Temas de TCC de Ciência da Computação em Processamento de Linguagem Natural
Equipe editorial TCC Pronto · atualizado em
Processamento de Linguagem Natural é a área que ensina computadores a ler, classificar e gerar texto. Com os modelos de linguagem, ela ganhou visibilidade, mas o português ainda tem muitas lacunas de recursos e avaliação. Isso abre espaço para temas de TCC de Ciência da Computação em Processamento de Linguagem Natural originais, viáveis e úteis para a comunidade lusófona.
Temas de TCC: 12 ideias em Processamento de Linguagem Natural
Ideias de temas para TCC e monografia em Processamento de Linguagem Natural, cada uma já delimitada: problema de pesquisa, objetivo e metodologia para levar ao orientador.
1. Classificação de sentimentos em avaliações de aplicativos em português com BERTimbau e modelos clássicos
- Problema:
- O ajuste fino de um modelo pré-treinado em português supera regressão logística com TF-IDF em avaliações curtas de lojas de aplicativos?
- Objetivo:
- Comparar desempenho e custo computacional de um modelo baseado em transformers e de classificadores clássicos na análise de sentimentos.
- Metodologia:
- Coleta de avaliações públicas ou uso de corpus anotado, divisão estratificada, F1 macro e análise de erros com ironia e gírias.
2. Reconhecimento de entidades nomeadas em decisões judiciais de tribunais brasileiros
- Problema:
- Modelos genéricos de reconhecimento de entidades identificam partes, leis e órgãos em decisões judiciais com a mesma precisão que em notícias?
- Objetivo:
- Avaliar e adaptar um modelo de reconhecimento de entidades para o domínio jurídico brasileiro.
- Metodologia:
- Anotação de amostra de decisões públicas, ajuste fino de modelo pré-treinado e comparação de F1 por tipo de entidade.
3. Detecção de notícias falsas em português com atributos linguísticos e modelos de linguagem
- Problema:
- Atributos linguísticos interpretáveis, como pontuação e emotividade, somados a embeddings, melhoram a detecção de notícias falsas em português?
- Objetivo:
- Comparar classificadores baseados em atributos linguísticos, em embeddings e na combinação de ambos.
- Metodologia:
- Corpus público de notícias verdadeiras e falsas em português, validação cruzada e análise da importância dos atributos.
4. Simplificação automática de textos de bulas de medicamentos para leitores leigos
- Problema:
- Modelos de linguagem abertos simplificam bulas preservando as informações de segurança essenciais?
- Objetivo:
- Avaliar a legibilidade e a preservação de informação em simplificações automáticas de bulas.
- Metodologia:
- Amostra de bulas públicas, geração com modelo aberto local, índices de legibilidade e checagem manual de informações críticas.
5. Geração aumentada por recuperação para responder perguntas sobre o regulamento acadêmico de uma universidade
- Problema:
- Um sistema de recuperação com modelo de linguagem aberto responde perguntas sobre o regulamento com menos alucinações que o modelo sozinho?
- Objetivo:
- Construir e avaliar um sistema de perguntas e respostas sobre documentos institucionais com e sem recuperação.
- Metodologia:
- Base de documentos públicos da instituição, conjunto de perguntas com respostas de referência e avaliação de exatidão e fidelidade à fonte.
6. Similaridade semântica de sentenças em português: comparação entre embeddings estáticos e contextuais
- Problema:
- Embeddings contextuais superam embeddings estáticos médios na tarefa de similaridade semântica em português de forma consistente?
- Objetivo:
- Comparar representações de sentenças em conjuntos de avaliação de similaridade e inferência textual em português.
- Metodologia:
- Uso de conjunto público de similaridade semântica em português, correlação de Pearson e Spearman e análise por tipo de par.
7. Classificação automática de reclamações de consumidores por assunto com poucos exemplos rotulados
- Problema:
- Modelos com aprendizado por poucos exemplos classificam reclamações com desempenho próximo ao de modelos treinados com milhares de exemplos?
- Objetivo:
- Comparar ajuste fino completo, aprendizado com poucos exemplos e classificação por instrução em reclamações de consumidores.
- Metodologia:
- Base pública de reclamações, variação do número de exemplos por classe e F1 macro com várias repetições.
8. Correção gramatical automática em redações de estudantes do ensino médio
- Problema:
- Ferramentas automáticas de correção detectam os erros de concordância mais comuns em redações escolares?
- Objetivo:
- Avaliar a precisão e a revocação de ferramentas de correção em um corpus de redações anotado manualmente.
- Metodologia:
- Corpus de redações cedidas com consentimento, anotação de erros por dois anotadores, concordância kappa e aprovação do CEP via Plataforma Brasil.
9. Transcrição automática de áudios de aulas gravadas e o efeito de sotaques regionais no erro de reconhecimento
- Problema:
- A taxa de erro de palavras de modelos abertos de reconhecimento de fala varia com o sotaque regional do falante?
