5  Modelagem e Análise de Texto

A mineração de texto é uma área fascinante da ciência de dados que se concentra na extração de informações significativas de dados textuais. Na era digital de hoje, onde enormes volumes de texto são gerados diariamente, a mineração de texto torna-se essencial para analisar e compreender esses dados. Com o uso da linguagem de programação R, essa tarefa não apenas se torna acessível, mas também altamente eficiente (Kwartler 2017; J. Silge and Robinson 2017).

5.1 Conceitos Básicos de Mineração de Texto

A mineração de texto é uma área crucial da ciência de dados, dedicada à análise e extração de informações relevantes de grandes volumes de dados textuais. Com a proliferação de dados digitais, a habilidade de efetivamente analisar textos se torna cada vez mais importante. A linguagem de programação R, conhecida por sua aplicação em estatística e ciência de dados, oferece ferramentas robustas para a mineração de texto (Anandarajan, Hill, and Nolan 2019; Kwartler 2017; J. Silge and Robinson 2017; Kumar and Paul 2016).

Antes de explorarmos as ferramentas específicas do R, é essencial entender alguns conceitos fundamentais da mineração de texto (Caseli and Nunes 2023):

1. Corpus: No contexto da mineração de texto, um “corpus” refere-se a uma coleção de documentos de texto. Estes documentos podem variar em tamanho e forma, desde tweets e comentários online até artigos acadêmicos e livros. Um corpus é o ponto de partida para a maioria das análises de texto, servindo como o conjunto de dados primário sobre o qual os métodos de mineração de texto são aplicados.

2. Tokenização: Este é o processo de dividir o texto em unidades menores, chamadas “tokens”. Tokens podem ser palavras, frases ou até mesmo caracteres individuais. A tokenização é um passo crucial, pois transforma grandes blocos de texto em pedaços menores e mais gerenciáveis, permitindo uma análise mais detalhada e minuciosa. Esses tokens podem ser representados de várias formas:

   • Caracteres: Onde o texto é dividido em caracteres individuais.

   • Palavras: Separação do texto em palavras individuais, facilitando a análise de frequência de palavras e outras métricas baseadas em palavras.

   • N-gramas: Esta forma agrupa sequências de ‘n’ elementos adjacentes. Por exemplo, em um bigrama (um tipo de n-grama onde n=2), palavras são agrupadas em pares, permitindo análise contextual mais detalhada.

   • Sentenças: O texto é dividido em sentenças completas, útil para análises que requerem compreensão do contexto mais amplo do texto.

Na análise de texto o conceito de “termo” desempenha um papel central. Neste contexto, o termo é uma unidade flexível que pode variar de caracteres individuais a palavras ou sequências de n elementos, dependendo das necessidades específicas da análise (Anandarajan, Hill, and Nolan 2019; Caseli and Nunes 2023).

Na maioria das vezes, um “termo” é usado como sinônimo de palavra. Esta flexibilidade permite que a análise seja adaptada conforme o objetivo do estudo, seja ele focado na frequência de letras, palavras específicas ou padrões de frases (Anandarajan, Hill, and Nolan 2019; Caseli and Nunes 2023)..

A frequência de termos é uma métrica crucial na análise de textos. Ela se refere ao número de vezes que um termo específico aparece em um conjunto de documentos, como um corpus. Esta métrica é fundamental para (Anandarajan, Hill, and Nolan 2019; Kwartler 2017; J. Silge and Robinson 2017; Kumar and Paul 2016):

• Quantificar a presença ou a importância de termos individuais.

• Realizar contagem simples de ocorrências de um termo em relação ao total de documentos.

• Identificar termos-chave e padrões de uso em um corpus.

Uma das ferramentas mais úteis na análise de texto é a Matriz Documento-Termos (MDT). Esta representação tabular descreve a frequência de termos em documentos de um corpus (Anandarajan, Hill, and Nolan 2019; Kwartler 2017; J. Silge and Robinson 2017; Kumar and Paul 2016):

• Cada linha da matriz representa um documento individual.

• Cada coluna corresponde a um termo ou palavra.

• Os valores na matriz indicam a frequência de ocorrências de um termo em um documento.

A MDT é uma maneira eficaz de visualizar e analisar a relação entre documentos e termos, facilitando a identificação de padrões.

Para uma representação gráfica e intuitiva da análise de texto, as nuvens de palavras são extremamente populares. Elas destacam as palavras mais mencionadas em um texto, usando tamanhos e fontes de letras diferentes para representar a frequência das ocorrências das palavras. Essas nuvens oferecem uma visão rápida e visualmente atraente dos termos mais relevantes em um corpus (Anandarajan, Hill, and Nolan 2019; Kwartler 2017; J. Silge and Robinson 2017; Kumar and Paul 2016)..

5.1.1 A Importância da Língua na Mineração de Texto

Na mineração de texto, um aspecto crucial que muitas vezes determina a eficácia da análise é o idioma ou a língua do texto. A dependência da língua é significativa, pois diferentes línguas possuem estruturas e características únicas que influenciam a maneira como o texto é processado e analisado (Anandarajan, Hill, and Nolan 2019; Caseli and Nunes 2023)..

A mineração de textos se baseia fortemente nos níveis de organização de uma língua para criar recursos eficazes de processamento de linguagem natural (PLN). Isso inclui (Anandarajan, Hill, and Nolan 2019; Caseli and Nunes 2023).:

• Entrada e Saída de Modelos: O idioma do texto influencia diretamente a maneira como os dados são inseridos nos modelos de PLN e como as informações são extraídas. Diferentes idiomas podem exigir abordagens específicas para a tokenização, análise morfológica, sintática e semântica.

• Níveis Hierárquicos de Organização da Língua: Cada língua possui uma estrutura hierárquica única, que inclui fonemas, morfemas, palavras, frases e textos. Essa estrutura hierárquica é essencial para transformar a linguagem não estruturada em uma representação matemática adequada para modelagem. Por exemplo, a maneira como as palavras são formadas (morfologia) e organizadas em frases (sintaxe) varia significativamente de uma língua para outra.

• Representação Matemática: A representação matemática de textos é um passo fundamental na mineração de texto, permitindo que os modelos de PLN quantifiquem e analisem os dados de texto. A eficácia dessa representação depende de uma compreensão profunda dos níveis hierárquicos do idioma em questão.

Portanto, a consideração cuidadosa da língua é indispensável em qualquer processo de mineração de texto. Entender as nuances e características específicas de um idioma permite uma análise mais precisa e eficiente dos dados textuais.

5.2 Introdução à Mineração de Texto com R

Para ilustrar a aplicação da mineração de texto, utilizaremos dados coletados do Twitter no período de 23 a 26 de novembro de 2020, usando a palavra-chave “Coronavirus”. Nesta coleta, foram obtidos mais de 100 mil tweets, mas para nossa análise, utilizaremos uma amostra de 2000. Além do texto dos tweets, estão disponíveis mais de 90 informações adicionais, como nome do usuário, data, horário, entre outras. Faça o download do arquivo aqui tweets.csv

Para começar a análise dos dados do Twitter, primeiro precisamos instalar e carregar alguns pacotes essenciais no R. Estes pacotes nos ajudarão a manipular, processar e visualizar os dados de texto:

• tidyverse: Uma coleção de pacotes para ciência de dados que torna mais fácil a manipulação e visualização de dados.

• tidytext: Especificamente focado na mineração de texto, facilita a conversão de texto em um formato estruturado para análise.

• tm (Text Mining): Um framework abrangente para mineração de texto e análise de dados textuais.

• wordcloud: Permite a criação de nuvens de palavras, que são úteis para visualizar a frequência de palavras.

• ggwordcloud: Uma extensão do ggplot2 para a criação de nuvens de palavras esteticamente agradáveis e informativas.

library(tidyverse)
library(tidytext)
library(tm)
library(wordcloud)
library(ggwordcloud)
library(pdftools)

5.2.1 Preparando os Dados

Após configurar o ambiente com os pacotes necessários, o próximo passo é preparar os dados para análise. Isso envolve os seguintes passos:

1. Download do Arquivo: Primeiro, fazemos o download do conjunto de dados de um artigo que aborda o tema “Ser Professora: Narrativas de Mulheres sobre a Escolha Profissional”. Esse arquivo contém as informações fundamentais para a análise.

2. Importar o Arquivo PDF: Em seguida, importamos o arquivo PDF utilizando uma ferramenta apropriada que converte o conteúdo do PDF em texto. Esse processo permite trabalhar diretamente com o texto do artigo.

3. Selecionar os Textos: Após a importação, filtramos o conteúdo do artigo para remover a bibliografia, que geralmente aparece no final do documento. Com isso, focamos apenas nas partes relevantes para a análise.

4. Converter em um Texto Único: Finalmente, unimos todas as páginas do artigo em um único texto contínuo. Isso facilita o processamento e a análise subsequente, garantindo que o texto está preparado para as próximas etapas de mineração ou tratamento.

#Importar um arquivo
dados=pdf_text(pdf ="artigo.pdf") 
dados=dados[2:16] 

#retirar as referencias
dados1 <- gsub(".*REFERÊNCIAS(.*)", "", dados)
dados2=paste(dados1, collapse = " ")

Após a preparação inicial dos dados, o próximo passo na análise de texto é a criação de um corpus. Um corpus é uma coleção de documentos textuais que serve como base para a análise.

1. Criar o Corpus: Usamos a função VCorpus do pacote tm para criar o corpus. VCorpus é usado para criar um corpus volátil, que é armazenado na memória (em oposição a um corpus persistente, que é armazenado em disco).

2. Fonte de Dados: O argumento VectorSource é utilizado para indicar a fonte dos dados. No caso, usamos x = tweets, onde tweets é a variável contendo os textos extraídos dos tweets.

3. Configuração de Idioma: No readerControl, definimos o idioma do corpus como português do Brasil ("pt-BR"). Isso é importante para garantir que as operações subsequentes de processamento de texto levem em consideração as particularidades do idioma.

4. Visualização do Corpus: Ao executar cps1, obtemos uma visualização do corpus criado, que nos dá uma ideia da estrutura e do conteúdo do mesmo.

##Corpus com idioma portugues 
cps1=VCorpus(VectorSource(x = dados2),
             readerControl = list(language = "pt-BR"))
cps1

<<VCorpus>>
Metadata:  corpus specific: 0, document level (indexed): 0
Content:  documents: 1

5.2.2 Pré-processamento de Termos no Corpus

O pré-processamento é uma etapa essencial na mineração de texto. Ele envolve a limpeza e a normalização dos dados para tornar a análise subsequente mais eficaz. No contexto dos tweets coletados, realizaremos várias operações de pré-processamento usando o pacote tm em R:

1. Padronização de Caixa: Converter todo o texto para letras minúsculas para uniformidade.

2. Remoção de URLs: Eliminar links da internet, que não são relevantes para a análise de texto.

3. Remoção de Menções e Hashtags: Limpar menções a usuários e hashtags para focar no conteúdo textual.

4. Remoção de Pontuação: Excluir pontuações que não contribuem para a análise de significado.

5. Substituição de Palavras-Chave: Unificar variações da palavra “coronavírus” para um termo comum (‘covid’).

6. Remoção de Palavras de Parada: Excluir palavras comuns em português que não agregam valor significativo à análise.

7. Remoção de Repetições e Números: Limpar repetições de ‘k’ e números para focar no conteúdo textual.

8. Remoção de Espaços em Branco: Eliminar espaços extras para manter a consistência do texto.

Este processo de pré-processamento assegura que o corpus esteja limpo e normalizado, facilitando as análises futuras, como a identificação de temas recorrentes, a análise de sentimentos ou a modelagem de tópicos.

# Definindo padrões de palavras-chave

# Pré-processamento do Corpus
cps2 = cps1 %>% 
  tm_map(FUN = content_transformer(tolower)) %>% # Padronização de caixa
  tm_map(FUN = content_transformer(
    function(x) gsub("https?://\\S+", "", x))) %>% # Remoção de URLs
  tm_map(FUN = content_transformer(
    function(x) gsub("@\\S+", "", x))) %>% # Remoção de menções
  tm_map(FUN = content_transformer(
    function(x) gsub('#\\S+', '', x))) %>% # Remoção de hashtags
  tm_map(FUN = content_transformer(removePunctuation)) %>% # Remoção de pontuação
  tm_map(FUN = content_transformer(removeWords), 
         stopwords("portuguese")) %>% # Remoção de palavras de parada
  tm_map(FUN = content_transformer(
    function(x) gsub("k{1,}", "", x))) %>% # Remoção de repetições de 'k'
  tm_map(FUN = content_transformer(removeNumbers)) %>% # Remoção de números
  tm_map(FUN = content_transformer(stripWhitespace)) # Remoção de espaços em branco

Além das etapas anteriores de pré-processamento, uma prática importante é a remoção de acentos. Isso pode ser particularmente útil para padronizar o texto e facilitar análises posteriores. No R, isso pode ser feito através de uma função personalizada:

remover_acentos=function(texto){
  texto=iconv(texto, "UTF-8", "ASCII//TRANSLIT")  # Remove os acentos
  texto=gsub("[^a-zA-Z0-9]", " ", texto)  # Substitui caracteres especiais por espaços
  texto=gsub("\\s+", " ", texto)  # Remove espaços consecutivos
  texto=trimws(texto)  # Remove espaços no início e no fim do texto
  return(texto)
}

cps3=cps2 %>% 
  tm_map(FUN = content_transformer(remover_acentos))

