Temas de TCC de Ciência da Computação com Inteligência Artificial em 2026: 30 Ideias e a Pergunta de Pesquisa

Temas de TCC de Ciência da Computação com Inteligência Artificial em 2026: 30 Ideias e a Pergunta de Pesquisa

Um TCC de Ciência da Computação sobre Inteligência Artificial em 2026 corre dois riscos opostos: ser tema demais amplo (“aplicações de IA na sociedade”) ou copiar um projeto de curso sem contribuição própria. Os 30 temas abaixo, organizados por subárea, evitam os dois problemas — cada um já vem com uma pergunta de pesquisa formulada e o tipo de artefato/experimento esperado, para você adaptar ao seu contexto e aos dados que consegue acessar.

Como usar esta lista

Cada tema tem três elementos: a pergunta de pesquisa (o que o trabalho responde), o artefato esperado (o que você efetivamente vai construir ou avaliar) e a fonte de dados mais provável. Escolha um tema cujo dataset você já sabe onde encontrar — a maior causa de atraso em TCCs de IA não é a modelagem, é a etapa de conseguir dados de qualidade suficiente a tempo. Antes de comprometer-se com um tema, vale rodar um teste rápido: baixe uma amostra pequena do dataset pretendido e confira se o formato, o volume e a qualidade correspondem ao que o tema exige — descobrir um problema de dados na primeira semana custa muito menos do que descobrir no mês da entrega.

Visão Computacional (6 temas)

  1. Detecção de defeitos em peças industriais por visão computacional. Pergunta: qual arquitetura de rede convolucional (CNN) atinge melhor acurácia na detecção de defeitos visuais numa linha de produção específica? Artefato: modelo treinado/fine-tuned + relatório comparativo de arquiteturas.
  2. Classificação de doenças em plantas por imagem de folha. Pergunta: um modelo de classificação de imagens treinado com dataset público (PlantVillage) generaliza para fotos tiradas em condições de campo, fora do laboratório? Artefato: modelo + avaliação de generalização com fotos reais.
  3. Contagem automática de pessoas em imagens de câmeras de segurança. Pergunta: qual a acurácia de contagem de um modelo de detecção de objetos em cenários de aglomeração densa? Artefato: pipeline de contagem + comparação com contagem manual.
  4. Reconhecimento de placas veiculares brasileiras (padrão Mercosul). Pergunta: qual a taxa de acerto de OCR (reconhecimento óptico de caracteres) aplicado a placas em condições variadas de iluminação e ângulo? Artefato: pipeline OCR + relatório de acurácia por condição.
  5. Segmentação de imagens de satélite para monitoramento de desmatamento. Pergunta: um modelo de segmentação semântica treinado com imagens públicas (Sentinel-2) identifica áreas de desmatamento recente com precisão suficiente para uso preliminar? Artefato: modelo + mapa de área identificada comparado a base oficial.
  6. Detecção de sonolência ao volante por análise facial em vídeo. Pergunta: um modelo de detecção de fechamento de olhos identifica sinais de sonolência com latência aceitável para aplicação em tempo real? Artefato: protótipo funcional + teste de latência.
Estudante de Ciência da Computação analisando gráficos de métricas de um modelo preditivo
A escolha do dataset determina o cronograma do TCC mais do que a arquitetura do modelo.

Processamento de Linguagem Natural (6 temas)

  1. Classificação de sentimento em avaliações de produtos em português brasileiro. Pergunta: um modelo pré-treinado em português (BERTimbau) supera um modelo clássico de bag-of-words na classificação de sentimento de avaliações de e-commerce? Artefato: comparação de modelos + relatório de métricas.
  2. Detecção de discurso de ódio em comentários de redes sociais. Pergunta: qual a acurácia de um classificador de discurso de ódio treinado com dataset público em português, e quais categorias de erro (falsos positivos/negativos) são mais frequentes? Artefato: modelo + análise de erros por categoria.
  3. Resumo automático de acórdãos jurídicos brasileiros. Pergunta: um modelo de sumarização extrativa produz resumos de acórdãos avaliados como úteis por profissionais da área jurídica? Artefato: pipeline de sumarização + avaliação humana estruturada.
  4. Chatbot de triagem de dúvidas frequentes para um serviço público municipal. Pergunta: um chatbot baseado em recuperação de informação (RAG) responde corretamente a perguntas frequentes de um serviço público específico, comparado a um FAQ estático? Artefato: protótipo funcional + taxa de resolução correta.
  5. Detecção de fake news em textos jornalísticos brasileiros. Pergunta: quais características textuais (linguísticas, estruturais) mais contribuem para a classificação correta de notícias falsas num dataset em português? Artefato: modelo + análise de importância de características.
  6. Correção automática de redações do ENEM por critério da matriz de competências. Pergunta: um modelo de linguagem consegue prever a nota de uma competência específica da matriz do ENEM com correlação aceitável em relação à nota humana? Artefato: modelo + análise de correlação por competência.

