Sumarização automática de artigos de notícias em português: da extração à abstração com abordagens clássicas e modelos neurais

• Ano de defesa: 2025
• Autor(a) principal: Sarmento, Marcio ALves
• Orientador(a): Hilário Tomaz Alves de Oliveira
• Banca de defesa: Gazolli, Kelly Assis de Souza , Cabral, Luciano de Souza
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Federal do Espírito Santo; Campus Serra
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• País: Brasil
• Palavras-chave em Português: Grandes modelos de linguagem (LLMs); Sumarização Abstrativa; Sumarização Extrativa; Transformer; LLMs; G-Eval; Processamento de Linguagem Natural; Sumarização automática de texto (SAT); Linguagem natural
• Área do conhecimento CNPq: Ciências Exatas e da Terra::Ciência da Computação
• Link de acesso: https://repositorio.ifes.edu.br/handle/123456789/8022

O aumento na produção de dados digitais tem intensificado os desafios relacionados à leitura e compreensão de grandes volumes de informação, evidenciando a necessidade de métodos capazes de sintetizar conteúdo de forma eficiente. Nesse contexto, a Sumarização Automática de Texto (SAT) destaca-se como uma ferramenta essencial, especialmente em sua vertente abstrativa, que gera resumos mais similares aos escritos por humanos por meio de técnicas de geração de linguagem natural. Apesar dos avanços recentes, os estudos voltados ao português do Brasil ainda são escassos. Este trabalho investigou métodos extrativos e abstrativos aplicados à sumarização de artigos de notícias em português do Brasil. Foram avaliados modelos baseados na arquitetura T5, como PTT5 e Flan-T5, ajustados com o corpus RecognaSumm, além de comparações com baselines clássicos, um sistema extrativo baseado em Programação Linear Inteira (PLI) e modelos de linguagem de larga escala (LLMs) proprietários e de código aberto, incluindo GPT-4o, GPT-3.5 Turbo, Gemma 2, LLaMA 3, LLaMA 4 Maverick, Sabiázinho-3 e Sabiá-3. Os experimentos foram conduzidos nos corpora TeMário, CSTNews e RecognaSumm, contemplando cenários de sumarização monodocumento e multidocumento. A avaliação dos resumos utilizou as métricas de similaridade textual ROUGE-L e BERTScore, além da estratégia G-Eval, que emprega LLMs como juízes automáticos. Os resultados experimentais demonstram que os modelos ajustados PTT5 e Flan-T5 apresentam desempenho competitivo nas medidas de avaliação tradicionais baseadas em similaridade, superando baselines extrativos em diversos cenários. Entretanto, os LLMs demonstraram melhor qualidade discursiva segundo o G-Eval, produzindo textos mais fluentes, coerentes e bem estruturados. As análises também revelam diferenças significativas entre métricas lexicais, semânticas e os valores gerados pelo G-Eval, indicando que essas abordagens capturam dimensões distintas da qualidade dos resumos. De forma geral, o estudo evidencia o potencial dos modelos baseados na arquitetura T5 ajustados para o português, a robustez dos métodos extrativos em contextos com restrições computacionais e o desempenho superior dos LLMs na geração de resumos abstrativos de alta qualidade textual, com destaque para Sabiá-3 e GPT-4o.