🤖 AI

T-TExTS (Teaching Text Expansion for Teacher Scaffolding): Enhancing Text Selection in High School Literature through Knowledge Graph-Based Recommendation

Este artigo apresenta o T-TExTS, um sistema de recomendação baseado em grafos de conhecimento que aproveita ontologias pedagógicas e estratégias de incorporação de grafos para auxiliar professores de inglês do ensino médio na seleção de textos literários diversos e alinhados tematicamente, demonstrando que modelos híbridos que combinam sinais estruturais e pedagógicos oferecem um equilíbrio ótimo entre interpretabilidade e desempenho de classificação.

Autores originais: Nirmal Gelal, Chloe Snow, Ambyr Rios, Kathleen M. Jagodnik, Hande Küçük McGinty

Publicado 2026-05-14

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Nirmal Gelal, Chloe Snow, Ambyr Rios, Kathleen M. Jagodnik, Hande Küçük McGinty

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O Grande Problema: O "Bibliotecário Sobrecarregado"

Imagine um professor de inglês do ensino médio como um bibliotecário que precisa construir uma estante especial para sua turma. Eles não querem apenas qualquer livro; precisam de um conjunto específico de histórias que todas falem sobre a mesma grande ideia (como "rebelião" ou "distopia"), mas que venham de diferentes autores, culturas e períodos históricos.

No entanto, o professor está ocupado. Eles não têm horas para ler cada livro do mundo para encontrar as combinações perfeitas. Geralmente, acabam escolhendo os mesmos clássicos antigos que conhecem bem, o que significa que a estante carece de diversidade. Eles precisam de um assistente inteligente para ajudá-los a encontrar livros novos e diversos que ainda se encaixem perfeitamente no plano de aula.

A Solução: T-TExTS (O "Mapa Inteligente")

Os pesquisadores construíram uma ferramenta chamada T-TExTS. Pense nela não como um simples mecanismo de busca que procura palavras-chave (como "distopia"), mas como um gigantesco mapa interativo do mundo literário.

O Mapa (Grafo de Conhecimento): Em vez de apenas uma lista de livros, o sistema constrói um mapa onde cada livro é uma cidade. As estradas que conectam essas cidades não são apenas "palavras semelhantes"; são conexões educacionais profundas. Uma estrada pode dizer: "Estes dois livros tratam ambos de censura", enquanto outra diz: "Estes dois têm dificuldade de leitura similar".
O Projeto (Ontologia): Antes de desenhar o mapa, os pesquisadores trabalharam com professores especialistas para criar um projeto rigoroso (chamado de ontologia). Este projeto garante que o mapa use apenas estradas "pedagógicas"—conexões que realmente importam para o ensino—em vez de apenas semelhanças superficiais.

Como o Sistema "Caminha" pelo Mapa

Para encontrar os melhores livros, o sistema envia pequenos "exploradores" (algoritmos) para caminhar pelas estradas deste mapa. O artigo testou quatro maneiras diferentes pelas quais esses exploradores poderiam caminhar:

DeepWalk (O Turista Aleatório): Este explorador caminha aleatoriamente, tomando cada estrada com chance igual. Ele obtém uma sensação ampla e geral do bairro.
Caminhada Aleatória Viesada (O Tour Guiado): Este explorador é liderado pelos professores especialistas. Se os professores dizem: "O gênero é a conexão mais importante", este explorador é forçado a tomar essas estradas específicas com mais frequência. É como um guia turístico que só mostra os melhores pontos com base em uma regra específica.
Node2Vec (O Hikeiro Estratégico): Este explorador é inteligente. Ele pode escolher ficar perto de casa (olhando para vizinhos imediatos) ou caminhar longe para descobrir novos territórios distantes. Ele equilibra entre explorar a área local e encontrar joias escondidas longe.
Híbrido (O Melhor dos Dois Mundos): Este explorador carrega uma mochila contendo os mapas tanto do "Turista Aleatório" quanto do "Tour Guiado". Ele combina a visão ampla com as regras específicas dos professores.

O Que Eles Descobriram (Os Resultados da Corrida)

Os pesquisadores testaram esses exploradores em mapas de tamanhos diferentes (98 livros, 196 livros e 351 livros) para ver qual encontrava as melhores combinações.

A Surpresa: O "Tour Guiado" (Caminhada Aleatória Viesada), que dependia fortemente das ponderações específicas dos professores, na verdade performou pior ao encontrar a estrutura geral do mapa do que o "Hikeiro Estratégico" (Node2Vec).
- A Analogia: Acontece que o mapa foi desenhado tão bem pelos especialistas desde o início que o "Tour Guiado" não precisava forçar o explorador por caminhos específicos. O próprio mapa já continha as pistas certas. Forçar o explorador a se ater a um tipo de estrada na verdade fez com que ele perdesse algumas conexões excelentes.
O Vencedor: Node2Vec (o Hikeiro Estratégico) foi o melhor em encontrar os livros certos, especialmente à medida que a biblioteca crescia. Ele sabia quando ficar perto e quando caminhar longe para encontrar a combinação temática perfeita.
A Escolha Prática: O modelo Híbrido foi o vice-campeão. Não foi tão rápido quanto o Node2Vec, mas foi quase tão bom. Crucialmente, como incluía a parte do "Tour Guiado", os professores podiam olhar para os resultados e dizer: "Ah, vejo por que ele escolheu este livro; é por causa da regra de gênero que eu defini". Essa transparência é vital para professores que precisam confiar na ferramenta.

