Acessibilidade do Site:
Artigo Publicado The Proceedings of Workshop on Document Intelligence and Understanding (DocInsights 2026) • ACL Anthology

Acessilia at Dr.DocBench 2026: Agentic Document Parsing through Canonical Tree Adjudication

Autores: Marcelo Akira Inuzuka, Marcos Paulo C. M. Queiroz, Jhonata Fernandes Cordeiro, Eduardo Fraga Pereira

Publicação: The Proceedings of Workshop on Document Intelligence and Understanding, páginas 448–459. Association for Computational Linguistics, Outubro de 2026 • Budapeste, Hungria • ISBN: 979-8-89176-477-4

Resumo: A digitalização e a conversão de documentos acadêmicos e científicos frequentemente geram arquivos PDF visuais sem marcação semântica, impossibilitando a leitura acessível por tecnologias assistivas (leitores de tela e linhas Braille). Este trabalho introduz a abordagem do Acessília no benchmark Dr.DocBench, um framework agentico projetado para avaliar e mitigar perdas estruturais na extração de documentos científicos complexos por meio de adjudicação canônica em árvore. Utilizando modelos de visão-linguagem (VLMs) e orquestração multimodal apoiada na infraestrutura de supercomputação do LaMCAD/UFG, a abordagem proposta atinge taxas superiores de recuperação hierárquica, reconstrução de tabelas e audiodescrição técnica de gráficos e equações matemáticas, viabilizando a conformidade com as normas PDF/UA (ISO 14289) e WCAG 2.2 AAA.

Benchmark Aberto

Métricas padronizadas de integridade semântica, fidelidade de tabelas e ordem de leitura linear.

Supercomputação LaMCAD

Processamento de alta performance para inferência de modelos multimodais de visão computacional.

Anotação Matemática

Conversão de fórmulas para MathML e notações navegáveis termo a termo por sintetizadores de voz.

Como Citar este Trabalho (BibTeX Oficial ACL):
@inproceedings{inuzuka-etal-2026-acessilia,
    title = "Acessilia at {D}r.{D}oc{B}ench 2026: Agentic Document Parsing through Canonical Tree Adjudication",
    author = "Inuzuka, Marcelo Akira  and
      Queiroz, Marcos Paulo C M  and
      Cordeiro, Jhonata Fernandes  and
      Pereira, Eduardo Fraga",
    editor = "T.Y.S.S., Santosh  and
      Agarwal, Amit  and
      Gupta, Vivek  and
      Kementchedjhieva, Yova  and
      Garimella, Aparna  and
      Hou, Yufang",
    booktitle = "The Proceedings of Workshop on Document Intelligence and Understanding",
    month = oct,
    year = "2026",
    address = "Budapest, Hungary",
    publisher = "Association for Computational Linguistics",
    url = "https://aclanthology.org/2026.docinsights-1.31/",
    pages = "448--459",
    ISBN = "979-8-89176-477-4"
}
Avaliação Experimental

Resultados no Benchmark Dr.DocBench

Comparação da acurácia de extração estrutural do Acessília frente a ferramentas baseline tradicionais de OCR e processamento de documentos.

Resultados comparativos de acurácia estrutural no benchmark Dr.DocBench
Pipeline / Abordagem Hierarquia de Títulos (H1-H6) Tabelas Complexas (TEDS) Fórmulas (MathML) Audiodescrição de Figuras Conformidade PDF/UA
OCR Convencional (Tesseract) 41.2% 32.0% 12.4% 0.0% (Inexistente) Não conforme
Extratores de Texto PDF (pypdf/pdfplumber) 58.7% 48.5% 28.1% 0.0% Não conforme
Docling Baseline (Sem Agentes LLM) 82.4% 74.2% 68.9% 35.0% (Heurística) Parcial
Pipeline Acessília (Docling + Agentes IA) 95.8% 91.4% 89.6% 93.2% (Audiodescrição) 100% Conforme
Explorar Dataset no GitHub (A11yDevs/acessilia-dataset) (abre em nova janela)

Declaração de Conformidade de Acessibilidade

O sítio oficial do Acessília foi projetado e auditado para alcançar nível AAA de conformidade segundo as Diretrizes de Acessibilidade para Conteúdo Web (WCAG 2.2) do W3C e as recomendações do e-MAG (Modelo de Acessibilidade em Governo Eletrônico).

WCAG 2.2 AAA e-MAG Governo Federal PDF/UA (ISO 14289) MathPlayer & MathML HTML5 Semântico