ANÁLISE DE DESEMPENHO DE MODELOS PARA RECONHECIMENTO DE ESCRITA.
Educação, Reconhecimento de Escrita, Inteligência Artificial.
A utilização da Inteligência Artificial e de ferramentas capazes de realizar o processo de reconhecimento de escrita, avaliação automática de textos, identificação de expressões faciais, sentimentos e corretores textuais, estão cada vez mais em evidência, abrindo um leque de possibilidades em diversas áreas. Na Educação, por exemplo, pode-se auxiliar na tomada de decisões, no ensino e na aprendizagem dos alunos, bem como através de feedbacks mais rápidos. Levando em consideração os resultados de uma Revisão Sistemática da Literatura (RSL) realizada, percebeu-se que, atualmente, especialmente para países de baixa e média renda, para cada aluno, as escolas públicas devem acompanhar o progresso do aluno para reduzir os impactos negativos das vulnerabilidades socioeconômicas na Educação. Para isso apresentam-se soluções tecnológicas, métodos e técnicas para o reconhecimento e avaliação automática de respostas curtas de caligrafia. Análises comparativas são conduzidas durante a RSL sobre soluções tecnológicas voltadas para o reconhecimento de escrita e análise textual para discutir futuras direções de pesquisa e questões em aberto. Além disso, neste trabalho é proposta realização de um experimento com as abordagens com
melhor desempenho usando a Base de Dados Educacional (BDE). Portanto, o objetivo geral com este trabalho é realizar uma RSL sobre os modelos e técnicas utilizadas no reconhecimento de escrita, comparar e discutir os resultados obtidos e, por fim, realizar uma experimentação comparativa de forma mais justa sobre as abordagens com melhores desempenhos usando a BDE. Essas análises oferecem a possibilidade de uma discussão acerca das abordagens mais utilizadas nos estudos selecionados na RSL, sobre o melhor desempenho com a utilização da mesma BDE. Com base nos resultados obtidos até o momento, as seguintes técnicas foram mais utilizadas no suporte ao reconhecimento de escrita, Algoritimos tradicionais de Machine Learning (ML), Rede Neural Convolucional (CNN) e Memória de Longo Prazo (LTSM), respectivamente com, 42,10%, 21,05% e 15,78% de utilização.