5.2.3 Comparação dos Três Corpus

Para entender o impacto de cada etapa de pré-processamento, você pode comparar os conteúdos dos três corpus (cps1, cps2 e cps3):

cps1[[1]]$content

[1] "1. INTRODUÇÃO\n\n        A inteligência artificial está cada vez mais presente no nosso dia a dia, no passado\n\nquando se falava em inteligência artificial (IA), automaticamente pensávamos imediatamente\n\nna figura de um robô, mas percebemos que a IA vai muito além da robótica e está muito mais\n\nviva e presente no cotidiano das pessoas nas mais diversificadas aplicações dentre elas podemos\n\ncitar: automobilística, jogos, digitais ou não, smartphone, medicina, realização de exames,\n\nprevisão do tempo, na educação por meio dos chatbots educacionais, dentre outros.\n\n        Esse avanço ocorreu por meio de grandes avanços na área da computação,\n\nprincipalmente no desenvolvimento de novas pesquisas em aprendizado de máquina (machine\n\nlearning) que contribuiu para a construção de algoritmos que pudessem ser treinados e\n\nmodelados, gerando e usufruindo de grandes bases de dados que puderam proporcionar a\n\nevolução e o aprendizado da máquina, o que contribuiu e muito para melhorias das técnicas de\n\ninteligência artificial já existentes.\n\n        Visto a importância e a presença constante da inteligência artificial (IA) em nosso\n\ncotidiano, a mesma pode ter um grande impacto na área da educação se for utilizada no apoio\n\nao processo de ensino e aprendizagem.\n\n        A inteligência artificial aplicada na educação agrega duas grandes áreas, a ciência da\n\ncomputação e as ciências da aprendizagem que reúnem diversos campos do conhecimento, tais\n\ncomo psicologia, ciência cognitiva, antropologia, linguística, neurociência a fim de obter uma\n\nvisão ampla de todo o processo envolvido no ensino aprendizagem.\n\n        Neste contexto a inteligência artificial na educação tem dois objetivos principais: o\n\nobjetivo Educacional, que busca compreender como e quando acontece o aprendizado,\n\nfornecendo subsídios para melhorar as práticas educacionais e o objetivo tecnológico, que\n\npromove o desenvolvimento de ambientes adaptativos de aprendizagem, sendo eles\n\npersonalizados e eficazes.\n        Sendo assim a inteligência artificial na educação é definida como um sistema de\n\ncomputador projetado para interagir com o ecossistema educacional (atores, recursos, visões\n\npedagógicas, etc.).\n\n       Essa interação poderá ser realizada por meio de chatbots educacionais que são\n\nprogramas que por meio da IA, mais precisamente do processamento de linguagem natural\n\n(PLN), mantém uma conversa com o usuário, que no cenário da educação, poderia ser utilizado\n\npara tirar dúvidas do estudante, em qualquer hora, em qualquer lugar de maneira rápida.\n\n\n\n1.1 OBJETIVOS E HIPÓTESES\n\n       Este projeto visa compreender as potencialidades da inserção da inteligência artificial\n\n(IA) na educação, bem como, a utilização do chatbot em ambientes de aprendizagem exercendo\n\nfunções de tutoria.\n\n       Acredita-se que a tecnologia educacional, incluindo a inteligência artificial, pode tornar\n\no conteúdo mais dinâmico e atrativo, além de diminuir o tempo de resposta dos tutores, quando\n\nutiliza-se o chatbot, ferramenta inserida neste contexto, o que possibilita um aprendizado mais\n\nrápido e eficiente, com maior rendimento, já que grande parte dos questionamentos serão\n\nrespondidos naquele momento, levando o aluno a continuidade de seu momento de\n\naprendizagem com a superação das dúvidas, alcançando um aproveitamento maior durante o\n\ntempo dedicado aos estudos na plataforma. Além disso, diminui-se a sobrecarga ao tutor, já que\n\ngrande parte dos questionamentos serão resolvidos pelo bot e as dúvidas que dependem do ser\n\nhumano terão um atendimento mais rápido e atencioso, o que também contribui com o processo\n\nde aprendizagem.\n\n       O Chatbot também pode atuar na assistência das tarefas, notificar dos prazos, reunir\n\ninformações importantes em torno de um contexto de aprendizagem, separa-las e processá-las\n\ne recomendar sugestões de aprendizado mais relevante. Ou obter significados do aprendizado\n\n                                                                                               2\n que o estudante visa obter a partir do processamento de bases de dados que são obtidas de fontes\n\ndiversas, como de fontes que são obtidas envolvendo sensores e são processadas em tempo real,\n\nou fontes de bibliotecas nacionais e internacionais.\n\n       Além disso, a carga de trabalho do professor, envolve atuar na confecção, elaboração\n\nde aulas, tutoriais, além da avaliação de cada aluno. As tarefas de um profissional do Ensino\n\nbásico vão muito além do conteúdo no qual ele é especialista. Assim como a tecnologia, muitos\n\noutros temas fazem parte do aperfeiçoamento e aprendizado contínuo aos quais este profissional\n\nsempre acaba tendo que se engajar. Toda a sua formação passa a ser necessária para ampliar\n\nsua capacidade de exercer ensino incluindo a necessidade de ampliar as múltiplas visões e\n\nperspectivas inovadoras do conhecimento principalmente no que tange a tecnologia.\n\n       Tendo em vista estas preocupações, o Chatbot pode ser um elemento dentro do processo\n\nensino-aprendizagem, muito interessante para o assessoramento ao aluno, mas também aos\n\neducadores. Um chatbot se apropria de atividades de cunho repetitivo, de notificações, além de\n\npoder reunir informações de diversas fontes incluindo, questionamentos dos alunos,\n\nsolicitações semelhantes, enviar recomendações automáticas, lembrar de eventos, indicar novos\n\ncursos aos educadores.\n\n       Ainda hoje em dia, muitos profissionais de diversas áreas têm dificuldades para operar\n\na tecnologia. Na Educação não é diferente, a resistência ao uso, apropriação e aplicação em sala\n\nde aula é um dos desafios de muitos educadores.\n\n       O Educador é que mantem em si a figura central e de autoridade em sala, capaz da\n\niniciativa para apoiar novas metodologias. Assim consideramos uma estratégia para tentar\n\ndiminuir o hiato que existe entre o conhecimento tecnológico, que pode ser aplicado em sala,\n\ncom o aperfeiçoamento do educador. Seria prudente considerar a reflexão e análise dos\n\nelementos que poderiam ser inseridos no aprendizado da tecnologia para a educação. A\n\ncomputação ubíqua, onipresente é um exemplo de tecnologias inclusivas e democráticas.\n\n                                                                                              3\n Assim, para vencer esta resistência ao conhecimento tecnológico pode-se oferecer recursos\n\nmais simples como ferramentas do cotidiano e que estão dentro do celular do professor. Estas\n\nferramentas carregam interfaces amigáveis, intuitivas e fáceis. Podemos incluir nessas\n\nferramentas, os aspectos do aprendizado natural já embutido na tecnologia respeitando os\n\nformatos da computação ubíqua. Uma vez que estas ferramentas são associadas a Computação\n\nCognitiva, elementos tecnológicos capturam dados sensíveis ao contexto como recursos de\n\nInteligência Artificial, Reconhecimento de Padrões e de fala, Aprendizado de Máquina, Análise\n\nAfetivo Sentimental são usados para prover feedback com diferentes significados e auxiliar o\n\nprofessor em sala.\n\n       Chatbots têm sido usados em diferentes momentos do nosso cotidiano através de\n\nrecursos da Computação Cognitiva. Uma das facilidades destas ferramentas, a exigência para\n\noperar estes assistentes é mínima e é geralmente realizada por comandos de voz ou texto, em\n\nlinguagem natural e as vezes, informal. Portanto, o Chatbot pode ser um mecanismo que\n\nimplicaria muito positivamente em um aperfeiçoamento docente e discente, envolvendo poucos\n\nelementos tecnológicos, senão os já comumente usados no dia-a-dia e em sala de aula.\n\n       Atualmente, podemos ver que as tecnologias de navegadores, browsers permitem a\n\ncriação de portais que são verdadeiros ambientes integrados virtuais e que são usados por várias\n\ninstituições de ensino.\n\n\n\n2 REFERENCIAL\n\n2.1 AMBIENTE VIRTUAL DE APRENDIZAGEM E TUTORIA\n\n       O termo ambiente de aprendizagem remete a ideia de espaço e lugar, e neste sentido o\n\nprocesso de aprendizagem, ao longo dos anos, tem sido realizado em espaços físicos, como os\n\nde uma escola. No entanto, nos dias de hoje, uma forma mais propícia para conceber os\n\nambientes de aprendizagem seria pensar em um ou mais sistemas de apoio que possibilitam aos\n\n                                                                                              4\n seres humanos a aprendizagem, bem como, que permitam não apenas a acomodação das\n\nnecessidades específicas de cada indivíduo, mas também apoiem as relações humanas\n\nindispensáveis para uma aprendizagem eficaz (MARTINS et al., 2016).\n\n       Em um ambiente no qual o acesso à informação deve chegar em um espaço de tempo\n\ncada vez menor, as pessoas procuram por aplicações informatizadas, com o intuito de auxiliá-\n\nlas em tarefas desde as mais simples, até as mais complexas. Assim, faz-se necessária a\n\nutilização de assistentes virtuais, os chatbots, que facilitam a realização de atividades do\n\ncotidiano sem que haja a comunicação direta com um humano (CARVALHO JUNIOR;\n\nCARVALHO, 2018).\n\n       Incluir novas tecnologias no âmbito escolar, especificamente envolvendo redes de\n\ncomputadores, apresenta-se como alternativa possível no atendimento às necessidades da\n\nsociedade contemporânea, a qual requer novas formas de ensinar. Atualmente, precisa-se\n\nrepensar o processo pedagógico de ensino e aprendizagem a fim de proporcionar ao educando\n\num ambiente mais envolvente, onde este possa desenvolver suas habilidades cognitivas e\n\naprender de maneira diferente o que é demanda da instituição educacional (LEÃO et al., 2013).\n\n       Neste novo modo de promover a aprendizagem, com acesso às redes de computadores\n\ne a internet, que encontram-se cada vez mais presentes no cotidiano das pessoas, um dos\n\nprincipais recursos da rede são as plataformas virtuais, que apresentam interfaces de\n\ncomunicação e informação para mediação e desenvolvimento das atividades, também\n\nconhecidas como Ambientes Virtuais de Aprendizagem (AVAs) (MARTINS et al., 2016).\n\n       Observa-se que a internet tem trazido uma contribuição significativa para a educação,\n\nnão apenas como fonte de referência para pesquisas acerca das mais diversas áreas do\n\nconhecimento, mas como ferramenta de ensino, uma vez que possui caráter dinâmico e\n\nmúltiplas possibilidades de estabelecer conexões entre as informações, bem como, apresenta,\n\n\n\n                                                                                           5\n de forma mais clara, o objeto de estudo. Além disso é uma via eficaz de comunicação entre\n\neducadores e educandos, ou mesmo entre educandos e educandos (LEÃO et al., 2013).\n\n         Acredita-se que uma das formas que os Chatbots podem ser usados com sucesso seria\n\npor meio de um sistema de perguntas e respostas, analisando as características da comunicação\n\nna educação a distância, no qual um bot estaria pronto a se comunicar com os estudantes, bem\n\ncomo, a responder todas as solicitações (BARROS; GUERREIRO, 2019).\n\n         Tendo em vista os avanços tecnológicos e as amplas condições de acesso as informações\n\nque provêm da internet, foram criadas diversas alternativas metodológicas visando melhorar a\n\ntroca de informações, de modo a transformá-las em conhecimento. Esta rede também permitiu\n\na oferta de muitos recursos didáticos alternativos, no entanto, a falta de conhecimento acerca\n\ndas metodologias de ensino atrapalhou sua utilização. Percebe-se que é neste momento que o\n\ndocente deve assumir a postura de interlocutor, já que não é suficiente apenas dispor das\n\ninformações se não conseguir estabelecer conexões no momento adequado, ou seja, na\n\nresolução de problemas (LEÃO et al., 2013).\n\n         Verifica-se que os professores possuem diversas funções, o que os torna imprescindíveis\n\ndurante o processo de ensino-aprendizagem. Observa-se um grande aumento na procura dos\n\ncursos à distância, o que tem gerado uma enorme pressão de mudança nas instituições de ensino\n\nsuperior. As mudanças que se impõem abrangem todos os que participam do processo de\n\nensino-aprendizagem, principalmente as funções dos tutores e dos modelos pedagógicos.\n\nPartindo desta realidade, há a necessidade de as instituições disporem de tutores multifacetados\n\nde forma contínua, interativa, personalizada e à conveniência dos alunos, com acesso de forma\n\nregular aos conteúdos, ao feedback e ao apoio em suas áreas de estudo, o que podem ser\n\ndestacados como vantagens de um assistente virtual ou Chatbot (BARROS; GUERREIRO,\n\n2019).\n\n\n\n                                                                                              6\n 2.2 UTILIZAÇÃO DO CHATBOT COMO TUTORIAL\n\n       Observa-se que há vantagens na utilização da programação e no uso dos Chatbots em\n\nplataformas de educação a distância (EaD), uma vez que a sua programação é acessível e\n\nintuitiva, tendo em vista os aplicativos e interfaces existentes. Percebe-se inúmeras plataformas\n\ndisponíveis no mercado para esta finalidade, bem como, evidencia-se que esta tecnologia tende\n\na auxiliar na melhoria da comunicação e da relação entre os tutores e os estudantes (BARROS;\n\nGUERREIRO, 2019).\n\n       Verifica-se o quanto o âmbito tecnológico e educacional estão interligados, uma vez\n\nque a teoria computacional tem amparado o desenvolvimento de novas ferramentas, incluindo\n\nas novas tecnologias, entre eles: os bots ou chatbots, os quais são programas de computador\n\nelaborados para interação com pessoas, utilizando a linguagem natural, simulando um humano\n\n(CARVALHO JUNIOR; CARVALHO, 2018).\n\n       Desta forma, os Chatbot seriam um apoio complementar ao trabalho da tutoria, atuando\n\ncomo potencializadores do processo, ampliando as capacidades de rapidez e atendimento mais\n\ndetalhado e personalizado aos estudantes, em concordância com as competências e habilidades\n\na serem desenvolvidas (BARROS; GUERREIRO, 2019).\n\n       Bot é a abreviação de robot, que se caracteriza como softwares desenvolvidos para\n\nimitar ações humanas, repetidas vezes e simular uma interação humano-computador. Percebe-\n\nse que houve uma evolução destes robôs durante a história, já que os primeiros bots eram mais\n\nsimples e com pouca interação. Atualmente, já conseguem realizar uma análise prévia de\n\nnecessidades do usuário para auxiliá-lo com uma interação que seja o mais natural possível\n\n(CARVALHO JUNIOR; CARVALHO, 2018).\n\n       Os Chatbots possuem características que variam de acordo com o tipo e a área de\n\natuação. Quanto ao tipo, os Chatbots podem ser classificados em: baseados em regras e\n\nbaseados em IA. Os Chatbots baseados em regras, conforme pesquisas realizadas, possuem\n\n                                                                                               7\n ação muito limitada e não têm capacidade de aprendizagem, já que, não conseguem atuar fora\n\ndas regras que inicialmente foram definidas. Os Chatbots baseados em IA, diferentemente do\n\nanterior, aprendem com a sua atuação, conseguindo responder a perguntas muito complexas\n\n(BARROS; GUERREIRO, 2019).\n\n       De acordo com Camolesi e Jubran (2017) os Chatbots podem ser treinados por quatro\n\nmodos: supervisionado, com a apresentação de dados de entradas e saídas de informações\n\ndesejadas, onde o computador reconhece padrões e os usa para sua classificação, se moldando\n\nde acordo com o modelo apresentado para uma entrada real, ou seja, são treinados através de\n\ndados rotulados; não supervisionado, mediante dados não rotulados, no qual o sistema faz busca\n\nde relações entre eles, porém, não sabe qual é a resposta correta, apenas cria padrões por meio\n\ndestas informações; semi-supervisionado, utilizado para as mesmas utilizações do\n\nsupervisionado, porém usa tanto dados rotulados quando os não rotulados, utilizando muito\n\nmais o recurso não rotulado; por reforço, utilizado para robótica, jogos e navegação, ele aprende\n\npor tentativa e erro, que apresenta três componentes, o agente, o ambiente e as ações, onde seu\n\nobjetivo é encontrar ações que o melhor recompense.