@techreport{TR-IC-26-01,
   number = {IC-26-01},
   author  =  {Gabriel Pavani Giro, Renilson Conceição de Luna Junior,
                   Paulo  César  Polastri,  Flávia  Linhalis and Julio
                   Cesar dos Reis},
   title = {{Um Estudo Comparativo entre Aprendizagem Supervisionada e
                   Contextualizada   na   Classificação   de  Teses  e 
                   Dissertações}},
   month = {July},
   year = {2026},
   institution = {Institute of Computing, University of Campinas},
   note = {In Portuguese, 21 pages.
    \par\selectlanguage{brazil}\textbf{Resumo}
       Este  trabalho  apresenta  um  estudo comparativo entre modelos
       clássicos   de  aprendizado  de  máquina  (Árvore  de  Decisão, 
       \textit{Support  Vector  Machine}  (SVM)  e  \textit{Multilayer 
       Perceptron}  (MLP))  e  o  Modelo  de Linguagem de Grande Porte
       LLaMA  3,  aplicados  à  classificação  automática  de  teses e
       dissertações  acadêmicas  por  área  do  ensino  de ciências da
       natureza  (Física,  Química,  Biologia  e  Ciências Gerais). Os
       modelos  clássicos foram treinados sobre representações TF-IDF,
       enquanto  o LLaMA 3 foi avaliado nos regimes \textit{zero-shot}
       e \textit{few-shot}. Os modelos clássicos alcançaram precisão e
       F1-Score  em  torno  de 86–87\%, com dificuldade sistemática na
       distinção   entre   Biologia   e  Ciências  Gerais.  No  regime 
       \textit{zero-shot},  a  LLM obteve a acurácia máxima de 78,8\%,
       inferior    à    dos   modelos   supervisionados.   No   regime  
       \textit{few-shot},  com apenas um exemplo por classe no prompt,
       a  LLM  atingiu  acurácia  de  94\%, superando todos os modelos
       clássicos.   Os   resultados   indicam   que   LLM   em  regime 
       \textit{few-shot}  constituem  uma alternativa viável e de alto
       desempenho  para a classificação textual em português, mesmo em
       ambientes com recursos computacionais limitados.
  }
}