Escolar Documentos
Profissional Documentos
Cultura Documentos
T253
Tecnologias e ciências da linguagem [recurso eletrônico] : vertentes
e novas aplicações - volume 2 / organização Luciana Cidrim, Waslon
Lopes, Francisco Madeiro. - 1. ed. - São Paulo : Pá de Palavra, 2020..
recurso digital
Formato: epub
Requisitos do sistema: adobe digital editions
Modo de acesso: world wide web
Inclui bibliografia e índice
ISBN 978-65-88519-02-8 (recurso eletrônico)
Direitos reservados:
PÁ DE PALAVRA
Rua Dr. Mário Vicente, 394 - Ipiranga
04270-000 São Paulo, SP
pabx: [11] 5061-9262
home page: www.padepalavra.com.br
e-mail: producao@padepalavra.com.br
Todos os direitos reservados. Nenhuma parte desta obra pode ser repro-
duzida ou transmitida por qualquer forma e/ou quaisquer meios (eletrônico
ou mecânico, incluindo fotocópia e gravação) ou arquivada em qualquer
sistema ou banco de dados sem permissão por escrito da editora.
ISBN: 978-65-88519-02-8
© da edição: Pá de Palavra, São Paulo, novembro de 2020.
SUMÁRIO
APRESENTAÇÃO............................................................................................................................................7
Roberta Caiado
CAPÍTULO 1
UM ALGORITMO PARA EXTRAÇÃO AUTOMÁTICA DE PARÂMETROS
MÉTRICOS E ACÚSTICOS DO RITMO DA FALA EM L1 E L2..............................................11
Leônidas José da Silva Jr. e Plínio A. Barbosa
CAPÍTULO 2
UM APLICATIVO PARA ESTIMULAR A MEMORIZAÇÃO DE PALAVRAS PARA
ESCOLARES DISLÉXICOS POR MEIO DE UM TECLADO DIGITAL................................ 27
Felipe S. Batista dos Santos, Teófilo Ribeiro, Luciana Cidrim e Francisco Madeiro
CAPÍTULO 3
LETRAMENTO DIGITAL E FORMAÇÃO INICIAL DE PROFESSORES
DE LÍNGUAS EM UMA UNIVERSIDADE COMUNITÁRIA DO RECIFE.......................... 35
Antonio Henrique Coutelo de Moraes
CAPÍTULO 4
MINERAÇÃO DE DADOS TEXTUAIS NÃO ESTRUTURADOS UTILIZANDO
ENSEMBLE DINÂMICO........................................................................................................................... 47
Raquel Bezerra Calado e Alexandre Magno Andrade Maciel
CAPÍTULO 5
RECONHECIMENTO AUTOMÁTICO DE ATIVIDADES HUMANAS.............................. 63
Hemir da Cunha Santiago
CAPÍTULO 6
AUTOMATIZAÇÃO DE CHECAGEM DE FATOS: A EXPERIÊNCIA DE
DESENVOLVIMENTO DO APLICATIVO VERIFIC.AI............................................................... 75
Alice Cristiny Ferreira de Souza, Matheus Barreto Lins Marinho, Dario Brito Rocha Junior,
Anthony José da Cunha Carneiro Lins e Carmelo José Albanez Bastos Filho
CAPÍTULO 7
MINERAÇÃO TEXTUAL PARA RECONHECIMENTO DE EMOÇÕES........................... 87
Ingryd Pereira e George DC Cavalcanti
SOBRE OS AUTORES................................................................................................................................ 99
5
APRESENTAÇÃO
E
sta coletânea, intitulada Tecnologias e Ciências da Linguagem: Verten-
tes e Novas Aplicações – Volume 2, organizada pelos pesquisadores
Luciana Cidrim, Francisco Madeiro e Waslon Lopes, reúne relevan-
tes pesquisas que relacionam o estudo da Linguagem às Tecnologias.
As Tecnologias Digitais da Informação e Comunicação, desde o seu
surgimento, e, de maneira especial, na Era Pandêmica (2020), experimen-
tam um crescente avanço e a sua utilização modifica, cria e recria formas
de convivência social, textos, leituras, ensino, aprendizagens e maneiras do
ser humano interagir no espaço real e cibernético, apropriando-se da mí-
dia digital em favor do fortalecimento dos estudos relacionados à Língua/
Linguagem. A mídia digital permite, atualmente, através da multissemiose,
a articulação de palavras, sons, imagens e movimentos, sincronicamente,
em um meio caracterizado por noções de multilinearidade: links, redes,
flexibilidade, variedade, diversidade e interatividade.
Os conhecidos App (aplicativos), dentre outros dispositivos digitais,
já fazem parte do cotidiano de estudiosos da Linguagem, favorecendo as
relações de interatividade, mobilidade, troca, diálogo, leitura e escrita hi-
pertextual, que se estabelecem entre os indivíduos interligados pelas tec-
nologias, em especial, a telemática digital, objetivando o letramento digital
dos atores comunicacionais envolvidos.
Assim, a relevância deste segundo volume de Tecnologias e Ciências da
Linguagem: Vertentes e Novas Aplicações coaduna-se ao que Lévy (1999, p.
17) denominou de A Era da Informática: “o conjunto de técnicas, de práti-
cas, de atitudes, de modos de pensamento e de valores que se desenvolvem
juntamente com o crescimento do ciberespaço”.
Nesta coletânea, a criação de teias e redes de relações cooperativas está
em sintonia com o que nos é cobrado pela cultura digital – a Cibercultura:
novos espaços de relacionamento interpessoal experienciados ininterrupta e
coletivamente; novos desafios éticos, educacionais, linguísticos e novas ques-
tões sociais, as quais pesquisadores devem procurar entender e explicar.
7
Neste jogo comunicacional, representado pelo Word Cloud, cada capítulo
representa um conjunto de dados construído pelos interlocutores/pesquisadores,
numa dinâmica de partilha, negociação e permanente (re)construção coletiva.
Neste sentido, o primeiro capítulo, intitulado Um Algoritmo para Extração
Automática de Parâmetros Métricos e Acústicos do Ritmo da Fala em L1 E L2
(Leônidas José da Silva Jr.; Plínio A. Barbosa) apresenta um algoritmo (desen-
volvido em PSL) para extração automática de parâmetros métricos e acústicos
(melódicos) do ritmo da fala. A aplicação deste algoritmo envolveu uma pes-
quisa do ritmo do inglês como língua materna (L1) – produzido por falantes
nativos (FN) oriundos dos Estados Unidos – e como língua estrangeira (L2)
produzido por falantes não-nativos do inglês (FNN) e nativos do português
brasileiro. Enfocando o ritmo da fala em L1 e L2 e os parâmetros que têm
sido utilizados para sua captura ao longo das últimas décadas, os autores de-
monstram como se deu o desenvolvimento do script, bem como, o protocolo
de segmentação e etiquetagem dos intervalos para extração dos parâmetros,
inferindo como os falantes se comportam ao falarem o inglês como L1 e L2.
O segundo capítulo, Um Aplicativo para Estimular a Memorização de Pala-
vras para Escolares Disléxicos por meio de um Teclado Digital (Felipe S. Batista dos
Santos; Teófilo Ribeiro; Luciana Cidrim; Francisco Madeiro) tem por objetivo
apresentar um aplicativo que utiliza um teclado digital com diferentes layouts
para estimular a memória visual de palavras frequentemente escritas de modo
incorreto por escolares com dislexia. Este App pode ser incorporado no âmbito
educacional, em paralelo às práticas mais tradicionais de ensino, tais como,
memorização de regras ortográficas, produções de textos e ditados. O App
conta, ainda, com a possibilidade de o educador ou o escolar adicionar novas
palavras e criar novos grupos de palavras, possibilitando um ensino mais lú-
dico e atrativo, colaborando para um processo de ensino-aprendizagem eficaz.
APRESENTAÇÃO 9
denominada Verific.ai, utilizada no combate à desinformação. A partir do
Verific.ai, os autores atestaram a viabilidade de automatizar o processo, bem
como o interesse do público por esse tipo de ferramenta, que entrega deter-
minada autonomia e independência aos usuários de redes sociais digitais e
da internet, para fazer o filtro do que estão consumindo. Os pesquisadores
mostraram que o caminho a perseguir é longo na produção de uma ferra-
menta automatizada, o que de certa maneira compete de forma desleal com
o avanço da tecnologia e a velocidade de processamento, a formatação, a
ressignificação, a produção e o consumo de conteúdo no espaço digital.
Por fim, no sétimo capítulo que tem por título Mineração Textual para
Reconhecimento de Emoções (Ingryd Pereira; George DC Cavalcanti), os au-
tores defendem que o reconhecimento de emoções em texto é uma tarefa
complexa. Essa tarefa enfrenta desafios significativos, como: a dificuldade
de estruturação de informação textual, a padronização e limpeza de dados
textuais, reduzindo a quantidade de dados e deixando apenas os dados im-
portantes para o domínio da aplicação, a dificuldade do reconhecimento im-
posta pela complexidade das emoções, o fato de a emoção não ser um fator
estático em um texto, e a dificuldade de encontrar o modelo que melhor rea-
liza a representação das emoções. No entanto, acreditam eles que os bene-
fícios que o reconhecimento de emoções pode trazer a uma aplicação torna
a área atrativa para pesquisadores, em amplo crescimento, principalmente,
com a popularidade das redes sociais e a geração de conteúdo por usuários.
Para finalizar, permitam-me, leitores, compartilhar a crença que me
faz ser pesquisadora das Tecnologias e Ciências da Linguagem, acredito que
parece existir, ainda, um equívoco conceitual, quando tratamos das Tec-
nologias Digitais da Informação e Comunicação (TDIC). Muitos discursos
proferidos reconhecem as novas TDIC, apenas, como recurso de aprendiza-
gem. Eu acredito nas novas TDIC, também, como meio de aprendizagem. As
tecnologias digitais, a depender do uso que nós, professores/pesquisadores,
delas fazemos, podem conquistar o status de ambiente de aprendizagem, tec-
nologia mediadora, capaz de trazer Novas Aplicações e diferentes Vertentes
aos estudos relacionados às Tecnologias e Ciências da Linguagem.
Desejo uma ótima e inspiradora leitura a vocês!
Roberta Caiado
Professora Pesquisadora
Programa de Pós-graduação em Ciências da Linguagem
Universidade Católica de Pernambuco
1. MOTIVAÇÃO
S
egundo Brinckmann (2014, p. 361), quando pesquisadores de
modo geral foram perguntados o porquê de usar o programa de
análise fonético-acústica Praat (Boersma & Weenink, 2019) em
análises de seus corpora de fala, a maioria apontou a facilidade
de acesso à ferramenta de desenvolvimento de scripts do programa para
automatizar tarefas.
Um corpus de fala geralmente consiste em um conjunto de arquivos
de som e cada um deles associado a um arquivo de anotação e informações
de metadados. Construir um corpus de fala e explorá-lo para responder
questões de pesquisa de caráter fonético-fonológico é um processo que de-
manda uma significativa quantidade de tempo. Muitas das etapas neces-
sárias no processo de construção do corpus e na fase de análise podem ser
facilitadas com o uso de programas (scripts, plug-ins) que rodam a partir
do Praat. De acordo com Boersma (2014, p. 342), os pontos fortes do Praat
estão na análise acústica e anotação dos sons individuais e/ou na análise
de vários arquivos de um dado corpus com a possibilidade de gerar como
arquivo de saída, tabelas prontas para análise estatística; ações que podem
ser realizadas via script.
1
Universidade Estadual da Paraíba – UEPB
2
Universidade Estadual de Campinas – UNICAMP
11
Várias aplicações mostram como os scripts para Praat podem ser em-
pregados tais como: transcrição ortográfica, detecção e anotação de frontei-
ras fonética e prosódica, extração de parâmetros de natureza algébrico-geo-
métrica (Cálculo) e probabilística (Estatística), plotagem de gráficos, dentre
outras. Vale ressaltar, que a Praat Scripting Language (PSL) é uma lingua-
gem de alto nível e que os principais conceitos e elementos básicos de sua
programação são descritos e ilustrados por comandos internos intuitivos e
passíveis de recuperação manual via botões dinâmicos do Menu na tela de
objetos do Praat seguindo a opção: Praat >> New Praat script >> (e no
untitled script) Edit >> Paste history.
