Suporte à Elaboração de Matriz Curricular e Disciplinas com Inteligência Artificial Generativa e Grafos para Cursos de Graduação
Resumo
Este trabalho propõe um método para suporte à elaboração de matrizes curriculares, integrando técnicas de Inteligência Artificial Generativa (IAGen), Processamento de Linguagem Natural (PLN) e Análise de Grafos. A abordagem utiliza embeddings e similaridade de cosseno para identificar disciplinas semelhantes em matrizes universitárias heterogêneas, gerar novas disciplinas por fusão de conteúdos e estruturar o currículo com base em métricas de centralidade (Grau, Betweenness, Closeness). Os resultados demonstram alta similaridade entre disciplinas criadas e as disciplinas originais, com similaridade média de 0,91 e eficácia na integração interdisciplinar. A matriz gerada no estudo de caso para um curso de Ciência de Dados respeitando as diretrizes da Sociedade Brasileira de Computação (SBC) e matrizes existentes de universidades (UFC/UFPB), além de uma estrutura pedagógica coerente, validada por uma estrutura de grafo curricular com 40 disciplinas e 311 conexões, e pela validação das relações entre as disciplinas na matriz.Referências
Al-Omari, M., Al-Hmouz, A., and Al-Khanjaf, Z. (2020). An nlp-based approach for course similarity detection in curriculum analysis. International Journal of Advanced Computer Science and Applications, 11(6).
Bahroun, Z., Anane, C., Ahmed, V., and Zacca, A. (2023). Transforming education: A comprehensive review of generative artificial intelligence in educational settings through bibliometric and content analysis. Sustainability, 15(17):12983.
Balakrishnan, V. and Lloyd-Yemoh, E. (2014). Stemming and lemmatization: A comparison of retrieval performances. Lecture notes on software engineering, 2(3):262.
Bianchessi, C., editor (2021). Educação, Currículo, Cultura Digital: reflexões para a escola na atualidade. Editora Bagai, Bagé, RS.
Chris, E. and Sheriffdeen, K. (2024). Shaping ai-driven curriculum development: How generative ai is modern educational content.
Cormen, T. H., Leiserson, C. E., Rivest, R. L., and Stein, C. (2022). Introduction to algorithms. MIT press.
da Silveira, A. C., de Faria, A. V., de Azevedo, D. S., de Souza, D. S., Vieira, E. A. O., de Assis, F. A., Andrade, J. A., Braz, J. E., Pinto, K. E. V., Alves, R. L., et al. (2024). PESQUISAS EM EDUCAÇÃO MEDIADA POR TECNOLOGIAS DIGITAIS DE INFORMAÇÃO E COMUNICAÇÃO. Editora BAGAI.
DeepSeek-AI (2024). Deepseek-v3 technical report.
DeepSeek-AI (2025). Deepseek-r1: Incentivizing reasoning capability in llms via reinforcement learning.
Field, A. (2024). Discovering statistics using IBM SPSS statistics. Sage publications limited.
Holmes, W., Miao, F., et al. (2023). Guia para a IA generativa na educação e na pesquisa. UNESCO Publishing.
Kumar, J. A., Zhuang, M., and Thomas, S. (2024). Chatgpt for natural sciences course design: Insights from a strengths, weaknesses, opportunities, and threats analysis. Natural Sciences Education, 53(2):e70003.
Lu, W. and Zoghi, B. B. (2024). Using generative ai for a graduate level capstone course design—a case study. In 2024 ASEE Annual Conference & Exposition.
Mehta, D., Guruprasad, K. R., Wang, Y., Zhu, Y., and Hager, G. D. (2023). Curricullm: A framework for llm-based curriculum generation and task expansion in reinforcement learning. arXiv preprint arXiv:2310.03153.
Nussbaum, Z., Morris, J. X., Duderstadt, B., and Mulyar, A. (2024). Nomic embed: Training a reproducible long context text embedder. arXiv preprint arXiv:2402.01613.
Otte, E. and Rousseau, R. (2002). Social network analysis: a powerful strategy, also for the information sciences. Journal of information Science, 28(6):441–453.
Padovano, A. and Cardamone, M. (2024). Towards human-ai collaboration in the competencybased curriculum development process: The case of industrial engineering and management education. Computers and Education: Artificial Intelligence, 7:100256.
Qu, K., Li, K. C., Wong, B. T., Wu, M. M., and Liu, M. (2024). A survey of knowledge graph approaches and applications in education. Electronics, 13(13):2537.
Saltelli, A., Tarantola, S., Campolongo, F., Ratto, M., et al. (2004). Sensitivity analysis in practice: a guide to assessing scientific models, volume 1. Wiley Online Library.
SBC and ABE (2023). Referenciais de Formação para o Curso de Bacharelado em Ciência de Dados. Porto Alegre: Sociedade Brasileira de Computação (SBC).
Stavrinides, P. and Zuev, K. M. (2023). Course-prerequisite networks for analyzing and understanding academic curricula. Applied Network Science, 8(1):19.
Traag, V. A., Waltman, L., and Van Eck, N. J. (2019). From louvain to leiden: guaranteeing well-connected communities. Scientific reports, 9(1):1–12.
Tuzón, P., Salvà, A. S., and Fernández-Gracia, J. (2024). Complex networks approach to curriculum analysis and subject integration: a case study on physics and mathematics. arXiv preprint arXiv:2412.15929.
