A Avaliação Automática de Redação (do inglês, Automatic Essay Scoring - AES) tem sido tema amplamente explorado na literatura. Ela permite dispensar o esforço humano aplicado na correção de um grande número de redações em um curto espaço de tempo. A maior parte dos trabalhos se concentra no esforço de desenvolver algoritmos que sejam capazes de corrigir automaticamente textos em inglês. No entanto, para a língua portuguesa, essa ainda é uma área que está em desenvolvimento. Neste contexto, este artigo apresenta um Mapeamento Sistemático da Literatura que busca identificar as abordagens de Inteligência Artificial que estão sendo utilizadas para oferecer suporte à avaliação de redações escritas na língua portuguesa. Os principais achados deste artigo incluem os seguintes fatos: (i) as abordagens dos trabalhos selecionados costumam focar no uso de atributos extraídos do texto em vez do uso de modelos pré-treinados baseados em Deep Learning; (ii) existe prevalência de métricas tradicionais, como Precisão, Cobertura e F-Measure na validação dos resultados; (iii) os feedbacks gerados pelas abordagens possuem um baixo detalhamento; e (iv) os artigos selecionados não analisam o impacto prático em aplicações do mundo real.
Ao longo da história ficou evidente que os Estados modernos são caracterizados por “sociedades de informação” onde o conhecimento tem um papel central e decisivo em diferentes tipos de situação. Por esse motivo, a transparência voltada para setor público tem ganhado ainda maior importância e relevância no contexto social atual. Isso fica claramente exposto no que diz a Lei de Acesso à Informação (LAI) criada em novembro de 2011 que diz que a informação deve ser posta de maneira clara e de fácil entendimento. Apesar disso, ainda existem dificuldades de órgãos públicos em realizar uma transparência eficaz, principalmente no quesito de clareza e objetividade das informações prestadas. Portanto, faz-se necessário o desenvolvimento de soluções, guiadas por métodos centrados nas necessidades das pessoas como o Design Centrado em Humano (HCD), a fim de que sejam produzidas formas mais efetivas de tornar as informações como gastos em obras públicas em linguagem acessível ao cidadão comum e de maneira tempestiva.
In Brazil, several minority languages suffer a serious risk of extinction. The appropriate documentation of such languages is a fundamental step to avoid that. However, for some of those languages, only a small amount of text corpora is digitally accessible. Meanwhile there are many issues related to the identification of indigenous languages, which may help to identify key similarities among them, as well as to connect related languages and dialects. Therefore, this paper proposes to study and automatically classify 26 neglected Brazilian native languages, considering a small amount of training data, under a supervised and unsupervised setting. Our findings indicate that the use of machine learning models to the analysis of Brazilian Indigenous corpora is very promising, and we hope this work encourage more research on this topic in the next years.