Assim, o leitor pode se perguntar: Afinal, qual são as finalidades de se
desenvolver um script para Praat? Elencamos algumas destas:
• Para economizar tempo: as tarefas executadas manualmente podem
levar semanas (ou até meses). Uma vez automatizadas (embora sai-
bamos que se leva algum tempo para escrever o script), tais tarefas
levam minutos (ou segundos);
• Para corrigir um erro facilmente: depois de ter um script, refazer
uma operação semelhante é muito mais fácil;
• Para ser consistente: os procedimentos manuais perdem consistên-
cia após uma série repetitiva, por outro lado, os computadores são
precisos em termos de consistência. Algumas operações podem
ser difíceis de realizar manualmente. Por exemplo, se desejarmos
obter a F0 no ponto médio ou em um quantil exato de um inter-
valo, obter “um ponto médio” ou “um quantil exato” requer uma
série maior de operações manuais com os comandos do Praat que
exigem muita atenção.
Desta forma, apresentamos no presente capítulo um algoritmo (de-
senvolvido em PSL) para extração automática de parâmetros métricos e
acústicos (melódicos) do ritmo da fala. A aplicação deste algoritmo se deu
em pesquisa do ritmo do inglês como língua materna (L1) – produzido por
falantes nativos (FN) oriundos dos Estados Unidos – e como língua estran-
geira (L2) produzido por falantes não-nativos do inglês (FNN) e nativos do
português brasileiro.
Este capítulo está dividido nas seguintes seções: Motivação; Revisão
Teórica, em que falamos de modo breve acerca do ritmo da fala em L1 e
L2 e que parâmetros têm sido utilizados para sua captura ao longo das
últimas décadas; Metodologia, em que mostraremos como se deu o desen-
volvimento do script bem como, o protocolo de segmentação e etiqueta-
2. REVISÃO TEÓRICA
A literatura fonético-fonológica e prosódica conceitua que o ritmo em
Linguística se refere a um movimento marcado por sucessões de batidas
fortes e fracas em um ato de fala. Barbosa e Bailly, (1994) afirmam que o
ritmo é a sensação causada pela sucessão de diferentes graus de proemi-
nência silábica alternadas com sílabas não-proeminentes ao longo do enun-
ciado. Pike (1945) propõe dois tipos rítmicos para classificar as línguas
do mundo: stress-timed rhythm ou ritmo acentual (alternância entre sílabas
acentuadas e não-acentuadas), por exemplo, o inglês – e syllable-timed rhy-
thm ou ritmo silábico – representado uma sucessão de sílabas igualmente
espaçadas por exemplo, o francês.
Com relação aos estudos de ritmo de L2, a literatura fonética estabe-
leceu diferentes parâmetros matemáticos para sua caracterização ao longo
das últimas décadas. Deterding (1994, 2001), Nooteboom (1997), Ramus,
Nespor & Mehler (1999), Galves et al. (2002), Barbosa (2006, 2012), He
(2012), dentre outros, propuseram as chamadas “métricas” e em alguns ca-
sos, alguns desses autores (cf. Galves et al., 2002; He, 2012) utilizaram mé-
tricas como: Média, Desvio padrão, Índices de variabilidade e Derivada,
de duração de intervalos vocálicos e consonantais, para uso em parâme-
tros melódicos e intensivos. Cada estudo evoluía da seguinte forma: eram
utilizados, no máximo, dois parâmetros que funcionavam como variáveis
dependentes e independentes na análise estatística dos resultados.
Apenas na pesquisa de Loukina et al. (2009), foi possível contabilizar
sete métricas com base em uma segmentação automática da fala permi-
tindo aplicar critérios idênticos a todas as línguas envolvidas e calcular
medidas de ritmo em um corpus grande. A limitação da pesquisa se dá
pelo fato de extrair apenas valores de vogais e consoantes não levando em
conta sílabas (fonéticas) nem tampouco parâmetros melódicos com base na
frequência fundamental (F0 ou F0). No entanto, apontaram que as métricas
Figura 1: Lado esquerdo: traçado de F0 da sentença “paw on the mouse” produzida por um
falante estadunidense (porção superior – curva em vermelho) e por um brasileiro (porção
inferior – curva em verde). Lado direito: cotejamento dos traçados de F0 e da marcação do
deslocamento do acento frasal (via tone of break índices – ToBI) indicando relação oposta
entre o falante de inglês/L1 (HL – curva vermelha) e inglês/L2 (LH – curva verde).
Fonte: Os autores.
3. METODOLOGIA
3
O algoritmo apenas não incluiu as seguintes métricas: Syllable Ratio (Gut, 2003) por seu
intervalo de extração levar em conta apenas pares de sílabas com vogais longas e reduzi-
das. Esta definição na literatura é muito controversa, sobretudo em pares silábicos; Control-
-Compensation Index – CCI (Bernietto e Bertini, 2007) que leva em conta a controversa
classificação das línguas quanto ao tipo rítmico; controle (silábico), compensação (acentual).
Além disso, a métrica não dá conta da aplicação em sílabas e propõe que não há variabilidade
de consoantes.
Figura 3: Formulário com os parâmetros de entrada do MAE. De cima para baixo: diretório
dos arquivos; nome da extensão escolhida pelo usuário; idioma a ser capturado; camadas
(tiers) onde a extração dos parâmetros métricos e acústicos irá ocorrer (sílabas fonéticas
(Vonset-Vonset,), fones (em desenvolvimento), vogais (V) e consoantes (C), sentenças sintáticas
(S) e chunks sintático-prosódicos (CH); limiar de F0 (mínimo e máximo); taxa de suavização
de F0; passo para extrair derivada de F0 (em segundos) e o limiar de ênfase espectral.
Fonte: Os autores.
MÉTRICAS ACÚSTICAS
Coef. de variação
V, C, (V ou C), VV Mínima de F0 (F0min) S, CH
(varco)
Índice de variabilidade
V, C, (V ou C), VV Desvio-padrão de F0 (ΔF0) S, CH
bruta (r-PVI)
Índice de variabilidade
V, C, (V ou C), VV Assimetria de F0 (F0sk) S, CH
normalizado (n-PVI)
Taxa de F0 (F0rate) S, CH
4. RESULTADOS
Figura 4: Eixo ‘Y’: Porção superior esquerda (P4.1): % de intervalos de consoantes; porção
superior direita (P4.2): duração (z-score); porção inferior esquerda (P4.3): desvio-padrão das
sílabas fonéticas; porção inferior direita (P4.4): coeficiente de variação das sílabas fonéticas.
Eixo ‘X’: Produção dos trechos sintático-prosódicos pelos FN (AmE) e FNN (BP) de inglês.
Fonte: Os autores.
5. CONCLUSÕES
Neste capítulo, apresentamos a versão 1.0 (alfa) do Metrics and Acousti-
cs Extractor; script utilizado para extração automática de parâmetros mate-
máticos, a saber, métricos e melódicos, do ritmo da fala em inglês como L1
e L2. Com tais parâmetros, é possível inferir estatisticamente, por exem-
plo, quais as maiores dificuldades que um(a) aprendiz brasileiro(a) de inglês
como L2 possui ao falar a língua; ou mesmo, quais aspectos da oralidade os
professores podem potencializar em suas aulas para fazer com que este/a
6. PERSPECTIVAS FUTURAS
Em um trabalho futuro (em desenvolvimento) para a melhoria do
MAE, implementaremos a anotação automática em uma camada de fones
no intuito de aproximar uma relação fonética a segmentos isomórficos aos
fonemas (cf. “Phone Tier” na Figura 3) em que utilizaremos algoritmos ba-
seados no programa (script) ProsodyDescriptor version 2.0 (Barbosa, 2014).
Ademais, realizaremos técnicas que se correlacionam a percepção do
ouvinte como: a) a suavização das durações em z-score (YARDs) a partir
de um filtro de média móvel ponderada de cinco pontos no intuito de fil-
trar fontes adicionais de variação não relacionadas à duração percebida
AGRADECIMENTOS
Agradecemos a concessão de bolsa ao Conselho Nacional de Desenvol-
vimento Científico e Tecnológico (CNPq) – (150143/2018-4) para o primeiro
autor e (302657/2015-0) para o segundo autor.
REFERÊNCIAS
BARBOSA, P. ProsodyDescriptor version 2.0. Script for Praat. 2014.
BARBOSA, P. SGdetector. Script for Praat. 2004.
BARBOSA, P. Conhecendo melhor a prosódia: aspectos teóricos e metodológicos daquilo que mol-
da nossa enunciação. Revista de. Estudos Linguísticos, vol. 20, p. 11-27, 2012.
BARBOSA, P. Incursões em torno do ritmo da fala. Campinas: FAPESP/Pontes Editores, 2006.
BARBOSA, P.; BAILLY, G. Characterisation of rhythmic patterns for text-to-speech synthesis.
Speech Communication, vol. 15, p. 127-137, 1994.
BERNIETTO, P.; BERTINI, C. Towards a unified predictive model of speech rhythm. Quaderni del
Laboratorio di Linguistica della Scuola Normale Superiore di Pisa, vol 07, p. 2-35, 2007.
BOERSMA, P. The Use of Praat in Corpus Research. In: DURAND, J.; GUT, U.; KRISTOFFEN-
SEN, G. (Orgs). The Oxford Handbook of Corpus Phonology. Oxford: OUP, 2014, p. 342-360.
BOERSMA, P.; WEENINK, D. Praat: doing phonetics by computer [Computer program]. Version
6.0, 2019. Disponível em: <http://www.fon.hum.uva.nl/praat/>. Acesso em: março/2019.
BRINCKMANN, C. Praat Scripting. In: DURAND, J.; GUT, U.; KRISTOFFENSEN, G. (Orgs).
The Oxford Handbook of Corpus Phonology. Oxford: OUP, 2014, p. 361-379.
CAROLL, D. Psychology of language. Belmont: Wadsworth, 1994.
DELLWO, V. Rhythm and speech rate: A variation coefficient for deltaC. In:
KARNOWSKI, P.; SZIGET, I. (Orgs.). Language and Language-Processing. Frankfurt: Peter Lang,
2006, p. 231–241.
DELLWO, V.; WAGNER, P. “Relationships between speech rate and rhythm”. In: Proceedings of the
15th ICPhS Barcelona, p. 471-474, 2003.
INTRODUÇÃO
A
dislexia é concebida como um transtorno específico de apren-
dizagem, de origem neurobiológica que compromete a aquisi-
ção da leitura, da escrita e da ortografia (REID; STRNADOVA;
CUMMING, 2013), caracterizado pela dificuldade na habilida-
de de decodificação, soletração, fluência e interpretação. Essas dificulda-
des resultam tipicamente do deficit no componente fonológico da lingua-
gem que é inesperado em relação a outras habilidades (LYON; SHAYWITZ;
SHAYWITZ, 2003; SHAYWITZ, 2006). Na dislexia as dificuldades apre-
sentam-se desde o início da alfabetização (GAGGI et al., 2017; NOGUEI-
RA; CÁRNIO, 2018) e com frequência, o escolar está associado a um baixo
desempenho acadêmico, mesmo atingindo parâmetros cognitivos espera-
dos para a sua faixa etária.
O modelo de ensino tradicional, por sua vez, que privilegia as formas
mais expositivas, geralmente não favorece o aprendizado de escolares com
dislexia. Logo, os métodos mais interativos, práticos e dinâmicos tendem
a estimular a aprendizagem acadêmica de forma mais eficaz (LEÓN; BRA-
VO; FERNÁNDEZ, 2017).
1
Universidade Católica de Pernambuco – UNICAP
27
O avanço da tecnologia vem gerando mudanças e traz novos rumos
para o ambiente educacional (SANDERS, 2018; KRIVEC et al., 2019). A
utilização das Tecnologias da Informação e da Comunicação (TIC) pode
favorecer a aprendizagem acadêmica por meio de conteúdos audiovisuais,
associando palavras, sons e imagens (CIDRIM; MADEIRO, 2017). Os dis-
positivos tecnológicos, em função de sua interatividade, atraem a atenção
dos escolares, sendo também um recurso importante para intervir nas di-
ficuldades acadêmicas de escolares com dislexia. O uso de animações e
desenhos estimula o aprendizado e trabalha a percepção visual da criança
(CAPELLINI et al., 2018).
Em se tratando da linguagem escrita, algumas ferramentas tecnoló-
gicas podem ser utilizadas com escolares disléxicos, como por exemplo, o
teclado digital (HEBERT et al., 2018). Nesse sentido, este capítulo tem por
objetivo apresentar um aplicativo que utiliza um teclado digital com dife-
rentes layouts para estimular a memória visual de palavras frequentemente
escritas de modo incorreto por escolares com dislexia.
