SAGAR: Sistema de Apoio à Geração Automática de Resumos com Inteligência Artificial Como Ferramenta Pedagógica Para Docentes

Rhyan Ximenes de Brito; Francisco Alexandre de Araujo Rocha; Francisco Gabriel Braga do Nascimento

doi:10.22481/recic.v8i1.19821

Autores

Rhyan Ximenes de Brito Instituto Federal do Ceará (IFCE) https://orcid.org/0000-0003-3970-5975
Francisco Alexandre de Araujo Rocha Instituto Federal do Ceará (IFCE) https://orcid.org/0009-0008-9862-7763
Francisco Gabriel Braga do Nascimento Instituto Federal do Ceará (IFCE) https://orcid.org/0009-0000-5284-8810

DOI:

https://doi.org/10.22481/recic.v8i1.19821

Palavras-chave:

Inteligência Artificial, Processamento de Linguagem Natural, Reconhecimento Automático de Fala, Sumarização de Texto, Tecnologia Educacional.

Resumo

Este estudo apresenta o SAGAR (Sistema de Apoio à Geração Automática de Resumos), uma solução baseada em Inteligência Artificial desenvolvida para auxiliar docentes na produção automática de resumos estruturados a partir de aulas expositivas. O sistema integra técnicas de Reconhecimento Automático de Fala e Processamento de Linguagem Natural em um pipeline composto por captura de áudio, segmentação temporal, transcrição, sumarização parcial e agregação, com o objetivo de reduzir o esforço necessário para a preparação manual de materiais educacionais pós-aula. A plataforma é destinada ao uso por docentes, e os resumos gerados podem ser compartilhados com os estudantes por meio de canais externos ao sistema. A avaliação inicial foi interna, exploratória e preliminar, sendo conduzida pelos autores em quatro cenários controlados e considerando três dimensões: coerência dos resumos, integridade das transcrições e consistência funcional. As duas primeiras dimensões foram avaliadas por meio de uma escala ordinal de cinco pontos, na qual todas as saídas obtiveram a pontuação máxima de 5,0, enquanto a consistência funcional foi examinada ao longo de cinco etapas do pipeline. Foram realizadas, ao todo, 20 verificações funcionais, todas concluídas sem falhas observáveis, correspondendo a uma taxa descritiva de execução de 100% nos cenários analisados. Esses resultados devem ser interpretados exclusivamente como evidências preliminares do funcionamento do sistema em condições controladas, uma vez que a avaliação não envolveu cegamento, avaliadores independentes, usuários reais ou medidas de concordância entre avaliadores. Como etapa futura, o projeto será submetido a um Comitê de Ética em Pesquisa, a fim de viabilizar uma avaliação externa com participantes humanos em contextos educacionais reais.

Downloads

Não há dados estatísticos.

Biografia do Autor

Rhyan Ximenes de Brito, Instituto Federal do Ceará (IFCE)

Mestre em Engenharia Elétrica e de Computação pela Universidade Federal do Ceará (UFC, 2021). Graduado em Ciências da Computação pela Universidade Vale do Acaraú (UVA, 2004), licenciado em Matemática pela UNIJALES (2017) e em Física pelo UNIBF (2026). Possui diversas pós-graduações lato sensu nas áreas de Ciência de Dados, Inteligência Artificial e Computação Aplicada, incluindo: Ciência de Dados e Inteligência Artificial Aplicada; Machine Learning e Inteligência Artificial; Inteligência Artificial; Data Mining; Ciência de Dados e Big Data Analytics; Big Data e Ciência de Dados; Engenharia de Software; Engenharia de Sistemas; Biotecnologia; Redes e Segurança de Sistemas; Gestão de Projetos e Metodologias Ágeis; além de MBA em Tecnologia para Negócios (AI, Data Science e Big Data). Na área educacional, possui formação em Docência no Ensino Superior, Docência na Educação Profissional, Mídias na Educação, Inclusão Escolar de Estudantes com Altas Habilidades/Superdotação, Programação Neurolinguística (PNL) e Aprendizagem Baseada em Projetos (PBL). É professor efetivo do Instituto Federal de Educação, Ciência e Tecnologia do Ceará (IFCE), atuando nas áreas de Metodologia e Técnicas da Computação e Teoria da Computação. Desenvolve atividades de ensino, pesquisa e extensão em Inteligência Artificial e Inteligência Computacional Aplicada, com foco em Machine Learning, Deep Learning, Processamento Digital de Imagens, Automated Machine Learning (AutoML), Sistemas Neuro-Fuzzy, Física Computacional, Redes Neurais em Grafos e Explainable Artificial Intelligence (XAI).

