| dc.creator | Santos, Richarsdson Silva Lima dos | |
| dc.date.accessioned | 2026-09-03T03:03:39Z | |
| dc.date.available | 2026-09-03T03:03:39Z | |
| dc.date.issued | 2026-03-09 | |
| dc.identifier.citation | SANTOS, Richarson Silva Lima dos. Sistema Automatizado de Criação de Avaliações Baseado nos Descritores do SAEB utilizando LLM. 2026. 39f. TCC (Curso Superior de Tecnologia em Análise e Desenvolvimento de Sistemas) - Instituto Federal de Ciência e Tecnologia de Pernambuco, Recife, 2026. | pt_BR |
| dc.identifier.uri | https://repositorio.ifpe.edu.br/xmlui/handle/123456789/2309 | |
| dc.description.abstract | A avaliação educacional desempenha papel fundamental na mensuração da aprendizagem
e no direcionamento de políticas públicas. No contexto brasileiro, o Sistema de Avalia-
ção da Educação Básica (SAEB) constitui o principal instrumento de avaliação em larga
escala, exigindo que as questões aplicadas estejam alinhadas a descritores específicos de
competências e habilidades. Entretanto, a elaboração manual dessas avaliações demanda
tempo, conhecimento técnico e cuidado metodológico por parte dos docentes. Este traba-
lho apresenta o desenvolvimento de um sistema automatizado para criação de avaliações
baseadas nos descritores do SAEB, utilizando Modelos de Linguagem de Grande Escala
(LLMs). A solução proposta integra uma arquitetura em camadas composta por parame-
trização, geração, avaliação e saída, permitindo a geração de questões textuais personali-
zadas quanto ao nível de dificuldade e descritor selecionado. O sistema foi implementado
com FastAPI no backend, Vue.js no frontend e integração com API de modelo de lin-
guagem para geração automática de itens. A validação foi realizada por meio de testes
piloto com quatro educadores do ensino médio, que avaliaram as questões geradas quanto
à coerência, contextualização, clareza, nível de dificuldade e alinhamento ao descritor. Os
resultados indicaram elevados índices de aceitação, com médias superiores a 4,0 em escala
de 1 a 5, evidenciando a viabilidade da ferramenta como apoio ao planejamento pedagó-
gico. Conclui-se que a aplicação de LLMs na geração automática de avaliações alinhadas
ao SAEB apresenta potencial significativo para otimizar o trabalho docente, mantendo
qualidade pedagógica e padronização avaliativa, desde que acompanhada de supervisão
humana. | pt_BR |
| dc.format.extent | 39f. | pt_BR |
| dc.language | pt_BR | pt_BR |
| dc.relation | Brasil. INEP. Sistema de Avaliação da Educação Básica (SAEB). Brasília, 2021. Acesso
em: 19 mar. 2026. Disponível em: <https://www.gov.br/inep/pt-br/areas-de-
atuacao/avaliacao-e-exames-educacionais/saeb>.
BROWN, T. B. et al. Language models are few-shot learners. Advances in Neural
Information Processing Systems, 2020.
CASELI, H. M.; NUNES, M. G. V. Processamento de Linguagem Natural: Conceitos,
Técnicas e Aplicações em Português. 2. ed. BPLN, 2024. Disponível em:
<https://brasileiraspln.com/livro-pln/2a-edicao>.
CHOMSKY, N. Conditions on transformations. In: A Festschrift for Morris Halle. [S.l.]:
Holt, Rinehart and Winston, 1973. p. 232–286.
DeepSeek. DeepSeek API Documentation. [S.l.], 2026. Acesso em: 08 maio 2026.
Disponível em: <https://api-docs.deepseek.com>.
GRAESSER, A. C. et al. Autotutor: An intelligent tutoring system with mixed-initiative
dialogue. IEEE Transactions on Education, v. 48, n. 4, p. 612–618, 2005.
HEILMAN, M.; SMITH, N. Question Generation via Overgenerating Transformations
and Ranking. [S.l.], 2010. Disponível em:
<https://www.cs.cmu.edu/ ark/mheilman/questions/papers/heilman-smith-qg-tech-
report.pdf>.
HOFFMANN, J. Avaliar para promover: as setas do caminho. 14. ed. Porto Alegre:
Mediação, 2014.
KASNECI, E. et al. Chatgpt for good? on opportunities and challenges of large language
models for education. Learning and Individual Differences, 2023.