MÉTODO
Este aplicativo foi criado por parte de uma equipe multidisciplinar
composta de Fonoaudióloga, Engenheiro, Cientistas da Computação, De-
signer e graduandos do curso de Ciência da Computação da Universidade
Católica de Pernambuco. A equipe vem desenvolvendo aplicativos para
intervir em dificuldades ortográficas em escolares com dislexia no âm-
bito educacional (CIDRIM et al., 2015; CIDRIM; BRAGA, MADEIRO,
2017; SOUTO et al., 2017; CIDRIM; BRAGA; MADEIRO, 2018; GOMEZ;
CIDRIM; MADEIRO, 2019).
O aplicativo foi desenvolvido para o sistema operacional Android. A
versão mínima compatível é Android Oreo (versão 8) e a resolução de tela
mínima compatível é 1080 x 1920 pixels. O aplicativo tem uma tela inicial
cuja finalidade é fornecer ao usuário três fluxos a serem seguidos (Figura
1). São eles:
1. Botão “jogar”, cujo objetivo é iniciar uma tela de menu onde o usuário
é capaz de escolher com quais palavras ele irá jogar (Figura 2).
2. Botão “instruções”, com finalidade de explanar o funcionamento do
aplicativo através de imagens e setas que exemplificam a funciona-
lidade do jogo (Figura 3).
3. Botão “recordes”, que permite listar os recordes e que podem ficar
armazenados após a atividade através de nomes fictícios (Figura 4).
28 Felipe S. Batista dos Santos, Teófilo Ribeiro, Luciana Cidrim e Francisco Madeiro
A tela de menu, na Figura 2, disponibiliza cinco grupos de palavras:
palavras com a letra R (rato/régua) ou o dígrafo RR (carroça/carro), pala-
vras com B (balde/abacaxi) e D (dedo/cadeado), palavras terminadas em R
(professor/mergulhador), palavras com a letra A (abacate/tapete) e a letra
E (escova/pente)e palavras com P (palhaço/sapato) e B (boca/cabide). A es-
colha das palavras foi baseada no estudo de Zorzi (2003) que criou uma
classificação ortográfica para erros frequentemente observados na escrita
de escolares do 1º ao 4º. ano do ensino fundamental.
Uma vez escolhido o grupo de palavras, a partida é iniciada. Como se
observa na Figura 5, a tela de jogo é constituída de um teclado digital que
pode apresentar-se em ordem alfabética ou uma disposição onde as vogais
encontram-se ao lado esquerdo e as consoantes ao lado direito (Figura 6).
Assim, cabe ao jogador escolher qual teclado utilizar.
O s oftware conta com uma funcionalidade de sorteio de palavras. Assim,
após selecionada a palavra, randomicamente, é disposta em tela uma imagem
representativa da mesma, para que haja um exercício visual, onde a criança
faça a associação da palavra com a imagem exibida. Há um botão sonoro pelo
qual o jogador poderá ouvir o áudio da palavra reproduzida pelo software
de sonorização de palavras da Google (Figura 5) para que, além de auxiliar
a identificação da palavra, o usuário possa criar mais uma associação e es-
tabelecer a conexão visual e sonora com a palavra. Além de tais recursos,
um personagem lúdico (um pequeno teclado), que pode ser observado nas
Figuras 3, 7 e 8, foi criado para realizar a comunicação entre o aplicativo e
a criança a fim de criar uma interface mais amigável. O jogador é capaz de
interagir com o g ame através de botões que permitem: confirmar a palavra
escrita pelo usuário, limpar a palavra escrita ou retornar para a tela de menu.
As condições iniciais do jogo são dadas da seguinte forma: O usuário
possui inicialmente três vidas e recebe um ponto por cada palavra escrita
corretamente. Se a palavra for escrita incorretamente, o jogador perde uma
vida. Ao fim das vidas, há a transição para uma tela de segunda chance.
Como pode ser visto na Figura 7, há a possibilidade de o usuário reescrever
a palavra que ele errou. Nesse sentido, há o seguinte balão de fala do per-
sonagem lúdico: “Você só precisa escrever a palavra que errou para ganhar
uma vida extra!”. Caso ele escreva corretamente, é retornado para tela de
jogo em que se encontrava anteriormente, antes de perder a última vida,
e uma nova palavra será selecionada para que ele continue no fluxo com
uma vida extra; caso contrário, ele será direcionado para tela de registro
(Figura 8). Assim, é solicitado que o usuário entre com o seu nome/apelido,
UM APLICATIVO PARA ESTIMULAR A MEMORIZAÇÃO DE PALAVRAS PARA ESCOLARES DISLÉXICOS POR MEIO DE UM TECLADO DIGITAL 29
para que sua pontuação seja registrada no quadro de pontuações, na tela
de recordes. Além disso, é exibida uma mensagem motivacional ao usuário
pelo seu desempenho, a fim de incentivá-lo a continuar praticando. Os da-
dos do usuário não serão aramazenados.
30 Felipe S. Batista dos Santos, Teófilo Ribeiro, Luciana Cidrim e Francisco Madeiro
Figura 4 – Tela de recordes.
Figura 6 – Tela do jogo com a disposição do teclado com vogais e consoantes separadas.
UM APLICATIVO PARA ESTIMULAR A MEMORIZAÇÃO DE PALAVRAS PARA ESCOLARES DISLÉXICOS POR MEIO DE UM TECLADO DIGITAL 31
Figura 7 – Tela de segunda chance.
CONSIDERAÇÕES FINAIS
Este aplicativo pode ser utilizado no âmbito educacional, em paralelo
às práticas mais tradicionais de ensino, tais como, memorização de regras
ortográficas, produções de textos e ditados. Há, ainda, a possibilidade de
o educador ou o escolar adicionar novas palavras e criar novos grupos de
palavras. O uso da tecnologia possibilita um ensino mais lúdico e atrativo,
promovendo interação entre os escolares, colaborando para um processo
de ensino-aprendizagem eficaz.
REFERÊNCIAS
CAPELLINI, S.; LIPORACI, G.; SELLIN, L.; CARDOSO, M.; GIACONI, C.; DEL BIANCO, N. In-
clusion and New Technology for Students with Learning Disorders and Attention Deficit with
Hyperactivity Disorder. Education Sciences and Society, Vol. 9, p. 73-80, 2018.
32 Felipe S. Batista dos Santos, Teófilo Ribeiro, Luciana Cidrim e Francisco Madeiro
CIDRIM, L.; CAJUEIRO, L.; BRAGA, P.; BEZERRA, R.; GAMA, C.; MADEIRO, F. DIS-ORTOGRA-
FANDO: um aplicativo desenvolvido para auxiliar a intervenção com crianças disléxicas. In:
CIDRIM; COSTA (Orgs.) Tecnologias da Informação e da Comunicação (TIC) Aplicadas
às Ciências da Linguagem. Curitiba: CRV, p. 9-22, 2015.
CIDRIM, L.; BRAGA, P.; MADEIRO, F. Prospecção de aplicativos voltados para intervenção na
dislexia. In: LOPES; CIDRIM; MADEIRO (Orgs.). Tecnologias aplicadas às ciências da lin-
guagem. p. 15-38. João Pessoa: Editora da UFPB, 2017.
CIDRIM, L.; BRAGA, P.; MADEIRO, F.; Desembaralhando: Um Aplicativo para a Intervenção no
Problema do Espelhamento de Letras por Crianças Disléxicas. Revista CEFAC, Vol. 20, n. 1,
p. 13-20, 2018.
CIDRIM, L.; MADEIRO, F. Tecnologias da Informação e da Comunicação (TIC) Aplicadas à Disle-
xia: Revisão de Literatura. Revista CEFAC, Vol. 19, n. 1, p. 99-108, 2017.
GAGGI, O.; FACOETTI, A.; GORI, S.; RUFFINO, M.; FRANCESCHINI, S.; GALLIAZZO, G.; CI-
MAN, M.; PALAZZI, C. Serious Games for Early Identification of Developmental Dyslexia.
Computers in Entertainment, Vol. 15, n. 2, p. 89-101, 2017.
GOMEZ, A.; CIDRIM, L.; MADEIRO, F. Brincando de escrever: um aplicativo para auxiliar a escri-
ta de escolares com dislexia. In: CIDRIM; LOPES; MADEIRO (Orgs.) Tecnologias e ciências
da linguagem: vertentes e novas aplicações. São Paulo: Pá de Palavra, 2019.
HEBERT, M.; KEARNS, M.; HAYES B.; BAZIS, P.; COOPER, S. Why Children with Dyslexia Stru-
ggle with Writing and How to Help Them. Language, Speech, and Hearing Services in
Schools, Vol. 49, p. 843-863, 2018.
KRIVEC, T.; BABUDER, M.; GODEC, P.; WEINGERL, P.; ELISINI, U. Impact of digital text varia-
bles on legibility for persons with dyslexia. Dyslexia, Vol. 26, n. 2, 2019.
LEÓN, A.; BRAVO, C.; FERNÁNDEZ A. Review of Android and iOS Tablet Apps in Spanish to Im-
prove Reading and Writing Skills of Children with Dyslexia. Procedia Social and Behavioral
Sciences, n. 273, p. 1383-1389, 2017.
LYON, G.; SHAYWITZ, S.; SHAYWITZ, B. Definiton of Dyslexia. Annals of Dyslexia, Vol. 53, n.
1, p. 1-14, 2003.
NOGUEIRA, D.; CÁRNIO, M. Programa Fonoaudiológico em Compreensão Leitora e Ortografia:
Efeitos na Ortografia em Disléxicos. CoDAS, Vol. 30, n. 2, p. 1-9, 2018.
REID, G.; STRNADOVA, I.; CUMMING, T. Expanding Horizons For Students With Dyslexia In
The 21St Century: Universal Design And Mobile Technology. Journal of Research in Special
Educational Needs, Vol. 13, n. 3, p. 175-181, 2013.
SANDERS, S. Literacy Development: The 21st Century Bilingual Immersion Classroom. Interna-
tional Journal of Bilingual Education and Bilingualism, Vol. 3, n. 2, p. 893– 921, 2018.
SHAYWITZ, S. Entendendo a Dislexia. Um Novo e Completo Programa para todos os níveis
de Problemas de Leitura. Porto Alegre: Artmed, 2006.
SOUTO, T.; CIDRIM, L.; GAMA, C.; MADEIRO, F. Grafitando: Um aplicativo para apoio à Inter-
venção Fonoaudiológica no problema da troca de Grafemas Surdos e Sonorous realizada por
Disléxicos. In: LOPES; CIDRIM; MADEIRO (Orgs.). Tecnologias Aplicadas às Ciências da
Linguagem. p. 71-94. João Pessoa: Editora da UFPB, 2017.
ZORZI, J. Aprendizagem e Distúrbio da Linguagem Escrita: Questões Clínicas e Educacio-
nais. Porto Alegre: Artmed, 2003.
UM APLICATIVO PARA ESTIMULAR A MEMORIZAÇÃO DE PALAVRAS PARA ESCOLARES DISLÉXICOS POR MEIO DE UM TECLADO DIGITAL 33
CAPÍTULO 3 LETRAMENTO DIGITAL
E FORMAÇÃO INICIAL DE PROFESSORES
DE LÍNGUAS EM UMA UNIVERSIDADE
COMUNITÁRIA DO RECIFE
Antonio Henrique Coutelo de Moraes1
INTRODUÇÃO
O
termo letramento, no Brasil, é um conceito recente, inaugurado
por volta de 1980. Antes disso, as pesquisas e estudos relaciona-
dos à apreensão dos códigos pertencentes à língua portuguesa
eram voltados aos processos e métodos de alfabetização, tanto
de crianças quanto de adultos. A falta de um conceito definidor de práticas
mais complexas de escrita e leitura fez com que a palavra e a concepção
de letramento alcançassem espaço na área educacional e das ciências lin-
guísticas, porém cabe aqui destacar que letramento e alfabetização são
fenômenos distintos, como bem explica Soares (2017).
1
Universidade Católica de Pernambuco – UNICAP
35
Soares (2002) comenta que estamos vivendo a introdução, na socieda-
de, de novas e incipientes modalidades de práticas sociais de leitura e de
escrita, propiciadas pelas recentes tecnologias de comunicação e eletrônica
– o computador, a rede (a web), a Internet.
