01. Universidade Federal Rural de Pernambuco - UFRPE (Sede)
URI permanente desta comunidadehttps://arandu.ufrpe.br/handle/123456789/1
Navegar
3 resultados
Resultados da Pesquisa
Item Análise comparativa de técnicas de engenharia de prompt aplicadas a tarefas de recomendação via LLMs(2026-02-13) Silva, Cleyton José Rodrigues da; Lima, Lucas Albertins de; http://lattes.cnpq.br/0465071050875729Sistemas de recomendação são produzidos para sugerir itens a serem consumidos por usuários clientes de uma determinada plataforma digital, seja em e-commerce ou em aplicativos de streaming de conteúdo, tendo o intuito de se adequar cada vez mais às preferências dos usuários-alvos, buscando um teor de personalização que contribua para o sucesso da plataforma. As abordagens mais utilizadas atualmente se apresentam numa combinação de técnicas tradicionais de recomendação com o poder dos LLMs para alavancar a qualidade e precisão das recomendações. Os LLMs são modelos que possuem altas capacidades de compreensão de linguagem e de inferência de linguagem natural e, desde a apresentação do modelo GPT-3, foi evidenciado que o resultado de tarefas executadas por modelos deste tipo podem ter sua qualidade alavancada ao estruturar as prompts de interação sob pretextos que melhor extraiam sua capacidade in-context-learning. Técnicas de engenharia de prompt como as zero-shot, onde se descreve a tarefa em linguagem natural, foram desde então integradas no funcionamento de sistemas de recomendação, e este trabalho analisa uma abordagem onde se usa o LLM como recomendador, propondo uma análise comparativa dos impactos de aplicar quatro variantes de estratégias representativas a técnicas de engenharia de prompt distintas, em substituição a uma estratégia definida como baseline de comparação. Experimentos são feitos para diferentes combinações entre três LLMs em duas bases de dados distintas, apresentando resultados experimentais variados dentre as combinações modelo-estratégia, encontrando ganhos de até 17.76% em taxa de acerto de recomendação entre diferentes combinações, com métricas que em parte mostram superação em taxa de acerto contra o baseline, e que, por outro lado, mostram o baseline mantendo superioridade na qualidade da recomendação gerada.Item Classificação multi-rótulo para análise de qualidade de feedback(2025-08-06) Batista, Hyan Hugo Noá; Mello, Rafael Ferreira de Leite; http://lattes.cnpq.br/6190254569597745; http://lattes.cnpq.br/4262454011553103O feedback é um fator muito importante no processo de ensino-aprendizagem e crucial na Educação a Distância, pois, como professores e alunos estão separados no espaço e/ou tempo, é através do feedback que o aluno vai entender como está o seu desempenho na disciplina e quais são os próximos passos do aprendizado. Existem na literatura modelos de feedback que ajudam o professor a estruturar e fornecer um feedback de qualidade ao aluno. Nesse trabalho utilizamos o conceituado modelo de feedback de Hattie e Timperley que divide o feedback em categorias (tarefa, processamento da tarefa, regulação e pessoal). É possível encontrar na literatura trabalhos que analisam feedback automaticamente com base nesse modelo. Contudo, esses trabalhos utilizam algoritmos tradicionais de aprendizagem de máquina e treinam classificadores binários para cada nível de feedback. Dessa forma, este trabalho tem como objetivo utilizar algoritmos de deep learning para classificação multi-classe de feedback com base no modelo de Hattie e Timperley.Item Aplicação de reconhecimento de texto manuscrito para a digitalização de redações do ensino médio em português(2025-08-07) Dias, Lucas Valentim; Macário Filho, Valmir; http://lattes.cnpq.br/4346898674852080; http://lattes.cnpq.br/5941275228826678A digitalização de redações manuscritas é uma etapa crucial para sistemas de correção automática, mas representa um desafio significativo devido à variabilidade caligráfica e às particularidades linguísticas. Este artigo aborda essa lacuna ao realizar uma análise comparativa do desempenho de seis modelos de Reconhecimento de Texto Manuscrito de aprendizado profundo (HTR-Flor, StackMix, OrigamiNet, TrOCR, HTR-VT, DTrOCR) e dois serviços comerciais (AWS Textract, GCP Vision). Os modelos foram avaliados em um novo conjunto de dados composto por 22.927 linhas de texto extraídas de 1.071 redações manuscritas de alunos do ensino médio em português. Os resultados, medidos por Taxa de Erro de Caractere (CER) e Palavra (WER), indicam que os modelos HTR-VT (CER 9,20%) e Stackmix (CER 11,72%) demonstraram maior robustez e eficácia neste domínio específico. Notavelmente, modelos baseados em Transformer como TrOCR e DTrOCR, que são estado da arte em benchmarks padronizados, apresentaram desempenho significativamente inferior (CER > 48%), evidenciando uma fraca generalização para a caligrafia variada encontrada nas redações. O estudo conclui que a especialização do modelo ao domínio e a robustez a diferentes estilos de caligrafia são mais cruciais para o desempenho prático do que a performance em datasets genéricos, fornecendo um panorama sobre o estado da arte e os desafios do HTR para o cenário educacional brasileiro.