\n\n       Em uma interação entre estudante e Chatbot, são criados diversos dados de acesso, o\n\nque possibilita a compreensão das necessidades do usuário, bem como, atualiza e aperfeiçoa as\n\ninformações disponibilizadas na plataforma. Estes dados gerados possivelmente auxiliarão na\n\ncompreensão das dificuldades dos discentes, por meio da compreensão de suas principais\n\nnecessidades, o que ocorre mediante acompanhamento dos botões mais acessados, bem como\n\ndas palavras mais digitadas e da observação do tempo de permanência em cada atividade\n\ncontida na plataforma (MELO et al., 2020).\n\n       Neste sentido, os Chatbots podem ser usados em educação a distância de vários modos,\n\ndestacando-se o fornecimento de informações acerca dos cursos ou instituições de ensino,\n\n\n\n                                                                                               8\n aceitando as inscrições dos alunos, permitindo que haja a utilização no apoio na aprendizagem\n\nde algum conteúdo ou auxiliar os alunos, atuando como tutor (BARROS; GUERREIRO, 2019).\n\n       Todas as mensagens enviadas pelo usuário/cliente ao chatbot, por meio de um canal,\n\ndeverão passar por um processo que engloba o bot, que recebe a mensagem, analisa com base\n\nem sua forma de atuação seja por informações pré-programadas ou aprendizado baseado em\n\nNatural Language Processing para fornecer uma resposta. Se o assistente não reconhecer o\n\ncomando, ou seja, a mensagem recebida, fornecerá sempre uma resposta padrão ao usuário,\n\ncomo: “desculpe-me, eu não entendi” ou “poderia se expressar de outra forma, não\n\ncompreendi”. Todas essas mensagens são pré-programadas pelo usuário (CARVALHO\n\nJUNIOR; CARVALHO, 2018).\n\n       A utilização do Chatbot também traz limitações, como o fato dele poder não fazer\n\natividades para as quais foi programado. A operacionalização destas tarefas precisa de um\n\nconjunto de regras, as quais inserem-se em um algoritmo e devem ser seguidas de uma forma\n\nrigorosa. Por isso, ele pode não saber lidar com imprevistos, o que pode leva-lo a fornecer\n\ninformações fora de contexto, já que, falta-lhe capacidade de improvisação e de compreensão.\n\nComo não são humanos, os Chatbots não conseguem capturar totalmente as variantes de uma\n\nconversa com humanos (BARROS; GUERREIRO, 2019).\n\n       Os chatbots são programas desenvolvidos para interagir com seres humanos de um\n\nmodo transparente e que se adaptem ao contexto, respondendo às perguntas, passando\n\ninformações ou fazendo sugestões (CARVALHO JUNIOR; CARVALHO, 2018).\n\n       Embora os Chatbots possam utilizar a inteligência artificial e com isso aprender\n\ncomportamentos similares aos humanos, não é simples a incorporação de sentimentos, como:\n\nempatia, ironia, sarcasmo, alegria, tristeza ou mesmo humor. Este obstáculo impede que exista\n\nimprevisibilidade e que se alcance humanização pretendida. Além disso, é difícil encontrar\n\nespecialistas na área, já que, apesar da facilidade na sua criação e desenvolvimento, alguns\n\n                                                                                           9\n projetos exigem um elevado grau de conhecimento em diversas áreas e, desta forma, tornam-se\n\nextremamente complicados de serem desenvolvidos, já que, os custos são muito altos e seu\n\navanço é muito demorado (BARROS; GUERREIRO, 2019).\n\n       O bot tem como principal característica o código desenvolvido com o intuito de tornar\n\nautomáticas funções do cotidiano, principalmente a interação com humanos, levando-o a\n\ndesempenhar ações propriamente humanas e, deste modo, passar-se por pessoas durante a\n\nrealização destas atividades (CARVALHO JUNIOR; CARVALHO, 2018).\n\n       Desta forma, é evidente a importância da utilização dos Chatbots em ambientes de EaD,\n\nnão apenas pela facilidade da sua criação, mas também pelos benefícios que levam para a\n\ndinâmica entre tutores, alunos e inclusive para as instituições de ensino. Assim, as novas\n\ntecnologias emergentes e o uso da Inteligência Artificial presentes nos Chatbots permitem uma\n\nhumanização, bem como, a aprendizagem crescente por parte destes aplicativos, possibilitando\n\numa comunicação o mais natural possível entre o ser humano e a máquina. Evidencia-se ainda\n\na crescente utilização dos Chatbots por todo o mundo é uma realidade, com a sofisticação e a\n\neficiência que melhoram a cada dia (BARROS; GUERREIRO, 2019).\n\n       Os autores continuam destacando que um dos projetos com mais reconhecimento a nível\n\nmundial foi a assistente Jill Watson, baseada no sistema da IBM Watson, criada em 2016, pelo\n\nprofessor Ashok Goel, do Georgia Tech Institute of Technology, que foi uma das 4 assistentes\n\ndo curso de IA (3 humanos e a Jill Watson um Chatbot) com 3000 alunos, e que, durante um\n\nsemestre, respondeu às perguntas colocadas pelos estudantes, sem que estes descobrissem que\n\nse tratava de uma “máquina” a responder às suas questões com um grau de certeza de 97%. É\n\ninteressante destacar que a Jill Watson já está na 3ª versão e, num futuro próximo, estará\n\ndisponível comercialmente para ser usada em instituições de ensino pelo mundo (BARROS;\n\nGUERREIRO, 2019).\n\n\n\n                                                                                          10\n 2.3 INTELIGÊNCIA ARTIFICIAL NA EDUCAÇÃO\n\n       O conceito de inteligência artificial é amplo e abrange diversas áreas, como:\n\nconhecimento; raciocínio; resolução de problemas; percepção; aprendizagem, planejamento e\n\na capacidade de manipular e mover objetos (BARROS; GUERREIRO, 2019). Tendo em vista\n\ntoda esta amplificação, considera-se a presença da mesma em diversos âmbitos, inclusive no\n\neducacional, que tem, cada vez mais, incorporado ferramentas tecnológicas ao seu cotidiano,\n\nexigindo dos professores e profissionais área uma formação continuada neste conteúdo.\n\n       Destaca-se que há uma crescente no campo da inteligência artificial, que vem se\n\ntornando cada vez mais amplo, já que as aplicações inteligentes colaboram com a produção nas\n\nindústrias, tange a área de entretenimento e às lojas virtuais, podendo ser utilizadas inclusive\n\nno contexto educacional (CARVALHO JUNIOR; CARVALHO, 2018).\n\n       Muitos Chatbots têm como base a Inteligência Artificial, já que esta possibilita o que\n\naprendizado ocorra por meio de um padrão nos dados, o que vem tornando-os mais reais do que\n\nnunca, aumentando a sua capacidade com os humanos mais naturalmente, de um modo mais\n\neficaz e inteligente (BARROS; GUERREIRO, 2019).\n\n       Assim, é possível observar que a forma de aprendizagem conexionista se assemelha com\n\na de uma criança. Desta forma, primeiramente uma IA deve ser treinada para lidar com situações\n\nreais e cada vez que essa não conseguir lidar com determinado contexto, será preciso que ocorra\n\nnovo treinamento informando como deverá agir em dadas situações. Também pode ser possível\n\nautomatizar esse processo utilizando a técnica de aprendizagem de máquina. Acredita-se que\n\nquanto mais os utilizadores interagem com uma inteligência artificial, mais “inteligente” ela\n\nficará, já que esta aprende com o contexto e com as interações (CARVALHO JUNIOR;\n\nCARVALHO, 2018).\n\n       Diversas pesquisas relataram a importância e os benefícios da programação de Chatbots\n\nnos ambientes de EaD. Foram destacadas situações-problemas com que as Instituições de\n\n                                                                                             11\n Ensino Superior precisam lidar, entre os quais: a falta de condições do tutor fornecer auxilio de\n\nforma rápida e constante, a falta de diagnóstico de alunos, bem como, a falta de um\n\nacompanhamento personalizado aos estudantes, proveniente do grande crescimento observado\n\nna modalidade de cursos superiores EaD, que associa-se ao aumento de tutores de forma\n\ndesproporcional, que favorece um apoio deficiente aos alunos (BARROS; GUERREIRO,\n\n2019).\n\n\n\n3. METODOLOGIA\n\n\n\n         Em um contexto escolar, seja em um espaço físico ou digital, é possível tirar proveito\n\nda IA para resolver problemas relacionados a processos diretos e indiretos quando se trata de\n\nensino-aprendizagem. As soluções vão desde da atuação de chatbots que podem operar de\n\nforma a facilitar alunos e professores na condução das aulas, das avaliações. Algo mais\n\ninstitucional e opera muito fora das reais necessidades e interesses dos atores. Porém, é\n\nfundamentalmente importante ter esses processos mapeados tanto quanto os processos diretos\n\ndentro da IA também. Contudo, devemos sempre ter em mente, ao elaborarmos soluções que\n\nestejam enraizadas dentro da cultura de ensino tradicional, temos que avaliar o quão híbrido\n\nessas soluções podem parecer, o que pode nos prender a modelos tradicionais ad infinitum. Esse\n\né um momento de darmos um passo adiante, entender além do processo que existe dentro do\n\nensino tradicional. Além do que, muitas abordagens fechadas dentro de um conceito único de\n\nensinar e aprender, estreitam muito nossa criatividade e o quão a IA pode abrir as oportunidades\n\nde soluções para muitos dos problemas que vemos hoje em vários setores, em várias áreas.\n\nNesse cenário, entender a IA e como ela opera no setor de sua atuação. Ou seja, o profissional\n\ndeve-se capacitar na área de IA correspondente, nesse caso, a AIEd ou Inteligência Artificial\n\naplicada a Educação. Assim, ele terá uma perspectiva com competências digitais do que a IA\n\n                                                                                              12\n realmente pode oferecer e como ele/ela pode se engajar à sua maneira para colaborar mais, com\n\nmais eficiência.\n\n               Embora muitas plataformas como o Moodle, carregam em sua gênese os\n\nprocessos de ensino tradicionais, é o que verdadeiramente temos por ora e mudar essa realidade\n\né ampliar as capacidades destas plataformas para operar de forma mais dinâmica, mais viva,\n\nque não seja um mero repositório, mas sim opera dentro dos processos de ensinar e aprender,\n\nnos auxilia a tomar decisões do que é importante para nosso aperfeiçoamento enquanto\n\nestudantes e professoras, consolidando o conhecimento que é obtido por nós, e na medida que\n\namplia as capacidades de formação de estudantes aperfeiçoe o processo de ensino e\n\naprendizagem aumentando assim a melhor forma de disseminar conhecimentos.\n\n       Na estrutura tecnológica que compõem essas plataformas de ensino como o Moodle,\n\nGoogle Classroom, Edmodo, elas exploram os mecanismos que estão intrínsecas aos browsers,\n\no canvas, para organizar a informação necessária à execução da aprendizagem. Como a\n\nrealização de atividades, como assistir a um vídeo, responder a um questionário, ou em resumo,\n\naquela à qual o estudante deve se envolver para obter o aprendizado. Muitas delas têm um\n\ncomportamento muito próximo de um repositório, por onde o Professor alimenta com suas\n\naulas, seja em vídeos, pdf, slides em powerpoint, textos e questionários, enquanto o aluno na\n\noutra ponta, acessa a plataforma para consumir o material inserido pelo professor. Destas\n\nplataformas, podemos destacar as funcionalidades que consideram espaços virtuais\n\ncolaborativos de aprendizagem, como o Fórum. Explorar estes espaços virtuais de colaboração,\n\npermite ampliar a capacidade de aprendizagem já que transforma a plataforma de um\n\nrepositório, para funcionalidades que permitem alunos e educadores envolverem entre si com\n\no objetivo de enriquecer os processos inerentes ao ensino-aprendizagem.\n\n       Tendo em vista esta dimensão, nossa metodologia se baseou em 1) buscar entender a\n\npartir do levantamento de propostas que estejam tanto no mercado como na academia, que\n\n                                                                                           13\n considere a existência da integração de mecanismos semelhantes aos inerentes ao Chatbot em\n\nAmbientes Virtuais de Aprendizagem para promover espaços virtuais de colaboração entre\n\naluno, educador e o chatbot; Este estudo, culminou em uma lista contendo as capacidades e\n\nvantagens identificadas e suas desvantagens, riscos de implantação e considerações éticas, de\n\nsegurança e de privacidade de um Chatbot integrado à Ambientes de Aprendizagem; 2) Uma\n\nvez identificado os elementos de inovação e oportunidades, dimensionamos um Chatbot\n\nintegrado ao Moodle para oferecer ideias do aprimoramento da aprendizagem do aluno\n\nespecificamente sobre o Exame Nacional do Ensino Médio, o ENEM.\n\n        Ou seja, a nossa proposta é oferecer uma visão de como um Chatbot revestido de\n\nrecursos avançados de IA, poderia oferecer capacidades de assessoria, aos processos de\n\naprendizagem quando integrado a um ambiente de aprendizagem virtual, em específico, o\n\nMoodle, para apontar insights, direcionamentos, novas questões e reflexão sobre os temas que\n\nforam identificados em simulados das provas do ENEM de anos anteriores e monitorar a\n\nevolução do aluno enquanto ele interage com o Chatbot para posicionar ele em níveis de\n\naprendizado sobre um dado tema que fez parte do ENEM.\n\n        Para projetar qualquer Tecnologia como Mediadora de Aprendizagem1 (TMA),\n\nprimeiro devo capturar as raízes dos processos que envolvem o ensino e a aprendizagem. Além\n\ndo processo precisamos ter em mente as características dos usuários, ou seja, de cada estudante\n\ne professor em termos de suas especificidades de aprendizagem, a singular forma como cada\n\nser humano aprende. Considerando as suas habilidades psicomotora, capacidades cognitivas e\n\nafetivas, suas emoções como resposta dos estímulos de aprendizagem e que são coletados,\n\nobtidos, analisados e processados pela máquina, que então passa a avaliar o quão engajado o\n\n\n\n\n1\n Techonology-mediated learning: um ambiente no qual as interações do aluno com os materiais de\naprendizagem (leituras, tarefas, exercícios etc.), colegas e / ou instrutores são mediadas por meio de\ntecnologias avançadas de informação ”(Alavi & Leidner, 2001)\n                                                                                                         14\n estudante vai de fato estar e se não estiver estabelecer novas estratégias de ensino, como,\n\ndiminuir a frequência com que os tipos de materiais e atividades são oferecidos a ele.\n\n        Assim, partindo do pressuposto que um estudante é um usuário de uma Tecnologia\n\nMediadora de Aprendizagem, durante a execução das atividades, ou no uso dos materiais que\n\nfazem parte de um conjunto de saídas que são oferecidas pela máquina, o estudante percorre\n\nseu aprendizado e é avaliado continuamente por metas, objetivos e caminhos traçados\n\ninicialmente por ele. Cada estudante tem suas percepções, sentimentos, suas emoções sobre a\n\nmaneira pela qual um material de aprendizado é oferecido a ele e é por trás destas percepções\n\nque vamos obter as evidências de aprendizagem, o resultado real da aprendizagem. Até para\n\nentender quais tipos de atividades e materiais serão usados de acordo com o nível de\n\nengajamento do estudante para realizar seu aprendizado em algum contexto necessário e às\n\nvezes muito particular a realidade do estudante dentro de como ele vive na sociedade da qual\n\nfaz parte.\n\n\n\n4. CONSIDERAÇÕES FINAIS\n\n        Acredita-se, portanto, que o chatbot tende a contribuir muito com o cenário educacional,\n\nprincipalmente na atualidade, em que as aulas estão ocorrendo de forma remota, bem como, a\n\nfacilitar o trabalho do professor quanto ao atendimento e tutoria aos seus alunos.\n\n        Considera-se ainda que a implementação dos chatbots necessita de um grande\n\ninvestimento, o que, no cenário educacional brasileiro, ainda não é visto como primordial, desta\n\nforma, estes recursos, que tendem a facilitar e potencializar o processo de ensino e\n\naprendizagem, diminuir o tempo de atendimento e de sanar as dúvidas, principalmente no que\n\ntange o ambiente virtual de aprendizagem, não serão implementados em instituições públicas\n\nem curto prazo, pois, tal como outras ferramentas, necessitam de um investimento alto.\n\n\n\n                                                                                             15\n"