Um Teste do Mundo Real: O Desafio "1984"

Para provar que funcionava, eles deram ao sistema o livro 1984, de George Orwell, e perguntaram: "Quais outros livros devemos ensinar com este?"

O sistema identificou corretamente Fahrenheit 451 como a combinação nº 1 (porque ambos são famosas histórias distopias sobre censura).
O explorador Node2Vec foi o único a encontrar todos os cinco "combinações perfeitas" aprovadas pelos especialistas (incluindo Jogos Vorazes e A Revolução dos Bichos).
O modelo Híbrido encontrou quatro de cinco, e também encontrou alguns "quase acertos" (como O Doador) que não estavam na lista oficial, mas ainda eram excelentes escolhas de ensino.

A Conclusão

O artigo conclui que você não precisa ajustar constantemente as regras da estrada para obter boas recomendações. Se você construir um mapa de altíssima qualidade (o Grafo de Conhecimento) baseado em princípios de ensino de especialistas, um explorador inteligente (Node2Vec) pode navegá-lo melhor do que um rigidamente guiado.

No entanto, para uma ferramenta usada em sala de aula, a abordagem Híbrida é o ponto ideal. Ela oferece o alto desempenho do explorador inteligente, mas mantém a "voz do professor" visível nos resultados, garantindo que as recomendações sejam tanto precisas quanto explicáveis.

O que o artigo NÃO afirma:

Não afirma que esta ferramenta foi testada em salas de aula reais com alunos reais ainda (isso está planejado para o futuro).
Não afirma substituir professores; afirma ajudá-los a economizar tempo e encontrar livros diversos.
Não afirma funcionar para todas as disciplinas; foi especificamente projetado para Literatura Inglesa do Ensino Médio.

Resumo Técnico: T-TExTS (Expansão de Texto para Ensino com Andaimagem Docente)

Declaração do Problema
Professores de Literatura Inglesa do ensino médio enfrentam barreiras significativas na montagem de conjuntos de textos diversos e alinhados tematicamente, devido ao tempo limitado de planejamento e à falta de recursos pedagógicos. Sistemas de recomendação tradicionais, como Filtragem Colaborativa (CF) e Filtragem Baseada em Conteúdo (CBF), são inadequados para este domínio. A CF sofre com o problema do início frio devido a dados de interação esparsos, enquanto a CBF luta para introduzir tópicos novos além das preferências existentes do usuário. Além disso, aplicações existentes de Grafos de Conhecimento (KG) na educação focaram-se largamente na sequenciação linear de conceitos em STEM ou MOOCs, falhando em abordar as conexões semânticas não lineares (por exemplo, temas compartilhados, atributos de justiça social, complexidade de gênero) necessárias para a educação em letramento. Existe uma lacuna distinta em ferramentas que apoiem a andaimagem pedagógica de conjuntos de textos para Língua Inglesa (ELA) do ensino secundário.

Metodologia
Os autores propõem o T-TExTS, um sistema de recomendação baseado em KG que prioriza o mérito pedagógico sobre metadados superficiais. A metodologia consiste em três componentes principais:

Construção de Ontologia Específica de Domínio:
Utilizando a Metodologia de Aquisição e Representação de Conhecimento (KNARM), os autores construíram uma ontologia específica de domínio fundamentada em critérios pedagógicos. Este processo envolveu:
- Coleta de Dados: Agregação de textos dos estudos estaduais do Kansas, consultas a educadores e planos de ensino do ensino superior (ENGL 545 e ENGL 580).
- Análise de Texto: Aplicação de ferramentas quantitativas (Lexile, Flesch-Kincaid, ATOS) e rubricas qualitativas (Achieve the Core) para avaliar a complexidade do texto e o mérito instrucional.
- Design de Ontologia: Separação do esquema em uma Caixa Terminológica (TBox) definindo classes (Texto, Autor, Gênero, Tema, ComplexidadeDoTexto) e uma Caixa Afirmativa (ABox) contendo afirmações específicas. A ontologia modela explicitamente relações como hasGenre (temGênero), hasTheme (temTema) e hasTextComplexity (temComplexidadeDeTexto).
Geração do Grafo de Conhecimento:
A ontologia foi instanciada como um Grafo de Conhecimento usando RDFLib e armazenada em um repositório GraphDB. O grafo representa textos e autores como indivíduos conectados por relações pedagógicas e estruturais.
Estratégias de Incorporação e Recomendação:
O sistema projeta as relações simbólicas do KG em um espaço vetorial contínuo usando técnicas de incorporação de grafos baseadas em passeios aleatórios. Quatro estratégias foram avaliadas:
- DeepWalk: Passeios aleatórios uniformes.
- Passeio Aleatório Viesado: Passeios guiados por especialistas onde as probabilidades de transição são ponderadas por especialistas do domínio para priorizar relações pedagógicas específicas (por exemplo, gênero, tema).
- Node2Vec: Passeios aleatórios parametrizados controlados pelos parâmetros de retorno ( $p$ ) e entrada-saída ( $q$ ) para equilibrar a exploração de Busca em Largura (BFS) e Busca em Profundidade (DFS).
- Modelo Híbrido: Uma concatenação de incorporações de DeepWalk (uniforme) e Passeio Aleatório Viesado (ponderado por especialistas) para combinar cobertura estrutural com foco pedagógico.
As recomendações são geradas calculando a Semelhança Cosseno entre a incorporação de um texto âncora e todos os outros textos no corpus.