Francisco Alexandre de Araujo Rocha, Instituto Federal do Ceará (IFCE)

Possui graduação pela Universidade Norte do Paraná (2010), especialização em Redes e Segurança de Sistemas pelo INTA - Instituto de Teologia Aplicada (2011) e Mestrado em Ciências da Computação pela UECE(Universidade Estadual do Ceará). Atualmente é professor concursado do IFCE(Instituto Federal de Educação, Ciência e Tecnologia do Ceará) . Tem experiência na área de Ciência da Computação, com ênfase em Análise de Sistemas, redes e servidores.

Francisco Gabriel Braga do Nascimento, Instituto Federal do Ceará (IFCE)

Possui graduação em Ciência da Computação. Tem experiência na área de Ciência da Computação como professor e desenvolvedor Full Stack.

Referências

I. D. Mienye and T. G. Swart, “A comprehensive review of deep learning: Architectures, recent advances, and applications,” Information, vol. 15, no. 12, p. 755, 2024.

A. Vaswani, N. Shazeer, N. Parmar, J. Uszkoreit, L. Jones, A. N. Gomez, Ł. Kaiser, and I. Polosukhin, “Attention is all you need,” Advances in Neural Information Processing Systems, vol. 30, 2017.

J. Garzon, E. Patiño, and C. Marulanda, “Systematic review of artificial intelligence in education: Trends, benefits, and challenges,” Multimodal Technologies and Interaction, vol. 9, no. 8, p. 84, 2025.

M. Y. Mustafa, A. Tlili, G. Lampropoulos, R. Huang, P. Jandrić, J. Zhao, S. Salha, L. Xu, S. Panda, Kinshuk, et al., “A systematic review of literature reviews on artificial intelligence in education (AIED): A roadmap to a future research agenda,” Smart Learning Environments, vol. 11, no. 1, p. 59, 2024.

D. Zhao, “The impact of AI-enhanced natural language processing tools on writing proficiency: An analysis of language precision, content summarization, and creative writing facilitation,” Education and Information Technologies, vol. 30, no. 6, pp. 8055–8086, 2025.

C. R. d. A. C. Barbosa, “Transformações no ensino-aprendizagem com o uso da inteligência artificial: Revisão sistemática da literatura,” RECIMA21 — Revista Científica Multidisciplinar, vol. 4, no. 5, pp. e453103–e453103, 2023.

I. M. de Vasconcelos, A. J. R. Ambrozio, A. B. B. Almeida, R. A. C. da Silva, G. B. de Sá, M. C. V. Segura, R. Walter, and A. A. G. R. de Oliveira, “O papel da inteligência artificial na educação: Ferramenta de suporte ou substituta?,” Lumen et Virtus, vol. 15, no. 43, pp. 7918–7933, 2024.

N. Kala and A. Ayas, “Effect of instructional design based on cognitive load theory on students’ performances and the indicators of element interactivity,” Journal of Turkish Science Education, vol. 20, no. 3, pp. 468–489, 2023.

I. I. Salame, M. Tuba, and M. Nujhat, “Note-taking and its impact on learning, academic performance, and memory,” International Journal of Instruction, vol. 17, no. 3, pp. 599–616, 2024.

X. Tan, G. Cheng, and M. H. Ling, “Artificial intelligence in teaching and teacher professional development: A systematic review,” Computers and Education: Artificial Intelligence, vol. 8, p. 100355, 2025.

H. C. Araujo, M. O. Lisboa, P. H. C. Pereira, I. d. C. Freitas, M. L. B. Villela, and R. Ferreira, “Desenvolvimento de ferramentas educacionais para computação com apoio de modelos generativos de linguagem,” Revista Brasileira de Informática na Educação, vol. 34, pp. 279–313, mar. 2026.

J. M. Akazaki, L. S. R. Machado, and P. A. Behar, “MOSALA: Modelo socioafetivo baseado em Learning Analytics para auxiliar professores no acompanhamento de estudantes em um ambiente virtual de aprendizagem,” Revista Brasileira de Informática na Educação, vol. 34, pp. 598–625, may 2026.

R. Ranchal, T. Taber-Doughty, Y. Guo, K. Bain, H. Martin, J. P. Robinson, and B. S. Duerstock, “Using speech recognition for real-time captioning and lecture transcription in the classroom,” IEEE Transactions on Learning Technologies, vol. 6, no. 4, pp. 299–311, 2013.