cps2[[1]]$content

[1] " introdução inteligência artificial cada vez presente dia dia passado falava inteligência artificial ia automaticamente pensávamos imediatamente figura robô percebemos ia vai além robótica viva presente cotidiano pessoas diversificadas aplicações dentre podemos citar automobilística jogos digitais smartphone medicina realização exames previsão tempo educação meio chatbots educacionais dentre outros avanço ocorreu meio grandes avanços área computação principalmente desenvolvimento novas pesquisas aprendizado máquina machine learning contribuiu construção algoritmos pudessem ser treinados modelados gerando usufruindo grandes bases dados puderam proporcionar evolução aprendizado máquina contribuiu melhorias técnicas inteligência artificial existentes visto importância presença constante inteligência artificial ia cotidiano mesma pode ter grande impacto área educação utilizada apoio processo ensino aprendizagem inteligência artificial aplicada educação agrega duas grandes áreas ciência computação ciências aprendizagem reúnem diversos campos conhecimento tais psicologia ciência cognitiva antropologia linguística neurociência fim obter visão ampla todo processo envolvido ensino aprendizagem neste contexto inteligência artificial educação dois objetivos principais objetivo educacional busca compreender acontece aprendizado fornecendo subsídios melhorar práticas educacionais objetivo tecnológico promove desenvolvimento ambientes adaptativos aprendizagem sendo personalizados eficazes sendo assim inteligência artificial educação é definida sistema computador projetado interagir ecossistema educacional atores recursos visões pedagógicas etc interação poderá ser realizada meio chatbots educacionais programas meio ia precisamente processamento linguagem natural pln mantém conversa usuário cenário educação poderia ser utilizado tirar dúvidas estudante qualquer hora qualquer lugar maneira rápida objetivos hipóteses projeto visa compreender potencialidades inserção inteligência artificial ia educação bem utilização chatbot ambientes aprendizagem exercendo funções tutoria acreditase tecnologia educacional incluindo inteligência artificial pode tornar conteúdo dinâmico atrativo além diminuir tempo resposta tutores utilizase chatbot ferramenta inserida neste contexto possibilita aprendizado rápido eficiente maior rendimento grande parte questionamentos respondidos naquele momento levando aluno continuidade momento aprendizagem superação dúvidas alcançando aproveitamento maior durante tempo dedicado estudos plataforma além disso diminuise sobrecarga tutor grande parte questionamentos resolvidos bot dúvidas dependem ser humano atendimento rápido atencioso contribui processo aprendizagem chatbot pode atuar assistência tarefas notificar prazos reunir informações importantes torno contexto aprendizagem separalas processálas recomendar sugestões aprendizado relevante obter significados aprendizado estudante visa obter partir processamento bases dados obtidas fontes diversas fontes obtidas envolvendo sensores processadas tempo real fontes bibliotecas nacionais internacionais além disso carga trabalho professor envolve atuar confecção elaboração aulas tutoriais além avaliação cada aluno tarefas profissional ensino básico vão além conteúdo é especialista assim tecnologia muitos outros temas fazem parte aperfeiçoamento aprendizado contínuo quais profissional sempre acaba tendo engajar toda formação passa ser necessária ampliar capacidade exercer ensino incluindo necessidade ampliar múltiplas visões perspectivas inovadoras conhecimento principalmente tange tecnologia tendo vista preocupações chatbot pode ser elemento dentro processo ensinoaprendizagem interessante assessoramento aluno educadores chatbot apropria atividades cunho repetitivo notificações além poder reunir informações diversas fontes incluindo questionamentos alunos solicitações semelhantes enviar recomendações automáticas lembrar eventos indicar novos cursos educadores ainda hoje dia muitos profissionais diversas áreas têm dificuldades operar tecnologia educação é diferente resistência uso apropriação aplicação sala aula é desafios muitos educadores educador é mantem si figura central autoridade sala capaz iniciativa apoiar novas metodologias assim consideramos estratégia tentar diminuir hiato existe conhecimento tecnológico pode ser aplicado sala aperfeiçoamento educador prudente considerar reflexão análise elementos poderiam ser inseridos aprendizado tecnologia educação computação ubíqua onipresente é exemplo tecnologias inclusivas democráticas assim vencer resistência conhecimento tecnológico podese oferecer recursos simples ferramentas cotidiano dentro celular professor ferramentas carregam interfaces amigáveis intuitivas fáceis podemos incluir nessas ferramentas aspectos aprendizado natural embutido tecnologia respeitando formatos computação ubíqua vez ferramentas associadas computação cognitiva elementos tecnológicos capturam dados sensíveis contexto recursos inteligência artificial reconhecimento padrões fala aprendizado máquina análise afetivo sentimental usados prover feedbac diferentes significados auxiliar professor sala chatbots têm sido usados diferentes momentos cotidiano através recursos computação cognitiva facilidades destas ferramentas exigência operar assistentes é mínima é geralmente realizada comandos voz texto linguagem natural vezes informal portanto chatbot pode ser mecanismo implicaria positivamente aperfeiçoamento docente discente envolvendo poucos elementos tecnológicos senão comumente usados diaadia sala aula atualmente podemos ver tecnologias navegadores browsers permitem criação portais verdadeiros ambientes integrados virtuais usados várias instituições ensino referencial ambiente virtual aprendizagem tutoria termo ambiente aprendizagem remete ideia espaço lugar neste sentido processo aprendizagem longo anos sido realizado espaços físicos escola entanto dias hoje forma propícia conceber ambientes aprendizagem pensar sistemas apoio possibilitam seres humanos aprendizagem bem permitam apenas acomodação necessidades específicas cada indivíduo apoiem relações humanas indispensáveis aprendizagem eficaz martins et al ambiente acesso informação deve chegar espaço tempo cada vez menor pessoas procuram aplicações informatizadas intuito auxiliá las tarefas desde simples complexas assim fazse necessária utilização assistentes virtuais chatbots facilitam realização atividades cotidiano comunicação direta humano carvalho junior carvalho incluir novas tecnologias âmbito escolar especificamente envolvendo redes computadores apresentase alternativa possível atendimento necessidades sociedade contemporânea requer novas formas ensinar atualmente precisase repensar processo pedagógico ensino aprendizagem fim proporcionar educando ambiente envolvente onde possa desenvolver habilidades cognitivas aprender maneira diferente é demanda instituição educacional leão et al neste novo modo promover aprendizagem acesso redes computadores internet encontramse cada vez presentes cotidiano pessoas principais recursos rede plataformas virtuais apresentam interfaces comunicação informação mediação desenvolvimento atividades conhecidas ambientes virtuais aprendizagem avas martins et al observase internet trazido contribuição significativa educação apenas fonte referência pesquisas acerca diversas áreas conhecimento ferramenta ensino vez possui caráter dinâmico múltiplas possibilidades estabelecer conexões informações bem apresenta forma clara objeto estudo além disso é via eficaz comunicação educadores educandos educandos educandos leão et al acreditase formas chatbots podem ser usados sucesso meio sistema perguntas respostas analisando características comunicação educação distância bot estaria pronto comunicar estudantes bem responder todas solicitações barros guerreiro tendo vista avanços tecnológicos amplas condições acesso informações provêm internet criadas diversas alternativas metodológicas visando melhorar troca informações modo transformálas conhecimento rede permitiu oferta muitos recursos didáticos alternativos entanto falta conhecimento acerca metodologias ensino atrapalhou utilização percebese é neste momento docente deve assumir postura interlocutor é suficiente apenas dispor informações conseguir estabelecer conexões momento adequado resolução problemas leão et al verificase professores possuem diversas funções torna imprescindíveis durante processo ensinoaprendizagem observase grande aumento procura cursos distância gerado enorme pressão mudança instituições ensino superior mudanças impõem abrangem todos participam processo ensinoaprendizagem principalmente funções tutores modelos pedagógicos partindo desta realidade necessidade instituições disporem tutores multifacetados forma contínua interativa personalizada conveniência alunos acesso forma regular conteúdos feedbac apoio áreas estudo podem ser destacados vantagens assistente virtual chatbot barros guerreiro utilização chatbot tutorial observase vantagens utilização programação uso chatbots plataformas educação distância ead vez programação é acessível intuitiva tendo vista aplicativos interfaces existentes percebese inúmeras plataformas disponíveis mercado finalidade bem evidenciase tecnologia tende auxiliar melhoria comunicação relação tutores estudantes barros guerreiro verificase quanto âmbito tecnológico educacional interligados vez teoria computacional amparado desenvolvimento novas ferramentas incluindo novas tecnologias bots chatbots quais programas computador elaborados interação pessoas utilizando linguagem natural simulando humano carvalho junior carvalho desta forma chatbot apoio complementar trabalho tutoria atuando potencializadores processo ampliando capacidades rapidez atendimento detalhado personalizado estudantes concordância competências habilidades serem desenvolvidas barros guerreiro bot é abreviação robot caracteriza softwares desenvolvidos imitar ações humanas repetidas vezes simular interação humanocomputador percebe evolução destes robôs durante história primeiros bots simples pouca interação atualmente conseguem realizar análise prévia necessidades usuário auxiliálo interação natural possível carvalho junior carvalho chatbots possuem características variam acordo tipo área atuação quanto tipo chatbots podem ser classificados baseados regras baseados ia chatbots baseados regras conforme pesquisas realizadas possuem ação limitada têm capacidade aprendizagem conseguem atuar regras inicialmente definidas chatbots baseados ia diferentemente anterior aprendem atuação conseguindo responder perguntas complexas barros guerreiro acordo camolesi jubran chatbots podem ser treinados quatro modos supervisionado apresentação dados entradas saídas informações desejadas onde computador reconhece padrões usa classificação moldando acordo modelo apresentado entrada real treinados através dados rotulados supervisionado mediante dados rotulados sistema faz busca relações porém sabe é resposta correta apenas cria padrões meio destas informações semisupervisionado utilizado mesmas utilizações supervisionado porém usa tanto dados rotulados rotulados utilizando recurso rotulado reforço utilizado robótica jogos navegação aprende tentativa erro apresenta três componentes agente ambiente ações onde objetivo é encontrar ações melhor recompense interação estudante chatbot criados diversos dados acesso possibilita compreensão necessidades usuário bem atualiza aperfeiçoa informações disponibilizadas plataforma dados gerados possivelmente auxiliarão compreensão dificuldades discentes meio compreensão principais necessidades ocorre mediante acompanhamento botões acessados bem palavras digitadas observação tempo permanência cada atividade contida plataforma melo et al neste sentido chatbots podem ser usados educação distância vários modos destacandose fornecimento informações acerca cursos instituições ensino aceitando inscrições alunos permitindo utilização apoio aprendizagem algum conteúdo auxiliar alunos atuando tutor barros guerreiro todas mensagens enviadas usuáriocliente chatbot meio canal deverão passar processo engloba bot recebe mensagem analisa base forma atuação informações préprogramadas aprendizado baseado natural language processing fornecer resposta assistente reconhecer comando mensagem recebida fornecerá sempre resposta padrão usuário “desculpeme entendi” “poderia expressar outra forma compreendi” todas mensagens préprogramadas usuário carvalho junior carvalho utilização chatbot traz limitações fato poder fazer atividades quais programado operacionalização destas tarefas precisa conjunto regras quais inseremse algoritmo devem ser seguidas forma rigorosa pode saber lidar imprevistos pode levalo fornecer informações contexto faltalhe capacidade improvisação compreensão humanos chatbots conseguem capturar totalmente variantes conversa humanos barros guerreiro chatbots programas desenvolvidos interagir seres humanos modo transparente adaptem contexto respondendo perguntas passando informações fazendo sugestões carvalho junior carvalho embora chatbots possam utilizar inteligência artificial aprender comportamentos similares humanos é simples incorporação sentimentos empatia ironia sarcasmo alegria tristeza humor obstáculo impede exista imprevisibilidade alcance humanização pretendida além disso é difícil encontrar especialistas área apesar facilidade criação desenvolvimento alguns projetos exigem elevado grau conhecimento diversas áreas desta forma tornamse extremamente complicados serem desenvolvidos custos altos avanço é demorado barros guerreiro bot principal característica código desenvolvido intuito tornar automáticas funções cotidiano principalmente interação humanos levandoo desempenhar ações propriamente humanas deste modo passarse pessoas durante realização destas atividades carvalho junior carvalho desta forma é evidente importância utilização chatbots ambientes ead apenas facilidade criação benefícios levam dinâmica tutores alunos inclusive instituições ensino assim novas tecnologias emergentes uso inteligência artificial presentes chatbots permitem humanização bem aprendizagem crescente parte destes aplicativos possibilitando comunicação natural possível ser humano máquina evidenciase ainda crescente utilização chatbots todo mundo é realidade sofisticação eficiência melhoram cada dia barros guerreiro autores continuam destacando projetos reconhecimento nível mundial assistente jill watson baseada sistema ibm watson criada professor asho goel georgia tech institute of technology assistentes curso ia humanos jill watson chatbot alunos durante semestre respondeu perguntas colocadas estudantes descobrissem tratava “máquina” responder questões grau certeza é interessante destacar jill watson ª versão futuro próximo estará disponível comercialmente ser usada instituições ensino mundo barros guerreiro inteligência artificial educação conceito inteligência artificial é amplo abrange diversas áreas conhecimento raciocínio resolução problemas percepção aprendizagem planejamento capacidade manipular mover objetos barros guerreiro tendo vista toda amplificação considerase presença mesma diversos âmbitos inclusive educacional cada vez incorporado ferramentas tecnológicas cotidiano exigindo professores profissionais área formação continuada neste conteúdo destacase crescente campo inteligência artificial vem tornando cada vez amplo aplicações inteligentes colaboram produção indústrias tange área entretenimento lojas virtuais podendo ser utilizadas inclusive contexto educacional carvalho junior carvalho muitos chatbots têm base inteligência artificial possibilita aprendizado ocorra meio padrão dados vem tornandoos reais nunca aumentando capacidade humanos naturalmente modo eficaz inteligente barros guerreiro assim é possível observar forma aprendizagem conexionista assemelha criança desta forma primeiramente ia deve ser treinada lidar situações reais cada vez conseguir lidar determinado contexto preciso ocorra novo treinamento informando deverá agir dadas situações pode ser possível automatizar processo utilizando técnica aprendizagem máquina acreditase quanto utilizadores interagem inteligência artificial “inteligente” ficará aprende contexto interações carvalho junior carvalho diversas pesquisas relataram importância benefícios programação chatbots ambientes ead destacadas situaçõesproblemas instituições ensino superior precisam lidar quais falta condições tutor fornecer auxilio forma rápida constante falta diagnóstico alunos bem falta acompanhamento personalizado estudantes proveniente grande crescimento observado modalidade cursos superiores ead associase aumento tutores forma desproporcional favorece apoio deficiente alunos barros guerreiro metodologia contexto escolar espaço físico digital é possível tirar proveito ia resolver problemas relacionados processos diretos indiretos trata ensinoaprendizagem soluções vão desde atuação chatbots podem operar forma facilitar alunos professores condução aulas avaliações algo institucional opera reais necessidades interesses atores porém é fundamentalmente importante ter processos mapeados tanto quanto processos diretos dentro ia contudo devemos sempre ter mente elaborarmos soluções enraizadas dentro cultura ensino tradicional avaliar quão híbrido soluções podem parecer pode prender modelos tradicionais ad infinitum é momento darmos passo adiante entender além processo existe dentro ensino tradicional além muitas abordagens fechadas dentro conceito único ensinar aprender estreitam criatividade quão ia pode abrir oportunidades soluções muitos problemas vemos hoje vários setores várias áreas nesse cenário entender ia opera setor atuação profissional devese capacitar área ia correspondente nesse caso aied inteligência artificial aplicada educação assim perspectiva competências digitais ia realmente pode oferecer eleela pode engajar maneira colaborar eficiência embora muitas plataformas moodle carregam gênese processos ensino tradicionais é verdadeiramente ora mudar realidade é ampliar capacidades destas plataformas operar forma dinâmica viva mero repositório sim opera dentro processos ensinar aprender auxilia tomar decisões é importante aperfeiçoamento enquanto estudantes professoras consolidando conhecimento é obtido medida amplia capacidades formação estudantes aperfeiçoe processo ensino aprendizagem aumentando assim melhor forma disseminar conhecimentos estrutura tecnológica compõem plataformas ensino moodle google classroom edmodo exploram mecanismos intrínsecas browsers canvas organizar informação necessária execução aprendizagem realização atividades assistir vídeo responder questionário resumo estudante deve envolver obter aprendizado muitas têm comportamento próximo repositório onde professor alimenta aulas vídeos pdf slides powerpoint textos questionários enquanto aluno outra ponta acessa plataforma consumir material inserido professor destas plataformas podemos destacar funcionalidades consideram espaços virtuais colaborativos aprendizagem fórum explorar espaços virtuais colaboração permite ampliar capacidade aprendizagem transforma plataforma repositório funcionalidades permitem alunos educadores envolverem si objetivo enriquecer processos inerentes ensinoaprendizagem tendo vista dimensão metodologia baseou buscar entender partir levantamento propostas tanto mercado academia considere existência integração mecanismos semelhantes inerentes chatbot ambientes virtuais aprendizagem promover espaços virtuais colaboração aluno educador chatbot estudo culminou lista contendo capacidades vantagens identificadas desvantagens riscos implantação considerações éticas segurança privacidade chatbot integrado ambientes aprendizagem vez identificado elementos inovação oportunidades dimensionamos chatbot integrado moodle oferecer ideias aprimoramento aprendizagem aluno especificamente sobre exame nacional ensino médio enem proposta é oferecer visão chatbot revestido recursos avançados ia poderia oferecer capacidades assessoria processos aprendizagem integrado ambiente aprendizagem virtual específico moodle apontar insights direcionamentos novas questões reflexão sobre temas identificados simulados provas enem anos anteriores monitorar evolução aluno enquanto interage chatbot posicionar níveis aprendizado sobre dado tema fez parte enem projetar qualquer tecnologia mediadora aprendizagem tma primeiro devo capturar raízes processos envolvem ensino aprendizagem além processo precisamos ter mente características usuários cada estudante professor termos especificidades aprendizagem singular forma cada ser humano aprende considerando habilidades psicomotora capacidades cognitivas afetivas emoções resposta estímulos aprendizagem coletados obtidos analisados processados máquina então passa avaliar quão engajado techonologymediated learning ambiente interações aluno materiais aprendizagem leituras tarefas exercícios etc colegas instrutores mediadas meio tecnologias avançadas informação ”alavi leidner estudante vai fato estar estabelecer novas estratégias ensino diminuir frequência tipos materiais atividades oferecidos assim partindo pressuposto estudante é usuário tecnologia mediadora aprendizagem durante execução atividades uso materiais fazem parte conjunto saídas oferecidas máquina estudante percorre aprendizado é avaliado continuamente metas objetivos caminhos traçados inicialmente cada estudante percepções sentimentos emoções sobre maneira material aprendizado é oferecido é trás destas percepções vamos obter evidências aprendizagem resultado real aprendizagem entender quais tipos atividades materiais usados acordo nível engajamento estudante realizar aprendizado algum contexto necessário vezes particular realidade estudante dentro vive sociedade faz parte considerações finais acreditase portanto chatbot tende contribuir cenário educacional principalmente atualidade aulas ocorrendo forma remota bem facilitar trabalho professor quanto atendimento tutoria alunos considerase ainda implementação chatbots necessita grande investimento cenário educacional brasileiro ainda é visto primordial desta forma recursos tendem facilitar potencializar processo ensino aprendizagem diminuir tempo atendimento sanar dúvidas principalmente tange ambiente virtual aprendizagem implementados instituições públicas curto prazo pois tal outras ferramentas necessitam investimento alto "