LUCKESI, C. C. Avaliação da aprendizagem escolar. 22. ed. São Paulo: Cortez, 2011.
LUCKIN, R. et al. Intelligence Unleashed: An Argument for AI in Education. Pearson,
2016. Acesso em: 19 mar. 2026. Disponível em:
<https://www.researchgate.net/publication/299561597>.
MITTAL, U. et al. A comprehensive review on generative ai for education. IEEE Access,
v. 12, p. 142733–142759, 2024.
OGUNLEYE, B. et al. A systematic review of generative ai for teaching and learning
practice. Education Sciences, v. 14, p. 636, 2024.
ROSS, J. R. Constraints on Variables in Syntax. Tese (Doutorado) — MIT, 1967.
SANTANA, F. P.; MAGALHãES, L. C. Aplicações do processamento de linguagem
natural no ambiente educacional: Uma revisão sistemática da literatura. Revista Foco,
v. 17, n. 1, p. e3921, 2024.
WALKER, M. A.; RAMBOW, O.; ROGATI, M. Spot: A trainable sentence planner. In:
Proceedings of NAACL. [S.l.: s.n.], 2001. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject | Desenvolvimento de sistemas | pt_BR |
| dc.subject | Inteligência Artificial | pt_BR |
| dc.subject | Large language models | pt_BR |
| dc.subject | Modelo de linguagem | pt_BR |
| dc.subject | Geração de questões | pt_BR |
| dc.title | Sistema automatizado de criação de avaliações baseado nos descritores do SAEB utilizando LLM | pt_BR |
| dc.type | TCC | pt_BR |
| dc.creator.Lattes | http://lattes.cnpq.br/9666120268361781 | pt_BR |
| dc.contributor.advisor1 | Santos, Henrique Correia Torres | |
| dc.contributor.advisor1Lattes | http://lattes.cnpq.br/1664284153985134 | pt_BR |
| dc.contributor.referee1 | Santos, Henrique Correia Torres | |
| dc.contributor.referee2 | Guedes, Paulo Abadie | |
| dc.contributor.referee3 | Andrade, Hilson Gomes Vilar de | |
| dc.contributor.referee1Lattes | http://lattes.cnpq.br/1664284153985134 | pt_BR |
| dc.contributor.referee2Lattes | http://lattes.cnpq.br/2543620368514830 | pt_BR |
| dc.contributor.referee3Lattes | http://lattes.cnpq.br/1329499647057192 | pt_BR |
| dc.publisher.department | Recife | pt_BR |
| dc.publisher.country | Brasil | pt_BR |
| dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO | pt_BR |
| dc.description.resumo | A avaliação educacional desempenha papel fundamental na mensuração da aprendizagem
e no direcionamento de políticas públicas. No contexto brasileiro, o Sistema de Avalia-
ção da Educação Básica (SAEB) constitui o principal instrumento de avaliação em larga
escala, exigindo que as questões aplicadas estejam alinhadas a descritores específicos de
competências e habilidades. Entretanto, a elaboração manual dessas avaliações demanda
tempo, conhecimento técnico e cuidado metodológico por parte dos docentes. Este traba-
lho apresenta o desenvolvimento de um sistema automatizado para criação de avaliações
baseadas nos descritores do SAEB, utilizando Modelos de Linguagem de Grande Escala
(LLMs). A solução proposta integra uma arquitetura em camadas composta por parame-
trização, geração, avaliação e saída, permitindo a geração de questões textuais personali-
zadas quanto ao nível de dificuldade e descritor selecionado. O sistema foi implementado
com FastAPI no backend, Vue.js no frontend e integração com API de modelo de lin-
guagem para geração automática de itens. A validação foi realizada por meio de testes
piloto com quatro educadores do ensino médio, que avaliaram as questões geradas quanto
à coerência, contextualização, clareza, nível de dificuldade e alinhamento ao descritor. Os
resultados indicaram elevados índices de aceitação, com médias superiores a 4,0 em escala
de 1 a 5, evidenciando a viabilidade da ferramenta como apoio ao planejamento pedagó-
gico. Conclui-se que a aplicação de LLMs na geração automática de avaliações alinhadas
ao SAEB apresenta potencial significativo para otimizar o trabalho docente, mantendo
qualidade pedagógica e padronização avaliativa, desde que acompanhada de supervisão
humana. | pt_BR |