Pós-Graduação em Ciência da Computação – UFPE
Defesa de Tese de Doutorado Nº 708
Aluno: Geraldo Gomes da Cruz Júnior
Orientador: Prof. Robson do Nascimento Fidalgo
Coorientador: Prof. Jayr Alencar Pereira (UFCA)
Título: Lacium Flower: Um Modelo Computacional Baseado em Aprendizado Constrastivo e Multitarefa para Representações Fonológicas
Data: 10/08/2026
Hora/Local: 9h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Cleber Zanchettin (UFPE / Centro de Informática)
Prof. Filipe Carlos de Albuquerque Calegario (UFPE / Centro de Informática)
Prof. Bianca Arruda Manchester de Queiroga (UFPE/Depto. de Fonoaudiologia)
Prof. Gabriel Alves de Albuquerque Junior (UFRPE / Depto. de Estatística e Informática)
Prof. Felipe Alberto Barbosa Simão Ferreira (UFRPE/ Unidade Acadêmica do Cabo de Santo Agostinho)
Prof. Diedre Stefanelli do Carmo (UNICAMP/ Faculdade de Engenharia Elétrica e de Computação)
RESUMO:
Aprender a ler e a escrever constitui um processo complexo, que demanda o desenvolvimento articulado de competências cognitivas, linguísticas e perceptivas. No contexto da alfabetização, a consciência fonológica é reconhecida como um dos principais preditores do sucesso na aprendizagem da leitura, por envolver habilidades como identificação de rimas, segmentação silábica, manipulação fonêmica e reconhecimento de padrões sonoros. Apesar de sua relevância, ainda há lacunas no desenvolvimento de modelos computacionais capazes de representar adequadamente aspectos fonológicos da linguagem, sobretudo no português brasileiro. Esta tese investiga como técnicas de inteligência artificial podem ser utilizadas para aprender representações fonológicas de palavras e apoiar a recomendação lexical em atividades de desenvolvimento da leitura. A pesquisa foi estruturada em três frentes complementares: mapeamento sistemático da literatura sobre recomendação de palavras para alfabetização; avaliação empírica de modelos de linguagem de grande escala em tarefas fonológicas; e desenvolvimento do Lacium Flower, modelo baseado em arquitetura Transformer que combina aprendizagem contrastiva fonológica e pré-treinamento supervisionado multitarefa. Os resultados indicam que modelos de linguagem contemporâneos apresentam desempenho desigual e ainda limitado em tarefas fonológicas sensíveis, especialmente no português brasileiro, mesmo quando orientados por heurísticas linguísticas explícitas. Em contraste, o modelo proposto supera baselines como BERTimbau e XLM-R em tarefas do benchmark Pho-BP, incluindo detecção de rima, segmentação silábica, identificação de fonema inicial e classificação de erros de leitura. As análises qualitativas indicam que as representações aprendidas pelo Lacium Flower organizam o espaço latente de forma mais coerente com relações fonológicas, favorecendo interpretabilidade e generalização para tarefas aplicadas de apoio à leitura oral. Conclui-se que a incorporação explícita de conhecimento fonológico no treinamento de modelos neurais constitui uma estratégia efetiva para ampliar a qualidade de representações lexicais em contextos educacionais. Ao propor e avaliar um modelo fonologicamente orientado para o português brasileiro, esta tese contribui para o avanço de aplicações de Processamento de Linguagem Natural voltadas à alfabetização e oferece subsídios para o desenvolvimento de tecnologias educacionais mais aderentes às demandas linguísticas do contexto brasileiro.
Palavras-chave: Alfabetização; Consciência fonológica; Representações fonológicas; Recomendação lexical; Processamento de Linguagem Natural; Português brasileiro.
Comentários desativados