cps3[[1]]$content

[1] "introducao inteligencia artificial cada vez presente dia dia passado falava inteligencia artificial ia automaticamente pensavamos imediatamente figura robo percebemos ia vai alem robotica viva presente cotidiano pessoas diversificadas aplicacoes dentre podemos citar automobilistica jogos digitais smartphone medicina realizacao exames previsao tempo educacao meio chatbots educacionais dentre outros avanco ocorreu meio grandes avancos area computacao principalmente desenvolvimento novas pesquisas aprendizado maquina machine learning contribuiu construcao algoritmos pudessem ser treinados modelados gerando usufruindo grandes bases dados puderam proporcionar evolucao aprendizado maquina contribuiu melhorias tecnicas inteligencia artificial existentes visto importancia presenca constante inteligencia artificial ia cotidiano mesma pode ter grande impacto area educacao utilizada apoio processo ensino aprendizagem inteligencia artificial aplicada educacao agrega duas grandes areas ciencia computacao ciencias aprendizagem reunem diversos campos conhecimento tais psicologia ciencia cognitiva antropologia linguistica neurociencia fim obter visao ampla todo processo envolvido ensino aprendizagem neste contexto inteligencia artificial educacao dois objetivos principais objetivo educacional busca compreender acontece aprendizado fornecendo subsidios melhorar praticas educacionais objetivo tecnologico promove desenvolvimento ambientes adaptativos aprendizagem sendo personalizados eficazes sendo assim inteligencia artificial educacao e definida sistema computador projetado interagir ecossistema educacional atores recursos visoes pedagogicas etc interacao podera ser realizada meio chatbots educacionais programas meio ia precisamente processamento linguagem natural pln mantem conversa usuario cenario educacao poderia ser utilizado tirar duvidas estudante qualquer hora qualquer lugar maneira rapida objetivos hipoteses projeto visa compreender potencialidades insercao inteligencia artificial ia educacao bem utilizacao chatbot ambientes aprendizagem exercendo funcoes tutoria acreditase tecnologia educacional incluindo inteligencia artificial pode tornar conteudo dinamico atrativo alem diminuir tempo resposta tutores utilizase chatbot ferramenta inserida neste contexto possibilita aprendizado rapido eficiente maior rendimento grande parte questionamentos respondidos naquele momento levando aluno continuidade momento aprendizagem superacao duvidas alcancando aproveitamento maior durante tempo dedicado estudos plataforma alem disso diminuise sobrecarga tutor grande parte questionamentos resolvidos bot duvidas dependem ser humano atendimento rapido atencioso contribui processo aprendizagem chatbot pode atuar assistencia tarefas notificar prazos reunir informacoes importantes torno contexto aprendizagem separalas processalas recomendar sugestoes aprendizado relevante obter significados aprendizado estudante visa obter partir processamento bases dados obtidas fontes diversas fontes obtidas envolvendo sensores processadas tempo real fontes bibliotecas nacionais internacionais alem disso carga trabalho professor envolve atuar confeccao elaboracao aulas tutoriais alem avaliacao cada aluno tarefas profissional ensino basico vao alem conteudo e especialista assim tecnologia muitos outros temas fazem parte aperfeicoamento aprendizado continuo quais profissional sempre acaba tendo engajar toda formacao passa ser necessaria ampliar capacidade exercer ensino incluindo necessidade ampliar multiplas visoes perspectivas inovadoras conhecimento principalmente tange tecnologia tendo vista preocupacoes chatbot pode ser elemento dentro processo ensinoaprendizagem interessante assessoramento aluno educadores chatbot apropria atividades cunho repetitivo notificacoes alem poder reunir informacoes diversas fontes incluindo questionamentos alunos solicitacoes semelhantes enviar recomendacoes automaticas lembrar eventos indicar novos cursos educadores ainda hoje dia muitos profissionais diversas areas tem dificuldades operar tecnologia educacao e diferente resistencia uso apropriacao aplicacao sala aula e desafios muitos educadores educador e mantem si figura central autoridade sala capaz iniciativa apoiar novas metodologias assim consideramos estrategia tentar diminuir hiato existe conhecimento tecnologico pode ser aplicado sala aperfeicoamento educador prudente considerar reflexao analise elementos poderiam ser inseridos aprendizado tecnologia educacao computacao ubiqua onipresente e exemplo tecnologias inclusivas democraticas assim vencer resistencia conhecimento tecnologico podese oferecer recursos simples ferramentas cotidiano dentro celular professor ferramentas carregam interfaces amigaveis intuitivas faceis podemos incluir nessas ferramentas aspectos aprendizado natural embutido tecnologia respeitando formatos computacao ubiqua vez ferramentas associadas computacao cognitiva elementos tecnologicos capturam dados sensiveis contexto recursos inteligencia artificial reconhecimento padroes fala aprendizado maquina analise afetivo sentimental usados prover feedbac diferentes significados auxiliar professor sala chatbots tem sido usados diferentes momentos cotidiano atraves recursos computacao cognitiva facilidades destas ferramentas exigencia operar assistentes e minima e geralmente realizada comandos voz texto linguagem natural vezes informal portanto chatbot pode ser mecanismo implicaria positivamente aperfeicoamento docente discente envolvendo poucos elementos tecnologicos senao comumente usados diaadia sala aula atualmente podemos ver tecnologias navegadores browsers permitem criacao portais verdadeiros ambientes integrados virtuais usados varias instituicoes ensino referencial ambiente virtual aprendizagem tutoria termo ambiente aprendizagem remete ideia espaco lugar neste sentido processo aprendizagem longo anos sido realizado espacos fisicos escola entanto dias hoje forma propicia conceber ambientes aprendizagem pensar sistemas apoio possibilitam seres humanos aprendizagem bem permitam apenas acomodacao necessidades especificas cada individuo apoiem relacoes humanas indispensaveis aprendizagem eficaz martins et al ambiente acesso informacao deve chegar espaco tempo cada vez menor pessoas procuram aplicacoes informatizadas intuito auxilia las tarefas desde simples complexas assim fazse necessaria utilizacao assistentes virtuais chatbots facilitam realizacao atividades cotidiano comunicacao direta humano carvalho junior carvalho incluir novas tecnologias ambito escolar especificamente envolvendo redes computadores apresentase alternativa possivel atendimento necessidades sociedade contemporanea requer novas formas ensinar atualmente precisase repensar processo pedagogico ensino aprendizagem fim proporcionar educando ambiente envolvente onde possa desenvolver habilidades cognitivas aprender maneira diferente e demanda instituicao educacional leao et al neste novo modo promover aprendizagem acesso redes computadores internet encontramse cada vez presentes cotidiano pessoas principais recursos rede plataformas virtuais apresentam interfaces comunicacao informacao mediacao desenvolvimento atividades conhecidas ambientes virtuais aprendizagem avas martins et al observase internet trazido contribuicao significativa educacao apenas fonte referencia pesquisas acerca diversas areas conhecimento ferramenta ensino vez possui carater dinamico multiplas possibilidades estabelecer conexoes informacoes bem apresenta forma clara objeto estudo alem disso e via eficaz comunicacao educadores educandos educandos educandos leao et al acreditase formas chatbots podem ser usados sucesso meio sistema perguntas respostas analisando caracteristicas comunicacao educacao distancia bot estaria pronto comunicar estudantes bem responder todas solicitacoes barros guerreiro tendo vista avancos tecnologicos amplas condicoes acesso informacoes provem internet criadas diversas alternativas metodologicas visando melhorar troca informacoes modo transformalas conhecimento rede permitiu oferta muitos recursos didaticos alternativos entanto falta conhecimento acerca metodologias ensino atrapalhou utilizacao percebese e neste momento docente deve assumir postura interlocutor e suficiente apenas dispor informacoes conseguir estabelecer conexoes momento adequado resolucao problemas leao et al verificase professores possuem diversas funcoes torna imprescindiveis durante processo ensinoaprendizagem observase grande aumento procura cursos distancia gerado enorme pressao mudanca instituicoes ensino superior mudancas impoem abrangem todos participam processo ensinoaprendizagem principalmente funcoes tutores modelos pedagogicos partindo desta realidade necessidade instituicoes disporem tutores multifacetados forma continua interativa personalizada conveniencia alunos acesso forma regular conteudos feedbac apoio areas estudo podem ser destacados vantagens assistente virtual chatbot barros guerreiro utilizacao chatbot tutorial observase vantagens utilizacao programacao uso chatbots plataformas educacao distancia ead vez programacao e acessivel intuitiva tendo vista aplicativos interfaces existentes percebese inumeras plataformas disponiveis mercado finalidade bem evidenciase tecnologia tende auxiliar melhoria comunicacao relacao tutores estudantes barros guerreiro verificase quanto ambito tecnologico educacional interligados vez teoria computacional amparado desenvolvimento novas ferramentas incluindo novas tecnologias bots chatbots quais programas computador elaborados interacao pessoas utilizando linguagem natural simulando humano carvalho junior carvalho desta forma chatbot apoio complementar trabalho tutoria atuando potencializadores processo ampliando capacidades rapidez atendimento detalhado personalizado estudantes concordancia competencias habilidades serem desenvolvidas barros guerreiro bot e abreviacao robot caracteriza softwares desenvolvidos imitar acoes humanas repetidas vezes simular interacao humanocomputador percebe evolucao destes robos durante historia primeiros bots simples pouca interacao atualmente conseguem realizar analise previa necessidades usuario auxilialo interacao natural possivel carvalho junior carvalho chatbots possuem caracteristicas variam acordo tipo area atuacao quanto tipo chatbots podem ser classificados baseados regras baseados ia chatbots baseados regras conforme pesquisas realizadas possuem acao limitada tem capacidade aprendizagem conseguem atuar regras inicialmente definidas chatbots baseados ia diferentemente anterior aprendem atuacao conseguindo responder perguntas complexas barros guerreiro acordo camolesi jubran chatbots podem ser treinados quatro modos supervisionado apresentacao dados entradas saidas informacoes desejadas onde computador reconhece padroes usa classificacao moldando acordo modelo apresentado entrada real treinados atraves dados rotulados supervisionado mediante dados rotulados sistema faz busca relacoes porem sabe e resposta correta apenas cria padroes meio destas informacoes semisupervisionado utilizado mesmas utilizacoes supervisionado porem usa tanto dados rotulados rotulados utilizando recurso rotulado