Palavras-chave
Redação
Inteligência artificial
Tecnologia
Gestão do conhecimento
Como Citar
Resumo
A correção de textos educacionais como redações e questões discursivas é uma tarefa importante, além disso, diversas escolas têm exigido a intensificação da atividade da escrita para a evolução do discente. Entretanto, o esforço despendido para a correção pode aumentar a carga de trabalho do professor ou até mesmo gerar custos adicionais, bem como um longo tempo de correção para instituições como o MEC (Ministério da Educação), que é responsável pela aplicação do ENEM (Exame Nacional do Ensino Médio). Em 2019 foi anunciado pelo MEC a tendência do ENEM se tornar digital, trazendo novas possibilidades para a análise e avaliação das redações elaboradas pelos estudantes. Neste contexto, algumas técnicas de inteligência artificial para análise de textos educacionais tem se revelado úteis no processo de avaliação automática da linguagem escrita. Assim, o objetivo desta pesquisa é analisar textos empregando para tanto as técnicas de Processamento de Linguagem Natural e Aprendizado de Máquina para identificar deficiências em textos educacionais. Esta pesquisa experimental consistiu na classificação de 695 redações elaboradas em língua portuguesa em 20 temas. Os resultados demonstraram que as técnicas empregadas possibilitaram a identificação de redações cujo conteúdo foge à temática proposta na prova, dentre outras informações importantes para que o docente possa identificar falhas na escrita da redação, tais como a coesão textual ou texto insuficiente. Os resultados esperados com a aplicação da solução desenvolvida neste experimento buscam otimizar o trabalho do professor, bem como reduzir o tempo e o custo do processo de avaliação de textos educativos.
Referências
ARAÚJO, U. A quarta revolução educacional: a mudança de tempos, espaços e relações na escola a partir do uso de tecnologias e da inclusão social. ETD - Educação Temática Digital, v. 12, n. esp., p. 31-48, 2011.
BAZELATO, B. S.; AMORIM, E. C. F. A bayesian classifier to automatic correction of portuguese essays. In: CONGRESSO INTERNACIONAL DE INFORMÁTICA EDUCATIVA (TISE), 18., 2013. Anais... Porto Alegre: CCC, 2013, p. 1-13.
BHOJARAJU, G. Knowledge management: why do we need it for corporates. Malaysian Journal of Library & Information Science, p. 1-14, 2019.
BRACHMAN, R. J. Mining business databases. Communications of the ACM, p. 42, nov. 1996.
BRANDON, R. Document clustering with Python - Top 100 films of all time. 2014. Disponível em: http://brandonrose.org/clustering . Acesso em: 03 maio 2021
BRASIL - Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira (Inep). A redação no Enem 2019: cartilha do participante. Brasília: INEP, 2019.
BREWER, P. D.; BREWER, K. L. Knowledge management, human resource management, and higher education: a theoretical model. Journal of Education for Business, v. 85, n. 6, p. 330-335, 2010.
CÂNDIDO, T.; WEBBER, C. Avaliação da coesão textual: desafios para automatizar a correção de redações. RENOTE, v. 16, n. 1, p. 103-112, 2018.
SOUZA, C. Mineração de dados educacionais para avaliar os fatores que influenciam no desempenho de candidatos do ENEM. Trabalho de Conclusão de Curso (Análise e Desenvolvimento de Sistemas) - Universidade Federal Fluminense. Rio de Janeiro: UFF, 2019.
EPSTEIN, D.; REATEGUI, E. B. Uso de mineração de textos no apoio à compreensão textual. RENOTE, v. 13, n. 1, p. 1-10, 2015.
FÁVERO, L. P.; BELFIORE, P.; SILVA, F. L.; CHAN, B. L. Análise de dados: modelagem multivariada para tomada de decisões. Rio de Janeiro: Elsevier-Campos, 2009.
FAYYAD, U.; PIATETSKY-SHAPIRO, G.; SMYTH, P.; UTHURUSAMY, R. Advances in knowledge discovery & data mining. Menlo Park: American Association for Artificial Intelligence, 1995.
FERNANDEZ, P. J.; MARQUES, P. C. F. Data science, marketing & business. São Paulo: Insper, 2019.
GASPAR, M. A.; SANTOS, S. A.; DONAIRE, D.; KUNIYOSHI, M. S.; MAGALHÃES, F. L. F. de. Gestão do conhecimento em empresas atuantes na indústria de software no Brasil: um estudo das práticas e ferramentas utilizadas. Informação & Sociedade: Estudos, v.26, n.1, p. 151-166, jan./abr. 2016.
