Questão 10 — Processamento de Linguagem Natural (Inteligência Artificial) — Cebraspe · Secretaria de Estado da Fazenda do Paraná (SEFA/PR) 2026

Inteligência Artificial Processamento de Linguagem Natural

Cebraspe 2026

Secretaria de Estado da Fazenda do Paraná (SEFA/PR) · Agente Fazendário Estadual – Função: Profissional de Tecnologia da Informação (Cargo 6)

Gabarito disponível

Suponha que uma secretaria de fazenda pretenda empregar técnicas de processamento de linguagem natural (PLN) para automatizar a análise de justificativas textuais apresentadas por contribuintes em processos administrativos fiscais, buscando identificar padrões de argumentação e indícios de inconsistências. Nesse caso, a abordagem mais adequada para capturar relações semânticas contextuais em textos extensos e gerar representações vetoriais de alta qualidade para classificação automatizada é

Selecione uma alternativa A) aplicar técnicas de topic modeling não supervisionado (como LDA – latent Dirichlet allocation), uma vez que esse método é voltado exclusivamente para compreensão contextual e desambiguação semântica em textos individuais. B) aplicar modelos baseados em bag-of-words com vetores esparsos e frequência de termos ponderada por TF-IDF, suficientes para captar relações sintáticas e semânticas profundas entre palavras. C) implementar modelos Word2Vec baseados apenas em coocorrência estática de palavras, que mantêm a mesma representação vetorial independentemente do contexto semântico. D) empregar algoritmos de análise sintática tradicional, como part-of-speech tagging e stemming, sem incorporar aprendizado profundo, por esses algoritmos serem suficientes para detectar relações semânticas complexas. E) utilizar embeddings pré-treinados com modelos de linguagem contextualizados, como BERT ou suas variantes, capazes de representar o significado de uma palavra de acordo com o contexto em que ocorre.

Resolução comentada

Para captar semântica contextual, usam-se embeddings contextualizados como o BERT.

Modelos baseados em Transformers, como o BERT, geram embeddings contextuais, nos quais a representação de uma palavra depende do contexto. Isso é adequado para capturar relações semânticas em textos extensos e classificá-los.

Análise das alternativas

A) O LDA identifica tópicos e não é voltado a desambiguação contextual. B) Bag-of-words e TF-IDF não capturam relações semânticas profundas. C) O Word2Vec estático dá a mesma representação à palavra em qualquer contexto. D) POS tagging e stemming não detectam semântica complexa.

Referência: PLN – modelos de linguagem contextualizados (BERT)

Resolução comentada do VaiConcursos.