- Objetivo:
- Medir a taxa de erro de modelos de reconhecimento de fala em áudios de aulas de professores de diferentes regiões.
- Metodologia:
- Áudios públicos de aulas abertas, transcrição de referência manual em amostra e comparação de taxa de erro por região.
10. Detecção de linguagem tóxica em comentários de jogos online com modelos multilíngues
- Problema:
- Modelos multilíngues detectam toxicidade em português com gírias de jogos tão bem quanto modelos treinados só em português?
- Objetivo:
- Comparar modelos multilíngues e monolíngues na detecção de linguagem tóxica em comentários de jogos.
- Metodologia:
- Corpus anotado de comentários públicos, anotação com diretrizes escritas, F1 por classe e análise de falsos positivos.
11. Sumarização automática de atas de reuniões de conselhos municipais
- Problema:
- Resumos gerados por modelos abertos preservam as decisões registradas em atas de conselhos municipais?
- Objetivo:
- Avaliar sumarizadores extrativos e abstrativos quanto à cobertura das decisões e à fidelidade ao texto original.
- Metodologia:
- Atas públicas de conselhos, resumos de referência escritos manualmente, métricas ROUGE e verificação manual de fatos.
12. Viés de gênero em modelos de linguagem em português medido por testes de associação de palavras
- Problema:
- Modelos de linguagem pré-treinados em português associam profissões a gêneros de forma estereotipada?
- Objetivo:
- Adaptar testes de associação para o português e medir viés de gênero em diferentes modelos.
- Metodologia:
- Listas de profissões e atributos de gênero em português, cálculo de associação por similaridade e testes de significância por permutação.
Do tema ao TCC: próximos passos
Escolhido o tema, transforme-o em estrutura: o gerador de sumário de TCC monta os capítulos a partir do problema e do objetivo. O passo a passo de como fazer monografia mostra cada etapa até a defesa, e as referências ABNT saem formatadas a partir das obras com DOI. Para entender o que a IA faz e o que continua sendo seu, veja TCC com IA.
Como escolher um tema de TCC em Processamento de Linguagem Natural
Comece pela tarefa: classificar, extrair, resumir, traduzir, responder ou gerar. Cada tarefa tem métricas e conjuntos de avaliação próprios. Depois escolha o domínio do texto, como jurídico, médico, escolar ou redes sociais. A combinação entre tarefa e domínio costuma definir a originalidade.
Verifique a disponibilidade de dados rotulados em português. Muitas ideias param porque não existe corpus anotado. Nesse caso, uma pequena anotação manual, bem documentada e com dois anotadores, já é contribuição relevante para a área.
Por fim, dimensione o modelo ao hardware. Modelos de dezenas de bilhões de parâmetros exigem infraestrutura que poucos estudantes têm. Modelos menores, ajustados com técnicas eficientes, rodam em uma GPU modesta e geram resultados comparáveis em tarefas específicas.
Linhas de pesquisa em alta em Processamento de Linguagem Natural
A área mudou muito com os modelos de linguagem, mas o foco de pesquisa se deslocou para avaliação, eficiência e confiabilidade. No Brasil, o STIL e o PROPOR concentram trabalhos sobre o português.
- Avaliação de modelos de linguagem em português
- Geração aumentada por recuperação e redução de alucinações
- Ajuste fino eficiente de modelos pequenos
- Construção de corpora anotados em domínios específicos
- Detecção de desinformação e de discurso de ódio
- Viés e equidade em modelos de linguagem
- Reconhecimento de fala e variação linguística regional
- Simplificação textual e acessibilidade
Metodologias mais usadas em Processamento de Linguagem Natural
O desenho padrão é experimental: você escolhe um corpus, divide em treino, validação e teste, treina ou adapta modelos e compara métricas como F1, exatidão, ROUGE ou taxa de erro de palavras. Uma análise qualitativa dos erros completa os números e costuma ser a parte mais elogiada pela banca.
Quando não há corpus, o trabalho inclui anotação. Isso exige diretrizes escritas, pelo menos dois anotadores e medida de concordância, como o kappa de Cohen. Para textos gerados por modelos, avaliações humanas com critérios definidos complementam as métricas automáticas.
Como fazer o TCC de Processamento de Linguagem Natural: passo a passo
A revisão deve passar pela ACL Anthology, que reúne os principais eventos da área, pela SBC OpenLib, com os anais do STIL, pelos anais do PROPOR e pelo Portal de Periódicos da CAPES. Para recursos em português, procure corpora como o Mac-Morpho e o ASSIN, além de modelos como o BERTimbau, disponíveis em repositórios públicos.
Preste atenção à contaminação de dados. Modelos grandes podem ter visto o conjunto de teste durante o pré-treino, o que infla resultados. Quando possível, crie um pequeno conjunto de teste novo, com textos posteriores à data de corte do modelo.
