Chamada para Dossiê Especial: Gênero e Teoria dos Sistemas: articulações conceituais e aplicações empíricas. A Rede Latino-Americana de Sistemas Sociais e Complexidade (RELASSC), por meio da coordenação do Seminário Latino-Americano de Gênero e Diferenciação Funcional, convoca a apresentação de artigos e pesquisas para o Número Especial da Revista MAD, publicação eletrônica semestral do Mestrado em Análise Sistêmica Aplicada à Sociedade (vinculado à Faculdade de Ciências Sociais da Universidade do Chile), que será publicado em julho de 2026.
Escopo e justificativa: Nas últimas décadas, o debate sobre gênero ampliou-se para além de abordagens normativas e identitárias, incorporando análises de operações comunicativas, mecanismos organizacionais e sistemas sociais (direito, política, ciência, educação, mídia, saúde, economia). Em diálogo com a teoria dos sistemas (especialmente a tradição luhmanniana e seus desenvolvimentos contemporâneos), emergem perspectivas que descrevem como códigos, programas, formas de diferenciação, inclusão e exclusão e estruturas organizacionais produzem assimetrias de gênero e interagem com marcadores de raça, classe, sexualidade e território.
Este dossiê busca consolidar um campo de investigação que articule gênero e teoria dos sistemas, explorando conceitos, métodos e evidências capazes de propor novas maneiras de tensionar a teoria de gênero e de avançar nas discussões sobre a teoria dos sistemas sociais.
Serão aceitos artigos teóricos, conceituais e/ou empíricos que: 1. Dialoguem explicitamente com a teoria dos sistemas sociais (por exemplo: comunicação, diferenciação funcional, acoplamentos, organização/interação/sociedade, programas/códigos, inclusão e exclusão); e 2. Analisem problemas de gênero em contextos específicos (instituições, políticas públicas, mídia, organizações, educação, justiça, saúde, ciência e tecnologia, trabalho, cultura).
Temas de interesse
(lista não exaustiva; porém os estudos devem ter a teoria dos sistemas sociais como referência analítica): • Gênero como observável sistêmico: semânticas, códigos e expectativas de papel. • Organizações e vieses: recrutamento, avaliação, promoção, métricas e cumprimento normativo. • Direito e justiça: decisões, procedimentos, protocolos, produção de desigualdades e mecanismos de inclusão/exclusão. • Política e políticas públicas: programas, implementação, aprendizagem organizacional e governança. • Ciência, universidade e conhecimento: autoria, gatekeeping, perícias, avaliação por pares. • Mídia e plataformas: circulação de sentidos, escândalos, observação de segunda ordem, desinformação e gênero. • Saúde e assistência: rotinas clínicas, prontuários, protocolos, tecnologias do cuidado, saúde mental. • Educação: currículos, avaliação, disciplina, comunicação pedagógica e marcadores de diferença. • Economia e trabalho: formalização/informalidade, plataformas digitais, cuidado e reprodução social. • Tecnologia e IA: modelagem algorítmica, vieses, regulação e acoplamentos com direito/política. • Interseccionalidades (gênero/raça/classe/território) como programas que reconfiguram operações sistêmicas. • Metodologia: estratégias para observar comunicações, decisões e estruturas de expectativa em contextos organizacionais.
Abordagens e métodos: • Contribuições teóricas/analíticas (reconstruções conceituais, debates, sínteses). • Estudos empíricos qualitativos, quantitativos ou mistos (documentos, decisões, etnografia organizacional, análise de redes/comunicações, métodos computacionais). • Ensaios metodológicos sobre como observar operações sistêmicas em pesquisas de gênero.
Âmbito regional e comparações: Trabalhos que abordem casos da América Latina são incentivados, assim como comparações e diálogos com outras regiões.
Idiomas: Serão aceitos envios em português ou espanhol.
Datas importantes: Os artigos devem ser enviados para o e-mail: relassc.genero@gmail.com. • Recebimento de artigos: até 31 de março de 2026. • Notificação de propostas selecionadas: 30 de abril de 2026
Política editorial: disponível na página da revista
https://revistamad.uchile.cl/index.php/RMAD/politicas . A coordenação e a recepção dos artigos serão de responsabilidade do Seminário Latino-Americano de Gênero e Diferenciação Funcional: • Dra. Carolina Busco Ramírez (Universidad Diego Portales – Chile), • Doutoranda Kamila Carino Machado (Universidade Estadual do Norte Fluminense Darcy Ribeiro UENF – Brasil), • Dra. Elisa López Miranda (UNAM – México), • Dra. Mayra Rojas Rodríguez (UNAM – México).
