Nascimento, André Câmara Alves doPinho, Fernanda Barbosa de2026-08-062026-07-07PINHO, Fernanda Barbosa de. Context aware recommender system via LLM in context learning. 2026. 12 f. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Departamento de Computação, Universidade Federal Rural de Pernambuco, Recife, 2026.https://arandu.ufrpe.br/handle/123456789/9001Comunicação Aumentativa e Alternativa (CAA) oferece estratégias e ferramentas que apoiam indivíduos com deficiências de fala e motoras. Entre os sistemas de CAA de alta tecnologia, as interfaces baseadas em pictogramas são especialmente difundidas. No entanto, à medida que os vocabulários pessoais crescem, navegar por grandes grades de pictogramas torna-se exigente tanto do ponto de vista cognitivo quanto físico, um ônus que a recomendação de pictogramas sensível ao contexto pode atenuar. Abordagens anteriores baseiam-se em modelos probabilísticos ou classificadores supervisionados, deixando inexplorado o uso de Modelos de Linguagem de Grande Escala (LLMs) sob o paradigma sem ajuste fino (non-tuning) para a recomendação de pictogramas em CAA. Apresentamos um recomendador em dois estágios fundamentado no arcabouço GLLM4Rec. O Estágio 1 seleciona pictogramas candidatos utilizando frequência com decaimento temporal combinada à modelagem contextual. O Estágio 2 reordena esses candidatos por meio de um prompt estruturado que injeta o histórico do usuário, o agrupamento espacial e o contexto temporal como exemplos few-shot, sem atualizar nenhum parâmetro do modelo. Crucialmente, o LLM raciocina sobre identificadores numéricos brutos dos pictogramas, isolando a inferência baseada em padrões do conhecimento semântico. Em uma avaliação preliminar com registros de uma aplicação de CAA do mundo real, adotamos um protocolo de validação temporal deslizante (rolling) com dois usuários (55 folds, 1,770 interações de teste). A reordenação por LLM supera a linha de base probabilística do Estágio 1 nos mesmos dados e protocolo, alcançando Recall@5 = 0.556 ± 0.216 e MRR@10 = 0.348 ± 0.172 (vs. 0.496 e 0.297). Os ganhos concentram-se no topo do ranking (K ≤ 5), ao passo que a linha de base probabilística recupera mais itens em K = 10—revelando um trade-off entre precisão e cobertura particularmente relevante para o projeto de interfaces de CAA.12 f.en-USopenAccesshttp://creativecommons.org/licenses/by/4.0/Inteligência artificialAprendizado do computadorProcessamento de linguagem natural (Computação)Sistemas de recomendação (Filtragem de informações)Tecnologias assistivasComunicação aumentativa e alternativabachelorThesisAttribution 4.0 International