Isso não é uma pirâmide: revisando o modelo clássico de dado, informação, conhecimento e sabedoria

Abstract

Mais de 30 anos se passaram desde que os primeiros rascunhos do modelo clássico de dado-informação-conhecimento-sabedoria (DIKW) apareceram na literatura científica. Depois disso – em uma sociedade cada vez mais digital e conectada – a pirâmide DIKW tornou-se popular, apresentando variantes contendo apenas dado, informação e conhecimento, em uma configuração curta de DIK, ou adicionando níveis, como inteligência; ao mesmo tempo em que muita pouca interpretação crítica e validação empírica foram realizadas pelos pesquisadores para esclarecer como esses elementos estão realmente interligados. Isso deixou implicações teóricas do modelo original despercebidas, não validadas empiricamente, tornando-se uma explicação dada como certa, que não compreende totalmente a cadeia de criação de conhecimento, um processo que foi cuidadosamente estudado pelos pesquisadores. Este estudo revisa e analisa sistematicamente artigos relevantes, cobrindo o período de 32 anos de pesquisa, para identificar as principais fragilidades do modelo DIKW e propor um novo, em conformidade com a literatura de gestão do conhecimento, considerando o cenário atual de inteligência artificial e dilemas éticos. O modelo resultante desafia a pirâmide como a melhor maneira de transmitir esse “processo causal” de criação de conhecimento ao público e torna clara a necessidade de estudos empíricos a serem realizados no futuro

Full text

Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020 67
Isso não é uma pirâmide: revisando o modelo clássico
de dado, informação, conhecimento e sabedoria
Anna Carolina Mendonça Lemos Ribeiro
Doutoranda em Administraçãopela Universidade de Brasília (UnB) - DF - Brasil. Mestre em Educaçãopela
Universidade Católica de Brasília (UCB) – DF - Brasil. Mestrado prossional em Economia pela
Universidade de Brasília (UnB) - Brasil. Servidora Pública do Instituto de Pesquisa Econômica Aplicada
(IPEA) – DF - Brasil.
http://lattes.cnpq.br/4009094840709567
E-mail: anninhalemos@gmail.com
Carlos Denner dos Santos
Pós-Doutorado pela Universidade de São Paulo (USP) – SP - Brasil. Pós-Doutorado pela University of
Nottingham (NOTTINGHAM) - Inglaterra. Pós-Doutorado pela Universidade Federal de Pernambuco
(UFPE) – PE - Brasil. Pós-Doutorado pela Université du Quebec à Montréal (UQUAM) - Canadá.
Doutor em Management Information Systems pela Southern Illinois University Carbondale (SIU) - EUA.
Professor da Universidade de Brasília (UnB) - DF - Brasil.
http://lattes.cnpq.br/2061860923656655
E-mail: carlosdenner@unb.br
Data de submissão: 27/11/2019. Data de aceite: 01/06/2020. Data de publicação: 27/04/2021
RESUMO
Mais de 30 anos se passaram desde que os primeiros rascunhos do modelo clássico de dado-informação-
conhecimento-sabedoria (DIKW) apareceram na literatura cientíca. Depois disso – em uma sociedade cada
vez mais digital e conectada – a pirâmide DIKW tornou-se popular, apresentando variantes contendo apenas
dado, informação e conhecimento, em uma conguração curta de DIK, ou adicionando níveis, como inteligência;
ao mesmo tempo em que muita pouca interpretação crítica e validação empírica foram realizadas pelos
pesquisadores para esclarecer como esses elementos estão realmente interligados. Isso deixou implicações
teóricas do modelo original despercebidas, não validadas empiricamente, tornando-se uma explicação dada
como certa, que não compreende totalmente a cadeia de criação de conhecimento, um processo que foi
cuidadosamente estudado pelos pesquisadores. Este estudo revisa e analisa sistematicamente artigos
relevantes, cobrindo o período de 32 anos de pesquisa, para identicar as principais fragilidades do modelo
DIKW e propor um novo, em conformidade com a literatura de gestão do conhecimento, considerando o cenário
atual de inteligência articial e dilemas éticos. O modelo resultante desaa a pirâmide como a melhor maneira
de transmitir esse “processo causal” de criação de conhecimento ao público e torna clara a necessidade de
estudos empíricos a serem realizados no futuro.
Palavras-chave: Gestão do conhecimento. Sistemas de informação. Ciência da informação.

68 Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020
Anna Carolina Mendonça Lemos Ribeiro / Carlos Denner dos Santos
This is not a pyramid: revising the data, information, knowledge and
wisdom classical model
ABSTRACT
More than thirty years have passed since the rst drafts of the classical data-information-knowledge-wisdom
(DIKW) model appeared in the scientic literature. After that - in a society increasingly digital and connected
- the DIKW pyramid became popular, featuring variants containing only data, information and knowledge, in a
short DIK conguration, or adding levels like intelligence; at the same time that very little critical interpretation
and empirical validation were performed by researchers to clarify how these elements are indeed intertwined.
This left theoretical implications of the original model unnoticed, not empirically validated, becoming a taken-
for-granted explanation that do not fully grasp the chain of knowledge creation, a process that has been
carefully studied by researchers. This study reviews and systematically analyzes relevant papers, covering the
period of 32 years of research, to pinpoint the main weaknesses of the DIKW model and propose a new one
in conformance with the knowledge management literature, and considering the current scenario of articial
intelligence and ethical dilemmas. The resulting model challenges the pyramid as the best way to convey
this ‘causal process’ of knowledge creation to the public, and makes the necessity of empirical studies to be
performed in the future clear.
Keywords: Knowledge management. Information systems. Information science.
Esto no es una pirámide: revisión del modelo clásico de datos,
información, conocimiento y sabiduría
RESUMEN
Han pasado más de treinta años desde que los primeros borradores del modelo clásico de datos-información-
conocimiento-sabiduría (DIKW) aparecieron en la literatura cientíca. A partir de entonces, en una sociedad
cada vez más digital y conectada, la pirámide DIKW se hizo popular, presentando variantes que contienen solo
datos, información y conocimiento, en una conguración corta de DIK, o agregando niveles como inteligencia;
mientras que los investigadores realizaron muy poca interpretación crítica y validación empírica para aclarar
cómo estos elementos están realmente interconectados. Esto ha dejado desapercibidas las implicaciones
teóricas del modelo original, no validado empíricamente, esto lo convierte en una explicación que se da
por hecho pero que no comprende completamente la cadena de creación de conocimiento, un proceso que
los investigadores han estudiado cuidadosamente. Este estudio revisa y analiza sistemáticamente artículos
relevantes que cubren el período de 32 años de investigación, para identicar las debilidades clave del
modelo DIKW y proponer uno nuevo, en línea con la literatura de gestión del conocimiento, considerando el
escenario actual de inteligencia articial y dilemas éticos. El modelo resultante desafía a la pirámide como la
mejor manera de transmitir este “proceso causal” de creación de conocimiento al público y deja en claro la
necesidad de futuros estudios empíricos.
Palabras clave: Gestión del conocimiento. Sistemas de información. Ciencia de la información.

Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020 69
Isso não é uma pirâmide: revisando o modelo clássico de dado, informação, conhecimento e sabedoria
INTRODUÇÃO
O modelo de dado-informação-conhecimento-
sabedoria (DIKW), comumente referido como
hierarquia do conhecimento, hierarquia da
informação, pirâmide do conhecimento e pirâmide
DIKW, é um dos protótipos fundamentais
amplamente reconhecido na literatura de diversas
áreas, como administração, sistemas de informação,
ciência da informação e ciência da computação
(AUKETT, 2019; DALAL; PAULEEN, 2018;
DAMMANN, 2019; DAMMANN, SMART,
2019; GARCÍA-MARCO, 2011; JENNEX, 2017;
REMOR; FIALHO; QUEIROZ, 2017; ROWLEY,
2007; YAO; JIN; ZHANG, 2014).
Desde que foi apresentado, o modelo tem recebido
variadas críticas, tanto no que tange a algum tipo
de aperfeiçoamento, como: 1) inclusão ou exclusão
de camadas (ALLEN, 2016; DAMMANN, 2019;
DAMMANN; SMART, 2019; EL HOUARI;
RHANOUI; EL ASRI, 2015; LIEW, 2013;
VANDERGRIFF, 2008); e 2) inversão da ordem
da hierarquia (TUOMI, 1999, JENNEX;
BARTCZAK, 2013); quanto à sua própria
essência, indicando a necessidade de seu completo
abandono devido a, por, por exemplo, apresentar
deciência metodológica e falta de fundamento
(FRICKÉ, 2008). Em contrapartida, há ainda
quem expressamente reconheça o seu valor e a
importância da sua continuidade (GARCÍA-
MARCO, 2011; JANSEN; RIEH, 2010).
Também existe conito sobre os próprios elementos-
chave do modelo, especialmente concernente
às denições e interrelações (AUKETT, 2019;
BAŠKARADA; KORONIOS, 2013; BRAGANZA,
2004; LIEW, 2013; MICHAELS; GOUCHER;
McCARTHY, 2006; ROWLEY, 2007; ZINS,
2007). Em alguns casos, os elementos são
tidos, inclusive, como sinônimos (CHEN et
al., 2009; TAKEUCHI; NONAKA, 2008).
Ademais, a discussão sobre a última camada,
pertencente à sabedoria, é demasiadamente escassa
(BAŠKARADA; KORONIOS, 2013; FRICKÉ,
2009; PREWITT, 2002; ROWLEY, 2007) e a
inteligência por vezes aparece incluída em uma
camada entre o conhecimento e a sabedoria
(LIEW, 2013) ou mesmo como o nível mais
superior, cujo modelo não conta com sabedoria
(JENNEX; BARTCZAK, 2013; MORESI, 2000;
TANG; YANINE; VALENZUELA, 2016).
Enm, em razão dessa confusão conceitual
e relacional, objetiva-se neste estudo teórico
contribuir com a literatura concernente ao modelo
DIKW, a m de esclarecer sobre os conceitos de seus
elementos, delimitando seus limites e analisando
suas associações, bem como avaliando o papel da
sabedoria e da inteligência. Ao nal, o modelo
DIK2 será apresentado rearmando a importância
do processo de transformação dos dados até o
atingimento da sabedoria, com a participação
da inteligência. Acrescenta –se também breve
discussão sobre as razões de o formato piramidal não
ser o mais indicado para representar a hierarquia,
bem como possíveis questões que possam provocar
estudos empíricos futuros.
ELEMENTOS DA HIERARQUIA E
SUAS RELAÇÕES
As primeiras hierarquias que tentaram ilustrar
a percepção humana como um processo de
transformação de dados até o desenvolvimento
da sabedoria remontam ao nal dos anos 1980,
nos trabalhos de Zeleny (1987), baseado em
sistemas de informação, e de Acko (1989), em
processos cognitivos da mente humana, ambos
atraindo uma série de estudos. Nenhum dos dois
autores fez referência a uma representação gráca
especíca, tampouco a como efetivamente se muda
de categoria, mas Acko (1989) chegou a armar
que, em média, 40% da mente humana consiste em
dado, 30% em informação, 20% em conhecimento,
10% em entendimento (categoria que o autor
incluiu na sua hierarquia) e 0% de sabedoria.

