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/as

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

Palabras clave:

inteligencia Artificial, Procesamiento del Lenguaje Natural, Reconocimiento Automático del Habla, Resumen Automático de Textos, Tecnología Educativa.

Resumen

Este estudio presenta SAGAR (Sistema de Apoyo a la Generación Automática de Resúmenes), una solución basada en Inteligencia Artificial diseñada para apoyar a los docentes en la producción automática de resúmenes estructurados a partir de clases expositivas. El sistema integra técnicas de Reconocimiento Automático del Habla y Procesamiento del Lenguaje Natural en un pipeline compuesto por captura de audio, segmentación temporal, transcripción, resumen parcial y agregación, con el objetivo de reducir el esfuerzo necesario para la preparación manual de materiales educativos posteriores a las clases. La plataforma está destinada al uso por parte de docentes, y los resúmenes generados pueden compartirse con los estudiantes a través de canales externos al sistema. La evaluación inicial fue interna, exploratoria y preliminar, y fue realizada por los autores en cuatro escenarios controlados, considerando tres dimensiones: coherencia de los resúmenes, integridad de las transcripciones y consistencia funcional. Las dos primeras dimensiones fueron evaluadas mediante una escala ordinal de cinco puntos, en la que todas las salidas obtuvieron la puntuación máxima de 5,0, mientras que la consistencia funcional fue examinada a lo largo de cinco etapas del pipeline. En total, se realizaron 20 verificaciones funcionales, todas completadas sin fallos observables, lo que corresponde a una tasa descriptiva de ejecución del 100% en los escenarios analizados. Estos resultados deben interpretarse exclusivamente como evidencia preliminar del funcionamiento del sistema en condiciones controladas, ya que la evaluación no incluyó cegamiento, evaluadores independientes, usuarios reales ni medidas de concordancia entre evaluadores. Como etapa futura, el proyecto será sometido a un Comité de Ética en Investigación con el fin de posibilitar una evaluación externa con participantes humanos en contextos educativos reales.

Descargas

Los datos de descargas todavía no están disponibles.

Biografía del autor/a

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.

Citas

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.