reforco utilizado robotica jogos navegacao aprende tentativa erro apresenta tres componentes agente ambiente acoes onde objetivo e encontrar acoes melhor recompense interacao estudante chatbot criados diversos dados acesso possibilita compreensao necessidades usuario bem atualiza aperfeicoa informacoes disponibilizadas plataforma dados gerados possivelmente auxiliarao compreensao dificuldades discentes meio compreensao principais necessidades ocorre mediante acompanhamento botoes acessados bem palavras digitadas observacao tempo permanencia cada atividade contida plataforma melo et al neste sentido chatbots podem ser usados educacao distancia varios modos destacandose fornecimento informacoes acerca cursos instituicoes ensino aceitando inscricoes alunos permitindo utilizacao apoio aprendizagem algum conteudo auxiliar alunos atuando tutor barros guerreiro todas mensagens enviadas usuariocliente chatbot meio canal deverao passar processo engloba bot recebe mensagem analisa base forma atuacao informacoes preprogramadas aprendizado baseado natural language processing fornecer resposta assistente reconhecer comando mensagem recebida fornecera sempre resposta padrao usuario desculpeme entendi poderia expressar outra forma compreendi todas mensagens preprogramadas usuario carvalho junior carvalho utilizacao chatbot traz limitacoes fato poder fazer atividades quais programado operacionalizacao destas tarefas precisa conjunto regras quais inseremse algoritmo devem ser seguidas forma rigorosa pode saber lidar imprevistos pode levalo fornecer informacoes contexto faltalhe capacidade improvisacao compreensao humanos chatbots conseguem capturar totalmente variantes conversa humanos barros guerreiro chatbots programas desenvolvidos interagir seres humanos modo transparente adaptem contexto respondendo perguntas passando informacoes fazendo sugestoes carvalho junior carvalho embora chatbots possam utilizar inteligencia artificial aprender comportamentos similares humanos e simples incorporacao sentimentos empatia ironia sarcasmo alegria tristeza humor obstaculo impede exista imprevisibilidade alcance humanizacao pretendida alem disso e dificil encontrar especialistas area apesar facilidade criacao desenvolvimento alguns projetos exigem elevado grau conhecimento diversas areas desta forma tornamse extremamente complicados serem desenvolvidos custos altos avanco e demorado barros guerreiro bot principal caracteristica codigo desenvolvido intuito tornar automaticas funcoes cotidiano principalmente interacao humanos levandoo desempenhar acoes propriamente humanas deste modo passarse pessoas durante realizacao destas atividades carvalho junior carvalho desta forma e evidente importancia utilizacao chatbots ambientes ead apenas facilidade criacao beneficios levam dinamica tutores alunos inclusive instituicoes ensino assim novas tecnologias emergentes uso inteligencia artificial presentes chatbots permitem humanizacao bem aprendizagem crescente parte destes aplicativos possibilitando comunicacao natural possivel ser humano maquina evidenciase ainda crescente utilizacao chatbots todo mundo e realidade sofisticacao eficiencia melhoram cada dia barros guerreiro autores continuam destacando projetos reconhecimento nivel mundial assistente jill watson baseada sistema ibm watson criada professor asho goel georgia tech institute of technology assistentes curso ia humanos jill watson chatbot alunos durante semestre respondeu perguntas colocadas estudantes descobrissem tratava maquina responder questoes grau certeza e interessante destacar jill watson a versao futuro proximo estara disponivel comercialmente ser usada instituicoes ensino mundo barros guerreiro inteligencia artificial educacao conceito inteligencia artificial e amplo abrange diversas areas conhecimento raciocinio resolucao problemas percepcao aprendizagem planejamento capacidade manipular mover objetos barros guerreiro tendo vista toda amplificacao considerase presenca mesma diversos ambitos inclusive educacional cada vez incorporado ferramentas tecnologicas cotidiano exigindo professores profissionais area formacao continuada neste conteudo destacase crescente campo inteligencia artificial vem tornando cada vez amplo aplicacoes inteligentes colaboram producao industrias tange area entretenimento lojas virtuais podendo ser utilizadas inclusive contexto educacional carvalho junior carvalho muitos chatbots tem base inteligencia artificial possibilita aprendizado ocorra meio padrao dados vem tornandoos reais nunca aumentando capacidade humanos naturalmente modo eficaz inteligente barros guerreiro assim e possivel observar forma aprendizagem conexionista assemelha crianca desta forma primeiramente ia deve ser treinada lidar situacoes reais cada vez conseguir lidar determinado contexto preciso ocorra novo treinamento informando devera agir dadas situacoes pode ser possivel automatizar processo utilizando tecnica aprendizagem maquina acreditase quanto utilizadores interagem inteligencia artificial inteligente ficara aprende contexto interacoes carvalho junior carvalho diversas pesquisas relataram importancia beneficios programacao chatbots ambientes ead destacadas situacoesproblemas instituicoes ensino superior precisam lidar quais falta condicoes tutor fornecer auxilio forma rapida constante falta diagnostico alunos bem falta acompanhamento personalizado estudantes proveniente grande crescimento observado modalidade cursos superiores ead associase aumento tutores forma desproporcional favorece apoio deficiente alunos barros guerreiro metodologia contexto escolar espaco fisico digital e possivel tirar proveito ia resolver problemas relacionados processos diretos indiretos trata ensinoaprendizagem solucoes vao desde atuacao chatbots podem operar forma facilitar alunos professores conducao aulas avaliacoes algo institucional opera reais necessidades interesses atores porem e fundamentalmente importante ter processos mapeados tanto quanto processos diretos dentro ia contudo devemos sempre ter mente elaborarmos solucoes enraizadas dentro cultura ensino tradicional avaliar quao hibrido solucoes podem parecer pode prender modelos tradicionais ad infinitum e momento darmos passo adiante entender alem processo existe dentro ensino tradicional alem muitas abordagens fechadas dentro conceito unico ensinar aprender estreitam criatividade quao ia pode abrir oportunidades solucoes muitos problemas vemos hoje varios setores varias areas nesse cenario entender ia opera setor atuacao profissional devese capacitar area ia correspondente nesse caso aied inteligencia artificial aplicada educacao assim perspectiva competencias digitais ia realmente pode oferecer eleela pode engajar maneira colaborar eficiencia embora muitas plataformas moodle carregam genese processos ensino tradicionais e verdadeiramente ora mudar realidade e ampliar capacidades destas plataformas operar forma dinamica viva mero repositorio sim opera dentro processos ensinar aprender auxilia tomar decisoes e importante aperfeicoamento enquanto estudantes professoras consolidando conhecimento e obtido medida amplia capacidades formacao estudantes aperfeicoe processo ensino aprendizagem aumentando assim melhor forma disseminar conhecimentos estrutura tecnologica compoem plataformas ensino moodle google classroom edmodo exploram mecanismos intrinsecas browsers canvas organizar informacao necessaria execucao aprendizagem realizacao atividades assistir video responder questionario resumo estudante deve envolver obter aprendizado muitas tem comportamento proximo repositorio onde professor alimenta aulas videos pdf slides powerpoint textos questionarios enquanto aluno outra ponta acessa plataforma consumir material inserido professor destas plataformas podemos destacar funcionalidades consideram espacos virtuais colaborativos aprendizagem forum explorar espacos virtuais colaboracao permite ampliar capacidade aprendizagem transforma plataforma repositorio funcionalidades permitem alunos educadores envolverem si objetivo enriquecer processos inerentes ensinoaprendizagem tendo vista dimensao metodologia baseou buscar entender partir levantamento propostas tanto mercado academia considere existencia integracao mecanismos semelhantes inerentes chatbot ambientes virtuais aprendizagem promover espacos virtuais colaboracao aluno educador chatbot estudo culminou lista contendo capacidades vantagens identificadas desvantagens riscos implantacao consideracoes eticas seguranca privacidade chatbot integrado ambientes aprendizagem vez identificado elementos inovacao oportunidades dimensionamos chatbot integrado moodle oferecer ideias aprimoramento aprendizagem aluno especificamente sobre exame nacional ensino medio enem proposta e oferecer visao chatbot revestido recursos avancados ia poderia oferecer capacidades assessoria processos aprendizagem integrado ambiente aprendizagem virtual especifico moodle apontar insights direcionamentos novas questoes reflexao sobre temas identificados simulados provas enem anos anteriores monitorar evolucao aluno enquanto interage chatbot posicionar niveis aprendizado sobre dado tema fez parte enem projetar qualquer tecnologia mediadora aprendizagem tma primeiro devo capturar raizes processos envolvem ensino aprendizagem alem processo precisamos ter mente caracteristicas usuarios cada estudante professor termos especificidades aprendizagem singular forma cada ser humano aprende considerando habilidades psicomotora capacidades cognitivas afetivas emocoes resposta estimulos aprendizagem coletados obtidos analisados processados maquina entao passa avaliar quao engajado techonologymediated learning ambiente interacoes aluno materiais aprendizagem leituras tarefas exercicios etc colegas instrutores mediadas meio tecnologias avancadas informacao alavi leidner estudante vai fato estar estabelecer novas estrategias ensino diminuir frequencia tipos materiais atividades oferecidos assim partindo pressuposto estudante e usuario tecnologia mediadora aprendizagem durante execucao atividades uso materiais fazem parte conjunto saidas oferecidas maquina estudante percorre aprendizado e avaliado continuamente metas objetivos caminhos tracados inicialmente cada estudante percepcoes sentimentos emocoes sobre maneira material aprendizado e oferecido e tras destas percepcoes vamos obter evidencias aprendizagem resultado real aprendizagem entender quais tipos atividades materiais usados acordo nivel engajamento estudante realizar aprendizado algum contexto necessario vezes particular realidade estudante dentro vive sociedade faz parte consideracoes finais acreditase portanto chatbot tende contribuir cenario educacional principalmente atualidade aulas ocorrendo forma remota bem facilitar trabalho professor quanto atendimento tutoria alunos considerase ainda implementacao chatbots necessita grande investimento cenario educacional brasileiro ainda e visto primordial desta forma recursos tendem facilitar potencializar processo ensino aprendizagem diminuir tempo atendimento sanar duvidas principalmente tange ambiente virtual aprendizagem implementados instituicoes publicas curto prazo pois tal outras ferramentas necessitam investimento alto"