70 Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020
Anna Carolina Mendonça Lemos Ribeiro / Carlos Denner dos Santos
Possivelmente em razão dessa armação, o modelo
DIKW tem sido representado como uma pirâmide
ou uma cadeia para ilustrar o relacionamento entre
seus elementos (COOPER, 2017; ERMINE, 2013;
SAJJA; AKERKAR, 2010; REMOR; FIALHO;
QUEIROZ, 2017).
O formato piramidal (gura 1) tem sido considerado
como o modelo mais popular para estabelecer tal
relação (AYDIN; OZLEBÇEBICI, 2015; CAR et
al., 2019; DAMMANN; SMART, 2019; JENNEX;
BARTCZAK, 2013; MA, 2012; ROWLEY, 2007),
implicando que níveis mais altos dependem
dos mais baixos (YLIKOKI; PORRAS, 2019),
e que, para atingir cada camada, algo é adicionado e
o volume é reduzido, indicando que cada categoria
reete capital intelectual com diferentes níveis de
processamento e aplicação (VANDERGRIFF, 2008).
Já cadeia, corrente ou sequencialidade lógica (gura
2), esboça que o estágio posterior conglomera
o anterior, admitindo novos atributos
(REMOR; FIALHO; QUEIROZ, 2017), e
que os relacionamentos entre os elementos se
apresentam de forma menos hierárquica, com
opções de feedback e relacionamento de controle
(ERMINE, 2013).
Figura 1 ‒ Pirâmide DIKW
Fontes: Bosancic (2016); Frické (2008); García-Marco (2011); Hoppe et al. (2011); Navega (2007); Rowley (2004).
Figura 2 ‒ Cadeia de valor DIKW
Fonte: Ermine (2013).

Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020 71
Isso não é uma pirâmide: revisando o modelo clássico de dado, informação, conhecimento e sabedoria
Independentemente da representação, o modelo
DIKW original é baseado na suposição de que dado
pode ser usado para criar informação; a informação
para conhecimento; e o conhecimento para sabedoria
(NURULIN et al., 2019; ROWLEY, 2007). Além
disso, os elementos podem ser compreendidos como
tendo valores crescentes correspondentes ao seu
nível (ERMINE, 2013) ou como tendo aumento da
abstração conforme o nível sobe (NAVEGA, 2007).
Assim, entende-se que os quatro elementos DIKW são
distintos, porém intimamente relacionados, fazendo
parte de um mesmo fenômeno (REMOR; FIALHO;
QUEIROZ, 2017).
Nesta seção, com base na literatura, cuja hierarquia
DIKW é diretamente citada ou frequentemente
implícita nos estudos (BAŠKARADA; KORONIOS,
2013), serão apresentadas as denições de seus
elementos, incluindo também as da inteligência e
suas interrelações.
DADOS
Conforme se verica na tabela 1, há autores que
conceituam dados como fatos; outros como
representações de objetos, por meio de símbolos
ou sinais; e outros como produtos da observação
e medição. Como características, os dados não
são úteis (até que sejam transformados para que
sejam úteis), não têm sentido (além de sua própria
existência), nem intepretação. São quanticáveis e
residem fora do agente. Quanto ao tipo, podem
ser não estruturados (não possuem estrutura
predenida, não existe um esquema de dados e
não há regras), semiestruturados (coleção de dados
heterogêneos, com uma estrutura predenida
irregular e não necessariamente possuem um
esquema de dados) ou estruturados (organizados
em uma estrutura predenida, regular e rígida,
possuindo esquemas de dados fechados).
Tabela 1 ‒ Conceitos e características dos dados
Conceitos
Fatos
Objetivos e discretos Aukett (2019); Jennex e Bartczak (2013)
Brutos Alavi e Leidner (2001); Bierly, Kessler e Christensen (2000);
Sajja e Akerkar (2010); Yao, Jin e Zhang (2014)
Observados ou
registrados Allen (2016)
Representações
De objetos Ponchirolli e Fialho (2005); Sato e Huang (2015)
Símbolos Ackoff (1989); Aukett (2019); Sato e Huang (2015); Vandergriff
(2008); Wan e Alagar (2014)
Sinais Baškarada e Koronios (2013); Moresi (2000)
Produtos da observação Ackoff (1989); Gandhi (2004); Nurulin et al. (2019); Sajja e
Akerkar (2010)
Características
Não são úteis Ackoff (1989); Car et al. (2019); Sajja e Akerkar (2010)
Não têm significado Ackoff (1989); Allen (2016); Baškarada e Koronios (2013);
Wan e Alagar (2014)
Não têm valor Allen (2016); Aukett (2019); Sato e Huang (2015)
Possuem valor (big data)
Fiorini et al. (2018); Gupta et al. (2018); Storey e Song
(2017); Tian (2017); Wamba et al., (2017); Ylikoki e Porras
(2019)
Não têm interpretação Sato e Huang (2015)
Não têm contexto Gandhi (2004)
Estão fora do agente Baškarada e Koronios (2013)
Quantificáveis Allen (2016); Ponchirolli e Fialho (2005)
Tipos
Não estruturados Dammann (2019); Guolinag et al. (2008); Martins, Simões
e Sá (2014); Vandergriff (2008)
Semiestruturados Guolinag et al. (2008); Martins, Simões e Sá (2014)
Estruturados Guolinag et al. (2008); Martins, Simões e Sá (2014);
Vandergriff (2008
Fonte: Elaboração própria.

72 Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020
Anna Carolina Mendonça Lemos Ribeiro / Carlos Denner dos Santos
Também se verica na tabela 1 que dados carecem
de valor, por serem um evento fora do contexto e
sem signicado para o sistema (PONHIROLLI;
FIALHO, 2005). Esse posicionamento relacionado
ao valor parece diferir quando se trata de big data,
tido como o conjunto de técnicas e tecnologias que
requerem novas formas de integração para descobrir
valores ocultos de grandes conjuntos de dados
diversos, complexos e de grande escala (HASHEM
et al., 2015). Big data possui cinco características: 1)
volume, a principal, representando sua quantidade;
2) variedade, referente a tipos, formatos e estruturas;
3) velocidade, alusiva à rapidez da geração dos
dados; 4) veracidade, diz respeito à precisão dos
dados, e, por conseguinte, à conabilidade; e 5)
valor, pois deve enriquecer o processo (FIORINI
et al., 2018; GUPTA et al., 2018; STOREY;
SONG, 2017; TIAN, 2017; WAMBA et al., 2017;
YLIKOKI; PORRAS, 2019).
A computação inteligente moderna pode processar
dados volumosos a uma velocidade rápida, diferente
da análise de dados por humanos (GUPTA
et al., 2018). No âmbito da hierarquia DIKW,
entende-se que dado é dado, independentemente
do tamanho, pois a diferença será apenas no
tratamento que receberá, humano ou articial,
capaz de transformá-lo em informação.
Defende-se neste estudo que os dados possuem
quatro tempos: t-1: disponível no ambiente,
mas ainda não foi notado; t0: não estruturado,
bruto, cru (já foi notado, mas ainda não recebeu
tratamento); t1: semiestruturado (começou a
receber tratamento ou recebeu um tratamento
irregular, incompleto); e t2: estruturado (tratado).
Dados semiestruturados (t1) ou mesmo
estruturados (t2) não são informação, pois apenas
foram organizados de alguma forma, cando
prontos ou quase prontos para receberem um
signicado e um contexto, que é quando a sua
utilidade se concretiza. Só quando isso ocorre
é que passam para a categoria da informação,
conforme será apresentado no próximo tópico.
De todo modo, corrobora-se aqui com a visão de
que os dados possuem valor, ainda que pequeno e
certamente menor do que o valor da informação.
INFORMAÇÃO
O processo de transformação do dado em
informação ocorre quando aquele passa a ser
signicado e contextualizado (DAMMANN, 2019;
FIORE et al., 2010; GANDHI, 2004).
Um dos principais problemas relacionados à
informação é deni-la e descobrir quais propriedade
básicas possui (BURGIN, 2003). Isso porque possui
diferentes signicados, que se embasam nas variadas
teorias dos diversos campos do conhecimento
em que é estudada (CAPURRO; HJØRLAND,
2003; ZHANG; BENJAMIN, 2007). No campo
da ciência da informação, que possui caráter
interdisciplinar (SARACEVIC, 1995), Buckland
(1991) apresentou três signicados para informação.
A primeira é a informação como processo, que
se refere a quando alguém é informado, ou seja,
à alteração do que se sabe. A segunda é a informação
como conhecimento, sento este comunicado
sobre algum fato, assunto ou evento. Nesse caso,
a informação é intangível, isto é, não se pode tocá-la
ou medi-la de maneira direta, pois conhecimento,
crença e opinião são pessoais.Portanto, para
comunicá-la, a informação deve ser expressa,
descrita ou representada de alguma maneira
física, como um sinal, texto ou comunicação.
Por m, a terceira é a informação como coisa,
atribuível a objetos, como dados, textos e
documentos, caracterizando-se, portanto, como
tangível. O autor sustenta que, como qualquer coisa
pode ser simbólica, também pode vir a ser informação.
Neste estudo, entretanto, informação é
considerada apenas como “coisa” no contexto
do modelo DIKW. Portanto, não deve ser
confundida com conhecimento, conforme será
apresentado no próximo tópico, tampouco como
o processo de transformação em conhecimento.

Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020 73
Isso não é uma pirâmide: revisando o modelo clássico de dado, informação, conhecimento e sabedoria
Assim, conforme ilustrado na tabela 2, pode
ser denida como dados que receberam
signicação, utilidade, processamento, contexto
ou interpretação. Pode também ser entendida
como mensagem ou uxo de mensagens, os quais
igualmente remetem a tipo de dado e ao atributo
da informação apontado por Zhang e Benjamin
2007) de possuir signicados, propósitos e
habilidades para transformar. Além disso, assim
como os dados, está fora do agente, é quanticável
e possui valor.
Esclarece-se que a informação pode ser convertida
em dado por meio de captura e armazenamento
(LIEW, 2013).
CONHECIMENTO
Há diversos autores que citam que o conhecimento
é sempre criado por meio da interação (ACKOFF,
1989; AL-HAWAMDEH, 2002; BHATT, 2002;
DAVENPORT; PRUSAK, 1998; FIORE et al., 2010;
MORESI, 2000; TAKEUCHI; NONAKA, 2008),
sendo que o processo de transformação da informação
em conhecimento é indicado na literatura de forma
diversa. Há quem cite ser por meio de: a) aprendizado
(AUKETT, 2019); b) internalização (LIEW, 2013);
c) assimilação (Sato e Huang, 2015); d) integração a
outras informações (FIORE et al., 2010); e) análise
e síntese das informações (BIERLY; KESSLER;
CHRISTENSEN, 2000; GANDHI, 2004; SAJJA;
AKERKAR, 2010; YAO; JIN; ZHANG, 2014; e f)
comparação a outras situações (AUKETT, 2019).
Tabela 2 ‒ Conceitos e características das informações
Conceitos
Dados
Significados
Ackoff (1989); Aukett (2019); Baškarada e Koronios
(2013); Bierly, Kessler e Christensen (2000); Hoppe et
al. (2011); Sato e Huang (2015); Yao, Jin e Zhang (2014)
Úteis Dammann e Smart (2019); Yao, Jin e Zhang (2014)
Processados Moresi (2000); Ponchirolli e Fialho (2005); Sajja e
Akerkar (2010)
Contextualizados
Alavi e Leidner (2001); Dammann (2019); Dammann e
Smart (2019); Gandhi (2004); Jennex e Bartczak (2013);
Nurulin et al. (2019); Ponchirolli e Fialho (2005)
Interpretados Alavi e Leidner (2001); Takeuchi e Nonaka (2008)
Mensagem / fluxo de mensagens Davenport e Prusak (1998); Takeuchi e Nonaka (2008)
Características
Estão fora do agente Nurulin et al. (2019)
Possuem significado Zhang e Benjamin (2007)
Possuem valor Aukett (2019); Sato e Huang (2015)
Quantificáveis Allen (2016)
Fonte: Elaboração própria.

74 Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020
Anna Carolina Mendonça Lemos Ribeiro / Carlos Denner dos Santos
Na verdade, em razão de sua natureza intangível e
difusa, denir conhecimento é precisamente difícil
(BHATT, 2002).
Apesar disso, estudiosos têm apresentado conceitos
a m de esclarecê-lo. De acordo com o disposto na
tabela 3, conhecimento pode ser entendido como
uma capacidade de: 1) lidar com novas situações,
informações e contextos; 2) compreender, entender,
raciocinar, estando voltado a processamento
cognitivo; e 3) tomar decisões corretas (embora
essa capacidade possa ser compreendida como
sabedoria, como será visto posteriormente).
Conhecimento também é denido como
coleção de informações ou mesmo de dados.
Como características, está dentro de agente, é útil,
dinâmico, quanticável e relacionando à experiência,
permite ações, contém julgamento e crenças, bem
como possui signicado, contexto e valor. Ademais,
pode ser classicado em dois tipos, complementares
e interpenetrantes: i) tácito (internalizado,
dicilmente transmitido, compartilhado e
formalizado); e ii) explícito (facilmente transmitido,
compartilhado e formalizado).
Tabela 3 ‒ Conceitos e características do conhecimento
Conceitos
Capacidade
de
Lidar com novas situações,
informações e contextos Takeuchi e Nonaka (2008)
Tomar decisões corretas Wan e Alagar (2014)
Compreender, entender e
raciocinar
Bierly, Kessler e Christensen (2000); Cooper
(2017); Dammann e Smart (2019); Jennex e
Bartczak (2013); Liew (2013); Wan e Alagar (2014);
Yao, Jin e Zhang (2014)
Conjunto de
Informações conectadas,
organizadas, analisadas,
avaliadas, acumuladas
Ackoff (1989); Cooper (2017); Hoppe et al. (2011);
Karvalics (2007); Moresi (2000); Navega (2007); Sato
e Huang (2015)
Relações entre dados Sato e Huang (2015)
Características
Está dentro do agente
Al-Hawamdeh (2002); Alavi e Leidner (2001);
Liew (2013); Navega (2007); Nurulin et al. (2019);
Ponchirolli e Fialho (2005)
Orientado a ações Fiore et al. (2010); Ponchirolli e Fialho (2005)
Contém julgamento Davenport e Prusak (1998)
Contém crenças Baškarada e Koronios (2013); Takeuchi e Nonaka
(2008); Wan e Alagar (2014)
Possui significado e contexto Takeuchi e Nonaka (2008)
Possui valor e é útil Aukett (2019)
Dinâmico Moresi (2000)
Relacionado à experiência Aukett (2019); Cooper (2017); Fiore et al. (2010);
Vandergriff (2008)
Quantificável Allen (2016)
Tipos Tácito Aydin e Ozlebçebici (2015); Cooper (2017); Takeuchi
e Nonaka (2008); Vandergriff (2008)
Explícito
Fonte: Elaboração própria.

Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020 75
Isso não é uma pirâmide: revisando o modelo clássico de dado, informação, conhecimento e sabedoria
Esclarece-se que, quando o conhecimento explícito
é formalizado, saindo, portanto, do agente, passa
a ser informação (AL-HAWAMDEH, 2002).
Essa informação, por seu turno, pode se tornar
conhecimento se for percebida por outro agente
(NURULIN et al., 2019), o que remete ao
citado aspecto interacional do conhecimento.
Ou seja, conhecimento e informação são elementos
essencialmente distintos.
Com isso, há também o processo de transformação
do conhecimento em informação, que ocorre
pela comunicação, pela externalização (ALAVI;
LEIDNER, 2001; LIEW, 2013; TAKEUCHI;
NONAKA, 2008), e do conhecimento em dado,
por meio da instanciação (SATO; HUANG, 2015).
INTELIGÊNCIA
Inteligência também é denida de diferentes
maneiras (YAO; JIN; ZHANG, 2014). Em um
contexto de denições que se afastam das habilidades
psicológicas, a tabela 4 apresenta conceitos da
inteligência ligada à esfera cognitiva afeta à sua
relação com dados, informação e conhecimento.
Tabela 4 ‒ Conceitos e características da inteligência
Conceitos
Capacidade de
Aumentar a eficiência Ackoff (1989)
Reconhecer quando uma
decisão é boa ou ruim Tang, Yanine e Valenzuela (2016)
Analisar para levar à ação e
decisão
Hoppe et al. (2011); Jennex e Bartczak
(2013)
Conhecimento
Acionável Jennex (2017); Jennex e Bartczak
(2013); Tavica (2015)
Aplicado para ser bem-
sucedido Aydin e Ozlebçebici (2015)
Relevante contextualmente
para atuar com vantagem no
ambiente
Moresi (2000)
Caraterísticas
Dinâmica Tang, Yanine e Valenzuela (2016)
Orientada à ação Hoppe et al. (2011); Tang, Yanine e
Valenzuela (2016)
Direcionada a um objetivo Aydin e Ozlebçebici (2015); Jennex e
Bartczak (2013)
Ligada à criatividade e originalidade Aydin e Ozlebçebici (2015)
Ligada à intuição Aydin e Ozlebçebici (2015); Moresi
(2000)
Ligada a julgamento Moresi (2000); Tang, Yanine e
Valenzuela (2016)
Ligada a afetos, sentimentos e valores Gonzalez (2017)
Relacionada à experiência Moresi (2000)
Fonte: Elaboração própria.