Para temas de TCC de Ciência da Computação em Processamento de Linguagem Natural que usam textos de pessoas, como redações, mensagens ou entrevistas, o projeto precisa de aprovação do Comitê de Ética em Pesquisa pela Plataforma Brasil, segundo as Resoluções CNS 466/2012 e 510/2016. Textos com dados pessoais pedem anonimização e atenção à LGPD.
O sumário usual inclui introdução, fundamentação, trabalhos relacionados, corpus e anotação, modelos, protocolo experimental, resultados, análise de erros e conclusão.
- Defina tarefa, domínio e métrica principal em uma frase.
- Revise a ACL Anthology, a SBC OpenLib e os anais do PROPOR.
- Localize ou construa o corpus e documente sua origem e licença.
- Se houver textos de pessoas, submeta o projeto ao CEP via Plataforma Brasil.
- Treine uma linha de base clássica antes do modelo neural.
- Ajuste o modelo proposto e avalie no teste uma única vez.
- Faça análise de erros por categoria e discuta limitações.
Erros comuns no TCC de Processamento de Linguagem Natural
A lista abaixo reúne falhas frequentes em trabalhos da área e a forma de contorná-las.
- Usar só acurácia em classes desbalanceadas. Prefira F1 macro e matriz de confusão.
- Ignorar a contaminação do teste em modelos grandes. Use dados novos ou discuta o risco.
- Anotar dados sozinho e sem diretrizes. Use dois anotadores e meça a concordância.
- Aceitar textos gerados sem verificação. Confira fatos em amostra manual.
- Traduzir um corpus do inglês sem revisar. Avalie a qualidade da tradução antes de usar.
- Esquecer o pré-processamento do português, como acentos e contrações. Documente cada etapa.
Obras para começar a pesquisa
Artigos em português sobre Processamento de Linguagem Natural publicados desde 2019, encontrados nas bases abertas OpenAlex e Crossref. Cada DOI foi conferido em 16/11/2026.
- JÚNIOR, George Hideyuki Kuroki; DUQUE, Cláudio Gottschalg. Uma proposta de arquitetura da informação aplicada ao processamento de linguagem natural. RDBCI Revista Digital de Biblioteconomia e Ciência da Informação, 2023. DOI: 10.20396/rdbci.v21i00.8671396
- CAPUANO, Ethel Airton. Avaliação semiautomática de conteúdos de Planos Diretores de TIC com tecnologias de Processamento da Linguagem Natural. Ciência da Informação, 2024. DOI: 10.18225/ci.inf.v52i2.5967
- FALCÃO, Luander Cipriano de Jesus; LOPES, Brenner; SOUZA, Renato Rocha. Absorção das tarefas de processamento de Linguagem Natural (NLP) pela Ciência da Informação (CI). Em Questão, 2021. DOI: 10.19132/1808-5245281.13-34
- MARTINS, Aline S.; BONEL, Claudio; BARBOSA, Enádio da S.. Processamento de linguagem natural para automatizar etapas da atualização da classificação brasileira de ocupações. Boletim Mercado de Trabalho, 2025. DOI: 10.38116/bmt80/nt1
- CRUZ, Thyago José Da. contribuições da Linguística de Corpus e do Processamento de Linguagem Natural na elaboração do protótipo do Dicionário Ideológico de Locuções. Domínios de Lingu@gem, 2022. DOI: 10.14393/dl52-v16n4a2022-5
Perguntas frequentes
Existem bons modelos de linguagem para o português?
Sim. Há modelos pré-treinados em português, como o BERTimbau, e modelos multilíngues que funcionam bem em português. Para geração de texto, modelos abertos multilíngues podem ser executados localmente. Compare mais de uma opção no seu experimento.
Onde encontrar corpus em português para o TCC?
Procure nos anais do STIL e do PROPOR, que costumam divulgar recursos, e em repositórios públicos de modelos e conjuntos de dados. Corpora como Mac-Morpho e ASSIN são bastante usados. Verifique sempre a licença de uso.
Posso usar API de modelo comercial no TCC de PLN?
Pode, mas registre versão, data, parâmetros e prompts, porque o modelo pode mudar sem aviso. Considere o custo das chamadas e o envio de dados a terceiros. Modelos abertos executados localmente facilitam a reprodução do estudo.
Como avaliar um texto gerado automaticamente?
Combine métricas automáticas, como ROUGE ou BERTScore, com avaliação humana em uma amostra, usando critérios como fidelidade, fluência e utilidade. Descreva quem avaliou e como, e calcule a concordância entre avaliadores.
Como montamos esta página
Os temas foram redigidos pela equipe do TCC Pronto como ponto de partida e precisam da aprovação do seu orientador. As obras vêm de bases acadêmicas abertas (OpenAlex e Crossref) e o DOI de cada uma foi conferido antes da publicação. Leia a obra antes de citá-la no seu trabalho.