Feed-CLaRiCe: Uma abordagem neural para correção e feedbacks automáticos de redações
DOI:
https://doi.org/10.5753/rbie.2026.5998Keywords:
Correção automática de redações, Redes Neurais Artificiais, Modelo de Convolução 1D, ENEM, Processamento de Linguagem Natural, feedback automatizado, Grandes Modelos de Linguagem, Regressão multivariada, Extended Essay-BR, Avaliação educacional assistida por IAAbstract
Escrever é uma habilidade essencial adquirida ao longo da formação educacional, empregada tanto na aquisição e representação de conhecimento quanto em sua avaliação. Em exames de larga escala como o Exame Nacional do Ensino Médio (ENEM), a redação dissertativo-argumentativa representa um componente decisivo na composição da nota final. Estudos anteriores investigaram a automatização da correção desses textos, mas poucos realizaram uma análise comparativa abrangente entre diferentes arquiteturas de redes neurais aplicadas a essa tarefa. Este trabalho propõe uma abordagem baseada em Redes Neurais Artificiais (ANNs) para prever simultaneamente as cinco competências avaliadas no ENEM, utilizando a base Extended Essay-BR. Os resultados obtidos indicam que modelos de Convolução 1D superam redes recorrentes, com Erro Absoluto Médio (MAE) variando entre 15.24 e 21.48 pontos, evidenciando sua robustez na tarefa de regressão. Como contribuição adicional, desenvolvemos uma aplicação que integra o modelo de correção com um Modelo de Linguagem de Grande Escala (LLM), permitindo a geração automatizada de feedback textual individualizado com base nas notas previstas. Essa funcionalidade visa enriquecer o processo de aprendizagem ao fornecer aos estudantes orientações qualitativas sobre seus pontos fortes e aspectos a melhorar, ampliando as possibilidades de uso de técnicas de Processamento de Linguagem Natural (PLN) no contexto educacional. A aplicação proposta representa um avanço significativo na direção de sistemas inteligentes de apoio à escrita avaliativa.
Downloads
Referências
Akiba, T., Sano, S., Yanase, T., Ohta, T., & Koyama, M. (2019). Optuna: A Next-generation Hyperparameter Optimization Framework. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. https://doi.org/10.48550/arXiv.1907.10902 [GS Search].
Barbosa, A., & Campelo, C. (2020). Processamento de Linguagem Natural em Artefatos Textuais Educacionais: Um Mapeamento Sistemático no Contexto Brasileiro. Anais do XXXI Simpósio Brasileiro de Informática na Educação, 1433–1442. https://doi.org/10.5753/cbie.sbie.2020.1433 [GS Search].
Barbosa, G., Batista, H., Miranda, P., Santos, J., Isotani, S., Cordeiro, T., Bittencourt, I. I., & Mello, R. F. (2022). Aprendizagem de Máquina para Classificação de Tipos Textuais: Estudo de Caso em Textos escritos em Português Brasileiro. Anais do XXXIII Simpósio Brasileiro de Informática na Educação, 920–931. https://doi.org/10.5753/sbie.2022.224769 [GS Search].
Batista, H., Barbosa, G., Miranda, P., Santos, J., Isotani, S., Cordeiro, T., Bittencourt, I. I., & Mello, R. F. (2022). Detecção Automática de Clímax em Produções de Textos Narrativos. Anais do XXXIII Simpósio Brasileiro de Informática na Educação, 932–943. https://doi.org/10.5753/sbie.2022.224770 [GS Search].
Bengio, Y., Simard, P., & Frasconi, P. (1994). Learning long-term dependencies with gradient descent is difficult. IEEE Transactions on Neural Networks, 5(2), 157–166. https://doi.org/10.1109/72.279181 [GS Search].
Bojanowski, P., Grave, E., Joulin, A., & Mikolov, T. (2017). Enriching Word Vectors with Subword Information. Transactions of the Association for Computational Linguistics, 5, 135–146. https://doi.org/10.48550/arXiv.1607.04606 [GS Search].
Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., Neelakantan, A., Shyam, P., Sastry, G., Askell, A., Agarwal, S., Herbert-Voss, A., Krueger, G., Henighan, T., Child, R., Ramesh, A., Ziegler, D. M., Wu, J., Winter, C., . . . Amodei, D. (2020). Language Models are Few-Shot Learners. https://doi.org/10.48550/arXiv.2005.14165 [GS Search].
Cambria, E., & White, B. (2014). Jumping NLP Curves: A Review of Natural Language Processing Research. IEEE Computational Intelligence Magazine, 9(2), 48–57. https://doi.org/10.1109/MCI.2014.2307227 [GS Search].
Chai, C. P. (2023). Comparison of text preprocessing methods. Natural Language Engineering, 29(3), 509–553. https://doi.org/10.1017/S1351324922000213 [GS Search].
Cho, K., van Merriënboer, B., Gulcehre, C., Bahdanau, D., Bougares, F., Schwenk, H., & Bengio, Y. (2014). Learning phrase representations using RNN encoder–decoder for statistical machine translation. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 1724–1734. https://doi.org/10.3115/v1/D14-1179 [GS Search].
Dai, W., Lin, J., Jin, H., Li, T., Tsai, Y.-S., Gaševic, D., & Chen, G. (2023). Can large language models provide feedback to students? A case study on ChatGPT. 2023 IEEE international conference on advanced learning technologies (ICALT), 323–325. https://doi.org/10.1109/ICALT58122.2023.00100 [GS Search].
Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding. arXiv preprint arXiv:1810.04805. https://doi.org/10.48550/arXiv.1810.04805 [GS Search].
Freitas, E., Falcão, T. P., & Mello, R. F. (2020). Desmistificando a adoção de learning analytics: um guia conciso sobre ferramentas e instrumentos. Sociedade Brasileira de Computação. https://doi.org/10.5753/sbc.5627.6.4 [GS Search].
