Processamento de Linguagem Natural (PLN)

O Processamento de Linguagem Natural trata de sistemas que interpretam e geram linguagem, um desafio complexo que exige aplicação prática para ser verdadeiramente compreendido. Atividades hands-on permitem que os alunos testem limites de modelos de PLN, como detetar ironia ou traduzir expressões culturais, o que torna abstrato em concreto.

• 12° Ano
• Inovação Digital e Pensamento Computacional Avançado
• 4 atividades
• 35 min–50 min

Objetivos de Aprendizagem

1. Analisar a estrutura de dados de texto para identificar entidades nomeadas, relações e intenções em frases.
2. Comparar a eficácia de diferentes modelos de PLN (ex: redes neuronais recorrentes vs. transformers) na resolução de tarefas específicas como análise de sentimento.
3. Criar um protótipo de chatbot simples utilizando bibliotecas de PLN em Python para responder a perguntas sobre um tópico específico.
4. Avaliar o impacto ético da implementação de sistemas de PLN em aplicações como moderação de conteúdo ou personalização de notícias.

Análise de Estudo de Caso

⏱ 45 min·Pequenos grupos

Análise de Sentimento: Dataset de Reviews

Forneça um dataset de reviews de produtos em português. Os alunos usam bibliotecas como NLTK ou TextBlob para classificar sentimentos, comparando resultados manuais com automáticos. Discutem discrepâncias em grupo e ajustam o modelo com dados adicionais.

Preparação e detalhes

Como os sistemas de PLN compreendem e geram linguagem humana?

Sugestão de Facilitação: Durante a Análise de Sentimento, peça aos alunos para marcarem palavras-chave nos reviews que justifiquem a classificação de sentimento, destacando como a linguagem subjetiva afeta os resultados.

Setup: Grupos organizados em mesas com os materiais do caso

Materials: Dossiê do estudo de caso (3 a 5 páginas), Ficha de análise estruturada, Modelo para a apresentação final

• Analisar
• Avaliar
• Criar
• Tomada de Decisão
• Autogestão

Análise de Estudo de Caso

⏱ 50 min·Pares

Construção de Chatbot: Diálogos Simples

Utilize ferramentas como Dialogflow ou código Python com Rasa para criar um chatbot que responda a perguntas sobre o currículo escolar. Testem em pares, registando falhas de contexto, e refinam intenções e entidades. Apresentem o chatbot à turma.

Preparação e detalhes

Analise os desafios de processar a ambiguidade e o contexto na linguagem natural.

Sugestão de Facilitação: Na construção de chatbots, forneça templates de diálogos para que os alunos preencham apenas as lacunas, focando em padrões de resposta em vez de criatividade.

Setup: Grupos organizados em mesas com os materiais do caso

Materials: Dossiê do estudo de caso (3 a 5 páginas), Ficha de análise estruturada, Modelo para a apresentação final

• Analisar
• Avaliar
• Criar
• Tomada de Decisão
• Autogestão

Análise de Estudo de Caso

⏱ 35 min·Pequenos grupos

Tradução Automática: Comparação de Ferramentas

Os alunos traduzem textos ambíguos com Google Translate e DeepL, analisando precisão em contexto cultural. Registam métricas de qualidade e propõem melhorias baseadas em PLN avançado. Discutem em plenário.

Preparação e detalhes

Explique o impacto dos chatbots e assistentes virtuais na interação humana-computador.

Sugestão de Facilitação: Na tradução automática, distribua textos curtos com expressões idiomáticas e peça aos alunos para compararem três ferramentas, registando erros sistemáticos.

Setup: Grupos organizados em mesas com os materiais do caso

Materials: Dossiê do estudo de caso (3 a 5 páginas), Ficha de análise estruturada, Modelo para a apresentação final

• Analisar
• Avaliar
• Criar
• Tomada de Decisão
• Autogestão

Análise de Estudo de Caso

⏱ 40 min·Turma inteira

Debate Ético: Impactos do PLN

Divida a turma em grupos para debater privacidade em chatbots e viés em análise de sentimento. Pesquisem casos reais e preparam argumentos com exemplos de código. Votam e concluem com recomendações.

Preparação e detalhes

Como os sistemas de PLN compreendem e geram linguagem humana?

Sugestão de Facilitação: No debate ético, atribua papéis (desenvolvedor, utilizador, regulador) para garantir que todos participam com argumentos baseados em exemplos da unidade.

