@MASTERSTHESIS{ 2025:1750181274,
 	title = {Inteligência artificial com processamento de linguagem natural em people analytics para predição de clima organizacional},
 	year = {2025},
 	url = "http://bibliotecatede.uninove.br/handle/tede/3920",
 	abstract = "Contexto: A crescente adoção de tecnologias de inteligência artificial (IA) nas organizações tem impulsionado avanços significativos na forma como se analisa o comportamento humano no ambiente de trabalho. Embora áreas como recursos humanos (RH) coletem grandes volumes de dados em linguagem natural, como entrevistas de desligamento, feedbacks, pesquisas de clima e eNPS (Employee Net Promoter Score), esses dados ainda não são plenamente explorados em people analytics. Objetivo: Aplicar técnicas de processamento de linguagem natural (PLN) para desenvolver métodos preditivos do clima organizacional, utilizando como base textual as entrevistas de desligamento. Método: Para isso, foi conduzido um modelo supervisionado de análise de sentimentos, Random Forest, com e sem o uso de dados sintéticos. As dimensões diretas de escalas (1-5), (0-10) e os rótulos de sentimento (detrator, neutro e promotor) foram definidas manualmente por três especialistas em RH intitulados como (E1, E2 e E3) e consolidadas por um modelo de consenso intitulado como (E4), sendo um dos especialistas da empresa pesquisada, e os demais provenientes de outras organizações, ampliando a perspectiva de mercado. Também foram consideradas as dimensões indiretas do eNPS, definidas manualmente pelo especialista (E2), incluindo liderança, carreira, comunicação, diversidade, saúde e bem-estar, retenção, times, treinamento, inovação e engajamento, associados às perguntas e respostas das entrevistas. O desempenho do modelo foi avaliado por métricas como acurácia, precisão, recall e f1-score. Complementarmente, a pesquisa incorporou análises de sentimentos agrupadas às dimensões indiretas, estatística aplicada, visualizações e análises temporais, permitindo observar a evolução do clima organizacional ao longo do tempo. Resultados: O modelo Random Forest final, treinado exclusivamente com dados reais, apresentou o melhor desempenho, alcançando acurácia de 75%. Conclusão: Esse resultado demonstra o potencial da abordagem para apoiar decisões estratégicas baseadas em dados, orientar intervenções mais assertivas e contribuir para uma gestão de pessoas mais precisa e humanizada nas organizações.",
 	publisher = {Universidade Nove de Julho},
 	scholl = {Programa de Pós-Graduação em Informática e Gestão do Conhecimento},
 	note = {Informática}
}