Sistemas Recomendadores e Análise Preditiva (6 temas)

  1. Sistema de recomendação de disciplinas eletivas para estudantes de graduação. Pergunta: um sistema de recomendação baseado em filtragem colaborativa sugere disciplinas mais alinhadas ao histórico do estudante do que a lista padrão da coordenação? Artefato: protótipo + avaliação com histórico real (anonimizado).
  2. Predição de evasão universitária a partir de dados acadêmicos. Pergunta: quais variáveis (frequência, notas, reprovações) mais contribuem para um modelo preditivo de risco de evasão numa instituição específica? Artefato: modelo + ranking de variáveis mais preditivas.
  3. Previsão de demanda de estoque para pequeno varejo com séries temporais. Pergunta: um modelo de série temporal (Prophet ou ARIMA) reduz o erro de previsão de demanda em comparação com a média móvel simples usada atualmente pelo estabelecimento? Artefato: modelo + comparação de erro (MAE/RMSE) contra o método atual.
  4. Detecção de fraude em transações de cartão com dados desbalanceados. Pergunta: técnicas de balanceamento de classes (SMOTE) melhoram a detecção de fraude num dataset com forte desbalanceamento entre transações legítimas e fraudulentas? Artefato: comparação de modelos com e sem balanceamento.
  5. Recomendação de rotas de coleta de resíduos por otimização e aprendizado de máquina. Pergunta: um modelo que combina previsão de volume de resíduos com otimização de rota reduz a distância percorrida em comparação com a rota fixa atual? Artefato: simulação comparativa de rotas.
  6. Predição de churn (cancelamento) de assinantes de um serviço digital. Pergunta: qual combinação de variáveis comportamentais prediz com maior acurácia o cancelamento de assinatura nos 30 dias seguintes? Artefato: modelo + relatório de variáveis mais preditivas.
Proposta de pesquisa impressa com diagramas de dataset e notas adesivas
Declarar a métrica de avaliação antes de rodar os experimentos evita a tentação de escolher a métrica que favorece o resultado.

IA Aplicada à Saúde e Acessibilidade (6 temas)

  1. Triagem de risco em imagens dermatológicas com dataset público. Pergunta: um modelo de classificação de lesões de pele treinado com dataset público (HAM10000) atinge sensibilidade suficiente para uso como ferramenta de triagem preliminar, não diagnóstica? Artefato: modelo + relatório de sensibilidade e especificidade.
  2. Tradução automática de texto para Língua Brasileira de Sinais (Libras) em glosas. Pergunta: um modelo de tradução de texto para glosas de Libras produz sequências avaliadas como compreensíveis por usuários surdos? Artefato: protótipo + avaliação por usuários (com participação da comunidade surda).
  3. Detecção de quedas de idosos por sensores vestíveis e aprendizado de máquina. Pergunta: um modelo treinado com dados de acelerômetro distingue quedas de atividades cotidianas com taxa de falso positivo aceitável para uso doméstico? Artefato: modelo + teste com simulação de quedas controladas.
  4. Assistente de leitura por síntese de voz adaptado a textos técnicos em português. Pergunta: um sistema de texto para voz customizado melhora a compreensão de textos técnicos por usuários com deficiência visual, comparado a um leitor de tela genérico? Artefato: protótipo + avaliação de compreensão com usuários.
  5. Predição de tempo de espera em pronto-socorro com dados históricos de triagem. Pergunta: um modelo preditivo estima o tempo de espera de um paciente com erro aceitável para exibição em painel informativo? Artefato: modelo + comparação com tempo real observado.
  6. Classificação de exames de raio-X de tórax para triagem preliminar. Pergunta: um modelo de classificação de imagens médicas treinado com dataset público atinge desempenho comparável ao relatado na literatura para o mesmo dataset? Artefato: modelo + replicação de benchmark da literatura.

