Feed-CLaRiCe: Un enfoque neuronal para la corrección automática y retroalimentación de redacciones
DOI:
https://doi.org/10.5753/rbie.2026.5998Keywords:
Corrección automática de ensayos, Redes Neuronales Artificiales, Modelo de Convolución 1D, ENEM, Procesamiento de Lenguaje Natural, Retroalimentación automatizada, Grandes Modelos de Lenguaje, Regresión multivariada, Extended Essay-BR, Evaluación educativa asistida por IAAbstract
Escribir es una habilidad esencial adquirida a lo largo del desarrollo educativo, utilizada no solo para la adquisición y representación del conocimiento, sino también para su evaluación. En evaluaciones a gran escala como el Examen Nacional de Educación Media (ENEM) de Brasil, la redacción disertativo-argumentativa cumple un papel decisivo en la composición de la nota final. Estudios anteriores han investigado la automatización de la corrección de ensayos, pero pocos han realizado un análisis comparativo profundo entre diferentes arquitecturas de redes neuronales aplicadas a esta tarea. Este trabajo propone un enfoque basado en Redes Neuronales Artificiales (ANNs) para predecir simultáneamente las cinco competencias evaluadas en el ENEM, utilizando la base de datos Extended Essay-BR. Los resultados indican que los modelos de Convolución 1D superan a las redes recurrentes, alcanzando errores absolutos medios (MAE) que oscilan entre 15.24 y 21.48 puntos, lo que demuestra su solidez en tareas de regresión. Como contribución adicional, se desarrolló una aplicación que integra el modelo de corrección con un Modelo de Lenguaje de Gran Escala (LLM), permitiendo la generación automática de retroalimentación textual individualizada a partir de las puntuaciones predichas. Esta funcionalidad tiene como objetivo enriquecer el proceso de aprendizaje proporcionando a los estudiantes orientación cualitativa sobre sus fortalezas y áreas de mejora, ampliando así las posibilidades de aplicación de técnicas de Procesamiento de Lenguaje Natural (PLN) en contextos educativos. La aplicación propuesta representa un avance significativo hacia sistemas inteligentes de apoyo a la escritura evaluativa.
Descargas
Citas
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].
Archivos adicionales
Published
Cómo citar
Issue
Section
Licencia
Derechos de autor 2026 João Vitor Santos Tavares, Luiz Rodrigues, Diego Dermeval
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