GUNJAL, B. Knowledge management: why do we need it for corporates. Malaysian Journal of Library & Information Science, p. 1-14, Apr 2019.
HAIR JUNIOR, J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E.; TATHAM, R. L. Análise multivariada de dados. 6.ed. Porto Alegre, Bookman, 2009.
HONDA, H. Introdução básica à clusterização. Brasília: UNB, 2017.
LLOYD, S. P. Least squares quantization in PCM. IEEE Trans. Inf. Theory, v. 28, p. 129-136, 1982.
MACEDO, A. L.; BEHAR, P. A.; AZEVEDO, B. F. T. Acompanhamento da interação e produção textual coletiva por meio de mineração de textos. ETD - Educação Temática Digital, .v. 16, n. 1, p. 67-83, 2014.
MARTIN, J H.; JURAFSKY, D. Speech and language processing: an introduction to natural language processing, computational linguistics, and speech recognition. Upper Saddle River: Pearson/Prentice Hall, 2009.
MEC - Ministério da Educação. Enem terá aplicação digital em fase piloto em 2020 e deixará de ter versão em papel em 2026. Brasília: MEC, 03 jul. 2019.
MORAIS, E. A. M.; AMBRÓSIO, A. P. L. Mineração de textos. Relatório técnico. Goiânia: UFGO, 2007.
MUNGIOLI, M. C. P. Jogando com o narrador: estratégias narrativas na produção de textos em ambientes escolares informatizados. ETD - Educação Temática Digital, v. 10, n. 1, p. 24-48, 2009.
NEWMAN, D.; LAU, J. H.; GRIESER, K.; BALDWIN, T. Automatic evaluation of topic coherence. In: Annual Conference of the North American Chapter of the Association for Computational Linguistics, 2010. Proceedings... Association for Computational Linguistics, 2010, p. 100-108.
NOBRE, J. C. S.; PELLEGRINO, S. R. M. ANAC: um analisador automático de coesão textual em redação. In: BRAZILIAN SYMPOSIUM ON COMPUTERS IN EDUCATION - SBIE, 2010. Anais... Porto Alegre: SBC, 2010, p. 1-12.
NONAKA, I; TAKEUCHI, H. Criação de conhecimento na empresa. Rio de Janeiro: Elsevier, 1997.
PORTO FILHO, C. H. Técnicas de aprendizado não supervisionado baseadas no algoritmo da caminhada do turista. Dissertação (Mestrado em Bioengenharia) – Programa de Pós-graduação em Bioengenharia - Universidade de São Paulo. São Carlos, USP, 2017.
RÊGO, A. S. da C. Aprendizado automático de relações semânticas entre tags de folksonomias. Tese (Doutorado em Ciência da Computação) - Programa de Pós-graduação em Ciência da Computação - Universidade Federal de Campina Grande. Campina Grande, UFCG, 2016.
ROCHA, G.; MORENO, A. C. Enem 2018: número de redações nota mil volta a crescer, e cai o número de notas zero. Rio de Janeiro: Portal G1, 18 jan. 2019.
ROSSI, R. G. Classificação automática de textos por meio de aprendizado de máquina baseado em redes. 2015. Tese (Doutorado em Ciências de Computação e Matemática Computacional) - Instituto de Ciências Matemáticas e de Computação - Universidade de São Paulo. São Carlos, USP, 2015.
SALTON, G.; YANG, C. S. On the specification of term values in automatic indexing. Journal of Documentation, v. 29, n. 4, p. 351-372, 1973.
SERENKO, A.; BONTIS, N.; BOOKER, L. D.; SADEDDIN, K. W. A scientometric analysis of knowledge management and intellectual capital academic literature (1994-2008). Journal of Knowledge Management, v. 14, n. 1, p. 3-23, 2010.
SHERMIS, M. D.; BURSTEIN, J.; HIGGINS, D.; ZECHNER, K. Automated essay scoring: Writing assessment and instruction. International Encyclopedia of Education, v. 4, n. 1, p. 20-26, 2010.
VILLALON, J.; CALVO, R. A. Concept extraction from student essays, towards concept map mining. In: IEEE INTERNATIONAL CONFERENCE ON ADVANCED LEARNING TECHNOLOGIES, 9th , 2009. Proceedings… IEEE, jul. 2009, p. 221-225.
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Copyright (c) 2022 ETD - Educação Temática Digital
Downloads
