Processamento de linguagem natural aplicado às anotações elaboradas com o DLNotes

Luis Gustavo Saibro da Silva,
Elder Rizzon Santos
PDF

Resumo

O DLNotes é uma ferramenta para anotações em obras digitais utilizada durante o processo de ensino e aprendizagem de disciplinas de Literatura. A utilização do DLNotes nos últimos anos resultou em um grande acervo de anotações, o qual pode ser processado e explorado computacionalmente com intuito de produzir e descobrir conhecimento a partir dos dados. Neste trabalho foram adotadas técnicas de processamento de linguagem natural para o pré-processamento e produção de um conjunto de dados que facilite a extração de conhecimento. Além dos dados do DLNotes, foram integrados dados de atividades realizadas via Moodle. Como prova de conceito, o conjunto de dados foi utilizado na previsão da avaliação de atividades com base nas anotações dos alunos. Esta aplicação visa dar celeridade no feedback ao aluno e apoiar o professor na etapa de avaliação. A contribuição principal deste trabalho é a abordagem adotada para construção do conjunto de dados e o relato dos resultados preliminares na previsão das avaliações.

Referências

ABEL, Mara ; RAMA FIORINI, Sandro. Uma Revisão Da Engenharia Do Conhecimento: Evolução, Paradigmas E Aplicações. International Journal of Knowledge Engineering and Management, v. 2, n. 2, p. 1, 2013.

BERNERS-LEE, Tim; HENDLER, James A ; LASSILA, O. The Semantic Web: A New Form of Web Content that is Meaningful to Computers will Unleash a Revolution of New Possibilities. In: HENDLER, James (Org.). Linking the World’s Information: Essays on Tim Berners-Lee’s Invention of the World Wide Web. [s.l.]: ACM eBooks, 2023, p. 91–103.

BISHOP, Christopher M. Model-based machine learning. Philosophical Transactions of the Royal Society A: Mathematical, Physical and Engineering Sciences, v. 371, n. 1984, p. 20120222, 2013.

CARBONELL, Jaime G.; MICHALSKI, Ryszard S. ; MITCHELL, Tom M. An overview of Machine Learning. In: CARBONELL, Jaime G.; MICHALSKI, Ryszard S. ; MITCHELL, Tom M. (Orgs.). Machine Learning - An Artificial Intelligence Approach, Volume I. [s.l.]: Morgan Kaufmann, 1983, p. 3–23.

CHOWDHARY, K. R. Natural Language Processing. In: Fundamentals of Artificial Intelligence. New Delhi: Springer, 2020, p. 603–649.

EDMUNDS, Angela ; MORRIS, Anne. The problem of information overload in business organisations: a review of the literature. International Journal of Information Management, v. 20, n. 1, p. 17–28, 2000.

GIEBLER, Corinna; GRÖGER, Christoph; HOOS, Eva; et al. Leveraging the Data Lake: Current State and Challenges. In: ORDONEZ, C.; SONG, I.Y. ; ANDERST-KOTSIS, G. (Orgs.). Big Data Analytics and Knowledge Discovery. [s.l.]: Springer, 2019, v. 11708, p. 179–188.

GRUBER, Thomas R. A translation approach to portable ontology specifications. Knowledge Acquisition, v. 5, n. 2, p. 199–220, 1993. Disponível em: <https://dl.acm.org/citation.cfm?id=173747>.

HOPFIELD, J.J. Artificial neural networks. IEEE Circuits and Devices Magazine, v. 4, n. 5, p. 3–10, 1988.

JAMES, Gareth; WITTEN, Daniela; HASTIE, Trevor; et al. An Introduction to Statistical Learning. New York, NY: Springer US, 2021.

LEVY, Omer ; GOLDBERG, Yoav. Dependency-BasedWordEmbeddings. In: Proceedings of the 52nd Annual Meeting of the Association for Computational Linguistics (ShortPapers). [s.l.: s.n.], 2014, p. 302–308.

LORENA, Ana Carolina ; DE CARVALHO, André C. P. L. F. Uma Introdução às Support Vector Machines. Revista de Informática Teórica e Aplicada, v. 14, n. 2, p. 43–67, 2007.

MITTMANN, Adiel; WILLRICH, Roberto; FILETO, Renato; et al. DLNotes2: Anotações Digitais como Apoio ao Ensino. In: Anais do ... Simpósio Brasileiro de Informática na Educação. [s.l.: s.n.], 2013.

NAYAK, Arjun Srinivas ; KANIVE, Ananthu P. Survey on Pre-Processing Techniques for Text Mining. International Journal Of Engineering And Computer Science, v. 5, n. 5, 2016.

RUSSEL, Stuart ; NORVIG, Peter. Artificial intelligence: a Modern approach. 4. ed. [s.l.]: Prentice Hall, 2020.

SAWADOGO, Pegdwendé ; DARMONT, Jérôme. On data lake architectures and metadata management. Journal of Intelligent Information Systems, v. 56, n. 1, p. 97–120, 2020.

TENNEY, Ian; DAS, Dipanjan ; PAVLICK, Ellie. BERT Rediscovers the Classical NLP Pipeline. In: Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. [s.l.: s.n.], 2019, p. 4593–4601.

WANG, Xuezhi; WANG, Haohan ; YANG, Diyi. Measure and Improve Robustness in NLP Models: A Survey. In: NAACL 2022. [s.l.: s.n.], 2022. Disponível em: <https://arxiv.org/abs/2112.08313>. Acesso em: 16 out. 2023.

WILLRICH, Roberto; MITTMANN, Adiel; FILETO, Renato; et al. Capture and visualisation of text understanding through semantic annotations and semantic networks for teaching and learning. Journal of Information Science, v. 46, n. 4, p. 528–543, 2019.

WIRTH, Rüdiger ; HIPP, Jochen. CRISP-DM: Towards a standard process model for data mining. In: Proceedings of the 4th international conference on the practical applications of knowledge discovery and data mining. [s.l.: s.n.], 2000, p. 29–39.

ZHAO, Bo. Web Scraping. In: Encyclopedia of Big Data. [s.l.: s.n.], 2017, p. 1–3.