Hochreiter, S., & Schmidhuber, J. (1997). Long short-term memory. Neural Computation, 9(8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735 [GS Search].
Jurafsky, D., & Martin, J. H. (2026). Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition, with Language Models (3rd) [Online manuscript released August 19, 2026]. [Link]
Kasneci, E., Sessler, K., Küchemann, S., Bannert, M., Dementieva, D., Fischer, F., Gasser, U., Groh, G., Günnemann, S., Hüllermeier, E., Krusche, S., Kutyniok, G., Malaka, R., Menzel, S., Nerdel, C., Pfeffer, J., Sailer, M., Schmidt, A., Seidel, T., . . . Weller, A. (2023). ChatGPT for Good? On Opportunities and Challenges of Large Language Models for Education. Learning and Individual Differences, 103, 102274. https://doi.org/10.1016/j.lindif.2023.102274 [GS Search].
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep Learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539 [GS Search].
LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324. https://doi.org/10.1109/5.726791 [GS Search].
Liu, P., Yuan, W., Fu, J., Jiang, Z., Hayashi, H., & Neubig, G. (2023). Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Processing. ACM Computing Surveys, 55(9), 1–35. https://doi.org/10.1145/3560815 [GS Search].
Marinho, J., Anchiêta, R., & Moura, R. (2021). Essay-BR: a Brazilian Corpus of Essays. Anais do III Dataset Showcase Workshop, 53–64. https://doi.org/10.5753/dsw.2021.17414 [GS Search].
Mikolov, T., Chen, K., Corrado, G., & Dean, J. (2013). Efficient Estimation of Word Representations in Vector Space. Proceedings of ICLR. https://doi.org/10.48550/arXiv.1301.3781 [GS Search].
Oliveira, H., Miranda, P., Isotani, S., Santos, J., Cordeiro, T., Bittencourt, I. I., & Mello, R. F. (2022). Estimando Coesão Textual em Redações no Contexto do ENEM Utilizando Modelos de Aprendizado de Máquina. Anais do XXXIII Simpósio Brasileiro de Informática na Educação, 883–894. https://doi.org/10.5753/sbie.2022.224736 [GS Search].
Pennington, J., Socher, R., & Manning, C. D. (2014). GloVe: Global Vectors for Word Representation. Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), 1532–1543. https://doi.org/10.3115/v1/D14-1162 [GS Search].
Pranav, K., & Sarma, K. (2023). Origin, development and uses of machine learning. International Journal For Multidisciplinary Research, 5(1), 1–18. https://doi.org/10.36948/ijfmr.2023.v05i01.1367 [GS Search].
Radford, A., Wu, J., Child, R., Luan, D., Amodei, D., & Sutskever, I. (2019). Language Models are Unsupervised Multitask Learners. https://doi.org/10.48550/arXiv.2406.14491 [GS Search].
Raffel, C., Shazeer, N., Roberts, A., Lee, K., Narang, S., Matena, M., Zhou, Y., Li, W., & Liu, P. J. (2020). Exploring the Limits of Transfer Learning with a Unified Text-to-Text Transformer. Journal of Machine Learning Research, 21(140), 1–67. https://doi.org/10.48550/arXiv.1910.10683 [GS Search].
Rosa, B. A., & Mello, R. F. (2022). Análise automatizada de coesão em redações do ensino fundamental por meio de técnicas de processamento de linguagem natural. Anais Estendidos do XI Congresso Brasileiro de Informática na Educação, 144–149. https://doi.org/10.5753/cbie_estendido.2022.226737 [GS Search].
Silva Filho, M., Nascimento, A., Miranda, P., Rodrigues, L., Cordeiro, T., Isotani, S., Bittencourt, I., & Mello, R. (2023). Automated Formal Register Scoring of Student Narrative Essays Written in Portuguese. Anais do II Workshop de Aplicações Práticas de Learning Analytics em Instituições de Ensino no Brasil, 1–11. https://doi.org/10.5753/wapla.2023.236084 [GS Search].
Souza, F., Nogueira, R., & Lotufo, R. (2020). BERTimbau: Pretrained BERT Models for Brazilian Portuguese. Em R. Cerri & R. C. Prati (Ed.), Intelligent Systems (pp. 403–417). Springer International Publishing. https://doi.org/10.1007/978-3-030-61377-8_28 [GS Search].
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, L., & Polosukhin, I. (2023). Attention Is All You Need. https://doi.org/10.48550/arXiv.1706.03762 [GS Search].
Vogel, D., Ramos, A. M., & Franzoni, A. M. B. (2025). Transformando a educação com Large Language Models (LLMs): beneficios, limitações e perspectivas. Caderno Pedagógico, 22(4), e13846. https://doi.org/10.54033/cadpedv22n4-013 [GS Search].
Watanabe, S. (2023). Tree-Structured Parzen Estimator: Understanding Its Algorithm Components and Their Roles for Better Empirical Performance. https://doi.org/10.48550/arXiv.2304.11127 [GS Search].
Young, T., Hazarika, D., Poria, S., & Cambria, E. (2018). Recent Trends in Deep Learning Based Natural Language Processing. IEEE Computational Intelligence Magazine, 13(3), 55–75. https://doi.org/10.1109/MCI.2018.2840738 [GS Search].
Zhao, F. (2017). Natural Language Processing–Part I: Primer-Unveiling the Hidden Information in Earnings Calls. S&P Global Market Intelligence Quantamental Report, September. https://doi.org/10.2139/ssrn.4852446 [GS Search].
Arquivos adicionais
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2026 João Vitor Santos Tavares, Luiz Rodrigues, Diego Dermeval
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
