@inproceedings{fernandes-etal-2026-classificacao,
title = "Classifica{\c{c}}{\~a}o autom{\'a}tica de senten{\c{c}}as faladas com arquitetura h{\'i}brida: an{\'a}lise de estruturas topicalizadas, anti-topicalizadas e can{\^o}nicas",
author = "Fernandes, Gerson Vitor P. and
Silva, Vitoria Maria A. and
Carvalho, Cid Ivan C.",
editor = "Barbosa, Bryan Khelven da Silva and
Paes, Aline and
Felippo, Ariani Di",
booktitle = "Proceedings of the 17th {B}razilian Symposium in Information and Human Language Technology",
month = oct,
year = "2026",
address = "Cuiab{\'a}, Mato Grosso, Brazil",
publisher = "Association for Computational Linguistics",
url = "https://aclanthology.org/2026.stil-1.39/",
doi = "10.5753/stil.2026.32539",
pages = "476--486",
abstract = "O presente artigo investiga o desempenho de um sistema de classifica{\c{c}}{\~a}o autom{\'a}tica de senten{\c{c}}as faladas do portugu{\^e}s brasileiro, considerando estruturas can{\^o}nicas, topicalizadas e antitopicalizadas, por meio de uma arquitetura h{\'i}brida baseada em Redes Neurais Recorrentes (RNNs) e Redes Neurais Convolucionais (CNNs). A pesquisa articula contribui{\c{c}}{\~o}es sint{\'a}ticas, pros{\'o}dicas e computacionais com a finalidade de contextualizar o corpus e delimitar o tratamento das senten{\c{c}}as faladas, por{\'e}m o estudo concentra-se na avalia{\c{c}}{\~a}o experimental de uma arquitetura h{\'i}brida de redes neurais aplicada {\`a} classifica{\c{c}}{\~a}o autom{\'a}tica dessas senten{\c{c}}as. O corpus analisado {\'e} composto por 612 senten{\c{c}}as declarativas gravadas em ambiente controlado, produzidas por 20 falantes do portugu{\^e}s brasileiro. A metodologia caracteriza-se como quantitativa e experimental, utilizando aprendizagem supervisionada e avalia{\c{c}}{\~a}o baseada em m{\'e}tricas como precis{\~a}o, recall, f-score e acur{\'a}cia, por meio da matriz de confus{\~a}o. Foram realizados testes com diferentes configura{\c{c}}{\~o}es de hiperpar{\^a}metros, variando filtros convolucionais, unidades LSTM, taxas de Dropout e n{\'u}mero de {\'e}pocas de treinamento. Os resultados demonstraram que modelos mais robustos apresentaram maior capacidade de memoriza{\c{c}}{\~a}o dos dados de treino, mas tamb{\'e}m maior tend{\^e}ncia ao overfitting. Em contrapartida, arquiteturas mais enxutas associadas a maiores taxas de regulariza{\c{c}}{\~a}o obtiveram melhor capacidade de generaliza{\c{c}}{\~a}o e maior estabilidade durante a valida{\c{c}}{\~a}o. O melhor desempenho foi observado no cen{\'a}rio com 30{\%} de Dropout, em que houve redu{\c{c}}{\~a}o significativa do hiato de generaliza{\c{c}}{\~a}o entre treino e teste. Conclui-se que a combina{\c{c}}{\~a}o entre RNNs e CNNs mostra-se promissora para a classifica{\c{c}}{\~a}o autom{\'a}tica de senten{\c{c}}as faladas, embora ainda existam limita{\c{c}}{\~o}es relacionadas {\`a} generaliza{\c{c}}{\~a}o do modelo em dados n{\~a}o vistos."
}<?xml version="1.0" encoding="UTF-8"?>
<modsCollection xmlns="http://www.loc.gov/mods/v3">
<mods ID="fernandes-etal-2026-classificacao">
<titleInfo>
<title>Classificação automática de sentenças faladas com arquitetura híbrida: análise de estruturas topicalizadas, anti-topicalizadas e canônicas</title>
</titleInfo>
<name type="personal">
<namePart type="given">Gerson</namePart>
<namePart type="given">Vitor</namePart>
<namePart type="given">P</namePart>
<namePart type="family">Fernandes</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Vitoria</namePart>
<namePart type="given">Maria</namePart>
<namePart type="given">A</namePart>
<namePart type="family">Silva</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Cid</namePart>
<namePart type="given">Ivan</namePart>
<namePart type="given">C</namePart>
<namePart type="family">Carvalho</namePart>
<role>
<roleTerm authority="marcrelator" type="text">author</roleTerm>
</role>
</name>
<originInfo>
<dateIssued>2026-10</dateIssued>
</originInfo>
<typeOfResource>text</typeOfResource>
<relatedItem type="host">
<titleInfo>
<title>Proceedings of the 17th Brazilian Symposium in Information and Human Language Technology</title>
</titleInfo>
<name type="personal">
<namePart type="given">Bryan</namePart>
<namePart type="given">Khelven</namePart>
<namePart type="given">da</namePart>
<namePart type="given">Silva</namePart>
<namePart type="family">Barbosa</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Aline</namePart>
<namePart type="family">Paes</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<name type="personal">
<namePart type="given">Ariani</namePart>
<namePart type="given">Di</namePart>
<namePart type="family">Felippo</namePart>
<role>
<roleTerm authority="marcrelator" type="text">editor</roleTerm>
</role>
</name>
<originInfo>
<publisher>Association for Computational Linguistics</publisher>
<place>
<placeTerm type="text">Cuiabá, Mato Grosso, Brazil</placeTerm>
</place>
</originInfo>
<genre authority="marcgt">conference publication</genre>
</relatedItem>