Ética, Viés e Governança de IA (6 temas)

  1. Auditoria de viés racial em modelos de reconhecimento facial disponíveis publicamente. Pergunta: um modelo de reconhecimento facial de uso público apresenta diferença de acurácia estatisticamente significativa entre grupos raciais num dataset de teste balanceado? Artefato: relatório de auditoria com métricas desagregadas por grupo.
  2. Explicabilidade de modelos de crédito: comparação entre modelo caixa-preta e modelo interpretável. Pergunta: um modelo interpretável (árvore de decisão) sacrifica quanta acurácia em relação a um modelo caixa-preta (rede neural) na predição de risco de crédito, e o que se ganha em explicabilidade compensa a diferença? Artefato: comparação de modelos + análise de trade-off.
  3. Conformidade de sistemas de IA com a LGPD: mapeamento de riscos em um caso de uso simulado. Pergunta: quais pontos de um pipeline de machine learning típico (coleta, treinamento, inferência) apresentam maior risco de não conformidade com a LGPD? Artefato: mapeamento de riscos + recomendações de mitigação.
  4. Detecção de conteúdo gerado por IA em textos acadêmicos. Pergunta: qual a acurácia de detectores de texto gerado por IA disponíveis publicamente, aplicados a um corpus de textos acadêmicos em português? Artefato: avaliação comparativa de detectores + análise de falsos positivos.
  5. Percepção de estudantes universitários sobre uso ético de IA generativa nos estudos. Pergunta: como estudantes de graduação percebem os limites éticos do uso de IA generativa em trabalhos acadêmicos? Artefato: survey + análise estatística descritiva das respostas.
  6. Impacto de dados de treinamento desbalanceados na equidade de modelos preditivos. Pergunta: como o desbalanceamento demográfico num dataset de treinamento afeta a equidade das predições de um modelo de classificação em diferentes subgrupos? Artefato: experimento controlado com datasets sintéticos balanceados e desbalanceados.

Como escolher entre os 30 temas

Três filtros práticos ajudam a decidir: primeiro, o acesso ao dataset — prefira temas com dataset público já disponível, a menos que você já tenha acesso garantido a dados próprios; segundo, o tempo de treinamento computacional — modelos grandes exigem GPU e tempo que nem todo TCC de graduação comporta, então prefira arquiteturas menores ou fine-tuning sobre modelos já treinados; terceiro, a clareza da métrica de avaliação — escolha um tema em que você já consiga imaginar como vai medir “deu certo”, porque isso evita reformular o problema de pesquisa no meio do desenvolvimento.

Um quarto filtro, menos óbvio, é a disponibilidade de poder computacional gratuito: ambientes como Google Colab e Kaggle Notebooks oferecem GPU limitada sem custo, suficiente para a maioria dos temas desta lista, desde que o modelo escolhido não exija treinamento do zero em datasets muito grandes. Verificar esse limite antes de escolher o tema evita descobrir, na metade do desenvolvimento, que o treinamento levaria dias em vez de horas no ambiente gratuito disponível.

Depois de escolher o tema, a próxima etapa costuma ser redigir a proposta de pesquisa e a revisão de trabalhos relacionados no formato exigido pelo curso. O Tesify ajuda a estruturar essas seções e organiza as referências das bases de dados e artigos citados em ABNT.

Perguntas frequentes

Um TCC de Ciência da Computação sobre IA precisa treinar um modelo do zero?
Não necessariamente. Muitos TCCs de graduação usam modelos pré-treinados (fine-tuning ou aplicação direta via API), o que é aceito na maioria dos cursos desde que a contribuição do trabalho esteja clara.

Preciso de um dataset próprio ou posso usar um dataset público?
Datasets públicos (Kaggle, UCI Machine Learning Repository, Hugging Face Datasets) são amplamente aceitos e reduzem o risco do cronograma. Um dataset próprio se justifica quando o problema é específico demais para ter equivalente público.

Como escolher a métrica de avaliação certa para o TCC?
A métrica precisa corresponder ao tipo de problema: acurácia e F1-score para classificação balanceada, precisão e recall separados quando as classes são desbalanceadas, RMSE ou MAE para regressão. Declare a métrica antes de rodar os experimentos.

Para aprofundar, veja a estrutura do TCC de Ciência da Computação capítulo por capítulo, o guia de uso de IA no TCC de Ciência da Computação — o que pode e o que não pode no código e no texto — e as ferramentas de versionamento, modelagem e testes úteis para organizar o desenvolvimento do artefato.

Escreva seu TCC com IA

Estruture, escreva e formate suas referências nas normas ABNT — com integridade acadêmica. Cadastro gratuito, sem cartão.

Comece grátis com o Tesify →

Categorias