LDA-BR: desenvolvimento e validação de uma ferramenta computacional para modelagem de tópicos em artigos científicos em português brasileiro

Descrição

A presente proposta tem como objetivo desenvolver e validar uma ferramenta computacional, denominada provisoriamente LDA-BR, voltada à modelagem de tópicos em artigos científicos escritos em português brasileiro. A proposta possui natureza aplicada e tecnológica, pois busca entregar um protótipo funcional, documentado e testado em ambiente laboratorial, capaz de apoiar estudantes de graduação na análise automatizada de literatura científica em português. A ferramenta será baseada no algoritmo Latent Dirichlet Allocation — LDA —, método probabilístico de modelagem de tópicos proposto por Blei, Ng e Jordan (2003), segundo o qual documentos podem ser compreendidos como combinações probabilísticas de tópicos, e tópicos como distribuições probabilísticas de palavras. O projeto parte da constatação de que a aplicação prática do LDA depende fortemente das etapas de pré-processamento textual, tais como limpeza dos dados, tokenização, remoção de stopwords, normalização, stemming, lematização e construção da matriz documento-termo. Essas etapas não são neutras, pois influenciam diretamente a qualidade, a coerência e a interpretabilidade dos tópicos gerados. Chai (2023) demonstra que diferentes estratégias de pré-processamento podem produzir efeitos relevantes em tarefas de processamento de linguagem natural, reforçando a necessidade de selecionar procedimentos compatíveis com o corpus e com o objetivo analítico. No caso de textos em português, essa preocupação é ainda mais evidente, pois a língua apresenta características próprias, como flexões verbais e nominais, acentuação, variações de gênero e número, uso de termos compostos e necessidade de listas de stopwords adequadas ao idioma. Nesse sentido, Souza Júnior et al. (2022) mostram que a modelagem de tópicos em textos em português demanda atenção específica aos pipelines de pré-processamento, uma vez que diferentes combinações de técnicas podem afetar os resultados obtidos. Santos e Silva (2023), embora em tarefa distinta da modelagem de tópicos, também reforçam a importância de avaliar o efeito de stemming e lematização em textos em português, indicando que essas escolhas podem impactar o desempenho e a qualidade das análises computacionais. Assim, adaptar códigos de LDA originalmente estruturados para outros idiomas não deve ser tratado apenas como uma substituição de listas de palavras, mas como um processo de desenvolvimento tecnológico que exige análise de requisitos, implementação, teste e validação. A ferramenta LDA-BR será desenvolvida preferencialmente em Python, com execução em ambiente Google Colab, visando facilitar o uso por estudantes de graduação sem necessidade de instalação local complexa. O protótipo deverá contemplar módulos para leitura e organização dos textos, limpeza textual, remoção de palavras irrelevantes, tratamento de acentuação, tokenização, stemming ou lematização, construção da matriz documento-termo, execução do LDA, comparação de diferentes números de tópicos, geração de tabelas com palavras-chave por tópico, associação dos artigos aos tópicos predominantes, visualizações gráficas e exportação dos resultados. Ao final, espera-se entregar um notebook comentado, manual de uso, corpus-piloto, arquivos de saída e relatório técnico. A relevância tecnológica da proposta está associada à necessidade de tornar a modelagem de tópicos mais acessível ao contexto acadêmico brasileiro. Embora existam aplicações de LDA em bases nacionais, ainda há carência de ferramentas didáticas, documentadas e orientadas especificamente a estudantes que desejam analisar artigos científicos em português brasileiro. Silva et al. (2021) aplicaram inferência de tópicos à identificação de subáreas temáticas de projetos culturais, demonstrando o potencial do LDA em bases textuais brasileiras. Araujo e Campos (2020) aplicaram modelagem de tópicos a processos do Supremo Tribunal Federal, mostrando a viabilidade do método em documentos brasileiros de grande volume e complexidade. Mueller e Correia (2022), por sua vez, utilizaram LDA para analisar novidade na pesquisa econômica brasileira, evidenciando o potencial da técnica para investigar produção científica nacional. Esses estudos reforçam a pertinência do LDA no Brasil, mas também indicam a necessidade de ferramentas que facilitem sua apropriação por estudantes em processo de formação. O projeto se enquadra no PIBITI por propor o desenvolvimento de um produto tecnológico educacional: uma ferramenta computacional voltada à iniciação em mineração de textos, ciência de dados e análise de literatura científica. O edital PIBITI UFAL 2026-2027 enfatiza o desenvolvimento tecnológico e a inovação, bem como a formação de estudantes de graduação para atividades de pesquisa, desenvolvimento tecnológico e inovação. Além disso, os critérios de avaliação do edital destacam aspectos como grau de inovação, metodologia de desenvolvimento tecnológico, viabilidade técnica, maturidade tecnológica, possibilidade de expansão dos resultados e perspectiva de geração de software, produto ou processo. A ferramenta proposta poderá contribuir diretamente para a formação de estudantes de graduação, pois possibilitará o aprendizado prático de programação, mineração textual, processamento de linguagem natural, organização de bases documentais, análise de literatura científica e interpretação de resultados automatizados. O LDA-BR poderá ser utilizado em trabalhos de conclusão de curso, iniciação científica, iniciação tecnológica, disciplinas de metodologia científica, projetos de pesquisa e atividades de extensão que envolvam análise de artigos científicos em português. Dessa forma, o projeto se alinha ao ODS 4 — Educação de Qualidade, ao ampliar o acesso de estudantes a competências digitais e metodológicas, e ao ODS 9 — Indústria, Inovação e Infraestrutura, por propor o desenvolvimento de um protótipo computacional com potencial de expansão. Ao final do ciclo, espera-se que o projeto alcance nível de maturidade tecnológica compatível com MT 2 — validação laboratorial, partindo de uma prova de conceito e chegando a uma ferramenta testada com corpus-piloto de artigos científicos em português. A continuidade futura poderá envolver a validação com usuários, aplicação em disciplinas de graduação, aperfeiçoamento da interface, ampliação para outros tipos de documentos e eventual registro de software. Como desdobramento posterior, pretende-se comparar o LDA com algoritmos mais adequados à análise de textos curtos, como tweets, respostas abertas de questionários, entrevistas curtas, comentários de consumidores e relatórios empresariais. Essa etapa futura poderá envolver métodos como BERTopic, NMF, Top2Vec, Sentence-BERT e modelos baseados em transformers, uma vez que o LDA tende a apresentar melhor desempenho em documentos mais longos, nos quais há maior coocorrência de termos. Dessa forma, o projeto propõe uma solução tecnológica concreta, com relevância educacional, científica e institucional. Seu principal resultado será uma ferramenta computacional didática, adaptada ao português brasileiro, capaz de apoiar estudantes de graduação na análise automatizada de artigos científicos e fortalecer a capacidade de uso de métodos computacionais em pesquisas acadêmicas desenvolvidas no Brasil.