Nessa perspectiva, este capítulo tem o objetivo de investigar em que
medida as TICs estiveram presentes na formação inicial de professores de
línguas em uma universidade comunitária na cidade do Recife. Para tan-
to, buscamos fundamentação em Fuza (2017) Hall (2018), Marzari e Leffa
(2013), Soares (2017), entre outros.
Definir um professor como letrado digitalmente implica, portanto, dizer que esse
sujeito não apenas (re)conhece os recursos tecnológicos que estão à sua dispo-
sição, durante sua atuação didático-pedagógica, mas principalmente se apropria
deles, utilizando-os de forma coerente, reflexiva e criativa e, ao fazê-lo, ensina
seus alunos a ler e a escrever em um ambiente diferente – o digital, que requer
novas práticas de leitura e escrita, decorrentes da substituição do papel (texto
impresso) pela tela (texto digital).
LETRAMENTO DIGITAL E FORMAÇÃO INICIAL DE PROFESSORES DE LÍNGUAS EM UMA UNIVERSIDADE COMUNITÁRIA DO RECIFE 37
Kenski (2013 apud SILVA; FUZA, 2017) é categórico quando afir-
ma ser necessário modificar os métodos de formação dos professores,
pois, com o novo cenário que se avulta, as competências dos futuros
profissionais acontecerão de uma maneira mais coerente com a rea-
lidade. Contudo, profissionais em formação constroem seus conheci-
mentos baseados em uma realidade que já não faz mais parte das
vivências da atualidade.
Isso quer dizer que esse trabalho exige do professor conhecimento
sólido das possibilidades que as tecnologias podem oferecer ao ensino de
línguas. Marzari e Leffa (2013), sobre esse contexto, afirmam que formar
futuros professores de línguas se constitui uma tarefa bastante complexa,
uma vez que é preciso, ao mesmo tempo, ensiná-los e ensiná-los a ensinar.
Tal fato demanda conhecimento, empenho e dedicação de seus formado-
res. Nesse sentido, formar um professor para atuar na sociedade contem-
porânea, ou pós-moderna, mostra-se uma tarefa complexa, principalmente
diante da diversidade de instrumentos de mediação didático-pedagógica
– o que inclui as tecnologias educacionais.
Na era tecnológica, esse desafio ganha ainda mais força, uma vez que parece não
haver tempo suficiente, principalmente por parte de professores, para aprende-
rem a lidar com tanta inovação de uma só vez. Afinal, a grande maioria desses
profissionais não se sente digitalmente letrada, porque, ao longo de sua for-
mação, praticamente não teve acesso a práticas de leitura e escrita propiciadas
pelos usos do computador e da internet (MARZARI; LEFFA, 2013, p. 3).
METODOLOGIA
A pesquisa foi realizada nos cursos de Letras em uma universidade
comunitária da cidade do Recife. A população de estudo se constituiu por
dez (10) sujeitos, estudantes do oitavo período do curso de Letras da univer-
sidade (área de estudo), de ambos os sexos.
Trata-se de um estudo de caráter qualitativo, descritivo. Optamos por
esse tipo de pesquisa para melhor descrever, compreender e explicar as
características da dinâmica de sala de aula, conforme Triviños (2010).
Para a realização da coleta de dados, buscamos realizá-la em dois mo-
mentos: 1) análise da grade curricular, e 2) entrevista com alunos adultos
do curso de Letras. Em seguida, os dados foram registrados a partir da
transcrição das entrevistas e das reflexões acerca da grade curricular, sem
deixar de lado questões vinculadas ao contexto econômico, social e cultu-
ral em que os sujeitos se encontram inseridos.
Na entrevista, buscamos, inicialmente, respostas às seguintes questões:
1) Em que medida a tecnologia esteve presente na sua formação acadêmica?
Descreva situações ou atividades; 2) Cursou/está cursando alguma disciplina
especificamente relacionada à tecnologia? Se sim, a disciplina era parte da
grade curricular do curso de Letras ou de outro curso? E quais os conteú-
dos envolvidos nessa disciplina?; 3) Participou de algum minicurso acerca
do uso de novas tecnologias no ensino de línguas?; 4) Participou de algum
projeto de pesquisa acerca do uso de novas tecnologias no ensino de língua
estrangeira?; 5) Que tecnologias, na sua opinião, são essenciais à formação
de professores de línguas, considerando-se o atual contexto sócio histórico?
LETRAMENTO DIGITAL E FORMAÇÃO INICIAL DE PROFESSORES DE LÍNGUAS EM UMA UNIVERSIDADE COMUNITÁRIA DO RECIFE 39
A análise dos dados foi realizada segundo orientações de Bardin (1977;
2015), com a análise de conteúdo, respeitando os seguintes passos: Os re-
sultados das entrevistas foram transcritos literalmente e, em seguida, rea-
lizamos uma leitura flutuante para a seleção do corpus. Então, realizamos
uma descrição analítica orientada pelas questões de pesquisa e pela funda-
mentação teórica. Por fim, na fase de interpretação referencial, levantamos
reflexões a respeito do conteúdo manifesto e do latente.
O estudo está vinculado ao Projeto de Pesquisa “COMUNICAÇÃO E
TECNOLOGIA: ALGUMAS QUESTÕES DE LEITURA E ESCRITA EM
PRIMEIRA LÍNGUA, SEGUNDA LÍNGUA E LÍNGUA ESTRANGEIRA
POR SURDOS E OUVINTES”, no 502900-LET– 003-2016/1, aprovado
pelo CEP em 28/10/2016 sob o número CAAE 59313816.8.0000.5206.
Todos os sujeitos assinaram o Termo de Consentimento Livre e Escla-
recido digital.
DADOS E DISCUSSÃO
Com o intuito de analisar de que forma as TICs estão inseridas na
formação inicial de professores de línguas em uma universidade comuni-
tária do Recife, aplicamos como instrumento de investigação uma entre-
vista composta por 5 perguntas que abarcaram questões relacionadas ao
uso das tecnologias em ambientes acadêmicos. Um grupo de 10 sujeitos
— concluintes do curso de licenciatura em Letras — foram convidados a
responder o questionário.
Questionamentos sobre o período de formação acadêmica, o estu-
do de disciplinas voltadas à tecnologia — sejam cursadas dentro ou fora
da instituição de origem —, a presença dos formandos em minicursos
específicos sobre os usos da tecnologia no ensino de idiomas, a par-
ticipação em projetos de pesquisa acerca do uso de novas tecnologias
no ensino de uma língua estrangeira e, também, a opinião dos futuros
professores sobre quais tecnologias são indispensáveis à formação da-
queles que pretendem lecionar línguas foram elaborados no intuito de
entender como acontece a inserção das TICs — seja no aprendizado ou
no treinamento dos futuros profissionais — em um curso superior de
licenciatura em Letras.
Os resultados aqui descritos nos apresentaram uma utilização mais
substancial das tecnologias tanto nas exposições de conteúdos em sala
quanto na existência de disciplinas específicas relacionadas à tecnologia.
Sujeito 6 P P Whatsapp
LETRAMENTO DIGITAL E FORMAÇÃO INICIAL DE PROFESSORES DE LÍNGUAS EM UMA UNIVERSIDADE COMUNITÁRIA DO RECIFE 41
A maioria dos sujeitos entrevistados relatou ter algum contato mais
próximo com os recursos tecnológicos ao participarem de disciplinas em
que seus conteúdos foram apresentados mediante computador conectado a
projetor de imagens. Um dos entrevistados afirmou “A tecnologia pouco se
fazia presente. Quando utilizada, era por meio de aparelhos para a repro-
dução de slides.” Outro sujeito declarou: “Durante meu período de gradua-
ção, nem os professores nem nós alunos fizemos muito uso de ferramentas
tecnológicas modernas.”
A partir dos relatos dos entrevistados, ficou aparente a utilização dos
recursos digitais em ambiente acadêmico, embora com menor frequência
do que o esperado em um curso superior, já que utilizar tecnologias signi-
fica vencer obstáculos e aprimorar técnicas e métodos no processo de ensi-
no-aprendizagem. Sabendo da importância da inclusão tecnológica na aca-
demia, “O uso de novas tecnologias permite romper barreiras, uma vez que
elas possibilitam o acesso mundial à informação e colocam o cidadão em
contato com diferentes conteúdos, linguagens e diversidades” (ALMEIDA,
2014, p. 39). Ainda de acordo com a entrevista, as disciplinas relacionadas
às tecnologias somente foram ministradas no último período do curso. “Só
houve imersão nos meios digitais no último período, por meio das discipli-
nas: multiletramentos e laboratório de língua portuguesa”, respondeu um
dos entrevistados.
No tópico que trata sobre os minicursos acerca de novas tecnologias,
a adesão a esse tipo de evento não foi unânime. Apenas metade dos en-
trevistados participaram de algum curso de curta duração destinado ao
estudo de novas tecnologias. Se não houver o envolvimento do professor
em formação no universo tecnológico cada vez mais presente no mundo
contemporâneo, esse futuro profissional terá dificuldades — enquanto pro-
fessor formado — em lidar com as inovações em sala de aula trazidas pelas
TICs. Manfredini (2014) assevera a relevância que as TICs desempenham
no dia a dia dos alunos e professores, por serem ferramentas importantes
ao desempenho de atividades dentro e fora da sala de aula.
Quando perguntados a respeito da participação em projetos de pes-
quisa em relação ao uso de tecnologias no ensino de língua estrangeira,
menos da metade dos sujeitos afirmaram ter se envolvido em algum tipo
de pesquisa científica. A pesquisa na universidade é um evento importante
à formação dos futuros profissionais, independente da área escolhida. Ade-
mais, pesquisar significa aprimorar nossa percepção a respeito do meio em
que estamos inseridos, desmistificando, muitas vezes, através da pesquisa,
CONSIDERAÇÕES FINAIS
Impossível viver nos tempos atuais sem a incorporação em nosso dia a
dia dos aparatos tecnológicos que permeiam as esferas da nossa existência.
LETRAMENTO DIGITAL E FORMAÇÃO INICIAL DE PROFESSORES DE LÍNGUAS EM UMA UNIVERSIDADE COMUNITÁRIA DO RECIFE 43
É essencial também afirmar que, na seara educacional, a tecnologia chegou
para ficar. Antes, a escola detinha a exclusividade das informações para
construir o conhecimento. Hoje, não é que a escola tenha deixado de ser
a protagonista nas relações do saber, mas, com a solidificação da internet
na sociedade, outras fontes de informação são utilizadas como forma de
produção do conhecimento.
De fato, existem muitas informações inautênticas no mundo digital, e
os usuários precisam ter um discernimento mais acurado no momento de
aceitar como verdadeiro ou falso o que recebe da internet.
Os professores de língua, ao se graduarem, devem estar competente-
mente familiarizados com o mundo da tecnologia, pois serão capazes de
elaborar planos de aula mais eficazes e de acordo com a realidade em que
estamos inseridos, além de auxiliar na formação de cidadãos com uma
postura mais crítica quanto às frequentes mudanças que as TICs propor-
cionam a cada ano vindouro.
Ademais, é pertinente mencionar a existência de métodos utilizados
no ensino de línguas que desconsideram elementos pertencentes às me-
todologias tradicionais de ensino, como, por exemplo, o material didático
impresso. Metodologias como o Blended Learning apostam em recursos di-
gitais como ferramentas imprescindíveis ao aprendizado, tornando as aulas
mais dinâmicas e interativas.
Os resultados aqui descritos nos apresentaram uma utilização mais
substancial das tecnologias tanto nas exposições de conteúdos em sala
quanto na existência de disciplinas específicas relacionadas à tecnologia,
embora o quadro branco, a caneta e o papel ainda sejam utilizados com
frequência em ambientes em que o conhecimento deveria ser construído
com o apoio recorrente de mecanismos digitais.
Percebemos, diante das respostas dos entrevistados, um contato mais
consistente com o mundo digital, apesar de a maioria dos relatos ser coin-
cidente ao atestar que a convivência com uma disciplina voltada especifi-
camente ao campo da tecnologia só é efetivada no último período do curso.
É escusado afirmar que a educação, quando respaldada por tecnolo-
gia, torna-se mais envolvente, fazendo com que a aprendizagem seja per-
durável, pois são diversas as formas de abordar os conteúdos trabalhados
pelo professor.
