionais que detêm algum grau lançado em qualquer habilidade); 2) uma área e uma habilidade (idem, que têm algum grau lançado nessa habilidade para essa área); 3) uma área, uma habilidade e um grau de competência (valendo o operador de comparação escolhido). Uma linha de uma condição de seleção pode ser combinada com a seguinte por meio de um conectivo lógico E ou OU. Nesse último caso, pode-se especificar alternativas, como "competência em UNIX ou LINUX".

Além da condição de seleção, pode-se especificar um fator de obsolescência, por meio do ano em que o profissional trabalhou na área de conhecimento pela última vez, como por exemplo "selecione os profissionais que trabalharam com Delphi pelo menos até o ano 1998".
Ao usar matrizes de competência e condições de seleção para a alocação de profissionais a projetos e cargos, deve-se sempre ter em conta a observação feita sobre as avaliações objetivas e subjetivas (ver final da seção 5).

Durante a especificação de uma condição de seleção o sistema vai montando uma consulta ao banco de dados na linguagem SQL, usando um algoritmo desenvolvido por mim.

O software de recursos humanos PeopleSoft (HRMS), que não tem a conceituação de matrizes (a menos, curiosamente, do caso de línguas estrangeiras, onde estão especificadas várias habilidades) permite que se façam seleções dando-se um "grau de importância" para cada termo da condição de seleção. Como existe uma quantificação interna associada com cada grau de competência, uma combinação linear dos graus de competência e das importâncias produz uma "competência global" numérica para cada funcionário selecionado. O sistema pode, então, apresentar os funcionários selecionados em uma ordem de satisfação da condição de seleção. A atribuição desses pesos é uma questão delicada. O sistema deveria permitir a variação dos pesos, para se poder testar várias combinações dos mesmos, o que não é o caso do sistema da Peoplesoft.

11. Aplicações

A aplicação que originou o estudo aqui descrito e a primeira implementação (a da PROMON) visava selecionar profissionais para a formação de centros de competência (V. item 12) e na seleção de equipes de projeto. À primeira vista, pode-se pensar em elaborar uma única condição de seleção para toda a equipe de um projeto, especificando-se as competências necessárias para a execução deste último, selecionando-se assim a equipe completa. A experiência demonstrou que este não é o caso: líderes de projeto pensam em termos de perfis de profissionais necessários para sub-equipes de um projeto e não na faixa completa de competências requeridas por um projeto como um todo. Por exemplo, eles especificam: "Este projeto necessita, entre outras, de duas pessoas com a habilidade de tanto analisar como projetar ‘sites’ da Internet". Assim, uma equipe é na realidade formada por profissionais que satisfazem, cada um, a uma condição de seleção específica.

Se não existirem profissionais com uma certa competência requerida, o fato de alguém ter sido capaz, em um projeto anterior, em uma outra área de conhecimento e suas habilidades, de transformar suas informações ou conhecimentos em competência, é um forte indicador de preferência em seu favor. Para isso, seria necessário armazenar o histórico de mudanças de competências de cada profissional.

Além da seleção de profissionais, as matrizes de competência servem para se contar quantos profissionais detêm no mínimo uma certa competência dada, em cada célula da matriz, o que foi denominado de contagem geral de competências. Com isso, tem-se o perfil da empresa em ter de competências, podendo-se detectar células (indicando o cruzamento de uma área de conhecimento com uma habilidade) onde há muito poucos profissionais com a competência desejada. Para aproveitar os profissionais da empresa a fim de preencher futuramente as células desejadas, pode-se usar as caracterizações aqui expostas. Assim, um profissional que detém bom conhecimento não necessita de mais treinamento, e sim de participação em equipes de projeto ou de atuação em uma habilidade de uma área desejada, a fim de adquirir competência. Já a falta de informação em uma habilidade de uma área indica a necessidade de se prover treinamento. No caso de um profissional deter somente informação, pode-se decidir colocá-lo em um curso com parte prática, ou mesmo integrar uma equipe para adquirir o conhecimento e talvez a competência desejada.

O sistema pode ser expandido para se poder representar as matrizes das competências essenciais ("core competencies") de uma empresa. Essas matrizes indicariam quais competências mínimas devem existir dentro da própria empresa. Poderia haver então uma contagem geral apenas nas células das competências essenciais, indicando as falhas que devem ser preenchidas.

Sistemas gerenciadores como os descritos podem servir para uma Central de Atendimento localizar profissionais para atender consultas de clientes da empresa; para selecionar candidatos dentro da empresa para participar de processos seletivos; para localizar profissionais que devem acompanhar visitantes conforme o perfil destes, ou profissionais para serem entrevistados por veículos de comunicação sobre certas atividades específicas da empresa, etc.
Um sistema desses pode servir para grandes indústrias, a fim de alocar especialistas na operação de certas máquinas, etc. Nesse sentido, o levantamento das matrizes, das áreas de conhecimento e das habilidades relevantes formaria um modelo de referência de competência para cada segmento industrial.

Uma outra aplicação poderia ser a de alocação de professores em redes municipais ou estaduais de ensino. Por exemplo, a Secretaria da Educação do Estado de São Paulo conta com aproximadamente 300.000 professores. O sistema permitiria a criação de uma matriz de localidades e bairros, de modo que se pudesse selecionar professores não só pelas competências didáticas, mas também pela preferência de região de atuação.

Finalmente, um sistema semelhante poderia servir para coletar dados sobre candidatos a vagas em uma empresa, pois ele pode ser encarado como uma sistematização de currículos. Um sistema específico para vagas é o excelente Selector, desenvolvido pela PCA Engenharia de Software, de São Paulo (ver em www.selector.com.br). Ele é baseado numa concepção de "fichas curriculares", havendo uma ficha com informações básicas, permitindo-se que cada empresa adicione suas próprias fichas. Qualquer pessoa pode introduzir seus dados profissionais por meio da Internet, empregando a ficha básica, e acrescentar informações nas fichas específicas correspondentes a vagas de empresas, criadas por estas. De certa maneira, a PCA criou uma linguagem para definição de fichas curriculares. O sistema tem um interessante método de pesos associados a cada competência requerida, permitindo assim a ordenação dos candidatos selecionados. Esse método permite saber-se ainda quais candidatos preenchem todos os requisitos mínimos, pois esses recebem a soma máxima dos pesos. Várias grandes empresas já estão utilizando o sistema, podendo-se assim ter uma boa idéia de seus princípios, implementação e utilidade por meio de acesso pela Internet. Até o momento em da revisão deste artigo, senti a falta, nesse sistema, das conceituações aqui apresentadas para informação, conhecimento e competência, principalmente a caracterização da última como a confluência de uma habilidade em uma área de conhecimento, com a respectiva representação matricial.

12. Implementações

Na PROMON foi feita uma implementação de um protótipo juntamente com José Márcio Illoz, usando planilha eletrônica. Foi implementada uma matriz "padrão", com os nomes das áreas de conhecimento nas linhas e as habilidades nas colunas. As áreas são codificadas; os códigos servem para fazer a ligação lógica com uma planilha contendo a consolidação das competências de todos os profissionais. Essa matriz consolidada é usada na seleção e contagem de profissionais.
Um trabalho muito importante ligado ao levantamento de competências é o estabelecimento das áreas de conhecimento. No caso da PROMON foram levantadas cerca de 160 áreas para T.I., divididas em 3 níveis hierárquicos, que denominei de "grandes áreas", "áreas" e "sub-áreas". Infelizmente, em T.I é necessário entrar-se em muitos detalhes. Por exemplo, um profissional que tem competência na instalação de LINUX pode não tê-la em NT.

O sistema da PRODESP foi programado por Mateus Saldanha, usando Delphi e Oracle. O uso de um gerenciador de banco de dados em rede permitiu que se generalizasse o sistema para um número qualquer de matrizes e um número qualquer de habilidades por matriz (no caso da PROMON, havia uma só matriz com um número pré-determinado de habilidades, devido ao formato fixo imposto pela planilha eletrônica). Com isso, a representação das habilidades foi reduzida a dois níveis. Foi ainda introduzido o fator de obsolescência (V. item 10), e um sistema de segurança. O número variável de habilidades por matriz permitiu que se ampliasse o número de habilidades em relação ao sistema da PROMON para o caso da matriz de T.I., que ficou com 3 partes: habilidades de infra-estrutura (hardware e software), desenvolvimento de sistemas, e dar treinamento na área de conhecimento, num total de 8 habilidades de segundo nível. Aliás, a habilidade "dar treinamento" existe em todas as matrizes, a menos da de formação. Com isso, foram eliminadas duplicações de áreas (na PROMON, havia uma área UNIX na seção Infraestrutura, isto é, instalação desse sistema operacional, e a mesma área em Desenvolvimento, isto é, uso do UNIX para desenvolvimento de sistemas). Uma das conseqüências foi a redução dos níveis hierárquicos das áreas de conhecimentos para apenas 2, simplificando o sistema.

