Processamento do Discurso em Textos Dissertativos-Argumentativos: Uma Abordagem Baseada em Mineração de Argumentos e Aprendizado Supervisionado de Máquina
Resumo
A identificação da estrutura da argumentação é útil para analisar o discurso e o raciocínio lógico do aluno. O processo de entendimento do discurso abrange a compreensão da morfologia, da sintaxe e da semântica. Neste trabalho, o processamento do discurso segue uma metodologia composta das seguintes fases: (i) criação de um corpus para treinamento e validação da aprendizagem; (ii) implementação da abordagem para mineração de argumentos; e (iii) aplicação de técnicas de aprendizagem de máquina. Os resultados alcançados ficaram entre a média encontrada na literatura para trabalhos realizados na língua inglesa. O destaque foi a identificação da proposta de intervenção, com um valor-F de 0,744.
Palavras-chave:
Estrutura de Argumentação, Processamento do Discurso, Corpus, Aprendizado de Máquina
Referências
Almeida Junior, C. R. C. de, Spalenza, M. A., & Oliveira, E. de. (2017). Proposta de um Sistema de Avaliação Automática de Redações do ENEM Utilizando Técnicas de Aprendizagem de Máquina e Processamento de Linguagem Natural. Computer on the Beach - COTB, 8.,.
Barros, F. de A., & Robin, J. (1996). Processamento de Linguagem Natural (p. 61). Sociedade Brasileira de Computação.
Bazaraa, M. S., Jarvis, J. J., & Sherali, H. D. (2010). Linear Programming and Network Flows (4th ed.). Wiley.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018
Desilia, Y., Utami, V. T., Arta, C., & Suhartono, D. (2017). An attempt to combine features in classifying argument components in persuasive essays. Workshop on Computational Models of Natural Argument - CEUR, 18., 2048(July), 71–75.
Dikli, S. (2006). An Overview of Automated Scoring of Essays. Journal of Technology Learning and Assessment, 5(1).
Gema, A. P., Winton, S., David, T., Suhartono, D., Shodiq, M., & Gazali, W. (2017). It Takes Two to Tango: Modification of Siamese Long Short Term Memory Network with Attention Mechanism in Recognizing Argumentative Relations in Persuasive Essay. Procedia Computer Science, 116, 449–459. https://doi.org/10.1016/j.procs.2017.10.036
Haykin, S. (2001). Redes Neurais: Princípios e Prática (2nd ed.). Bookman.
INEP. (2017). Redação no ENEM 2017: Cartilha do Participante. http://download.inep.gov.br/educacao_basica/enem/guia_participante/2017/manual _de_redacao_do_enem_2017.pdf
Krippendorff, K. (2004). Measuring the Reliability of Qualitative Text Analysis Data. Quality & Quantity, 38(6), 787–800. https://doi.org/10.1007/s11135-004-8107-7
Kurdi, M. Z. (2016). Natural Language Processing and Computational Linguistics 1: Speech, Morphology, Syntax (1st ed.). ISTE - Wiley.
Lima, F., Haendchen Filho, A., Prado, H. Do, & Ferneda, E. (2018). Automatic Evaluation of Textual Cohesion in Essays. International Conference on Computational Linguistics and Intelligent Text - CICLing, 19.,.
Lorena, ana carolina, & Carvalho, A. c. p. l. f. (2007). Uma Introdução às Support Vector Machines. Revista de Informática Teórica e Aplicada, 14(2), 43–67.
Luger, G. F. (2013). Inteligência Artificial (6th ed.). Pearson Education do Brasil.
Nguyen, H., & Litman, D. (2016). Improving Argument Mining in Student Essays by Learning and Exploiting Argument Indicators versus Essay Topics. International Florida Artificial Intelligence Research Society Conference - FLAIRS, 29., 485– 490.
Passero, G. (2018). Detecção De Fuga Ao Tema Em Redações Na Língua Portuguesa. In Dissertação de Mestrado. Universidade do Vale do Itajaí.
Persing, I., & Ng, V. (2016). End-to-End Argumentation Mining in Student Essays. Annual Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies - NAACL-HLT, 1384– 1394. https://doi.org/10.18653/v1/n16-1164
Russell, S., & Norvig, P. (2004). Inteligência Artificial (2nd ed.). Elsevier.
Stab, C., & Gurevych, I. (2017). Parsing Argumentation Structures in Persuasive Essays. Computational Linguistics, 43(3), 619–659. https://doi.org/10.1162/COLI_a_00295
Stab, C., & Gurevych, I. (2014). Identifying Argumentative Discourse Structures in Persuasive Essays. Conference on Empirical Methods in Natural Language Processing - EMNLP, 46–56. https://doi.org/10.3115/v1/d14-1006
Stede, M., & Schneider, J. (2018). Argumentation Mining. Synthesis Lectures on Human Language Technologies, 11(2), 1–191. https://doi.org/10.2200/S00883ED1V01Y201811HLT040
Tahir, S. B. ud D. (2017). Comparative Analysis of Supervised Learning Approaches for Argument Identification. IEEE International Multi-Topic Conference - INMIC, 20., 20, 1–5.
