Uma abordagem de organização do conhecimento e Retrieval Augmented Generation para a recuperação semântica da informação

Abstract

Diante do crescimento da produção científica e das limitações dos sistemas tradicionais de recuperação da informação, evidencia-se a necessidade de abordagens capazes de incorporar a dimensão semântica e atender às especificidades dos domínios científicos. Nesse contexto, o estudo propõe a utilização da arquitetura Retrieval-Augmented Generation como alternativa para aprimorar a qualidade dos metadados e a eficácia da recuperação da informação, com aplicação em bases especializadas como a Brapci. Ainda, tem como objetivo analisar o uso de estratégias dessa arquitetura aliadas a Modelos de Linguagem de Grande Escala, na recuperação da informação científica. Trata-se de uma pesquisa aplicada, de abordagem qualitativa e caráter metodológico, cujo procedimento compreendeu a construção de um microtesauro semântico especializado no domínio da Inteligência Artificial aplicada à Ciência da Informação, utilizado como base de conhecimento para um protótipo denominado SmartRetrieval. A proposta foi validada por meio da aplicação em um corpus formado por 40 artigos científicos, com avaliação baseada nas métricas de precisão, revocação e F1-Score. Os resultados destacam a integração entre linguagens documentárias e modelos generativos, mediada pela arquitetura RetrievalAugmented Generation (contribuindo para a melhoria da recuperação da informação, reduzindo ruídos e ampliando a cobertura semântica) e o papel central do indexador na construção e validação de linguagens documentárias (uma vez que a qualidade da representação temática depende de decisões conceituais fundamentadas e da mediação intelectual especializada). Conclui-se que a abordagem proposta apresenta potencial para qualificar processos de indexação e fortalecer a mediação informacional em ambientes científicos digitais, desde que associada às práticas da Organização do Conhecimento.

Given the growth of scientific production and the limitations of traditional information retrieval systems, there is a clear need for approaches capable of incorporating the semantic dimension and addressing the specificities of scientific domains. In this context, this study proposes the use of the Retrieval-Augmented Generation architecture as an alternative to improve metadata quality and the effectiveness of information retrieval, with application in specialized databases such as Brapci. Furthermore, it aims to analyze the use of strategies based on this architecture combined with Large Language Models in the retrieval of scientific information. This is an applied research study with a qualitative approach and methodological nature, whose procedure involved the construction of a specialized semantic microthesaurus in the domain of Artificial Intelligence applied to Information Science, used as a knowledge base for a prototype called SmartRetrieval. The proposal was validated through its application to a corpus composed of 40 scientific articles, with evaluation based on the metrics of precision, recall, and F1-score. The results highlight the integration between indexing languages and generative models, mediated by the Retrieval-Augmented Generation architecture, contributing to improved information retrieval by reducing noise and expanding semantic coverage, as well as the central role of the indexer in the construction and validation of controlled vocabularies, since the quality of subject representation depends on well-founded conceptual decisions and specialized intellectual mediation. It is concluded that the proposed approach has the potential to enhance indexing processes and strengthen information mediation in digital scientific environments, provided that it is aligned with the practices of Knowledge Organization.