A segurança do sistema da PRODESP é feita em 4 níveis de acesso. O primeiro, que foi denominado de "usuário genérico", é aberto a qualquer pessoa da rede, que pode somente fazer uso da tela de seleção de profissionais, obtendo apenas o nome e dados básicos cadastrais dos profissionais que satisfazem a alguma condição de seleção. O "usuário pessoal" é o que está cadastrado no sistema com uma senha própria. Além de seleções, ele tem acesso apenas aos seus dados cadastrais e suas matrizes de competência, podendo alterá-las. O "usuário supervisor" pode ter todo o acesso do usuário pessoal, e ainda ler as matrizes de competências de seus subordinados. Finalmente, o "administrador do sistema" tem acesso irrestrito, podendo alterar as matrizes do sistema e os dados de qualquer profissional.

Na revisão deste artigo para este volume, o sistema da PRODESP já tinha sido testado com algumas dezenas de profissionais, e estava em fase de desenvolvimento de uma versão para a Intranet, usando JBuilder. Estava também em fase de implementação um banco de dados de treinamento integrado com o sistema de competências. Essa integração é feita principalmente pelo uso das mesmas áreas de conhecimento e habilidades nos dois sistemas, especificando-se quais áreas e habilidades são abrangidos por cada treinamento. Assim que um profissional concluir satisfatoriamente um curso, será feito o lançamento automático de uma competência (mais precisamente, informação ou conhecimento) na sua matriz, nas áreas e habilidades abrangidas por esse curso.

No caso da PROMON, fiz pessoalmente o preenchimento das matrizes apenas para os profissionais de T.I., junto com cada funcionário. Com isso, foi mantida uma certa uniformidade dos dados. No caso da PRODESP isso é inviável, pela quantidade muito grande de profissionais. A solução foi dar uma palestra sobre os conceitos do sistema, deixando cada profissional preencher sua matriz. Posteriormente, os supervisores ou líderes de projeto devem rever os preenchimentos e tentar uma uniformização.

13. Centros de competência

Uma empresa pode ser organizada com "centros de competência" (CCs). Isto significa que profissionais não são agrupados em departamentos ou divisões, mas em grupos de áreas de conhecimento afins. Nessa organização, reduzem-se os departamentos de negócio, que passam a ser dedicados a desenvolver novos projetos para a empresa ou para seus clientes. Os projetos são da responsabilidade dos departamentos de negócio, que requisitam do Centro de Gerenciamento de Projetos um ou mais gerentes para o projeto e dos CCs técnicos os profissionais necessários para desenvolvê-los.

Obviamente, caracterizações claras de informação, conhecimento e competência detidas pelos profissionais e seu levantamento são necessárias para a caracterização, estabelecimento e o funcionamento de um CC.

A razão para se organizar um CC é clara: as empresas desejam otimizar a alocação dos recursos humanos, diminuindo o tempo ocioso e escolhendo as pessoas certas, com a necessária competência, para cada projeto ou função. Mais que isso, uma tal organização favorece uma flexibilidade e uma dinâmica operacionais muito maiores, tornando-a seguramente mais adequada à nossa época agitada, de rápidas mudanças.

As vantagens são evidentes. Mas, o que dizer das desvantagens? Os CCs podem romper a integração social e o sentido de identidade da companhia. Os profissionais podem identificar-se com o projeto no qual estão envolvidos, mas projetos não são tão estáveis ou duráveis como os departamentos e as divisões. Quando um projeto é da iniciativa e realização de um departamento, terminá-lo significa permanecer no mesmo departamento e assumir um novo projeto com alguns dos mesmos colegas no mesmo ambiente administrativo. Estando lotado em um CC, após o término de um projeto para o qual foi alocado, o profissional retorna àquele centro, encontrando-se com os participantes de outros projetos. Argumenta-se que os profissionais desenvolverão uma identificação para com os seus CCs. Serão, ainda, capazes de interagir muito mais com os seus pares, dispersos entre vários departamentos nos modelos organizacionais clássicos e sem praticamente qualquer contato uns com os outros. Isso também estimularia o intercâmbio de informação e de conhecimento, ajudando o desenvolvimento de competências através do trabalho conjunto, facilitando também a organização e planejamento de treinamentos. Seria ótimo se um tal ponto de vista for correto.

14. Conclusões

Neste trabalho foram expostas caracterizações originais para informação, conhecimento e competência. Nas dezenas de entrevistas que fiz ao levantar competências de profissionais na área de T.I., essa distinção mostrou-se extremamente útil. Os entrevistados rapidamente acostumam-se a elas ao classificarem seus graus de informação, conhecimento ou competência. Uma outra contribuição foi a caracterização de competência como se referindo a uma determinada habilidade sobre uma certa área de conhecimento. Com isso foi possível introduzir maior clareza nesses conceitos, e representar as competências em forma de matrizes bidimensionais, agrupando as áreas de conhecimento em distintas matrizes de acordo com o conjunto de habilidades que se aplicam às distintas áreas.