<abstract>O presente artigo investiga o desempenho de um sistema de classificação automática de sentenças faladas do português brasileiro, considerando estruturas canônicas, topicalizadas e antitopicalizadas, por meio de uma arquitetura híbrida baseada em Redes Neurais Recorrentes (RNNs) e Redes Neurais Convolucionais (CNNs). A pesquisa articula contribuições sintáticas, prosódicas e computacionais com a finalidade de contextualizar o corpus e delimitar o tratamento das sentenças faladas, porém o estudo concentra-se na avaliação experimental de uma arquitetura híbrida de redes neurais aplicada à classificação automática dessas sentenças. O corpus analisado é composto por 612 sentenças declarativas gravadas em ambiente controlado, produzidas por 20 falantes do português brasileiro. A metodologia caracteriza-se como quantitativa e experimental, utilizando aprendizagem supervisionada e avaliação baseada em métricas como precisão, recall, f-score e acurácia, por meio da matriz de confusão. Foram realizados testes com diferentes configurações de hiperparâmetros, variando filtros convolucionais, unidades LSTM, taxas de Dropout e número de épocas de treinamento. Os resultados demonstraram que modelos mais robustos apresentaram maior capacidade de memorização dos dados de treino, mas também maior tendência ao overfitting. Em contrapartida, arquiteturas mais enxutas associadas a maiores taxas de regularização obtiveram melhor capacidade de generalização e maior estabilidade durante a validação. O melhor desempenho foi observado no cenário com 30% de Dropout, em que houve redução significativa do hiato de generalização entre treino e teste. Conclui-se que a combinação entre RNNs e CNNs mostra-se promissora para a classificação automática de sentenças faladas, embora ainda existam limitações relacionadas à generalização do modelo em dados não vistos.</abstract>
<identifier type="citekey">fernandes-etal-2026-classificacao</identifier>
<identifier type="doi">10.5753/stil.2026.32539</identifier>
<location>
<url>https://aclanthology.org/2026.stil-1.39/</url>
</location>
<part>
<date>2026-10</date>
<extent unit="page">
<start>476</start>
<end>486</end>
</extent>
</part>
</mods>
</modsCollection>
%0 Conference Proceedings
%T Classificação automática de sentenças faladas com arquitetura híbrida: análise de estruturas topicalizadas, anti-topicalizadas e canônicas
%A Fernandes, Gerson Vitor P.
%A Silva, Vitoria Maria A.
%A Carvalho, Cid Ivan C.
%Y Barbosa, Bryan Khelven da Silva
%Y Paes, Aline
%Y Felippo, Ariani Di
%S Proceedings of the 17th Brazilian Symposium in Information and Human Language Technology
%D 2026
%8 October
%I Association for Computational Linguistics
%C Cuiabá, Mato Grosso, Brazil
%F fernandes-etal-2026-classificacao
%X O presente artigo investiga o desempenho de um sistema de classificação automática de sentenças faladas do português brasileiro, considerando estruturas canônicas, topicalizadas e antitopicalizadas, por meio de uma arquitetura híbrida baseada em Redes Neurais Recorrentes (RNNs) e Redes Neurais Convolucionais (CNNs). A pesquisa articula contribuições sintáticas, prosódicas e computacionais com a finalidade de contextualizar o corpus e delimitar o tratamento das sentenças faladas, porém o estudo concentra-se na avaliação experimental de uma arquitetura híbrida de redes neurais aplicada à classificação automática dessas sentenças. O corpus analisado é composto por 612 sentenças declarativas gravadas em ambiente controlado, produzidas por 20 falantes do português brasileiro. A metodologia caracteriza-se como quantitativa e experimental, utilizando aprendizagem supervisionada e avaliação baseada em métricas como precisão, recall, f-score e acurácia, por meio da matriz de confusão. Foram realizados testes com diferentes configurações de hiperparâmetros, variando filtros convolucionais, unidades LSTM, taxas de Dropout e número de épocas de treinamento. Os resultados demonstraram que modelos mais robustos apresentaram maior capacidade de memorização dos dados de treino, mas também maior tendência ao overfitting. Em contrapartida, arquiteturas mais enxutas associadas a maiores taxas de regularização obtiveram melhor capacidade de generalização e maior estabilidade durante a validação. O melhor desempenho foi observado no cenário com 30% de Dropout, em que houve redução significativa do hiato de generalização entre treino e teste. Conclui-se que a combinação entre RNNs e CNNs mostra-se promissora para a classificação automática de sentenças faladas, embora ainda existam limitações relacionadas à generalização do modelo em dados não vistos.
%R 10.5753/stil.2026.32539
%U https://aclanthology.org/2026.stil-1.39/
%U https://doi.org/10.5753/stil.2026.32539
%P 476-486
Markdown (Informal)
[Classificação automática de sentenças faladas com arquitetura híbrida: análise de estruturas topicalizadas, anti-topicalizadas e canônicas](https://aclanthology.org/2026.stil-1.39/) (Fernandes et al., STIL 2026)
ACL