A dinamicidade trazida pelas TICs gerou uma realidade totalmente
diferente da que tínhamos há 20 anos. Por isso, as práticas atuais de en-
sino e aprendizagem de uma língua estrangeira precisam seguir o fluxo
REFERÊNCIAS
ALMEIDA, N. A.; YAMADA, B. A. G. P.; MANFREDINI, B. F.; ALCICI, S. A. R. Tecnologia na
escola: abordagem pedagógica e abordagem técnica. São Paulo: Cengage Learning, 2014.
BARDIN, L. Análise de conteúdo. São Paulo: Edições 70, 2011.
BORTONI– RICARDO, Stella Maris. O professor pesquisador: introdução à pesquisa qualitativa.
São Paulo: Parábola Editorial, 2008.
COSCARELLI, C. V.; RIBEIRO, A. E. (orgs.) Letramento digital: aspectos sociais e possibilidades
pedagógicas. 3. ed., 1. reimp., Belo Horizonte: Ceale; Autêntica Editora, 2014.
FREI, S. et al. Integrating technology into the curriculum. Huntington beach, CA: Shell Edu-
cation, 2011.
FREITAS, M. T. Letramento digital e formação de professores. Educ. rev., Belo Horizonte, v. 26,
n. 3, p. 335-352, dez. 2010. Disponível em: https://bit.ly/33YKVHb. Acesso em: 03 abr. 2020.
LETRAMENTO DIGITAL E FORMAÇÃO INICIAL DE PROFESSORES DE LÍNGUAS EM UMA UNIVERSIDADE COMUNITÁRIA DO RECIFE 45
HALL, J. K. A Transdisciplinary Framework for SLA: Essential Understandings for L2 Researchers
and Teachers. 3L: Language, Linguistics, Literature, Vol 24(4): 1 – 12, 2018.
LOPES, D. V. As novas tecnologias e o ensino de línguas estrangeiras. Revista Científica Tecno-
logus. Recife: Unibratec, 2011.
MARZARI, G.Q.; LEFFA, V.J. o letramento digital no processo de formação de professores de
línguas. #Tear: Revista de Educação Ciência e Tecnologia, Canoas, v. 2, n. 2, 2013. Disponí-
vel em: https://periodicos.ifrs.edu.br/index.php/tear/article/viewFile/1816/1421. Acesso em: 03
abr. 2020.
MATTAR, J. Games em educação: como os nativos digitais aprendem. São Paulo: Pearson Pren-
tice Hall, 2010.
MORAES, A. H. C. ______ Escrita de seis surdos em língua inglesa: novos olhares sobre o pro-
cesso de aquisição de uma língua. Saarbrüken: Novas Edições Acadêmicas, 2015.
__________; CAVALCANTI, W. M. Tecnologias e língua estrangeira: reflexões sobre o ensino de
inglês para surdos. In: CIDRIM, L.; COSTA, S. C. (orgs) Tecnologias da Informação e Co-
municação (TIC) Aplicadas às Ciências da Linguagem. Curitiba: Editora CRV, 2015.
MORAN, J. M.; MASETTO, M. T.; BEHRENS, M. A. Novas tecnologias e mediação pedagógica.
21. ed. rev. e atual., Campinas, SP: Papirus, 2013.
PRENSKY, M. Teaching digital natives: partnering for real learning. Thousand Oaks, CA:
Corwin, 2010.
SILVA, I. C. S.; FUZA, A. F. Tecnologias digitais na formação de professores em letras. Trem de
Letras, v. 3, n. 1, p. 137-161, 2017.
SOARES, M. Alfabetização e letramento. 7. ed., 1. reimp., São Paulo: Contexto, 2017.
SOARES, M. Novas práticas de leitura e escrita: letramento na cibercultura. Educ. Soc., Campi-
nas, v. 23, n. 81, p. 143-160, dez. 2002.
TORI, Romero. Educação sem distância: as tecnologias interativas na redução de distân-
cias em ensino e aprendizagem. 2. ed. São Paulo: Artesanato Educacional, 2017.
TRIVIÑOS, A. N. S. Introdução à pesquisa em ciências sociais: a pesquisa qualitativa em edu-
cação. 19. reimpr., São Paulo: Atlas, 2010.
1. CONTEXTUALIZAÇÃO
G
rande parte do volume de dados armazenada pelas empresas en-
contra-se de forma não estruturada. Esse conjunto de dados não
estruturados representa a maior parte da quantidade de todos os
dados relevantes para os negócios. Espera-se que a importância
desses dados continue aumentando nos próximos anos (SCACCHI, 2017).
Ainda de acordo com Scacchi (2017), o volume de informações não
estruturadas deve crescer a uma taxa média de aproximadamente 62% ao
ano. Em 2022, os dados não estruturados podem chegar a 93% de todos os
dados digitais existentes.
Devido à enorme quantidade de dados não estruturados e à varie-
dade de tipos de dados, as ferramentas tradicionais de processamento
de dados não podem mais lidar com eles. O volume de dados cresceu
exponencialmente devido a eventos como a explosão de dados gerados
por máquinas e ao crescente envolvimento humano nas redes sociais, por
exemplo (EBERENDU, 2016).
Os dados de texto são um bom exemplo de informações não estrutu-
radas, que é uma das formas mais simples de dados que podem ser geradas
na maioria dos cenários. O texto não estruturado é facilmente processado
e percebido pelos humanos, mas é significativamente mais difícil para as
máquinas entenderem (ALLAHYARI et al., 2017).
1
Universidade de Pernambuco – UPE
47
É possível extrair informações úteis de dados não estruturados a par-
tir da aplicação de técnicas de mineração de dados, mais especificamente,
de mineração textual. As abordagens de mineração de texto têm como obje-
tivo extrair conhecimento de dados não estruturados ou semiestruturados.
A mineração de dados consiste na aplicação de algoritmos específicos para
extrair padrões de dados (ALLAHYARI et al., 2017).
Os dados contidos em documentos textuais são, do ponto de vista com-
putacional, classificados como não estruturados, ou seja, não organizados
em uma estrutura uniforme. Porém, analisando o texto de uma perspecti-
va linguística, mesmo um documento bastante inócuo demonstra uma rica
quantidade de estrutura semântica e sintática (FELDMAN; SANGER, 2007).
Essa riqueza é a principal ferramenta das técnicas de mineração textual.
Com o passar do tempo, a mineração de texto evoluiu para abranger
uma estrutura integrada. Incluindo técnicas de aprendizado de máquina,
processamento de linguagem natural (em inglês, Natural Language Proces-
sing – NLP), recuperação de informações (em inglês, Information Retrie-
ver – IR) e gerenciamento de conhecimento (CHAKRABORT; PAGOLU;
GARLA, 2014).
O aprendizado de máquina também evoluiu para melhorar e aprimo-
rar seus algoritmos. Nesse sentido, os Sistemas de Múltiplos Classificado-
res (em inglês, Multiple Classifier Selection – MCS) têm sido muito contem-
plados na literatura. Este tipo de abordagem tem se tornando popular por
oferecer alternativas para lidar com problemas não-ortodoxos no mundo
real, cada vez mais complexos, envolvendo imprecisão, incerteza e alta
dimensionalidade dos dados (WOZNIAK; GRANA; CORCHADO, 2014).
Técnicas baseada em MCS buscam selecionar o classificador apropria-
do ou o grupo de classificadores para resolver um determinado problema
(KO; SABOURIN; BRITTO, 2008). Existem dois possíveis esquemas para
selecionar classificadores com MCS: estática ou dinâmica (LIN et al., 2014).
Uma das abordagens MCS mais promissoras é a Seleção Dinâmica de
Ensemble (em inglês, Dynamic Ensemble Selection – DES) (CRUZ; SABOU-
RIN; CAVALCANTI, 2018). Está técnica seleciona os classificadores no mo-
mento do treinamento, de acordo com cada nova amostra apresentada. A
ideia principal do DES é baseada na suposição de que os classificadores
diferentes terão um melhor desempenho em diferentes regiões do espaço
de entrada. Através do uso de DES, se pode determinar o conjunto de
classificadores que resolvem um determinado problema de maneira ideal
(BALLARD; WANG, 2016).
2 CLASSIFICADORES
Classificadores, dentro do domínio de aprendizagem de máquina, são
essencialmente modelos matemáticos (algoritmos) destinados a capturar
os principais recursos de um determinado problema a fim de derivar solu-
ções artesanais para esse problema. Por exemplo, considere o problema de
definir um processo químico para produzir uma dada molécula. O fluxo
convencional requer que os químicos façam uso de seu conhecimento pré-
vio acerca de modelos e do resultado de reações químicas individuais, para
a partir disso criar uma sequência de etapas adequadas que sintetizam a
molécula desejada. Por outro lado, em sua forma mais básica, o uso de clas-
sificadores substitui a etapa de aquisição de conhecimento de domínio pela
tarefa potencialmente mais fácil de coletar um número suficientemente
grande de exemplos de comportamento desejado para “ensinar” o algorit-
mo/classificador de interesse (SIMEONE, 2018).
A coleção de exemplos usados para alimentar e ensinar ao classifica-
dor sobre determinado domínio constitui o conjunto de treinamento. Os
exemplos no conjunto de treinamento são utilizados para alimentar um al-
goritmo de aprendizado para produzir uma “máquina” treinada que realiza
uma determinada tarefa desejada (SIMEONE, 2017).
O aprendizado dos classificadores pode seguir três principais aborda-
gens: supervisionado, semi-supervisionado ou não supervisionado.
2.1. Supervisionado
2.3. Semi-supervisionado
O aprendizado semi-supervisionado é o ramo do aprendizado de má-
quina relacionado ao uso de dados rotulados e não rotulados para execu-
tar determinadas tarefas de aprendizado. Conceitualmente situado entre o
aprendizado supervisionado e o não supervisionado, ele permite aproveitar
grandes quantidades de dados não rotulados disponíveis em muitos casos
de uso, em combinação com conjuntos tipicamente menores de dados rotu-
lados (VAN; JESPER; HOOS, 2020).
Normalmente, algoritmos de aprendizado semi-supervisionados ten-
tam melhorar o desempenho do aprendizado supervisionado ou do não
supervisionado, utilizando informações de um dos métodos geralmente as-
sociadas às informações do outro. Por exemplo, ao lidar com um problema
de classificação, pontos de dados adicionais para os quais o rótulo é desco-
nhecido podem ser usados para ajudar no processo de classificação. Para
métodos de agrupamento, por outro lado, o procedimento de aprendizado
pode se beneficiar do conhecimento de que determinados pontos de dados
pertencem à mesma classe (VAN; JESPER; HOOS, 2020).
3.1.2 Média
Este método calcula a média dos suportes para cada classe, e a decisão
final é dada pela classe com maior média.
Na Tabela 2, podemos conferir o funcionamento dessa técnica, onde
a Classe A será a resposta dada pelo ensemble, uma vez que o resultado
médio de todos os classificadores foi mais alto em A.
Tabela 2: Média
Fonte: Os autores.
3.1.3 Soma
Este método calcula a soma dos suportes para cada classe, e a decisão
final é dada pela classe com maior soma.
Na Tabela 3, podemos conferir o funcionamento dessa técnica, onde a
Classe A será a resposta dada pelo ensemble, uma vez que a soma das esti-
mativas dos classificadores envolvidos foi maior para A.
Tabela 3: Soma
Fonte: Os autores.
3.1.4 Produto
A Integração por meio do Produto acontece ao multiplicar os suportes para
cada classe, atribuindo a decisão final para a classe que tiver o maior produto.
Tabela 4: Produto
Fonte: Os autores.
3.1.5 Máximo
Este método busca o suporte máximo para cada classe, e atribui a
decisão final para a classe com o maior suporte máximo.
Na Tabela 5, podemos conferir o funcionamento dessa técnica, onde
a Classe B será a resposta dada pelo ensemble, pois como se pode observar,
em B ocorreu a maior probabilidade obtida (0,90) pelos classificadores.
Tabela 5: Máximo
Fonte: Os autores.
3.1.6 Mínimo
Este método calcula busca o suporte mínimo para cada classe, e atri-
bui a decisão final para a classe com o maior suporte mínimo.
Na Tabela 6, podemos conferir o funcionamento dessa técnica, onde
a Classe B será a resposta dada pelo ensemble, pois como se pode observar,
em B ocorreu a menor probabilidade obtida (0,20) pelos classificadores.
Tabela 6: Mínimo
Fonte: Os autores.