76 Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020
Anna Carolina Mendonça Lemos Ribeiro / Carlos Denner dos Santos
Conforme se observa, a inteligência é tida
como dinâmica, ligada à intuição, criatividade,
originalidade, julgamento, afetos, sentimentos,
valores e experiência. Pode ser conceituada como
sendo uma capacidade de identicar a melhor
ação e decisão, ou como um tipo de conhecimento
acionável, ou seja, aquele voltado para a ação.
Mas não qualquer ação. A inteligência está ligada
à ação eciente, isto é, a tomar a melhor decisão,
otimizando recursos.
March e Simon (1957), sob a ótica da racionalidade
limitada dos seres humanos, tratam sobre a
impossibilidade de a decisão ser realizada com
pleno conhecimento de todas as informações sobre
a questão, pois a capacidade humana é restrita, física
e intelectualmente, tanto para adquirir, quanto
para processar todas as informações necessárias.
Posteriormente, Simon (1979) aponta três limites
da racionalidade: 1) limites cognitivos, que possuem
uma capacidade limitada de coletar, processar
e interpretar informações; 2) complexidade
do problema; e 3) incerteza (SIMON, 1979).
As habilidades que determinam, então, a
qualidade da tomada de decisão e a solução de
problemas podem ser armazenadas não apenas na
mente das pessoas, como também em máquinas
(SIMON, 1987). Com esse entendimento,
Simon, por muitos anos, utilizou intensivamente
computador como ferramenta, especialmente para
simular o pensamento humano por meio de sistemas
de inteligência articial (IA) (BALESTRIN, 2002).
As denições de IA mudaram ao longo do tempo,
não havendo consenso (SIMON, 2019), mas
comumente é entendida como sistemas de
informação com o potencial de simular as funções
cognitivas humanas, como aprendizado ou resolução
de problemas, e colocá-las em prática (MAITY,
2019; MUTONGI, 2016; RAWSON et al., 2019).
Contudo, não ca restrita à mera simulação ou
imitação da inteligência humana, pois pode mostrar
um número maior de tarefas (GONZALEZ, 2017),
facilitando a análise de dados com uma ótica que
supera a capacidade do homem, por meio de sua
capacidade de processar dados e informações,
abordando a questão da racionalidade limitada
(ALLEN, 2016; RAWSON et al., 2019).
Ou seja, sistemas baseados em IA trabalham com o
conceito de que as máquinas são capazes de tomar
melhores decisões em nome do humano (GUPTA
et al., 2018).
Gonzalez (2017) aponta, contudo, que apesar
do termo “inteligência”, a IA, em princípio, é
epistemológica e ontologicamente diferente da
inteligência humana, pois é automática e mecânica
em sua conguração, seguindo uma programação.
Geralmente é um projeto feito por agentes
humanos, orientado a algum objetivo, seguido
por um conjunto de processos e um resultado.
Por conseguinte, para o autor, a IA não é realmente
uma “inteligência” de pleno direito, no sentido
estrito. Contudo, Takeuchi e Nonaka (2008) citam
sobre a importância da relação conhecimento-ação,
que tem sido reconhecida na área da IA, e é base da
inteligência, conforme visto. Assim, no âmbito da
hierarquia DIKW, ao agente pode ser considerado
tanto o homem, quanto a máquina.
Enm, o processo de mudança de categoria do
conhecimento à inteligência pode ser apreendido
quando da ocorrência da capacidade de tomar a
melhor ação ou decisão em determinado momento
e em certo contexto, otimizando recursos.
O conhecimento é, então, a base para ações
inteligentes (PONCHIROLLI; FIALHO, 2005).
A inteligência utiliza, então, análise para a ação;
enquanto o processo de atingimento da camada da
sabedoria, a partir da inteligência, advém da análise
e síntese, também levando à ação (HOPPE et al.,
2011). Esclarece-se que Moresi (2000) aponta
que a inteligência resulta da síntese de corpos de
conhecimento; porém, o modelo DIKI apresentado
pelo autor a coloca no nível mais alto da hierarquia.
Ou seja, argumenta-se aqui que, para a conquista
da camada mais elevada, a síntese se faz necessária.
No sentido contrário, é possível haver um processo de
aquisição de conhecimento a partir da inteligência por
meio do desenvolvimento de conceitos (LIEW, 2013).

Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020 77
Isso não é uma pirâmide: revisando o modelo clássico de dado, informação, conhecimento e sabedoria
Tabela 5 ‒ Conceitos da sabedoria equivalentes aos da inteligência
Capacidade de
Melhor usar o conhecimento para estabelecer
e alcançar metas desejadas
Bierly, Kessler e Christensen (2000);
Ermine (2013)
Tomar decisões certas
Mutongi (2016); Nurulin et al. (2019);
Succi e Coveney (2019); Yao, Jin e
Zhang (2014)
Executar apropriadamente Liew (2013)
Discernir julgamentos e ações com base no
conhecimento Ermine (2013)
Fonte: Elaboração própria.
Tabela 6 ‒ Conceitos e características da sabedoria
Conceitos
Capacidade
de
Aumentar a eficácia Ackoff (1989)
Aplicar o conhecimento equilibrando o
interesse próprio e o dos outros Goede (2011)
Compreender a verdade universal Liew (2013)
Manter, usar e implementar o
conhecimento
Pourdjam, Siadat e Rajaeepours
(2015)
Distinguir o errado do certo, o bom do
ruim Aukett (2019); Cooper (2017)
Analisar e sintetizar levando à ação Çalışkan et al. (2015); Hoppe et
al. (2011)
Profunda integração do sistema global do conhecimento Wan e Alagar (2014)
Caraterísticas
Orientada à ação Bierly, Kessler e Christensen
(2000)
Ligada ao fator temporal Batra (2014); Sajja e Akerkar
(2010)
Ligada a valores éticos e morais
Ackoff (1989); Aukett (2019);
Cooper (2017); García-Marco
(2011); Nurulin et al. (2019); Sajja
e Akerkar (2010); Sternberg
(2000)
Ligada a julgamento
Ackoff (1989); Baškarada e
Koronios (2013); Bierly, Kessler
e Christensen (2000); Liew
(2013); Sajja e Akerkar (2010);
Vandergriff (2008)
Relacionada à experiência
Bierly, Kessler e Christensen
(2000); Mutongi (2016); Sajja e
Akerkar (2010)
Não é quantificável Allen (2016)
Quantificável Pourdjam, Siadat e Rajaeepours
(2015)
Fonte: Elaboração própria.

78 Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020
Anna Carolina Mendonça Lemos Ribeiro / Carlos Denner dos Santos
SABEDORIA
A sabedoria, segundo Hoppe et al. (2011) é referida
há mais de 20 séculos, embora experimente um
renascimento desde o século passado em algumas
comunidades cientícas, sendo interpretada de
maneiras diferentes e recebendo, por conseguinte,
diferentes denições e modelos de integração.
Portanto, são várias as formas legítimas de conceituá-
la (AUKETT, 2019; BATRA, 2014; PRENSKY,
2009), embora sejam escassas as discussões nas
áreas de informação sobre ela (BAŠKARADA;
KORONIOS, 2013; FRICKÉ, 2009; ROWLEY,
2007). Especialmente estudos sobre a hierarquia
DIKW ainda não lhe oferecem uma denição
adequada (HOPPE et al., 2011). Assim, este tópico
visa esclarecer melhor sobre a sua conceituação.
Primeiramente, a tabela 5 apresenta denições de
sabedoria que se equivalem às da inteligência, a m
de melhor ilustrar essa confusão conceitual.
Essas denições de sabedoria se referem às
de inteligência, ou seja, à capacidade de
análise do conhecimento para a melhor ação
ou tomada de decisão de forma eciente.
A tabela 6, então, apresenta as demais descrições
de sabedoria encontradas. Como se percebe,
a sabedoria, assim como o conhecimento e a
inteligência, é orientada à ação, relacionada
à experiência, ligada a valores e julgamentos,
sendo também uma capacidade do agente.
Mas diferentemente dos demais, parece relacionada
a algo mais integrador, compreendendo o interesse
em escolher um comportamento apropriado
à situação, por meio de análise e síntese do
conhecimento, para obtenção de um resultado
positivo em escala global (HOPPE et al., 2011).
Como a camada posterior (ou mais elevada) no
modelo DIKW engloba a anterior (ou a seguinte), a
sabedoria se refere a usar o conhecimento de forma
ecaz e eciente.
Assim, ecácia é a palavra ligada à sabedoria, ou
seja, a fazer as coisas certas (REDDIN, 1977).
Como visto na tabela 3, contudo, o conhecimento
por vezes é denido exatamente como tomar
decisões corretas, o que aponta uma sobreposição de
conceitos também em relação ao conhecimento e à
sabedoria. Esclarece-se aqui, então, que a sabedoria
está intimamente ligada a valores, especialmente
a ética, em um patamar superior, abrangendo
preocupações pertinentes aos interesses também dos
outros, questões como certo e errado, bem e mal.
Por isso, segundo Batra (2014) e Sajja e Akerkar
(2010), está relacionada ao fator temporal, sendo
comparativamente mais longa do que o tempo
do conhecimento, eis que somente uma visão de
longo prazo dos resultados das ações tomadas pode
fornecer o acúmulo necessário de conhecimento e
experiência para validar o efeito das decisões e ações
tomadas. Com isso, ainda não há consenso se a
sabedoria é ou não quanticável.
Por m, entende-se que sabedoria não retorna etapas
(LIEW, 2013) e, portanto, não há um processo de
aquisição de inteligência a partir da sabedoria.
MODELO DIK2
Como apresentado na seção anterior, os elementos
da hierarquia DIKW são diferentes, possuindo
denições e características distintas, as quais
podem ser visualizadas comparativamente na
tabela 7. Conforme se percebe, algumas propriedades
se baseiam em sua existência ou ausência. Por
exemplo, o elemento possui ou não possui signicado,
interpretação e contexto; é ou não dinâmico; é ou
não orientado a ações; é ou não uma capacidade,
sendo ou não uma propriedade do agente, e é
ou não relacionado a uma perspectiva global.
As demais características, contudo, se apresentam
em graus. Assim, a utilidade vai aumentado
conforme se muda de categoria, bem como o valor,
capacidade de julgamento, presença de crenças e
valores, inuência da experiência e capacidade de
optar por melhores ações e decisões.

Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020 79
Isso não é uma pirâmide: revisando o modelo clássico de dado, informação, conhecimento e sabedoria
Tabela 7 ‒ Quadro comparativo entre as características dos elementos DIKW
Dado Informação Conhecimento Inteligência Sabedoria
Quantificável + + + ? ??
Possui valor + ++ +++ ++++ +++++
Possui significado + + + +
Possui intepretação + + + +
Possui contexto + + + +
Útil + ++ +++ ++++
É uma capacidade, sendo propriedade
do agente + + +
Dinâmico + + +
Orientado a ações + + +
Contém julgamento + ++ +++
Contém crenças e valores éticos e
morais + ++ +++
Relacionado à experiência + ++ +++
Voltado a ações certeiras + ++
Relacionado a uma escala mais global
e integradora +
Nota: ? (não foi apresentada essa informação neste trabalho); ?? (informação apresentada de forma controversa neste estudo);
+ a +++++ (graduação, do menor para o maior).
Fonte: Elaboração própria.
Figura 3 ‒ Modelo DIK2
Fonte: Elaboração própria.