Amaral, F. (2016). Introdução à ciência de dados: mineração de dados e big data. São Paulo: DTP.
Bostrom, N. (2019). Superinteligência: caminhos, perigos, estratégias. São Paulo: DarkSide Books.
Brown, T. et al. (2020). Language models are few-shot learners. Advances in Neural Information Processing Systems (NeurIPS), 33.
Cazzaniga, M. (2024). Gen-AI: Artificial intelligence and the future of work. Washington, DC: International Monetary Fund.
Chen, H., Chiang, R. H. L., e Storey, V. C. (2012). Business intelligence and analytics: from big data to big impact. MIS Quarterly, 36(4), 1165–1188.
Floridi, L. (2014). The fourth revolution: how the infosphere is reshaping human reality. Oxford: Oxford University Press.
Goodfellow, I., Bengio, Y., e Courville, A. (2016). Deep learning. Cambridge, MA: MIT Press.
Grus, J. (2016). Data science do zero: primeiras regras com o Python. Rio de Janeiro: Alta Books.
Haykin, S. (2008). Neural networks and learning machines. 3. ed. Pearson.
LeCun, Y., Bengio, Y., e Hinton, G. (2015). Deep learning. Nature, 521, 436-444.
Lee, K.-F. (2018). AI superpowers: China, Silicon Valley and the new world order. Boston: Houghton Mifflin Harcourt.
Lee, K.-F. (2019). Inteligência artificial: como os robôs estão mudando o mundo, a forma como amamos, nos relacionamos, trabalhamos e vivemos. Rio de Janeiro: Globo Livros.
Murphy, K. P. (2012). Machine learning: a probabilistic perspective. Cambridge, MA: MIT Press.
O’Neil, C. (2017). Weapons of math destruction: how big data increases inequality and threatens democracy. New York: Crown Publishing Group.
Pinheiro, Á. F. (2021). Inteligência artificial: fundamentos e aplicabilidades. Recife: Centro de Formação de Servidores e Funcionários Públicos do Estado de Pernambuco – CEFOSPE.
Pinheiro, Á. F. (2022). Automação de processos através da RPA para transformação digital. Brasília: Escola Nacional de Administração Pública – ENAP.
Pinheiro, Á. F., Silveira, D. S., e Lima Neto, F. B. (2022). Use of machine learning for active public debt collection with recommendation for the method of collection via protest. In: Wyld, D. C. et al. (eds.), AIAPP, NLPML, DMA, CRIS, SEC, CoSIT, SIGL – 2022. Computer Science & Information Technology (CS & IT), 99-108.
Pinheiro, Á. F., Santos, W. B., e Lima Neto, F. B. (2023a). Intelligent framework to support technology and business specialists in the public sector. IEEE Access, 11, 15655-15662.
Pinheiro, Á. F., Santos, W. B., e Lima Neto, F. B. (2023b). Use of machine learning to validate an intelligent framework to support decision making in the public sector. Journal of Artificial Intelligence & Cloud Computing, 2(3), 1-13.
Pinheiro, Á. F. (2024). Inteligência artificial. Recife: Escola de Governo de Administração Pública de Pernambuco.
Pinheiro, Á. F. (2025). Inteligência artificial. Recife: Escola de Saúde Pública de Pernambuco.
Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386-408.
Rumelhart, D. E., Hinton, G. E., e Williams, R. J. (1986). Learning representations by back-propagating errors. Nature, 323, 533-536.
Russell, S., e Norvig, P. (2021). Artificial intelligence: a modern approach. 4. ed. Pearson.
Santos-D’Amorim, K. et al. (2020). Dos dados ao conhecimento: tendências da produção científica sobre Big Data na Ciência da Informação no Brasil. Encontros Bibli, 25, 1–23.
Schwab, K. (2016). A quarta revolução industrial. São Paulo: Edipro.
Sharma, N. (2022). Business Process Automation: The Essential Guide to Business Process Automation Strategies. London: Routledge.
Siegel, E. (2020). Análise preditiva: o poder de predizer quem vai clicar, comprar, mentir ou morrer. 2. ed. Rio de Janeiro: Alta Books.
Surden, H. (2020). Artificial intelligence and law: an overview. Georgia Law Review, 35(3), 1–30.
Vaswani, A. et al. (2017). Attention is all you need. Advances in Neural Information Processing Systems (NeurIPS), 30.
Widrow, B., e Hoff, M. E. (1960). Adaptive switching circuits. Institute of Radio Engineers, WESCON Convention Record.
Witten, I. H., Frank, E., e Hall, M. A. (2016). Data mining: practical machine learning tools and techniques. 4. ed. Morgan Kaufmann.