@inproceedings{nunes-etal-2026-uso,
    title = "Uso de t{\'e}cnicas de Aprendizado de M{\'a}quina e Modelos de L{\'i}ngua de Larga Escala para avalia{\c{c}}{\~a}o autom{\'a}tica de textos do exame Celpe-Bras",
    author = "Nunes, Rafael Oleques  and
      Zietolie, Bernardo Cobalchini  and
      Costa, Ricardo Zanini De  and
      Silva, Rodrigo Brock da  and
      Pacheco, Jo{\~a}o Victor Piardi  and
      Rocha, Rafaela Dall'Agnol da  and
      Balreira, Dennis Giovani  and
      Stumpf, Elisa Marchioro  and
      Schoffen, Juliana Roquele",
    editor = "Souza, Marlo  and
      de-Dios-Flores, Iria  and
      Santos, Diana  and
      Freitas, Larissa  and
      Souza, Jackson Wilke da Cruz  and
      Ribeiro, Eug{\'e}nio",
    booktitle = "Proceedings of the 17th International Conference on Computational Processing of {P}ortuguese ({PROPOR} 2026) - Vol. 1",
    month = apr,
    year = "2026",
    address = "Salvador, Brazil",
    publisher = "Association for Computational Linguistics",
    url = "https://preview.aclanthology.org/ingest-dnd/2026.propor-1.85/",
    pages = "858--867",
    ISBN = "979-8-89176-387-6",
    abstract = "O Celpe-Bras {\'e} o exame oficial brasileiro de profici{\^e}ncia em Portugu{\^e}s como L{\'i}ngua Adicional (Inep, 2020). A parte escrita do exame exige que os participantes produzam quatro textos em resposta a tarefas baseadas em v{\'i}deo, {\'a}udio e textos de insumo, o que exige que a prepara{\c{c}}{\~a}o para o exame seja realizada a partir de pr{\'a}ticas de (re)escrita de textos. Por um lado, professores que trabalham na prepara{\c{c}}{\~a}o de estudantes para o exame t{\^e}m um alto volume de textos para corrigir, e os estudantes t{\^e}m poucas op{\c{c}}{\~o}es de recursos did{\'a}ticos acess{\'i}veis alinhados ao construto te{\'o}rico do Celpe-Bras. Nesse contexto, e impulsionado pelos recentes avan{\c{c}}os no Processamento de Linguagem Natural (PLN), modelos de l{\'i}ngua de grande escala (LLMs) e Intelig{\^e}ncia Artificial, este estudo visa mapear e comparar m{\'e}todos para a avalia{\c{c}}{\~a}o autom{\'a}tica dos textos produzidos no exame Celpe-Bras. S{\~a}o apresentados e testados diversos modelos, abrangendo tanto algoritmos tradicionais de aprendizado de m{\'a}quina quanto modelos de linguagem pr{\'e}-treinados, como BERT, BART e T5. Ao final, foi poss{\'i}vel perceber que os melhores resultados foram obtidos pelas adapta{\c{c}}{\~o}es do modelo BERT, levemente superiores aos dos modelos restantes, mas com consider{\'a}vel maior custo computacional."
}