Framework Multicritério para Seleção de Modelos de Linguagem em Contextos Educacionais: Uma Análise de Desempenho, Custo e Eficiência Energética
inteligência artificial. ambientes virtuais de aprendizagem. modelos de linguagem. seleção multicritério. profile matching.
(AVAs) exige equilibrar qualidade das respostas, latência, custo computacional e consumo
energético, especialmente em cenários de uso contínuo e em larga escala. Este trabalho
propõe um framework de decisão multicritério para a seleção entre Small Language Models
(SLMs) e Large Language Models (LLMs) em contextos educacionais, modelando a escolha
como um problema de aproximação de perfis (Profile Matching) baseado na distância
euclidiana entre o perfil-alvo do cenário e o desempenho empírico normalizado de cada
modelo. Sob a lógica da Design Science Research (DSR), foram avaliados 21 modelos (13
base e 8 com ajuste fino), variando de 1 a 70 bilhões de parâmetros, em 240 questões de
múltipla escolha (120 originais e 120 do ENEM), distribuídas em oito disciplinas e três
níveis de dificuldade. Os resultados indicam que os LLMs apresentam maior acurácia, com
vantagem clara em questões difíceis, enquanto os SLMs não treinados são substancialmente
mais rápidos (cerca de 8,56 vezes menor latência) e energeticamente mais eficientes (cerca
de 4,83 vezes menos energia). O ajuste fino, nas condições avaliadas, elevou os custos
operacionais sem ganho consistente de acurácia. Nos dez cenários simulados, o framework
selecionou oito modelos distintos, evidenciando que a melhor escolha depende do contexto
e que a seleção baseada em perfis supera a maximização de métricas isoladas.