Devido ao grande volume de dados produzido por diversas aplicações, o Machine Learning (ML) tem sido explorado para o uso em sistemas de diferentes domínios do conhecimento humano. Como, por exemplo, sistemas que utilizam grande volume de dados textuais, como ChatGPT, podem necessitar de um passo anterior de treinamento conhecido como rotulagem de dados. Comumente, a rotulagem é realizada por usuários especialistas no domínio dos dados e visa gerar uma base de treinamento para um modelo ML supervisionado. Contudo, a tarefa de rotular é muito cansativa para os usuá- rios. Por isso, as interfaces dos sistemas devem ser projetadas considerando aspectos de User Experience (UX). Algumas pesquisas focam em apoiar o desenvolvimento dos sistemas de rotulagem de dados, porém ainda existe uma lacuna sobre como projetar tais interfaces, considerando o tipo de dado a ser rotulado. Neste sentido, esta pesquisa foca em sistemas de rotulagem de texto, atendendo os problemas de Natural Language Processing (NLP), a qual é área de ML que atua com dados textuais. A partir do contexto mencionado, a seguinte questão de pesquisa (QP) guia este trabalho: Como apoiar o projeto de interface de sistemas de rotulagem de texto? Para responder esta questão, esta pesquisa foi conduzida tendo por base Action Research. A partir de uma demanda da indústria, foram conduzidos estudos e análises do estado-da-prática que resultou na produção de um artefato final: os padrões AnnotationUI. Os resultados obtidos, após avaliação com especialistas, mostram que os padrões AnnotationUI apoiam o projeto de interface dos sistemas de rotulagem de dados do tipo textual.
|