Essa comparação permite visualizar as mudanças no texto após cada etapa de pré-processamento no primeiro tweet, destacando a eficácia das transformações realizadas.

5.2.4 Frequência de Termos

Depois de preparar e pré-processar os dados do Twitter, o próximo passo é analisar a frequência dos termos. Isso envolve converter os corpus em um formato mais estruturado e depois contar quantas vezes cada palavra aparece em cada documento. No R, esse processo pode ser realizado usando as funções do pacote tidytext e a criação de Matriz de Termos Documentos. Vejamos como isso é feito:

#Converter para formato tidy
tt1=tidy(cps1)
tt2=tidy(cps2)
tt3=tidy(cps3)

##Contagem por palavras por documento
dtm1=tt1%>%
  unnest_tokens(texto,text,token="words")%>% 
  group_by(id)%>%
  count(texto)%>%
  cast_dtm(id, texto, n,weighting=weightTf)

dtm2=tt2%>%
  unnest_tokens(texto,text,token="words")%>% 
  group_by(id)%>%
  count(texto)%>%
  cast_dtm(id, texto, n,weighting=weightTf)

dtm3=tt3%>%
  unnest_tokens(texto,text,token="words")%>% 
  group_by(id)%>%
  count(texto)%>%
  cast_dtm(id, texto, n,weighting=weightTf)

Este método de análise de frequência de termos permite uma visão quantitativa de quais palavras são mais comuns em diferentes estágios do pré-processamento, ajudando a revelar padrões e temas importantes nos dados do Twitter.

5.2.5 Criação de Nuvens de Palavras com R

Depois de analisar a frequência dos termos nos dados do Twitter, podemos visualizar essas frequências usando nuvens de palavras. Isso nos dá uma representação gráfica intuitiva de quais termos são mais comuns nos tweets. Vamos ver como isso é feito para cada um dos três conjuntos de dados processados::

1. Cálculo das Frequências: Primeiro, calculamos a frequência de cada termo nos matriz de termos documentos e organizamos os termos em ordem decrescente de frequência.

2. Seleção dos Top Termos: Escolhemos os termos mais frequentes para incluir na (neste caso, 200)nuvem de palavras.

3. Criação da Nuvem de Palavras: Usamos ggplot junto com geom_text_wordcloud para criar as nuvens de palavras.

#Frequenciass
freq1=tidy(dtm1)%>%
  count(term,wt=count)%>%
  arrange(desc(n))

freq2=tidy(dtm2)%>%
  count(term,wt=count) %>%
  arrange(desc(n))

freq3=tidy(dtm3)%>%
  count(term,wt=count)%>%
  arrange(desc(n)) 

wordcloud(freq1$term,freq1$n,max.words = 500, random.order = FALSE, colors = brewer.pal(8, "Dark2"))

wordcloud(freq2$term,freq2$n,max.words = 500, random.order = FALSE, colors = brewer.pal(8, "Dark2"))

wordcloud(freq3$term,freq3$n,max.words = 500, random.order = FALSE, colors = brewer.pal(8, "Dark2"))

5.3 N-gramas

5.3.1 1. O que são N-gramas?

N-gramas são sequências contíguas de n itens extraídos de um texto ou de uma fala. Esses itens podem ser palavras, sílabas ou caracteres, e o valor de n define o tamanho das sequências que serão extraídas. Por exemplo, em uma análise de N-gramas com palavras, um unigrama (1-grama) consistirá em uma única palavra, enquanto um bigrama (2-grama) consiste em uma sequência de duas palavras consecutivas, e assim por diante. O valor de n pode ser ajustado de acordo com o nível de granularidade desejado.

A análise de N-gramas oferece uma visão mais detalhada e profunda do conteúdo de um texto, permitindo identificar padrões linguísticos, expressões recorrentes e associações de palavras que podem não ser evidentes em uma simples análise de palavras individuais. É uma ferramenta poderosa na linguística computacional, processamento de linguagem natural (PLN) e em aplicações como modelagem de linguagem, geração de texto, previsão de palavras e até mesmo na análise de sentimentos.

5.3.2 2. Como funciona a análise de N-gramas?

A análise de N-gramas consiste em examinar as combinações de itens (palavras, caracteres ou sílabas) que aparecem de forma contígua no texto, ou seja, sem interrupção. Isso ajuda a capturar a ordem das palavras e a relação entre elas, proporcionando um contexto mais detalhado sobre como os itens são organizados em um texto.

Por exemplo, na modelagem de linguagem, a análise de bigramas pode ajudar a prever a palavra mais provável que venha após uma determinada palavra com base nas frequências de bigramas previamente analisados em um grande conjunto de dados. Da mesma forma, a análise de trigramas pode prever as palavras mais prováveis com base em duas palavras anteriores.

A análise de N-gramas também é amplamente utilizada em tarefas como detecção de plágio, correção automática de textos e reconhecimento de padrões linguísticos. Identificar as combinações de palavras mais frequentes permite uma compreensão mais refinada da linguagem e facilita a automação de várias tarefas relacionadas ao processamento de textos.

5.3.3 3. Tipos de N-gramas

5.3.3.1 Unigramas (1-grama):

Unigramas são sequências compostas por uma única palavra. Nesta abordagem, cada palavra é analisada individualmente, sem levar em consideração o contexto em que aparece. Embora útil para verificar a frequência de palavras, unigramas ignoram o relacionamento entre elas.

Exemplo: “educação”, “tecnologia”, “aprendizado”

5.3.3.2 Bigramas (2-grama):

Bigramas são sequências de duas palavras consecutivas. Essa abordagem começa a capturar o relacionamento entre as palavras, permitindo a identificação de pares de palavras frequentemente usados juntos. A análise de bigramas é útil para detectar expressões comuns ou frases feitas.

Exemplo: “inteligência artificial”, “aprendizado de”, “educação tecnológica”

5.3.3.3 Trigramas (3-grama):

Trigramas são sequências de três palavras consecutivas. Elas oferecem uma visão ainda mais detalhada do texto, capturando combinações de três palavras e revelando padrões mais complexos no uso da linguagem.

Exemplo: “aprendizado de máquina”, “inteligência artificial aplicada”, “educação a distância”

5.3.4 4. Aplicação dos N-gramas: Exemplo Prático

Vamos analisar a frase: “O aprendizado de máquina está revolucionando a educação”

5.3.4.1 4.1 Unigramas (1-grama):

No nível de unigramas, cada palavra da frase é tratada individualmente. Isso fornece uma lista das palavras usadas no texto, sem capturar as relações entre elas:

• “O”
• “aprendizado”
• “de”
• “máquina”
• “está”
• “revolucionando”
• “a”
• “educação”

Cada palavra é isolada, o que pode ser útil para a contagem de frequências de palavras, mas não nos dá informações sobre como elas estão conectadas.

5.3.4.2 4.2 Bigramas (2-grama):

No nível de bigramas, as palavras são agrupadas em pares consecutivos, permitindo identificar as relações diretas entre duas palavras consecutivas:

• “O aprendizado”
• “aprendizado de”
• “de máquina”
• “máquina está”
• “está revolucionando”
• “revolucionando a”
• “a educação”

Esse nível de análise já revela combinações comuns como “aprendizado de” e “de máquina”, oferecendo mais contexto do que a simples análise de unigramas.

5.3.4.3 4.3 Trigramas (3-grama):

No nível de trigramas, as palavras são agrupadas em conjuntos de três consecutivas, fornecendo ainda mais contexto e permitindo a análise de expressões mais complexas:

• “O aprendizado de”
• “aprendizado de máquina”
• “de máquina está”
• “máquina está revolucionando”
• “está revolucionando a”
• “revolucionando a educação”

Aqui, conseguimos identificar expressões mais detalhadas como “aprendizado de máquina” e “máquina está revolucionando”, que oferecem uma visão mais precisa do conteúdo e significado do texto.

5.3.5 Conclusão:

A análise de N-gramas é uma técnica poderosa para compreender a estrutura e os padrões em um texto. Enquanto unigramas fornecem uma visão básica do vocabulário, bigramas e trigramas capturam as relações entre as palavras, revelando expressões, frases comuns e associações que fornecem uma compreensão mais rica do texto. Essa análise é amplamente utilizada em linguística computacional, machine learning, modelagem de linguagem e diversas outras aplicações de processamento de linguagem natural (PLN).

# Gerar bigramas e calcular frequências
bigram_freq <- tt2 %>%
  unnest_tokens(bigram, text, token = "ngrams", n = 2) %>%
  count(id, bigram) %>%
  cast_dtm(id, bigram, n, weighting = weightTf) %>%
  tidy() %>%
  count(term, wt = count, sort = TRUE)%>%
  drop_na()

Warning: Outer names are only allowed for unnamed scalar atomic inputs

wordcloud(bigram_freq$term, 
          bigram_freq$n, 
          random.order = FALSE, 
          colors = brewer.pal(8, "Dark2"), 
          scale = c(2, 0.5))  

5.4 Análise de Sentimentos

A análise de sentimentos, também conhecida como mineração de opinião, é uma área interdisciplinar que estuda opiniões, sentimentos, avaliações e emoções expressas em textos. Essa técnica é fundamental para compreender a intenção emocional por trás das palavras, permitindo inferir se um texto é positivo, negativo, ou expressa emoções específicas como surpresa ou tristeza.

5.4.0.1 Aplicações da Análise de Sentimentos

Esta análise é utilizada em uma variedade de aplicações, especialmente na inteligência de negócios. Algumas aplicações comuns incluem:

• Análise de Discussões em Redes Sociais: Avaliar o sentimento do público sobre tópicos específicos.

• Avaliação de Respostas de Pesquisas: Compreender a reação das pessoas a produtos, serviços ou eventos.

• Análise de Avaliações de Produtos: Determinar se as opiniões expressas sobre um produto são predominantemente positivas ou negativas.