A. Aher, R. Sawant, R. Patil, S. Sabat, and T. Panchal, “Mindscape: An AI-powered study companion integrating natural language processing algorithms,” in 2025 3rd International Conference on Communication, Security, and Artificial Intelligence (ICCSAI), vol. 3, pp. 2116–2121, IEEE, 2025.

E. L. Ecker, L. W. Costa, and L. M. O. de Barros Cardoso, “Uso da lousa digital em sala de aula: Benefícios e desafios,” Revista Ibero-Americana de Humanidades, Ciências e Educação, vol. 11, no. 6, pp. 1997–2006, 2025.

I. Yamamoto and V. B. Barbeta, “Simulações de experiências como ferramenta de demonstração virtual em aulas de teoria de física,” Revista Brasileira de Ensino de Física, vol. 23, pp. 215–225, 2001.

A. da Silva Pereira and A. F. Seoane, “A adequação das legendas automáticas do aplicativo CapCut em vídeos verticais para legendagem para surdos e ensurdecidos,” Revista Linguagem em Foco, vol. 17, no. 3, pp. 168–187, 2025.

A. J. S. d. Souza, A. B. Possato, J. P. Curtulo, D. R. d. Silva, A. C. d. Santos, T. Ferla, M. E. d. Oliveira Junior, and E. H. d. S. Gonçalves, “IA na educação: Tendências e desafios recentes,” Cuadernos de Educación y Desarrollo, vol. 17, no. 5, pp. 1–18, 2025.

D. M. A. d. A. Pestana dos Santos, “Inteligência artificial na educação contemporânea,” Revista Processando o Saber, vol. 17, pp. 51–73, 2025.

C. C. d. Azambuja and G. Ferreira da Silva, “Novos desafios para a educação na era da inteligência artificial,” Filosofia Unisinos, vol. 25, no. 1, pp. 1–16, 2024.

L. Qin et al., “Large language models meet NLP: A survey,” Frontiers of Computer Science, vol. 0, no. 0, pp. 1–35, 2025.

M. M. R. Silva, “Sumarização automática de textos: Desafios e avanços em técnicas de processamento de linguagem natural,” 2023. Trabalho de Conclusão de Curso em Engenharia de Computação.

A. Nenkova and K. McKeown, “A survey of text summarization techniques,” in Mining Text Data, pp. 43–76, Springer, 2012.

M. Zhang, G. Zhou, W. Yu, N. Huang, and W. Liu, “A comprehensive survey of abstractive text summarization based on deep learning,” Computational Intelligence and Neuroscience, vol. 2022, p. 7132226, 2022.

J. Lei et al., “A survey of automatic text summarization with large language model-based methods,” arXiv preprint arXiv , 2025. Survey on ATS and LLM-based summarization methods.

H. P. Luhn, “The automatic creation of literature abstracts,” IBM Journal of Research and Development, vol. 2, pp. 159–165, Apr. 1958.

L. Sodré and H. de Oliveira, “Avaliando algoritmos de regressão para sumarização automática de textos em português do Brasil,” in Anais do XVI Encontro Nacional de Inteligência Artificial e Computacional, pp. 634–645, SBC, 2019.

P. H. Paiola, G. L. Garcia, D. S. Jodas, J. V. M. Correia, L. A. Sugi, and J. P. Papa, “Recognasumm: A novel Brazilian summarization dataset,” in Proceedings of the 16th International Conference on Computational Processing of Portuguese, pp. 575–579, 2024.

T. Zhang, V. Kishore, F. Wu, K. Q. Weinberger, and Y. Artzi, “BERTScore: Evaluating text generation with BERT,” arXiv preprint arXiv:1904.09675, 2019.

F. O. Runstein, Sistema de reconhecimento de fala baseado em redes neurais artificiais. PhD thesis, University of Campinas, Brazil, 1998.

H. Kheddar, M. Hemis, and Y. Himeur, “Automatic speech recognition using advanced deep learning approaches: A survey,” Information Fusion, vol. 109, p. 102422, 2024.

A. Radford, J. W. Kim, T. Xu, G. Brockman, C. McLeavey, and I. Sutskever, “Robust speech recognition via large-scale weak supervision,” in Proceedings of the 40th International Conference on Machine Learning, vol. 202, pp. 28492–28518, PMLR, 2023.

M. Bain, J. Huh, T. Han, and A. Zisserman, “Whisperx: Time-accurate speech transcription of long-form audio,” in Proceedings of INTERSPEECH 2023, pp. 4489–4493, 2023.