80 Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020
Anna Carolina Mendonça Lemos Ribeiro / Carlos Denner dos Santos
Os atributos elencados na tabela 7, da forma como
se apresentam, devem estar visíveis na representação
gráca do modelo DIKW. Esta seção é destinada
a apresentar, então, o modelo DIK2, mostrado
na gura 3, como proposta mais realista de
representar as relações entre os elementos-chave
do modelo tradicional.
Primeiramente, faz-se necessário explicar que o
modelo DIK2 não se apresenta na forma clássica
de pirâmide, por se corroborar com alguns
autores de que tal forma simbólica é insuciente
para descrever as muitas relações complexas dos
conceitos da hierarquia DIKW (BOSANCIC,
2016; EL HOUARI; RHANOUI; EL ASRI,
2015). O tradicional formado piramidal é aqui
desconsiderado por três razões. A primeira é a de
que o conhecimento é o núcleo, estando todas
as camadas relacionados a ele. O conhecimento
não é contínuo (EL HOUARI; RHANOUI;
EL ASRI, 2015), sendo a essência da inter relação
de todos os elementos. Assim, não está isolado,
em uma camada intermediária da pirâmide, pois
se conecta a todas as demais de forma não linear.
Para usar dados, criar informações, usar inteligência
e aplicar sabedoria, o conhecimento existente é
sempre necessário, conforme ilustrado nas linhas
pretas tracejadas do modelo DIK2.
Com isso, poder-se-ia pensar na pirâmide apenas
enquanto início de um conhecimento novo, mas
até assim pareceria utópico, eis que sempre há
uma bagagem preexistente de conhecimentos,
que se intercalam com outras informações e dados
para gerar conhecimentos novos. Portanto, o
conhecimento é dinâmico, podendo ser comparado,
segundo Davenport e Prusak (1998), a um sistema
vivo, que cresce e muda à medida que interage
com o meio ambiente. Enm, a pirâmide reduz o
potencial do conhecimento, que está presente em
todos os níveis (MUTONGI, 2016).
O segundo motivo é que a pirâmide remete
ao pressuposto de que há mais dados do que
informação e assim por diante. Em termos
quantitativos, no entanto, essa premissa parece não
ser comprovada cienticamente, especialmente
porque a maioria dos estudos sobre as relações
dos elementos DIKW são teóricos, e alguns deles
chegam a argumentar que há mais informação
do que dados, mais conhecimento do que
informação e mais sabedoria do que conhecimento
(JENNEX; BARTCZAK, 2013). Ademais, ao se
considerarem dados, sobretudo no âmbito de big
data, que estão espalhados por todo o ambiente e
podem simbolizar massivamente uma innidade
de fenômenos, é lógico inferir que eles estão em
maior quantidade do que informação. Contudo, no
âmbito dos relacionamentos entre DIKW, big data
ou dados pequenos, podem ser capazes de propiciar
uma “grande” informação e um conhecimento
“maior” ainda. Além disso, conforme apresentado
na tabela 7, foi possível vericar que dados,
informação e conhecimento são quanticáveis
(ALLEN, 2016); trabalhos analisados para
este estudo não referenciaram a inteligência; e
sobre a sabedoria, alguns estudiosos disseram
ser quanticável (POURDJAM; SIADAT;
RAJAEEPOURS, 2015), enquanto outros alegaram
que não (ALLEN, 2016). Portanto, os aspectos
quantitativos ainda precisam de investigação
empírica, não podendo ser atualmente inferidos
na forma de pirâmide. E, em termos qualitativos,
especialmente no que concerne ao valor, a sabedoria
é maior do que a inteligência e assim por diante, o
que implicaria, de todo modo, sob essa ótica, em
uma pirâmide invertida em relação à exposição
tradicional comum.
E a terceira razão remete à armação de Succi e
Coveney (2019) de que a representação piramidal
é enganosa no concerne ao modelo DIKW,
pois remete à ideia de que as camadas mantêm
uma relação linear entre si, o que não é o caso.
Insinua que, ao aumentar a sua base (dados), todas
as demais camadas acompanham essa expansão
proporcionalmente. Isso também não corresponde,
pois, segundo os autores, mais dados não implicam
mais sabedoria.

Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020 81
Isso não é uma pirâmide: revisando o modelo clássico de dado, informação, conhecimento e sabedoria
Isso posto, o modelo DIK2 representa uma
forma mais realista de apresentar as relações entre
dados, informação, conhecimento, inteligência
e sabedoria, em uma representação de cadeia,
com idas e vindas entre os elementos, a m de
manter a relação hierárquica, embora não linear.
Argumenta-se que o processo de transformação
do dado até a conquista da sabedoria pode ser
realizado por homem ou por máquina, sendo esses
os chamados agentes, reconhecendo a importância da
IA. Ardolino et al. (2017), ao enaltecer o papel das
tecnologias digitais (TD) no modelo DIKW, apontam
que a combinação de internet das coisas (IoT),
computação em nuvem (CC) e análise preditiva (PA)
é fundamental para gerar novos conhecimentos, pois a
a CC pode facilitar a sosticação dos algoritmos de PA
para análise, interpretação, simulação e computação
cognitiva dos dados, bem como a IoT é essencial para
garantir a coleta de dados e a comunicação máquina
a máquina. Os autores entendem, no entanto, que
mesmo a tecnologia mais avançada não tem papel
nas decisões orientadas pela sabedoria, pois ainda há
limitações notáveis em relação ao raciocínio ético e
moral, razão pela qual não consideram a inuência de
TD nesse nível. Contrariamente, do ponto de vista de
sistemas inteligentes, Wan e Alagar (2014) destacam
as seguintes características essenciais da sabedoria:
1) conhecer fatos, não apenas dados; 2) entender os
procedimentos para extrair informações de dados e
fatos e torná-las válidas e precisas; 3) ter conhecimento
para determinar contextos relevantes para iniciar
ações; 4) ter conhecimentos e habilidades para
analisar formalmente as consequências de iniciar
ações; e 5) tomar decisões com base em fatores
éticos que afetam a segurança e a privacidade de
todas as entidades em seu ambiente. Portanto,
em corroboração a esse último entendimento,
argumenta-se neste estudo que o modelo DIK2
pode ser adaptado a robôs, considerando ser possível
lhes atribuir conhecimento, inteligência e sabedoria
articial, o que sugere investigação empírica futura.
Conforme representado no modelo, dado e
informação não são propriedades do agente; enquanto
conhecimento, inteligência e sabedoria são suas
propriedades advindas de sua capacidade de realizar
algo, de agir (seta azul).
É por meio da ação que o conhecimento, a
inteligência e a sabedoria geram novos dados,
informações e conhecimentos, retornando, assim,
a etapas anteriores (setas cinzas). A partir do
conhecimento, há aumento da capacidade de
julgamento, bem como da presença de crenças e
valores e da inuência da experiência (seta laranja).
A partir da inteligência, o aumento se refere à
capacidade de optar por melhores ações e decisões
(seta rosa). Já o aumento da utilidade ocorre a partir
da informação (seta verde), que é também quando
o elemento passa a ter signicado, interpretação e
contexto (seta roxa). No gráco, o eixo x signica
complexidade, eis que a sabedoria é o fenômeno mais
complexo e multifacetado (YAO; JIN; ZHANG,
2014), ou seja, é a capacidade da análise multifatorial
de fenômenos complexos de múltiplos componentes
(NURULIN et al., 2019); e o y se refere ao valor,
que também acresce a partir dos dados, reetindo a
sabedoria como mais valorosa (ERMINE, 2013).
Ademais, a seta contínua preta indica que o processo
cognitivo se inicia a partir do dado semiestruturado,
o qual já começou a receber do agente algum tipo de
estruturação, baseada em algum critério especíco.
A informação é tida como o dado que recebeu
alguma signicação e contextualização pelo agente.
O conhecimento é o aprendizado, resultado da
internalização de informações. A inteligência é
a capacidade de analisar o conhecimento para
decidir pela ação mais eciente. A sabedoria, plano
de maior valor e mais inuenciada por crenças
e valores éticos e morais, em uma perspectiva
integradora, é a capacidade do agente de utilizar
o conhecimento de modo mais eciente e ecaz.
De acordo com Hoppe et al. (2011), diferentemente
da inteligência, então, uma mente sábia não apenas
usa a análise, mas também a síntese para escolher
um comportamento sábio apropriado à situação
para obter um resultado positivo em escala global.
Enm, o modelo DIK2 apresenta 14 processos
básicos (setas vermelhas), conforme disposto na
tabela 8.

82 Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020
Anna Carolina Mendonça Lemos Ribeiro / Carlos Denner dos Santos
Tabela 8 ‒ Processos P1 a P15 do modelo DIK2
Processo Necessário para mudança de categoria
P1 Dado t-1 em t0 Percebimento
P2 Dado t0 em t1 Tratamento irregular ou tratamento regular parcial
P3 Dado t1 em t2 Tratamento regular e rígido
P4 Dado t1 em informação Significação e contextualização
P5 Dado t2 em informação Significação e contextualização
P6 Informação em conhecimento Aprendizado
P7 Conhecimento em inteligência Análise do conhecimento voltada para ação certeira
P8 Inteligência em sabedoria Análise e síntese do conhecimento voltadas para a ação mais correta
P9 Inteligência em conhecimento Desenvolvimento de conceitos
P10 Conhecimento em informação Comunicação e externalização
P11 Conhecimento em dado t2, t1 ou t0 Instanciação
P12 Informação em dados t2, t1 ou t0 Captura e armazenamento
P13 Dado t2 em t1 Desestruturação
P14 Dado t1 em t0 Perda do tratamento
Fonte: Elaboração própria.
Nota-se que a sabedoria não retrocede (LIEW,
2013), nem o dado que já foi notado (t0) volta a
ser não percebido (t-1).
CONSIDERAÇÕES FINAIS
Este estudo pretendeu esclarecer as confusões sobre
as denições dos elementos-chave da hierarquia
DIKW original, bem como suas associações,
apresentando ao nal um novo modelo, chamado
DIK2, com a inclusão da inteligência, categorização
do tempo dos dados e alteração da forma piramidal
tradicional, que foi questionada.
Algumas questões a partir desse trabalho podem ser
realçadas, com a intenção de incitar estudos futuros.
Primeiro, percebeu-se que praticamente todos
os estudos que se ativeram a analisar a hierarquia
tradicional foram teóricos. Autores acrescentaram
e excluíram categorias, discutiram-na a partir de
diferentes pontos de vista, enfocaram especialmente
uma das categorias ou mesmo questionaram o
modelo em si, mas todos com um olhar apenas
teórico. Isso indica haver substancial carência sobre
vericações empíricas afetas ao modelo, as quais
se fazem necessárias, inclusive, para a validação do
modelo teórico.
Um ponto a ser esclarecido empiricamente, por
exemplo, trata da já citada quanticação dos
elementos, cujo resultado pode implicar na própria
forma de representação do modelo. A inteligência
pode ser quanticada? E a sabedoria? Em termos
de quantidade, há um afunilamento das camadas
ou não? Há menos sabedoria do que inteligência?
Há mais conhecimento do que inteligência?
A proporção da quanticação das camadas é linear?
E quanto ao valor, que vai aumentando até a
sabedoria, como se dá essa ascensão?
Além disso, pelo que foi apresentado, mais
conhecimento, mais inteligência e mais sabedoria
implicam melhores decisões. Como se avalia esse
“mais”, que impacta nas decisões?
A participação efetiva dos agentes também
precisa ser investigada. Qual a diferença na
atuação do homem em relação à máquina?
Podemos pensar, de fato, em sabedoria articial?
De que forma ela se construiria e impactaria o
modelo? Enm, na prática, qual o real papel e
contribuições da IA para a transformação de dados
até a conquista da sabedoria?

Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020 83
Isso não é uma pirâmide: revisando o modelo clássico de dado, informação, conhecimento e sabedoria
Ademais, percebe-se que a questão dos valores e
crenças, presente nas camadas do conhecimento,
inteligência e sabedoria, também deve ser considerada
no que tange à IA. Anal, há preocupação com o
aspecto ético nas recomendações automáticas dos
robôs de IA, que estão por toda parte?
Enm, uma série de estudos podem ser construídos a
partir deste, com vistas à realização de pesquisas que
objetivem continuar contribuindo para a compreensão
desses complexos construtos e suas relações.
REFERÊNCIAS
ACKOFF, R. L. From data to wisdom. Journal of Applied Systems
Analysis, v. 16, p. 3-9, 1989. Disponível em: http://faculty.ung.edu/
kmelton/documents/datawisdom.pdf. Acesso em: 27 ago. 2020.
AL-HAWAMDEH, S. Knowledge management: re-thinking
information management and facing the challenge of managing
tacit. Information Research, v. 8, n. 1, 2002. Disponível em: http://
informationr.net/ir/8-1/paper143.html. Acesso em: 27 ago. 2020.
ALAVI, M.; LEIDNER, D. E. Knowledge management and
knowledge management systems: conceptual foundations and
research issues. MIS Quarterly, v. 25, n. 1, p. 107-136, 2001.
Disponível em: https://aisel.aisnet.org/misq/vol25/iss1/6/ Acesso
em: 27 ago. 2020.
ALLEN, G. D. Hierarchy of knowledge – from data to wisdom.
International Journal of Current Research in Multidisciplinary, v. 2,
n. 1, p. 1-23, 2016. Disponível em: https://pdfs.semanticscholar.
org/6f9d/bd9839af3b777d26f79cd2848e31fd221a8f.pdf. Acesso
em: 27 ago. 2020.
ARDOLINO, M. et al. e role of digital technologies for the
service transformation of industrial companies. International
Journal of Production Research, v. 56, n. 6, p. 2116-2132, 2017.
DOI: 10.1080/00207543.2017.1324224 Disponível em: https://
www.tandfonline.com/doi/full/10.1080/00207543.2017.1324224.
Acesso em: 27 ago. 2020.
AUKETT, J. e DIKW pathway: a route to eective oral
health promotion? British Dental Journal, v. 226, n. 11, p. 897-
901, 2019. DOI: 10.1038/s41415-019-0357-9 Disponível em:
https://idp.nature.com/authorize?response_type=cookie&client_
id=grover&redirect_uri=https%3A%2F%2Fwww.nature.
com%2Farticles%2Fs41415-019-0357-9. Acesso em: 27 ago. 2020.
AYDIN, B.; OZLEBÇEBICI, Z. Is intelligence cycle still viable?
In: INTERNATIONAL CONFERENCE ON MILITARY AND
SECURITY STUDIES (ICMSS), 2015, Istanbul. Proceedings...
Istanbul: Turkish Army War College, 2015. p. 95-100.
BALESTRIN, A. Uma análise da contribuição de Herbert Simon
para as teorias organizacionais. REAd, v. 8, n. 4, 2002. Disponível
em: https://www.researchgate.net/publication/274645486_Uma_
analise_da_contribuicao_de_Herbert_Simon_para_as_teorias_
organizacionais. Acesso em: 27 ago. 2020.
BAŠKARADA. S.; KORONIOS, A. Data, information,
knowledge, wisdom (DIKW): a semiotic theoretical and empirical
exploration of the hierarchy and its quality dimension. Australasian
Journal of Information Systems, v. 18, n. 1, 2013. DOI: 10.3127/
ajis.v18i1.748 Disponível em: https://papers.ssrn.com/sol3/papers.
cfm?abstract_id=2304010. Acesso em: 27 ago. 2020.
BATRA, S. Big data analytics and its reections on DIKW
hierarchy. Review of Management, v. 4, n. 1/2, 2014.
BHATT. G. D. Management strategies for individual knowledge
and organizational knowledge. Journal of Knowledge Management,
v. 6, n. 1, p. 31-39, 2002. DOI: 10.1590/0104-530x-0893-
15 Disponível em: http://citeseerx.ist.psu.edu/viewdoc/
download?doi=10.1.1.475.5303&rep=rep1&type=pdf. Acesso em:
27 ago. 2020.
BIERLY, P. E.; KESSLER, E. H.; CHRISTENSEN, E. W.
Organizational learning, knowledge and wisdom. Journal of
Organizational Change Management, v. 13, n. 6, p. 595-618, 2000.
DOI: 10.1108/09534810010378605 Disponível em: https://
www.researchgate.net/publication/235278501_Organizational_
Learning_Knowledge_and_Wisdom. Acesso em: 27 ago. 2020.
BOSANCIC, B. Information in the knowledge acquisition
process. Journal of Documentation, v. 72, n. 5, p. 930-960, 2016.
DOI: 10.1108/JD-10-2015-0122 Disponível em: https://www.
emerald.com/insight/content/doi/10.1108/JD-10-2015-0122/full/
html#:~:text=e%20knowledge%20acquisition%20process%20
is,wisdom%20in%20the%20DIKW%20model. Acesso em: 27
ago. 2020.
BRAGANZA, A. Rethinking the data-information-knowledge
hierarchy: towards a case-based model. International Journal
of Information Management, v. 24, p. 347-356, 2004. DOI:
10.1016/j.ijinfomgt.2004.04.007 Disponível em: https://www.
sciencedirect.com/science/article/pii/S0268401204000519. Acesso
em: 27 ago. 2020.
BUCKLAND, M. K. Information as thing. Journal of the American
Society for Information Science, v. 42, n. 5, p. 3581-360, 1991. DOI:
10.1002/(SICI)1097-4571(199106)42:5351::AID-ASI5>3.0.CO;2-3
Disponível em: http://ppggoc.eci.ufmg.br/downloads/bibliograa/
Buckland1991.pdf. Acesso em: 27 ago. 2020.
BURGIN, M. Information theory: a multifaceted model of
information. Entropy, v. 52, n. 2, p. 146-160, 2003. DOI:
10.3390/e5020146 Disponível em: https://www.mdpi.com/1099-
4300/5/2/146. Acesso em: 27 ago. 2020.