5.4.0.2 Como Funciona a Análise de Sentimentos?

A análise de sentimentos computacional busca determinar automaticamente os sentimentos expressos em um texto. Comumente, os sentimentos são classificados de forma binária (positivo x negativo), mas podem também identificar emoções específicas, como medo, alegria ou raiva.

5.4.0.3 Léxico na Análise de Sentimentos

Um método comum para realizar análise de sentimentos é baseado em um léxico, um dicionário de palavras onde cada termo recebe uma pontuação associada a um sentimento específico. As palavras podem ser classificadas como:

• Positivas, negativas ou neutras.

• Associadas a emoções específicas, como alegria, raiva, tristeza, entre outras.

5.4.0.4 NRC Emotion Lexicon

Um exemplo notável é o NRC Emotion Lexicon, que oferece uma lista extensa de palavras em vários idiomas, incluindo o português, associadas a oito emoções distintas (raiva, medo, antecipação, nojo, tristeza, surpresa, alegria e confiança) e dois sentimentos gerais (positivo e negativo). Mais informações sobre este léxico podem ser encontradas em NRC Emotion Lexicon.

5.4.1 Exemplo Prático

Para ilustrar a utilização arvore de decisão, utilizaremos dados coletados do Twitter no período de 23 a 26 de novembro de 2020, apresentado na seção anterior.

Para exemplificar a utilização da análise de sentimentos em dados do Twitter, vamos prosseguir com o exemplo, utilizando o corpus de tweets pré-processado (sem acentos) e aplicando a análise de sentimentos com o pacote syuzhet. Além disso, usaremos o pacote reshape2 para realizar cálculos sumários.

library(syuzhet)
library(reshape2)
#Converter para formato tidy
tt2=tidy(cps2)

#Transformamos os dados para o formato adequado para análise
TF=tt2%>%
  unnest_tokens(texto,text,token="words")%>%
  mutate_at(vars(id),as.numeric)

Para atribuir sentimentos aos dados de texto, seguimos estes passos no R:

1. Atribuição de Sentimento: Usamos left_join para combinar nossos dados de texto (TF) com um dicionário de sentimentos. Com a função get_sentiment_dictionary('nrc', language = "portuguese") é obtido r um léxico de sentimentos em português. Assim, cada palavra no nosso conjunto de dados é comparada com as palavras no léxico para atribuir um sentimento correspondente.

2. Contagem de Sentimentos por Documento: Após atribuir os sentimentos, agrupamos os dados por documento e contamos quantas vezes cada sentimento aparece. Esse processo nos ajuda a entender a prevalência de diferentes emoções nos documentos.

##ATRIBUIR SENTIMENTO
TF1=TF%>% 
  left_join(get_sentiment_dictionary('nrc', language = "portuguese"),
             by=c("texto"="word"))

###Contar numero de vezes que ocorre cada sentimento ocorre por documento
TF2=TF1%>%
  group_by(id)%>%
  count(sentiment)%>% 
  ungroup()

5.4.2 Preparação dos Dados de Sentimentos para Visualização

Preparar dados de sentimentos para visualização é uma etapa crucial na análise de sentimentos. Essa tarefa envolve reorganizar e resumir os dados para que possam ser visualizados de forma eficaz. Vamos explorar como isso pode ser feito no R:

1. Pivotamento dos Dados: Usamos pivot_wider do pacote tidyr para transformar os dados, colocando cada tipo de sentimento em sua própria coluna. Isso facilita o cálculo de estatísticas e a visualização dos dados.

2. Cálculo de Escores: Calculamos um ‘escore’ para cada documento, que é a diferença entre a soma dos sentimentos positivos e negativos. Isso fornece uma medida geral da valência do sentimento no texto.

3. Média de sentimentos: Calculamos a média dos sentimentos positivos e negativos em todos os documentos

4. Média de emoções: Calculamos também as médias para cada emoção específica
   

##Colocar cada sentimento em uma coluna
Senti=TF2%>%
  pivot_wider(names_from = sentiment, #necessário pacote tidyr
              values_from = n,
              values_fill = 0)%>%
  group_by(id)%>%
  mutate(escore=sum(positive)-sum(negative))%>%
  ungroup()

##Visu
Senti[1:2]

# A tibble: 1 × 2
     id anger
  <dbl> <int>
1     1    23

#Obter valor médio dos sentimentos
sentiment=Senti %>% 
  summarise(
    positivo = mean(positive), 
    negativo = mean(negative)) %>%
  melt #reshape2

sentiment

  variable value
1 positivo   449
2 negativo    76

#Obter emoções
sentiment1=Senti %>% 
  summarise(
    raiva = mean(anger), 
    anticipacao = mean(anticipation), 
    nojo= mean(disgust), 
    medo = mean(fear), 
    tristeza = mean(sadness), 
    alegria= mean(joy), 
    surpresa = mean(surprise), 
    confianca= mean(trust))%>%
  melt #pacote reshape2

sentiment1

     variable value
1       raiva    23
2 anticipacao    79
3        nojo    13
4        medo    45
5    tristeza    34
6     alegria    69
7    surpresa    23
8   confianca   183

5.4.2.1 Visualização dos Resultados

Após a transformação e cálculo das médias, os dados estão prontos para serem visualizados. Podemos criar gráficos para mostrar a distribuição dos sentimentos e emoções nos textos, oferecendo insights valiosos sobre a natureza emocional do conteúdo analisado.

Este gráfico mostra a frequência de diferentes escores de sentimentos nos tweets. Um escore mais alto indica uma prevalência de sentimentos positivos, enquanto um escore mais baixo indica sentimentos negativos. A distribuição desses escores pode revelar o sentimento geral dos tweets.

Em seguida, criamos um gráfico de barras para os sentimentos gerais (positivo e negativo):

##Graficos de sentimentos
ggplot(sentiment, aes(x=variable, y=value,fill=variable)) +
  geom_bar(stat="identity")+
  guides(fill="none")+
  ylab("")+
  xlab("Sentimentos")

Este gráfico mostra a média dos sentimentos positivos e negativos. Ele ajuda a entender qual sentimento é mais predominante no conjunto de dados.

Por fim, visualizamos as emoções específicas com outro gráfico de barras:

##Graficos de emoções
ggplot(data=sentiment1, aes(x=variable, y=value,fill=variable)) +
  geom_bar(stat="identity")+
  guides(fill="none")+
  ylab("")+
  xlab("Emoções")

Este gráfico apresenta a média de cada emoção específica (como raiva, alegria, surpresa, etc.) nos tweets. Ele fornece uma visão detalhada de quais emoções são mais expressas no conteúdo analisado.

5.4.3 Outras Análises de Texto no R

O R oferece uma variedade de pacotes e métodos para realizar análises de texto avançadas, além da mineração de sentimentos. Aqui estão algumas dessas análises (Anandarajan, Hill, and Nolan 2019; Kwartler 2017; J. Silge and Robinson 2017; Kumar and Paul 2016):

5.4.3.1 1. Análise de N-gramas e Redes Textuais

• N-gramas: São combinações de n itens (palavras, caracteres) usados para explorar padrões de linguagem e contextos em textos. A análise de n-gramas é útil para entender a estrutura e o uso da linguagem em um corpus. No R, pacotes como tm (Feinerer and Hornik 2023) e tidytext (Julia Silge and Robinson 2016) podem ser usados para gerar e analisar n-gramas.

• Redes Textuais: Essas redes representam as relações entre palavras ou frases em um texto, visualizando como os termos estão conectados. Isso pode ser feito com pacotes como igraph (Csardi and Nepusz 2006) e ggraph (Pedersen 2022), que permitem a construção e visualização de redes complexas de palavras ou frases.

5.4.3.2 2. Modelos de Classificação de Texto

• Modelos de classificação de texto são utilizados para categorizar textos em diferentes grupos ou classes. Essa análise é fundamental em aplicações como filtragem de spam e categorização de conteúdo. Pacotes como caret (Kuhn and Max 2008), e1071 (Meyer et al. 2023) oferecem ferramentas para treinar e aplicar modelos de classificação, como máquinas de vetores de suporte (SVM) e modelos bayesianos.

5.4.3.3 3. Agrupamento ou Clusterização de Texto

• O agrupamento de texto envolve a organização de textos em grupos baseados em sua similaridade. É uma forma de análise não supervisionada que pode revelar padrões e temas ocultos em grandes conjuntos de dados. Pacotes como cluster (Maechler et al. 2022)e factoextra (Kassambara and Mundt 2020) fornecem métodos para realizar clusterização, como K-means e análise hierárquica.

5.4.3.4 4. Modelagem de Tópicos

• A modelagem de tópicos é uma técnica que identifica tópicos ou temas em um conjunto de documentos. É amplamente utilizada para descobrir estruturas latentes em coleções de texto. O pacote topicmodels (Grün and Hornik 2023)é um dos mais populares no R para esta finalidade, oferecendo implementações de algoritmos como Latent Dirichlet Allocation (LDA).

5.5 Tendências e Avanços na Análise de Texto

As tendências e avanços na análise de texto estão constantemente evoluindo, com novas técnicas e metodologias emergindo regularmente. Vamos explorar essas tendências:

• word2vec: Esta técnica revolucionária, desenvolvida por pesquisadores do Google, transforma palavras em vetores numéricos, capturando seu contexto e relações semânticas. O word2vec é amplamente utilizado para tarefas como agrupamento de palavras semelhantes e analogias de palavras. No R, pacotes como text2vec (Selivanov, Bickel, and Wang 2023) e word2vec (Wijffels and Watanabe 2023) facilitam a aplicação do word2vec.

• doc2vec: Uma extensão do word2vec, o doc2vec é capaz de representar documentos inteiros, não apenas palavras isoladas, em espaços vetoriais. Essa técnica é útil para compreender a semântica em um nível de documento e para tarefas como a comparação de documentos. No R esta técnica pode ser aplicada pelo pacote doc2vec (Wijffels 2021)

• BERT e Transformadores: O BERT (Bidirectional Encoder Representations from Transformers) e modelos baseados em transformadores têm revolucionado o campo do processamento de linguagem natural (PLN). Esses modelos capturam contextos complexos e nuances linguísticas, sendo altamente eficientes em tarefas como compreensão de texto e tradução automática.

• Aprendizado Profundo em PLN: O uso de redes neurais profundas em PLN abriu caminho para avanços significativos em análise de sentimentos, geração de texto, e muito mais.

• Análise de Texto Multilíngue: Com a globalização, cresce a necessidade de ferramentas capazes de analisar textos em múltiplos idiomas. Isso inclui não apenas a tradução, mas também a compreensão e análise de nuances culturais e linguísticas.

• Detecção Automática de Fake News: A identificação de informações falsas ou enganosas é uma área emergente, com a aplicação de técnicas de PLN para detectar e sinalizar conteúdos potencialmente falsos.

• Visualização de Dados de Texto: Avanços em visualização, como nuvens de palavras interativas e mapeamento de tópicos, estão ajudando a tornar a análise de grandes conjuntos de dados textuais mais acessível e compreensível.

Anandarajan, M., C. Hill, and T. Nolan. 2019. Practical Text Analytics: Maximizing the Value of Text Data. Advances in Analytics and Data Science. Springer International Publishing.

Caseli, H. M., and M. G. V. Nunes, eds. 2023. Processamento de Linguagem Natural: Conceitos, Técnicas e Aplicações Em Português. BPLN.

Csardi, Gabor, and Tamas Nepusz. 2006. “The Igraph Software Package for Complex Network Research” Complex Systems: 1695. https://igraph.org.

Feinerer, Ingo, and Kurt Hornik. 2023. “Tm: Text Mining Package.” https://CRAN.R-project.org/package=tm.

Grün, Bettina, and Kurt Hornik. 2023. “Topicmodels: Topic Models.” https://CRAN.R-project.org/package=topicmodels.

Kassambara, Alboukadel, and Fabian Mundt. 2020. “Factoextra: Extract and Visualize the Results of Multivariate Data Analyses.” https://CRAN.R-project.org/package=factoextra.

Kuhn, and Max. 2008. “Building Predictive Models in r Using the Caret Package.” Journal of Statistical Software 28 (5): 1–26. https://doi.org/10.18637/jss.v028.i05.

Kumar, A., and A. Paul. 2016. Mastering Text Mining with r. Packt Publishing.

Kwartler, T. 2017. Text Mining in Practice with r. Wiley.

Maechler, Martin, Peter Rousseeuw, Anja Struyf, Mia Hubert, and Kurt Hornik. 2022. “Cluster: Cluster Analysis Basics and Extensions.” https://CRAN.R-project.org/package=cluster.

Meyer, David, Evgenia Dimitriadou, Kurt Hornik, Andreas Weingessel, and Friedrich Leisch. 2023. “E1071: Misc Functions of the Department of Statistics, Probability Theory Group (Formerly: E1071), TU Wien.” https://CRAN.R-project.org/package=e1071.

Pedersen, Thomas Lin. 2022. “Ggraph: An Implementation of Grammar of Graphics for Graphs and Networks.” https://CRAN.R-project.org/package=ggraph.

Selivanov, Dmitriy, Manuel Bickel, and Qing Wang. 2023. “Text2vec: Modern Text Mining Framework for r.” https://CRAN.R-project.org/package=text2vec.

Silge, J., and D. Robinson. 2017. Text Mining with r: A Tidy Approach. O’Reilly Media.

Silge, Julia, and David Robinson. 2016. “Tidytext: Text Mining and Analysis Using Tidy Data Principles in r” 1. https://doi.org/10.21105/joss.00037.

Wijffels, Jan. 2021. “Doc2vec: Distributed Representations of Sentences, Documents and Topics.” https://CRAN.R-project.org/package=doc2vec.

Wijffels, Jan, and Kohei Watanabe. 2023. “Word2vec: Distributed Representations of Words.” https://CRAN.R-project.org/package=word2vec.