5 DISCUSSÃO
Várias pesquisas sobre a utilização de ensemble dinâmico em proble-
mas envolvendo dados não estruturados têm sido desenvolvidas ao longo dos
anos. Nesta seção, são apresentados alguns desses trabalhos. Recentes contri-
buições em distintas áreas de aplicações dentro da mineração textual foram
levantadas, onde, nestes estudos, as técnicas dinâmicas foram utilizadas e re-
sultados promissores obtidos. A Tabela 7 apresenta alguns desses trabalhos.
Análise de combinação Boosting dynamic COSTA, J., SILVA, Neural Computing 2019
de métricas ensemble’s performance C., ANTUNES, M., and Applications
para aumentar o in Twitter RIBEIRO, B.
desempenho do
ensemble dinâmico.
6. CONSIDERAÇÕES FINAIS
Neste Capítulo, foi apresentada uma técnica que tem apresentado alto
desempenho para lidar com dados textuais não estruturados, o ensemble
dinâmico. Foi mostrado que essa técnica é uma ferramenta poderosa para
lidar com esse tipo de dado e tem sido largamente explorada pela academia
nos últimos anos.
Os trabalhos discutidos são encorajadores. A ideia de se ter algoritmos
especialistas em cada uma das instâncias que lhe forem apresentadas nos
abre um leque de novas possibilidades de aplicações.
REFERÊNCIAS
ALLAHYARI, M.; POURIYEH, S.; ASSEFI, M.; SAFAEI, S.; TRIPPE, E. D.; GUTIERREZ, J. B.;
KOCHUT, K. A brief survey of text mining: classification, clustering and extraction techniques.
Computer Science, 2017.
ALMEIDA, H. A. Método para seleção dinâmica de conjunto de classificadores (Mestrado em En-
genharia da Computação) – Centro de Informática, Universidade Federal de Pernambuco.
Recife. 2011.
AZIZI, N.; FARAH, N. From static to dynamic ensemble of classifiers selection: application to ara-
bic handwritten recognition. International Journal of Knowledge-based and Intelligent
Engineering Systems, Vol. 16, n. 4, p. 279-288, 2012.
BALLARD, C.; WANG, W. Dynamic ensemble selection methods for heterogeneous data mining.
World Congress on Intelligent Control and Automation (WCICA). LNCS, Vol. 12, p. 1021–
1026. 2016.
CALADO, R. B.; MACIEL, A. Mineração de dados não estruturados utilizando uma combinação de
redes complexas e ensemble dinâmico. Dissertação (Mestrado em Engenharia da Computação)
– Escola Politécnica do Recife, Universidade de Pernambuco. Recife. 2019.
CAVALIN, P. R.; SABOURIN, R.; SUEN, C. Y. Dynamic selection approaches for multiple classifier
systems. Springer. Neural Computing and Applications, Vol. 22, n. 3-4, p.673–688, 2013.
CHAKRABORTY, G.; PAGOLU, M.; GARLA, S. Text mining and analysis: practical methods,
examples, and case studies using SAS. SAS Institute, 2014.
O
movimento humano tem sido objeto de investigação desde o
século V, quando os primeiros cientistas e pesquisadores ten-
taram modelar o sistema músculo-esquelético humano. As
complexidades anatômicas do corpo humano o tornaram uma
fonte constante de pesquisa até hoje, com muitos estudos anatômicos, fisio-
lógicos, mecânicos, sociológicos e psicológicos realizados para definir seus
elementos-chave (GODFREY et al., 2008).
O reconhecimento de atividades humanas é o processo de identifi-
car corretamente os movimentos realizadas pelo indivíduo. Existem várias
aplicações nesta área, tais como: vídeos de vigilância, interação homem-
-máquina (HCI – Human-Computer Interaction), análises estatísticas em es-
portes, cuidados médicos etc. Esse tipo de reconhecimento fornece um
método mais natural de interagir com o computador do que os convencio-
nais mouse e teclado. Em sistemas de cuidados médicos, as atividades dos
pacientes podem ser monitoradas para facilitar uma recuperação mais rápi-
da (AGGARWAL; RYOO, 2011). Devido à grande variedade de aplicações,
o reconhecimento de atividades humanas se tornou um tópico importante
na comunidade científica, com muitas pesquisas sendo realizadas em todo
o mundo (RAMASAMY RAMAMURTHY, 2018; WANG, 2019).
Em princípio, a movimentação humana pode ser vista apenas como
uma simples atividade física provocada pela contração voluntária dos mús-
culos, porém qualquer movimentação é complexa a ponto de ter relações
com fenômenos relacionados às condições de saúde ou até mesmo ao esta-
do psicológico de um indivíduo (BONOMI, 2010; GODFREY et al., 2008).
63
A atividade humana é geralmente acompanhada com manifestação na po-
sição de partes do corpo, tais como braços erguidos, joelhos dobrados, dedo
em riste, piscar de olhos e outras condições fisiológicas. Neste capítulo, é
abordado o reconhecimento automático das atividades humanas a partir
dos movimentos do corpo ou partes dele.
A habilidade para reconhecer atividades humanas complexas a par-
tir de vídeos possibilita a construção de algumas aplicações importantes.
Sistemas de segurança automatizados em locais públicos como aeropor-
tos e estações de metrô precisam da detecção de atividades suspeitas e
anormais, ignorando as atividades normais. Por exemplo, um sistema
de segurança em um aeroporto deve ser capaz de automaticamente re-
conhecer atividades suspeitas como “uma pessoa deixando uma bolsa”
ou “uma pessoa colocando a sua bolsa em uma lata de lixo”. O reco-
nhecimento de atividades humanas também possibilita o monitoramento
em tempo real de pacientes, crianças e pessoas idosas. A construção de
interfaces homem-máquina baseadas em gestos e ambientes inteligentes
baseados em visão se torna possível com um sistema de reconhecimento
de atividades.
A monitoração contínua e o reconhecimento dos movimentos possibi-
litam uma grande oferta de serviços personalizados em diferentes áreas,
tais como: esportes, segurança, cuidados médicos, rastreamento, residên-
cias inteligentes, interfaces para jogos etc (SILVA, 2013). A Tabela 1 apre-
senta aplicações de reconhecimento de atividades humanas.
No entanto a coleta contínua de informações sobre os movimentos
do usuário pode ser incômoda, além de interferir na execução natural das
suas atividades. Portanto, a escolha adequada da técnica de monitoração
está diretamente relacionada com o desempenho do sistema de reconheci-
mento de atividades. Diversas técnicas podem ser utilizadas para avaliar
e coletar dados sobre a movimentação do indivíduo. Estas técnicas podem
ser divididas em: baseadas em vídeo, na instrumentação do ambiente e em
sensores “vestíveis” (SILVA, 2013).
As técnicas baseadas em vídeo estão associadas ao uso de câmeras,
geralmente em ambiente especialmente preparado e controlado, que ras-
treiam as atividades do usuário continuamente. As desvantagens são a
invasão de privacidade do indivíduo e as dificuldades relacionadas ao
processamento de imagens, quando existem variações de luminosida-
de, mudanças no ambiente, ou múltiplas pessoas nas cenas capturadas
(KHAN, 2011).
4. CONCLUSÃO
Apesar de o reconhecimento de atividades humanas, como forma de
analisar o comportamento do indivíduo, ser um assunto pesquisado desde
o século XIX, atualmente ainda é um tema que apresenta diversos de-
safios. Realizar esse tipo de reconhecimento de forma automatizada fez
surgir a possibilidade de tornar mais natural a interação entre o homem e
a máquina, visto que um movimento do corpo pode transmitir uma men-
sagem completa, mesmo sem o recurso da linguagem. Sendo considerado
um tipo de comunicação não verbal.
A comunicação não verbal ocorre por meio de gestos, sinais, códigos
sonoros, expressões faciais ou corporais, imagens ou outros códigos repre-
sentativos. Essa comunicação pode ser utilizada de forma isolada, a exem-
REFERÊNCIAS BIBLIOGRÁFICAS
AGGARWAL, Jake K.; RYOO, Michael S. Human Activity Analysis: A Review. ACM Computing
Surveys (CSUR) Journal, v. 43, n. 3, p. 1-43, abril, 2011.
AGGARWAL, Jake K.; XIA, Lu. Human activity recognition from 3d data: A review. Pattern Re-
cognition Letters, v. 48, p. 70-80, outubro, 2014.
BONOMI, A. G. Physical Activity Recognition Using aWearable Accelerometer: New Pers-
pectives for Energy Expenditure Assessment and Health Promotion. PhD thesis – Uni-
versitaire Pers Maastricht, Eindhoven, 2010.
BROOKE, J.; WHITING, H. Human Movement: A Field of Study: 1. ed. London: Henry Kimpton
Publishers, 1973.
DARTFISH. Disponível em: <https://www.dartfish.com/>. Acesso em: 06 mar. 2020.
EYESIGHT Automotive Solutions. Disponível em: <https://bit.ly/3j6mGLo>. Acesso em: 01 mar. 2020.
EYESIGHT Viewer Sense. Disponível em: <https://bit.ly/3nX9v3f>. Acesso em: 01 mar. 2020.
GODFREY, ACRMDOG et al. Direct measurement of human movement by accelerometry. Medi-
cal engineering & physics, v. 30, n. 10, p. 1364-1386, dezembro, 2008.
GOM CORRELATE. Disponível em: <https://bit.ly/3dyali1>. Acesso em: 06 mar. 2020.
HAMILL, J.; KNUTZEN, K. Biomechanical Basis of Human Movement: 2. ed. Baltimore: Lippin-
cott Williams & Wilkins, 2003.
KHAN, A. M. Human Activity Recognition Using a Single Tri-axial Accelerometer. Phd The-
sis – Department of Computer Engineering, Kyung Hee University. Seoul, 2011.
RAMASAMY RAMAMURTHY, Sreenivasan; ROY, Nirmalya. Recent trends in machine learning
for human activity recognition — A survey. Wiley Interdisciplinary Reviews: Data Mining
and Knowledge Discovery, v. 8, n. 4, p. e1254, 2018.
SILVA, F. G. Reconhecimento de Movimentos Humanos Utilizando um Acelerômetro e
Inteligência Computacional. Dissertação (Mestrado em Engenharia) – Escola Politécnica da
Universidade de São Paulo. São Paulo, p. 105. 2013.
TREW, M.; EVERETT, T. Human Movement: An Introductory Text: 4. ed. Edinburgh: Churchill
Livingstone, 2001.
QI, Wenjuan; YIN, Bo; WU, Jiaojiao. Human Activity Recognition Based on Improved Diamond
Search Block-Matching Method. In: 2011 Fourth International Symposium on Computa-
tional Intelligence and Design. IEEE, 2011. p. 236-239.
WANG, Jindong et al. Deep learning for sensor-based activity recognition: A survey. Pattern Re-
cognition Letters, v. 119, p. 3-11, Março, 2019.
1. INTRODUÇÃO
E
m 2017, o termo do ano eleito pelo Dicionário Collins3 foi “Fake
News” (notícias falsas, em português). Esse acontecimento ocor-
reu devido ao fato de um aumento na sua utilização em 365%
em relação ao ano de 20164. Porém, a criação e disseminação de
conteúdos falsos não é uma novidade dos últimos séculos (KAKUTANI,
2018), há quem diga que isto é contemporâneo ao surgimento da própria
linguagem (FIRMO, 2018).
O crescimento das “Fake News” foi estimulado pela mudança na socieda-
de, que passou a viver cada vez mais em rede (CASTELLS, 2017), se organiza-
do em torno de universos interconectados de comunicação digital impulsio-
nados pela internet. A sociedade em rede gerou uma redução da complexida-
de e agilidade na dispersão de conteúdo, permitindo assim que uma notícia,
seja ela verdadeira ou falsa, escrita por qualquer indivíduo, atinja um público
de centenas de milhões de leitores (ALLCOTT; GENTZKOW, 2017).
Mas o que seriam essas notícias falsas? Esse termo tem sido utilizado
para rotular informações adulteradas no contexto ou que são produzidas
1
Universidade Católica de Pernambuco
2
Universidade de Pernambuco
3
Disponível em: <https://bit.ly/3dwZpRE> Acesso em: 07 mai. 2020..
4
Disponível em: <https://bit.ly/3nZoxFN> Acesso em 07 mai. 2020.
75
com o intuito de manipular os leitores (CARDOSO DURIER DA SILVA et
al., 2019). Segundo Tandoc Jr., Lim e Ling (2017), o conceito vem servindo
para designar diferentes tipos de informação: sátira, paródia, fabricação,
manipulação, publicidade e propaganda.