84 Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020
Anna Carolina Mendonça Lemos Ribeiro / Carlos Denner dos Santos
CAPURRO, R.; HJORLAND, B. e concept of information.
Annual Review of Information Science and Technology, v. 37, n. 1,
p. 343-411, 2003. Disponível em: https://www.researchgate.net/
publication/220141942_e_Concept_of_Information . Acesso
em: 27 ago. 2020.
CAR, J. et al. Beyond the hype of big data and articial
intelligence: bulding foundations for knowledge and wisdom.
BMC Medicine, v. 17, n. 1, 2019. DOI: 10.1186/s12916-019-
1382-x Disponível em: https://bmcmedicine.biomedcentral.com/
articles/10.1186/s12916-019-1382-x. Acesso em: 27 ago. 2020.
CHEN et al. Data, information, and knowledge in visualization.
IEEE Computer Graphics and Applications, v. 29, n. 1, p. 12-19,
2009. DOI: 10.1109/MCG.2009.6 Disponível em: https://
ieeexplore.ieee.org/document/4736452. Acesso em: 27 ago. 2020.
COOPER, P. Data, information, knowledge and wisdom.
Anaesthesia & Intensive Care Medicine, v. 18, n. 1, p. 55-56, 2017.
Disponível em: https://www.sciencedirect.com/science/article/abs/
pii/S1472029916301813. Acesso em: 27 ago. 2020.
DALAL, N.; PAULEEN, D. J. e wisdom nexus: guiding
information systems research, practice, and education. Information
Systems Journal, v. 29, p. 224-244, 2019. DOI: 10.1111/isj.12196
Disponível em: https://onlinelibrary.wiley.com/doi/full/10.1111/
isj.12196. Acesso em: 27 ago. 2020.
DAMMANN, O. Data, information, evidence, and knowledge: a
proposal for health informatics and data science. Online Journal of
Public Health Informatics, v. 10, n. 3, 2019. DOI: 10.5210/ojphi.
v10i3.9631 Disponível em: https://journals.uic.edu/ojs/index.php/
ojphi/article/view/9631. Acesso em: 27 ago. 2020.
DAMMANN, O.; SMART, B. Making population health
knowledge. In: Causation in population health informatics and
data science. [London]: Springer Nature, 2019, p. 63-77. DOI:
10.1007/978-3-319-96307-5_5 Disponível em: https://link.
springer.com/chapter/10.1007/978-3-319-96307-5_5. Acesso
em: 27 ago. 2020.
DAVENPORT, T. H.; PRUSAK, L. Working knowledge: how
organizations manage what they know. Boston: Harvard Business
School Press, 1998.
EL HOUARI, M.; RHANOUI, M.; EL ASRI, B. From
big data to big knowledge: the art of making big data alive.
In: INTERNATIONAL CONFERENCE AND CLOUD
TECHNOLOGIES AND APPLICATIONS (CLOUDTECH),
2015, Marrakech. Proceedings... Marrakech: IEEE, 2015. DOI:
10.1109/CloudTech.2015.7337001 Disponível em: https://
ieeexplore.ieee.org/document/7337001. Acesso em: 27 ago. 2020.
ERMINE, J-L. A knowledge value chain for knowledge
management. Journal of Knowledge & Communication
Management, v. 3, n. 2, p. 85-101, 2013. DOI: 10.5958/
j2277-7946.3.2.008 Disponível em: https://www.researchgate.
net/publication/272731129_A_Knowledge_Value_Chain_for_
Knowledge_Management - :~:text=e usual value chain is,to the
nal customer delivery. Acesso em: 27 ago. 2020.
FIORE, S. M. et al. Towards an understanding of macrocognition
in teams: developing and dening complex collaborative processes
and products. eoretical Issues in Ergonomics Science, v. 11, n.
4, p. 250-271, 2010. DOI: 10.1080/14639221003729128
Disponível em: https://www.tandfonline.com/doi/
full/10.1080/14639221003729128. Acesso em: 27 ago. 2020.
FIORINI, P. C. et al. Management theory and big data literature:
from a review to a research agenda. International Journal of
Information Management, v. 43, p. 112-129, 2018. DOI:
10.1016/j.ijinfomgt.2018.07.005 Disponível em: https://www.
sciencedirect.com/science/article/pii/S026840121830553X. Acesso
em: 27 ago. 2020.
FRICKÉ, M. e knowledge pyramid: a critique of the DIKW
hierarchy. Journal of Information Science, v. 35, n. 2, p. 131-142,
2009. DOI: 10.1177/0165551508094050 Disponível em: https://
journals.sagepub.com/doi/abs/10.1177/0165551508094050.
Acesso em: 27 ago. 2020.
GANDHI, S. Knowledge management and reference services. e
Journal of Academic Librarianship, v. 30, n. 5, p. 368-381, 2004.
DOI: 10.1016/j.acalib.2004.06.003 Disponível em: https://www.
sciencedirect.com/science/article/pii/S0099133304001077. Acesso
em: 27 ago. 2020.
GARCÍA-MARCO, F-J. La pirâmide de la información revisitada:
enriqueciendo el modelo desde la ciencia cognitiva. El profesional
de la información, v. 20, n. 1, p. 11-24, 2011. DOI: 10.3145/
epi.2011.ene.02 Disponível em: https://recyt.fecyt.es/index.php/
EPI/article/view/epi.2011.ene.02. Acesso em: 27 ago. 2020.
GOEDE, M. e wise society: beyond the knowledge
economy. Foresight, v. 13, n. 1, p. 36-45, 2011. DOI:
10.1108/14636681111109688 Disponível em: https://www.
emerald.com/insight/content/doi/10.1108/14636681111109688/
full/html. Acesso em: 27 ago. 2020.
GONZALEZ, W. J. From intelligence to rationality of minds and
machines in contemporary society: the sciences of design and the
role of information. Minds & Machines, v. 27, p. 397-424, 2017.
DOI: 10.1007/s11023-017-9439-0 Disponível em: https://link.
springer.com/article/10.1007/s11023-017-9439-0. Acesso em: 27
ago. 2020.
GUOLINAG, L. et al. EASE: an eective 3-in1 keyword search
method for unstructured, semi-structured and structured data.
In: ACM SIGMOD INTERNATIONAL CONFERENCE ON
MANAGEMENT OF DATA, 8., 2008, Vancouver. Proceedings...
[S.l.]: ACM, 2008, p. 903-914. Disponível em:https://www.cse.
iitb.ac.in/infolab/Data/KeywordSearch/SIGMOD08/ease.pdf.
Acesso em: 27 ago. 2020.
GUPTA, S. et al. Big data with cognitive computing: a review
for the future. International Journal of Information Management,
v. 42, p. 78-89, 2018. DOI: 10.1016/j.ijinfomgt.2018.06.005.
Disponível em: https://www.sciencedirect.com/science/article/pii/
S0268401218304110. Acesso em: 27 ago. 2020.

Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020 85
Isso não é uma pirâmide: revisando o modelo clássico de dado, informação, conhecimento e sabedoria
HASHEM, I. A. T. et al. e rise of “big data” on cloud
computing: review and open research issues. Information
Systems, v. 47, p. 98-115, 2015. DOI: 10.1016/j.is.2014.07.006
Disponível em: https://www.sciencedirect.com/science/article/pii/
S0306437914001288. Acesso em: 27 ago. 2020.
HOPPE, A. et al. Wisdom - the blurry top of human
cognition in the DIKW-model? In: CONFERENCE OF
THE EUROPEAN SOCIETY FOR FUZZY LOGIC AND
TECHNOLOGY, 7., 2011. Aix-les-Bains. Proceedings... [S.l.]:
Atlantis Press, 2011. DOI: 10.2991/eusat.2011.91 Disponível
em: https://www.researchgate.net/publication/269081562_
Wisdom_-_the_blurry_top_of_human_cognition_in_the_
DIKW-model. Acesso em: 27 ago. 2020.
JANSEN, B.; RIEH, S. Y. e seventeen theoretical constructs
of information searching and information retrieval. Journal of the
American Society for Information Science and Technology, v. 61, n.
8, p. 1517-1534, 2010. DOI: 10.1002/asi.21358 Disponível em:
https://onlinelibrary.wiley.com/doi/full/10.1002/asi.21358. Acesso
em: 27 ago. 2020.
JENNEX, M. E. Big data, the internet of things, and the revised
knowledge pyramid. ACM SIGMIS Database: e Database for
Advances in Information Systems, v. 48, n. 4, p. 69-79, 2017. DOI:
10.1145/3158421.3158427 Disponível em: https://dl.acm.org/doi/
pdf/10.1145/3158421.3158427. Acesso em: 27 ago. 2020.
JENNEX, M. E.; BARTCZAK, S. E. A revised knowledge
pyramid. International Journal of Knowledge Management, v. 9, n. 3,
p. 19-30, 2013. DOI: 10.4018/ijkm.2013070102 Disponível em:
https://dl.acm.org/doi/10.4018/ijkm.2013070102. Acesso em: 27
ago. 2020.
KARVALICS, L. Z. Information society: what is it exactly?
e meaning, history and conceptual framework of an
expression. NETIS: Network for Teaching Information
Society, 2007. Disponível em: https://www.researchgate.net/
publication/237332035_Information_Society_-_what_is_it_
exactly_e_meaning_history_and_conceptual_framework_of_an_
expression. Acesso em: 27 ago. 2020.
LIEW, A. DIKIW: data, information, knowledge, intelligence,
wisdom and their interrelationships. Business Management
Dynamics, v. 2, n. 10, p. 49-62, 2013. DOI: 10.0.0.234:3128
Disponível em: http://www.bmdynamics.com/issue_pdf/
bmd110349-%2049-62.pdf. Acesso em: 27 ago. 2020.
MA, L. Meanings of information: the assumptions and research
consequences of three foundational LIS theories. Journal of the
American Society for Information Science and Technology, v. 63, n.
4, p. 716-723, 2012. DOI: 10.1002/asi.21711 Disponível em:
https://onlinelibrary.wiley.com/doi/full/10.1002/asi.21711. Acesso
em: 27 ago. 2020.
MAITY, S. Identifying opportunities for articial intelligence in
the evolution of training and development practices. Journal of
Management Development, v. 38, n. 8, p. 651-663, 2019. DOI:
10.1108/JMD-03-2019-0069 Disponível em: https://www.
emerald.com/insight/content/doi/10.1108/JMD-03-2019-0069/
full/html. Acesso em: 27 ago. 2020.
MARCH, J. G.; SIMON, H. A. Organizations. New York: Wiley, 1958.
MARTINS, C. S.; SIMÕES, P.; SÁ. J. O. Uma arquitetura
moderna de dados: um caso de teste. In: CONFERÊNCIA
DA ASSOCIAÇÃO PORTUGUESA DE SISTEMAS DE
INFORMAÇÃO (CPASI), 2014, 14., Évora. Atas... [S.l.]: PTAIS,
2014. Disponível em: https://repositorium.sdum.uminho.pt/
bitstream/1822/31369/1/paper_cpasi_2014_arquitetura_moderna_
vf.pdf Acesso em: 27 ago. 2020.
MICHAELS. S.; GOUCHER, N. P.; McCARTHY, D.
Considering knowledge uptake within a cycle of transforming data,
information, and knowledge. Review of Policy Research, v. 23, n.
1, p. 267-279, 2006. DOI: 10.1111/j.1541-1338.2006.00197.x
. Disponível em: https://onlinelibrary.wiley.com/doi/10.1111/
j.1541-1338.2006.00197.x Acesso em: 27 ago. 2020.
MORESI, E. A. D. Delineando o valor do sistema de
informação de uma organização. Ciência da Informação, v. 29, n.
1, p. 14-24, 2000. DOI: 10.1590/S0100-19652000000100002
Disponível em: https://www.scielo.br/scielo.php?script=sci_
arttext&pid=S0100-19652000000100002&lng=pt&tlng=pt
Acesso em: 27 ago. 2020.
MUTONGI, C. Revisiting data, information, knowledge
and wisdom (DIKW) model and introducing the green leaf
model. IOSR Journal of Business and Management (IOSR-
JBM), v. 18, n. 7, p. 66-71, 2016. DOI: 10.9790/487X-
1807026671. Disponível em: https://pdfs.semanticscholar.
org/14b9/04f0e28b26eaa214fe086f0df90ce502ae53.
pdf?_ga=2.204246288.1226951513.1597071911-
2083946973.1597071911. Acesso em: 27 ago. 2020.
NAVEGA, S. Informação, conhecimento e data mining.
RCA – Revista de Controle e Administração, v. 3, n. 1, p. 49-71,
2007. Disponível em: https://vdocuments.site/vol-iii-no-1-
janeirojunho-2007.html. Acesso em: 27 ago. 2020.
NURULIN, Y et al. Role of knowledge in management
of innovation. Resoucers, v. 8, n. 87, 2019. DOI: 10.3390/
resources8020087 Disponível em: https://www.mdpi.com/2079-
9276/8/2/87. Acesso em: 27 ago. 2020.
PONCHIROLLI, O.; FIALHO, F.A.P. Gestão estratégica do
conhecimento como parte da estratégia empresarial. Revista da FAE,
v. 8, n. 1, p. 127-138, 2005. Disponível em: https://revistafae.fae.
edu/revistafae/article/view/381. Acesso em: 27 ago. 2020.
POURDJAM, M; SIADAT, S-A.; RAJAEEPOURS, S. Structural
modeling for the relationship of organizational wisdom and
strategic intelligence. Journal of Studies in Education, v. 5, n. 2,
2015. DOI: 10.5296/jse.v5i2.7407 Disponível em: http://www.
macrothink.org/journal/index.php/jse/article/view/7407. Acesso
em: 27 ago. 2020.
PRENSKY, M. H. sapiens digital: from digital immigrants and
digital natives to digital wisdom. Innovate: Journal of Online
Education, v. 5, n. 3, 2009. Disponível em: https://nsuworks.nova.
edu/innovate/vol5/iss3/1/. Acesso em: 27 ago. 2020.