Configuração Experimental
O sistema foi avaliado em três configurações de conjunto de dados contendo 98, 196 e 351 textos. Os grafos foram divididos em conjuntos de treinamento (80%), validação (10%) e teste (10%). Os hiperparâmetros foram ajustados usando Optuna com previsão de links (AUC) como objetivo de otimização. O desempenho foi medido usando:

Previsão de Links: Área sob a Curva (AUC) da Curva Característica de Operação do Receptor (ROC).
Métricas de Classificação: Hits@K, Reciprocal Rank Médio (MRR) e Ganho Cumulativo Descontado Normalizado (nDCG@10).
Análise de Sensibilidade: Comparação entre ponderação padrão e um esquema de ponderação "ênfase em gênero".

Principais Resultados

Ajuste Estrutural vs. Ponderação de Especialistas: A ponderação de nível de travessia por especialistas (Passeio Aleatório Viesado) sozinha não superou o ajuste estrutural algorítmico. O Passeio Aleatório Viesado alcançou a menor AUC (0,6888–0,7466) em todas as escalas.
Dominância do Node2Vec: O Node2Vec alcançou a maior AUC em cada tamanho de conjunto de dados (0,9642–0,9750) e as métricas de classificação mais fortes (Hits@K, MRR, nDCG) em escalas maiores (196 e 351 textos). A configuração de hiperparâmetro ótima favoreceu consistentemente um alto parâmetro de entrada-saída ( $q=4,0$ ), indicando uma preferência pela exploração de Busca em Profundidade (DFS) para capturar cadeias mais longas de associação temática.
Desempenho do Modelo Híbrido: O modelo Híbrido (concatenação de DeepWalk e Passeio Viesado) manteve uma AUC elevada (0,9122–0,9350) em todas as escalas e permaneceu a poucos pontos percentuais do Node2Vec nas métricas de classificação. Crucialmente, o modelo Híbrido demonstrou robustez a perturbações de peso; enquanto o desempenho do Passeio Viesado mudou em ~3% quando os pesos de gênero foram ajustados, a mudança do modelo Híbrido foi atenuada para ~1,5%.
Estudo de Caso Qualitativo: Para o texto âncora 1984, o Node2Vec foi a única configuração a recuperar todas as cinco recomendações de verdade fundamental curadas por especialistas (incluindo textos estruturalmente distantes, mas alinhados tematicamente, como Marrow Thieves). O modelo Híbrido recuperou com sucesso textos de verdade fundamental que o Passeio Viesado perdeu (por exemplo, Animal Farm), demonstrando o valor de combinar amplitude estrutural com viés pedagógico.

Significado e Alegações
O artigo alega que o T-TExTS fornece uma abordagem nova, pedagógica-primeira, para recomendação educacional, distinta de sistemas baseados em similaridade de usuário ou popularidade. A descoberta empírica central é que uma ontologia de alta fidelidade, curada por especialistas, codifica inerentemente sinal pedagógico suficiente para que o ajuste estrutural algorítmico (especificamente Node2Vec) possa recuperá-lo sem a necessidade de ponderação adicional de nível de travessia.

No entanto, os autores argumentam que o modelo Híbrido representa a escolha de implantação mais prática para ferramentas voltadas a professores. Oferece um equilíbrio entre qualidade de classificação competitiva e interpretabilidade, permitindo que educadores rastreiem quais pesos atribuídos por especialistas influenciaram as recomendações. O estudo demonstra que incorporações de KG orientadas por ontologia são viáveis para andaimagem educacional mesmo em escalas modestas de dados (até 351 textos) e que o desempenho relativo dos métodos de incorporação permanece estável à medida que o currículo se expande.

Limitações
Os autores reconhecem que o conjunto de dados, embora curado por especialistas, é modesto em escala comparado a benchmarks gerais. A avaliação depende de verdade fundamental curada por especialistas em vez de estudos de usuários em sala de aula ao vivo, o que significa que o impacto do sistema no tempo de planejamento e na diversidade real de conjuntos de textos em salas de aula reais permanece não medido. Adicionalmente, métricas de classificação padrão podem penalizar "quase-acertos pedagogicamente defensáveis" que não correspondem à lista específica de verdade fundamental, mas ainda são valiosos para o design curricular. Os autores sugerem que trabalhos futuros devem focar na validação voltada a professores e no desenvolvimento de novas métricas de avaliação mais adequadas para sistemas de recomendação neuro-simbólicos e orientados por especialistas.