Fluxo de Sumarização de Conteúdo

Gatilho: Aluno solicita resumo via interface de chat
Duração: 3–8 segundos
Exemplo: "Resumir tópico: Redes Neurais Recorrentes"

---

Visão Geral do Processo

O fluxo de sumarização usa geração aumentada por recuperação (RAG) para criar resumos personalizados baseados nos materiais do curso do aluno.

Consulta do Aluno → Pesquisa Qdrant → Construção de Contexto → Síntese LLM → Resposta

---

Passos Detalhados

1. Entrada da Consulta

O aluno submete um pedido em linguagem natural através da interface de chat:

• Contexto fornecido:
  • course_id - Curso inscrito do aluno
  • student_id - Para personalização
  • language - Idioma da resposta (ex.: pt-PT)

2. Construção de Contexto

O sistema prepara a pesquisa:

• Construir filtro Qdrant: course_id == curso do aluno
• Opcional: Restringir por section_id ou module_id se especificado
• Extrair palavras-chave do tópico da consulta do aluno

3. Pesquisa Semântica

Encontrar materiais de curso relevantes:

{
  "collection": "course_materials",
  "query_vector": "<consulta do aluno em embedding>",
  "filter": { "course_id": 123 },
  "top_k": 5,
  "threshold": 0.7
}

4. Avaliação de Resultados

Cenário	Ação
k < 3 resultados	Retornar: "Materiais insuficientes; por favor consulte o instrutor"
k >= 3 resultados	Prosseguir para sumarização

5. Construção do Prompt

O LLM recebe um prompt estruturado:

Prompt de Sistema:

Você é um assistente educacional para estudantes universitários de língua portuguesa. 
Resuma os seguintes materiais de curso de forma clara e concisa.

Estruture a sua resposta assim:
1. **Definição** – O que é este conceito?
2. **Conceitos principais** – Pontos chave a entender
3. **Exemplos práticos** – Exemplos do mundo real ou do curso
4. **Aplicações** – Como é usado?

Linguagem: Português (Portugal)
Tom: Educacional, acessível
Comprimento: 200–400 palavras

6. Sumarização LLM

Parâmetros de geração:

Parâmetro	Valor	Justificação
Modelo	GPT-4 ou Claude 3	Output de alta qualidade
Temperature	0.5	Equilibrar consistência e criatividade
Max tokens	600	Suficiente para resposta estruturada

7. Entrega da Resposta

A resposta é formatada para legibilidade:

• Formato: Markdown com títulos e pontos
• Citação: "Baseado em materiais de: [nome do ficheiro, secção]"
• Registo de qualidade: Scores de similaridade registados para QA

---

Exemplo de Resposta

Consulta do Aluno

"Resumir tópico: Redes Neurais Recorrentes"

Resposta de Exemplo:

Definição

Redes Neurais Recorrentes (RNNs) são um tipo de rede neural artificial projetada para processar sequências de dados, mantendo uma "memória" interna de informações anteriores.

Conceitos Principais

• Estados ocultos: Armazenam informação das entradas anteriores
• Backpropagation Through Time (BPTT): Algoritmo de treino específico
• Vanishing gradient: Problema comum em sequências longas

Exemplos Práticos

• Previsão de texto (autocompletar)
• Tradução automática
• Análise de sentimento

Aplicações

RNNs são utilizadas em processamento de linguagem natural, reconhecimento de voz, e análise de séries temporais.

Baseado em materiais de: lecture_05_rnn.pdf, Secção 3

---

Próximos Passos

• Esclarecimento de Dúvidas - Fluxo de resposta a perguntas
• Geração de Quizzes - Avaliações adaptativas