White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C., Gilbert, H., Elnashar, A., Spencer-Smith, J., and Schmidt, D. C. (2023). A prompt pattern catalog to enhance prompt engineering with chatgpt.
Yamagiwa, H., Oyama, M., and Shimodaira, H. (2024). Revisiting cosine similarity via normalized ica-transformed embeddings. arXiv preprint arXiv:2406.10984.
Bahroun, Z., Anane, C., Ahmed, V., and Zacca, A. (2023). Transforming education: A comprehensive review of generative artificial intelligence in educational settings through bibliometric and content analysis. Sustainability, 15(17):12983.
Balakrishnan, V. and Lloyd-Yemoh, E. (2014). Stemming and lemmatization: A comparison of retrieval performances. Lecture notes on software engineering, 2(3):262.
Bianchessi, C., editor (2021). Educação, Currículo, Cultura Digital: reflexões para a escola na atualidade. Editora Bagai, Bagé, RS.
Chris, E. and Sheriffdeen, K. (2024). Shaping ai-driven curriculum development: How generative ai is modern educational content.
Cormen, T. H., Leiserson, C. E., Rivest, R. L., and Stein, C. (2022). Introduction to algorithms. MIT press.
da Silveira, A. C., de Faria, A. V., de Azevedo, D. S., de Souza, D. S., Vieira, E. A. O., de Assis, F. A., Andrade, J. A., Braz, J. E., Pinto, K. E. V., Alves, R. L., et al. (2024). PESQUISAS EM EDUCAÇÃO MEDIADA POR TECNOLOGIAS DIGITAIS DE INFORMAÇÃO E COMUNICAÇÃO. Editora BAGAI.
DeepSeek-AI (2024). Deepseek-v3 technical report.
DeepSeek-AI (2025). Deepseek-r1: Incentivizing reasoning capability in llms via reinforcement learning.
Field, A. (2024). Discovering statistics using IBM SPSS statistics. Sage publications limited.
Holmes, W., Miao, F., et al. (2023). Guia para a IA generativa na educação e na pesquisa. UNESCO Publishing.
Kumar, J. A., Zhuang, M., and Thomas, S. (2024). Chatgpt for natural sciences course design: Insights from a strengths, weaknesses, opportunities, and threats analysis. Natural Sciences Education, 53(2):e70003.
Lu, W. and Zoghi, B. B. (2024). Using generative ai for a graduate level capstone course design—a case study. In 2024 ASEE Annual Conference & Exposition.
Mehta, D., Guruprasad, K. R., Wang, Y., Zhu, Y., and Hager, G. D. (2023). Curricullm: A framework for llm-based curriculum generation and task expansion in reinforcement learning. arXiv preprint arXiv:2310.03153.
Nussbaum, Z., Morris, J. X., Duderstadt, B., and Mulyar, A. (2024). Nomic embed: Training a reproducible long context text embedder. arXiv preprint arXiv:2402.01613.
Otte, E. and Rousseau, R. (2002). Social network analysis: a powerful strategy, also for the information sciences. Journal of information Science, 28(6):441–453.
Padovano, A. and Cardamone, M. (2024). Towards human-ai collaboration in the competencybased curriculum development process: The case of industrial engineering and management education. Computers and Education: Artificial Intelligence, 7:100256.
Qu, K., Li, K. C., Wong, B. T., Wu, M. M., and Liu, M. (2024). A survey of knowledge graph approaches and applications in education. Electronics, 13(13):2537.
Saltelli, A., Tarantola, S., Campolongo, F., Ratto, M., et al. (2004). Sensitivity analysis in practice: a guide to assessing scientific models, volume 1. Wiley Online Library.
SBC and ABE (2023). Referenciais de Formação para o Curso de Bacharelado em Ciência de Dados. Porto Alegre: Sociedade Brasileira de Computação (SBC).
Stavrinides, P. and Zuev, K. M. (2023). Course-prerequisite networks for analyzing and understanding academic curricula. Applied Network Science, 8(1):19.
Traag, V. A., Waltman, L., and Van Eck, N. J. (2019). From louvain to leiden: guaranteeing well-connected communities. Scientific reports, 9(1):1–12.
Tuzón, P., Salvà, A. S., and Fernández-Gracia, J. (2024). Complex networks approach to curriculum analysis and subject integration: a case study on physics and mathematics. arXiv preprint arXiv:2412.15929.
White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C., Gilbert, H., Elnashar, A., Spencer-Smith, J., and Schmidt, D. C. (2023). A prompt pattern catalog to enhance prompt engineering with chatgpt.
Yamagiwa, H., Oyama, M., and Shimodaira, H. (2024). Revisiting cosine similarity via normalized ica-transformed embeddings. arXiv preprint arXiv:2406.10984.
Publicado
24/11/2025
Como Citar
FERNANDES, Néfi de Medeiros; BATISTA, Maria da Conceiç ão Moraes; GOUVEIA, Roberta Macedo Marques; MELLO, Rafael Ferreira; ALVES, Gabriel.
Suporte à Elaboração de Matriz Curricular e Disciplinas com Inteligência Artificial Generativa e Grafos para Cursos de Graduação. In: SIMPÓSIO BRASILEIRO DE INFORMÁTICA NA EDUCAÇÃO (SBIE), 36. , 2025, Curitiba/PR.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 495-508.
DOI: https://doi.org/10.5753/sbie.2025.12485.