Por isso, há quem diga que “fake news” é um termo obsoleto ou in-
completo e prefira denominar o fenômeno de “desordens da informação”
(WARDLE, 2017). Muito embora ele esteja documentado em diversos mo-
mentos da história, devido ao novo cenário provocado pela sociedade em
rede, assume o protagonismo das preocupações globais do jornalismo e das
comunicações (LAZER et al., 2018) no século 21.
A desinformação tem sido capaz de influenciar o comportamento e a
opinião de pessoas nos mais variados assuntos e perspectivas, entre eles:
saúde, tendo como exemplo no ano de 2020 a infodemia a respeito da CO-
VID-195; e política e economia, onde a desinformação teve seu foco em elei-
ções, principalmente após os casos da Cambridge Analytics (MONTEIRO
et al., 2018).
Este capítulo está organizado da seguinte forma: na seção 2 são abor-
dados os limites e possibilidades no combate da desinformação; a seção
3 do aplicativo Verific.ai, explicando sua estrutura e seu funcionamento
e; por fim na seção 4, encontram-se as conclusões e os trabalhos futuros
relacionado a experiência do desenvolvimento de uma ferramenta para au-
tomatização de checagem de fatos.
5
Disponível em: <https://bit.ly/2GX5uvb> Acesso em 07 mai. 2020.
76 Alice Cristiny F. de Souza, Matheus B. L. Marinho, Dario B. Rocha Jr., Anthony José da C. C. Lins e Carmelo José A. B. Filho
atrelada a essa solução, a conclusão da veracidade do fato analisado pode
demorar dias (HASSAN et al., 2015).
Apesar de os serviços de fact-checking serem uma solução para o com-
bate à desinformação, é importante ressaltar que as mesma se propaga em
grande volume e em rápida velocidade nos meios digitais, tornando esse
processo um desafio (GRAVES, 2018) que demanda uma necessidade para
a criação de sistemas automatizados de verificação de fatos (AFC, sigla em
inglês para Automated Fact-Checking).
A junção do conhecimento jornalístico com as abordagens de Inteli-
gência Computacional tem apontado um caminho viável no combate à de-
sinformação (SOUZA, 2019), pois, através de técnicas de aprendizagem de
máquina e processamento de linguagem natural, faz-se possível a extração
de padrões escondidos nas notícias, possibilitando a construção de mode-
los inteligentes para a classificação da veracidade de um fato. Essa realida-
de, aliada ao processo eleitoral subsequente no Brasil, foi considerada uma
janela de oportunidade para o estudo, concepção, desenvolvimento e teste
de uma ferramenta de AFC (IDEM).
6
Ver: <https://www.google.com.br/> Acesso em 07 mai. 2020.
78 Alice Cristiny F. de Souza, Matheus B. L. Marinho, Dario B. Rocha Jr., Anthony José da C. C. Lins e Carmelo José A. B. Filho
Figura 2: sequência de ações de funcionamento do Verific.ai
Fonte: (SOUZA, 2019)
7
Disponível em: <https://developer.android.com/> Acesso em 07 mai. 2020.
8
Disponível em: <https://www.python.org/> Acesso em 07 mai. 2020.
9
Disponível em: <https://bit.ly/3nPVKCA> Acesso em 18 dez. 2019.
Critério Justificativa
Se a notícia está em um site já Muita gente vem trabalhando para ajudar a população a
conhecido por compartilhar escapar das notícias falsas, como os serviços de fact-checking e
notícias falsas verificação. Eles já identificaram sites que costumam publicar
conteúdo falso.
10
Disponível em: <https://bit.ly/3588qNz> Acesso em 05 mai. 2020.
11
Disponível em: <https://www.factcheck.org/> Acesso em 05 mai. 2020.
12
Disponível em: <https://bit.ly/3nSUv6B> Acesso em 05 mai. 2020.
80 Alice Cristiny F. de Souza, Matheus B. L. Marinho, Dario B. Rocha Jr., Anthony José da C. C. Lins e Carmelo José A. B. Filho
Se a informação disponível no Sites de notícias falsas costumam usar títulos impactantes para
título está nos dois primeiros atrair leitores, mas nem sempre confirmam o fato no texto.
parágrafos da notícia
13
Disponível em: <https://bit.ly/34ZiKqW> Acesso em 11 mai. 2020.
14
Disponível em: <https://projetocomprova.com.br/> Acesso em 08 mai. 2020.
15
Disponível em: <https://aosfatos.org/> Acesso em 08 mai. 2020.
82 Alice Cristiny F. de Souza, Matheus B. L. Marinho, Dario B. Rocha Jr., Anthony José da C. C. Lins e Carmelo José A. B. Filho
Truco16; Lupa17; Fato ou Fake18; Boatos.org19; e E-farsas20. Foram encontra-
das 162 verificações entre verdadeiras e falsas, totalizando uma média de
12,46 boatos/notícias por dia. A partir desse referencial, pode-se observar
a capacidade de acelerar o processo de verificação de fatos através de uma
ferramenta de automação, já que quando comparado com a forma mais
utilizada, que é através de agências e serviços de checagem de premissa
manual e humana, o Verific.ai consegue manter uma taxa de verificação
bem próxima.
4. CONSIDERAÇÕES FINAIS
Ferramentas de automatização de checagem de fatos começam a sur-
gir como forma de acelerar o processo de verificação de informações e
oferecer uma corrida mais justa no combate à desinformação, auxiliando
o trabalho humano já realizado e ofertando novas possibilidades de verifi-
cação. O Verific.ai é uma ferramenta desenvolvida para a identificação de
fatos, através de critérios que determinam a existência de informação ou
desinformação, construída com o trabalho multidisciplinar entre comuni-
cadores e cientistas da computação.
Atestamos a viabilidade de automatizar o processo, bem como o in-
teresse do público por esse tipo de ferramenta, que entrega determinada
autonomia e independência aos usuários de redes sociais digitais e da in-
ternet, em si, para fazer o filtro do que estão consumindo. Por outro lado,
mostramos que o caminho a perseguir ainda é longo na produção de uma
ferramenta automatizada, já que o conhecimento sobre as desordens da
informação ainda está em desenvolvimento, o que de certa maneira ainda
compete de forma desleal com avanço da tecnologia e a velocidade de pro-
cessamento, formatação, ressignificação, produção e consumo de conteúdo
no espaço digital.
A ferramenta servirá de interface para a construção de uma base de
dados para análise com técnicas de IA em trabalhos futuros. Com isso, a
pesquisa aportará estudos futuros no sentido de desenvolver tecnologia de
AFC no que diz respeito à robustez e consistência dos critérios de avalia-
16
Disponível em: <https://apublica.org/truco-antigo/> Acesso em 08 mai. 2020.
17
Disponível em: <https://piaui.folha.uol.com.br/lupa/> Acesso em 08 mai. 2020.
18
Disponível em: <https://g1.globo.com/fato-ou-fake/> Acesso em 08 mai. 2020.
19
Disponível em: <https://www.boatos.org/> Acesso em 08 mai. 2020.
20
Disponível em: <https://www.e-farsas.com/> Acesso em 08 mai. 2020.
REFERÊNCIAS
ALLCOTT, Hunt; GENTZKOW, Matthew. Social media and fake news in the 2016 election.
Journal of economic perspectives. 2017.
BELL, D. O advento da sociedade pós-industrial: uma tentativa de previsão social. São Paulo:
Cultrix, 1977.
CARDOSO DURIER DA SILVA, Fernando; VIEIRA, Rafael; GARCIA, Ana Cristina. Can machi-
nes learn to detect fake news? a survey focused on social media. Proceedings of the 52nd
Hawaii International Conference on System Sciences. 2019.
CASTELLS, M. A galáxia da internet: reflexões sobre a internet, os negócios e a sociedade. Rio
de Janeiro: Zahar, 2003.
____. O poder da comunicação. São Paulo: Paz e Terra, 2017
D’ANCONA, M. Pós-verdade: a nova guerra contra os fatos em tempos de fake news. Barueri:
Faro editorial, 2018.
FIRMO, E. Reino da trapaça. In: FILGUEIRAS et al. Jornalismo em tempo de pós verdade. For-
taleza: Dummar, 2018. Cap. 3. Edição Kindle.
GRAVES, L. Understanding the promise and limits of automated fact-checking. Oxford:
Reuters Institute for the Study of Journalism, 2018. Disponível em: <https://bit.ly/378zJtD>
Acesso em 06 jan. 2019, às 20h15.
HASSAN, N. et al. The quest to automate fact-checking. Texas: University of Texas Arlington,
2015. Disponível em: <https://bit.ly/3j8ddTY> Acesso em 7 jan. 2019.
JENKINS, H. Cultura da convergência. São Paulo: Aleph, 2008.
JENKINS, H; GREEN, J; FORD, S. Cultura da conexão: criando valor e significado por meio da
mídia propagável. São Paulo: Aleph, 2014.
KAKUTANI, M. A morte da verdade: notas sobre a mentira na era Trump. Rio de Janeiro, In-
trínseca, 2018.
KELLY, K. Inevitável: as 12 forças tecnológicas que mudarão o nosso mundo. Rio de Janeiro: Alta
books, 2017.
KEYES, R. A era da pós-verdade: desonestidade e enganação na vida contemporânea. Petrópolis:
Vozes, 2018.
KUMAR, K. Da sociedade pós-industrial à pós-moderna: novas teorias sobre o mundo con-
temporâneo. Rio de Janeiro: Jorge Zahar, 1997.
LAZER, D. M. J. et al. The science of fake news. Science, [s.l.], v. 359, n. 6380, p.1094-1096, 8
mar. 2018. American Association for the Advancement of Science (AAAS).
LEMOS, A; LÉVY, P. O futuro da internet: em direção a uma ciberdemocracia planetária.
São Paulo: Paulus, 2010.
LÉVY, P. Cibercultura. São Paulo: Ed. 34, 1999.
MONTEIRO, Rafael A., et al. Contributions to the study of fake news in portuguese: New
corpus and automatic detection results. International Conference on Computational Proces-
sing of the Portuguese Language. Springer, Cham, 2018.
84 Alice Cristiny F. de Souza, Matheus B. L. Marinho, Dario B. Rocha Jr., Anthony José da C. C. Lins e Carmelo José A. B. Filho
NIELSEN, R. K.; GRAVES, L. “News you don’t believe”: Audience perspectives on fake news.
Oxford: Reuters Institute for the Study of Journalism, 2017. Disponível em: <https://bit.
ly/37b1uBR> Acesso em 07 jan. 2019.
SHIRKY, C. A cultura da participação: criatividade e generosidade no mundo conectado. Rio de
Janeiro: Zahar, 2011.
SOUZA, A. Aplicativo Verific.AI– automatização de checagem de links de notícias no com-
bate ao ecossistema da desinformação. Dissertação (Mestrado em Indústrias Criativas) –
Universidade Católica de Pernambuco. Recife, 2019.
TANDOC JR, E. C.; LIM, Z. W; LING, R. Defining “fake news”: a typology of scholarly defini-
tions. Journal Digital Journalism, 2017. Disponível em: <https://bit.ly/2IrOjC3> Acesso em
10 jan. 2018.
THORNE, J.; VLACHOS, A. Automated fact cheking: task formulations, methods and fu-
ture directions. Novo México: Proceedings of the 27th International Conference on Compu-
tational Linguistics, 2018. Disponpivel em: <https://bit.ly/2SWcJWu> Acesso em 8 fev. 2019.
TOMAÉL, Maria Inês, et al. Avaliação de fontes de informação na Internet: critérios de
qualidade. Informação & Sociedade. 2001.
WARDLE, C. Noticias falsas. Es complicado. First Draw, 2017. Disponível em: <https://bit.
ly/3q0UU86> Acesso em 12 jan. 2018.
ZATTAR, M. Competência em informação e desinformação: critérios de avaliação do conteú-
do das fontes de informação | Information literacy and disinformation. Liinc em Revista, [s.l.],
v. 13, n. 2, p.285-293, 1 dez. 2017. Liinc em Revista. Disponível em: <https://bit.ly/37d4Hk8>
Acesso em 16 jan. 2019.