Setup: Grupos organizados em mesas com os materiais do caso

Materials: Dossiê do estudo de caso (3 a 5 páginas), Ficha de análise estruturada, Modelo para a apresentação final

• Analisar
• Avaliar
• Criar
• Tomada de Decisão
• Autogestão

Ensinar Este Tópico

Comece com tarefas simples para construir intuição, como classificar sentimentos em frases curtas antes de abordar ambiguidades. Evite apresentar teoria excessiva; prefira demonstrações rápidas de ferramentas reais (ex. chatbots públicos) para mostrar aplicações imediatas. Pesquisas indicam que alunos do 12.º ano aprendem PLN melhor quando visualizam erros de modelos em dados reais do que quando ouvem explicações sobre algoritmos.

O Que Esperar

Os alunos demonstram compreensão ao explicar porque sistemas de PLN falham em contextos ambíguos, ao construir respostas de chatbot baseadas em padrões e ao identificar vieses em traduções automáticas. O sucesso vê-se na capacidade de articular limitações e ética em cada tarefa.

Atenção a estes erros comuns

Erro comum

Durante a Análise de Sentimento, os alunos podem pensar que o PLN compreende linguagem como humanos.

O que ensinar em alternativa

Durante a Análise de Sentimento, peça aos alunos para identificarem exemplos de sarcasmo ou ironia no dataset e discutirem porque as máquinas falham nestes casos. Peça-lhes para reescreverem frases ambíguas para remover pistas contextuais e observarem como a classificação muda.

Erro comum

Durante a Construção de Chatbot, os alunos podem acreditar que chatbots são conscientes.

O que ensinar em alternativa

Durante a Construção de Chatbot, mostre aos alunos como os diálogos seguem estruturas pré-definidas ou padrões treinados. Peça-lhes para adicionarem uma resposta inesperada ao chatbot e discutirem como o sistema lida com inputs não treinados, revelando a ausência de verdadeira compreensão.

Erro comum

Durante a Tradução Automática, os alunos podem assumir que as traduções são sempre precisas.

O que ensinar em alternativa

Durante a Tradução Automática, dê aos alunos frases com duplo sentido ou expressões culturais (ex. ditados) e peça-lhes para compararem traduções de três ferramentas. Peça-lhes para sugerirem ajustes manuais que melhorariam a precisão, destacando a necessidade de contexto humano.

Ideias de Avaliação

Bilhete de Saída

Após a Análise de Sentimento, entregue a cada aluno um parágrafo curto com texto ambíguo. Peça-lhes para escreverem duas interpretações possíveis e explicarem que informação adicional seria necessária para determinar o significado pretendido, usando exemplos do dataset analisado.

Questão para Discussão

Durante o Debate Ético, inicie a discussão com a questão: 'Quais são os maiores desafios éticos ao desenvolver chatbots que interagem de forma cada vez mais natural com humanos?' Incentive os alunos a citarem exemplos concretos de dilemas, como privacidade ou manipulação emocional, baseados em casos discutidos durante a Construção de Chatbot.

Verificação Rápida

Durante a Análise de Sentimento, apresente aos alunos uma lista de dez frases e peça-lhes para classificarem cada uma como positiva, negativa ou neutra. Em seguida, peça-lhes para justificarem a classificação de duas frases, focando-se em palavras-chave e contexto, usando as etiquetas do dataset trabalhado.

Extensões e Apoio

• Para alunos rápidos, peça-lhes para treinarem um pequeno modelo de análise de sentimento num dataset em português usando bibliotecas como NLTK ou spaCy.
• Para alunos com dificuldades, forneça frases com emoções mistas ou sarcasmo e peça-lhes para sublinharem pistas contextuais antes de classificarem.
• Para mais tempo, explore datasets públicos como o de reviews da Amazon ou do Sapo Reviews para analisar tendências de sentimento ao longo do tempo.

Vocabulário-Chave

Tokenização	O processo de dividir um texto em unidades menores, como palavras ou subpalavras, chamadas tokens, que são a base para a análise computacional.
Análise de Sentimento	A técnica de PLN que determina a polaridade emocional (positiva, negativa, neutra) expressa num texto, sendo crucial para a análise de feedback de clientes ou redes sociais.
Entidades Nomeadas (NER)	A tarefa de identificar e classificar entidades específicas num texto, como nomes de pessoas, organizações, locais ou datas, permitindo a extração de informação estruturada.
Embeddings de Palavras	Representações vetoriais densas de palavras que capturam relações semânticas e sintáticas, permitindo que modelos de PLN processem o significado das palavras de forma mais eficaz.