86 Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020
Anna Carolina Mendonça Lemos Ribeiro / Carlos Denner dos Santos
PREWITT, V. Wisdom in the workplace. Performance Improvement
Quarterly, v. 15, n. 1, p. 84-98, 2002. DOI: 10.1111/j.1937-
8327.2002.tb00242.x. Disponível em: https://onlinelibrary.wiley.
com/doi/abs/10.1111/j.1937-8327.2002.tb00242.x. Acesso em:
27 ago. 2020.
RAWSON, T. M. et al. Articial intelligence can improve decision-
making in infection management. Nature Human Behavior, v. 3,
p. 543-545, 2019. DOI: 10.1038/s41562-019-0583-9 Disponível
em: https://www.nature.com/articles/s41562-019-0583-9 . Acesso
em: 27 ago. 2020.
REDDIN, W. J. Que é ecácia gerencial? São Paulo, Atlas, 1977.
REMOR, C. A. M.; FIALHO, F. A. P.; QUEIROZ, M.
P. Analisando a hierarquia DIKW. In: CONGRESSO
INTERNACIONAL DE CONHECIMENTO E INOVAÇÃO
(CIKI), 2017, 7., Foz do Iguaçu/PR. Anais. Florianópolis: UFSC,
2017. Disponível em: https://proceeding.ciki.ufsc.br/index.php/
ciki/article/view/256. Acesso em: 27 ago. 2020.
ROWLEY, J. e wisdom hierarchy: representations of the DIKW
hierarchy. Journal of Information Science, v. 33, n. 2, p. 163-180,
2007. DOI: 10.1177/0165551506070706 Disponível em: https://
journals.sagepub.com/doi/abs/10.1177/0165551506070706.
Acesso em: 27 ago. 2020.
SAJJA, P.S.; AKERKAR, R. Knowledge-based systems for
development. In: ______ (ed.). Advanced knowledge based systems:
model, applications & research. Sudbury, MA: Jones & Bartlett,
2010. v. 1. p. 1-11.
SARACEVIC, T. A natureza interdisciplinar da ciência da
informação. Ciência da Informação, v. 24, n. 1, 1995. Disponível
em: http://revista.ibict.br/ciinf/article/view/608. Acesso em: 27
ago. 2020.
SATO, A.; HUANG, R. A generic formulated KID model for
pragmatic processing of data, information and knowledge. In:
INTERNATIONAL CONFERENCE ON UBIQUITOUS
INTELLIGENCE AND COMPUTING, 12., 2015. Proceedings...
[S.l.]: IEEE Computer Society, 2015. DOI: 10.1109/UIC-ATC-
ScalCom-CBDCom-IoP.2015.120 . Disponível em: https://
ieeexplore.ieee.org/document/7518299. Acesso em: 27 ago. 2020.
SIMON, H. A. A rational decision making in business
organization. American Economic Review, v. 69, p. 493-513, 1979.
______. Making management decisions: the role of intuition and
emotion. Academy of Management Executive, v. 1, n. 1, p. 57-64,
1987.
SIMON, J. P. Articial intelligence: scope, players, markets and
geography. Digital Policy, Regulations and Governance, v. 21, n. 3, p.
208-237, 2019. DOI: 10.1108/DPRG-08-2018-0039. Disponível
em: https://www.emerald.com/insight/content/doi/10.1108/
DPRG-08-2018-0039/full/pdf?title=articial-intelligence-scope-
players-markets-and-geography. Acesso em: 27 ago. 2020.
STERNBERG, R. J. Wisdom as a form of giftedness.
Gifted Child Quarterly, v. 44, n. 4, p. 252-260, 2000. DOI:
10.1177/001698620004400406 Disponível em: https://journals.
sagepub.com/doi/pdf/10.1177/001698620004400406. Acesso em:
27 ago. 2020.
STOREY, V. C.; SONG, I-Y. Big data technologies and
management: what conceptual modeling can do. Data &
Knowledge Engineering, v. 108, p. 50-67, 2017. DOI: 10.1016/j.
datak.2017.01.001 Disponível em: https://www.sciencedirect.com/
science/article/abs/pii/S0169023X17300277. Acesso em: 27 ago.
2020.
SUCCI S.; COVENEY, P. V. Big data: the end of scientic
method? Philosophical Transactions, v. 377, n. 2142, 2019.
DOI: 10.1098/rsta.2018.0145 Disponível em: https://
royalsocietypublishing.org/doi/10.1098/rsta.2018.0145. Acesso
em: 27 ago. 2020.
TAKEUCHI, H.; NONAKA, I. Gestão do conhecimento. Porto
Alegre: Bookman, 2008.
TANG, V.; YANINE, F.; VALENZUELA, L. Data, information,
knowledge and intelligence. International Journal of Innovation
Science, v. 8, n. 3, p. 199-216, 2016. DOI: 10.1108/IJIS-07-2016-
0022 Disponível em: https://www.emerald.com/insight/content/
doi/10.1108/IJIS-07-2016-0022/full/html#:~:text=Simply%20
and%20intuitively%20put%3A%20data,and%20intelligence%20
is%20know%2Dwhen. Acesso em: 27 ago. 2020.
TIAN, X. Big data and knowledge managemet: a case of déjà vu or
back to the future? Journal of Knowledge Management, v. 21, n. 1,
p. 113-131, 2017. DOI: 10.1108/JKM-07-2015-0277 Disponível
em: https://www.emerald.com/insight/content/doi/10.1108/JKM-
07-2015-0277/full/html. Acesso em: 27 ago. 2020.
TUOMI, I. Data is more than knowledge: implications of the
reversed knowledge management and organizational memory.
Journal of Management Information Systems, v. 16, n. 3, p. 103-117,
1999. DOI: 10.1080/07421222.1999.11518258 Disponível em:
https://www.researchgate.net/publication/328803142_Data_is_
more_than_knowledge_Implications_of_the_reversed_knowledge_
hierarchy_for_knowledge_management_and_organizational_
memory. Acesso em: 27 ago. 2020.
VANDERGRIFF, L. J. Welcome to the intelligence age:
an examination of intelligence as a complex ventures
emergent behavior. VINE: e Journal of Information and
Knowledge Systems, v. 38, n. 4, p. 432-444, 2008. DOI:
10.1108/03055720810917697 Disponível em: https://www.emerald.
com/insight/content/doi/10.1108/03055720810917697/full/html.
Acesso em: 27 ago. 2020
WAMBA, S. F. et al. Big data analytics and rm performance:
eects of dynamic capabilities. Journal of Business Research, v.
70, p. 356-365, 2017. DOI: 10.1016/j.jbusres.2016.08.009
Disponível em: https://www.sciencedirect.com/science/article/pii/
S0148296316304969 . Acesso em: 27 ago. 2020.

Ci.Inf., Brasília, DF, v.49 n.2, p. 67-87, maio/ago. 2020 87
Isso não é uma pirâmide: revisando o modelo clássico de dado, informação, conhecimento e sabedoria
WAN, K.; ALAGAR, V. Synthesizing data-to-wisdom hierarchy
for developing smart. In: International Conference on Fuzzy
Systems and Knowledge Discovery (FSKD), 11., 2014.
Proceedings... [S.l.]: IEEE Computer Society, 2014. DOI: 10.1109/
FSKD.2014.6980880Disponível em: https://ieeexplore.ieee.org/
document/6980880.Acesso em : 27 ago. 2020.
YAO, X.; JIN, H.; Zhang, J. Towards a wisdom manufacturing
vision. International Journal of Computer Integrated
Manufacturing, v. 28, n. 12, p. 1291-1312, 2014. DOI:
10.1080/951192X.2014.972462. Disponível em: https://www.
tandfonline.com/doi/full/10.1080/0951192X.2014.972462.
Acesso em: 27 ago. 2020.
YLIKOKI, O.; PORRAS, J. A recipe for big data value creation.
Business Process Management Journal, v. 25, n. 5, p. 1085-1100,
2019. DOI: 10.1108/BPMJ-03-2018-0082 Disponível em: https://
www.emerald.com/insight/content/doi/10.1108/BPMJ-03-2018-
0082/full/pdf?title=a-recipe-for-big-data-value-creation. Acesso em:
27 ago. 2020.
ZELENY, M. Management support systems: towards integrated
knowledge management. Human Systems Management, v. 7, n. 1,
p. 59-70, 1987. DOI: 10.3233/HSM-1987-7108 Disponível em:
https://content.iospress.com/articles/human-systems-management/
hsm7-1-08. Acesso em: 27 ago. 2020.
ZHANG, P.; BENJAMIN, R. I. Understanding information
related elds: a conceptual framework. Journal of the American
Society for Information Science and Technology, v. 58, n. 13, p. 1934-
1947, 2007. DOI: 10.1002/asi.20660 Disponível em: https://
onlinelibrary.wiley.com/doi/full/10.1002/asi.20660. Acesso em: 27
ago. 2020.
ZINS, C. Conceptual approaches for dening data, information,
and knowledge. Journal of the American Society for Information
Science and Technology, v. 58, n. 4, p. 479-493, 2007. DOI:
10.1002/asi.20508 Disponível em: https://onlinelibrary.wiley.com/
doi/full/10.1002/asi.20508. Acesso em: 27 ago. 2020.