1. INTRODUÇÃO
C
om o decorrer do tempo, as aplicações vão evoluindo e incluin-
do novas características e funcionalidades. Nos últimos tempos,
uma característica que se tornou primordial, principalmente nas
aplicações web, foi a interação em tempo real, permitindo dis-
cussões online. Desta forma, têm surgido várias redes sociais para os mais
variados fins, além de blogs, sites de avaliação, entre outras formas onde o
usuário é capaz de divulgar opiniões e notícias, tornando, assim, disponí-
vel uma grande quantidade de informação (CALAIS GUERRA et al., 2011).
Com essa grande quantidade de redes sociais e seu contínuo cresci-
mento, são apresentados novos desafios na forma em que as informações
são recuperadas e processadas (EIRINAKI et al., 2012). Com este tipo de
interação, os usuários não apenas navegam pelas aplicações, mas também
contribuem ativamente fornecendo conteúdo. E isso se estendeu para os
mais diversos domínios, principalmente para aqueles relacionados à vida
cotidiana, tal como educação, saúde, turismo, comércio, entre outros, fazen-
do com que a Web Social se expandisse exponencialmente, construindo as-
sim uma inteligência coletiva (O’REILLY, 2009; APPELQUIST et al., 2010).
No entanto, informações textuais não são estruturadas e, na maioria
dos casos, sem nenhuma padronização para a composição do texto ou do-
cumento. As aplicações de mineração de dados apenas processam dados
padronizados, o que se torna um grande desafio quando se lida com esses
dados textuais. Para que os textos possam ser padronizados, é necessário
1
Universidade Federal de Pernambuco (UFPE)
87
um pré-processamento, no qual é realizada a transformação desses dados
não estruturados para então dados estruturados, e só áı é possível aplicar a
mineração de dados neles (WEISS et al., 2010).
A mineração de texto é um campo de pesquisa recente e que utili-
za técnicas de mineração de dados, processamento de linguagem natural
(PLN), recuperação de informação, aprendizado de máquina, entre outras.
O seu objetivo é conseguir processar grandes quantidades de dados tex-
tuais não estruturados. Um dos grandes desafios desta área é o processa-
mento de dados gerados por usuário, principalmente aqueles advindos da
comunicação social, devido à informalidade do conteúdo e até mesmo a
erros ortográficos (SHARMA e DEY, 2012).
Todo esse bombardeio de informação das redes sociais nos fornece
relevantes informações que podem ser aplicadas para diversos fins. O reco-
nhecimento de emoções pode ser uma valiosa informação extráıda desses
dados sociais. O reconhecimento de emoção pode, por exemplo, ajudar
empresas a saber qual o sentimento dos seus clientes em relação aos seus
produtos ou serviços, e essa informação ajudar a empresa no processo de
tomada de decisão.
No entanto, essa tarefa de reconhecimento de emoção não é trivial.
Como já vimos anteriormente, por a informação ser textual já é um grande
desafio, mas deve ser acrescentado ainda o desafio da subjetividade das
emoções. As emoções por si só são complexas e podem ser, com facilidade,
confundidas por serem humanos, e, como consequência, também pelas
máquinas. Por esse motivo, as emoções são bastante difíceis de serem in-
terpretadas e necessitam de um tratamento especial para serem usadas por
uma aplicação.
As pesquisas sobre representação de emoções os modelos que ficaram
mais populares foram os modelos categóricos e os dimensionais. O modelo
categórico diz que as emoções são definidas por rótulos categóricos, e o tra-
balho mais famoso é o trabalho de Ekman e Friesen (1971), pois ele define
as “emoções universais”, que são aquelas emoções encontradas em qualquer
localização geográfica, em qualquer gênero e em qualquer idade. O modelo
dimensional já define que emoções é constituída por um conjunto de fatores
(dimensões) e que a junção delas define qual a entonação emocional.
Nas próximas seções são explanados com mais detalhes os seguin-
tes tópicos: reconhecimento de emoções (Seção 2), processamento de texto
(Seção 3), aplicações de reconhecimento de emoções em texto (Seção 4) e
considerações finais (Seção 5).
2
Grande verdade na ciência
3.2. Pré-processamento
3.2.1. Tokenização
O primeiro passo no tratamento de texto é a tokenização, que é a quebra
do fluxo de caracteres em palavras ou, mais precisamente, tokens (WEISS et
al., 2010). Nessa etapa, é realizada a divisão do segmento de texto em vários
pedaços, e o delimitador entre esses pedaços são os espaços em branco. A
Tabela 1 possui uma demonstração de como se dá a divisão dos tokens.
Entrada [‘esqueci o cartão em casa a caminho da rodoviária, acabei de descobrir que da pra
sacar dinheiro s/ o cartão, amando muito o @bradesco agora :)’]
Saída [‘esqueci’, ‘o’, ‘cartão’, ‘em’, ‘casa’, ‘a’, ‘caminho’, ‘da’, ‘rodoviária,’ ‘acabei’, ‘de’,
‘descobrir’, ‘que’, ‘da’, ‘pra’, ‘sacar’,‘dinheiro’, ‘s/’, ‘o’, ‘cartão,’, ‘amando’, ‘muito’, ‘o’,
‘@bradesco’, ‘agora’, ‘:)’]
Entrada [‘esqueci’, ‘o’, ‘cartão’, ‘em’, ‘casa’, ‘a’, ‘caminho’, ‘da’, ‘rodoviária’, ‘acabei’, ‘de’,
‘descobrir’, ‘que’, ‘da’, ‘pra’, ‘sacar’, ‘dinheiro’, ‘s/’, ‘o’, ‘cartão,’, ‘amando’, ‘muito’, ‘o’,
‘@bradesco’, ‘agora’, ‘:)’]
Casebre
Casinha Cas Casa
Casarão
4. APLICAÇÕES
O segmento de relacionamento entre empresas e clientes é uma área
que está encontrando diversos usos para o reconhecimento de emoções em
texto. Uma aplicação realizada por Coussement e Van den Poel (2008) clas-
sifica e-mails de reclamações dos clientes com o intuito de prever possíveis
atritos, usando esta informação no auxílio a tomada de decisão, buscando
assim evitar futuros atritos.
Estrada et al. (2020) classificam opiniões educacionais, ou seja, opiniões
a respeito de dados dentro de um domínio educacional, em um Ambiente de
Aprendizado Inteligente, e para isso realiza o reconhecimentos de emoções
5. CONSIDERAÇÕES FINAIS
O reconhecimento de emoções em texto é uma tarefa complexa. Ela
enfrenta desafios significativos, como: a dificuldade de estruturação de
informação textual, a padronização e limpeza de dados textuais, reduzin-
do a quantidade de dados e deixando apenas os dados importantes para o
domínio da aplicação, a dificuldade do reconhecimento imposta pela com-
plexidade das emoções, o fato de a emoção não ser um fator estático em
um texto, e a dificuldade de encontrar o modelo que melhor realiza a re-
presentação das emoções.
São muitos desafios impostos em uma única tarefa. No entanto, os
benefícios que o reconhecimento de emoções pode trazer a uma aplicação,
torna a área muito atrativa para pesquisadores. Uma empresa pode utilizar
uma aplicação de reconhecimento de emoção para saber qual a opinião
dos consumidores em relação a seus produtos ou serviços, ou ainda, um
político pode utilizar uma aplicação de reconhecimento de emoções em
redes sociais para saber qual o sentimento da população em relação a ele.
Esta é uma área de pesquisa recente e que ainda possui muito o que
evoluir. Também é uma área em amplo crescimento, principalmente com o
AGRADECIMENTOS
REFERÊNCIAS
APPELQUIST, D.; BRICKLEY, D.; CARVAHLO, M.; IANNELLA, R.; PASSANT, A.; PEREY, C.;
STORY, H. A standards-based, open and privacy-aware social web. W3C Incubator Group
Report, Vol. 6, 2010.
BARRETT, L. Solving the emotion paradox: Categorization and the experience of emotion. Perso-
nality and Social Psychology Review, Vol. 10, n. 1, p. 20–46, 2006.
BOJANOWSKI, P.; GRAVE, E.; JOULIN, A.; MIKOLOV, T. Enriching word vectors with subword
information. Transactions of the Association for Computational Linguistics, Vol. 5, p.
135–146, 2017.
CALAIS GUERRA, P.; VELOSO, A.; MEIRA JR, W.; ALMEIDA, V. From bias to opinion: a trans-
fer-learning approach to real-time sentiment analysis. In: Proceedings of the 17th ACM
SIGKDD International Conference on Knowledge Discovery and Data Mining, p. 150–
158, 2011.
COUSSEMENT, K.; VAN DEN POEL, D. Integrating the voice of customers through call center
emails into a decision support system for churn prediction. Working papers of faculty of eco-
nomics and business administration, Ghent University, Belgium, Ghent University, Faculty of
Economics and Business Administration, 2008.
DESMET, B.; HOSTE, V. Emotion detection in suicide notes. Expert Systems with Applications,
Vol. 40, n. 16, p. 6351–6358, 2013.
DEVLIN, J.; CHANG, M.; LEE, K.; TOUTANOVA, K. Bert: Pre-training of deep bidirectional trans-
formers for language understanding. arXiv preprint arXiv:1810.04805, 2018.
EIRINAKI, M.; PISAL, S.; SINGH, J. Feature-based opinion mining and ranking. Journal of Com-
puter and System Sciences, Vol. 78, n. 4, p. 1175–1184, 2012.
EKMAN, P.; FRIESEN, W. Constants across cultures in the face and emotion. Journal of Perso-
nality and Social Psychology, Vol. 17, n. 2, 1971.
ESTRADA, M.; CABADA, R. Z.; BUSTILLOS, R.; GRAFF, M. Opinion mining and emotion recogni-
tion applied to learning environments. Expert Systems with Applications, 150:113265, 2020.
FEHR, B.; RUSSELL, J. Concept of emotion viewed from a prototype perspective. Journal of Ex-
perimental Psychology: General, Vol. 113, n. 3, p. 464, 1984
FOX, E. Emotion science: An integration of cognitive and neuroscience approaches. Palgra-
ve Macmillan, 2008.
ANTHONY LINS é Doutor em Biotecnologia pelo Renorbio (UFRPE), tendo como tema de
pesquisa Aplicação de Aprendizagem de Máquina no Diagnóstico de Declínio Cognitivo e De-
mência de Alzheimer baseado em Testes Cognitivos e Marcadores Genéticos. Possui título de
Mestre em Engenharia da Computação, com ênfase em Inteligência Computacional (Poli/UPE),
99
onde pesquisou a Paralelização de Algoritmos baseados em Cardumes utilizando Unidades de
Processamento Gráfico. Atualmente na Universidade Católica de Pernambuco, está como docen-
te e pesquisador no curso de Jogos Digitais, no Mestrado em Indústrias Criativas e do Núcleo de
Pesquisas em Ciências Ambientais e Biotecnologia. Obteve o 1o lugar na 8a edição do Torneio
Regional de Inteligência Computacional do IEEE Argentina CIS – 2018. É pesquisador entusiasta
na área de inteligência computacional aplicada em saúde e processos ambientais, jogos e arte-
fatos interativos. Consultor em projetos de inovação com Inteligência Artificial junto a diversas
empresas como Fitec, Sistema Jornal do Commercio de Comunicação, In Forma e Pickcells.
anthony.lins@unicap.br
LEÔNIDAS JOSÉ DA SILVA JR. é linguista com graduação em Turismo pela Universidade
Católica de Pernambuco (1998) e em Letras (português e inglês) pela União das Escolas Superio-
res da Funeso (2004), mestrado em Linguística pela Universidade Federal da Paraíba (2009) e
doutorado em Linguística pela Universidade Federal da Paraíba (2013). Tem pós-doutorado em
Fonética experimental com ênfase em Prosódia de L2 pela Universidade Estadual de Campinas
(2019). Atualmente é Professor Adjunto 3 da Universidade Estadual da Paraíba e Pesquisador de
Pós-Doutorado em Fonética experimental pela Universidade Estadual de Campinas com ênfase
em Análise fonético-forense a partir da Prosódia de L2. Sua área de atuação é a Fonética experi-
mental, especialmente os seguintes temas: análise e modelamento do segmento e da prosódia da
fala, prosódia experimental de L2, ciências da fala e da linguagem, ensino de fonética (de L2) do
inglês. É membro da Luso-Brazilian Association of Speech Sciences (LBASS) e do Phonologie de
l’Anglais Contemporain – (PAC) e do corpo editorial de alguns periódicos nacionais. Tem publi-
cações em periódicos especializados e anais de congressos nacionais e internacionais.
leonidas.silvajr@gmail.com