Essas matrizes representam, em síntese, uma sistematização dos currículos dos profissionais, em termos de competências, conhecimentos e informações por eles detidos. Currículos, empregados na seleção de profissionais para o preenchimento de cargos ou na formação de equipes de projetos, consistem tradicionalmente de textos não sistematizados. Mesmo que divididos em tópicos, esses textos não se prestam a um processamento de dados, contrariamente ao método aqui exposto. Ele se distingue de outros sistemas de competências pelo fato de usar matrizes e de levar em conta graus de informação, conhecimento e competência.

É importante enfatizar que o computador apenas indica quais profissionais qualificam-se nas competências desejadas. Após essa indicação deve-se proceder a um exame dos currículos, a entrevistas, etc., a fim de complementar os dados com uma fase de análise subjetiva, necessária sempre que se lida com questões humanas (V. item 5) – caso contrário as pessoas são tratadas como máquinas, advindo em geral problemas psicológicos, fora falhas na seleção.

O resultado prático do levantamento de competências na PROMON e na PRODESP foi muito bom. Os profissionais entrevistados ficam agradecidos com a chance de verem seu currículo representado sistematicamente, e a possibilidade de atualizá-lo constantemente.

Há 3 grandes problemas no levantamento de competências segundo o método aqui exposto. Em primeiro lugar há a necessidade de uniformizar os critérios de atribuição dos vários graus de competência, caso contrário não se pode comparar um profissional com outro. Esse problema foi resolvido na PROMON com a concentração das entrevistas em um só entrevistador. Mas isso é inviável quando se tem muitas centenas de profissionais, pois cada entrevista leva em geral pelo menos 1 hora. Em segundo lugar, este método não leva em conta a qualidade dos projetos e do trabalho já executados pelos profissionais. Para isso seria necessário introduzir mais um fator, que teria que ser levantado com os líderes de projeto e gerentes. Mas aí introduzir-se-ia um aspecto de julgamento por superiores, que foi evitado ao desconsiderá-lo. Um terceiro problema, que não foi enfrentado, foi o de introduzir uma matriz comportamental, com competências em liderança, em trabalho em equipe, qualidade de comunicação escrita e oral, etc. Muitos autores dão mais importância a às competências comportamentais do que às técnicas, como Daniel Goleman [Goleman 1995]. Mas o levantamento dessas competências introduz um fator delicado e que talvez desse ser evitado numa fase inicial: elas não devem ser lançadas pelo próprio profissional, mas seu chefe imediato. A tarefa que na PROMON dizia respeito exclusivamente às competências técnicas, de modo que o problema foi evitado pela raiz. Na PRODESP foi proposto evitar as competências comportamentais para não cair em possíveis conflitos sociais decorrentes da avaliação de um profissional por um terceiro, o que poderia colocar os profissionais contra o levantamento de suas competências. Talvez por se ter evitado os problemas decorrentes dos dois últimos pontos, a receptividade do sistema foi excelente entre os profissionais dessas duas empresas.

Referências

1. Cusumano, M. e R.W. Selby. How Microsoft Builds Software. Communications of the ACM Vol. 20, No. 6, June 1997, pgs 53-61.
2. Davenport, T.H. e L. Prusak. Working Knowledge: how Organizations Manage what they Know. Boston: Harvard Business Scholl Press, 1998.
3. Devlin, K. Infoscience: Turning Information into Knowledge. New York: W.H. Freeman, 1999.
4. Goleman, D. Inteligência Emocional: A Teoria Revolucionária que Redefine o que é Ser Inteligente (trad. M. Santarrita). Rio de Janeiro: Ed. Objetiva, 1995.
5. MIT I/T Competence Model. Disponível em http://web.mit.edu/is/competency.
   Malhorta, Y. Tools@Work: Deciphering the Knowledge Management Hype. Journal of Quality and Participation, special issue on Learning and Information Management, Vol. 21, No. 4, July/August 1998, pgs. 58-60.
6. Roszak, T. The Cult of Information: A Neo-Luddite Treatise on High-Tech, Artificial Intelligence, and the True Art of Thinking. Berkeley: University of California Press, 1994.
   Searle, J. Minds, Brains & Science: the 1984 Reith Lectures. New York: Penguin Books, 1991.
7. Steiner, R. A Filosofia da Liberdade: Fundamentos para uma Filosofia Moderna – Resultados com Base na Observação Pensante, Segundo o Método das Ciências Naturais, A 4. São Paulo: Ed. Antroposófica, 2000.
8. Talbott, S.L. (ed.). Netfuture: Technology and Human Responsibility. Revista eletrônica, todos os números disponíveis em www.netfuture.org.