Val, M. da G. C. (2009). Redação e Textualidade (3rd ed.). Martins Fontes.
Walton, D. (2009). Argumentation in Artificial Intelligence. In G. Simari & I. Rahwan (Eds.), Argumentation in Artificial Intelligence. Springer US. https://doi.org/10.1007/978-0-387-98197-0
Barros, F. de A., & Robin, J. (1996). Processamento de Linguagem Natural (p. 61). Sociedade Brasileira de Computação.
Bazaraa, M. S., Jarvis, J. J., & Sherali, H. D. (2010). Linear Programming and Network Flows (4th ed.). Wiley.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20(3), 273–297. https://doi.org/10.1007/BF00994018
Desilia, Y., Utami, V. T., Arta, C., & Suhartono, D. (2017). An attempt to combine features in classifying argument components in persuasive essays. Workshop on Computational Models of Natural Argument - CEUR, 18., 2048(July), 71–75.
Dikli, S. (2006). An Overview of Automated Scoring of Essays. Journal of Technology Learning and Assessment, 5(1).
Gema, A. P., Winton, S., David, T., Suhartono, D., Shodiq, M., & Gazali, W. (2017). It Takes Two to Tango: Modification of Siamese Long Short Term Memory Network with Attention Mechanism in Recognizing Argumentative Relations in Persuasive Essay. Procedia Computer Science, 116, 449–459. https://doi.org/10.1016/j.procs.2017.10.036
Haykin, S. (2001). Redes Neurais: Princípios e Prática (2nd ed.). Bookman.
INEP. (2017). Redação no ENEM 2017: Cartilha do Participante. http://download.inep.gov.br/educacao_basica/enem/guia_participante/2017/manual _de_redacao_do_enem_2017.pdf
Krippendorff, K. (2004). Measuring the Reliability of Qualitative Text Analysis Data. Quality & Quantity, 38(6), 787–800. https://doi.org/10.1007/s11135-004-8107-7
Kurdi, M. Z. (2016). Natural Language Processing and Computational Linguistics 1: Speech, Morphology, Syntax (1st ed.). ISTE - Wiley.
Lima, F., Haendchen Filho, A., Prado, H. Do, & Ferneda, E. (2018). Automatic Evaluation of Textual Cohesion in Essays. International Conference on Computational Linguistics and Intelligent Text - CICLing, 19.,.
Lorena, ana carolina, & Carvalho, A. c. p. l. f. (2007). Uma Introdução às Support Vector Machines. Revista de Informática Teórica e Aplicada, 14(2), 43–67.
Luger, G. F. (2013). Inteligência Artificial (6th ed.). Pearson Education do Brasil.
Nguyen, H., & Litman, D. (2016). Improving Argument Mining in Student Essays by Learning and Exploiting Argument Indicators versus Essay Topics. International Florida Artificial Intelligence Research Society Conference - FLAIRS, 29., 485– 490.
Passero, G. (2018). Detecção De Fuga Ao Tema Em Redações Na Língua Portuguesa. In Dissertação de Mestrado. Universidade do Vale do Itajaí.
Persing, I., & Ng, V. (2016). End-to-End Argumentation Mining in Student Essays. Annual Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies - NAACL-HLT, 1384– 1394. https://doi.org/10.18653/v1/n16-1164
Russell, S., & Norvig, P. (2004). Inteligência Artificial (2nd ed.). Elsevier.
Stab, C., & Gurevych, I. (2017). Parsing Argumentation Structures in Persuasive Essays. Computational Linguistics, 43(3), 619–659. https://doi.org/10.1162/COLI_a_00295
Stab, C., & Gurevych, I. (2014). Identifying Argumentative Discourse Structures in Persuasive Essays. Conference on Empirical Methods in Natural Language Processing - EMNLP, 46–56. https://doi.org/10.3115/v1/d14-1006
Stede, M., & Schneider, J. (2018). Argumentation Mining. Synthesis Lectures on Human Language Technologies, 11(2), 1–191. https://doi.org/10.2200/S00883ED1V01Y201811HLT040
Tahir, S. B. ud D. (2017). Comparative Analysis of Supervised Learning Approaches for Argument Identification. IEEE International Multi-Topic Conference - INMIC, 20., 20, 1–5.
Val, M. da G. C. (2009). Redação e Textualidade (3rd ed.). Martins Fontes.
Walton, D. (2009). Argumentation in Artificial Intelligence. In G. Simari & I. Rahwan (Eds.), Argumentation in Artificial Intelligence. Springer US. https://doi.org/10.1007/978-0-387-98197-0
Publicado
30/06/2020
Como Citar
NAU, Jonathan; DAZZI, Rudimar Luís Scaranto; HAENDCHEN FILHO, Aluizio; FERNANDES, Anita.
Processamento do Discurso em Textos Dissertativos-Argumentativos: Uma Abordagem Baseada em Mineração de Argumentos e Aprendizado Supervisionado de Máquina. In: SEMINÁRIO INTEGRADO DE SOFTWARE E HARDWARE (SEMISH), 47. , 2020, Cuiabá.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 48-59.
ISSN 2595-6205.
DOI: https://doi.org/10.5753/semish.2020.11316.
