Enriquecimento Semântico de Repositórios Acadêmicos de Computação Utilizando LLM

• Mirelly Barbosa Fontes de Oliveira UFAL
• Valéria Silva Santos UFAL
• Breno Santana Santos UFRN
• Marianne Batista Diniz da Silva UFAL

DOI: https://doi.org/10.5753/erbase.2026.30516

Resumo

A expansão do ensino superior no Brasil impulsionou a produção acadêmica, gerando desafios crescentes para a catalogação e recuperação de informações em repositórios institucionais. Os Trabalhos de Conclusão de Curso (TCCs) são depositados com metadados degradados, incompletos ou genéricos, o que reduz drasticamente a visibilidade da produção científica. Embora a correção manual seja inviável devido ao volume de documentos, o uso de Grandes Modelos de Linguagem (LLMs) surge como uma alternativa para o processamento semântico automatizado. O objetivo deste trabalho é investigar a viabilidade de LLMs no enriquecimento de acervos digitais por meio de um pipeline automatizado baseado no modelo gpt-4o-mini. O sistema foi aplicado em uma base histórica de TCCs de Computação da Universidade Federal de Alagoas (UFAL) e avaliado manualmente por um especialista em uma amostra de 50 trabalhos sob três dimensões conceituais. Os resultados indicam desempenho elevado, com média de 4,80 em relevância e escores iguais ou superiores a 4,47 nas dimensões de especificidade e utilidade de busca. Conclui-se que a abordagem proposta constitui uma alternativa viável e de baixo custo para a padronização semântica de acervos institucionais de graduação, com potencial de integração direta a sistemas de gerenciamento de repositórios.

Palavras-chave: Enriquecimento semântico, Grandes Modelos de Linguagem, Repositórios institucionais, Extração de metadados, Processamento de Linguagem Natural

Referências

Braz, M. P. (2024). Uso da inteligência artificial generativa na iniciação científica: um exercício de design especulativo. Dissertação (mestrado em tecnologias da inteligência e design digital), Pontifícia Universidade Católica de São Paulo (PUC-SP), São Paulo, SP.

Choudhury, M. H., Salsabil, L., Jayanetti, H. R., Wu, J., Ingram, W. A., and Fox, E. A. (2023). Metaenhance: Metadata quality improvement for electronic theses and dissertations of university libraries. In Proceedings of the 2023 ACM/IEEE Joint Conference on Digital Libraries (JCDL).

da Silva, L. F. M. (2025). Análise e Visualização de Trabalhos de Conclusão de Curso utilizando Processamento de Linguagem Natural: Um Método Baseado em Grandes Modelos de Linguagem. Trabalho de conclusão de curso (graduação em tecnologias da informação e comunicação), Universidade Federal de Santa Catarina (UFSC), Araranguá, SC.

Devlin, J., Chang, M.-W., Lee, K., and Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. In Proceedings of the 2019 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies (NAACL-HLT), pages 4171–4186.

dos Santos e Eliseo Berni Reategui, R. A. (2025). Uso de inteligência artificial generativa e análise de palavras-chave para apoiar o planejamento de projetos de pesquisa no ensino superior. RELATEC: Revista Latinoamericana de Tecnología Educativa, 24(2):87–104.

D’souza, J., Sadruddin, S., Israel, H., Begoin, M., and Slawig, D. (2025). Semeval-2025 task 5: Llms4subjects-llm-based automated subject tagging for a national technical library’s open-access catalog. In Proceedings of the 19th International Workshop on Semantic Evaluation (SemEval-2025), pages 2570–2583.

Formánek, M. (2024). Exploring the potential of large language models and generative artificial intelligence (gpt): Applications in library and information science. Journal of Librarianship and Information Science.

INEP (2024). Censo da educação superior.

Lamba, M., Peng, Y., Nikolov, S., Layne-Worthey, G., and Downie, J. S. (2025). Metadata enrichment of long text documents using large language models. arXiv preprint arXiv:2506.20918.

Medina Nieto, M. A., Vázquez Mora, P. D., De la Calleja Mora, J., Tovar Vidal, M., López Domínguez, E., Arrieta Díaz, D., and Bárcenas Patiño, I. E. (2020). Web service to retrieve and semantically enrich datasets for theses from open educational repositories. IEEE Access, 8.

Mihalcea, R. and Tarau, P. (2004). TextRank: Bringing order into texts. In Proceedings of the 2004 Conference on Empirical Methods in Natural Language Processing (EMNLP), pages 404–411.

Mosha, N. and Ngulube, P. (2023). Metadata standard for continuous preservation, discovery, and reuse of research data in repositories by higher education institutions: A systematic review. Information, 14(8).

OpenAI (2024). GPT-4o mini: Advancing Cost-Efficient Intelligence. OpenAI Blog. Acesso em: jun. 2026.

Zhao, W. X., Zhou, K., Li, J., Tang, T., Wang, X., Hou, Y., Min, Y., Zhang, B., Zhang, J., Wang, Z., et al. (2023). A survey of large language models. arXiv preprint arXiv:2303.18223.