Automatização da revisão de literatura científica com geração aumentada por recuperação

Proença, Vinícius Lettiéri

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/23629

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Silva, João Carlos Pereira da	-
dc.contributor.author	Proença, Vinícius Lettiéri	-
dc.date.accessioned	2024-09-06T16:03:06Z	-
dc.date.available	2024-09-08T03:00:17Z	-
dc.date.issued	2024-07-19	-
dc.identifier.uri	http://hdl.handle.net/11422/23629	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Geração aumentada por recuperação	pt_BR
dc.subject	Grandes modelos de linguagem	pt_BR
dc.subject	Inteligência artificial	pt_BR
dc.subject	Retrieval-augmented generation	pt_BR
dc.subject	Large language model	pt_BR
dc.subject	Automated literature review	pt_BR
dc.title	Automatização da revisão de literatura científica com geração aumentada por recuperação	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.referee1	Lopes, Giseli Rabello	-
dc.contributor.referee2	Silva, Vivian dos Santos	-
dc.description.resumo	A revisão de literatura, embora essencial para a pesquisa científica, é muitas vezes percebida como uma etapa exploratória demorada, que poderia ser melhor aproveitado para pensamento crítico e na experimentação. Os Grandes Modelos de Linguagem (LLMs) revolucionaram a busca de informações, fazendo uma transição da exploração ativa para uma experiência mais passiva de recuperação de informação. No entanto, quando utilizados como fonte primária de conhecimento, os modelos muitas vezes produzem conteúdo impreciso ou “alucinado” e carecem de atualizações de informações em tempo real, devido à dependência da memória paramétrica do modelo. O paradigma da Geração Aumentada por Recuperação (RAG) surgiu como uma solução para esses desafios de lidar com tarefas de intenso uso de conhecimento, combinando a robusta capacidade da recuperação de informação tradicional com a sofisticada geração de texto de LLMs. Este estudo pro põe utilizar a arquitetura RAG para auxiliar na automatização da fase de levantamento bibliográfico para revisões de literatura, contando com uma recuperação de documentos relevantes aprimorada, com maior compreensão do conteúdo dos documentos, e uma experiência de usuário enriquecida por meio de sumarização do material e síntese da relevância dos resultados. O objetivo é simplificar o processo de busca, com resultados mais relevantes e permitindo uma pré-seleção mais eficiente, através das sumarizações. O estudo foca em documentos científicos em português, para expandir o campo de estudo para além do inglês. Os resultados finais são promissores para recuperação e geração, indicando potencial para ampliar a pesquisa para um banco de dados mais completo.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Instituto de Computação	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Ciência da Computação

Files in This Item:

File	Description	Size	Format
VLProença.pdf		979.4 kB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository