ads:
R
ENATO
R
OCHA
S
OUZA
Uma proposta de metodologia para escolha
automática de descritores utilizando
sintagmas nominais
Tese apresentada ao Programa
de Pós-Graduação em Ciência
da Informação da Escola de
Ciência da Informação da
Universidade Federal de Minas
Gerais como requisito parcial à
obtenção do título de Doutor
em Ciência da Informação
Área de concentração:
Organização e Tratamento da
Informação.
Orientadora: Profa. Dr. Lídia
Alvarenga
Belo Horizonte
Escola de Ciência da Informação
2005
ads:
Livros Grátis
http://www.livrosgratis.com.br
Milhares de livros grátis para download.
S729p
Souza, Renato Rocha
Uma proposta de metodologia para escolha automática de descritores
utilizando sintagmas nominais / Renato Rocha Souza. – Belo Horinzonte:
ECI/UFMG, 2005.
197f.; 29,7 cm.
Tese (Doutorado) – Escola de Ciência da Informação, UFMG, 2005.
1. Indexação automática – Sintagmas nominais. I. Título
CDU 025.4.034
ads:
ii
iii
Dedicatória
À minha esposa, Karina, com quem o
convívio se traduz na consciência diária
de todos os valores pelos quais se
deseja viver junto a alguém;
Ao meu filho Theo porque, como o
próprio Deus, me faz conhecer através
do amor o sentido da vida;
A meus pais, Roberto e Ana Maria;
meus irmãos, Leonardo e Pedro; e
minha inteira família; por me mostrarem
na vida o valor maior de “ser” e
“conhecer”, antes de “ter”;
E a “mon chien” Guguinho, porque –
parafraseando Drummond – “tem quatro
patas e o sentimento do mundo”.
iv
Agradecimento especial
À minha estimada orientadora, Lídia
Alvarenga, por ter acreditado em meu
trabalho quando ainda era um devir, e por
todo o prazer da convivência neste
processo de orientação;
Agradecimentos
À Universidade Federal de Minas Gerais;
Aos professores Hélio Kuramoto, Renata
Vieira e parceiros – na UNISINOS e na
Universidade de Évora; membros do
colegiado do NITEG; Eckhard Bick e Kothi
Raghavan; pelo apoio, a cessão de
computadores, ferramentas, e inestimáveis
contribuições;
Aos inumeráveis colegas e amigos;
professores, funcionários e alunos da
Escola de Ciência da Informação da UFMG
e da PUC-MG, pelas acolhidas, atenção,
carinho, idéias, sugestões, apoio, críticas, e
o privilégio de conhecê-los e trabalhar
convosco;
A cada um dos colegas e amigos de
doutorado, em especial ao Carlos Alberto
Ávila Araújo e ao Rivadávia C. D. Alvarenga
Neto, pelas intensas trocas de idéias.
v
Epígrafe
“Quem lê tanta notícia?”
(Caetano Veloso)
“Onde não há texto, também não há objeto
de estudo e de pensamento”
(Mikhail Bakhtin)
vi
Resumo
Desde que se tornaram inviáveis em alguns contextos os
processos manuais de indexação de documentos, buscam-se
alternativas eficazes que possibilitem a representação automática
dos assuntos principais desses documentos. Os processos mais
comuns de indexação automática descrevem os documentos
através de uma lógica simplista advinda da análise de freqüência
das palavras que neles ocorrem. Buscando propor processo de
indexação mais eficaz, que analise as palavras e expressões no
âmbito de seus contextos lingüísticos, três pressupostos são
definidos: (1) a utilização de sintagmas nominais como descritores
apresenta vantagens em relação ao uso de palavras-chave; (2) a
extração de sintagmas nominais de textos de documentos
digitalizados é possível e viável com ferramentas tecnológicas
atualmente disponíveis e (3) é possível estabelecer processo
automatizado e eficaz para escolha de descritores significativos
para documentos digitalizados, utilizando sintagmas nominais. O
objetivo da presente pesquisa é apresentar uma metodologia para
viabilizar o processo de atribuição de descritores a textos
digitalizados – indexação – através da extração de sintagmas
nominais e da análise de fatores como a freqüência de ocorrência
desses sintagmas nominais nos textos dos documentos, no
conjunto dos documentos; a estrutura dos sintagmas nominais; o
nível dos sintagmas nominais e a ocorrência desses em tesauro de
um campo de conhecimento específico. Para atingir esse objetivo
são analisados (a) um corpus de 15 documentos dos quais foram
extraídos os sintagmas nominais manualmente, para testar o
processo de extração automática e (b) um corpus de 60
documentos provenientes de publicações eletrônicas da área de
ciência da informação. A metodologia proposta foi aplicada
inicialmente a parte do corpus para validação e parametrização das
variáveis do algoritmo, e então novamente aplicada, com
alterações, à totalidade do corpus. Os resultados apresentados
demonstraram grande pertinência dos descritores atribuídos aos
documentos e permitiram concluir que a metodologia obtém
sucesso inequívoco nas condições estudadas.
Palavras-chave: sintagmas nominais, sistemas de recuperação de
informações, indexação automática.
vii
SOUZA, R. R. Uma proposta de metodologia para escolha
automática de descritores utilizando sintagmas nominais. 2005. 197
f. Tese (Doutorado em Ciência da Informação) – Escola de Ciência
da Informação, Universidade Federal de Minas Gerais, Belo
Horizonte.
Abstract
Since manual indexing was found impossible for some
document processing contexts, researchers seek alternatives to
represent documents’ subjects automatically. The most common
processes try to determine documents’ subjects through the analysis
of words' frequencies. Searching for a better indexing process which
analyses words and expressions within their linguistics contexts,
three assumptions are made: (1) using noun phrases as descriptors
is better than using keywords; (2) the extraction of the noun phrases
from digitalized textual documents is possible and viable with the
software tools available and (3) it is possible to establish an
automated and functional process to choose good descriptors for
documents using noun phrases. The aim of this research was to
develop a methodology that would enable the indexation of
digitalized documents through the extraction of the noun phrases
and analysis of characteristics such as: (1) the frequency of
occurrence of the noun phrases in the text of the document; (2) The
frequency of occurrence in the whole set of documents; (3) the
structure of the noun phrase; (4) the level of the noun phrase and (5)
the occurrence of the noun phrase in a thesaurus of the subject’s
field. In order to reach this goal, the following pieces were analyzed
(a) a corpus made of 15 documents from winch the noun phrases
were extracted manually, to test the automatic extraction and (b) a
corpus made of 60 documents coming from the field of information
science. The methodology proposed was applied initially to part of
the corpus for validation and calibration purposes, and then it was
again applied, with some changes, to the whole corpus. The results
presented showed a great deal of adequateness of the descriptors
associated to the documents and this led to the conclusion that the
methodology is unequivocally successful in the studied conditions.
Keywords: noun phrases, information retrieval systems, automatic
indexing.
viii
Lista de Ilustrações
Figura 1 – Mapa Conceitual representando estratégias alternativas para
melhoria dos SRIs.
________________________________________________4
Figura 2 – Exemplo de indicador sintagmático.___________________________20
Figura 3 – Exemplo de divisão sintagmática._____________________________23
Figura 4 – O processo de recuperação de informações (adaptado de BAEZA-
YATES & RIBEIRO-NETO, 1999, p. 10)
____________________________32
Figura 5 – Visão lógica do documento através das várias fases do
processamento do texto (adaptado de BAEZA-YATES & RIBEIRO-NETO,
1999, p. 166).
____________________________________________________37
Figura 6 – Uma taxonomia de modelos de RI (adaptado de BAEZA-YATES &
RIBEIRO-NETO, 1999, p. 21).
_____________________________________45
Figura 7 – O roadmap da web semântica (adaptado de SemanticWeb.Org,
2001).
__________________________________________________________67
Figura 8 – Seqüência de aplicação e avaliação da metodologia ____________75
Figura 9 – Fluxograma da metodologia prospectiva_______________________77
Figura 10 – Ferramentas utilizadas na metodologia_______________________85
Figura 11 – Resultado de um texto submetido ao processador PALAVRAS __88
Figura 12 – Arquivo de palavras________________________________________89
Figura 13 – Arquivo de Categorias Morfossintáticas ______________________90
Figura 14 – Arquivo de agrupamentos __________________________________90
Figura 15 – Histograma de freqüência para SNs únicos __________________105
Figura 16 – Comparações entre freqüências e relevância de SNs _________106
Figura 17 – Correlação entre Estrutura e Relevância dos SNs ____________111
Figura 18 – Freqüências de SNs relativas à relevância semântica _________114
Figura 19 – Fluxograma da metodologia consolidada ____________________120
ix
Lista de Tabelas
Tabela 1 – Notação para as funções sintáticas___________________________21
Tabela 2 – Estruturas sintagmáticas possíveis ___________________________22
Tabela 3 – Funções desempenhadas pelos itens lexicais na estrutura do SN 24
Tabela 4 – Diferenças entre a recuperação de dados e a recuperação de
informação (adaptado de RIJSBERGEN, 1979).
______________________30
Tabela 5 – Determinantes comuns _____________________________________80
Tabela 6 – Valor atribuído ao SN de acordo com sua relevância____________93
Tabela 7 – Comparações quantitativas entre os processos de extração de SNs
________________________________________________________________97
Tabela 8 – Freqüências de ocorrência dos SNs nos 6 primeiros artigos do
corpus
_________________________________________________________103
Tabela 9 – Análises de correlação entre as freqüências de ocorrência e a
relevância dos SNs
______________________________________________104
Tabela 10 – Análises de correlação entre estrutura sintática e relevância dos
SNs
___________________________________________________________109
Tabela 11 – Exemplos da classificação adotada para os SNs segundo suas
estruturas sintáticas
_____________________________________________109
Tabela 12 – Análises de correlação entre a relevância dos SNs e a ocorrência
no tesauro da CI
________________________________________________113
Tabela 13 – Relacionamentos pertinentes à relevância dos SNs __________119
Tabela 14 – Valor atribuído ao SN de acordo com sua estrutura sintática e nível
_______________________________________________________________123
Tabela 15 – Valores atribuídos às constantes na aplicação da metodologia_125
Tabela 16 – Informações sobre os SNs dos documentos do corpus________127
Tabela 17 – Freqüências dos SNs segundo a relevância semântica _______128
Tabela 18 – Histogramas de freqüências dos SNs segundo a relevância
semântica
______________________________________________________129
Tabela 19 – Comparação dos resultados na duas aplicações da metodologia
_______________________________________________________________132
x
Lista de Abreviaturas e Siglas
CGI Common Gateway Interface
D Determinante
HTML Hyper Text Markup Language
MB Megabytes
N Nome
PDF Portable Document Format
PERL Practical Extraction and Reporting Language
PLN Processamento de Linguagem Natural
RAM Random Access Memory
RDF Resource Description Framework
SGBD Sistema Gerenciador de Banco de Dados
SGML Standard Generalized Markup Language
SN Sintagma Nominal
SRI Sistema de Recuperação de Informações
SV Sintagma Verbal
TXT Text
o Simples
VISL Virtual Interactive Syntax Learning
WWW, WEB World Wide Web
XML Extensible Markup Language
XSL Extensible Stylesheet Language
xi
Sumário
Resumo _____________________________________________________________ vi
Abstract_____________________________________________________________vii
Lista de Ilustrações __________________________________________________ viii
Lista de Abreviaturas e Siglas ___________________________________________x
Sumário_____________________________________________________________ xi
1 INTRODUÇÃO _____________________________________________________1
1.1 – Delimitação do problema _____________________________________7
1.2 – Objetivos e pressupostos______________________________________8
Objetivo geral ________________________________________________8
Objetivos específicos___________________________________________8
2 FUNDAMENTOS CONCEITUAIS____________________________________11
2.1 – Fundamentos lingüísticos ___________________________________11
2.1.1 – Algumas palavras sobre a linguagem_______________________12
2.1.2 – A lingüística e as gramáticas _____________________________13
2.1.3 – Aspectos morfológicos __________________________________14
2.1.4 – Aspectos sintáticos _____________________________________15
2.1.5 – Alguns modelos sintáticos da gramática gerativa _____________16
2.1.6 – Os sintagmas nominais__________________________________19
2.1.7 – Funções sintáticas no SN ________________________________23
2.1.8 – Identificação e extração dos SNs __________________________25
2.2 – Sistemas de recuperação de informações _______________________27
2.2.1 – Conceituação de SRI____________________________________28
2.2.2 – Representação de documentos em SRIs _____________________32
2.2.3 – Armazenamento em SRIs_________________________________40
2.2.4 – Recuperação de documentos em SRIs_______________________42
2.3 – Sintagmas nominais e sistemas de recuperação de informações_____49
2.3.1 – SRIs baseados no processamento de linguagem natural ________50
2.3.2 – O uso de SNs como descritores____________________________52
2.4 – Tesauros e sistemas de recuperação de informações ______________55
3 CONTEXTOS DE APLICABILIDADE ________________________________60
3.1 – A web e a web semântica ____________________________________60
3.1.1 - A web semântica _______________________________________61
3.1.2 - SGML, HTML e XML ___________________________________63
3.1.3 - Metadados e o padrão Dublin Core ________________________65
3.1.4 - Ontologias ____________________________________________66
3.1.5 – A web e a semântica ____________________________________67
3.2 – Bibliotecas digitais _________________________________________69
4 METODOLOGIA E FERRAMENTAS ________________________________72
xii
4.1 – Considerações sobre os corpora utilizados (material) _____________72
4.2 – A metodologia prospectiva ___________________________________75
4.3 – Ferramentas utilizadas______________________________________84
4.3.1 – O VISL e o processador “Palavras” _______________________86
4.3.2 – A extração automática de SNs ____________________________89
4.4 – Critérios de corte e avaliação dos descritores extraídos ____________91
4.4.1 – Considerações gerais sobre a quantidade de descritores extraídos91
4.4.2 – Critérios de avaliação da metodologia______________________93
5 RESULTADOS DA APLICAÇÃO DA METODOLOGIA PROSPECTIVA __95
5.1 – A validação da extração automática de sintagmas nominais________95
5.1.1 – Considerações sobre o tempo gasto no processo______________96
5.1.2 – Considerações quantitativas e qualitativas sobre os SNs
identificados
________________________________________________97
5.2 – A análise dos dados da aplicação da metodologia prospectiva_______98
5.2.1 – Considerações sobre as freqüências de ocorrência dos SNs e a
relevância semântica como descritores
__________________________101
5.2.2 – Considerações sobre as estruturas sintáticas dos SNs e a relevância
como descritores
____________________________________________108
5.2.3 – Análise integrada de freqüência, relevância semântica e ocorrência
no tesauro de CI
____________________________________________111
6 A METODOLOGIA CONSOLIDADA________________________________117
6.1 – Considerações para a alteração da metodologia_________________117
6.2 – A análise final dos dados ___________________________________123
6.3 – Discussão dos resultados ___________________________________130
6.3.1 – Comparação entre SNs e palavras-chave como descritores ____130
6.3.2 – Avaliação geral da metodologia consolidada _______________131
7 CONSIDERAÇÕES FINAIS E TRABALHOS FUTUROS _______________135
REFERÊNCIAS BIBLIOGRÁFICAS___________________________________141
ANEXO A: O corpus de artigos utilizados para validação da metodologia_____148
ANEXO B: Resultados das análises do corpus inicial ______________________165
ANEXO C: Resultados das análises do corpus total________________________174
ANEXO D: Lista de sintagmas nominais descartados______________________197
ANEXO E: Indicações do corpus utilizado na comparação da extração automática
e manual
___________________________________________________________198
1
1 INTRODUÇÃO
Uma das características dos trabalhos de pesquisa no campo das ciências sociais
aplicadas é a possibilidade de se adotar posicionamento que as distanciam tanto do
positivismo solipsista, comum às ciências exatas – que não raro apresentam objetos de
pesquisa como fins em si, totalmente dissociados dos contextos que os motivam e das
conseqüências de seus resultados – mas também distante de certo subjetivismo, que por
vezes acometem as pesquisas oriundas de ciências humanas, o que faz também com que
seus resultados não se traduzam em benefícios generalizáveis. A tese que ora se
apresenta nasceu de um contexto social amplo que o justifica, e se materializa em uma
metodologia para resolver um problema bem definido, apresentando soluções viáveis.
É propósito desta introdução oferecer os subsídios necessários ao correto
entendimento da passagem desses amplos contextos aos problemas que neles se
originam, em especial aquele para o qual se pretende apresentar proposta de solução.
Nesse sentido, são apresentados nesta introdução: o contexto social da pesquisa; a
gênese do objeto de pesquisa; a delimitação do problema; os objetivos e pressupostos.
Ao final, apresenta-se a estrutura do trabalho.
Diversos teóricos procuram abarcar, em suas análises, o fenômeno da concretização
de previsões sobre uma “sociedade da informação”, ou “do conhecimento”, em que a
maior força motriz para geração de bens comuns está baseada na informação e nos
diversos sistemas especialistas e mediáticos que a manipulam ou dela dependem
(TOFFLER, 1980; SCHAFF, 1990; GIDDENS, 1991; LEVY, 1993 e 1999; CASTELLS,
1999; TAKAHASHI, 2000; MATTELART, 2002). Alguns desses teóricos apontaram por
vezes as facetas mais insidiosas desse processo (SANTOS, 2000; POSTMAN, 1984;
BECK, 1992); é inegável, porém, a importância que os sistemas de informação
1
, seus
subprodutos e suas tecnologias associadas, assumiram na constituição das estruturas
sociais (GIDDENS, 1991; CASTELLS, 1999), e a confiança quase atávica dos usuários
nesses sistemas (GIDDENS, 1991). Se olharmos à nossa volta, podemos perceber as
inúmeras dependências entre essas tecnologias e a sociedade, o que pode ser ilustrado
1
Entende-se, no escopo deste trabalho, que sistemas de informação são sistemas que
desempenham atividades de comunicação de informações, integrando tecnologias e grupos humanos, nas
diversas configurações políticas e sociais.
2
por uma miríade de exemplos, como os sistemas de comunicação do mercado financeiro,
os sistemas de controle de tráfego terrestre, marítimo e aeroviário, de telecomunicações e
telefonia, sistemas de folha de pagamento, sistemas de controle comercial, a Internet e a
word wide web, entre outros.
Lado a lado aos problemas sociais de exclusão digital que impedem que grande
parcela da população possua os meios tecnológicos e as ferramentas cognitivas para
compreensão, acesso e utilização dos acervos disponíveis nas redes eletrônicas,
convivem problemas não menos importantes, relativos à gestão das informações que são
produzidas continuamente pelas atividades humanas, e necessárias a todo instante para
preencher nossas lacunas de conhecimento, nos vários âmbitos sociais. Esses problemas
devem ser atacados de forma concomitante, porque a ignorância de qualquer desses
aspectos pode gerar atrasos onerosos no desenvolvimento da sociedade.
Os sistemas de informação e de comunicação permeiam e viabilizam virtualmente
todas as atividades sociais, e não mais podemos conceber a sociedade sem sua
acentuada imbricação com as tecnologias de informação que nela surgem e a modificam.
Acompanhando o desenvolvimento dessas tecnologias, os repositórios de informações
que são produzidos durante o desempenho das inúmeras atividades humanas vêm
migrando para o ambiente on-line, de forma que, parafraseando SHERA & CLEVELAND
(1977), “os registros da aventura intelectual humana” estejam cada vez mais em formatos
digitais, acessíveis através de redes e sistemas de computadores. Nas palavras de
FOSKETT (1997, p. 3), “as necessidades humanas de informação estão crescendo, na
medida em que crescem as dependências de informação da sociedade, para sobreviver e
florescer”.
Para suprir a necessidade de registrar as informações, criadas continuamente em
ritmos vertiginosos, e a demanda por essas informações, são necessárias mudanças
estruturais nas entidades que atuam como “centros de cálculo” (LATOUR in BARATIN e
JACOB, 2000, p. 21), como as bibliotecas, repensando seus processos e instrumentos à
luz das novas configurações sócio-técnicas. Esses centros de cálculo há muito vêm se
beneficiando da existência de sistemas de recuperação de informações
2
(SRIs), que
2
Entende-se, no escopo da presente tese, que os sistemas de recuperação de informações são
sistemas, usualmente baseados em tecnologias digitais, que lidam com a organização e o acesso aos itens
3
utilizam diversas tecnologias mecânicas e digitais de computação, para gerenciar grandes
acervos de documentos. São exemplos os sistemas de controle de acervo de bibliotecas
tradicionais e também, em fenômenos mais recentes, a Internet, as intranets empresariais
com seus portais corporativos, e as bibliotecas digitais.
Nesse contexto, o objeto de pesquisa em questão nasceu como contribuição para se
enfrentarem alguns dos muitos desafios que surgem, quando lidamos com massivas
quantidades de dados textuais, como nos grandes acervos de documentos digitais,
notadamente quando estes precisam ser regularmente organizados e pesquisados,
visando recuperar em tempo hábil informações relevantes para algum objetivo específico.
Com o aparente esgotamento
3
das estratégias tradicionais de busca de informação
em SRIs, entendemos que a melhoria da eficácia do serviço aos usuários dos sistemas
depende de esforços em diversas linhas de pesquisa, em todo o espectro da cadeia de
processos de organização da informação. Algumas das opções de trabalho são as
seguintes:
1) a exploração das informações semânticas intrínsecas aos documentos, de forma a
expandir a compreensão das unidades e padrões de significado em textos,
imagens e outras mídias;
2) o desenvolvimento de novas possibilidades de marcação semântica dos dados
utilizando-se metalinguagens, criando registros de metadados acoplados aos
próprios documentos com termos amplamente consensuais e não ambíguos, para
que esses possam ser mais facilmente manipulados e identificados por
computadores e outros dispositivos e, como conseqüência, pelos usuários;
3) o desenvolvimento de estratégias de apresentação da informação recuperada nas
buscas, de forma altamente significativa e contextual
4
– como em algumas
interfaces gráficas – de forma que as relações entre os conceitos, e em
conseqüência, os contextos, sejam evidentes; e também de estratégias que
de informação, desempenhando as atividades de representação, armazenamento e recuperação desses
itens.
3
As estratégias tradicionais de busca e recuperação de informações em SRIs baseiam-se na
modelagem do assunto dos documentos a partir da distribuição de suas palavras-chave. Embora existam
inúmeras propostas de avanços, parece haver um limite para a eficácia de muitas dessas estratégias.
4
Informação apresentada sem desprezo do contexto que lhe confere sentido.
4
busquem estimular os vários órgãos sensoriais ao mesmo tempo – como nas
ferramentas multimídias – para que a absorção das informações pelos usuários
seja maior. Através dessas interfaces e estratégias, as informações podem ser
apresentadas de forma a possuírem conexões visuais com os contextos de origem,
permitindo ao usuário refinar os resultados através da definição das conexões
pertinentes e a exclusão das conexões geradas pelo ruído informacional;
4) A construção e a manutenção de perfis personalizados de utilização, de forma que
o SRI “aprenda” com a forma de trabalho do usuário e possa utilizar essas
informações específicas para melhorar a estratégia de busca do SRI.
Vejamos a representação das estratégias, seus desdobramentos e possíveis
vantagens no mapa conceitual da FIG. 1 a seguir:
Figura 1 – Mapa Conceitual representando estratégias alternativas para melhoria dos SRIs.
Uma abordagem completa para a organização e a recuperação de informações,
visando à melhoria dos SRIs atuais, poderia reunir essas estratégias e soluções,
buscando:
5
• possibilitar a indexação dos documentos utilizando representações mais
significativas, de modo a aumentar e melhorar os pontos de acesso e a
relevância das informações recuperadas;
• prover forma adequada de apresentar as informações recuperadas aos usuários,
de maneira que sejam intuitivas e facilmente compreensíveis;
• utilizar no processo de indexação padrões universais de registros de metadados
para que os vários sistemas de informação sejam interoperáveis;
• adaptar-se continuamente aos usuários, sendo preferível que possam aprender
com a forma com que trabalham, de modo que as buscas sejam continuamente
refinadas através de trabalho de personalização.
Existem hoje diversas tentativas, mais ou menos coordenadas, de se abordarem
estas ações fundamentais, mas a real integração demandaria estudos concomitantes em
diferentes áreas do conhecimento e campos de pesquisa, como a ciência da informação,
a lingüística, a ciência da computação, a psicologia cognitiva, a comunicação, a
sociologia, a antropologia, entre outras.
De maneira isolada, há pesquisas que incluem desde o estudo de interfaces
gráficas, que procuram estabelecer uma plataforma de utilização mais intuitiva por parte
dos usuários de SRIs (LAMPING et al, 1995; CAÑAS et al, 1999), até as tecnologias que
vêm sendo exploradas no contexto da web semântica
5
(BERNERS-LEE et al, 2001;
SEMANTICWEB.ORG, 2003), com vistas ao projeto e à implementação de padrões de
metadados, que adicionem aos dados informações significativas sobre seus contextos,
marcando-os semanticamente; e mecanismos de busca que levem em conta estes dados
marcados. Ainda no âmbito da web semântica, há pesquisas e desenvolvimento de
programas de computador comumente chamados agentes inteligentes, que têm a
possibilidade de fazer a colheita (ou harvesting) de informações em outros computadores,
agentes e dispositivos eletrônicos, para então tomar decisões baseadas em heurísticas
embutidas. Esses agentes também executariam tarefas comuns de usuários de forma
5
“Web semântica” é o nome genérico do projeto capitaneado pelo World Wide Web Consortium que
pretende embutir inteligência e contexto nos códigos XML utilizados para confecção de páginas web, de
modo a melhorar a forma com que programas podem interagir com estas páginas e também possibilitar o
uso mais intuitivo pelos usuários. Esse tópico será explorado adiante na presente tese.
6
automática e personalizada, por meio da construção de perfis personalizados
(HERMANS, 1996; NWANA, 1996; WOOLDRIDGE & JENNINGS, 1995 e 1998).
Pouco explorada, entretanto, é a utilização da semântica embutida nos próprios
documentos, ou seja, as potencialidades intratextuais da linguagem natural, para
automatizar e melhorar as tarefas de indexação, organização e recuperação de
informações. Os SRIs usualmente utilizam como descritores
6
e unidades de recuperação
as palavras isoladas que, embora sirvam de forma bastante razoável aos propósitos de
recuperação de informações, falham em grande parte justamente por não considerarem o
contexto informacional implícito em toda a consulta (LAWRENCE, 2000; RAGHAVAN et
al, 1999), porque não estão preparados para lidar com a forma com que estas palavras ou
conceitos estão relacionados. Esses relacionamentos, na prática, determinam as minúcias
e especificidades dos assuntos pesquisados. Dessa forma, perdem-se informações
fundamentais sobre o escopo em que as palavras estejam sendo utilizadas e, em
conseqüência, a pertinência da pesquisa diminui. Tais problemas estão relacionados a
questões lingüísticas como polissemia
7
e sinonímia
8
que são constantes em bases de
dados textuais, e que tornam inviáveis as abordagens clássicas de recuperação de
informação (RAGHAVAN et al, 1999). O problema é agravado por uma acentuada
dificuldade dos usuários médios em traduzir suas necessidades de informação em termos
significativos isolados – usualmente palavras-chave – utilizados para as buscas em
sistemas de recuperação de informações.
Pesquisas nessa área incluem o uso de estruturas profundas da linguagem natural,
como os sintagmas verbais e nominais, para indexação e recuperação (KURAMOTO,
1996 e 1999; MOREIRO et al, 2003); e de ferramentas de representação de
relacionamentos semânticos e conceituais, como os tesauros, para ampliar a gama de
informações recuperadas e aferição de contextos (SPARCK JONES & WILLETT, 1997, p.
15-20), além de outras estratégias derivadas da lingüística e da ciência da informação.
Todas essas estratégias são fortemente atreladas ao idioma, o que faz com que os
6
Descritores são considerados, no escopo deste trabalho, como termos de indexação relativos a um
documento, usualmente palavras ou conjuntos de palavras que representem conceitos relacionados aos
assuntos principais desses documentos.
7
Qualidade de uma única palavra ter diferentes significações.
8
Figura pela qual se exprime a mesma coisa ou se repete a mesma idéia por palavras sinônimas.
7
possíveis resultados da pesquisa tenham aplicação circunscrita ao contexto lingüístico da
comunidade em questão. As metodologias, entretanto, são generalizáveis e sua
aplicabilidade a outras linguagens é perfeitamente possível.
1.1 – Delimitação do problema
Nesta tese, embasado na epistemologia da ciência da informação (na sub-área de
organização de informação), com aportes da lingüística e das tecnologias oriundas da
ciência da computação, foi investigado o potencial de uso dos sintagmas nominais em
processos de indexação automática. Partiu-se do pressuposto de que os sintagmas
nominais, pelo maior grau de informação semântica embutida, podem vir a se tornar mais
eficazes do que as palavras-chave
9
usualmente extraídas e utilizadas como descritores
em outros processos automatizados de representação de documentos, tais como os
observados nos mecanismos de busca da Internet, ou em sistemas de leitura das
palavras-chave fornecidas pelo autor dos documentos.
A problemática da representação dos documentos e sua posterior recuperação é
percebida diariamente através da vivência do autor da presente tese em ambientes onde
se experimentam as dificuldades e se observam os problemas relacionados à
recuperação de informações em grandes bases eletrônicas, e inspira-se também no
embasamento teórico e metodológico advindo do campo da ciência da informação.
Alguns trabalhos, entretanto, se apresentam como marcos a partir dos quais se
pretendeu avançar. Dentre eles, a pesquisa sobre a viabilidade do uso dos sintagmas
nominais para sistemas de recuperação de informações de KURAMOTO (1996 e 1999) e
as ferramentas para marcação sintática de frases da língua portuguesa e automatização
da extração de unidades sintáticas, como os sintagmas nominais, desenvolvidas no
âmbito dos projetos da Southern Denmark University (BICK, 2000) e da Unisinos (VIEIRA,
2000; VIEIRA e QUARESMA, 2001).
A partir dessas pesquisas e das ferramentas produzidas, pretendeu-se apresentar e
validar uma metodologia para a indexação de documentos digitalizados de texto completo
através da extração e seleção dos sintagmas nominais representativos. Como
9
Costuma-se denominar “palavra-chave” qualquer palavra ou conjunto de palavras utilizado como
termos de indexação.
8
subproduto, também foi sugerida uma metodologia para atualização semi-automática de
tesauros monolíngües.
1.2 – Objetivos e pressupostos
De forma explícita, os objetivos desta pesquisa são os seguintes:
Objetivo geral
• Desenvolver uma metodologia para a escolha automática de descritores
para documentos textuais digitalizados, em língua portuguesa, utilizando as
estruturas lingüísticas conhecidas como sintagmas nominais.
Objetivos específicos
• Testar a eficácia relativa de um conjunto de ferramentas para a extração
automática de sintagmas nominais, comparando a extração automática com
a extração manual;
• Analisar a possibilidade de a metodologia proposta ser utilizada para o
auxílio na atualização de tesauros de língua portuguesa;
Os principais pressupostos desta pesquisa foram:
1. a utilização de sintagmas nominais como descritores em processo de indexação
automática apresenta vantagens em relação ao uso de palavras-chave, devido
ao fato de esses possuírem, em comparação, maior densidade informacional, e
serem mais bem relacionados ao contexto semântico do documento (como
exposto na seção 2.3.2). Esse pressuposto é posto à prova na subseção 6.3.1;
2. a extração automática de sintagmas nominais é possível através do uso de
ferramentas de software (apresentadas na seção 4.3), com desempenho
qualitativamente comparável ao processo de extração manual. Este pressuposto
é posto à prova na seção 5.1, e extensivamente ao longo do capítulo 5;
3. é possível estabelecer processo automatizado e eficaz para a escolha de
descritores significativos para textos digitalizados, utilizando sintagmas nominais.
Esse pressuposto, central em relação ao trabalho, foi discutido ao longo do
capítulo 5.
9
A estrutura da tese é a seguinte:
Nesta Introdução foram apresentados o contexto social da pesquisa, a gênese do
problema, os objetivos, os pressupostos e a forma em que foram encadeadas as
temáticas a serem tratadas ao longo do trabalho.
No segundo capítulo, Fundamentos conceituais, são discutidos os conceitos que
compreenderam o construto teórico deste trabalho, como os fundamentos lingüísticos
necessários e a teoria advinda dos sistemas de recuperação de informações.
No terceiro capítulo, Contextos de aplicabilidade, são apresentados os ambientes
tecnológicos e informacionais que justificaram – e por vezes possibilitaram – o
desenvolvimento das metodologias, como as tecnologias da web semântica e as
bibliotecas digitais.
No quarto capítulo, Metodologia e ferramentas, são apresentados em detalhes a
metodologia prospectiva e os recursos computacionais utilizados em todos os testes
empíricos. Também são tecidas considerações sobre os corpora utilizados.
No quinto capítulo, Resultados da aplicação da metodologia prospectiva, são
analisadas comparativamente a extração manual e automática de sintagmas nominais,
com o uso de corpus do qual os sintagmas nominais foram extraídos, tanto manualmente
quanto automaticamente. Em seguida, são apresentados os resultados da aplicação da
metodologia prospectiva proposta para a extração automática de descritores num corpus
inicial reduzido – com o objetivo de testar e refinar a metodologia.
No sexto capítulo, A metodologia consolidada, o conhecimento apreendido com a
aplicação da metodologia prospectiva foi utilizado para o desenho da metodologia
consolidada. Em seguida, essa metodologia consolidada foi explicitada e aplicada à
totalidade do corpus. Por fim, a metodologia foi analisada à luz dos resultados atingidos.
No sétimo e último capítulo, Considerações finais e possibilidades em aberto,
são tecidas considerações sobre os resultados empíricos obtidos a partir da metodologia
consolidada à luz dos fundamentos teóricos e conceituais; e são comentadas as possíveis
dificuldades que podem ser encontradas para a viabilização da metodologia em
ferramentas computacionais. Finalmente, são apresentadas especulações teóricas sobre
10
os campos que podem ser ainda explorados a partir das metodologias e dos resultados
apresentados.
11
2 FUNDAMENTOS CONCEITUAIS
Neste capítulo, são apresentados os marcos teóricos necessários para o completo
entendimento da proposta desta tese.
Na primeira seção, apresentam-se os fundamentos lingüísticos necessários para o
entendimento da estrutura do sintagma nominal, com algumas considerações sobre a
limitação do modelo sintagmático e a adequação desse para metodologias
automatizadas.
Na segunda seção, são apresentados os princípios de funcionamento dos sistemas
de recuperação de informações, que fundamentaram teleologicamente a presente
pesquisa, com ênfase nos processos de representação, armazenamento e recuperação
de informações. Cabe ressaltar que a metodologia desenvolvida nesta tese não
compreende projeto completo de sistema de recuperação de informação, mas sim um de
seus subprocessos, a saber, a indexação, que é uma forma de representação.
Nas duas seções subseqüentes são apresentados os relacionamentos entre os
sistemas de recuperação de informações e os sintagmas nominais; e entre os sistemas
de recuperação de informações e os tesauros, complementando o ferramental
epistemológico necessário para a compreensão da metodologia utilizada.
2.1 – Fundamentos lingüísticos
As digressões e definições a seguir são concernentes ao crescente campo, de certa
forma relacionado à ciência da informação, que é o processamento automatizado da
linguagem natural; e foram preciosos auxiliares para que tivéssemos a necessária
contextualização do objeto de pesquisa e completo entendimento de alguns caminhos
evolutivos dos sistemas de recuperação de informações, quando estes adotam
estratégias baseadas na sintaxe e na semântica dos documentos textuais armazenados.
Tendo sido os sintagmas nominais objetos de estudo da presente tese, foi necessário
debruçar-se nas especificidades dos modelos de gramáticas gerativas de forma geral e de
suas especificidades para a língua portuguesa.
12
2.1.1 – Algumas palavras sobre a linguagem
Dentre os vários conceitos expressos pela palavra linguagem, adotamos as
definições que aproximavam seu significado do termo “língua”, ou seja “o conjunto das
palavras e expressões usadas por um povo, por uma nação, e o conjunto de regras da
sua gramática; idioma” (FERREIRA, 1999). A linguagem é, segundo PERINI (1985, p. 15),
“o mais importante, o mais onipresente dos fenômenos sociais, e um pré-requisito para a
existência das sociedades humanas”. Poderíamos acrescentar o fato de que a linguagem
é a grande mediadora das relações humanas; o instrumento mais evidente em nossa
interação social. VYGOTSKY defende o papel do aprendizado da linguagem para o
desenvolvimento da cognição, quando postula que, inicialmente, a linguagem teria como
objetivo permitir a comunicação interpessoal, mas também possibilitaria o aflorar do
diálogo interno, que se torna a base da abstração reflexiva, que é etapa fundamental no
desenvolvimento da inteligência (1987, p. 38-44 e 127-132). Defende, portanto, que
pensamento e linguagem estão intimamente entrelaçados na constituição da inteligência
de cada indivíduo. De maneira semelhante, CHOMSKY, em seus trabalhos mais recentes,
postula que os princípios subjacentes às estruturas das linguagens são de tal modo
específicos e tão altamente articulados que deveriam ser vistos como biologicamente
determinados e geneticamente transmitidos (apud LYONS, 1983). Ainda é de interesse
notar a importância que atribui WITTGENSTEIN à linguagem em suas investigações
filosóficas (1967), e a forma com que DAHLBERG explicita o papel da linguagem na
formação dos conceitos (1978).
Sendo a forma natural de mediação das relações humanas e o veículo mais
evidente de suas idéias, é de se esperar que as parcelas majoritárias dos registros de
informação concernentes às atividades humanas estejam codificadas em forma de textos,
em alguma linguagem natural específica. O fato de as linguagens naturais serem
instrumentos tão evidentes para o intercâmbio cognitivo entre seres humanos, e devido à
escassez de abordagens na área da ciência da informação que tratem do assunto, nos
faz acreditar que o desenvolvimento e intensificação das pesquisas visando à
recuperação de informações através da análise e do processamento dos aspectos
profundos e semânticos da linguagem natural possa proporcionar grandes saltos
qualitativos na concepção de sistemas de recuperação de informações.
13
2.1.2 – A lingüística e as gramáticas
Dentre as várias possíveis definições para gramática, adotamos o “estudo da
morfologia e da sintaxe de uma língua”, e a gramática gerativa como a “teoria lingüística
que procura estabelecer, com base em princípios universais, um modelo geral de
gramática, do qual derivariam as gramáticas de cada língua em particular” (FERREIRA,
1999). Ou mesmo a definição de HOUAISS “descrição de uma língua que usa regras
formalizadas, constituindo um conjunto de instruções inteiramente explícitas e de
aplicação mecânica, e que são capazes de gerar todas as frases gramaticais de uma
língua e nenhuma agramatical” (2001). O estudo da linguagem pertence ao campo da
lingüística, e o produto do trabalho do lingüista é a gramática; que nunca deve ser
prescritiva ou normativa, mas antes deve almejar explicitar os mecanismos de uma
linguagem específica. Usando a terminologia de CHOMSKY, podemos dizer que a
gramática “gera” – definindo como gramaticalmente válidas – todas as possíveis
sentenças no escopo de determinada língua (idioma) em particular (1969).
A descrição da linguagem compõe-se essencialmente de três elementos: a
descrição formal, a descrição semântica e o sistema que relaciona o plano semântico
com o formal. A descrição formal compreende os elementos fonológicos (relativos à
pronúncia), morfológicos (relativos à forma, a composição em morfemas e possibilidades
de variação) e os sintáticos (a forma como os elementos se inserem nas orações, e suas
funções sintáticas); enquanto a descrição semântica (relativa ao sentido, ao significado)
se relaciona a todos os elementos anteriores através das regras de interpretação
semântica. As regras fonológicas, morfológicas e sintáticas definem as construções
possíveis na língua, enquanto as construções semânticas relacionam as construções e
seus significados (PERINI, 1985 e 1995).
Somente com o correto entendimento desses âmbitos da gramática, pudemos
analisar o objeto da presente pesquisa em profundidade, com exceção feita à análise
fonológica, uma vez que a pesquisa e a metodologia adotada tiveram como objeto
empírico informação registrada em textos. Leva-se em conta que grande parte dos
sistemas automatizados de recuperação de informações englobam processos de
indexação automática, e estes processos se valem amiúde de reduções morfológicas
para as operações de indexação. A utilização de sintagmas nominais nesta tese
14
demandou processamento que abarcasse principalmente os aspectos sintáticos, mas,
ainda assim, um completo entendimento das estruturas sintagmáticas não prescindiu da
atenção aos aspectos semânticos da linguagem.
Os modelos e definições apresentados nesta seção são aplicáveis à grande maioria
das linguagens naturais, mas a metodologia e as ferramentas apresentadas neste
trabalho foram desenvolvidas especificamente para o uso com a língua portuguesa, ainda
que possam ser adaptadas para outros idiomas.
2.1.3 – Aspectos morfológicos
Embora as menores unidades da sentença sejam as palavras, a menor unidade
sintática é o morfema. Como exemplo, temos a palavra redistribuição. Sabemos que
existem aí diversos elementos gramaticais identificáveis pela forma e sentido: o prefixo re
(que designa uma ação ou fenômeno repetido), a raiz “distribui” e o sufixo “ção” (que
forma substantivos abstratos). Esse mesmo prefixo aparece em diversas palavras, como
“refazer” e “reaparecer”; a raiz está no verbo “distribuir” e em seus compostos e
derivados, e o mesmo sufixo aparece em substantivos como “introdução”, “interpretação”,
“suplementação”, e muitos outros. Podemos então dizer que a palavra se divide em (pelo
menos) três morfemas, “re-“, “-distribui-“ e “-ção” (PERINI, 1985, p. 51-52). Perini aponta a
dificuldade de se definir precisamente o que seja morfema e a arbitrariedade em delimitar
quais são os morfemas constituintes de uma palavra de forma categórica. Mesmo o
morfema “distribui” pode ser pensado como dois morfemas, a saber, “dis-“ (que aparece
em “dispersar”, “distrair”, etc.) e “-tribui” (que aparece em “atribuir”, “contribuir”, etc.)
fazendo com que a análise sintática tenha componente subjetivo.
Cada uma das sentenças de uma língua em particular é formada por uma cadeia de
elementos léxicos (palavras e morfemas) em seqüência, sendo que estes elementos
também formam unidades intermediárias hierarquicamente dispostas (PERINI, 1985, p.
16). O léxico é o conjunto de palavras e morfemas que fazem parte de uma linguagem.
Costuma-se usar o termo palavra para designar formas individuais como pedra e também
um conjunto de formas relacionadas, como “pedra”
e “pedras”. Apesar de “pedra” e
“pedras” serem formas (palavras) diferentes, são agrupadas lexicamente de modo
sistemático. Chamamos a essa unidade de agrupamento lexema. Lexema é o conjunto
de palavras que diferem apenas quanto a morfemas flexionais. Como exemplo, o lexema
15
“pedra” agrupa as palavras “pedra” e “pedras” (PERINI, 1995, p. 345). Um dicionário, por
exemplo, pode ser considerado como uma lista dos lexemas da língua, sendo menos
abrangente do que um léxico.
As palavras são formadas por morfemas simples ou por processos de flexão
(variação da forma) ou derivação de morfemas, sendo que os dois processos se diferem
pela sistematicidade em que ocorrem. A flexão ocorre em plurais (pedra, pedras) e nas
várias formas de um verbo, como pegar, pego, pegando. Todas as possíveis palavras
geradas por flexões do mesmo morfema constituem um único lexema. A derivação ocorre
em relações não generalizáveis, como em “livro” e “livresco”, ou como em “fazer” e
”desfazer”. Cada uma das palavras geradas por derivação é um item léxico, ou lexema,
diferente (PERINI, 1995, p. 345).
Muitos sistemas de recuperação de informações efetuam operações de redução de
palavras a morfemas, no processo denominado steeming
10
, para eliminar diferenças
morfológicas que não correspondam a diferenças semânticas significativas. Essa
operação permite a geração de índices mais concisos e aumenta a revocação
11
, pois
multiplica os pontos de acesso a determinados documentos, na medida em que um único
morfema pode estar associado a muitas palavras diferentes.
2.1.4 – Aspectos sintáticos
O termo frase é utilizado para designar uma unidade do discurso bastante difícil de
definir. PERINI (1986, p. 61-62) adota a perspectiva simplista, que diz “a frase é
delimitada por uma maiúscula no início e por certos sinais de pontuação (./?/!/...) no final”.
Uma frase pode conter nenhuma, uma ou mais de uma oração, sendo que um conjunto
de orações de uma frase é também uma oração. Oração é uma frase (ou parte de uma)
que apresenta determinado tipo de estrutura interna, incluindo sempre um predicado e
freqüentemente um sujeito. Tradicionalmente emprega-se também a designação período
para o conjunto das orações que constituem uma frase, sendo que um período é sempre
uma oração. Por outro lado, nem toda oração é um período, já que muitas orações não
são coextensivas com a frase de que fazem parte. O estudo das orações é a análise
10
O steeming, ou “redução à raiz” é o processo através do qual se identificam raízes gramaticais
comuns em palavras distintas.
11
A revocação é definida em detalhes na seção 2.2 deste trabalho.
16
sintática, e o estudo das funções sintáticas é a análise do papel dos constituintes
imediatos da oração.
Dentre as funções sintáticas, podemos destacar o sujeito e o predicado. O
predicado possui um núcleo do predicado, que tem sua função desempenhada sempre
por um verbo. Em alguns casos, o núcleo do predicado equivale ao predicado, e em
outros, há um complemento do predicado. O sujeito é o termo da oração que está em
relação de concordância com o núcleo do predicado
12
(PERINI, 1995, p. 71-90). Também
são elementos opcionais da oração o objeto direto, o predicativo, o atributo, a
negação verbal, o adjunto adverbial, o adjunto oracional, o adjunto circunstancial e
o vocativo, cujo estudo mais profundo extrapolaria o objetivo desta explanação.
2.1.5 – Alguns modelos sintáticos da gramática gerativa
Após as considerações anteriores sobre as estruturas morfológicas e as funções
sintáticas da linguagem, cabe apresentar um pouco mais dos vários modelos de sistemas
de gramáticas existentes, através do diálogo com trabalhos de renomados pesquisadores.
Como alguns assuntos apenas tangenciam o objeto nuclear desta pesquisa, esses serão
apresentados a partir de compilações realizadas por estudiosos de lingüística.
Como foi dito, uma das tarefas dos lingüistas na construção de modelos de
gramáticas é o estudo das possíveis frases – frases bem construídas – que compõem
uma linguagem. Os resultados do estudo são modelos de gramáticas gerativas.
CHOMSKY propõe que as gramáticas sejam avaliadas pela sua capacidade gerativa fraca
– conjunto das linguagens, como conjunto de frases, que a gramática consegue
engendrar – e pela capacidade gerativa forte, ou seja, o conjunto de descrições
estruturais que podem ser enumeradas pelo mesmo tipo de gramática. A capacidade
gerativa forte, desejável para uma gramática “robusta”, engloba a fraca, que é utilizada
como condição necessária, porém não suficiente (apud RUWET, 1975, p. 123-29).
Ao buscar um modelo sintático para o estudo das orações, os lingüistas assumem
que estas sejam compostas de seqüências finitas de morfemas, sendo esses compostos
por diferentes fonemas. A partir desses pressupostos, procuraram estabelecer modelos
12
A exposição está bastante simplificada, contendo somente o que se considera necessário para o
correto entendimento do que sejam os sintagmas nominais. Um estudo aprofundado pode ser encontrado
em LIBERATO (1997)
17
gramaticais simples capazes de engendrar as frases. Os três modelos mais conhecidos
são o modelo dos estados finitos, o modelo sintagmático (ou de estrutura de frase) e
os modelos transformacionais (CHOMSKY, 1969; RUWET, 1975, p. 83-86; LYONS,
1983, p. 46-81).
No modelo dos estados finitos, defendido por Martinet, Jacobson e Hjelmslev, que
teve eco na lingüística estrutural de Sausurre, considera-se que certos morfemas podem
assumir lugares e posições específicos numa oração, e estes sejam relacionados entre si
apenas do ponto de vista da sucessividade, da ordem linear, dando origem à noção de
relações sintagmáticas (RUWET, 1975, p. 86-90). Para cada posição em uma frase é
possível a escolha de um número finito de morfemas, o que permite a definição de
classes de morfemas que podem pertencer à mesma posição. Pode-se representar esse
modelo como uma máquina de calcular bastante banal, que passa por um número finito
de estados, com um estado inicial e um estado final, e a cada estado é gerado um
morfema. Uma máquina desse tipo define uma linguagem, a saber, como o conjunto de
seqüências de morfemas que podem ser emitidos, e as linguagens produzidas são
linguagens a estados finitos (RUWET, 1975, p. 86-90). Entretanto, CHOMSKY demonstra
que esse modelo – o primeiro que estudou – não atende nem mesmo à capacidade
gerativa fraca, ou seja, não possibilita a construção de gramáticas de estados finitos para
representar todas as possíveis orações de linguagens naturais (CHOMSKY, 1956, p. 115,
1957a, p. 21-22 apud RUWET, 1975, p. 89-92; LYONS, 1983, p. 52-53).
Um modelo mais tradicional e, no entanto, mais poderoso que o modelo de estados
finitos é o modelo sintagmático, que procura representar as frases através de uma
estrutura hierarquizada de constituintes imediatos. Esse modelo, o segundo estudado por
CHOMSKY, é explorado em detalhes mais adiante, e embasou a metodologia desta tese.
Ressalta-se que apesar do modelo da gramática sintagmática ser elegante,
relativamente simples, e válido para o estudo da grande maioria das frases bem formadas
em determinada linguagem natural, ele apresenta deficiências para algumas linguagens,
em casos específicos, não possuindo nem mesmo a capacidade gerativa fraca. Além
disso, em grande variedade de casos de ambigüidade sintática, as gramáticas
sintagmáticas apresentam problemas para descrever corretamente as estruturas
sintagmáticas das orações (RUWET, 1975, p. 120-147; LYONS, 1983, p. 60-63). Essas
18
limitações, entretanto, não são suficientes para descartarmos seu uso na concepção de
sistemas de recuperação de informações, uma vez que os analisadores sintáticos
automatizados (parsers) que se baseiam em modelos de gramáticas sintagmáticas podem
ser altamente robustos (BICK, 1996). Além disso, as frases para as quais o modelo
sintagmático apresenta falhas, por serem construções mais rebuscadas e
conseqüentemente infreqüentes, apresentam incidência bastante baixa em textos
científicos, sendo muito mais importante, para fins de automatização, a robustez do parser
na identificação dos sintagmas. A estrutura do parser será comentada no capítulo 4 e sua
eficácia foi posta a prova durante a manipulação dos dados empíricos.
Na busca por modelos de gramáticas mais abrangentes, e dados os problemas da
análise sintagmática na sua incapacidade de explicar frases com constituintes
descontínuos (separados por morfemas) em uma oração, CHOMSKY propôs novos
modelos de gramáticas que pudessem lidar com estes aspectos das linguagens: os
chamados modelos transformacionais, ou mesmo gerativo-transformacionais. A gramática
transformacional é uma “gramática gerativa que inclui também o conceito de
transformação, ou seja, a aplicação de um conjunto de regras que convertem uma
estrutura profunda de uma língua em estrutura superficial” (HOUAISS, 2001). A estrutura
profunda é a “representação da frase em nível abstrato, na qual se estabelecem as
relações semânticas básicas entre os itens lexicais, cuja ordem linear pode ser modificada
com a aplicação das transformações que forem necessárias para derivar a estrutura
superficial, mantendo as relações semânticas iniciais na estrutura subjacente” e a
estrutura superficial é a “organização sintática da frase tal como esta efetivamente se
apresenta, e resulta das transformações realizadas a partir da estrutura profunda”
(HOUAISS, 2001).
Esses modelos pressupõem concepção mais abstrata das estruturas das frases, e
utilizam o modelo sintagmático para realizar uma espécie de pré-processamento das
orações, cujo resultado tem relação apenas indireta com a ordem com que ocorrem os
elementos na forma final das frases. Essa forma final é obtida através de regras
conhecidas como transformações, e as transformações também tratam, no âmbito da
análise sintática, da questão das conjugações que os verbos assumem nas orações. A
grande vantagem dos modelos transformacionais é a capacidade de associar como
semanticamente equivalentes frases com sintaxe distinta, evidenciando as possíveis
19
transformações que as associam. Também possibilita a identificação de ambigüidades
semânticas em algumas frases (CHOMSKY, 1968; RUWET, 1975, p. 155-212 e 223-279;
LYONS, 1983, p. 64-81).
O estudo detalhado dos modelos transformacionais foge ao escopo desta tese, mas
pode ser necessário para o desenho de parsers mais robustos, no futuro, permitindo a
construção de sistemas de recuperação de informações mais poderosos.
2.1.6 – Os sintagmas nominais
Como vimos, o estudo das orações é a análise sintática, e na concepção do modelo
sintagmático baseamos-nos na noção de constituintes de uma oração para o estudo das
hierarquias de componentes (RUWET, 1975, p. 99-119; LYONS, 1983, p. 54-63).
Entendemos por sintagmas certos grupos de unidades que fazem parte de seqüências
maiores, mas que mostram certo grau de coesão entre eles (PERINI, 1995). Segue-se o
exemplo didático de PERINI (1986, p. 44-45):
- “A casa de Lulu é azul e branca”
Os interlocutores percebem que [A casa de Lulu] forma uma unidade, o que não se
verifica com [Lulu é azul]. Dizemos então que o primeiro é um constituinte, enquanto o
segundo não. As frases são formadas de constituintes, muitas vezes aninhados. A frase
acima poderia então ser dividida nos seguintes constituintes:
- “A casa de Lulu é azul e branca”
- “A casa de Lulu”
- “casa de Lulu”
- “azul e branca”
- “é azul e branca”
Esta estruturação é freqüentemente representada através de um diagrama em
árvore, também chamado de “indicador sintagmático”, exemplificado na FIG. 2:
20
A casa de Lulu é azul e Branca
Oração
Sintagma
Nominal
Sintagma
Verbal
Figura 2 – Exemplo de indicador sintagmático.
Podemos perceber que existem divisões para as orações que são mais satisfatórias
do que outras. Na frase acima, podemos concordar que a divisão mais natural seria:
- [“A casa de Lulu] [é azul e branca”]
E não:
- [“A casa de] [Lulu é azul] [e branca”]
Como vimos, os constituintes costumam receber uma “função” na análise tradicional:
[a casa de Lulu] é sujeito, e [é azul e branca] é o predicado, sendo que [é] é o núcleo do
predicado e [azul e branca] é predicativo do sujeito. Já a seqüência [Lulu é azul] não
recebe função alguma, pois não é um constituinte. As subdivisões “naturais” das orações
se denominam sintagmas, e o sintagma é uma unidade do ponto de vista semântico, pois
possui significado único e coerente. Eles são classificados segundo as funções que
podem ocupar. Se estiverem desempenhando funções típicas de substantivos (sujeito,
objeto) são chamados de sintagmas nominais (SN), ao passo que se desempenham a
função tradicionalmente chamada de “predicado”, são chamados de sintagmas verbais
(SV) (PERINI, 1985, p. 43-44).
Perini (PERINI et al, 1996) define o SN como a classe gramatical com
comportamento sintático de sujeito, de objeto direto e também – se precedido de
preposição – de adjunto adnominal ou de objeto indireto. Segundo LIBERATO (1997), o
SN é a parte do enunciado que representa conceitos ou referentes. Os referentes podem
21
ser entidades abstratas ou concretas; podem ser identificados por nomes próprios ou
através do sintagma nominal descritivo; podem ter uso referencial, quando representam
uma entidade; ou uso atributivo, representando um papel.
De acordo com PERINI (1985, p. 84-86 e 152-161), uma oração típica e bem
formada pode seguir as estruturas:
1 - Oração = SN + SV, na qual o sintagma nominal é denominado “sujeito”;
Exemplo: “O governo vai mudar”;
2 - Oração = SN1+SV, com SV = (Verbo + SN2), na qual o sintagma nominal é
denominado objeto.
Exemplo: “Fulano deixou o cargo”;
E ainda temos os sintagmas nominais preposicionados, com estrutura:
3 - Oração = SN
1
+SV, com SV = (Verbo + preposição + SN
2
).
Exemplo: “Jorginho levou trote na faculdade”;
Para elucidarmos de maneira geral os casos freqüentes de ocorrência dos
sintagmas nominais e verbais, podemos indicar a seguinte notação para as funções
sintáticas:
O oração
N nome
V verbo
Det determinante (por exemplo, um artigo)
SN sintagma nominal
Tabela 1 – Notação para as funções sintáticas
O sintagma verbal ou nominal pode aparecer de acordo com as seguintes estruturas
(PERINI, 1985, p. 84-86 e 152-161):
22
SN = O O sintagma nominal equivale à oração
SN = N O sintagma nominal é um nome
SN = Det + N O sintagma nominal é formado por um
determinante mais um nome
SN = SN + O Um novo sintagma nominal é formado
com a junção de um sintagma nominal e
uma oração
SV = V O sintagma verbal é formado pelo verbo
SV = V + SN O sintagma verbal é formado pelo verbo
mais um sintagma nominal
Tabela 2 – Estruturas sintagmáticas possíveis
Analisando as estruturas citadas, pode-se notar que os sintagmas nominais podem
aparecer recursivamente na oração, aninhados em outros sintagmas nominais, integrando
sintagmas verbais ou mesmo ligados através de preposição – os chamados sintagmas
nominais preposicionados. Embora as estruturas sintáticas sempre redundem para as
estruturas básicas demonstradas acima, essas estruturas simples escondem uma
infinidade de possibilidades. KURAMOTO (1999) apresenta no Anexo C de sua tese de
doutorado uma taxonomia de estruturas verificadas para os SNs muito mais detalhada
(323 estruturas diferentes), ao analisar seu corpus de 15 documentos. Não é objetivo
deste projeto reproduzi-las.
Vejamos abaixo o indicador sintagmático do exemplo de RUWET (1976) com a frase
“O homem recebe o livro do menino”:
23
Figura 3 – Exemplo de divisão sintagmática.
Um outro exemplo que mostra o potencial de estruturação dos sintagmas nominais
por meio de relações de encadeamento é o seguinte (KURAMOTO, 1995):
SN: “As características do ambiente do mundo dos negócios”
Esse sintagma nominal engloba os seguintes:
SN1: “Os negócios”.
SN2: “O mundo dos negócios”.
SN3: “O ambiente do mundo dos negócios”.
SN4: “As características do ambiente do mundo dos negócios”.
Através dessas relações de encadeamento, podemos classificar o nível dos
sintagmas nominais pela quantidade de outros sintagmas que esses englobam, sendo
que, no exemplo citado, o sintagma nominal original é de nível 4.
2.1.7 – Funções sintáticas no SN
Segundo PERINI (1995, p. 92-123), a análise da estrutura interna do sintagma
nominal é muito mais complexa do que a análise sintática tradicional de orações, que
procura dividi-las em seus constituintes imediatos, como sujeito, predicado, adjuntos
adnominais, etc. Nos parágrafos a seguir, apresentamos alguns aspectos da análise
proposta por Perini, sem, entretanto, esmiuçar suas especificidades e justificativas.
24
A gramática tradicional distingue, no sintagma, duas funções, a saber, núcleo, e os
adjuntos adnominais. Vejamos o exemplo de Perini:
- “Aqueles seus livros de psicologia”
Nesse sintagma nominal, podemos distinguir o núcleo [livros] e os adjuntos
adnominais [aqueles seus] e [de psicologia]. Na análise de Perini, distinguem-se as
diferentes funções que podem assumir os adjuntos adnominais. Para permitir a análise,
divide-se o sintagma nominal entre área à esquerda e área à direita do núcleo.
A área à esquerda, ou seja, dos elementos que precedem o núcleo, compreende
seis posições fixas e quatro posições variáveis, para os elementos opcionais do sintagma
nominal. As posições fixas definem seis funções, denominadas (na ordem em que podem
ocorrer) determinante, possessivo, reforço, quantificador, pré-núcleo externo e pré-
núcleo interno. As posições variáveis ocorrem nos intervalos entre as posições fixas,
exceto entre os dois pré-núcleos, nos quais não pode ocorrer nenhum item; e têm sempre
a mesma função de numerador. PERINI (1995, p. 99) aponta os principais itens lexicais
que podem desempenhar cada uma das funções:
Função Exemplos de itens que podem desempenhá-la
Determinante o, este, esse, aquele, algum, nenhum, um
Possessivo meu, seu, nosso, etc.
Reforço mesmo, próprio, certo
Quantificador poucos, vários, diversos, muitos, muitos, único, primeiro
(segundo, terceiro, etc.)
Pré-núcleo externo mero, pretenso, meio, suposto, reles, inesquecível, ilusório,
simples, bom, velho, novo, etc.
Pré-núcleo interno mau, novo, velho, claro, grande, bom
Numerador outro, dois (três, quatro, etc.)
Tabela 3 – Funções desempenhadas pelos itens lexicais na estrutura do SN
25
O sintagma nominal dito máximo é de ocorrência muito pouco provável nas
construções usuais das linguagens, mas pode ser usado para exemplificar cada um dos
elementos, como no exemplo a seguir:
- “Aqueles meus mesmos dois únicos pretensos bons
amigos”
Perini ainda aponta a existência de itens cuja análise de função é duvidosa, e itens
que podem desempenhar mais de uma função.
Da mesma forma, podemos analisar a área à direita do núcleo, também chamada de
área dos modificadores, embora Perini aponte que a pesquisa neste campo está bem
menos avançada que a da área à esquerda. Segundo Perini, distinguem-se, na área à
direita, três funções: núcleo do sintagma nominal, modificador interno e modificador
externo. Tomemos o exemplo de PERINI (Ibidem):
“Um
ataque cardíaco fulminante”
No exemplo acima, [Um] é determinante e faz parte da área à esquerda, [ataque] é o
núcleo do sintagma nominal, [cardíaco] é o modificador interno e [fulminante] é o
modificador externo. Apesar da estrutura à direita ser mais simples, a polivalência
funcional dos itens dificulta sua análise, enquanto os itens da área à esquerda são mais
especializados e facilmente identificáveis. Para finalizar, Perini ainda sugere a
possibilidade da existência de sintagmas nominais sem núcleo, descartando em seguida a
hipótese, pois considera que nesses casos alguns elementos da área à direita estariam
desempenhando o papel de núcleo do sintagma nominal.
2.1.8 – Identificação e extração dos SNs
Assim como os morfemas, os constituintes ou sintagmas podem ou não ser
facilmente identificáveis, sendo que por vezes é necessário recorrer a outros recursos
para que seja feita a “demarcação” sintática. Esta característica dos sintagmas dá
margem a uma série de posicionamentos, alguns dos quais favoráveis à possibilidade de
extração automática dos sintagmas nominais, e outros mais céticos quanto a isso. PERINI
acredita que a intuição “subjetiva, mas nem por isso duvidosa” que nos permite separar a
oração em seus constituintes imediatos possa ser caracterizada através de critérios
puramente formais (1985, p. 42-43), mas há quem defenda que a identificação dos
constituintes é somente completa através de uma abordagem cognitiva e amplamente
26
contextual (LIBERATO, 1997), que só é esperada na análise do discurso
13
e na
pragmática
14
; ou através de outros modelos gramaticais, como a análise transformacional
(RUWET, 1975, p. 155-212 e 223-279). Para a análise semântica, há também o problema
das situações anafóricas, que ocorrem quando a estrutura de uma oração se apresenta
reduzida porque ocorre na vizinhança de outra estrutura oracional de certa forma paralela,
dependendo dessa para sua total compreensão (PERINI, 1986, p. 57).
Todavia, existem soluções de compromisso para processos automatizados de
extração de sintagmas nominais. De acordo com MIORELLI (2001), os sintagmas
nominais podem ser entendidos – e tratados – de forma sintática, privilegiando a forma;
ou semântica, buscando os significados maiores, cada uma com suas especificidades e
implicações. A abordagem semântico-pragmática, utilizada por LIBERATO (1997), não
prescinde de um “interpretador de contextos”, natural na cognição humana, mas
dificilmente implementado em heurísticas de inteligência artificial. Liberato procura discutir
em profundidade alguns aspectos isolados da estrutura do sintagma nominal,
relacionando os enunciados das sentenças a seus significados, sem a preocupação de
estabelecer a estrutura geral (MIORELLI, 2001). A forma sintática dos sintagmas
nominais, como analisados por PERINI (1986, 1995 e 1996) está mais relacionada à
estrutura das orações em si, e é mais facilmente tratada computacionalmente. Assim
como no trabalho de MIORELLI (2001), segue essa abordagem KURAMOTO (1999) que,
em sua tese de doutorado, procurou explicitar e analisar as freqüências de ocorrências de
cada estrutura possível para os sintagmas nominais, ao projetar um sistema de
recuperação de informações baseado nos mesmos. Ainda nesta mesma linha, e nas
regras advindas de uma “gramática de restrições”, baseiam-se as heurísticas de
funcionamento do analisador sintático (parser) de BICK (1996), utilizado para extrair os
sintagmas nominais dos corpora utilizados na presente tese. Talvez essa forma de
modelar a estrutura dos sintagmas nominais seja utilizada em quaisquer abordagens, e
com quaisquer ferramentas, que busquem a automatização de extração dos sintagmas
nominais.
13
Estuda a estrutura e a interpretação dos textos.
14
Ocupa-se da relação dos enunciados lingüísticos com a situação extralingüística em que se
inserem (PERINI, 1995).
27
No projeto de sistemas de recuperação de informações, em conjunto com a análise
puramente sintática das sentenças, podemos agregar soluções adicionais para o
tratamento semântico das estruturas lingüísticas, como os tesauros, como no caso desta
tese, ou mesmo as ontologias e as bases de conhecimento. Dessa forma, são
contempladas as situações que poderiam gerar possíveis ambigüidades semânticas e
amplia-se o escopo de aplicabilidade das soluções.
Acredita-se que esta análise, longe de ser exaustiva, apresente os elementos
mínimos necessários para o correto entendimento dos aspectos lingüísticos das
metodologias utilizadas ao longo desta tese. Alguns aspectos suplementares do uso de
sintagmas nominais são apresentados adiante, quando os contextualizarmos como
possibilidades na construção de sistemas de recuperação de informações.
2.2 – Sistemas de recuperação de informações
Desde que os grupos humanos abandonaram o nomadismo e se estabeleceram em
comunidades em locais geográficos fixos ao longo de grandes períodos, vêm-se apoiando
em alguma forma de comunicação supra-oral para registrar e, com isso, decifrar e
disseminar as regularidades percebidas no ambiente. As metodologias e tecnologias
associadas às ciências da informação surgiram como respostas às necessidades
causadas pelo papel cambiante que tomaram esses registros do conhecimento humano
através dos tempos (WERSIG, 1993). Com o advento da imprensa de tipos móveis de
Gutenberg e, posteriormente, com o aumento das coleções e acervos de livros e
documentos, surgiram diversas técnicas e metodologias para o arranjo mecânico destes
documentos em disposições que facilitassem a recuperação sistemática de suas
informações para uso posterior.
Com o fenômeno contemporâneo da crescente disponibilização de documentos em
formato digital, vimos disseminar o uso dos sistemas – mecanizados, ou mais
propriamente, informatizados – de recuperação de informações (SRIs), para lidar com os
crescentes volumes de documentos, em diferentes formatos, em meios digitais, ou
mesmo para administrar e facilitar o acesso aos documentos em formatos tradicionais.
Para podermos discutir as metodologias que foram utilizadas nesta pesquisa, faz-se
necessário entendimento aprofundado dos conceitos pertinentes aos sistemas
supracitados, o que fazemos em seguida.
28
2.2.1 – Conceituação de SRI
A dificuldade de conceituação do que seja um sistema de recuperação de
informações advem, a princípio, da ambigüidade dos conceitos de sistema e de
informação em si (ARAÚJO, 1995). No âmbito dos sistemas de recuperação de
informações, costuma-se evidenciar o conceito de informação como coisa, ou seja,
registros de conhecimentos em documentos (BUCKLAND, 1991), em detrimento de
outras definições e contextos. Sem embargo, há, no contexto específico supracitado,
extensa literatura especializada das áreas de ciência da informação e ciência da
computação, na qual podemos encontrar uma dezena de definições razoavelmente
consensuais, das quais pinçamos as apresentadas a seguir.
KORFHAGE (1997) ressalta o caráter pessoal da informação, e aponta o fato de que
sistemas de recuperação de informações armazenam dados, distinguindo as informações
que foram armazenadas por um usuário das que serão apropriadas por outro. Os SRIs
seriam os intermediários nesse processo mediado de troca de informações. Para
LANCASTER & WARNER (1993 p. 4-5), os SRIs são a interface entre uma coleção de
recursos de informação, em meio impresso ou não, e uma população de usuários; e
desempenham as seguintes tarefas: aquisição e armazenamento de documentos;
organização e controle desses; e distribuição e disseminação aos usuários. Essa visão é
abrangente, e inclui tarefas que são desempenhadas em conjunto com atores humanos.
LANCASTER (1968) já havia anteriormente apontado o fato de que os SRIs não informam
o usuário – no sentido de mudar seu conhecimento sobre objeto de sua questão –, mas
apenas o informam sobre a possível existência de documentos atinentes à questão, além
de características desses documentos; e procura, em outro trabalho, analisar os SRIs
subdividindo-os em seis subsistemas: de documentos, de indexação, de vocabulário, de
busca, de interface com o usuário e de matching
15
(LANCASTER, 1979). CHOWDHURY
entende que o conceito de recuperação de informações – e como conseqüência, o
conceito de sistemas de recuperação de informações – é auto-explanatório, e divide os
SRIs em subsistemas de documentos, de usuários, e de busca/recuperação; detalhando
cada um desses subsistemas (1999, p. 1-11). Para CHOWDHURY (Ibidem), os SRIs
15
Matching pode ser definido nesse contexto como o casamento das necessidades de informação
com os itens que fazem parte do acervo do sistema e que podem satisfazer esta necessidade.
29
servem de ponte entre o mundo dos criadores de informações e os usuários dessas, e
para isso, colecionam-nas e as organizam. SALTON & MCGILL (1983, p. 1), e mais tarde
BAEZA-YATES & RIBEIRO-NETO (1999, p. 1), definem SRIs como sistemas que lidam
com as tarefas de representação, armazenamento, organização e acesso aos itens de
informação.
Há que se notar que as definições procuram apreender um fenômeno atemporal –
as necessidades de informação – e as várias metodologias e tecnologias que, através dos
tempos, foram engendradas para atender a essas necessidades, desde as atividades de
organização de coleções de documentos em acervos bibliográficos, até os modernos
sistemas informatizados que lidam com documentos em formato digital. Partindo das
definições citadas, assumimos que SRIs organizam e viabilizam o acesso aos itens de
informação, desempenhando as atividades de:
• Representação das informações contidas nos documentos, usualmente
através dos processos de indexação e descrição dos documentos;
• Armazenamento e gestão física e/ou lógica desses documentos e de suas
representações;
• Recuperação das informações representadas e dos próprios documentos
armazenados, de forma a satisfazer as necessidades de informação dos
usuários. Para isso é necessário que haja uma interface na qual os usuários
possam descrever suas necessidades e questões, e através da qual possam
também examinar os documentos atinentes recuperados e/ou suas
representações.
Sem que seja necessário o aprofundamento da discussão conceitual sobre as
diferenças entre dado e informação, há que se distinguirem os sistemas de recuperação
de informações (SRI) dos sistemas de gestão de bancos de dados (SGBD). Dados
podem ser definidos como seqüências de símbolos para os quais são atribuídos
significados; símbolos estes que podem ser codificados, interpretados e manipulados por
programas de computador, e enviados através de redes e dispositivos de comunicação. O
conceito de informação já carrega um grau maior de abstração. A informação não
prescinde do sujeito que a depreenda a partir dos dados, no ato conhecido como
interpretação. No sentido estrito do conceito, nenhum programa de computador lida, sob o
30
ponto de vista da máquina, com informações, a não ser que possua alguma capacidade
de arrazoamento, e, assim mesmo, a utilização do termo dá margem a discussões. No
uso corrente, porém, ambos os termos são utilizados para sistemas, apesar das
diferenças entre os sistemas de recuperação de informações e sistemas de recuperação
de dados, como os SGBDs. Essas diferenças, comentadas por KOBASHI (1994) podem
ser sumarizadas através da TAB. 4:
Recuperação de Dados Recuperação de
Informações
Modo de Inferência
dedutivo indutivo
Modelo Lógico
determinístico probabilístico
Linguagem de
especificação das
necessidades
formal (SQL e assemelhados) natural (como um objetivo)
Necessidade
especificada
completa parcial
Casamento de
necessidades e
resultados
exato melhor casamento possível
Objeto da busca
registros que satisfaçam à
questão (query)
itens relevantes para o
usuário
Tabela 4 – Diferenças entre a recuperação de dados e a recuperação de informação (adaptado
de RIJSBERGEN, 1979).
Em sistemas gerenciadores de bancos de dados, os símbolos são armazenados
em uma estrutura matricial em campos determinados, com metadados que lhes conferem
certo sentido ontológico. Para recuperar dados específicos, basta especificar as restrições
necessárias aos campos de pesquisa e codificá-las numa questão ou query (argumento
de entrada no sistema) para que se tenha a resposta exata, fruto de busca completa e
exaustiva.
A recuperação de informações traz dificuldades intrínsecas ao conceito de
“informação”, como a dificuldade da determinação da real necessidade do usuário e do
seu melhor atendimento com os documentos que fazem parte do acervo do sistema
(FOSKETT, 1997, p. 5). A associação entre os registros e seus conteúdos informativos é
31
vaga, e isso pode acarretar problemas nas respostas a questões específicas, como
baixas taxas de revocação
16
e precisão
17
. Um sistema de recuperação de informações
deve buscar boa relação entre os índices de revocação e precisão, para oferecer, em
resposta a determinada consulta, referências ao maior número possível de documentos
atinentes, ordenados por critérios de relevância, e o menor número possível de
documentos pouco ou não atinentes, de acordo com as necessidades de informação dos
usuários.
Dentre os diversos diagramas que descrevem o processo de recuperação de
informações em sistemas (CESARINO, 1980, p. 33; LANCASTER, 1993, p. 2),
escolhemos o proposto por BAEZA-YATES & RIBEIRO-NETO (1999), apresentado na
FIG. 4, que enfatiza o processo da forma em que é realizado nos sistemas automatizados:
16
A Revocação, ou “recall” ou mesmo “abrangência”, é a razão do número de documentos atinentes
recuperados sobre o total de documentos atinentes disponíveis na base de dados. A revocação mede o
sucesso do SRI em recuperar documentos pertinentes
17
Razão do número de documentos atinentes recuperados sobre o total de documentos recuperados.
A precisão mede o sucesso do SRI em não recuperar documentos que não sejam relevantes de acordo com
a necessidade de informação.
32
Figura 4 – O processo de recuperação de informações (adaptado de BAEZA-YATES & RIBEIRO-
NETO, 1999, p. 10)
A FIG. 4 explicita as atividades de representação (operações no texto, indexação e
criação do índice); armazenamento e gestão (dos documentos presentes no acervo do
banco de dados de textos e do índice), e a recuperação, que se inicia através da análise
da necessidade do usuário e redunda na apresentação de um conjunto ordenado de
documentos, possivelmente permitindo ao usuário feedback sobre os documentos
apresentados. No exemplo mostrado acima, o índice é implementado através de um
arquivo invertido, que é visto em detalhes adiante.
Vamos examinar em detalhes a seguir as atividades de representação,
armazenamento e recuperação de informações em SRIs.
2.2.2 – Representação de documentos em SRIs
Ao procurar descrever os objetos do mundo, os autores de documentos primários
(textos, imagens, sons e vídeo) realizam processos ontológicos de representação do que
é conhecido. No processo de tratamento ou processamento dos registros de
33
conhecimento para fins de armazenagem nos sistemas de informação, é requerido novo
estágio de representação, não mais de cunho ontológico, mas partindo do acervo de
conhecimentos sobre essas coisas e seres, objetos da epistemologia (ALVARENGA,
2003, p. 5). Acrescenta-se que a coleta de informações descritivas, com vistas ao
preenchimento de itens de catálogos, poderia ser considerada nova etapa ontológica, no
âmbito da representação. Capturar as informações potencialmente registradas nos
documentos e representá-las para permitir acesso posterior é o objetivo e o grande
problema dos SRIs.
Segundo ROBREDO & CUNHA (1994, p. 201), o tratamento dos documentos inclui
algum tipo de análise de seu conteúdo, o que permite separá-los e ordená-los por grupos
ou classes mais ou menos afins, possibilitando sua localização (ou recuperação)
posterior. Entretanto, quando o volume de documentos no acervo atinge certo patamar,
ou quando os assuntos dos documentos adquirem certo grau de especificidade, não é
mais possível ordená-los por meio de grandes classes de assuntos, pois essas classes
não são mais suficientemente informativas para representar adequadamente o conteúdo
dos documentos e discriminá-lo em relação a outros documentos. Torna-se necessário
então utilizar processos de catalogação e de indexação eficazes, de forma que a
recuperação das informações que contêm, de acordo com as necessidades dos usuários,
seja a mais eficaz possível.
Há razoável consenso quanto ao fato de a catalogação constituir o processo de
coleta de informações bibliográficas dos documentos. A catalogação é também chamada
de análise descritiva, e enfoca as características objetivas inerentes ao próprio
documento, como a autoria, data de publicação, entre outras. Entretanto, observamos
várias abordagens, comportando diversas nomenclaturas, para o processo de indexação.
Há certa concordância sobre o fato de a indexação ser um processo composto de duas
fases razoavelmente independentes: a análise de assunto
18
(ou análise conceitual) e a
tradução. Na análise de assunto, o conteúdo do documento é analisado com o propósito
18
A análise de assunto também recebe os nomes de análise documentária, análise conceitual,
análise temática, entre outros, com algumas pequenas diferenças em suas acepções.
34
de determinar sua atinência
19
, ou seja, de que trata o documento. Na tradução, os
assuntos pertinentes identificados são representados por meio de linguagem de
indexação, que podem ser códigos de classificação, palavras-chave em um vocabulário
controlado, símbolos, etc. A análise de assunto pode ser realizada por um indexador
humano ou pode ser automatizada. (CESARINO, 1980; UNISIST, 1981; NAVES, 1996;
FOSKETT, 1997, HUTCHINS, 1997).
KOBASHI (1994) aponta o fato de existirem muitas pesquisas voltadas para o
processo de tradução, enquanto que poucos estudos procuram sistematizar metodologias
para o processo de análise conceitual, que é tratado como puramente intelectual ou
dependente do bom senso dos indexadores.
LANCASTER & WARNER (1993) defendem que o propósito principal da indexação é
a elaboração de índices e resumos (surrogate files) para constituírem representações
temáticas de documentos publicados em uma forma que se preste à sua inclusão em
algum tipo de base de dados.
Em relação à caracterização do processo de indexação, podemos destacar as
seguintes categorias de análise (adaptado de ROBREDO & CUNHA, 1994, p. 203-204):
1) Em relação ao nível de abrangência da análise conceitual:
- categorização, que é o reconhecimento dos aspectos dominantes, segundo
alguma subdivisão por assuntos preexistente;
- indexação superficial, que permite obter os conceitos principais tratados no
documento;
- indexação profunda, que consiste em obter todos os conceitos considerados
fundamentais.
2) Em relação às partes do documento analisadas, a indexação pode-se fazer:
- com base no título;
- com base no resumo;
19
Também chamada de concernência, temática, assunto, tema, aboutness; sendo todos esses
nomes relacionados à determinação daquilo de que trata o documento, seus assuntos ou temáticas
principais, sua mensagem no processo de comunicação.
35
- com base no título e no resumo;
- com base em partes determinadas (sumário, introdução, conclusão, etc.);
- com base no documento completo.
3) Em relação ao procedimento de indexação, é:
- indexação manual;
- indexação automática;
- indexação mista.
4) Em relação à linguagem de indexação utilizada, ocorre:
- indexação em linguagem natural
o Linguagem natural livre, que utiliza as palavras extraídas do próprio
documento;
o Linguagem natural controlada;
não estruturada, como as listas de descritores padronizadas com
eliminação de sinônimos e as listas de cabeçalhos de assuntos.
Estruturada, como os tesauros e as classificações facetadas.
- indexação em linguagem artificial, controlada e codificada.
o não estruturada, que incluem alguns esquemas de categorização que
utilizam símbolos não estruturados;
o estruturada, que incluem os esquemas de classificação bibliográficos
como o Library of Congress Classification (LCC) e a Classificação Decimal
Universal (CDU).
Dois conceitos importantes a serem apresentados para a avaliação do processo de
indexação são os de exaustividade
20
(em oposição à seletividade) e de
20
A exaustividade, também chamada de “profundidade” da indexação, cresce à medida que aumenta
o número de descritores utilizados na indexação, ou seja, o número de termos atribuídos ao documento de
forma a procurar representar o assunto do mesmo.
36
especificidade
21
. O aumento da exaustividade na indexação costuma aumentar a
revocação e diminuir a precisão na recuperação de documentos, enquanto o aumento na
especificidade na indexação costuma aumentar a precisão e diminuir a revocação na
recuperação de documentos.
O processo de indexação a ser utilizado costuma ser definido no momento em que
os sistemas são projetados, e esse processo deve funcionar continuamente à medida que
novos documentos são adicionados ao acervo do sistema. O processo de indexação
escolhido interfere fortemente no sucesso da posterior recuperação das informações
contidas nos documentos.
Embora as primeiras experiências de automação na indexação costumassem levar
em conta apenas informações do título dos documentos, os modernos sistemas
automatizados de recuperação de informações usualmente procuram realizar a
indexação profunda, para obter todos os conceitos fundamentais para a representação
do documento, e por isso, na maioria das vezes processa-se o documento completo
para a escolha de descritores. O processo de indexação nesses sistemas é em grande
parte ou totalmente automático, apesar de alguns sistemas de recuperação de
informações utilizarem técnicas mistas (também chamadas de híbridas) de indexação
automática e manual
22
.
A linguagem de indexação é quase sempre natural, sendo que em muitos SRIs ela
é livre, e utilizam-se como descritores as palavras do próprio documento após o processo
descrito na FIG. 5 a seguir:
21
A busca da maior especificidade é considerada como um princípio da indexação, que postula que
um tópico de assunto no documento deve ser representado pelo termo mais específico que o descreva
completamente, ao invés de termos genéricos.
22
Como exemplo, podemos apontar alguns diretórios da web, como o mecanismo de busca Yahoo
(
http://www.yahoo.com), no qual há um misto de técnicas automatizadas e não automatizadas para a
classificação dos documentos.
37
Figura 5 – Visão lógica do documento através das várias fases do processamento do texto (adaptado
de BAEZA-YATES & RIBEIRO-NETO, 1999, p. 166).
No esquema acima ilustrado, podemos perceber as várias – e opcionais – operações
realizadas sobre o documento na sua preparação para a indexação. Após o
reconhecimento da estrutura – para o caso de utilização de partes escolhidas do
documento na indexação – retiram-se os caracteres indesejáveis, como espaços,
acentos, entre outros. Em seguida, são eliminadas as palavras com baixa significação
para o processo de indexação, chamadas de stopwords. Stopwords são palavras que,
para um dado idioma, apresentam baixo conteúdo informacional, sendo irrelevantes como
descritores, e usualmente eliminadas dos índices. Estas palavras podem ser utilizadas em
uma frase numa query, mas nunca são utilizadas individualmente como termos de busca.
No processo de eliminação de stopwords, está implícito o fato de que algumas
palavras tenham um peso maior do que outras para o propósito de indexação. Uma lista
de stopwords é também chamada de stoplist.
O passo seguinte no processamento do texto é o reconhecimento de agrupamentos
de palavras, estruturas sintáticas, gramaticais, frasais, entre outras, como no caso da
indexação por sintagmas nominais. Em seguida, as palavras são reduzidas às suas raízes
gramaticais no processo de steeming e, finalmente, armazenadas em um índice.
É interessante explicitar o processo de eliminação de stopwords e de escolha de
termos-índice, na medida em que processo semelhante é apresentado na metodologia
utilizada nesta pesquisa. Sabe-se que as várias palavras em uma língua apresentam
valores diferentes para o propósito de representação do documento, e existem diversas
metodologias para a extração das palavras com maior significado, em termos de
38
representação e discriminação do assunto do documento. Essas metodologias partem da
observação de que as palavras com menor densidade informacional ocorrem com maior
freqüência do que as de maior densidade, no fenômeno conhecido como lei de Zipf. Essa
lei postula que a multiplicação do valor da freqüência de ocorrência de determinada
palavra num texto pelo seu valor de significância tem como resultado um valor
aproximadamente constante.
Utilizando-se a lei de Zipf como ponto de partida, LUHN (apud SALTON & MCGILL,
1983, p. 60-62) criou metodologia que busca as palavras mais significativas dos
documentos através da eliminação daquelas com freqüência muito baixa – por considerá-
las de pouca valia na representação do documento – e também aquelas que possuem
freqüência alta demais – por considerá-las com baixo poder informacional. Algumas
outras propostas metodológicas foram desenvolvidas, a partir das considerações de que a
metodologia de Luhn seria muito simplificada, e de pouca valia para ser implementada em
SRIs. Algumas delas são detalhadas adiante (SALTON & MCGILL, 1983, p. 59-71,
MEADOW, 1992, p. 32-47):
- pesos relacionados à freqüência inversa nos documentos: a proposta
original de Luhn, ao considerar somente a freqüência absoluta dos termos no
espaço de um documento, não leva em consideração que os termos escolhidos
para indexação também possuam a função de distinguir cada documento dos
documentos restantes no acervo. Esse modelo relaciona cada termo à sua
freqüência no escopo de um documento, mas também no escopo de todos os
documentos do acervo.
- valor discriminatório dos termos: este modelo, conceitualmente semelhante ao
anterior, procura mensurar matematicamente o poder de discriminação que cada
termo possui como descritor de um documento em relação aos outros
documentos do acervo, e assume que os termos com alto poder de discriminação
sejam bons candidatos a descritores.
- razão entre sinal e ruído: baseado na teoria matemática da comunicação de
Shannon (1948), este modelo considera a significância a partir da freqüência
inversa de ocorrência de uma palavra em cada conjunto de palavras no texto, de
forma que as palavras com ocorrência mais “concentrada” sejam mais
39
significativas. Este modelo não apresentou resultados satisfatórios em ambientes
de recuperação de informações.
Podemos perceber que cada uma das etapas do processo de indexação, segundo a
ilustração da FIG. 5, é opcional, de acordo com a metodologia de indexação adotada, e
algumas das etapas revelam-se mais prováveis de ocorrer na grande maioria das
metodologias, enquanto outras ocorrem apenas em metodologias específicas. Como
exemplos, podemos citar metodologia de indexação por texto completo que acontece em
alguns mecanismos de busca da web
23
, que nem sempre elimina as chamadas stopwords
ou perfaz o steeming; e metodologia de indexação por sintagmas nominais proposta neste
trabalho, que não reduz as palavras às suas raízes gramaticais; e nem elimina a priori as
stopwords antes que sejam identificados os sintagmas nominais.
Os modelos testados no escopo desta tese para a extração dos sintagmas nominais
representativos e significativos são detalhados adiante, quando da apresentação da
metodologia de trabalho. Podem-se esperar, entretanto, diversas particularidades
metodológicas em relação ao esquema apresentado acima, pelo fato de se estar lidando
com sintagmas nominais ao invés de palavras-chave.
Alternativamente à linguagem natural com termos livres, alguns SRIs, utilizam na
indexação linguagens naturais controladas estruturadas, como tesauros, e não
estruturadas, como vocabulários controlados, para a escolha de termos preferenciais
para a indexação, ao invés de considerar somente os termos presentes no texto dos
documentos. Nesses casos, conseguem-se ampliar os pontos de acesso através da
utilização de termos preferenciais e sinônimos como descritores na indexação. Os
tesauros e sua utilização nos SRIs são explorados com mais detalhe em seção
subseqüente deste documento.
Como se pode notar, as atividades de representação e recuperação de informações
em SRIs estão intimamente interligadas, e são mutuamente interdependentes. O sucesso
da recuperação de informações está condicionado à forma como os documentos
constituintes do acervo foram representados.
23
Como exemplo, podemos apontar o mecanismo de busca Google (http://www.google.com), que
indexa os documentos a partir de seu texto integral.
40
2.2.3 – Armazenamento em SRIs
Por armazenamento, entendemos a gestão física ou lógica que os sistemas de
recuperação de informações realizam dos acervos de documentos e de representações
destes (índices, catálogos, etc.). Não fez parte do escopo deste trabalho explorar as
tecnologias de hardware e software utilizadas para o armazenamento de documentos e
seus índices, mas é interessante explorar as várias implementações lógicas de
armazenamento para ampliar o entendimento da metodologia utilizada. Cabe ressaltar
que o modo como os documentos e seus índices são armazenados em SRIs está
intimamente atrelado ao processo utilizado na indexação dos documentos.
Podemos destacar os seguintes modelos de armazenamento de arquivos, dentre os
vários existentes (SALTON & MCGILL, 1983, p. 12-21; BAEZA-YATES & RIBEIRO-
NETO,1999, p. 191-228; KORFHAGE, 1997, p. 305-311):
- Arquivos seqüenciais: em arquivos seqüenciais, como o nome indica, os
registros são armazenados seqüencialmente, sem nenhuma espécie de
ordenação. É um dos métodos mais simples de armazenar documentos e suas
representações (surrogates), usualmente compostas por um conjunto de
informações descritivas do documento, tanto físicas quanto temáticas. É eficaz
no momento do armazenamento, uma vez que não há necessidade de tipo algum
de reorganização dos registros existentes quando são adicionados novos
registros ao índice. É, porém, um dos menos eficazes no tocante à recuperação
das informações, pois as buscas pelos documentos devem ser seqüenciais, o
que pode se tornar proibitivamente lento no caso de grandes índices. É um
método de armazenamento quase que completamente independente do
processo de indexação utilizado, pois índices e documentos são armazenados na
mesma estrutura de arquivos.
- Arquivos seqüenciais ordenados (hashed files): nesses arquivos, um valor
usualmente extraído de um dos campos dos surrogates (ex: nome do autor) é
escolhido como chave de ordenação para os documentos, o que possibilita que
as buscas sejam mais rápidas. Cada novo documento e seus registros
associados devem ser posicionados em locais apropriados na seqüência
41
existente, no momento de sua inclusão. A busca, porém, para ser eficaz, deve
limitar-se ao dado representado no campo de ordenação.
- Arquivos indexados: nesses arquivos, é imposta uma estrutura adicional de
índices, e os documentos podem ser divididos em seções, para que se possa
especificar a seção a ser pesquisada no processo de recuperação. Usualmente,
são utilizados como descritores os termos extraídos durante o processo de
indexação. São dois os tipos principais de arquivos indexados:
o Arquivos diretos: são aqueles em que documentos e seus índices são
armazenados na mesma estrutura e a pesquisa do conteúdo dos
documentos é feita através do acesso aos próprios documentos, na busca
por termos pertinentes à necessidade de informação.
o Arquivos invertidos: são os utilizados na grande maioria de sistemas de
recuperação de informações. Nesses arquivos, existem duas estruturas
distintas e inter-relacionadas de armazenamento; a dos documentos em si
e a de seus termos índices. A pesquisa do conteúdo dos documentos é
feita através do acesso aos índices ordenados, que por sua vez, são
divididos em listas de vocabulário (as palavras utilizadas como descritores
de todos os documentos presentes no sistema) e listas de ocorrências
(ponteiros para os documentos onde cada uma das palavras ocorre).
- Estruturas arbóreas (tree-structured files): nesses arquivos, os registros são
armazenados em uma estrutura de árvore, que modela algum tipo de relação
intrínseca dos registros e documentos (ex: documentos associados a estruturas
hierárquicas como organogramas e árvores genealógicas). Os nós das árvores
podem ser palavras, sufixos, ou outras unidades de significado. Essas estruturas,
se utilizadas em conjunto com outras formas de armazenamento, podem facilitar
a recuperação de informações em determinadas situações.
- Arquivos agrupados (clustered files): nestes arquivos, escolhem-se critérios
para permitir o agrupamento de documentos que apresentam algum tipo de
similaridade, de forma que sejam recuperados em conjunto ou relacionados entre
si. Os agrupamentos podem ser fechados ou podem compartilhar documentos
42
com outros agrupamentos. Essas estruturas, como as arbóreas, podem otimizar
a recuperação de informações em alguns contextos específicos.
- Arquivos ligados em rede (netted files): os arquivos ligados em rede são
similares aos arquivos agrupados, exceto pelo fato de que não há critérios
explícitos para realizar o agrupamento. Uma rede hipertextual é criada para
estabelecer ligações conceituais entre os registros.
Dentre os vários modelos apresentados, podemos destacar aquele baseado em
arquivos invertidos, pela elegância e simplicidade, e por serem utilizados na grande
maioria dos SRIs. Há, porém, interesse crescente por modelos arbóreos, de agrupamento
e em rede, na medida em que permitem melhor representação das associações entre os
documentos, possibilitando melhor recuperação. Na possibilidade de utilização da
metodologia apresentada nesta tese, os sintagmas nominais escolhidos para descritores
devem dar origem a índices com ponteiros para os documentos, na estrutura conhecida
como arquivo invertido.
2.2.4 – Recuperação de documentos em SRIs
Um dos problemas centrais da recuperação de informações em SRIs é a predição de
quais são os documentos relevantes e quais devem ser descartados, e essa tarefa de
“escolha” é executada por algum tipo de algoritmo que, baseado em heurística
previamente definida, decide quais são os documentos relevantes a serem recuperados e
os ordena a partir dos critérios estabelecidos (BAEZA-YATES & RIBEIRO-NETO,1999, p.
19). Nesta subseção, após relacionar as estratégias de recuperação associadas a cada
uma das possibilidades de armazenamento citadas anteriormente, vamos conhecer
alguns modelos de algoritmos de recuperação de informações, tomando como referência
os arquivos indexados invertidos baseados em palavras-chave.
Para cada estrutura de armazenamento são possíveis algumas estratégias de
recuperação, explicitadas a seguir (SALTON & MCGILL, 1983, p. 12-21; KORFHAGE,
1997, p. 305-311; BAEZA-YATES & RIBEIRO-NETO, 1999, p. 191-228):
- Recuperação em arquivos seqüenciais: a busca em arquivos seqüenciais é
simples, mas pouco eficaz, pois os descritores devem ser buscados
seqüencialmente, percorrendo-se cada um dos registros.
43
- Recuperação em arquivos seqüenciais ordenados (hashed files): a busca em
arquivos seqüenciais ordenados é mais eficaz somente se estivermos usando o
valor extraído dos campos dos surrogates (utilizado como chave de indexação)
para nossa busca. Em outros casos, é tão ineficaz quanto a busca em arquivos
seqüenciais.
- Recuperação em arquivos indexados: nesses arquivos, em vez de pesquisar o
documento em si, a busca é realizada no índice, que pode ser seccionado para
que se busque em alguma parte específica do documento. Para realizar a busca
são utilizados os termos extraídos durante o processo de indexação e algum
algoritmo de busca que realize o casamento de padrões (pattern matching),
dentre os vários examinados adiante nesta seção. A diferença da busca nos
arquivos diretos e nos invertidos se dá pelo fato de que nos primeiros a pesquisa
do conteúdo é feita através do acesso aos próprios documentos, na busca por
termos pertinentes à necessidade de informação, enquanto nos arquivos
invertidos, a pesquisa ao conteúdo dos documentos é feita através do acesso às
listas de vocabulário dos índices ordenados. Quando há um casamento de
padrões, busca-se a lista de ocorrências para acessar os documentos
considerados atinentes. O algoritmo para busca em um arquivo invertido segue
três passos gerais:
o Busca no vocabulário: as palavras e padrões presentes na query são
isolados e é realizada a busca no vocabulário do arquivo invertido. As
frases são divididas em suas palavras constituintes;
o Recuperação de ocorrências: a lista das ocorrências das palavras e
frases é recuperada;
o Manipulação das ocorrências: as ocorrências são processadas para que
sejam resolvidas questões como frases, operadores booleanos e
operadores de proximidade.
- Recuperação em estruturas arbóreas (tree-structured files): a busca em
estruturas arbóreas pode ocorrer de várias maneiras, basicamente através de
algoritmos que utilizam critérios de decisão para navegação na estrutura.
44
- Recuperação em arquivos agrupados (clustered files): o agrupamento de
arquivos segundo algum critério facilita a recuperação de arquivos correlatos,
mas a estrutura de arquivos agrupados geralmente se constrói sobre estrutura
básica com base em arquivos indexados. O agrupamento mais básico acontece
com arquivos de documentos que contêm termos em comum, mas este
agrupamento pode ser expandido com a utilização de um tesauro, de forma a
identificar relacionamentos semânticos entre os termos dos documentos.
- Recuperação em arquivos ligados em rede (netted files): como não existe
indexação específica associada a essa forma de armazenamento, para realizar a
recuperação de arquivos ligados de forma hipertextual é necessário percorrer os
links que os conectam entre si através de alguma estratégia de navegação
(browsing) como na web, exemplo de rede estruturada dessa forma. Para a
recuperação de informações na web, foram criados mecanismos de busca que
constroem índices a partir de palavras-chave dos documentos disponíveis nos
servidores.
Os algoritmos de ordenação dos resultados utilizados na recuperação de
informações operam segundo premissas de acordo com o conceito de relevância dos
documentos, e premissas diferentes levam a conjuntos de respostas diferentes. A FIG. 6
ilustra a taxonomia proposta por BAEZA-YATES & RIBEIRO-NETO (1999, p. 20),
ilustrando 15 modelos de recuperação de informações. Esses modelos são detalhados de
acordo com a forma como são apresentados pelos autores, na medida em que ajudam a
ampliar o entendimento e a contextualização da proposta desta tese.
45
Uma taxonomia de modelos de RI
-Listas não sobrepostas
-Proximidade de Nós
Modelos estruturados
Recuperação:
Adhoc
Filtragem
Navegação
Tarefas do Usuário
Modelos Clássicos
-Booleano
-Vetorial
-Probabilístico
Teoria dos conjuntos
-Nebuloso (“Fuzzy”)
-Booleano estendido
Probabilísticos
-Redes de Inferência
-Redes de Crença
Algébricos
-Vetorial Generalizado
-Index. Semântica
Latente
-Redes Neurais
Navegação
-Plana
-Guiada pela
estrutura
-Hipertextual
Figura 6 – Uma taxonomia de modelos de RI (adaptado de BAEZA-YATES & RIBEIRO-NETO, 1999, p.
21).
Nos sistemas de recuperação de informações, há usualmente interface através da
qual o usuário traduz sua necessidade de informações em forma de questões ou
palavras-chave, ou mesmo examina os documentos na busca de informações pertinentes.
Essas ações são consideradas como papel do usuário (user task). Os dois modos de
buscar informações são classificados em modelos de recuperação (retrieval) e os
modelos de navegação (browsing). Nestes últimos, o usuário não propõe uma questão
(query) ou necessidade de informação ao sistema. Em vez disso, navega através dos
documentos – que não foram necessariamente indexados previamente – buscando
informações de interesse. A busca em estruturas de arquivos ligados em rede é
usualmente executada através de navegação do tipo hipertextual. Nosso interesse, no
escopo desta tese, referiu-se aos modelos de recuperação, pois somente nesses modelos
faz sentido a metodologia de escolha de descritores.
Quando o acervo de documentos sofre poucas alterações enquanto novas queries
são submetidas ao sistema, chama-se o modo de operação de “recuperação adhoc”.
Quando as queries se mantêm relativamente estáticas enquanto novos documentos são
adicionados, chama-se a esse modo de operação de filtragem (filtering). A filtragem
46
acontece usualmente em processos de monitoração de fontes de informação, enquanto a
recuperação adhoc representa as buscas usuais em SRIs.
Os modelos de recuperação se dividem em modelos clássicos e modelos
estruturados. Nos modelos clássicos, cada documento é descrito por um conjunto de
palavras-chave representativas – também chamadas de termos de indexação – que
busca representar o assunto do documento e sumarizar seu conteúdo de forma
significativa. Essas palavras são escolhidas após o processamento do texto, como vimos
anteriormente na FIG. 5. Nos modelos estruturados, podem-se especificar, além das
palavras-chave, algumas informações acerca da estrutura do texto (como seções a serem
pesquisadas, fontes de letras, proximidade das palavras, entre outras informações.).
Os modelos clássicos de recuperação são três: o modelo booleano, o modelo
vetorial e o modelo probabilístico. Para cada um deles, há modelos alternativos que
visam estendê-los em funcionalidade e o desempenho. Vamos examinar brevemente
esses modelos adiante:
- Modelo booleano: esse modelo, baseado na teoria dos conjuntos, é simples e
elegante, embora não seja dos mais eficazes. Para cada query, são recuperados
todos os documentos que possuem os termos nas condições especificadas pelo
usuário, que ainda pode utilizar os operadores booleanos or, and e not para
estabelecer relações específicas de ocorrência com as palavras-chave, de forma
a especificar os documentos a serem recuperados. Sua maior desvantagem é o
fato de trabalhar de forma binária, ou seja, os documentos são analisados sob o
critério dualista relevante / não relevante, e não é criada nenhuma espécie de
ordenação dos resultados que atendam às condições de consulta. Existem
alguns modelos alternativos ao booleano, apresentados a seguir:
o Lógica difusa ou nebulosa (fuzzy): nesses modelos, busca-se estender
o conceito da representação dos documentos por palavras-chave,
assumindo que cada query determina um conjunto difuso e que cada
documento possui um grau de pertencimento a esse conjunto, usualmente
menor do que 1. O grau de pertencimento pode ser determinado pela
ocorrência de palavras expressas na query, tal como no modelo booleano,
mas pode também utilizar um instrumento – como um tesauro – para
47
determinar que termos relacionados semanticamente aos termos índice
também confiram algum grau de pertencimento ao conjunto difuso
determinado pela query.
o Booleano estendido: nestes modelos, busca-se a superação do
problema das decisões binárias do modelo clássico, por meio da aferição
de pesos aos termos, aproximando o modelo original do modelo vetorial, a
seguir.
- Modelo vetorial: nesse modelo, os documentos são modelados como “sacos de
palavras” (bags of words), e são representados como vetores no espaço n-
dimensional, onde n é o total de termos índices (palavras) de todos os
documentos no sistema. No modelo, que é não binário, pode-se calcular um grau
de similaridade a ser satisfeito pelos documentos para serem considerados
relevantes (ex: que as palavras apareçam ao menos duas vezes, etc.) e
determinar o grau de similaridade, com vistas a construir um ranking. O modelo
vetorial é a base da grande maioria de sistemas de recuperação de informações,
mais notadamente os que têm como objeto a Internet, embora estes utilizem
também outras técnicas
24
para determinar o ranking de documentos como
resposta à uma consulta. Em seguida, apresentamos alguns modelos que se
propõem a estender a funcionalidade do modelo vetorial:
o Vetorial generalizado: nesses modelos, questiona-se a independência
dos termos índices, assumida nos modelos clássicos, e abre-se a
possibilidade de considerar que certas palavras sejam relacionadas. Uma
das formas de determinar relações entre palavras é examinar a co-
ocorrência dessas palavras no texto de cada documento, além do exame
das relações semânticas estabelecidas por um tesauro, como foi
comentado.
24
Nos mecanismos de busca da Internet de terceira geração, além do modelo vetorial, utilizam-se,
para determinar a ordenação dos documentos, técnicas como a análise de links, que contabiliza a
quantidade de documentos que apontam para um documento específico através de links hipertextuais; a
análise de autoridade, que investiga a idoneidade e importância da instituição que hospeda o documento
em seus servidores; e outras técnicas, como as utilizadas nas redes de inferência e redes de crença.
48
o Indexação semântica latente: nesses modelos, questiona-se a
significância das palavras-chave como candidatos a descritores, e busca-
se estabelecer o casamento conceitual entre documentos e queries. Se
nos modelos anteriores buscava-se estabelecer um mapeamento em um
espaço booleano ou vetorial de palavras, no modelo em questão busca-se
mapear cada documento e cada query em um espaço menor, construído a
partir dos conceitos relevantes que possuem os documentos no acervo.
o Redes neurais: nesses modelos, utiliza-se o poder das redes neurais para
realizar o casamento de padrões entre as queries e os documentos do
acervo do sistema. Cada query “dispara” um sinal que ativa os termos
índice, que por sua vez propagam os sinais aos documentos relacionados.
Estes, por sua vez, retornam os sinais a novos termos índices, em
interações sucessivas. O conjunto resposta é definido através desse
processo, e pode conter documentos que não compartilhem nenhum
termo-índice com a query, mas que tenham sido ativados durante o
processo.
- Modelo probabilístico: nesse modelo, supõe-se que exista um conjunto ideal de
documentos que satisfaz a cada uma das consultas ao sistema, e que este
conjunto pode ser recuperado. Através de tentativa inicial com um conjunto de
documentos (para a qual podem-se utilizar técnicas de outros modelos, como o
vetorial) e do feedback do usuário em sucessivas interações, busca-se aproximar
cada vez mais deste conjunto ideal, por meio de análise dos documentos
considerados pertinentes pelo usuário. O valor desse modelo está em considerar
a interação contínua com o usuário como um caminho para refinar o resultado
continuamente. Os modelos que procuram ampliar o escopo do modelo
probabilístico são os seguintes:
o Redes de inferência: nesses modelos, associam-se variáveis aleatórias
ao evento do atendimento de uma query específica por um documento
específico. Essas variáveis podem ser alteradas de acordo com os
eventos futuros, de forma a estabelecer relacionamentos baseados nos
eventos observados.
49
o Redes de crença (belief networks): nesses modelos, similares às redes
de inferência, documentos e queries são modelados como subconjuntos
de um espaço de conceitos. A cada documento, associa-se a
probabilidade de que o mesmo cubra os conceitos presentes no espaço de
conceitos. Cada query é mapeada no espaço de conceitos, que por sua
vez, está conectado ao espaço de documentos.
Os modelos apresentados são apenas uma amostra do que vêm sendo pesquisado,
em um campo que contém muitas frentes de pesquisa, que não poderiam ser
enumeradas neste trabalho. Grandes avanços vêm sendo conseguidos, por exemplo, na
recuperação de informações em ambientes de muitas mídias, como áudio e vídeo
(SPARCK JONES & WILLETT, 1997, p. 493-502 e 503-512; BAEZA-YATES & RIBEIRO-
NETO, 1999, p. 345-363).
A adoção de descritores através da escolha de sintagmas nominais significativos
pode permitir a construção de SRIs que utilizem estratégias de busca booleana, vetorial
ou probabilística, sendo que os sintagmas nominais, pelo seu maior nível de significado
em comparação com as palavras-chave, realizam uma aproximação com o espaço de
conceitos que é utilizado na indexação semântica latente e nas redes de crença. A
utilização de algoritmos para mensurar e analisar a proximidade das palavras pode
aproximar a metodologia utilizada dos modelos estruturados, de forma mais significativa
do que os modelos que se baseiam em palavras-chave. Podem-se ainda imaginar
melhores técnicas de filtragem, quando se incorpora a camada semântica provida pela
transição das palavras-chave para os sintagmas nominais.
A importância do estudo das estruturas e lógicas que embasam o funcionamento dos
SRIs, realizado ao longo desta seção, fica evidente a partir da próxima seção, na qual se
examina mais detidamente a proposta de uso de sintagmas nominais como termos de
indexação, em alternativa às palavras-chave.
2.3 – Sintagmas nominais e sistemas de recuperação de informações
Como foi dito anteriormente, SRIs usualmente adotam termos índices para a
indexação de documentos, sendo que esses termos são usualmente palavras-chave. Há
a idéia fundamental embutida nesse processo de que a semântica dos documentos e das
necessidades de informação do usuário podem ser expressas através desses conjuntos
50
de palavras, o que é, claramente, uma grande simplificação do problema, porque grande
parte da semântica do documento ou da requisição do usuário é perdida quando se
substitui o texto completo por um conjunto de palavras (BAEZA-YATES & RIBEIRO-
NETO, 1999, p. 19). Com os autores, também concorda LE GUERN (apud KURAMOTO,
1996, p. 3), ao afirmar que:
"Não constitui finalidade do descritor a sua visualização mediante a abstração
do valor referencial de suas ocorrências no acervo de documentos. As palavras da
língua, enquanto palavras da língua, possuem apenas atributos sem qualquer
substância, até que façam parte do discurso. Quanto ao descritor, ele representa
uma entidade segundo a filosofia de Aristóteles. Assim, o descritor não pode ser
considerado, a exemplo das palavras da língua, como um símbolo sem referência”.
Através dessas constatações, muitas pesquisas são realizadas para ampliar o
processamento da linguagem natural de modo a identificar o significado expresso em
suas estruturas semânticas profundas.
Vamos apresentar algumas das abordagens de processamento de linguagem
natural para, em seguida, examinar mais detidamente as que consideram o uso específico
dos sintagmas nominais. No capítulo em que a metodologia é apresentada, enumeram-se
algumas pesquisas sobre a extração automática de sintagmas nominais.
2.3.1 – SRIs baseados no processamento de linguagem natural
Desde o advento dos sistemas automatizados, possibilitados por computador, são
projetados SRIs baseados no processamento de linguagem natural. Na área da ciência da
informação, são exemplos os sistemas e metodologias KWIC e KWOC; POPSI, PRECIS,
entre outros. (BHATTACHARYYA, 1979; AUSTIN, 1984; LANCASTER, 1993, p. 43-60 e
229-272). Não foi objetivo desta tese enumerar e explicitar o funcionamento dos referidos
sistemas. Dentre essas iniciativas, há, na literatura, centenas de registros de tentativas de
otimizar a indexação e organização dos documentos em SRIs através de processamento
aprofundado da linguagem natural.
Embora o tratamento lexical de qualquer texto de documento possa ser considerado
como processamento de linguagem natural (PLN), usualmente o termo é utilizado para o
caso em que estejam envolvidos aspectos sintáticos, semânticos, pragmáticos ou
51
dialógicos dos documentos (CHURCH, 1988; JACOBS & RAU, 1988; SMEATON, 1989;
BLAIR, 1990; HERMAN & CANDELA, 1990 apud KORFHAGE, 1997, p. 238-240;
FOSKETT, 1997, p. 371-191). Apesar de ser antigo o interesse nas análises sintática e
semântica, e serem inúmeras as propostas metodológicas, não há registros de grandes
sucessos destas em relação às análises puramente lexicais (KORFHAGE, 1997, p. 238-
240). Acredita-se, no escopo desta tese, que as tentativas anteriores tenham falhado pela
dificuldade da análise de estruturas complexas da linguagem – como, por exemplo, os
sintagmas nominais – sem ferramentas metodológicas e tecnológicas adequadas para tal.
Uma das técnicas mais difundidas de processamento de linguagem natural –
apresentada anteriormente – é a indexação semântica latente, na qual se busca
estabelecer um espaço conceitual intermediário que relaciona as queries de usuários e os
documentos do acervo. O problema dessa abordagem é a forma com que se constitui o
espaço de conceitos, que deve ser construído através de algum tipo de análise semântica
dos documentos. Outros rumos de pesquisa ligados à inteligência artificial envolvem as
análises de diálogos homem-máquina, na busca de melhor interpretação das
necessidades dos usuários. Também existem tentativas de implementação de processos
de indexação por questões, ou seja, usar as questões que podem ser eventualmente
respondidas através da análise do documento a guisa de termos de indexação. Mas
essas abordagens esbarram em dificuldades relativas às necessidades de interpretação
subjetiva do conteúdo informativo dos documentos.
Devemos considerar ainda os sistemas de recuperação que buscam analisar queries
em linguagem natural, modelando-as como um documento no espaço vetorial; ou
algoritmos de casamento de padrões (pattern matching) entre excertos de textos e
queries (string matching), numa busca por similaridade. Essa similaridade deve ser
definida por meio de convenções sintáticas que venham a ocorrer em trechos de textos
(BAEZA-YATES & RIBEIRO-NETO et al, 1999, p. 103-106 e 286-288; KORFHAGE, 1997,
p. 291-300). Outras metodologias similares implantadas em SRIs permitem a busca de
expressões regulares, ou mesmo analisam a proximidade da ocorrência de alguns
termos, expandindo o conceito de palavra-chave para frases ou outras hierarquias lexicais
(LANCASTER, 1993, p. 43-60 e 229-272; NAVARRO; RASMUSSEN in BAEZA-YATES &
RIBEIRO-NETO, 1999, p. 219-220 e 406-407; SALTON & LESK in SPARCK JONES &
52
WILLETT, 1997, p. 60-84; KORFHAGE, 1997, p. 122-123; SMEATON, 1992 ; SALTON &
MCGILL, 1983, p. 87-89; FOSKETT, 1997, p. 371-191).
Alguns sistemas de filtragem são projetados para extrair informações conceituais de
documentos baseados em heurísticas de inteligência artificial (RAU in SPARCK JONES &
WILLETT, 1997, p. 527-533). Outros trabalhos recentes buscam explorar e operar sobre o
léxico do sistema de forma a depreender outros significados possíveis para cada item
lexical, de forma semelhante ao que se faz com tesauros (ABRAHÃO, 1997; GONZALEZ,
2000-1).
ZIVIANI aponta SRIs que utilizam a técnica de identificação de grupamentos de
substantivos (noun groups), ao invés de palavras-chave, como estratégia para seleção de
termos de indexação, assumindo que os substantivos costumam carregar a maior parte
da semântica de um documento, o que não ocorre com artigos, verbos, adjetivos,
advérbios e conectivos (BAEZA-YATES & RIBEIRO-NETO, 1999, p. 169-170). Os
grupamentos de substantivos, no escopo dessas propostas, são conjuntos de nomes para
os quais a “distância sintática” (medida pelo número de palavras entre dois substantivos)
não excede um limite predefinido. Devem-se considerar, porém, as características das
áreas de conhecimento das quais fazem parte os textos analisados, pois podemos
esperar que apareçam sensíveis diferenças nos processos de indexação, dependendo da
terminologia e dos estilos textuais característicos de cada área.
Uma metodologia que segue esta linha, mas extrapola a proposta de identificação
de grupamentos de substantivos é a identificação dos sintagmas nominais, visando ao
seu uso como descritores. Há que se observar, porém, que nem todos os sintagmas
nominais podem ser considerados descritores a priori. Na proposta desta tese, buscou-se
utilizar um tesauro para auxiliar a identificação dos possíveis descritores dentre os
sintagmas nominais extraídos e considerados “válidos”.
2.3.2 – O uso de SNs como descritores
SALTON & MCGILL (1983, p. 90-94) discutem algumas abordagens teóricas para o
uso de métodos lingüísticos na recuperação de informações; dentre elas, a análise da
estrutura sintática (parsing) dos documentos de forma a identificar as estruturas
sintagmáticas. Esses autores, entretanto, apontam as dificuldades intrínsecas ao
processo de análise semântica através da análise sintática e exemplificam casos em que
53
é impossível o reconhecimento não ambíguo de relações semânticas através dos
componentes da sentença, sugerindo que um modelo baseado em gramáticas
transformacionais poderia trazer melhores resultados. Nesse ponto, parecem então
concordar com LIBERATO (1997), que entende que a análise completa das estruturas
semânticas só é possível através da análise cognitiva dos contextos. Ao indicar a maior
eficácia relativa dos algoritmos de geração de frases baseadas em freqüência de
palavras, talvez apontem para o fato de que o algoritmo proposto neste trabalho está na
contramão dos resultados até então encontrados. Alternativa apontada é a interferência
humana no processo de desambiguação através de uma interface, o que seria pouco
desejável no processo que pretende ser, em sua máxima extensão possível, automático.
Um importante caminho de pesquisa que visa auxiliar a resolução dos problemas de
desambiguação semântica através da análise dos contextos é a resolução de
correferência, ou resolução anafórica (VIEIRA, 1998 e 2000; SANT’ANNA, 2000 ; ROSSI
et al, 2001; GASPERIN et al, 2003). A cadeia de correferência é uma seqüência de
expressões em um discurso que se referem à mesma entidade, objeto ou evento. Essas
cadeias são úteis para a representação semântica do modelo de domínio, e podem
melhorar a qualidade dos resultados em diversas aplicações de processamento de
linguagem natural, como recuperação e extração de informações, geração automática de
resumos, traduções automáticas, entre outros (ROSSI et al, 2001). O processo de
resolução de correferências envolve a identificação e a extração dos sintagmas nominais.
LE GUERN e BOUCHÉ (apud KURAMOTO, 1999) apontam o sintagma nominal
como a menor unidade de informação contida em um texto, e LE GUERN explicita a
transformação que ocorre nas palavras integrantes do universo do discurso, quando
analisadas sob a ótica dos sintagmas nominais:
“A princípio a palavra, enquanto palavra da língua, enquanto unidade lexical,
está no nível N. Antes que faça parte do sintagma nominal, a palavra passa por um
nível intermediário (N’) onde ela incorpora seus valores dentro do universo do
discurso. A distinção entre estes dois níveis é que no nível N, a palavra não é senão
um conjunto de propriedades; ela não designa nenhum objeto qualquer que seja. Ela
não faz então nenhuma referência a um objeto do mundo real. Ao contrário, quando
54
está no nível N’, ela designa um objeto ou ao menos faz referência a uma classe de
objetos.” (1999, p. 27, tradução nossa).
O grupo de pesquisas SYDO, ao qual pertencem esses pesquisadores, tem como
fundamento teórico a utilização de sintagmas nominais como descritores (Ibidem, 1996).
Ao trabalhar em parceria com esse grupo, KURAMOTO (1999), em sua tese de
doutorado, desenvolveu pesquisa fundamental para a consideração de se utilizarem
sintagmas nominais como descritores. Já em um trabalho anterior, KURAMOTO (1996)
vislumbrou a maquete proposta na tese e já apontava o potencial natural de organização
dos sintagmas nominais, que, se explorado convenientemente, poderia propiciar aos
usuários maior facilidade no uso de um SRI e resultados mais precisos em resposta ao
processo de busca de informação.
Em sua tese, toda a argumentação é fundamentada com o objetivo de demonstrar
as vantagens – em termos da semântica apreendida pelos descritores – da utilização de
sintagmas nominais ao invés de palavras. Após as considerações sobre a sua viabilidade,
apresenta-se um protótipo de interface para sistemas de recuperação de informações
baseados em sintagmas nominais, extraídos do próprio acervo de documentos do
sistema. A idéia era que, a partir de uma palavra chave introduzida pelo usuário, o
sistema pesquisasse todos os sintagmas nominais extraídos do acervo que contivessem a
palavra, de forma que o usuário pudesse escolher um sintagma nominal significativo e o
sistema possa assim refinar a consulta.
O sistema desenvolvido por Kuramoto pode ser considerado como uma das
inspirações para a presente tese, na medida em que, em ambos, busca-se uma
alternativa para melhor indexação, utilizando-se sintagmas nominais. Entretanto, em sua
maquete, segundo o autor, “a extração dos sintagmas nominais foi realizada de forma
manual, simulando extração automática. Esse procedimento foi adotado em função da
não-existência ainda de sistema de extração automática de SNs em acervos contendo
documentos em língua portuguesa.” (1996, p. 6). Alguns sistemas desse tipo, entretanto,
se encontram disponíveis atualmente, como o que foi disponibilizado para o propósito do
presente trabalho (BICK, 2003; GASPERIN et al, 2003). Outra diferença fundamental
refere-se ao objetivo: se no projeto de Kuramoto buscava-se apresentar maquete de um
SRI baseado em sintagmas nominais, o objetivo desta tese foi desenvolver uma
55
metodologia de auxílio à indexação automática utilizando uma técnica aplicada sobre os
sintagmas nominais extraídos automaticamente. Diferenças a parte, o fundo filosófico é
bastante comum.
Na próxima seção, além da conceituação básica, apresentaremos os tesauros como
instrumentos de recuperação de informações. No contexto metodológico desta pesquisa,
os tesauros são auxiliares na seleção dos descritores significativos e, além disso, são
passíveis de serem atualizados à medida que se aplica a metodologia a diferentes
corpora.
2.4 – Tesauros e sistemas de recuperação de informações
Os instrumentos para a representação da informação para indexação,
armazenamento e recuperação de informações são considerados linguagens
documentárias. As linguagens documentárias mais conhecidas são os tesauros e os
sistemas de classificação bibliográfica. Alguns autores consideram os tesauros como
linguagens artificiais (MEC/MCT, 1990), enquanto outros os consideram linguagens
naturais controladas (ROBREDO & CUNHA, 1994). De fato, os tesauros procuram
normalizar para uma área do conhecimento as mais propícias formas verbais que
denotam os referentes, segundo a teoria do conceito (DAHLBERG, 1978), e essas formas
verbais são retiradas das linguagens naturais. Entretanto, a estruturação das relações
semânticas e lógico-funcionais pressupõe detalhado estudo para sua construção, o que
poderia justificar sua inclusão dentre as linguagens artificiais.
Uma boa definição de tesauro, utilizada na área da ciência da informação, é a da
UNESCO (1973, p. 6, apud CAMPOS, 2001, p. 90-91), que o apresenta sob dois
aspectos:
a) Segundo a estrutura: “É um vocabulário controlado e dinâmico de termos
relacionados semântica e genericamente cobrindo um domínio específico do
conhecimento”.
b) Segundo a função: “É um dispositivo de controle terminológico usado na
tradução da linguagem natural dos documentos, dos indexadores ou dos
usuários numa linguagem do sistema (linguagem de documentação,
linguagem de informação) mais restrita”.
56
Estas definições vêm sendo usadas na literatura até os dias de hoje (CAMPOS,
2001; FOSKETT in SPARCK JONES & WILLETT, 1997, p. 111-134). Usualmente, um
tesauro é uma ferramenta para mapeamento e controle do vocabulário em uma área do
conhecimento, através do estabelecimento dos termos preferencialmente utilizáveis
(preferred terms), em detrimento de outros, que podem ser sinônimos (non-preferred
terms) ou termos relacionados. De acordo com o Manual para Elaboração de Tesauros
Monolíngües (MEC/MCT, 1990), as relações mapeadas pelos tesauros podem ser de três
tipos:
- Relações lógicas:
o relação genérico-específica;
o relação analítica;
o relação de oposição;
- Relações ontológicas:
o relação partitiva;
o relação de sucessão;
o relação de material-produto;
- Relações de efeito:
o relação de causalidade;
o relação instrumental;
o relação de descendência;
Ao mapear as relações lógicas, ontológicas e de efeito, o tesauro estrutura os
conceitos (CAMPOS, 2001).
Assim, o tesauro típico contém as seguintes estruturas:
• descritores: são palavras ou grupos de palavras que representam conceitos;
• definições: necessárias para a apreensão do significado de um determinado
conceito, relacionando-o a outros conceitos;
57
• relações semânticas: que relacionam os conceitos entre si, através de
indicadores Broader Term, Narrower Term, Related Term, e outros.
Os tesauros ainda possuem dois tipos de apresentação, sistemática e alfabética. Na
sistemática, os termos aparecem de acordo com suas relações hierárquicas, o que
permite a escolha pelo usuário do melhor termo para exprimir uma idéia sem que haja
conhecimento prévio desse termo. Na alfabética são apresentadas as relações de ordens
lógicas, ontológicas e de equivalência para cada termo, que é listado em ordem alfabética
(MEC/MCT, 1990).
De acordo com MEC/MCT (1990), para a constituição de um tesauro é
imprescindível que se realize uma pesquisa terminológica prévia, seguindo os
procedimentos:
1. formação de uma equipe interdisciplinar constituída de elementos das áreas de
classificação, de lingüística, e da área em que estiver sendo construído o
tesauro;
2. determinação do campo conceitual básico sob o qual se estruturará o tesauro,
sendo este passível de modificação;
3. ter o uso dos termos como parâmetro essencial para elaboração de um tesauro;
4. identificar a literatura relevante;
5. coletar os termos pertinentes a uma área.
O uso de tesauros em sistemas de recuperação de informações é amplamente
coberto na literatura (SALTON & MCGILL, 1983, p. 75-89; LANCASTER & WARNER,
1993, p. 89-107 ; FOSKETT, 1997, p. 76-95; KORFHAGE, 1997, p. 138-139; SPARCK
JONES & WILLETT, 1997, p. 15-20; BAEZA-YATES & RIBEIRO-NETO, 1999, p. 170-173;
CAMPOS, 2001, p. 87-100). FOSKETT (Op. cit) enumera os sete maiores propósitos dos
tesauros:
1. prover um mapa de uma dada área de conhecimento, indicando como conceitos
ou idéias sobre conceitos são relacionados entre si, o que ajuda a um indexador
a entender a estrutura do campo;
58
2. prover um vocabulário padronizado para uma dada área de conhecimento, que
assegure que indexadores sejam consistentes ao escolherem termos de
indexação em um SRI;
3. prover um sistema de referências entre termos que garanta que apenas um
termo de um conjunto de sinônimos seja usado para indexar um conceito, de
forma consensual entre os indexadores, e para prover guias para termos que não
sejam relacionados a nenhum outro, seja por meio de estruturas classificatórias
ou garantias literárias;
4. prover um guia para usuários dos SRIs de forma que possam escolher
corretamente um termo para uma busca por assunto, o que aumenta a
importância das referências cruzadas.
5. ajudar a localizar novos conceitos em um esquema de relacionamentos a partir
de conceitos existentes, de forma que faça sentido aos usuários do sistema;
6. prover hierarquias classificatórias, de forma que uma busca possa ser ampliada
ou restringida sistematicamente, se uma primeira escolha de termos para busca
produz, respectivamente, poucos ou muitos resultados;
7. prover maneiras de padronizar os termos em um dado campo do conhecimento
(propósito desejável).
Podemos notar que os propósitos 2, 3, 4, 5 e 6 são especificamente aplicáveis aos
SRIs. De maneira similar, SALTON & MCGILL (1983, p. 75-89) destacam o uso de
tesauros para fornecer termos com maior poder discriminatório do que os que apresentam
freqüências muito altas ou muito baixas, por meio do exame das associações (ex. “ciência
da informação“, ao invés de “ciência“ e “informação”). Ora, essa abordagem é muito
semelhante ao uso de sintagmas nominais, sendo que caberia ao tesauro realizar a
verificação dos agrupamentos. Os autores também consideram os tesauros como
ferramentas para aumentar a revocação na indexação ou na recuperação, por meio da
substituição dos termos extraídos dos textos ou das queries por termos preferenciais, ou
mesmo da adição de termos mais abrangentes ou mais específicos em uma cadeia de
relacionamentos semânticos.
59
SALTON & MCGILL (Loc. cit.) e BAEZA-YATES & RIBEIRO-NETO (Op. cit., p. 130-
137) ainda delineiam um algoritmo para construção automática de tesauros de
similaridade para expandir o alcance das queries dos usuários. Algoritmos semelhantes
são examinados quando apresentarmos as possíveis extensões da metodologia utilizada
nesta tese.
JOYCE & NEEDHAM (in SPARCK JONES & WILLETT, 1997, p. 15-20.) e ZIVIANI
(apud BAEZA-YATES & RIBEIRO-NETO, Op. cit.) também destacam o papel dos
tesauros no campo da recuperação de informações, com aplicações possíveis na
reformulação e na ampliação das queries dos usuários, ou na ampliação (ou
padronização) dos pontos de acesso aos documentos. ZIVIANI, porém, aponta os
problemas existentes nesta abordagem, pois os contextos locais dos termos nos textos
raramente são captados pelos relacionamentos descritos nos tesauros.
Existem tesauros em diversas áreas do conhecimento, e atividades humanas, como
metalurgia, medicina, química, etc.
No escopo desta tese, utilizou-se na metodologia prospectiva, um tesauro específico
da área de ciência da informação para verificar a pertinência dos sintagmas nominais
extraídos dos documentos do corpus utilizado, extraído de publicações na área de ciência
da informação. O tesauro utilizado para validação de termos segundo a metodologia de
escolha de descritores foi o Tesauro da Ciência da Informação (CNPq/IBICT, 1989) que
se encontra bastante defasado, havendo mesmo iniciativas para lançar uma versão mais
atual.
Como previsto em objetivo específico, aventou-se a possibilidade de que a
metodologia utilizada para a consecução do objetivo geral pudesse ser utilizada para a
escolha automática de descritores, o que constituiria subsídio para uma metodologia
semi-automática para atualização de tesauros.
60
3 CONTEXTOS DE APLICABILIDADE
Neste capítulo, são apresentados dois marcos tecnológicos e conceituais que
nortearam o panorama de aplicabilidade das novas tecnologias digitais de tratamento da
informação. Em primeiro lugar, pela importância da filosofia subjacente e das tecnologias
que embasam sua concepção, apresentamos a web semântica e suas tecnologias
associadas. Em segundo, as bibliotecas digitais, pois se configuram ambientes para onde
vão convergir os resultados de todas as pesquisas que hoje são realizadas sobre a
melhoria dos SRIs. O objetivo desta seção foi apenas oferecer um contexto onde as
metodologias de escolha automática de descritores podem encaixar-se, mas no caso da
web semântica, alguns conceitos – tais como a estrutura das metalinguagens, como o
XML – serão importantes para que se possa ter melhor idéia do funcionamento das
ferramentas apresentadas no escopo desta tese. As subseções estão dispostas na
seguinte ordem:
Na seção 3.1, apresenta-se o panorama da web semântica, com ênfase na
metamorfose da web tradicional nesse novo repositório, com embasamento filosófico e
capacidade tecnológica para comportar e representar os significados inerentes aos
documentos e suas ligações. Nessa subseção, apresentam-se as tecnologias das
linguagens de marcação, os padrões de metadados e as ontologias, na forma como são
apropriadas pela ciência da computação. Ao final, apresenta-se esta web modificada
como uma entidade muito mais próxima de um sistema de recuperação de informações
típico, da forma como o apresentamos anteriormente.
Na seção 3.2 apresenta-se uma breve introdução às bibliotecas digitais, um dos
ambientes informacionais característicos de nossa época, que demanda que sejam
desenvolvidas técnicas mais eficazes para recuperação de informações.
3.1 – A web e a web semântica
Surgida no início dos anos 1990 a word wide web
25
, ou simplesmente web, é hoje
tão popular e ubíqua que, não raro, no imaginário dos usuários, confunde-se com a
própria Internet – a infra-estrutura de redes, servidores e canais de comunicação que lhe
25
Na tradução literal, “teia de alcance mundial”.
61
dá sustentação, que foi concebida nos Estados Unidos no final dos anos 1960, tendo
começado a funcionar no início dos anos 1970. Se a Internet surgiu como proposta de um
sistema distribuído de comunicação entre computadores para possibilitar a troca de
informações na época da guerra fria, o projeto da web, ao implantar de forma magistral o
conceito de hipertexto imaginado por Ted NELSON (1982) e Douglas ENGELBART
(1962), buscava oferecer interfaces mais amigáveis e intuitivas para a organização e o
acesso ao crescente repositório de documentos que se tornava a Internet. Entretanto, o
enorme crescimento – além das expectativas – do alcance e tamanho desta rede, além da
ampliação das possibilidades de sua utilização, tornaram necessária nova filosofia de
trabalho, com suas tecnologias subjacentes, e a ampliação da infra-estrutura tecnológica
de comunicação.
Embora tenha sido projetada para possibilitar o fácil acesso a, intercâmbio e a
recuperação de informações, a web foi implementada de forma descentralizada e quase
anárquica; cresceu de maneira exponencial e caótica, e se apresenta hoje como um
imenso repositório de documentos que deixa muito a desejar quando precisamos
recuperar a informação de que temos necessidade. Não há estratégia alguma abrangente
e satisfatória para a indexação dos documentos nela contidos, e a recuperação das
informações, possível através dos “motores de busca” (search engines), é baseada
primariamente em palavras-chave, contidas no texto dos documentos originais, o que é
muito pouco eficaz. A dificuldade de determinar os contextos informacionais tem como
conseqüência a impossibilidade de se identificar de forma precisa a atinência dos
documentos. Além disso, a ênfase das tecnologias e linguagens atualmente utilizadas nas
páginas web focaliza os aspectos de exibição e apresentação dos dados, de forma que a
informação seja pobremente descrita e pouco passível de ser consumida por máquinas e
seres humanos. Nesse contexto que surge a proposta da web semântica.
3.1.1 - A web semântica
“A web semântica não é uma web separada, mas uma extensão da atual. Nela a
informação é dada com um significado bem definido, permitindo melhor interação entre os
computadores e as pessoas”. Com essas palavras, Berners-Lee (BERNERS-LEE et al,
62
2001) define os planos de seu grupo de trabalho no World Wide Web Consortium
26
(W3C)
para operar a transformação que irá modificar a web como a conhecemos hoje. “web
semântica” é o nome genérico desse projeto, capitaneado pelo W3C, que pretende
embutir inteligência e contexto nos códigos XML utilizados para confecção de páginas
web, de modo a melhorar a forma com que programas possam interagir com essas
páginas e também possibilitar seu uso mais intuitivo por parte dos usuários (DECKER et
al, 2000; BERNERS-LEE et al, 1999). O uso da conotação “semântica” para esta web
ampliada se justifica se observarmos as aumentadas possibilidades de associações dos
documentos a seus significados, através dos metadados descritivos. Além disso, as
ontologias construídas em consenso pelas comunidades de usuários e desenvolvedores
de aplicações permitem o compartilhamento de significados comuns.
Berners-Lee (BERNERS-LEE et al, 2001) imagina um mundo em que programas e
dispositivos especializados e personalizados, chamados agentes, possam interagir
através da infra-estrutura de dados da Internet, trocando informações entre si, de forma a
automatizar tarefas rotineiras dos usuários. O projeto da web semântica, em sua
essência, é a criação e a implantação de padrões (standards) tecnológicos para permitir
tal panorama, que não somente facilite as trocas de informações entre agentes pessoais,
mas principalmente estabeleça língua franca para o compartilhamento mais significativo
de dados entre dispositivos e sistemas de informação de uma maneira geral.
Para atingir tal propósito é necessária a padronização de tecnologias, de linguagens
e de metadados descritivos, de forma que todos os usuários da web obedeçam a
determinadas regras comuns e compartilhadas sobre como armazenar dados e descrever
a informação armazenada, de forma que a informação possa ser “consumida” por outros
usuários humanos ou não, de maneira automática e não ambígua. Com a existência da
infra-estrutura tecnológica comum da Internet, o primeiro passo para este objetivo está
sendo a criação de padrões para descrição de dados e de linguagens que permitam a
construção e codificação de significados compartilhados. Para melhor entender esses
padrões e linguagens, discutiremos a seguir um pouco mais sobre esses conceitos.
26
Consórcio de empresas, profissionais, cientistas e instituições acadêmicas, que é responsável pela
criação de padrões tecnológicos que regulam a World Wide web.
63
3.1.2 - SGML, HTML e XML
Um documento na web é composto por uma mistura de dados e metadados. “Meta”
é o prefixo de auto-referência, de forma que “metadados” sejam “dados sobre dados”. Os
metadados em documentos na web têm a função de especificar características dos dados
que descrevem, a forma como serão utilizados, exibidos, ou mesmo seu significado em
um contexto.
A linguagem ainda utilizada atualmente para a construção da maioria das páginas
web é o HTML, ou HyperText Markup Language (linguagem de marcação em hipertexto).
A linguagem HTML é derivada do padrão SGML (Standard Generalized Markup
Language), que é, na verdade, uma meta-linguagem, ou seja, uma linguagem para
descrever outras linguagens. O padrão SGML é baseado na idéia de que documentos
contenham estrutura e outros elementos semânticos que podem ser descritos sem que se
faça referência à forma como esses elementos são exibidos. O conjunto de todas as
tags
27
passíveis de serem utilizadas por qualquer linguagem derivada do SGML é
chamado de DTD, ou Document Type Definition.
A linguagem HTML é um conjunto definido de tags, ou uma DTD específica do
SGML, e foi criada tendo em mente a necessidade de construção de documentos para
serem exibidos em dispositivos de computador (na web), daí sua vocação para tratar do
formato que os dados contidos no documento vão assumir ao serem exibidos. O
navegador ou browser, ao ler um documento HTML, interpreta as tags que este
documento contém para decidir como serão exibidos os dados também nele contidos. Os
navegadores atuais interpretam o HTML porque a DTD para definição do HTML é fixo, e é
conhecido a priori pelo interpretador do navegador. Assim mesmo, podem ocorrer
navegadores diferentes interpretando definições de exibição de forma particular, com
resultados distintos no dispositivo de saída. A estrutura do HTML é rígida, não existindo a
possibilidade de adição de novos comandos de marcação (tags) sem que haja a
redefinição do DTD da linguagem – e conseqüente atualização dos navegadores para que
interpretem essas novas tags. A última especificação do HTML lançada pelo W3C foi a
27
Os tags são marcações sintáticas que descrevem os dados e comandos para a manipulação do
documento.
64
versão 4.01 (dezembro de 1997), e desde então a linguagem não tem sofrido mais
modificações.
A partir das limitações do HTML, e das necessidades de uma linguagem que
pudesse descrever o conteúdo semântico e os significados contextuais, além da estrutura
e da forma de exibição de documentos, foi criado o XML (eXtensible Markup Language).
O XML é uma recomendação formal do W3C e, em determinados aspectos, se assemelha
ao HTML. Ambas são derivadas do SGML e contêm tags para descrever o conteúdo de
um documento. Mas enquanto o HTML tem como objetivo controlar a forma como os
dados são exibidos, o XML se concentra na descrição dos dados que o documento
contém. Além disso, o XML é flexível no sentido de que podem ser acrescentadas novas
tags à medida que forem necessárias, bastando para isso que estejam descritas em um
DTD específico; ou seja, qualquer comunidade de desenvolvedores pode criar suas
marcações (tags) específicas que sirvam aos propósitos de descrição de seus dados. Isso
possibilita que os dados sejam descritos com mais significado, abrindo caminho para
embutir semântica em documentos da word wide web e nas Intranets. O HTML 5.0 ou
XHTML é o HTML 4.0 reescrito como se fosse uma DTD específica que segue o padrão
XML.
Os dados contidos nos documentos XML podem ser exibidos em uma infinidade de
maneiras, dependendo do dispositivo em que são manuseados (telas de computador,
celulares, PDAs, e outros). Os documentos XML não contêm, em si, as diretivas para
exibição dos dados, e para cada dispositivo-destino específico, pode-se realizar uma
transformação do documento originalmente em formato XML para um documento passível
de ser exibido ao usuário ou entendido e utilizado por outro dispositivo tecnológico. Esta
transformação é realizada, utilizando-se a linguagem XSL (eXtensible Stylesheet
Language), e cada arquivo XSL contém as definições necessárias à transformação do
arquivo XML original em arquivo HTML específico ou mesmo em outro formato, para
manipulação por alguns dispositivos (tela do computador, tela do celular, impressora,
coletores de dados, outros sistemas de informação, entre tantos.), no formato que melhor
convier (tabelas, gráficos, seqüência de caracteres, e outros.) e extraindo-se os dados
que forem necessários. Dessa forma, o trio composto pelos XML, sua DTD específica e o
XSL se apresenta como um conjunto de padrões que possibilitam o armazenamento,
descrição significativa, intercâmbio e exibição dos dados de forma personalizada.
65
O padrão XML é aceito como o padrão emergente para troca de dados na web. Mas
apesar de possibilitar aos autores a criação de suas próprias tags, na perspectiva
computacional, há muito pouca diferença entre as tags <AUTHOR> e <CREATOR>.
Para
que as marcações semânticas criadas sejam utilizadas de forma não ambígua por
comunidades maiores, são necessários alguns padrões de compartilhamento mais
universais. O W3C e as comunidades de usuários têm procurado prover esses padrões,
como abordamos em seguida.
3.1.3 - Metadados e o padrão Dublin Core
Não basta possuir linguagem flexível como o XML para se construírem metadados.
Para compartilhar um significado, é necessário que esse seja consensual e inteligível, de
forma não ambígua, dentre todos os participantes da comunidade. Para resolver o
problema da explosão de nomenclaturas diferentes e as várias situações, nas quais a
interpretação dos dados de maneira unívoca não seja possível, foram criados, no escopo
do projeto da web semântica, alguns padrões de metadados, a serem utilizados como
marcações na linguagem XML, e a nova significação para o termo ontologias, como
veremos a seguir.
O padrão Dublin Core é uma iniciativa para criação de um conjunto de metadados
para a descrição de documentos eletrônicos, baseada no pressuposto de que a escolha
de elementos informacionais para documentos devem ser independente do meio em que
estes estejam armazenados. É composto de 15 elementos de metadados (DCMI, 2003) e
se baseia no padrão MARC
28
. Seus elementos são title (o nome dado ao recurso, ou
título), creator (a pessoa ou organização responsável pelo conteúdo), subject (o assunto,
ou tópico coberto pelo documento), description (descrição do conteúdo), publisher (o
responsável por tornar o recurso ou documento disponível), contributor (aqueles que
contribuíram para o conteúdo), date (data em que o recurso foi tornado disponível), type
(categoria preestabelecida para o conteúdo), format (o formato no qual o recurso se
apresenta), identifier (identificador numérico para o conteúdo, tal como uma URL
29
),
28
O MARC – MAchine Readable Cataloging é um padrão para comunicação de informações referentes aos
diversos tipos de documentos de forma que se possibilite o entendimento por dispositivos eletrônicos. Foi
uma iniciativa da biblioteca do Congresso dos EUA.
29
A URL, ou Uniform Resource Locator é um caso particular dos URI (Uniform Resource Identifier), que são
os endereços que identificam um “ponto de conteúdo” da World Wide Web, seja esse uma página de texto,
66
source (fonte de onde foi originado o conteúdo), language (a linguagem em que está
escrito), relation (como o conteúdo se relaciona com outros recursos, como, por exemplo,
se é um capítulo de livro), coverage (onde o recurso está fisicamente localizado) e rights
(ponteiro ou link para uma nota de copyright). A DCMI - Dublin Core Metadata Initiative
teve seu início em 1995, ganhando o nome da localidade onde se deu o encontro inicial,
Dublin, no estado de Ohio, USA. Sua aceitação foi rápida e é hoje padrão internacional,
com participantes de mais de 20 países.
Existem duas formas para o padrão Dublin Core, a forma simples e a qualificada.
Enquanto a forma simples apenas especifica os padrões para os 15 possíveis pares de
atributo e valor, a qualificada aumenta a especificidade dos metadados com informações
adicionais sobre cada tag e outras orientações para o processamento dos documentos.
3.1.4 - Ontologias
A palavra “ontologia” deriva do grego onto (ser) e logia (discurso escrito ou falado).
Na filosofia, a ontologia é a teoria sobre a natureza da existência, dos tipos de “coisas”
que existem; a ontologia como disciplina filosófica estuda tais teorias. Os projetistas da
web e os pesquisadores de inteligência artificial adaptaram o termo aos seus próprios
jargões. Nesse contexto, ontologia é explicitada em um documento e define formalmente
as relações entre termos e conceitos, e também as relações entre os conceitos em si.
Nesse sentido, as ontologias mantêm semelhanças com os tesauros, utilizados para
definição de vocabulários controlados. Nas palavras do SEMANTICWEB.ORG (2003),
“Uma ontologia é uma especificação de uma conceituação. É designada com o propósito
de habilitar o compartilhamento e reuso de conhecimentos, de forma a criar
‘compromissos ontológicos’, ou definições necessárias à criação de um vocabulário
comum”.
As ontologias se apresentam como modelos de relacionamento de entidades e suas
interações, em algum domínio particular do conhecimento ou específico a alguma
atividade. O objetivo de sua construção é a possibilidade de troca de informações entre os
membros de uma comunidade, sejam eles humanos ou agentes inteligentes. Essa troca
vídeo, imagem, som, e outros. O tipo mais comum de URI é a URL, que descreve o endereço da página na
web (o servidor que a hospeda e o nome do documento nesse servidor) e o mecanismo (protocolo) utilizado
para o acesso (HTTP, FTP, e outros).
67
só acontece quando há uma concordância “ontológica”, ou seja, o uso de terminologias
compartilhadas e a definição formal de entidades e seus relacionamentos.
3.1.5 – A web e a semântica
A partir dos conceitos de sistemas de recuperação de informações e das tecnologias
apresentadas, vamos entender um pouco mais o grande panorama da web semântica, e
as possíveis convergências com a pesquisa apresentada nesta tese. Observemos a
ilustração a seguir:
Figura 7 – O roadmap da web semântica (adaptado de SemanticWeb.Org, 2001).
Na FIG. 1, que ilustra o roadmap da web semântica (SEMANTICWEB.ORG, 2001),
podemos entender como as tecnologias se articulam entre si, e como a web semântica
aproxima a web da funcionalidade plena do sistema de recuperação de informações.
Ferramenta de articulação de ontologias
Ferramenta de
construção de
ontologias
Ontolo
g
ias
Agentes
R
metadados
epositório de
Ferrame
marca
ntas de
ção semântica
Página
s
s web marcadas
emanticamente
Mecanismos de inferência
Us suário
Portais
Comu
nitários
68
Vamos discutir as várias entidades representadas e suas funcionalidades discutidas a
seguir:
No âmbito da
representação dos documentos, temos as ferramentas de marcação
semântica das páginas web e de construção de ontologias compartilhadas. Essas
ferramentas possibilitam a existência cada vez mais ampla e disseminada de páginas
web marcadas semanticamente por metadados descritos em repositórios de domínio
público, e por conteúdo semântico compartilhado em seu significado pelas comunidades e
usuários da web através das ontologias. As ontologias criadas são articuladas entre si
através de ferramentas específicas. Com estratégia padronizada de indexação,
podemos projetar sistemas mais funcionais para recuperação de informações
armazenadas.
No âmbito da
recuperação e uso dos documentos, os agentes, associados aos
mecanismos de inferência executam o harvesting (colheita) de informações nos
docu
a, além de considerar as
inform
emântica trata da adoção de padrões de metadados e de
compartilhamento desses padrões, de forma que se possa melhor utilizar o vasto
repos ponível da web de maneira mais produtiva, ágil e
signif
mentos anotados semanticamente de maneira eficaz, porque são capazes de
“compreender” seus conteúdos, de modo que a informação seja mais significativamente
utilizada pelos usuários (humanos e não humanos) da web. Estes podem acessar essas
novas tecnologias através dos portais comunitários ou mesmo dos portais corporativos
das organizações.
Podemos esperar que a busca de informações na web apresente grande melhoria
dos índices de revocação e precisão, no atendimento às necessidades de informação,
porque a semântica embutida nos documentos permite aos dispositivos de recuperação
evitar os problemas comuns de polissemia e sinoními
ações em seus contextos de significado.
As tecnologias para implementação, assim como os protótipos dessas ferramentas,
já se encontram disponíveis, e o processo de atualização da web está em pleno curso, e
podemos notar que a web s
itório de informações dis
icativa.
Mesmo sendo a proposta da web semântica claramente ligada à marcação dos
dados na origem, (enquanto nesta tese buscou-se seguir o caminho da exploração da
69
semântica intrínseca dos textos dos documentos), podemos imaginar algumas
convergências, principalmente quando levamos em conta o imenso acervo de
documentos já estabelecido, disponível na web atual. A extração de sintagmas nominais
podem embasar levantamentos terminológicos para a construção e a validação das
ontologias em diversas áreas do conhecimento, que, uma vez construídas, podem
auxiliar, como os tesauros, na busca por relacionamentos semânticos expressos em
documentos, de forma a favorecer a escolha de descritores.
Finalizando, é importante notar que a linguagem XML há pouco apresentada é a
infra-estrutura conceitual que oferece o suporte tecnológico às ferramentas de extração
de sintag
meto
enten sociotécnicas para registro e utilização
da produção intelectual humana, e estas estruturas podem ser entendidas no movimento
de construção de grandes repositórios imbricados, multimídia e hipertextuais, de
documento
432)
funda cumentos são capturados
e dig
– por
mas nominais, que são apresentadas no capítulo seguinte, relativo à
dologia desta pesquisa.
3.2 – Bibliotecas digitais
O escopo em que as metodologias e conceitos sugeridos nesta tese devem ser
didos, fica claro, à luz das novas construções
s. Segundo FOX e SORNIL (BAEZA-YATES e RIBEIRO-NETO, 1999, p. 414-
a visão da grande maioria das pessoas em relação às bibliotecas digitais está
mentada na idéia de bibliotecas tradicionais, em que os do
italizados. Mas bibliotecas digitais são muito mais do que coleções digitalizadas. A
digitalização de coleções sugere apenas a mudança de arranjo particular espacial e
estrutural, com ênfase na preservação baseada na digitalização, enquanto que as
bibliotecas digitais pressupõem mais. Os autores colecionam algumas definições para
bibliotecas digitais, dentre as quais que se seguem:
“Bibliotecas Digitais são construídas – coletadas e organizadas
comunidades de usuários. Suas funcionalidades dão suporte às necessidades e
usos de informação de uma comunidade. São uma extensão, melhoria e integração
de uma variedade de instituições de informação enquanto espaços físicos, onde os
recursos são selecionados, coletados, organizados, preservados e acessados para
dar suporte a uma comunidade de usuários.”
e
70
“O nome genérico para estruturas federativas que provêem a usuários
humanos acesso físico e intelectual para as imensas e crescentes redes mundiais de
informação, codificada em formatos digitais e multimídia”.
Para FOX e SORNIL, a recuperação de informações é essencial para o sucesso das
bibliotecas digitais, e nessa área tem surgido muitos dos esforços de pesquisa. Pulliam,
citad
s digitais têm sido abordadas segundo os
pontos de vista da gestão de bancos de dados, interação homem-máquina, ciência da
inform
o por PISTORI (1999), define biblioteca digital como infra-estrutura de informações
eletrônicas, na forma padronizada que permite o armazenamento distribuído de dados
sobre uma região geograficamente grande, e que procura e acessa informações através
de elos (links hipertextuais), oferecendo operações transparentes ao usuário final.
A despeito das definições, as biblioteca
ação, biblioteconomia, sistemas de informação multimídia, redes e comunicação e
processamento de linguagem natural, como importantes elementos de transformação das
atividades e do direcionamento de esforços dessas áreas. Na área acadêmica, já vimos
percebendo um aumento de produtos da atividade científica em taxas exponenciais nas
últimas décadas. Esse fenômeno tem relação direta com a disponibilização de acervos
em formato eletrônico, em bases de dados e bibliotecas digitais. Some a isso o fato de
que as barreiras temporais, geográficas e culturais são derrubadas pela interface
onipresente e única dos navegadores da web, e pelas possibilidades da produção e
consumo assíncronos.
Se observarmos as tendências, podemos supor que estas estruturas são as
responsáveis por verdadeira revolução na produção científica, nas formas de
disponibilizar, acessar e intercambiar documentos. Esse fato se junta ao fenômeno –
retratado por vários autores (MATTELART, 2002; SCHAFF, 1990; TAKAHASHI, 2000;
SARACEVIC, 1996) da explosão informacional que tem marcado a atividade científica
como um todo.
Ainda no contexto das bibliotecas digitais e na questão da representação do
conhecimento, notamos a ruptura nas formas tradicionais de registro de documentos, que
não podem mais se basear na imagética trazida pelo livro como ente físico, objeto da
biblioteca tradicional. Há o nascimento de uma nova linguagem e de nova noção de
documento, com possibilidades ainda não vislumbradas, que nascem da comunhão de
71
usuários e tecnologias, modificando todo o jeito de produzir conhecimento. As
propriedades que surgem nessa nova entidade, “documento digital”, estão ainda por ser
desc
ovas interfaces de acesso ao conhecimento, com o auxílio de
agentes, e as possibilidades de feedback por parte dos usuários; ou mesmo com as
novas metalinguagens e suas marcações semânticas (DECKER et al, 2000; BERNERS-
LEE et al, 1999; HEARST in BAEZA-YATES & RIBEIRO-NETO, 1999, p. 257-323).
Embora as bibliotecas digitais que vêm sendo estruturadas apresentem apenas uma
ínfima parcela da miríade de possibilidades que o novo meio digital oferece, acreditamos
que, no esteio dessas transformações, observaremos grandes mudanças nas
possibilidades de busca de informação, de interfaces evoluindo com o usuário e o
surgimento de novas estratégias de processamento de linguagem natural, ligadas à
exploração das semânticas intrínsecas e contextuais. É nessa frente de pesquisa que a
presente tese buscou inserir-se.
Pode-se ainda realizar pequena digressão de cunho estratégico. No caso de nosso
país, e devido à necessidade de desenvolvimento de tecnologias e metodologias
adequadas a cada linguagem, podemos destacar a importância de pesquisas como a
desenvolvida nesta tese na busca de autonomia e possível vanguarda no âmbito das
comunidades lusófonas.
obertas, mas caminho possível é a exploração dos significados inerentes ao arranjo
das idéias no texto, representadas pelas seqüências de palavras.
Podemos imaginar transformações na autoria e na utilização dos acervos que
ocorrem quando tratamos da construção de hiperdocumentos (CAMPOS, 2001), ou
quando exploramos as n
72
4 METODOLOGIA E FERRAMENTAS
Espera-se que neste momento todo o cabedal teórico necessário ao entendimento
do contexto no qual se inseriu a presente pesquisa já tenha sido discutido e possa ser
corretamente entendido, excetuando-se alguns conceitos específicos que podem ainda vir
a ser introduzidos, pois decorreram dos resultados e da manipulação dos dados
empíricos.
Neste capítulo, comentar-se-á inicialmente sobre os corpora adotados, tanto para a
análise de eficácia das ferramentas utilizadas quanto para a análise da metodologia em si.
Em seguida, será apresentada a metodologia prospectiva para extração de descritores,
com suas etapas e produtos. Na seqüência, são apresentados as ferramentas e
processos tecnológicos que dão suporte à metodologia e, ao final, são apresentados os
instrumentos para avaliação dos descritores extraídos.
4.1 – Considerações sobre os corpora utilizados (material)
Os corpora utilizados no escopo desta dissertação foram dois, a saber:
a) O corpus escolhido inicialmente para a validação da extração automática de
sintagmas nominais é composto pelos 15 textos utilizados pelo professor doutor Hélio
KURAMOTO no escopo de sua tese de doutorado (1999). Esse corpus é apresentado no
Anexo A de sua tese, e reproduzido parcialmente no Anexo E desta tese.
b) O corpus escolhido para a validação da metodologia utilizada nesta pesquisa para
a escolha automática de descritores, consta de 60 documentos textuais de língua
portuguesa (escolhidos dentre 75 inicialmente coletados). Os 75 documentos
originalmente selecionados constituíram a totalidade dos artigos publicados durante os
anos de 2002 e 2003 em duas publicações científicas de meio eletrônico, específicas da
área de ciência da informação. Após o descarte dos documentos em línguas estrangeiras,
e aqueles que, por sua estrutura ou tamanho, tornaram a análise proibitiva,
permaneceram 60 documentos, compondo este corpus. As referências necessárias à
identificação dos documentos, como a revista onde foram publicados, o título, o resumo e
a autoria, se encontram no Anexo A desta tese.
73
As publicações escolhidas na seleção dos documentos foram a revista
DataGramaZero
30
(29 documentos) e a revista Ciência da Informação
31
(31
documentos) do IBICT, porque são reconhecidas pelo programa Qualis
32
da CAPES
33
como publicações renomadas na área de ciência da informação. Além disso, estão
disponíveis para acesso através da web, e formatos de armazenamento conhecidos e
facilmente manipuláveis. Os documentos da revista eletrônica DataGramaZero estão
disponibilizados no formato HTML, e os documentos da revista eletrônica Ciência da
Informação, do IBICT, são disponibilizados nos formatos PDF e HTML.
O segundo corpus, de 60 documentos, foi disposto da seguinte maneira, para a
aplicação da metodologia prospectiva e da metodologia consolidada:
• Corpus utilizado no teste inicial da metodologia prospectiva, composto por 6 textos
provenientes da revista DataGramaZero, constantes no Anexo A deste documento,
com os textos numerados de 1 a 6;
• Corpus utilizado na validação da metodologia consolidada, composto por dois
conjuntos, a saber:
o O primeiro com 30 textos, sendo que 29 provenientes da revista
DataGramaZero, e 1 provenientes da revista Ciência da Informação,
constantes no Anexo A deste documento com numeração de 1 a 30.Este
corpus engloba aquele utilizado no teste inicial;
o O segundo com 30 textos, todos provenientes da revista Ciência da
Informação, constantes no Anexo A deste documento com numeração de 31 a
60.
Como se pode ver, o corpus completo de 60 textos, utilizado na metodologia
consolidada, divide-se em duas metades com características peculiares – notadamente,
30
Disponível na Internet no endereço: http://www.dgz.org.br.
31
Disponível na Internet no endereço:
http://www.ibict.br/secao.php?cat=Revista%20Ciência%20da%20Informação.
32
Qualis é uma base de dados criada para a classificação dos periódicos e revistas utilizados pelos
programas de pós-graduação, na divulgação da produção intelectual de seus docentes e alunos. Acessível
na Internet a partir do endereço:
http://qualis.capes.gov.br/.
33
Coordenação de Aperfeiçoamento de Pessoal de Nível Superior. Acessível na Internet a partir do
endereço:
http://www.capes.gov.br/ .
74
porque provêem de publicações diferentes. Ao processar a metodologia consolidada de
maneira isolada em cada um dos corpora, pudermos intuir alguma diferença quando da
apresentação dos resultados finais.
A necessidade do contexto temático específico se justificou pela própria
característica da metodologia de escolha de descritores, que utilizou um tesauro também
específico. Essa metodologia, fortemente contextual, deve ser adotada para uma área de
conhecimento especificada a priori.
A escolha dos 60 textos do corpus atendeu ainda a alguns critérios quantitativos e
qualitativos:
• Quantidade compatível com a possibilidade de processamento em curto
período, utilizando as ferramentas atualmente disponíveis;
• Quantidade significativa, de forma a ressaltar a ampliação das possibilidades
de processamento, em comparação com a extração manual de sintagmas
nominais;
• Atualidade dos textos (2002/2003), para que os SNs extraídos refletissem
conceitos contemporâneos e salientassem a possibilidade e necessidade de
atualização dos tesauros utilizados na metodologia;
• Fidelidade às temáticas mais reconhecidas como pertencentes ao campo da
Ciência da Informação.
Foi difícil, porém, estabelecer o que seria uma amostra significativa neste caso. Se
considerarmos todo o universo de publicações com temática relacionada ao campo da
ciência da informação, este seria virtualmente ilimitado. São dezenas de publicações
pertinentes, muitas delas apresentando seus documentos em formato digital. Nesse caso,
a escolha da quantidade de textos se pautou pelos critérios anteriormente descritos, tendo
sido então a quase totalidade dos textos em português, publicados por duas revistas
eletrônicas da área.
Os resultados das análises realizadas nesse conjunto de documentos, porém, se
tomados qualitativamente, apontaram para conclusões seguras que permitiriam a
avaliação da viabilidade da metodologia.
75
4.2 – A metodologia prospectiva
É importante ressaltar que a metodologia delineada neste capítulo foi apenas
prospectiva, e foi aplicada apenas a um conjunto reduzido de documentos do corpus total.
O aprendizado adquirido no teste inicial produziu modificações a serem incorporadas em
novas versões – hipoteticamente melhoradas – dessas metodologias. A FIG. 8 a seguir
exemplifica o processo empírico desta pesquisa:
I)
Aplicação da
metodologia
prospectiva
(cap. 5.2)
IV)
Aplicação da
metodologia
consolidada
(cap. 6.2)
II)
Análise dos
resultados
(cap. 5.2)
III)
Melhoria da
metodologia
(cap. 6.1)
V)
Avaliação
geral da
metodologia
proposta
(
ca
p
. 6.3
)
Figura 8 – Seqüência de aplicação e avaliação da metodologia
I) Inicialmente, a metodologia apresentada neste capítulo foi aplicada ao corpus
inicial. II) Os resultados foram analisados, gerando subsídios para a III) melhoria da
metodologia prospectiva e a construção da metodologia consolidada. IV) Esta foi aplicada
ao corpus completo, e então foi V) avaliada novamente. A pesquisa não se esgota nos
resultados obtidos com a metodologia consolidada utilizada nesta tese, e abre margens
para melhorias sucessivas em trabalhos futuros.
Cabe ainda ressaltar que, nesse ciclo de aplicações, avaliações e alterações, certas
etapas da metodologia puderam ser suprimidas ou novas etapas introduzidas, e algumas
delas possivelmente automatizadas. Na metodologia consolidada prescindimos da análise
de eficácia que ora é realizada, em contexto avaliativo.
Para maior vinculação dos objetos de estudo à metodologia, cabe associar a cada
um dos objetivos apresentados anteriormente os métodos de trabalho utilizados para sua
consecução. Seguem adiante os objetivos desta tese, como estabelecidos na introdução,
e os passos que foram necessários às suas respectivas consecuções.
76
É importante ressaltar que, para atingir o objetivo geral, apresentado no item A),
dependemos do sucesso da verificação da extração automática, objetivo específico
apresentado no item B). O objetivo específico apresentado no item C) é apenas uma
possibilidade considerada, como um subproduto do processo de extração e tratamento
dos sintagmas nominais. Apesar de delineado nas figuras que representam a
metodologia, não será explorado efetivamente no escopo desta pesquisa.
A) Para o objetivo geral: “Desenvolver uma metodologia para a escolha automática
de descritores para documentos textuais digitalizados em língua portuguesa, utilizando as
estruturas lingüísticas conhecidas como sintagmas nominais”; pretendem-se perfazer os
seguintes passos, ilustrados na FIG. 9, e em seguida explicitados e comentados:
77
Figura 9 – Fluxograma da metodologia prospectiva
A FIG. 9 apresenta os passos gerais da metodologia, que são detalhados nos itens
abaixo. Os processos (em azul-claro) são identificados por seus respectivos números e os
produtos (em amarelo) estão identificados por letras.
1. Escolher um corpus significativo de documentos reconhecidamente
inseridos dentro de uma área de conhecimento, como universo empírico
desta pesquisa;
78
A importância de delimitar o assunto dos textos em uma área específica – no caso, a
ciência da informação – foi devida à necessidade de escopo e contextualização. Um dos
pass
realizado iência da informação
(CNPq/IBICT, 1989). Da teoria apresentada nos fundamentos lingüísticos, também
pudermos retirar justi
específic rmação, como está detalhado em subseção a
segu
A).
formato texto simples (produto B). As ferramentas de software utilizadas na conversão
são apresentadas adiante.
3. Retirar os resumos e as palavras-chave atribuídas pelos autores
A separação do corpo do texto dos documentos (produto D) e das palavras-chave a
eles atribuídas e dos resumos preparados pelos autores (produto C) foi um artifício
metodológico utilizado apenas para possibilitar a análise posterior do sucesso do
procedimento automático de extração de descritores, através da comparação simples dos
os metodológicos previstos para a validação dos descritores pré-escolhidos foi
com a utilização de tesauro, no caso, da área de c
ficativas que destacavam a importância dos contextos para a
escolha dos descritores.
O corpus de textos escolhido para análise proveio, como já citado, de publicações
as da área de ciência da info
ir. Não há, entretanto, restrições de aplicabilidade da metodologia para documentos
textuais oriundos de outras áreas do conhecimento, desde que sejam adotadas as
ferramentas adequadas – tesauros específicos do respectivo campo de conhecimento – e
sejam processados documentos com contextos semelhantes.
O produto desta primeira etapa foram os textos originais em formato digital (produto
2. Converter os formatos de arquivo para texto simples;
As ferramentas tecnológicas utilizadas nesta metodologia necessitava de
documentos submetidos em formato de arquivos de texto simples. Como os documentos
digitalizados – notadamente na web – se encontravam usualmente em formatos mais
complexos, como PDF
34
ou HTML, esses documentos precisam ser convertidos para o
34
O PDF, ou Portable Document Format, é um formato proprietário da empresa Adobe
(
http://www.adobe.com) que, entretanto, disponibiliza gratuitamente o visualizador dos arquivos
(Adobe Acrobat Reader). Para transformar os documentos em padrão texto simples, é necessário,
entretanto, o software completo (Adobe Acrobat).
79
SNs atribuídos automaticamente e as palavras-chave atribuídas pelos autores dos artigos.
o é mais necessário na medida em que a metodologia tenha sido avaliada
iramente automático, utilizando as ferramentas que –
. O produto da
to HTML contendo os SNs na ordem de sua
arquivos em formato HTML
tilizando o software MICROSOFT
EXCEL (apresentado adiante). Essas planilh
texto
e ordenados nas pastas das planilhas
de ac
6. res a
do tamanho dos textos originais.
s formas
freqü ssumiu a forma canônica, segundo as
norm
Esse passo nã
e considerada bem sucedida.
4. Extrair os sintagmas nominais do corpo do texto
Os SNs foram extraídos dos documentos em formato de texto simples através de
processo quase que inte
conjuntamente com o processo de extração – foram detalhadas adiante
extração constituem arquivos em forma
ocorrência nos textos originais (produto E). A partir destes
(produto E), foram criadas planilhas (produto F) u
as contêm pastas específicas para cada
, onde serão realizadas todas as operações posteriores.
5. Ordenar os SNs nas planilhas através da verificação da freqüência de
ocorrência dos sintagmas nominais nos documentos;
Após o agrupamento, os SNs foram inicialment
ordo com a freqüência de ocorrência de cada um no corpo do documento.
Descartar os SNs que apresentavam freqüências de ocorrência inferio
um patamar preestabelecido;
Os SNs que apresentavam uma freqüência inferior a certo patamar foram
considerados descritores insignificantes e descartados para as operações posteriores. O
patamar estabelecido depende de análises que levassem em consideração a relevância
dos SNs extraídos em cada faixa de freqüências, além
7. Agrupar os SNs remanescentes a partir dos determinantes de sua
“canônicas”, e reordená-los;
Nesta etapa, ainda realizada manualmente, os SNs que diferiam apenas pelos
determinantes iniciais foram agrupados e representados unicamente pela a soma das
ências, e o representante do agrupamento a
as de construção de tesauros. Os determinantes (artigo, pronome ou numeral) foram
usualmente composto pelas estruturas apresentadas na TAB. 5:
80
{a | as | o | os |
dois |
essa | ess es | esta | estas | este | estes | aquela | aquelas | aquele | aqueles |
mesma | mesmas | mesmo | mesmos | tal | semelhante |
meu |
muitas
três | quatro | cinco | ... | mil |
as | esse | ess
meus | teu | teus | tua | tuas | seu | sua | nosso | nossos | vosso | vossa |
vossos | vossas | seus | suas |
um | uma | uns | umas | alguma | algumas | algum | alguns | nenhum | nenhuma |
toda | todas | todo | todos | cada | qualquer |
certa | certas | certo | certos | outra | outras | outro | outros | muita |
| muito | muitos | pouca | poucas | pouco | poucos }
Tabela 5 – Determinantes comuns
Essas planilhas ordenadas com os SNs agrupados, tendo sido descartados os de
freqüência abaixo de um patamar preestabelecido (produto G), foram utilizadas nos três
pass ções aos SNs de modo a
embasar a decisão sobre a
ra sintática e do nível dos SNs, como apresentado na subseção
2.1.6, foi um dos critérios a serem considerados na análise da relevância. Pressupôs-se
os posteriores. Esses passos acrescentaram informa
relevância de cada um.
8. Analisar manualmente os SNs pré-escolhidos e decidir sobre a sua
relevância como descritores, para fins de construção de uma stoplist;
Esta etapa opcional pode ser adotada para otimizar o funcionamento posterior da
metodologia automática. Os SNs – escolhidos através de julgamento humano – que
vierem compuseram a lista de stopwords (produto opcional H) puderam ser descartados
de qualquer conjunto posterior de SNs extraídos. Os passos posteriores foram realizados
ainda com as planilhas representadas no produto G.
9. Verificar a incidência dos SNs nos outros documentos do corpus;
A análise da incidência dos SNs no conjunto de documentos do corpus foi um dos
critérios considerados na análise da relevância. Pressupôs-se que quanto maior a
incidência de um SN no conjunto de documentos, menor a sua relevância como descritor.
10. Analisar a estrutura e o nível dos SNs;
A análise da estrutu
81
que
Neste ponto talvez resida uma das partes mais importantes da metodologia
prosp
a essa avaliação, relacionaram-se a
relev
texto do
d) suas e ocorrência no tesauro da área.
quando a estrutura e o nível do SN estivessem diretamente relacionados à sua
relevância como descritor.
11. Verificar a ocorrência destes SNs – de forma total ou parcial – em tesauro
específico;
Uma vez que tenham sido escolhidos os SNs pré-candidatos a descritores, houve
necessidade de classificá-los segundo suas estruturas sintáticas e segundo seus níveis
(como apresentado nas seções 2.1.6 e 2.1.7), para subsidiar o processo de escolha dos
SNs mais significativos. Foi também necessário verificar sua ocorrência em um tesauro da
área do conhecimento a que pertencem os documentos do corpus.
Esta etapa da metodologia foi ainda realizada manualmente, mas pode ser
implementada através de processo automatizado no futuro. O resultado dessas etapas foi
incorporado às tabelas das planilhas de análise (produto G) como informações relativas a
cada sintagma nominal.
12. Avaliar a relevância dos SNs como descritores;
ectiva. A lógica para escolha dos sintagmas nominais mais significativos e
relevantes como descritores dos documentos foi estabelecida através da avaliação dos
dados empíricos, gerando subsídios para o estabelecimento da heurística de escolha, a
ser adotada na metodologia consolidada. Par
ância dos SNs como descritores e os fatores: a) freqüência de ocorrência do SNs no
documento; b) a incidência dos SNs no conjunto de documentos; c) seus níveis;
struturas sintáticas e e) sua
As considerações advindas do cálculo das freqüências foram embasadas na teoria
subjacente a alguns dos algoritmos de extração de palavras-chave, baseados na lei de
Zipf, que estabelece relação inversa entre a freqüência de ocorrência das palavras-chave
e sua significância como descritores. Foram estes os algoritmos: a) análise de freqüência
simples com descarte dos picos; b) análise de pesos relacionados à freqüência inversa
nos documentos; e c) análise de valor discriminatório dos termos (como apresentados na
seção 2.2.2 desta tese).
82
Houve necessidade de se fazerem adaptações necessárias ao fato de não se
mani
elhor tesauro de língua portuguesa conhecido
e dis
a em outros tesauros disponíveis, em
outras linguagens, como o tesauro da ASIS
35
, de acordo com os resultados.
o tesauro, considerou-se a
verificação – para cada sintagma nominal – da ocorrência da estrutura de maior nível
(com
8, produto H), os SNs presentes puderam ser
descartados do conjunto dos candidatos a descritores.
O
estabelecidos, nas tabelas das planilhas com os candidatos a descritores (produto I). A
partir
discussã
13. Analisar comparativamente os produtos – palavras-chave e resumos dos
ós as etapas de escolha dos sintagmas nominais candidatos a descritores; esses
serão comparados às palavras-chave e aos resumos dos documentos originais do corpus
para o pr e o da metodologia. Essa
análise baseou-se no julgamento do autor desta pesquisa. Essas comparações
embasara o SNs como descritores e
suas características intrínsecas, ou relativas à freqüência de ocorrência. As ferramentas
matemáticas para permitir a comparação e avaliação serão apresentadas na seção 4.4.2.
pularem palavras-chave, mas sim sintagmas nominais.
O tesauro foi utilizado para a validação dos sintagmas selecionados no contexto do
assunto escolhido para o corpus. Como o m
ponível no momento na área de ciência da informação se encontra bastante
defasado (CNPQ/IBICT, 1989), esta etapa na escolha dos descritores foi analisada na
aplicação inicial da metodologia e sua utilização efetiva avaliada para aplicações
posteriores. Aventou-se a possibilidade da consult
Para verificar a incidência de cada sintagma nominal n
o apresentado na seção 2.1.7), para então se procurar pela ocorrência dos
sintagmas nominais aninhados, sucessivamente, e finalmente dos lexemas componentes.
Adotada uma stoplist (passo
resultado desta etapa foi a ordenação dos SNs sob os critérios de relevância
dessa ordenação pôde-se escolher a quantidade desejada de descritores – essa
o será realizada adiante na seção 4.4.1.
documentos originais e os SNs escolhidos como descritores – para
avaliação da metodologia
Ap
im iro julgamento de relevância e análise de sucess
m relacionamento entre a significância percebida dos
83
14. Análise por especialistas / garantias literárias.
Este item da metodologia, identificado em processo a parte, foi opcional, e não foi
levado em consideração na aplicação da metodologia. Esta etapa é parte do objetivo
espe
Os títulos dos artigos do corpus selecionado (produto A) e suas palavras-chave e
resum
B) Para o objetivo específico: “testar a eficácia relativa de um conjunto de
ferram
automáti
seguida
Nesta etapa, que de fato precedeu as etapas detalhadas no objetivo geral, procurou-
se a
ntificação dos sintagmas nominais;
cífico C) desta tese, exposto adiante.
Os resultados de cada uma destas etapas na aplicação da metodologia prospectiva
puderam, eventualmente, determinar mudanças para as próximas aplicações. Como foi
apontado, a metodologia prospectiva que ora se apresenta foi apenas uma proposta
preliminar a ser testada no corpus inicial reduzido.
os (produto C) estão indicados no Anexo A desta tese.
entas para a extração automática de sintagmas nominais, comparando a extração
ca com a extração manual”; pretendeu-se perfazer os seguintes passos, em
explicitados e comentados:
1. Submeter ao processo de extração automática de sintagmas nominais os
quinze textos utilizados por KURAMOTO (1999) na sua tese de doutorado;
2. Validar a extração automática dos sintagmas nominais através da
comparação de resultados da performance das ferramentas com os
sintagmas manualmente extraídos;
valiar a performance obtida pelas ferramentas de extração automática em
comparação com a extração manual. Os critérios de comparação e categorias de análise
foram:
• Tempo gasto na extração dos sintagmas nominais;
• Quantidade de sintagmas nominais identificados;
• Qualidade da ide
35
Disponível na Internet no endereço http://www.asis.org/Publications/Thesaurus/isframe.htm.
84
Os resultados dessa validação foram levados em conta na avaliação da performance
da metodologia estabelecida para o objetivo geral, inteiramente dependente do sucesso
na identificação dos SNs.
C) Para o objetivo específico: “analisar a possibilidade de a metodologia proposta
ser utilizada para o auxílio na atualização de tesauros de língua portuguesa” buscou-se
utilizar um subproduto da aplicação da metodologia mencionada no objetivo geral para
levantamento terminológico nos corpora, levantamento este que poderia embasar,
posteriormente, o processo de atualização semi-automática de tesauros através da
análise de textos em um domínio do conhecimento, além da construção de stoplists.
Este processo paralelo, representado na FIG. 9 em separado, aconteceria da
seguinte forma:
1. O conjunto dos SNs minimamente freqüentes não constantes no tesauro
pode ser armazenado em estrutura para posterior validação como
descritores em potencial (o conjunto J);
2. A análise dos termos reunidos por uma comunidade de pesquisadores da
área pode decidir por aqueles que devem ser incorporados (o conjunto K).
No caso específico desta etapa, houve restrições temporais e conjunturais que
permitiram somente o levantamento da coleção de termos, sem que fosse possível a
análise quanto à inco ncial do instrumento
fica a
C
consecuçã
empíricos nto, não teria sido
possível sem as ferramentas de extração automática que, assim como o corpus de
validaç
desenvolv
envolvidos
4.3 – Ferramentas utilizadas
O trabalho de análise necessário à consecução da metodologia acima descrita
pressupôs um enorme esforço computacional, ao longo do processo. Para que fosse
rporação no tesauro. Esta funcionalidade pote
penas como uma indicação de trabalho futuro.
abe ressaltar novamente que a proposta metodológica apresentada para a
o do objetivo geral foi prospectiva, e sofreu alterações à medida que os dados
fossem manipulados e analisados. Esse trabalho, entreta
ão da extração automática, foram gentilmente cedidas pelos proprietários e
edores. Em seguida passamos à descrição dessas ferramentas e os processos
em sua utilização.
85
possível a
de forma etapas. A FIG. 10
explic
análise dos descritores, os SNs tiveram que ser extraídos automaticamente e
bastante veloz, mas esse processo foi composto por várias
ita os relacionamentos entre os processos e as ferramentas de software:
Figura 10 – Ferramentas utilizadas na metodologia
As ferramentas foram utilizadas na seguinte seqüência:
I. Os textos dos corpora foram escolhidos pelo autor desta tese e transformados
em formato de texto simples, sem caracteres especiais, utilizando as
ferramentas ADOBE ACROBAT
36
e MICROSOFT WORD
37
;
II. Em seguida, os textos tratados foram submetidos sucessivamente ao
processamento do analisador sintático (parser) “PALAVRAS”, da Southern
University of Denmark, e ao software “Palavras Xtractor”, desenvolvido em
conjunto pela Universidade do Vale do Rio dos Sinos (Unisinos) de São
36
Informações no endereço da Internet http://www.adobe.com/products/acrobat/main.html.
37
Informações no endereço da Internet http://office.microsoft.com/pt-br/FX010857991046.aspx.
86
Leopoldo, RS, e a Universidade de Évora, em Portugal, tendo como resultado
os documentos sintaticamente marcados em arquivos XML;
III. Após a identificação sintática das palavras dos textos, foi utilizado o software
to morfossintático de textos digitalizados em português chamada “Palavras”,
que
irtual
Intera
textos
completos em uma das ling
tos marcados. As análises podem ser feitas em diferentes níveis (morfológico,
sintático, semântico) e o site VISL oferece uma interface gráfica que permite aos usuários
diver
003). O
proce
XML SPY
38
para aplicação da transformação XSL nos arquivos XML com uma
folha de estilos específica (como explicado na seção 3.1.2), para extração de
arquivos HTML com os SNs, e estes SNs foram tratados estatisticamente
utilizando o software MICROSOFT EXCEL
39
.
Os pesquisadores da Unisinos e da Universidade de Évora cederam, para os
propósitos desta tese, interface integrada através da qual grande parte do processamento
automático envolvido; o desempenhado pelo parser do site dinamarquês foi realizado,
durante os meses de agosto e setembro de 2003. Em seguida vamos descrever em mais
detalhes as principais ferramentas, utilizadas na fase II descrita na FIG. 10.
4.3.1 – O VISL e o processador “Palavras”
A Southern University of Denmark desenvolveu e tornou público uma ferramenta de
processamen
faz parte de um conjunto de ferramentas multilingües chamado VISL
40
(V
ctive Syntax Learning).
No VISL, para cada idioma suportado, há ferramentas que operam em modo
automático ou semi-automático, nas quais um usuário submete sentenças ou
uagens admitidas (dentre as quais o português) e recebe de
volta os tex
sidade de opções de consulta em várias formas de visualização, como textos
simples, árvores sintáticas ou marcação com cores (BICK, 1996, 2001 e 2
ssador Palavras é baseado em uma interface de páginas HTML, scripts CGI
41
,
38
Informações no endereço da Internet http://www.altova.com
39
Informações no endereço da Internet http://office.microsoft.com/pt-br/FX010858001046.aspx
40
Disponível no endereço da Internet: http://visl.sdu.dk/visl/.
41
Informações no endereço da Internet
http://searchdatabase.techtarget.com/sDefinition/0,,sid13_gci213846,00.html
87
aplica
ara a análise automática dos textos
subm
co.
ada oração e seus componentes são marcados, inicialmente, em todas as suas
orfológico baseado
ia de ambigüidades é então processada através da
c nça, de que formas sintáticas são impossíveis (que são
ersistem) e quais são mandatárias (que são
. Através da aplicação sucessiva e repetida dessas regras, resolvem-se
paula e, ao final, resta
apen
ndo cerca de 50.000 lexemas;
tribuição de funções baseadas em contexto;
tivos Java
42
e scripts em PERL
43
; um conjunto de ferramentas chamadas de
“Constraint Grammar” (gramática de restrições), p
etidos.
A abordagem da gramática de restrições analisa o texto na perspectiva dos lexemas,
grupos de palavras e das próprias orações, nos níveis ortográfico, sintático e semânti
C
possibilidades sintáticas e semânticas, através do uso do analisador m
em léxico. Essa lista provisória e che
análise, no ontexto da sente
descartadas), quais são possíveis (que p
escolhidas)
tinamente as ambigüidades da classificação sintática na sentença
as uma e somente uma possível classificação para cada palavra, o que caracteriza a
abordagem como extremamente robusta. Mesmo em textos sintaticamente mal-
construídos, há algum resultado ao final, mesmo que incorreto (BICK, 1996, 2001 e 2003;
VISL, 2003).
O parser, na versão atual, apresenta os seguintes módulos e níveis de análise:
1. Um analisador morfológico que trata as categorias morfossintáticas, inflexões,
derivações, expressões fixas e os verbos. O analisador utiliza um léxico manualmente
construído composto de 70.000 entradas, representa
2. Um desambiguador morfológico que utiliza 1700 regras da gramática de
restrições;
3. Um “mapeador” sintático que associa às palavras as possíveis funções
sintáticas, utilizando 400 regras de a
4. Um desambiguador sintático que utiliza 1500 regras da gramática de restrições;
5. Um desambiguador de valência e o desambiguador de classes semânticas,
ainda não totalmente operacionais, baseados em 2200 regras da gramática de restrições;
42
Informações no endereço da Internet
http://searchwebservices.techtarget.com/sDefinition/0,,sid26_gci212415,00.html
88
A submissão sucessiva a estes módulos permite que se obtenha um resultado único
para a classificação morfossintática, como descrito.
A FIG. 11 mostra o resultado do parsing do excerto de documento, com o texto
“Considerações iniciais na companhia de Edgar Morin”, submetido ao processamento
morfossintático do processador PALAVRAS, na qual podemos ver a análise realizada:
Considerações [consideração] <*> N F P
iniciais [inicial] ADJ M/F P [inicial] N F P [iniciar] V PR 2P IND VFIN
em [em] <*> <sam-> PRP
a [o] <-sam> <artd> DET F S
companhia [companhia] N F S
de [de] PRP
Edgar=Morin [Edgar=Morin] <*> PROP M/F S/P
(...)
Figura 11 – Resultado de um texto submetido ao processador PALAVRAS
do arquivo de saída aparecem a forma
do le
Observamos na FIG. 11 que em cada linha
xema, tal qual ocorre no texto submetido, e em seguida a forma canônica do lexema
e por fim a classificação morfossintática deste. No exemplo acima, temos para o lexema
“considerações” a forma canônica “consideração”, e as classificações N (substantivo), F
(feminino), P (plural); e na segunda linha, as três classificações possíveis para a palavra
“iniciais”, a saber, ADJ (adjetivo – “inicial”), N (substantivo – “inicial”), e V (verbo –
“iniciar”), com suas inflexões e gêneros respectivos. Para consultar o conjunto de
símbolos completo do VISL, pode-se visitar o endereço na Internet:
http://visl.sdu.dk/visl/pt/info/symbolset-manual.html.
Além da possibilidade da submissão de textos e sentenças do usuário, o site do
VISL ainda mantém grandes corpora de sentenças previamente assinaladas, disponíveis
para estudiosos e pesquisadores. Além disso, os usuários têm acesso a dicionários e
ferramentas de tradução de textos.
Uma das possibilidades de marcação oferecidas pelas ferramentas do site indica as
to de uma oração. Através
to posterior, é possível extrair os sintagmas nominais das
Esse pós-processamento pode ser feito manualmente, através da
categorias gramaticais e a função de cada palavra no contex
desta marcação e processamen
sentenças de um texto.
ernet
et.com/sDefinition/0,,sid39_gci214291,00.html
43
Informações no endereço da Int
http://searchenterpriselinux.techtarg
89
análi
os protótipos se mostre funcionais. A grande falha do processador
PALA
o de um
no. Podemos esperar, entretanto, que essa situação venha a melhorar,
essador está sendo continuamente refinado.
tração automática de SNs
a ferramenta computacional “Palavras” do VISL, o Laboratório de
a Linguagem do Programa Interdisciplinar de Pós Graduação de
icada da Universidade do Vale do Rio dos Sinos, sob a coordenação da
ora doutora Renata Vieira, em parceria com o departamento de Informática da
Unive no escopo do projeto de cooperação
DIRP
internamente de “Palavras Xtractor”. Os
progr
njunto das palavras, arquivo
com as categorias morfossintáticas, e de agrupamentos; exemplificados a seguir:
word_32">incremento</word>
<word
<word id=
<word
<word
se das funções marcadas, ou pode ser automatizado. Na subseção seguinte será
apresentada a abordagem para esse pós-processamento baseada no padrão XML e nas
folhas de estilo XSL.
O projeto VISL é altamente orientado a produtos e processos, uma vez que novas
ferramentas têm sido constantemente disponibilizadas gratuitamente na Internet na
medida em que
VRAS é a fraca interoperabilidade do sistema, causada pela falta de padrões para
os arquivos de saída, além de problemas específicos no vocabulário do sistema, que
ainda não permitem uma análise sintática próxima do nível de perfeição esperad
analisador huma
haja vista que o proc
4.3.2 – A ex
A partir d
Engenharia d
Computação Apl
profess
rsidade de Évora, de Portugal, desenvolveu,
I (PROJETO DIRPI, 2001), um conjunto de programas de interface e de pós-
processamento dos resultados, chamados
amas estabelecem acesso ao site VISL, enviam textos para o analisador sintático
PALAVRAS para o português (BICK, 2000 apud GASPERIN et al, 2003). O resultado do
processamento dos arquivos de texto submetidos ao analisador é convertida em um
conjunto de três arquivos em formato XML: arquivo com o co
<word id="word_27">Desenvolver</word>
<word id="word_28">capacidades</word>
<word id="word_29">de</word>
<word id="word_30">controle</word>
"word_31">e</word> <word id=
<word id="
id="word_33">de</word>
"word_34">o</word>
id="word_35">fluxo</word>
id="word_36">de</word>
<word id="word_37">o</word>
<word id="word_38">conhecimento</word>
Figura 12 – Arquivo de palavras
90
A FIG. 12 exemplifica um trecho do primeiro dos três arquivos, de terminação
“words.xml”. Esse arquivo contém, em cada linha, os lexemas do texto original,
etiqu
"word_27">
<v canon="desenvolver">
<inf/>
</v>
<word
<prp ca
etados pelas tags <word>, cada uma trazendo a informação do número de ordem da
palavra na seqüência do texto. No trecho, exemplificado acima, vemos a análise do
excerto de texto “Desenvolver capacidades de controle e incremento do fluxo do
conhecimento”.
A FIG. 13 exemplifica um trecho do segundo dos três arquivos, de terminação
“pos.xml”, que contém, entre conjuntos de tags <word>, informações relativas às
categorias morfossintáticas respectivas a cada um dos lexemas do texto original.
<word id=
</word>
<word id="word_28">
<n canon="capacidade" gender="F" number="P"/>
</word>
id="word_29">
non="de"/>
</word>
<word id="word_30">
<n canon="controle" gender="M" number="S"/>
</word>
Figura 13 – Arquivo de Categorias Morfossintáticas
No trecho exemplificado acima, podemos observar a análise das quatro primeiras
palavras do excerto apresentado na FIG. 12.
E finalmente a FIG. 14 exemplifica um trecho do terceiro dos três arquivos, de
termi ras sintáticas das
sente
<chunk id="chunk_2" ext="subj" form="np" span="word_1..word_2">
<chunk
</chun
nação “chunks.xml”, que contém informações sobre as estrutu
nças do texto original – etiquetados pelas tags <sentence> - que, por sua vez, fazem
parte de um parágrafo – etiquetado pelas tags <paragraph>.
<text>
<paragraph id="paragraph_1">
<sentence id="sentence_1" span="word_1..word_26">
<chunk id="chunk_1" ext="sta" form="fcl" span="word_1..word_25">
id="chunk_3" ext="n" form="adj" span="word_1">
k>
Figura 14 – Arquivo de agrupamentos
O excerto acima exemplificado descreve o início do primeiro parágrafo, com uma
sentença que contém as palavras 1 a 26 do texto e alguns agrupamentos (chunks) que
91
ocorrem nessa sentença. Nos agrupamentos é que se identificam os lexemas que
compõem os sintagmas nominais.
A partir destes três arquivos em formato XML, gerados para cada documento
submetido, pode-se trabalhar com desenvoltura, em comparação com o arquivo de saída
do site VISL, pois através do uso de folhas de estilo (XSL) específicas é possível então
extrair os sintagmas nominais de qualquer texto ou corpus da língua portuguesa. Assim
como são extraídos os sintagmas nominais, é possível extrair outras instâncias
morfo
resentados a seguir:
ssintáticas, como sintagmas verbais, verbos, pronomes, e outros, dependendo do
interesse da pesquisa em questão, bastando para tanto o desenho de uma nova folha de
estilo.
Os sintagmas nominais utilizados nesta tese foram obtidos, utilizando-se a folha de
estilo específica para extração de sintagmas nominais, cedida gentilmente pela
pesquisadora da Unisinos Claudia Camerini Correa Perez.
Finalmente, cabe registrar que o equipamento utilizado para todo o processamento
local – que exclui aquele realizado pela interface oferecida pela Unisinos – foi um
computador AMD Athlon XP 2600+ de 256 MB de memória RAM, gentilmente cedido pelo
Núcleo de Informação Tecnológica e Gerencial (NITEG), da Escola de Ciência da
Informação - UFMG. Não é o equipamento ideal, entretanto, pois o processamento eficaz
de documentos maiores exigiria equipamento mais veloz e com mais recursos de
memória.
4.4 – Critérios de corte e avaliação dos descritores extraídos
Para que a metodologia proposta anteriormente fosse corretamente parametrizada e
avaliada, foi necessário estabelecer os critérios de corte – para estabelecer a quantidade
desejada de descritores – e os instrumentos de avaliação da relevância, determinando a
viabilidade do processo. Esses tópicos são ap
4.4.1 – Considerações gerais sobre a quantidade de descritores extraídos
O primeiro parâmetro a ser estabelecido para a metodologia automática de
atribuição de descritores a documentos foi a quantidade desejada desses. Embora a
limitação última possa ser considerada a quantidade total de SNs extraídos, isto pode não
ser desejável, pelas razões que serão expostas em seguida. Deve-se procurar responder
92
à questão: qual seria um número razoável de descritores para um determinado
documento textual? Ou seja, qual é a exaustividade desejada para o índice?
LANCASTER (1993, p. 20-41), considerando o uso de palavras-chave, aponta para
a grande variação nas faixas de termos selecionados, e aconselha que não sejam
estabelecidos limites absolutos para as quantidades, e sim parâmetros indicativos, e que
o grau de importância do item para os usuários do sistema justificaria uma indexação
mais
3, p. 235-239). Mesmo que em
proce
anual – o indexador
atribui grau de importância aos descritores escolhidos (LANCASTER, 1993, p. 174-187); é
possível adotar um ranki acordo com parâmetros de
seleç
Essa análise estrutural é possível de ser implem me ticas,
em
ento do número de termos descritores
aumenta a rev ão, diminuindo
cons
esentados de forma ordenada, em termos de
importância semântica, pode-se realizar uma indexação “modulada”, em que a alteração
ou menos exaustiva.
Usualmente, observamos quantidades que variam entre 5 a 25 descritores por
documento, mas em documentos de algumas áreas do conhecimento – como a química,
por exemplo – não é incomum observarmos uma centena ou mais de descritores.
LANCASTER ainda aponta, no caso da indexação manual, o fenômeno da diminuição da
coerência da indexação, a medida que aumenta a quantidade de termos índices
escolhidos (1993, p. 61-74). Entretanto, essa coerência certamente aumentará se o
processo for automatizado e seguir determinado algoritmo para a seleção de descritores,
em oposição à subjetividade da indexação manual (199
ssos automáticos não seja possível a adoção de algum tipo de indexação
ponderada nos mesmos moldes em que acontece com a indexação m
ng criado automaticamente, de
ão e corte.
KOBASHI (1994) associa a quantidade de descritores no processo de indexação à
completa caracterização de informações fundamentais presentes no texto, num processo
que considera a estrutura temática do texto analisado, a seleção de categorias
fundamentais para a caracterização da temática e a política de indexação do sistema.
entada em todologias automá
bora não seja o propósito desta pesquisa.
Já se mencionou o fato de que o aum
ocação dos documentos no processo de recuperaç
eqüentemente a precisão. Contudo, se após o processo de análise conceitual
automatizada os descritores forem apr
93
de p tos
descritores sejam desejáveis, segundo a conveniência do usuário, ou as determinações
presentes na política de indexação. Observa-se que no caso de metodologias
automatizadas baseadas em freqüência, essa parametrização é facilmente implementada
no pr
to, um número excessivo de
desc
res freqüentes
a prio
A metodologia que pretendia extrair descritores para avaliar a relevância semântica
dos SNs c
os seguintes valores aos SNs, de
acordo com a relevância semântica percebida, segundo o mesmo esquema cromático
apresentado no Anexo B, dos resultados da aplicação da metodologia prospectiva:
Relevância descritiva do SN Símbolo Valor associado
arâmetros – maior precisão ou maior revocação – permita a escolha de quan
ocesso de seleção de descritores, desde que estes sejam apresentados em ranking
relativo de importância semântica.
O pressuposto adotado é o fato de que, idealmente, quanto maior o número de
descritores extraídos – número este que está relacionado à estrutura e ao tamanho dos
documentos, e à metodologia de identificação e seus parâmetros – maior é a
caracterização do assunto do documento. Entretan
ritores pode não ser conveniente, por diminuir em demasia a precisão das buscas
baseadas nesses índices, o que nos impele a desenvolver uma metodologia flexível e
parametrizada, que permita a escolha a priori ou a posteriori de qualquer quantidade
desejada de descritores, dependendo da escolha por maior taxa de precisão ou
revocação, quando da recuperação destes documentos.
Na aplicação da metodologia prospectiva não foram excluídos descrito
ri. Na metodologia consolidada, esse recurso pode ser adotado.
4.4.2 – Critérios de avaliação da metodologia
andidatos a descritores, definimos os conceitos de “Pontuação” e “Taxa de
Relevância”. Para efeitos de pontuação, associamos
SN extremamente relevante como descritor SN*** 1,0
SN razoavelmente relevante como descritor SN** 0,5
SN moderadamente relevante como descritor SN* 0,25
SN não relevante como descritor SN – 0,0
Tabela 6 – Valor atribuído ao SN de acordo com sua relevância
Computamos valores ponderados (pontuação) relativos à qualidade dos SNs como
descritores, segundo a fórmula a seguir:
94
()( )
(
)(
*25,0**.5,0***.descPontuação NúmSNxSNNúmxSNNúm
)
+
+
=
E definimos também a taxa de relevância dos SNs, para determinada freqüência:
(
)
⎟
⎟
⎠
⎞
⎜
⎜
⎝
⎛
=
socorrênciadassoma
descPontuação
levTxRe
A pontuação foi mensurada atribuindo-se valor numérico arbitrário aos SNs de
acordo com sua relevância percebida como descritores, e a taxa de relevância apresentou
esse valor normalizado. Quanto maior a taxa de relevância, melhor seria a representação
do a áximo é 1 – valor este que seria
alcançad s
incomum m
Pode-s
julgamento ue foi o próprio autor desta tese que classificou
os SNs entre extremamente relevantes,
relevantes e
está necess scritores no processo
de análise de assunto (CESARINO, 1980; UNISIST, 1981; NAVES, 1996).
Os valores arbitrários de 1,0, 0,5 e 0,25 atribuídos de acordo com a relevância
relati
ssunto pelos descritores, sendo que o valor m
o e a totalidade dos descritores fosse extremamente relevante, caso bastante
esmo para processos de indexação manual.
e objetar quanto a certo grau de subjetividade envolvido no processo de
de relevância, uma vez em q
razoavelmente relevantes, moderadamente
não relevantes como descritores. Entende-se, porém, que a subjetividade
ariamente presente quando se propõe a escolha de de
va dos descritores não foram considerados absolutamente, mas apenas como
parâmetros para a possível avaliação das aplicações da metodologia.
Esses valores e as fórmulas utilizados nesta investigação são discutidos nos
capítulos a seguir, quando da análise dos dados.
95
5 RESULTADOS DA APLICAÇÃO DA METODOLOGIA PROSPECTIVA
Est conseqüentes análises,
necessá s dução e nas
afirmações que per ão da
metodologia prospectiva como um processo viável para a escolha automática de
desc
corpus apresentado na seção 4.1. Esses documentos foram
previ
e capítulo descreve a experimentação empírica e
ria à confirmação dos pressupostos apresentados na intro
meiam este trabalho. Tem como ponto central à validaç
ritores. A metodologia (prospectiva), na forma inicial, e as ferramentas necessárias à
sua consecução, foram apresentadas e delineadas no capítulo anterior.
Este capítulo está dividido da seguinte maneira:
• Na seção 5.1 foram comparadas as extrações manual e automática em um
corpus anteriormente processado de forma manual. Os resultados
apresentados permitiram estabelecer algumas considerações sobre o
processamento automático;
• Na seção 5.2 foram apresentados e discutidos os dados provenientes da
aplicação da metodologia prospectiva, delineada no capítulo 4, ao corpus de
testes, gerando subsídios para que essa seja refinada.
5.1 – A validação da extração automática de sintagmas nominais
Nesta seção, pretendem-se apresentar considerações de ordem qualitativa e
quantitativa para tecer possível comparação entre os processos manual e automático de
extração de sintagmas nominais. Para essa avaliação, tomamos apenas os 15
documentos do primeiro
amente analisados de forma manual e seus sintagmas nominais foram extraídos e
classificados (KURAMOTO,1999).
Embora não tenha sido objetivo desta investigação esmiuçar detalhes da
conformação dos sintagmas nominais extraídos automaticamente, como realizado no
âmbito da extração manual citada, alguns comentários comparativos são tecidos, a título
de avaliação. Uma análise comparativa completa, porém, demandaria tempo demasiado e
estaria além dos objetivos propostos, ficando como uma sugestão de pesquisa futura, que
poderia ser aplicada ao desenho de melhores parsers e à correção de possíveis
problemas com os atualmente disponíveis.
96
As categorias de análise previstas na metodologia para avaliação comparativa das
extrações manual e automática dos sintagmas nominais foram:
• Tempo gasto na extração dos sintagmas nominais;
Dr. Hélio KURAMOTO (1999, Anexo A) tomou cerca de 130
horas sendo
que dessas 130 horas, apenas cerca de 5 horas foram devotadas à extração dos SNs dos
15 te
ras Xtractor tenha tomado, para os dois corpora
selecionados, e ainda os 15 documentos descartados, apenas cerca de doze horas, a
izando ML SP para a
nominais d us marcado em XML – tomou cerca
de dedicação o horas diária do para a
maio dos SNs dos
docu
intagmas nominais possam ter causado
os di
onaram ao total
muitas horas extras de trabalho. É de se esperar que este tempo total de processamento
• Quantidade e qualidade dos sintagmas nominais identificados.
5.1.1 – Considerações sobre o tempo gasto no processo
O processo conjunto de extração automática de sintagmas nominais dos 75 textos
completos das revistas eletrônicas, inicialmente selecionados, e dos 15 textos analisados
manualmente pelo professor
de processamento computacional semi-assistido, em diversos equipamentos,
xtos analisados manualmente. Considerando o conjunto dos corpora, objetivemos
média aproximada de uma hora e meia de processamento, dedicado a cada documento.
Embora a submissão dos artigos ao processador sintático PALAVRAS e o pós-
processamento no programa Palav
aplicação das folhas de estilo util o re Xsoftwa Y ia – necessár
extração específica dos sintagmas o corp
de três semanas, com a média de oit s, contribuin
r parte do tempo necessário ao processo completo de extração
mentos. Aqui não se considera o tempo gasto na escolha dos SNs significativos,
dentre os extraídos.
A característica recursiva do processo de extração dos sintagmas, o tamanho dos
documentos originais e dos arquivos gerados pelo processador Palavras Xtractor a partir
destes, somados à indisponibilidade de equipamentos PC compatíveis com velocidade de
processamento e memória de trabalho suficientes determinaram o tempo tomado pelo
processo. Também podemos supor que alguns defeitos no gerenciamento de memória no
software XML SPY e na estrutura aninhada dos s
versos problemas de insuficiência de memória de trabalho (na memória RAM) do
computador, observados durante o processamento dos textos, que adici
97
pudesse
mais veloze
metodologia
As informações de que dispomos sobre o tempo gasto na identificação manual dos
sintagma
entre o auto
duração mu or que, embora não tenha sido
possível mensurar, o tempo gasto na extraç
média, ao processo manual.
5.1
O Ane
nominais e a partir dos 15 textos de seu corpus, ordenados
alfabeticam
as compara o um todo. A TAB. 7
apresenta alguns dados relevantes:
ser reduzido consideravelmente com a utilização de equipamentos e software
s, e à medida que partes do processo fossem automatizadas, caso a
se mostrasse eficaz para o propósito.
s nominais, conseguidas por meio de trocas de mensagens e colóquios informais
r e o professor Dr. Hélio KURAMOTO indicaram para o processo manual uma
ito variada, e pode-se razoavelmente sup
ão automática fosse bastante inferior, em
.2 – Considerações quantitativas e qualitativas sobre os SNs identificados
xo B da tese de doutorado de KURAMOTO (1999) apresenta os sintagmas
xtraídos manualmente
ente. Não há discriminação de SNs por texto de onde foram extraídos; então
ções tecidas nesta seção levaram em conta o corpus com
Extração Manual Extração Automática
Total de Sintagmas Nominais identificados
8818 6655 (75%)
Sintagmas Nominais válidos identificados
8818 6462 (73%)
Sintagmas Nominais únicos e válidos
5982 5183 (86%)
Tabela 7 – Comparações quantitativas entre os processos de extração de SNs
entagem aumentou para
86% dos SNs únicos identificados manualmente.
Podemos identificar alguns problemas específicos do processo, que redundaram na
cons
Além das diferenças de performance apontadas pelas percentagens relativas
(apenas 75% dos SNs totais foram identificados), estimou-se que quase 3% dos SNs
identificados pelo analisador automático pudessem ser considerados não válidos, o que
diminui o valor dos identificados para cerca de 73% dos SNs originalmente identificados.
No caso de um esforço futuro para automatização completa da metodologia desenvolvida
nesta pesquisa, sugere-se algum tipo de tratamento desse “refugo”. Quando analisamos
os SNs únicos e válidos identificados automaticamente, a perc
tatação de SNs não válidos, ou na não identificação de SNs válidos:
98
• Falhas do processador PALAVRAS, na identificação errônea de sinais
especiais de formatação (ex. números seguidos por um ponto, números
romanos, títulos de seções do texto sem pontuação final, abreviaturas, sinais
gráficos como $, &, etc.);
, HTML) para textos simples (TXT), onde a estrutura “visual” do
documento for perdida;
vos XML malformados;
Um l
oferece trat Ns presentes nas estruturas
das orações. Dos números apresentados na TAB. 7, podemos perceber perda
aproxima
corpus anal
Mes o
compararmo a a velocidade relativa dos processos de
extração
primeiro pre ução se verificou – temporariamente – correto.
Estiv
• Falhas e incompletudes no léxico utilizado para a análise sintática do
processador PALAVRAS, como apresentado na seção 4.3.1. (ex. nomes
próprios, palavras não reconhecidas, etc.);
• Falhas do processador PALAVRAS na identificação correta de palavras em
outra língua, como o inglês;
• Falhas oriundas das conversões dos formatos originais dos documentos
(PDF
• Falhas do programa XML SPY na geração dos arquivos de saída, em virtude
de problemas de memória e arqui
o har mais atento e minucioso permitiu verificar que a identificação manual
amento melhor para a exploração de todos os S
da de 27% dos sintagmas nominais totais, no processo automático, para o
isado.
m considerando os problemas apontados e a eficácia qualitativa, se
s as performances levando em cont
e o grande percentual de SNs extraídos corretamente, consideramos que o
ssuposto apresentado na introd
emos, porém, condicionados ao fato de que a metodologia demonstrasse seu valor.
Caso contrário, a análise manual do assunto do documento ainda seria a melhor opção
para a escolha de descritores adequados.
5.2 – A análise dos dados da aplicação da metodologia prospectiva
A comparação realizada na seção anterior sugeriu um posicionamento levemente
cauteloso quanto aos resultados da aplicação da metodologia prospectiva ao corpus de
99
textos. Acre os
satisfató s ais de escolha a partir de freqüência
de palavras-chave isoladas. A partir deste argumento, deixemos que os resultados, ao
final, fale
ntão, no capítulo seguinte,
os do
s
signif
e ocorriam nos textos
analisado na subseção 5.2.3).
ficá-la de forma a tornar-se mais eficaz.
ara as análises de freqüência, ocorrência e relevância semântica de SNs como
descritores, consideramos insights teóricos de algumas das metodologias utilizadas para
a seleção de palavras-chave significativas, como apresentado na subseção 2.2.2 deste
trabalho. Dentre os algoritmos, destacamos os seguintes:
ditava-se, porém, que a metodologia fosse capaz de prover resultad
rio , se comparada às metodologias tradicion
m por si.
Nas seguintes subseções, detalhamos os resultados da aplicação da metodologia
prospectiva, apresentada no capítulo anterior, ao corpus de testes, ou seja, à amostra
reduzida, composta de 6 documentos (10% dos documentos totais), escolhidos dentre
aqueles pertencentes ao corpus de trabalho – composto na íntegra por 60 documentos.
As operações realizadas nesse subconjunto e seus resultados permitiram a avaliação do
processo e subsidiaram os ajustes e melhorias possíveis. Daí e
cumentos em sua totalidade são processados a partir da metodologia consolidada,
então avaliada.
Como apresentado no capítulo anterior, a metodologia de seleção dos SN
icativos para descritores dos textos, considerada a maior contribuição deste trabalho,
levou em consideração os seguintes fatores:
• As freqüências e a relevância semântica dos SNs qu
dos artigos (fator analisado na subseção 5.2.1);
• A quantidade de ocorrências dos SNs na totalidade do corpus (fator também
analisado na subseção 5.2.1);
• Os níveis e as estruturas sintáticas dos SNs relevantes como descritores
(fator analisado na subseção 5.2.2);
• A ocorrência no tesauro da CI (1989) dos SNs freqüentes e relevantes (fator
A partir da análise desses fatores, considerados a partir de suas influências
individuais e também correlacionados entre si, foi possível avaliar a metodologia proposta
e modi
P
100
• Cálculo de freqüências com limites de corte inferior e superior (Lei de Zipf);
• Pesos relacionados à freqüência inversa
ão sobre a relevância dos descritores
extraídos deveria ser realizada por um grupo de especialistas.
Par a relevância semântica e os níveis e
estruturas sintáticas dos SNs, utilizamos a teoria apresentada nas subseções 2.1.6 e
2.1.7 d
Final relevantes, segundo os
critérios anteriores, com aqueles que ocorrem parcial ou exatamente no Tesauro da CI
(1989)
Os s sta tese foram
processados segundo a metodologia apresentada no capítulo 4, e os dados necessários
às pri
foram apr
esses seis ve
mais
com os S
seguinte.
descriçã icial pode ser conferida no Anexo B desta
tese.
• Valor discriminatório dos termos.
O critério adotado para a avaliação da relevância semântica dos SNs escolhidos
baseou-se em considerações do autor desta tese a partir de análises de semelhança
semântica entre esses e as palavras-chave e resumos originais produzidos pelos autores
dos documentos do corpus. Como apontado anteriormente, esse critério, apresenta
componente subjetivo, e numa situação ideal a decis
a as análises e comparações entre
esta tese, além de aportes teóricos advindos do trabalho de KURAMOTO (1999).
mente, realizaremos comparações entre os SNs
, completando os passos metodológicos a serem validados.
eis primeiros artigos do corpus apresentado no Anexo A de
meiras análises, obtidos a partir do processamento dos documentos nas planilhas,
esentados em tabelas, explicitadas e apresentadas nas seções a seguir. Para
primeiros artigos, também são apresentadas no Anexo B as palavras-cha
freqüentes, para que pudéssemos ter uma base de comparação desses termos e
Ns escolhidos como descritores. Essa discussão é apresentada no capítulo
As subseções seguintes devotaram-se à exegese e à análise dos dados, e uma
o dos resultados do processamento in
101
5
semântica
O
metodolog
estabeleci o ou do sistema. Para tal propósito,
elaboramos uma espécie de ranking indicativo de relevância associado, entre outros
aspectos, às freqüências de ocorrência dos SNs nos textos. Para chegar a este
relacionamento entre freqüência e relevância, analisamos nesta subseção os dados
apresentados nas TAB. 8 e 9, explicitadas a seguir:
• A TAB. 8 apresenta, para cada um dos seis artigos do corpus de testes, os
seguintes dados, assim enumerados:
I. A quantidade total de SNs identificados e a quantidade de SNs únicos
identificados (soma de todos os SNs excetuando as repetições), e a
percentagem dos SNs únicos em relação aos totais;
II. A quantidade de SNs identificados de acordo com as freqüências de
ocorrência, para as freqüências de 1, 2, 3, 4 ou mais de 4 vezes, e os
percentuais respectivos, relativos à quantidade de SNs únicos;
III. A quantidade de SNs identificados com freqüência de 2 vezes, que não
possuem estrutura sintática específica (explicitada na subseção 5.2.2), e seu
percentual relativo à quantidade de SNs únicos (identificados por asterisco);
IV. Os totais de SNs que aparecem mais de 1 vez, mais de 1 vez e que não
possuem estrutura sintática específica (explicitada na subseção 5.2.2), e mais
de 2 vezes, e seus percentuais relativos à quantidade de SNs únicos.
• A TAB. 9 apresenta, para cada um dos seis artigos do corpus de testes, os
seguintes dados, assim enumerados:
I. Repetindo as informações da TAB. 7, são apresentadas a quantidade total de
SNs identificados e a quantidade de SNs únicos identificados (soma de todos
os SNs excetuando as repetições), e a percentagem dos SNs únicos em
relação aos totais - ;
.2.1 – Considerações sobre as freqüências de ocorrência dos SNs e a relevância
como descritores
s argumentos apresentados na subseção anterior nos motivaram a oferecer
ia flexível, que permita a escolha de certa quantidade de descritores
da de acordo com a conveniência do usuári
102
II. A
qu
p uação e a taxa de relevânc omo d id
e orre 4 a e ezes
III. A p uaçã a taxa de relevância para SNs que ocorrem 2, 3, 4 e mais de 4
vez ten id x a os não
a s ção .2).
ont ia (c efin as na seção 4.4), para SNs
oc
ont
m 3,
o e
e m is d 4 v ;
es, do s o e
itad
purg
na
dos
ubse
que
5.2
possuem uma estrutura sintática
específica (explic
103
A 5 6 ias rtigo 1 Artigo 2 Artigo 3 Artigo 4 Artigo Artigo Méd
Qtd. de SNs identificados
1673 842 783 801 1478 984
1093,5
I
Q . d
ide
1343 80,3% 711 84,4% 680 86,8% 688 85,9% 1252 84,7% 836 85,0%
918,3 84,0%
td e SNs únicos
ntificados
Qtd.
vez
1 9 9 % 65 1% 0 3%
55, ,18%
d
aparecem somente 1
e SNs que
251 3,1% 662 3,1% 645 94,9% 631 91,7 11 93, 78 93,
8 7 93
Qtd.
66 4,9% 33 4,6% 23 3,4% 45 6,5% 72 5,8% 41 4,9%
46,7 5,08%
de SNs que
arecem 2 vezes ap
Q . d
ap
9 0,7% 5 0,7% 5 0,7% 5 0,7% 4 0,3% 8 1,0%
6,0 0,65%
td e SNs que
arecem 3 vezes
Qtd. d
5 0,4% 2 0,3% 2 0,3% 3 0,4% 7 0,6% 9 1,1%
4,7 0,51%
e SNs que
aparecem 4 vezes
II
Qtd. d que
veze
1 1 % 1 % 7 8%
0,0 ,09%
e SNs
aparecem mais de 4
s
17 ,3% 11 ,5% 7 1,0% 7 1,0 1 0,9 0,
1 1
III
Qtd.
ap
exce
25 1,9% 10 1,4% 7 1,0% 12 1,7% 22 1,8% 11 1,3%
%
de SNs que
arecem 2 vezes,
tuando os de
estrutura (D + N)
14,5 1,58
Total es
(>1)
5 %
7,3 ,33%
de SNs freqüent
97 7,2% 51 7,2% 37 5,4% 60 8,7% 94 7,5% 6 7,8
6 7
Total de SNs freqüentes
excetuando os de
estrutura (D + N)
(>1)
56 4,2% 28 3,9% 21 3,1% 27 3,9% 44 3,5% 35 4,2%
35,2 3,83%
IV
T
22 1,8% 24 2,9%
20,7 2,25%
otal d freqüentes
(>2)
31 2,3% 18 2,5% 14 2,1% 15 2,2%
e SNs
Tabela 8 – Freqüências de ocorrência dos SNs nos 6 primeiros artigos do corpus
104
Artigo 1 Artigo 2 Artigo 3 Artigo 4 Artigo 5 Artigo 6 Médias
Q
842
td. de SNs
identificados
1673 783 801 1478 984
1093,5
I
Q
4 84,4% 6
td. de SNs únicos
identificados
13 3 80,3% 711 80 86,8% 688 85,9% 1252 84,7% 836 85,0%
918,3 84,0%
Pon TxRelev P P
t. TxRelev Pont. ont. TxRelev Pont. TxRelev Pont. TxRelev ont. TxRelev
Pont. TxRelev
S
5 0,05 0, 1
Ns relevantes como
descritores que
aparecem 3 vezes
0,2 0,03 0,25 50 0,10 2,25 0,45 0,25 0,06 ,25 0,16
0,79 0,13
S
5 3 1,00 2
Ns relevantes como
descritores que
aparecem 4 vezes
0,2 0,05 0,25 0,1 0,50 1,00 0,33 2,00 0,29 ,75 0,31
1,21 0,26
II
S
de
ap
ve
0 5 3,00 3
Ns relevantes como
scritores que
arecem mais de 4
zes
6,5 0,38 5,00 0,4 0,43 4,00 0,57 2,75 0,25 ,25 0,46
4,08 0,41
SNs
de
ap
0 8 2,50 3
relevantes como
scritores que
arecem 2* vezes
5,5 0,21 2,75 0,2 0,36 4,25 0,35 5,50 0,25 ,75 0,34
4,04 0,28
SNs
de
ap
5 5 - 1
relevantes como
scritores que
arecem 3* vezes
0,2 0,13 0,25 0,2 0,00 2,25 0,75 0,25 0,06 ,00 0,50
0,80 0,40
SNs
de
ap
5 0 1,00 1
,25 0,63
0,95 0,63
relevantes como
scritores que
arecem 4* vezes
0,2 0,25 - 0,0 1,00 0,75 0,38 1,50 0,50
III
SNs
de
ap
ve
0 6 1,00 1,00 1
,00 1,00
1,67 0,67
relevantes como
scritores que
arecem mais de 4*
zes
3,5 0,58 2,25 0,5 1,00 1,00 1,25 0,63
* Excetu sent ra sintática (D ante
Análi ação entre as fre de o s SNs
+ Nome)
corrência e a relevância do
etermin
qüências
am a estrutu
ses de correl
ando aqueles que apre
Tabela 9 –
105
Dos dados da TAB. 8, podemos perceber que, para o conjunto reduzido de seis
artigos analisados, a média de ocorrência de SNs totais é aproximadamente 1093, e
a média de ocorrência de SNs únicos é de aproximadamente 918, ou seja, 84% da
média de SNs totais identificados. Isso significa que cerca de 16% dos SNs totais,
em média, se repetem ao menos uma vez. Dentre os SNs que se repetem, a grande
maioria - 10,2% dos SNs totais - se repete apenas duas vezes e cerca de 4% se
repetem três ou quatro vezes. Menos de 2% se repetem mais de quatro vezes.
É importante relembrar que no cômputo das freqüências dos SNs, foram
agrupados aqueles que diferiam apenas pelo determinante inicial, sendo este
usualmente artigo, pronome demonstrativo, pronome possessivo, numeral ou
número; ou mesmo artigo seguido por pronomes ou numerais (como apresentados
na TAB. 5 do capítulo anterior); e suas freqüências foram calculadas conjuntamente.
Esse tipo de p ogia, deveria
ser im
rocessamento manual, porém, para a eficácia da metodol
plementado como processo totalmente automatizado.
Na TAB. 8 podemos observar as percentagens de ocorrência percebidas para
as várias freqüências, em relação ao número total de SNs únicos, e a FIG. 15 ilustra
essas freqüências:
0,00%
1,00%
2,00%
3,00%
4,00%
Histograma de freqüências para SNs únicos
5,00%
6,00%
2 2 (sem D+N) 3 4 Mais de 4
Figura 15 – Histograma de freqüência para SNs únicos
Verificou-se que as maiores relevâncias semânticas podem ser associadas às
maiores freqüências de ocorrência, de modo análogo às palavras-chave, havendo
106
leve indicação de saturação quando a freqüência aumenta em demasia. Isso pode
ser verificado no gráfico da FIG. 16, explicitada adiante.
Os resultados apresentados na TAB. 9 demonstram claramente que a taxa de
relevância cresce com a freqüência, sendo de 0,13 para os SNs que ocorrem três
vezes; 0,26 para os que ocorrem quatro vezes e 0,41 para os que ocorrem mais de
quatro vezes. Ainda são apresentadas as taxas de relevância para freqüências
(indicadas por asterisco) de SNs dos quais foram expurgados aqueles compostos
por certa estrutura sintática (D + N) – objeto de discussão na próxima subseção. A
FIG. 16 ilustra estes dados:
Comparações entre frequência e relevância de SNs
0,20
0,30
0,40
0,50
0,60
0,70
Tx Relev.
0,00
0,10
3 4 >4 2 (sem
D+N)
3 (sem
D+N)
3 (sem
D+N)
>4 (sem
D+N)
Figura 16 – Comparações entre freqüências e relevância de SNs
Pode-se perceber no histograma da FIG. 16 um comportamento notadamente
assintótico, que indica que a taxa de relevância tende a aumentar cada vez menos,
à medida que se au
altas
mentam as freqüências. Este fenômeno também pode ser
interpretado como saturação da densidade semântica para freqüências demasiado
, e mesmo talvez uma inflexão na curva, o que indicaria que os termos com
freqüência demasiado alta podem ser descritores insignificantes; expressões por
demais comuns, com pouco poder discriminatório.
Quando tratamos de palavras-chave, a lei de Zipf preconiza freqüência superior
de corte, por considerar que as palavras que possuem freqüência demasiado alta
107
não possuem poder discriminatório e densidade informacional. Verifica-se, a partir
das análises no corpus exemplificadas pela amostra apresentada no Anexo B, que
os SNs que apresentam freqüências demasiadamente altas perdem em relevância,
mas o descarte indiscriminado desses SNs extremamente freqüentes poderia vir a
eliminar bons descritores. Quando analisamos os SNs de acordo com as freqüências
totais no corpus reduzido de 6 documentos, verificamos que as maiores taxas de
freqüência estão associadas aos SNs mais “genéricos”, como por exemplo
“conhecimento” e “informação”. Esses SNs, se considerados isoladamente e fora do
contexto de seus artigos originais, realmente revelam menor relevância. Uma
possível solução para esse impasse seria estabelecer valor máximo de relevância a
ser considerado a partir da análise da freqüência, para os propósitos de avaliação
dos descritores. Essa sugestão será incorporada na metodologia final.
Também se pode perceber a partir da análise da aplicação da metodologia no
corpus reduzido que o poder discriminatório dos termos diminui, se considerarmos
as ocorrências dos SNs na totalidade dos textos do corpus, o que nos impele a
considerar ponderação de valores relacionados ao inverso da freqüência de
ocorrência no corpus, de modo a valorizar os SNs que ocorrem freqüentemente em
poucos documentos, e penalizar os SNs extremamente freqüentes em todo o
conjunto de documentos. De acordo com a “trivialidade” de alguns desses SNs,
podem-se mesmo incluí-los em uma stoplist, caso assim seja conveniente. Ao fazê-
lo, estaremos aumentando o valor discriminatório de cada termo escolhido.
Nos dados apresentados no Anexo B, pode-se perceber qualitativamente que
a relevância cresce de forma geral com a freqüência para esse conjunto reduzido de
artigos, e seria arbitrário definir a priori uma freqüência de corte inferior para a
metodologia modificada. Um ponto a ser considerado na metodologia consolidada é
a possibilidade de parametrização dos valores para as freqüências de corte, ou
mesmo deixar que a quantidade desejada de descritores estabeleça esse corte.
A freqüência de corte escolhida para a aplicação prospectiva foi de 2
ocorrências, sendo que para os que ocorrem somente duas vezes, foram eliminados
aqueles que possuem estrutura sintática mais simples, compostos por um
determinante seguido de um nome. Na próxima subseção, vamos apresentar
108
considerações relativas aos níveis e às estruturas sintáticas dos SNs, e suas
relevâncias relativas como descritores.
5.2.2 – Considerações sobre as estruturas sintáticas dos SNs e a relevância
como descritores
Para a análise das estruturas sintáticas e a relevância dos SNs como
descritores, tomaremos em conjunto os dados das TAB. 8 e 9 apresentadas
anteriormente e a TAB. 10 (apresentada a seguir). A TAB. apresenta, para cada
um dos seis artigos do
com suas e uras sintática o exemplificadas), apresentando a taxa de
relevância (como definido na se 4) para cada um dos níveis de SNs;
10
corpus de testes, as quantidades relativas de SNs de acordo
strut s (com
ção 4.
Artigo 6 Médias
109
2 Artigo 3 Artigo 4 Artigo 5 Artigo 1 Artigo
Estrutura
freqüente
dos S
s (>1
el
Ns
)*
Qt TxRelev Qt TxR ev Qt TxRelev Qt TxRelev Qt TxRelev Qt TxRelev Qt TxRelev
SN de Nível 1a
21 0,14 13 0,23 1 12 0,21 9 0,36 13 0,17 9 0,21
14,50
1,24
SN de Nível 1b
13 0,21 8 0,31 4 0,38 10 0,53 14 0,27 4 0,31
8,83
1,92
SN de Nível 2
20 0,31 6 0,38 1 5 0,60 5 0,40 16 0,28 1 0,50
10,50
2,24
SN ou
0
de Nível 3 maior
1 0,25 1 0,5 0 - 1 1,00 1 0,25 1 0,25
0,83
2,70
turas sintáticas
Tabela 10 – Análises de â
:
correlação entre estrutura sintática e relev
Exemplos da classificação adotada para os SNs
Nível 1a: “Os negócios”;
Nível 1b: “Os negócios
ncia dos SNs
internacionais”;
Nível 2: “O mundo dos negócios”;
Nível 3 : “O ambiente do mundo dos negócios”;
Nível 4: “As característic s”; as do ambiente do mundo dos negócio
negócios”. Nível 5: “As análises das car dos acterísticas do ambiente do mundo
classifica estrução adotada para os SNs segundo suas
Tabela 11 – Exemplos da
110
Apesar de haverem sido tecidas algumas considerações ligeiras sobre as
estruturas sintá lho, tomar-se-
ão emprestados alguns resultados de KU
ordo com sua estrutura, em seu corpus de análise de 15
textos. KURAMOTO verifica que cerca de 50% dos SNs únicos verificados são de
nível 1a u
sintática ge róprio e D um
determin t
apresentadas na TAB. 5, na seção 4.2 deste trabalho. Esses dados corroboram o
que f
que a estrutura sintática dos
SNs
nível 1a, como exemplificado na TAB.
11, e não diferem muito em termos de densidade informacional das palavras-chave,
que s
dados da TAB. 9, que relaciona as freqüências e a relevância dos
SNs,
freqüência de 4 ocorrências, e
0,41Æ 0,67 para freqüências maiores que 4 ocorrências).
Mesmo os SNs que apresentam freqüência de apenas 2 ocorrências
conseguem a taxa de relevância de 0,28; quando são expurgados os de estrutura
simples (D + N) – taxa esta maior
que haja esse expurgo. En
freqüências maiores que 2 decr
da estrutura sintática do SN
seletivo, mas não eliminatório, a ser
corrigida.
Os resultados apresentados na TAB.
que considera SNs de nível “1a” aqueles que
aqueles de nível 1 no qual foram exc
ticas dos SNs nas subseções 2.1.6 e 2.1.7 deste traba
RAMOTO (1999) sobre a freqüência de
ocorrência dos SNs de ac
, o seja, possuem a estrutura simples (D + N), sendo N uma estrutura
nericamente considerada como um substantivo ou nome p
an e (artigo, pronome ou numeral), composto usualmente pelas estruturas
oi verificado no corpus de seis textos desta tese.
Os dados apresentados nas TAB. 9 e 10 indicam
está relacionada à sua relevância como descritores. Podemos notar que essas
estruturas (D + N) sempre constituem SNs de
e diferenciam desses SNs apenas pela ausência dos determinantes. Quando
analisamos os
tendo sidos expurgados aqueles de estrutura simples (o segmento III da TAB.
9), verificamos que a taxa de relevância cresce bastante (0,13Æ 0,40 para a
freqüência de 3 ocorrências; 0,26Æ 0,63 para a
que a relevância dos que ocorrem três vezes sem
tretanto, o número total de SNs selecionados para
esce muito com o expurgo, de modo que a análise
, ao menos para as altas freqüências, deve ser critério
considerado no desenho da metodologia
10 podem ser sumarizados na FIG. 17,
possuem a estrutura (D + N) e “1b”
luídos os de estrutura (D + N):
111
0,00
0,50
1,00
1,50
2,00
Estrutura Sintática e Taxa de Relevância dos SNs
2,50
3,00
Tx Relev.
SN de Nível 1a SN de Nível 1b SN de Nível 2 SN de Nível 3
Figura 17 – Correlação entre Estrutura e Relevância dos SNs
Sumarizando os dados das TAB. 9 e 10, e a informação apresentada na FIG.
17, podemos afirmar que:
• A densidade informacional do SN cresce com seu nível (ao menos até
os de terceiro nível, que ocorrem neste corpus reduzido);
• A menor densidade informacional ocorre entre os SNs de estrutura (D +
N).
Esses fatores, aliados às análises de relevância e freqüência, devem ser
considerados no desenho da metodologia consolidada.
Na próxima subseção, vamos apresentar considerações relativas à ocorrência
dos SNs freqüentes no tesauro da CI (1989).
5.2.3 – Análise integrada de freqüência, relevância semântica e ocorrência no
tesauro de CI
Para a análise das estruturas sintáticas e a relevância dos SNs como
descritores, tomaremos em conjunto os dados das tabelas anteriormente
apresentadas e a TAB. 12 (apresentada a seguir).
• A TAB. 12 apresenta, para cada um dos seis artigos do corpus de testes, os
seguintes dados:
112
mais de uma vez
itada na seçã
mente relevantes, moderadamente
relevantes e que não são relevantes, como descritores, para os
per otal de
SNs que ocorrem mais de uma vez;
II. A quantidades de SNs que ocorrem mais de uma vez e que não possuem
itada na seção 5.2.2), e que constam
parcial ou exatamente no tesauro de CI, além de seus percentuais
relativos ao total de SNs que ocorrem mais de uma vez;
III. que ocorrem mais de uma vez
estrutura sintática específica (explicitada na seção 5.2.2)
tempo relevantes (extremamente, razoavelmente ou moderadamente),
ue sta
erce uais tivo l de s que rrem m uma z.
I. A quantidades de SNs que ocorrem
estrutura sintática específica (e
e que não possuem
o 5.2.2), que são xplic
extremamente relevantes, razoavel
respectivos documentos, além de seus centuais relativos ao t
estrutura sintática específica (explic
A quantidades de SNs e que não possuem
e são ao mesmo
s de
q
p
con
nt
m parcial ou totalm
rela
ente no t
SN
esauro de CI, além
oco
de seus
ve
s ao tota ai
113
go 1 Artigo 2 Artigo 3 Artigo 4 Artigo édias Arti 5 Artigo 6 M
Qtd
q
3 10,3% 4 19,0% 6 23,1% 5 11,4 2,3%
. de SNs freqüentes (>1)*
ue são extremamente
relevantes como descritores
2 3,5% % 6 17,1% 4,3 1
Qtd
q
% 5 17,2% 2 9,5% 4 15,4% 4 5,2%
. de SNs freqüentes (>1)*
ue são razoavelmente
relevantes como descritores
12 21,1 9,1% 5 14,3% 5,3 1
Qtd
% 11 37,9% 8 38,1% 10 38,5% 14 31,8 3,2%
. de SNs freqüentes (>1)*
que são moderadamente
relevantes como descritores
17 30,4 % 10 28,6% 11,7 3
I
Qtd
q
d
% 09 32,1% 7 33,3% 6 23,1% 21 47,7 9,0%
. de SNs freqüentes (>1)*
ue não são relevantes como
escritores
25 43,9 % 14 40,0% 13,7 3
SN
c
2 7,1% 3 14,3% 3 11,1% 4 1,4%
s freqüentes (>1)* que
onstam no Tesauro CI
4 7,0% 9,1% 8 22,9% 4,0 1
II
SN
c
T
5 17,9% 1 4,8% 11 40,7% 11 25,0% 4,6%
s freqüentes (>1)* que
onstam parcialmente no
esauro CI
14 25% 10 28,6% 8,7 2
SN
q
T
0 0,0% 2 33,3% 2 20,0% 0 0,0% 3,8% 3 27,3% 1,3 1
s freqüentes (>1)* e
relevantes como descritores
ue constam exatamente no
esauro CI
1 7,1%
III
SN
q
T
4 50,0% 0 0,0% 6 60,0% 2 22,2% 4,5% 4 36,4% 3,3 3
s freqüentes (>1)* e
relevantes como descritores
ue constam parcialmente no
esauro CI
4 28,6%
* Excetu u sintática (Determinante + Nome)
elação entre a relevância dos SNs e a ocorrência no tesauro da
CI
ra ando aqueles que apresentam a estrut
Tabela 12 – Análises de corr
114
O cômputo geral da relevância semântica dos SNs freqüentes como
descritores, como apresentado na TAB. 12, pode ser sumarizado na FIG. 18, que
representa o esquema de cores do Anexo B. A figura mostra os percentuais de
ocorrência dos SNs extremamente relevantes (SNs***), razoavelmente relevantes
(SNs**) e moderadamente relevantes como descritores (SNs*), além dos SNs sem
relevância como descritores (SNs-):
0,0%
5,0%
Histograma de relevância semântica relativa de SNs
15,0%
20,0%
25,0%
30,0%
35,0%
40,0%
10,0%
SNs *** SNs ** SNs * SNs -
ântica
Ne
sintagmas n
possuem es relevantes como descritores;
15,2% s
relevantes roximadamente 60% de SNs com
algum poder de caracterização do assunto e cerca de 27,6% podem ser
consider
possuem p
apenas das
e o descarte
Figura 18 – Freqüências de SNs relativas à relevância sem
ssa aplicação da metodologia prospectiva, pôde-se perceber que, dentre os
ominais freqüentes, e excluindo os que ocorrem apenas duas vezes e
trutura (D + N), 12,4% são extremamente
ão razoavelmente relevantes como descritores e 33,3% são moderadamente
como descritores; o que perfaz ap
ados bons descritores. Temos ainda cerca de 39% de SNs que não
oder de caracterização. Esses sintagmas foram escolhidos a partir
análises de freqüência (aqueles que ocorriam mais de uma vez no texto)
dos que ocorrem somente duas vezes e possuem estrutura (D + N).
115
A
aumentar a
não relevan
No entanto,
assunto dos
pouca valia
TAB. 12, a as 11,4% dos sintagmas freqüentes
cons
metodologia prospectiva considerava que o uso do tesauro pudesse
relevância dos SNs escolhidos, por meio do descarte de parte dos SNs
tes – aqueles que não constassem no tesauro nem mesmo parcialmente.
contrariando esse pressuposto, o uso do tesauro específico da área de
textos escolhidos para os corpora – a ciência da informação – foi de
na seleção dos descritores. Como podemos perceber nos dados da
presentada anteriormente, apen
tam de forma similar no tesauro de CI, e 24,6% constam de forma parcial, ou
seja, constam apenas alguns dos morfemas dentre os lexemas componentes do SN.
Mas se analisarmos dentre aqueles que são
ao mesmo tempo freqüentes e
relevantes como descritores, o resultado pouco se altera, já que 13,8% constam de
forma similar no tesauro da CI e 34,5% constam de forma parcial. Disso conclui-se
que o fato dos SNs ocorrerem exatamente no tesauro da CI quase nada lhes
confere, em termos descritores, e pouco acrescenta o fato de ocorrerem
parcialmente.
Dentre os motivos para esse resultado aparentemente negativo, podemos
enumerar:
• A antiguidade e falta de atualização do tesauro utilizado;
• A dinamicidade do campo da ciência da informação;
• As características interdisciplinares das temáticas da área refletidas nos
artigos dos corpora, confrontadas com o foco do tesauro nas temáticas
mais nucleares da ciência da informação;
• A dificuldade de comparar os conceitos relacionados, através de
palavras-chave ou mesmo de SNs;
• A característica geral dos tesauros de focarem conceitos amplos, e
genéricos – mesmo que de área específica – em oposição à
necessidade de contextualização ad hoc dos descritores no escopo do
texto, para o aumento de seu poder discriminatório e de caracterização
do assunto dentre as publicações de uma área;
116
• E, por fim, podemos apontar o fato de que o tesauro, com seu conjunto
de conceitos representados por palavras, difere qualitativamente de
rmos
apresentam significância inferior.
Como exemplo da desatualização do tesauro, pinçamos conceitos como
“gestão
“exclusão digital”; que não ocorrem no tesa
dos artigos a-se a característica monotemática do
tesauro
informação. áreas do
conhecim n cante, ou
constituem tesauros mais atualizados; e todas as considerações demandam que
sejam devotados mais estudos para o uso desse recurso em metodologias
seme
recurso acessório para melhoria da qualidade de descritores selecionados.
metodologia prospectiva, que serão subs
consolidada. Esta será então aplicada à totalidade do corpus, e seus resultados
avalia
SNs, que, por possuírem semântica intrínseca, prescindem do contexto
atribuído. No caso do tesauro, o contexto de cada termo é atribuído por
notas explicativas, relacionamentos ou pelo próprio fato de fazerem
parte do tesauro, mas se forem considerados isoladamente, os te
do conhecimento”, “sociedade da informação”, “publicações eletrônicas” e
uro, e são bastante freqüentes em muitos
da área. Mais uma vez, reforç
em oposição à miríade de caminhos interdisciplinares da ciência da
Podem-se esperar resultados diferentes para outras
e to, que fossem característica interdisciplinar menos mar
lhantes.
Diante dessas constatações e ressalvas, decidiu-se por abandonar o uso do
tesauro como fator primordial na seleção de descritores, mas talvez utilizar como um
O próximo capítulo apresenta os conhecimentos adquiridos na aplicação da
ídios para o desenho da metodologia
dos.
117
6 A METODOLOGIA CONSOLIDADA
ste capítulo, buscamos consolidar o aprendizado decorrente da
Ne aplicação da
meto
seção 6.1 inclui os resultados apresentados na seção 5.2 para propor
alterações à metodologia prospectiva, e a metodologia consolidada é
ção 6.2 são apresentados os dados provenientes da aplicação da
metodologia consolidada ao corpus total de 60 documentos;
tados anteriormente,
de fo
metodolo uintes conclusões:
3
ocorr
analisad
(superio
dologia prospectiva ao corpus reduzido. As conclusões advindas desta
aplicação preliminar foram enumeradas e redundaram em algumas alterações no
processo de seleção de descritores, incorporados na metodologia consolidada.
Este capítulo está dividido da seguinte maneira:
• A
apresentada;
• Na se
• Na seção 6.3 são discutidos os resultados de maneira global.
6.1 – Considerações para a alteração da metodologia
Nesta subseção, procura-se consolidar os dados apresen
rma a gerar subsídios para as decisões que redundaram em alterações na
gia. Das subseções anteriores, destacam-se as seg
1. A relevância dos SNs aumenta com a freqüência de ocorrência, sendo
que para freqüências demasiadamente altas, há uma tendência de
saturação;
Na seção 5.2 foram apresentados os dados das TAB. 8 e 9, nas quais se
percebem que a freqüência de ocorrência de cada SN é diretamente proporcional à
relevância como descritor, com a indicação de possível saturação. Os dados
empíricos analisados sugerem a adoção de freqüências de corte inferiores de 2 ou
ências, com a possibilidade de análise concomitante de outros dos parâmetros
os. Ambas as freqüências consideradas – de corte (inferior) e de saturação
r) – revelaram-se dependentes do tamanho dos textos dos documentos.
118
2. Embora a densidade informacional dos SNs diminua para freqüências
de ocorrência muito elevada, estabelecer freqüências superiores de
corte a priori pode levar ao descarte de bons descritores;
Para este corpus reduzido de documentos, não foi possível estabelecer quais
seriam os níveis “seguros” a considerar como freqüências superiores de corte a
priori, sendo que esse quesito será observado quando da aplicação da metodologia
consolidada ao corpus completo. A maneira de dirimir as distorções que poderiam
surgir foi a consideração de uma freqüência máxima para fins de pontuação dos
desc
3. discriminatório do SN diminuem
s do corpus.
ão diretamente
proporcionais à sua relevância como descritor;
onstrado subseção 5.2.2, a complexidade da estrutura do SN
l são pro sua densidade informacional, e embora seja
entar essas análises em metodologias totalmente automatizadas,
onsiderar esse fator para ponderar os valores de relevância dos SNs
mbém que considerar que os SNs “extensos”, como os de nível
uperior, e os SNs com estruturas sintáticas muito complexas não são bons
descritores por s faltar certa concisão, desejável nos descritores.
5. Para nível, há a
repetição de informação pela dupla ocorrência. Essa repetição poderia
ritores.
A densidade informacional e o poder
à medida que este aparece em grande número de documentos do
corpus;
A metodologia consolidada deve prever alguma forma de detectar aqueles SNs
que possuam baixo poder discriminatório, por serem freqüentes em documentos de
todo o corpus, para diminuir-lhes a pontuação. Pode-se mesmo considerar a
construção de uma stoplist, de forma a penalizar ou eliminar descritores
abundantemente freqüentes no conjunto de artigo
4. A complexidade da estrutura sintática e o nível do SN s
Como foi dem
e o seu níve
na
porcionais à
trabalhoso implem
há que se c
escolhidos. Há ta
4 ou s
se
candidatos a lhe
o caso de SNs aninhados em outros SNs de maior
gerar distorções nos cálculos de freqüências e redundância de
informação;
119
Para remediar este problema, admitiu-se que para freqüências semelhantes, à
medida que se escolhe um SN de nível 2, 3 ou 4, eliminavam-se os de nível 1, 2 ou
3 que estivessem implícitos (aninhados), respectivamente, no de maior nível, para
não gerar redundância de informação (Anexo B, artigo 1 – “o valor de uma unidade
de conhecimento registrada” e “uma unidade de conhecimento registrada”). Quando
houve discrepânci rar os SNs como
autom
Os motivos expostos na subseção 5.2.3 encorajaram o abandono deste
recur , embora sejam
dema ados
empíricos desta pesquisa. Na metodologia consolidada, o uso do tesauro será
limita idade de descritores
dese
valor, se
Diretamente Inversamente Pouca relação com a
a entre as freqüências, não podíamos conside
aticamente vinculados, embora ainda assim houvesse um aumento da
freqüência dos de menor nível.
6. O uso do tesauro não se mostrou de utilidade para ajudar na seleção
primordial de descritores relevantes;
so tal como foi imaginado na metodologia prospectiva
ndadas mais pesquisas que levem em conta as particularidades dos d
do às decisões onde, por uma limitação da quant
jados, tenhamos que escolher o descarte de alguns dentre aqueles de igual
gundo os outros critérios apresentados.
Sumarizando, seguem os dados anteriormente apresentados:
proporcional à relevância proporcional à relevância relevância
Freqüênc
no docum
ia dos SNs
ento
X
(com saturação)
Freqüên
ocorr
no corpus
documen
cia de
ência dos SNs
de
tos
X
Complexi
nível e da
do SN
dade do
estrutura
X
(com saturação)
Ocorrência no
tesauro da CI
X
Tabela 13 – Relacionamentos pertinentes à relev
ância dos SNs
sujeita a ser, permanente e sucessivam
as cara
Diante dessas considerações, pudemos desenhar a metodologia consolidada,
ente, alterada e melhorada, de acordo com
cterísticas dos vários corpora, a área de conhecimento, a política de
120
indexaçã
atual. Se
o e os novos insights que pudessem surgir quando da aplicação da versão
gue ilustração dessa metodologia:
Figura 19 – Fluxograma da metodologia consolidada
121
E, n
executada n
1. Es tivo de documentos reconhecidamente
em
2.
3. Retirar os resumos e as palavras-chave atribuídas pelos autores;
4.
5. Ordenar os SNs nas planilhas atr
6. De corrência inferiores
patamar p
7. upa eterminantes em suas
mas s;
8. alisa
e
verificar se algum SN escolhido consta em uma stoplist,
9. Verificar a incidência dos SNs nos outros documentos do corpus;
ia são
regidos por parâmetros (representados na FIG. 19 em L) a serem
sintonizados com a sucessiva aplicação da metodologia;
12. Em caso de “empates” nos valores da pontuação dos SNs, considerar
a ocorrência no tesauro da CI como fator de desempate;
ai da, detalhamento dessa metodologia, passo a passo, conforme
a presente pesquisa:
colher corpus significa
inseridos dentro de uma área de conhecimento, como universo
pírico desta pesquisa;
Converter os formatos de arquivo para texto simples;
Extrair os sintagmas nominais do corpo do texto;
avés da verificação da freqüência de
ocorrência dos sintagmas nominais nos documentos;
scartar os SNs que apresentam freqüências de o
a um reestabelecido;
Agr r os SNs remanescentes a partir dos d
for “canônicas”, e reordená-lo
An r manualmente os SNs pré-escolhidos e decidir sobre a sua
relevância como descritores, para fins de construção de uma stoplist
dinamicamente construída, para, se for o caso, descartá-lo (em 11);
10. Analisar a estrutura e o nível dos SNs;
11. Atribuir pontuação e ranquear os SNs remanescentes de acordo com
fórmula estabelecida (explicitada a seguir), levando em conta a
freqüência de ocorrências no texto e a freqüência de saturação
definida, e a quantidade de textos do corpus em que ocorrem, a
estrutura sintática e o nível do SN. Esses critérios de relevânc
122
13. Caso ainda ocorram “empates” nos valores da pontuação dos SNs,
o corpus;
1
r
A lista ranqueada foi utilizada para a avaliação da metodologia consolidada,
através da comparação com os resumos e as palavras-chave atribuídos pelos
a, possuem a característica de poderem ser alterados dinamicamente,
de a
presente pesquisa se propôs a realizar. Por
ora, assumiremos alguns conjuntos de valores para os quais as observações
prelimina s
Para essa fase, utilizo
de ranking, como apresentado a seguir:
considerar os seguintes critérios de desempate:
a. Maior valor absoluto da freqüência de ocorrência;
b. Menor valor absoluto da ocorrência n
c. Maiores nível e estrutura do SN;
d. Maior quantidade de letras do SN;
4. Apresentar tantos descritores quanto forem desejáveis, a partir da lista
anqueada de candidatos a descritores.
autores.
Os parâmetros customizáveis propostos, mencionados no item 11 dos passos
descritos acim
cordo com a performance dos dados de um corpus testado. No entanto, o
dimensionamento minucioso desses parâmetros e de suas inter-relações, de modo a
oferecer à metodologia performance ótima, é tarefa complexa, que demandaria
muito mais tempo de análise do que a
re conferiram boa performance.
u-se uma fórmula para atribuir a pontuação, para efeitos
(
)
(
)( )
[
]
CSNkYtotocorrênciakXarfreqüênciakN *3)( *2)( *1) +Pontuação( S
−
=
Sendo que:
• Pontuação(SN): valor atribuído ao SN de acordo com os critérios
• freqüência(Xar) = freqüência do SN no artigo, com valor possivelmente
limitado à X de modo a corrigir distorções;
apresentados. Quanto maior for esse valor, maior a relevância esperada
deste SN como descritor;
123
• ocorrência(Ytot) = número de artigos em que o SN ocorre com
freqüência maior que Y;
, Y, k1, k2 e s ajustadas d m
modo a conseguir a performance ótima;
• C e um va egundo a e utura
sintática e nível do SN, de acordo com a TAB. 14:
ível do SN ciado
• X k3 = constante e acordo co os testes, de
SN = categoria do SN, que assum lor s str
CSN Estrutura e N Valor asso
1a Nível 1, estrutura (D + N) 0,25
1b D + N) 0,75 Nível 1, qualquer estrutura exceto (
2 1,0 Nível 2, qualquer estrutura
3 0,75 Nível 3, qualquer estrutura
4 0,5 Nível 4, qualquer estrutura
5 utura 0,25 Nível 5 ou superior, qualquer estr
Tabela 14 – acordo com sua estrutura sintática e nível
Para efeitos de otimização, testamos os resultados com alguns valores
diferentes de constantes quando
ve e resumos atribuídos pelos autores dos documentos. Esses
resultados apresentados na seção seguinte, e discutidos na seção posterior.
dologia consolidada, delineada na seção
anter
apresen
o
ta tese com numeração de 1 a 30.;
Valor atribuído ao SN de
da apresentação dos resultados.
Espera-se que com esta metodologia alterada, possam ser obtidos resultados
melhores do que os conseguidos neste teste inicial que, somando descritores
excelentes, razoavelmente bons e moderadamente aceitáveis, obteve cerca de 60%
de SNs relevantes semanticamente como descritores. A caracterização dos graus de
relevância dos SNs como descritores foi estabelecida através da comparação com
as palavras-cha
6.2 – A análise final dos dados
Nesta seção apresenta-se a meto
ior, aplicada ao corpus completo de 60 documentos, dividido, como
tado na seção 4.1, nos seguintes conjuntos:
O primeiro com 30 textos, sendo que 29 provenientes da Revista
DataGramaZero, e 1 proveniente da Revista Ciência da Informação,
constantes no Anexo A des
124
o O segundo com 30 textos, todos provenientes da Revista Ciência da
Informação, constantes no Anexo A deste documento com numeração de
31 a 60.
Os te s
tamanho ligeira
consolidada p
documentos.
Os va
arbitrária, e de forma exaustiva, em pesquisas
posteriores, i
parâmetros o
o documento, e
levando em conta os limites inferior de 8 e superior de 15 descritores por
al de
SNs extraídos;
• Seguindo a fórmula introduzida na seção 6.1, os valores escolhidos para
as constantes X, Y, k1, k2 e k3, nas duas aplicações da metodologia ao
corpus final são os apresentados na TAB. 15:
xto provenientes da revista Ciência da Informação apresentaram
mente maior. A aplicação e análise de forma isolada da metodologia
ermitiram vislumbrar as diferenças decorrentes do tamanho dos
lores de parâmetros constantes da TAB. 15 foram escolhidos de forma
vem ser modificados e testados de
v sando refinar paulatinamente a metodologia. Esses valores e
sã apresentados a seguir:
• O número de descritores escolhidos para cada documento foi calculado,
tendo como base 1% dos SNs únicos identificados n
documento. Como apontado anteriormente, esse valor foi limitado
apenas por uma conveniência metodológica, não havendo limitações
reais para a escolha do número de descritores, excetuando o tot
125
Constan tu
C
or
mei
caç
njunto de
es na
unda
icação
tes Concei ação
onjunto de
Co
val es na
pri ra
apli ão
valor
seg
apl
X
Valor máximo a ser considerado para
a freqüência do SN no documento,
para po ão
10 7
fins de ntuaç .
Y
Limite inferior de freqüência do SN
para o k2 s lica
3 3
qual e ap .
k1
Ponderação da freqüência do SN no
docum no c lo d ontu o.
1 1
ento álcu a p açã
k2
Ponderação (negativa) da freqüência
do SN rpu do ento o
cálculo da pontuação.
10 15 no co s de cum s n
k3
Ponderação da estrutura do SN no
cálculo da pontuação.
10 15
Tabela 15 – atr os à onsta na ap o da olo
Como já se ressalvou a laçã tensi s v po ilidades,
necessária para descobrir, para cada corp caracte co, o lor ideais a
serem ad os, ao op este balh sta s licações,
modularam-se os valores de forma a privilegiar a influência da freqüência (primeira
aplicação) ou da estrutura do SN (segunda aplicação) no cálculo da pontuação dos
SNs. Apes de ha sid iliz s va s par quais m servados
resultados oáve n am boç s ínfi parc a ríade de
possibilidades.
As tabelas que seg ap enta do
corpus c a a s valores
de constantes apresentados na TAB. 15:
• A TAB. 16 apresenta algumas informações gerais sobre o número de SNs
totais, únicos e selecionados para descritores, nos 60 artigos que
compuseram o corpus; as médias, e o percentual dos SNs únicos dentre os
totais, e dos selecionados dentre os únicos, ressalvando-se o máximo de 10
descritores por documento;
Valores ibuíd s c ntes licaçã metod gia
, a m nipu o in va da árias ssib
us rísti s va es
otad foge esc o d tra o. Ne s dua ap
ar verem o ut ado lore a os fora ob
raz is, ape as for es ada mas elas d mi
se uem res m resultados da extração de SNs
ompleto e das du s aplicações d metodologia con olidada, com os
126
• A TAB. 17 apresenta, para os dois conjuntos de parâmetros de aplicação
da metodologia, e para os dois subconjuntos de documentos do corpus, os
seguintes dados:
o os de freqüência de SNs
ente
relevantes como descritores (SNs**), moderadamente relevantes
como descritores (SNs*) e não relevantes como descritores (SNs-);
o d o stopwords” (SW) em relação ao
total dos SNs que foram eliminados.
o A taxa de relevância média do conjunto, calculada através da fórmula
• A TAB. 18 é, na verdade, um painel formado de 4 histogramas, onde são
apresentados graficamente os mesmos dados da TAB. 17.
d m d c Anexo D
stoplist (os SW).
As médias
ex
e os valores percentuais relativ
tremamente relevantes como descritores (SNs***), razoavelm
A mé ia e o valor percentual d s “
apresentada na seção 4.4.
O
m a
Anexo C
tribu
desta tese apresenta os títulos dos artigos e os descritores que
em
fora
apresenta a lista de SNs que foram escolhidos para compor a
ídos ca a u a as apli ações da metodologia, e o
127
Artigos Número de SNs Artigos Número de SNs
DGZ
totais únicos selec.
CI*
totais únicos selec.
1 1673 1343 13 31 1702 1528 15
2 842 711 8 32 1902 1213 12
3 783 680 8 33 1941 1290 13
4 801 688 8 34 1480 1231 12
5 1478 1252 13 35 1011 788 8
6 984 836 8 36 735 552 8
7 638 521 8 37 2054 1382 14
8 779 684 8 38 772 624 8
9 1104 932 9 39 1873 1284 13
10 1146 1035 10 40 1156 962 10
11 619 554 8 41 1008 792 8
12 791 626 8 42 1244 1002 10
13 1342 1113 11 43 1808 1325 13
14 923 747 8 44 1375 1145 11
15 1063 877 9 45 1420 1176 12
16 888 810 8 46 1829 1453 15
17 1201 1084 11 47 987 810 8
18 5686 4287 15 48 1498 1223 12
19 1094 899 9 49 884 760 8
20 1299 1039 10 50 852 677 8
21 733 616 8 51 1225 1009 10
22 1837 1368 14 52 547 483 8
23 796 699 8 53 1364 1062 11
24 2048 1434 14 54 1535 1174 12
25 1368 988 10 55 1144 840 8
26 1246 1058 11 56 1386 1119 11
27 1173 971 10 57 1702 1353 14
28 788 667 8 58 1497 1166 12
29 617 539 8 59 733 632 8
30* 633 506 8 60 1702 951 10
Médias 1212,43 985,47 9,65 Médias 1345,53 1033,53 10,69
% 81,28% 0,98% % 76,81% 1,03%
Tabela 16 – Informações sobre os SNs dos documentos do corpus
128
Textos de 1 a 30 do T os de 31 a dcorpus ext 60 o corpus
SNs*** 138 17 47,75% SNs*** 9 55,59%
SNs** 66 22,84% SNs** 63 19,57%
SNs* 58 58 20,07% SNs* 18,01%
SNs– 22 27 9,34% SNs– 6,83%
SW 19 6,17% SW 17 5,01%
I
Primeira aplicaç
metodolo
ão da
g
ia
Taxa c l ncia de Relevân ia 0,64 Taxa de Re evâ 0,70
SNs** 7 73* 13 47,40% SNs*** 1 52,58%
SNs** 64 64 22,15% SNs** 19,45%
SNs* 64 56 19,38% SNs* 19,45%
SNs– 2 28 3 11,07% SNs– 8,51%
SW 5 1,7 7 2,08% 0% SW
I
0,67
I
Segunda aplicação da
metodolo
g
ia
Taxa de R cia 0, l ncia elevân 63 Taxa de Re evâ
Tabela 17 ncias SNs – Freqüê segundo a relevância semântica dos
129
Textos de o Textos de 31 a 60 do corpus 1 a 30 d corpus
Primeira aplicação da metodologia
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
SNs***
Histogra
SNs** SNs* SNs-
cia semântica de SN
SW
ma de relevân s (01-30a)
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
SNs*** SNs** N
Histograma de relevância semântica de SNs (31-60a)
SNs* S s- SW
SNs* s** Ns-
H elevân e SNs (
** SN
istograma de R
SNs* S
cia semântica d
Segunda aplicação da metodologia
0,00
10,00
20,00
30,00
40,00
50,00
%
%
%
%
%
%
SNs***
Histograma
SNs** S S
de vância s 0
Ns* SNs-
emântica de SNs (01-3
W
b) rele
0,00%
10,00%
20,00%
30,00%
40,00%
50,00%
60,00%
SW
31-60b)
Tabela 18 – e dos SN do a r semelevância ântica qüências s segunHistogramas de fr
130
6.3 – Discussão dos resultados
Esta seção devota-se a discutir os resultados apresentados nas tabelas
anteriores e nos quadros indicativos que constam dos Anexos B e C deste
documento. Inicialmente, são apresentadas as considerações comparativas entre o
uso d
ção entre SNs e palavras-chave como descritores
diferencial mais importante, verificou-se que os SNs
mantêm o contexto das palavras qu põe não
fragm
rios
e poderia ter como conseqüê scarte d ras ”Rio”,
valor unidade ecimento
com “unida hec*” e
ento científico”, em comparação com
e SNs e palavras-chave como descritores, e posteriormente, será avaliada de
maneira geral a metodologia consolidada, seus resultados e as possíveis
conclusões.
6.3.1 – Compara
Os dados apresentados no Anexo B desta tese permitiram realizar
comparações entre as densidades informacionais e relevâncias relativas como
descritores entre as palavras-chave e os SNs, mostrando de forma evidente e
inequívoca que a densidade informacional dos sintagmas nominais supera em muito
àquela percebida pela análise semântica das palavras-chave. Essa comparação foi
possível a partir dos testes realizados com a aplicação da metodologia prospectiva
ao subconjunto de seis documentos do corpus,
Podemos apontar as seguintes vantagens dos SNs como descritores, se
comparados às palavras-chave:
1. Como característica e
e os com
“Rio de Janeiro” e “São Paulo” (artigo
m, permitindo a
entação do discurso;
Ex: A “quebra” de nomes próp
2), qu ncia o de as palav
“Janeiro”, “São” e “Paulo”; “o de uma de conh
registrada”, em comparação “valor”, de”, “con
“registr*”, (artigo 1); “conhecim
“conhec*” e “ciên*” (artigo 2);
2. Os SNs permitem melhor decisão sobre a relevância dos termos que, como
palavras isoladas, podem ser considerados como stopwords;
131
Ex: A “quebra” de nomes próprios como “São Paulo” e “Rio de Janeiro”
nas quais as partes dos nomes próprios “São” e “Rio” poderiam ser
confundidas com os verbos homônimos, e descartadas (artigo 2); o caso
do SN “linguagens não verbais”, em que o qualificador “não” poderia ser
descartado (artigo 5);
3. Po
dife
arm
con
4. Pa
SNs e as palavras-chave, mesmo com a eliminação das stopwords, na
Esses
por si só
consideração; mas o sucesso em descrever o assunto ou “tema” dos artigos é o
maior cr
consideraçõ
6.3.2 –
Ne
consolidada
exposto na As TAB. 16, 17 e 18 sintetizam os resultados da
aplicaçã a
Ao an
textos apres
r não passarem pelo processo de steeming, os SNs ofereceram
rencial informacional em relação às palavras-chave, que foram
azenadas nos índices de forma indiferenciada como seus morfemas
stituintes.
Ex: Os lexemas “informação” e “informacionais”, qualitativamente
bastante diferentes, seriam reduzidos ao um mesmo morfema (artigo 3);
“gerenciador” e “gerenciamento” (artigo 6);
ra as altas freqüências, foram visíveis as diferenças qualitativas entre os
capacidade de descrever o tema dos documentos;
Ex: “interface de consulta” em oposição a “interface” e “consulta” (artigo
6); “direitos autorais” em oposição a “direitos” e “autorais” (artigo 4).
fatos, que corroboraram o apresentado por KURAMOTO (1996 e 1999),
elevariam as metodologias apresentadas a um patamar digno de
itério de avaliação. Este assunto é discutido na subseção a seguir e nas
es finais desta tese.
Avaliação geral da metodologia consolidada
sta subseção são analisados os resultados da aplicação da metodologia
ao corpus completo, segundo os dois conjuntos de parâmetros, como
s seções 6.1 e 6.2.
o d metodologia.
alisarmos as características do corpus, notamos que os 30 primeiros
entam média de aproximadamente 1212 SNs identificados, sendo 985 a
132
média dos
média de ap s – 76%
do total. o
seus SNs se
Os res
taxas de re
foram de 0,
valores
conjunto de
Ao co
aqueles obt
da subseção 5.2.3; pudemos perceber grande diferença: partindo do valor de
apenas
relevantes,
consolidada – para os
Isso repres
relevantes 0% em
comparação à aplicação da metodologia prospectiva. A TAB. 19 sintetiza esses
resultado
prospectiva
todologia
consolidada
SNs únicos – 81% do total. Os 30 textos subseqüentes apresentaram
roximadamente 1345 SNs, sendo 1033 a média dos SNs único
Ist indica que os textos da segunda metade do corpus são maiores, e que
repetem com mais freqüência.
ultados, na ótica do autor, superaram em muito a expectativa inicial. As
levância dos SNs escolhidos, respectivas às duas metades do corpus,
64 e 0,70 (média de 0,67) para a aplicação com o primeiro conjunto de
para os parâmetros; e de 0,63 e 0,67 (média de 0,65) para o segundo
valores.
mpararmos os resultados apresentados na TAB. 18 da seção 6.2 com
idos na aplicação da metodologia prospectiva – apresentados na FIG. 18
12,4% e 15,2% para SNs extremamente relevantes e razoavelmente
respectivamente, saltamos – no pior caso de aplicação da metodologia
valores de 47% e 22,15%, para os SNs de mesma qualidade.
entou o total de quase 70% de bons descritores (extremamente
+ razoavelmente relevantes) e aumento de mais de 15
s:
Relevância dos SNs
Valor na
aplicação da
metodologia
Piores valores
na aplicação da
me
SNs extremamente relevantes como
descritores
12,40% 47,40%
SNs razoavelmente relevantes como
descritores
15,20% 22,15%
SNs moderadamente relevan
descritores
tes como
33,30% 19,38%
SNs não relevantes como descritores 39,00% 11,07%
Tabela 19 – Comparação dos resultados na duas aplicações da metodologia
A aplicação da metodologia prospectiva selecionou descritores com base
apenas no cálculo das freqüências de ocorrência e no descarte de SNs com certa
estrutura e para certas freqüências. A metodologia final adotada utilizou um
algoritmo complexo e parametrizável, que levou em conta as freqüências de SNs
133
nos t xibilidade
permitiu ainda que possamos melhorar os resultados a cada nova aplicação.
ltados não variaram em demasia com
uderam ser interpretados à luz da variação temática de uma e de outra
revista;
ns descritores, melhorando os resultados;
dentre os SNs
extos, no conjunto de textos, a estrutura e o nível dos SNs. Essa fle
Dos resultados apresentados nas tabelas anteriores, pudemos destacar alguns
pontos de avaliação, relativos às duas aplicações da metodologia final:
• As medidas de qualidade dos resu
a variação dos valores dos parâmetros, sendo que as diferenças
maiores dos resultados se deram em relação às aplicações nas duas
metades do corpus. Esses dados, se analisados na perspectiva de que
os artigos da Revista Ciência da Informação, eram sensivelmente
maiores, indicando que quanto maiores os textos – e o número de
ocorrências repetidas de SNs – melhores os resultados (ao menos para
algumas faixas de tamanhos de documentos). Estes resultados também
p
• A sensível piora dos resultados na segunda aplicação, quando foram
escolhidos parâmetros que privilegiavam a análise estrutural em
detrimento da análise de freqüência, pode indicar que os parâmetros já
estavam mais bem sintonizados em relação à estrutura e à freqüência
na primeira aplicação. Demandaram-se aplicações exaustivas para
encontrar valores próximos ao ideal para cada tipo de corpus, em
relação às áreas de assunto;
• Os SNs que continham palavras em inglês foram deliberadamente
ignorados. Caso não o fossem, em sua grande maioria, poderiam tornar-
se bo
• A escolha de um critério que limitava a quantidade de descritores
escolhidos também fez com que, por vezes, muitos bons descritores
fossem eliminados;
• Pôde-se notar claramente a diminuição das stopwords
escolhidos, quando privilegiamos a estrutura em detrimento da
freqüência, no cálculo da pontuação. Isso nos impeliu a privilegiar a
134
freqüência quando a stoplist estivesse disponível ou estiver sendo
escolhida; ou a estrutura, quando não houve stoplist disponível;
• Um ponto importante a ser enfatizado é que, por vezes, a caracterização
do texto através dos SNs escolhidos automaticamente é mais fidedigna,
em relação ao conjunto de assuntos tratados no documento, do que a
percebida através daquelas palavras-chave atribuídas pelos próprios
autores, que por vezes enfatizaram ponto de vista particular e embotado;
• Num ponto certamente subjetivo, a avaliação da relevância dos SNs
pelo autor desta tese foi bastante rigorosa e exigente em relação ao
• O uso do tesauro, mesmo tendo sido relegado às situações de
Podem-se esperar resultados ainda melhores para documentos provenientes
de certas áreas do conhecimento, como as ciências exatas, uma vez que a multi-
temacidade é a característica marcante das
evotam-se à análise dos
resultados à luz das teorias apresentadas e os possíveis e diversos caminhos de
pesquis
significado em relação ao assunto do texto. A avaliação realizada por
terceiros pode apresentar resultados ainda melhores para a
metodologia;
• O conjunto de SNs escolhidos para cada texto possui um grande poder
de caracterização do assunto, como pode ser examinado
qualitativamente no Anexo C. Deve-se considerar, a título de avaliação
do sucesso da metodologia, a dificuldade de escolha de número elevado
de descritores significativos no processo de indexação manual;
desempate, quando a pontuação dos SNs era semelhante, não se
mostrou decisivo para a escolha dos melhores descritores. Os motivos
podem ser aqueles apresentados na subseção 5.2.3.
ciências sociais aplicadas, nas quais se
encaixa a ciência da informação.
Essas constatações apontam para a confirmação da avaliação positiva da
metodologia, e apontam caminhos para sua melhoria em pesquisas futuras. Os
próximos capítulos apresentam as conclusões e d
a que se afiguram.
135
7 CONSIDERAÇÕES FINAIS E TRABALHOS FUTUROS
Neste capítulo, retomam-se inicialmente os principais pontos desta pesquisa,
para então avaliar os resultados à luz das teorias e contextos de aplicação
apresentados, de acordo com os pressupostos estabelecidos. Finalmente, são
delineados alguns pos
ncia das palavras que neles ocorrem. O
objetivo central desta investigação era propor um processo de indexação mais
eficaz, que analisas
s através da extração de
SNs e da análise de fatores como a freqüência de ocorrência desses SNs nos textos
dos docum
formas principais de seleção de descritores. Os
resul
síveis trabalhos futuros.
A motivação da pesquisa surgiu da constatação freqüente da impossibilidade
de organização manual de grandes acervos de documentos que são continuamente
produzidos, como acontece em muitos contextos digitais. Nestes contextos,
observamos amiúde processos de indexação automática que buscam descrever os
documentos através da análise de freqüê
se as palavras e expressões dentro de seus contextos
lingüísticos.
O objetivo primordial da pesquisa era validar e apresentar metodologia de
indexação automática, viabilizando o processo de atribuição de descritores a
documentos digitalizados. Estes descritores foram escolhido
entos, no conjunto dos documentos; a estrutura dos SNs; o nível dos SNs
e a ocorrência desses em um tesauro de um campo de conhecimento específico. A
consideração desses fatores de forma conjunta permitiria a criação do ranking de
candidatos a descritores, a partir dos SNs extraídos.
Para atingir esses objetivos foram analisados os corpora, para a) validar o
processo de extração automática e b) testar e melhorar, em duas etapas, a eficácia
da metodologia.
Os pressupostos de pesquisa foram positivamente confirmados, mesmo
ressalvando-se as modificações introduzidas na metodologia original pelo abandono
o uso do tesauro como uma das
tados respectivos são comentados de forma sucinta a seguir:
1. A utilização de sintagmas nominais como descritores apresentou vantagens
em relação ao uso de palavras-chave, como mostra a comparação
136
realizada na subseção 6.3.1. O fato de serem inerentemente mais
significativos e trazerem em seu bojo o contexto semântico dos discursos
faz com que sejam melhores descritores do que as palavras-chave isoladas;
po para o
mesm
confirmou, como se pôde verificar nos resultados
modificada e
cons
conjunto
virtualme
foram de
Os
anteriores declaradamente malsucedidas, que buscavam a extração de descritores
2. A extração automática de sintagmas nominais com as ferramentas
apresentadas na seção 4.3 se mostrou extremamente viável, para os
propósitos da pesquisa – embora ainda não esteja em pé de igualdade na
comparação qualitativa, com a extração manual. A melhoria das
ferramentas pode fazer com que a qualidade da extração em um futuro
próximo seja comparável à manual;
Além da maior velocidade, o argumento adicional favorável à extração
automática advindo das teorias estudadas é o fato da extração manual incorrer em
problemas típicos de falta de coerência metodológica ao longo do tem
o indexador, fato ainda agravado se considerarmos diferentes indexadores.
Esses aspectos foram apontados por O'BRIEN e CHU (1993), LANCASTER (1993,
pp 61-74), PINTO MOLINA (1994), FUJITA (1999), NAVES (2001), entre outros,
além de ter sido verificado para o caso específico do corpus de textos utilizado, por
meio de trocas de mensagens e colóquios informais entre o autor desta tese e o
prof. Dr. Hélio KURAMOTO.
3. E o último e principal pressuposto tergiversava sobre a possibilidade de
estabelecer processo automatizado e eficaz para a escolha de descritores
significativos para textos digitalizados, utilizando sintagmas nominais. Esse
pressuposto central se
apresentados ao longo do capítulo 5.
A metodologia prospectiva foi aplicada à parte do corpus para validação e
parametrização das variáveis do algoritmo, e então a metodologia
olidada foi aplicada à totalidade do corpus. Nessa derradeira aplicação, dois
s de valores de parâmetros foram utilizados, dentre um universo
nte ilimitado de possibilidades. Os testes exaustivos com outros conjuntos
ixados como sugestões para trabalhos futuros.
resultados, considerados eminentemente positivos, contrariam experiências
137
base
et. al.,
inexistên
automát
SRI já
estágio se de doutorado
apres
nominais os contextos
lingüísticos. Infelizmente, não encontramos na literatura científica nacional indício
algum de continuação dessas pesquisas.
Ao que parece, a visão mais estrita de LIBERATO (1997) sobre a
caracterização possível dos SNs não se confirmou como fator limitante para a
avaliação do funcionamento do
restriçõe
os processos automático e m
continuam
os, no escopo de funcionamento de SRIs.
Usua
sistema Dentre os contextos de
aplica
candidat
realizada sua
impressionante massa de documentos em vá
quais seria desejável tratamento
fins de classificação por assunto.
documentos. Acreditamos que esse panorama
ando-se em estruturas sintáticas das orações [(EARL, 1970; PAICE, 1981; Fum
1982) apud LANCASTER, 1993, p. 250-251]. A bem da verdade, a
cia, até a uma década, de ferramentas que permitissem a extração
ica de SNs é um fator preponderante a ser levado em conta neste sentido.
A teoria desenvolvida por KURAMOTO (1999, 2003) e seu modelo proposto de
apontava alguns caminhos possíveis, embora esses ainda estejam em
inicial de exploração. A pesquisa desenvolvida em sua te
entou modelo de recuperação de informações baseado em sintagmas
, buscando a participação do usuário na definição d
parser PALAVRAS (1996), com sua gramática de
s, embora ainda fosse visível a diferença de performance qualitativa entre
anual. Pode-se esperar que os parsers sejam
ente melhorados e que novas pesquisas surjam.
Espera-se que a metodologia consolidada – ou qualquer metodologia que
derive desta – seja utilizada em situações nas quais seja necessária a atribuição
automática de descritores aos document
lmente, essa situação acontece, quando os documentos são agregados ao
em uma taxa que não permite a apreciação manual.
bilidade, apresentados no capítulo 3, as bibliotecas digitais são grandes
as a terem seu acervo tratado de alguma forma automática, para que seja
a indexação de assuntos. Além das bibliotecas digitais, a web, com
rias mídias, é um dos espaços nos
a posteriori – se não for o único plausível – para
Das quatro estratégias apresentadas na introdução para melhoria dos sistemas
de recuperação de informações, talvez a menos explorada tenha sido a análise da
semântica intrínseca aos textos dos
138
poss
que, sem lógica desenvolvida nesta tese seja uma das
alava
Em o presente
traba inho para
aperfeiçoamento constante de metodologias de extração de descritores que levem
em conta estruturas sintát
afirmação, reforça-se, não estão sendo desconsideradas as diversas pesquisas
anter
btiveram maior efervescência a
partir da década de 1970. Entretanto, o autor desta tese, não ignora os avanços que
têm sido alcançados em áreas como a lingüística computacional aplicada, a ciência
da computação e estudos interdisciplinares para a recuperação de informação, a
despeito do fato dessas contribuições não haverem sido contempladas em sua
totalidade no escopo desta tese. Sua consideração se constitui um imperativo para
trabalhos futuros, como atualização e aproximação necessárias para a fertilização da
área da Ciência da Informação.
Tendo isso posto, e a partir da teoria e dos resultados empíricos analisados
anteriormente, podemos enumerar uma série de caminhos de pesquisa que
poderiam redundar em melhorias metodológicas, detalhados a seguir:
1. Considerar a inclusão na metodologia de análise estrutural dos textos dos
documentos, na forma que propõe KOBASHI (1994). As considerações
relativas à análise da densidade informacional podem ser incorporadas à
metodologia, de maneira que os parsers apresentem algum tipo de
ponderação que leve em conta as seções mais importantes do documento;
a ser modificado através de outras pesquisas como a presente investigação, e
ufanismo, a proposta metodo
ncas propulsoras.
bora se tenha constituído a partir de muitas contribuições,
lho pode ser considerado seminal, na medida em que abre cam
icas derivadas da gramática sintagmática. Ao fazer tal
iores e em paralelo, que procuraram acrescentar aos estudos de freqüências de
palavras-chave a possibilidade de consideração de estruturas sintáticas, gramaticais,
frasais e textuais, além da gama variada de novas estratégias integradas para
melhoria dos processos de representação e recuperação de informações.
Cumpre ressaltar que o referencial teórico de ‘Processamento de Linguagem
Natural’, utilizado para a construção desta tese advém prioritariamente da literatura
da área de Ciência da informação, cujas pesquisas o
139
2. Considerar os avanços que vem sendo realizados no parser PALAVRAS
(BICK, 1996) e em outras iniciativas de estruturação de analisadores
sintáticos; e, se possível, criar estrutura nacional unificada de tecnologias e
3 rsers que levam em conta
4
5 de SNs
6 a variação dos parâmetros e constantes
to
Além desses caminhos, que buscam obter maior eficácia da metodologia
pro iríade
de
7 idiomas,
e
9
E finalmente, há que se considerar as possibilidades de adaptações para usos
tota
as exemplificadas a seguir:
ferramentas para estudos lingüísticos;
. Considerar o desenvolvimento e a utilização de pa
a teoria advinda das gramáticas transformacionais, e incorporar outros
aportes da lingüística para a recuperação de informações;
. Considerar o poder descritivo de outras estruturas sintáticas, como os
sintagmas verbais, e combinações entre as várias estruturas;
. Considerar as construções globais a priori e a posteriori de stoplists
freqüentes que, para uma dada área de conhecimento, apresentam
reduzido valor informacional;
. Experimentar exaustivamente
apresentados na metodologia da presente pesquisa, até que se consigam
os melhores resultados possíveis, para determinada área do conhecimen
e conjunto de características dos corpora.
posta, também podemos considerar a extrapolação do processo em uma m
novos caminhos, como, por exemplo:
. Analisar as possibilidades de utilização da metodologia em outros
como o inglês e o francês, e realizar comparações;
8. Adaptar o mecanismo de indexação delineado para que se possam realizar
buscas em r positórios de documentos baseadas em SNs (KURAMOTO,
1999), desta vez com a possibilidade de extração automática dos SNs;
. Utilizar a metodologia para realizar levantamentos terminológicos em
corpora, para diversos fins como: verificação de completude e atualização
de tesauros.
lmente diversos, a serem apropriados em outras áreas do conhecimento, como
140
10. Atividades de monitoramento ambiental de informações, como text mining,
clipping de notícias, e outras;
11. A análise da qualidade literária de documentos, análise de estilos e autoria;
através de estudos estatísticos de freqüências de expressões;
1
par
intrínseca dos documentos talvez sejam as que apresentem menor volume de
esf
de
em int ditos do discurso humano está a
cha
12. A identificação de neologismos e auxílio na tradução automática;
3. A construção e a validação de ontologias no contexto da web semântica,
dentre muitas outras.
Como foi apontado na introdução desta tese, dentre os caminhos de pesquisa
a melhoria de SRIs, as estratégias voltadas para a exploração da semântica
orços de pesquisa. Entretanto, acreditamos que apresentem um grande campo
exploração futuro, a despeito do claudicante caminho percorrido pela pesquisa
eligência artificial. No ato de decifrar os recôn
ve para a efetiva comunicação homem-máquina.
141
R
1.
gre.
da Informação em Tempo e espaço Digitais. Encontros Bibli, 2003
Disponível em: <
http://www.encontros-
EFERÊNCIAS BIBLIOGRÁFICAS
ABRAHÃO, P. R. Carneiro. Modelagem e Implementação de um Léxico
Semântico para o Português. 1997. Dissertação (Mestrado em Informática) –
Instituto de Informática da PUC-RS – Porto Ale
2. ALVARENGA, Lídia. Representação do Conhecimento na perspectiva da
Ciência
bibli.ufsc.br/Edicao_15/alvarenga_representacao.pdf> . Acesso em: out. 2003.
ARAÚJO, Vânia M.R.H. Sistemas de recuperação da informação3. : nova
4.
5. BAEZA-YATES, R.; RIBEIRO-NETO, B. Modern Information Retrieval. New
6.
2000. 351p.
ary
979, p.1-34.
9. mes. The Semantic Web.
abordagem teórico conceitual. 1994. Tese (Doutorado em Ciência da
Informação). Universidade Federal do Rio de Janeiro, Rio de Janeiro.
AUSTIN, Derek. PRECIS: a manual of concept analysis and indexing. 1984.
York: ACM Press, 1999. 511p.
BARATIN, Marc e JACOB Christian (orgs.). O Poder das Bibliotecas: a
memória dos livros no ocidente. Rio de Janeiro: Editora UFRJ,
7. BHATTACHARYYA, G. POPSI: its fundamentals and procedure. Libr
Science with a slant to Documentation. V.16, N.1, 1
8. BECK, U. Risk Society: towards a new modernity. London: Sage, 1992.
BERNERS-LEE, T., LASSILA, Ora. e HENDLER, Ja
Scientific America, Maio de 2001. Disponível em:
<
http://www.sciam.com/article.cfm?articleID=00048144-10D2-1C70-
84A9809EC588EF21>. Acesso em: jun. 2003.
/lingvist/lineb/home_uk.htm
10. BICK, Eckhard. Parsers and its applications. (s/d) Disponível em:
<
http://www.hum.au.dk >. Acesso em: jul. 2003.
11. ___________. Automatic parsing of Portuguese. In: Proceedings of II
Encontro para o Processamento Computacional do Português Escrito e
Falado, SBIA, 1996, Curitiba. Disponível em:
<
http://beta.visl.sdu.dk/~eckhard/postscript/curitiba.ps>. Acesso em: jul. 2003.
12. ___________. The VISL System: research and applicative aspects of IT-
based learning. In: Proceedings of NoDaLiDa, Uppsala. 2001. Disponível em:
<http://stp.ling.uu.se/nodalida01/pdf/bick.pdf
>. Acesso em: jul. 2003.
BUCKLAND, Michel. Information as thing. 13. Journal of American Society of
Information Science. v.42, n.5, 1991. p. 351-360.
142
14.
em hiperdocumentos. 2001. Tese (Doutorado em Ciência da
Informação) IBICT, UFRJ, Rio de Janeiro, 2001.
15. ___________. Linguagem documentária: teorias que fundamentam sua
elaboração. Niterói: EdUFF, 2001.
16. .; Managing, Mapping, and
Manipulating Conceptual Knowledge. AAAI Workshop Technical Report WS-
AI Press, Menlo Calif. Jul. 1999.
.
18. CESARINO, Maria Augusta N., PINTO, Maria Cristina M.F. Análise de
19.
ENTÍFICO E
TECNOLÓGICO - CNPq / INSTITUTO BRASILEIRO DE INFORMAÇÃO EM
22. DAHLBERG, Ingetraut. Teoria do Conceito. Ciência da Informação, Rio de
000.
lbart/62_paper_full.pdf
CAMPOS, Maria Luiza de Almeida. A organização de unidades de
conhecimento
CAÑAS, A. J., LEAKE, D. B., WILSON, D. C
99-10: Exploring the Synergies of Knowledge Management & Case-Based
Reasoning, AA
17. CASTELLS, M A Sociedade em Rede. São Paulo: Paz e Terra, 1999. 617p.
assunto. Revista de Biblioteconomia de Brasília, v.8, n.11, 1980, p. 33-43.
CHOMSKY, Noam. Syntactic structures. 3. ed. Paris: The Hague, 1969. 117 p
20. CHOWDHURY, G. Introduction to modern information retrieval. London:
Library Association Publishing, 1999. 452 p.
21. CONSELHO NACIONAL DE DESENVOLVIMENTO CI
CIÊNCIA E TECNOLOGIA - IBICT. Tesauro de Ciência da Informação: versão
preliminar. Brasília, 1989.
Janeiro, v. 7, n. 2, jul./dez. 1978. p. 101-107.
23. DECKER, Stefan. et ali. The semantic web: the roles of xml and rdf. IEEE
Expert, 15(3), October 2
24. ENGELBART, Douglas. Augmenting Human Intellect: A Conceptual
Framework. 1962 Disponível em:
<http://www.liquidinformation.org/enge
>. Acesso em:
ago. 2003.
25. urélio Buarque de Holanda. Novo Aurélio Século XXI: o
26.
27.
FUJITA, M.S.L. A leitura do indexador: estudo de observação. Perspectivas
28.
. Uma Ferramenta para Resolução Automática de
Correferência. In: Anais do XXIII Congresso da Sociedade Brasileira
FERREIRA, A
dicionário da língua portuguesa. Rio de Janeiro: Nova Fronteira, 1999.
FOSKETT, A. C. The Subject Approach to Information. 5. ed. Londres: Library
Association Publishing, 1997. 119p.
em
Ciência da Informação, v.4, n.1, jan./jun. 1999. p. 101-116.
GASPERIN, Caroline Varaschin; GOULART, Rodrigo Rafael Vilarreal e
VIEIRA, Renata
143
de Computação, VI Encontro Nacional de Inteligência Artificial, Vol
VII. Campinas, 2003.
29. GASPERIN, Caroline Varaschin; VIEIRA, Renata; GOULART, Rodrigo Rafael
Vilarreal e QUARESMA, Paulo. Extracting XML chunks from Portuguese
corpora. In: Proceedings of the Workshop on Traitement automatique
des langues minoritaires. 2003. Batz-sur-Mer.
30. GIDDENS, A. As Conseqüências da Modernidade. São Paulo: Ed. Unesp,
31. GONZALEZ, M. Insaurriaga. O Léxico Gerativo de Pustejovsky sob o enfoque
gre.
. Trabalho (Doutorado
Inteligent Software Agents on the Internet
1991.
da recuperação de informações. 2000. Trabalho (Doutorado em Ciência da
Computação) – Faculdade de Informática da PUC-RS – Porto Ale
32. ___________. Representação Semântica de sentenças em linguagem natural
e sua aplicação na recuperação de informação. 2000
em Ciência da Computação) – Faculdade de Informática da PUC-RS – Porto
Alegre.
33. HERMANS, B. : an inventory of
currently offered functionality in the information society & a prediction of (near)
future developments. Tilburg University, Tilburg, Holanda, 1996. Disponível
em: <
http://www.hermans.org/agents>. Acesso em: jun. 2003.
34. HOUAISS, A. Dicionário eletrônico Houaiss da língua portuguesa . Rio de
Janeiro: Objetiva. Versão 1.0. 1 [CD-ROM]. 2001.
HUTCHINS, W.J. The concept of ‘aboutness’ in subject indexing.35. In: JONES,
Francisco, Calif.: Morgan Kaufnann, 1997. p.93-97.
a metodologia. 1994. Tese (Doutorado em Ciência da
Informação) ECA, USP, São Paulo, 1994.
37.
uperação de informação textual: os sintagmas nominais. Ciência da
Informação, Brasília, v. 25, n. 2, 1996. Disponível em:
Karen Spark; WILLET, Peter. Readings In Information Retrieval. San
36. KOBASHI, Nair Yumiko. A elaboração de informações documentárias: em
busca de um
KORFHAGE, Robert Information Storage and retrieval. New York: John Wiley
& Sons, 1997. 349 p.
38. KURAMOTO, Hélio. Uma abordagem alternativa para o tratamento e a
rec
<
http://www.ibict.br/cionline/250296/25029605.pdf>. Acesso em: jul. 2003.
___________. Proposition d'un Système de Recherche 39. d'Information Assistée
par Ordinateur Avec application à la langue portugaise. 1999. Tese
40. +Context Technique Based on
Hyperbolic Geometry for Visualizing Large Hierarchies. 1995. Disponível em:
(Doutorado em Ciências da Informação e da Comunicação) – Université
Lumière - Lyon 2, Paris, França.
LAMPING, J, RAO, R. PIROLLI, P. A Focus
144
<http://www.acm.org/sigchi/chi95/proceedings/papers/jl_bdy.htm>. Acesso
em: jul. 2001.
41. LANCASTER, F. W. Information Retrieval Systems. New York: John Wiley,
1968.
42. ___________. nfo ation Retrieval Systems: characteristics, testing and
evaluation. 2
I rm
43. ___________. Indexação e Resumos: teoria e prática. Brasília, Briquet de
Lemos,1993.
44. val Today.
Information Resources Press, 1993.
45.
3, p25-32, 2000. Disponível em:
<
http://citeseer.nj.nec.com/lawrence00context.html
nd
ed. New York: John Wiley, 1979.
LANCASTER, F. W. e WARNER, A. J. Information Retrie
LAWRENCE, Steve. Context in Web Search. IEEE Data Engineering Bulletin,
v.23, n.
>. Acesso em: abr. 2003.
46. na era da
informática. São Paulo: Editora 34, 1993. 203p.
47.
uldade
de Letras, Universidade Federal de Minas Gerais, Belo Horizonte.
49.
50. MEADOW, Charles T. Text information retrieval systems. San Diego:
51.
Tesauros Monolíngües. Brasília:
52. MATTELART, Armand. ação. São Paulo:
53. .
o) – Faculdade
de Informática, Pontifícia Universidade Católica do Rio Grande do Sul, Porto
54. MOREIRO, José; MARZAL, Miguel Ángel; BELTRÁN, Pilar. Desarrollo de un
LÉVY, Pierre. As Tecnologias da Inteligência: o futuro do pensamento
___________. Cibercultura. São Paulo: Editora 34, 1999. 260p.
48. LIBERATO, Yara G. A Estrutura do Sintagma Nominal em Português: uma
abordagem cognitiva. 1997. 203 f. Tese (Doutorado em Letras) – Fac
LYONS, J. As idéias de Chomsky. 4
a
. Edição. São Paulo: Cultrix, 1983.
Academic Press, 1992
MINISTÉRIO DA EDUCAÇÃO E CULTURA / MINISTÉRIO DA CIÊNCIA E
TECNOLOGIA. Manual de Elaboração de
Imprensa Universitária UFSC, 1990.
História da sociedade da inform
Loyola, 2002.
MIORELLI, S. T. Extração do Sintagma Nominal em sentenças em Português
2001. 98 f. Dissertação (Mestrado em Ciência da Computaçã
Alegre.
Método para la Creación de Mapas Conceptuales. Anais do ENANCIB, Belo
Horizonte, 2003.
145
55. NAVES, Madalena M. L. Análise de assunto: concepções. Revista de
Biblioteconomia de Brasília, v.20, n.2, p. 215-226, jul./dez. 1996.
___________. Estudo dos fatores interferentes no processo de análise de 56.
assunto. Perspectivas em Ciência da Informação. Belo Horizonte, v.6, n.2, p.
57.
58. NWANA,
59. e in
60. PERINI, Mário A. A Gramática Gerativa: introdução ao estudo da sintaxe
61. ___________.
.;
Regina. O SN em português: a hipótese mórfica. Revista de Estudos de
63.
64. PISTORI, Jeferson. Bibliotecas digitais. Florianópolis, UFSC, 1999. 15p.
65. POSTMAN, N. Tecnopólio: a rendição da cultura à tecnologia. São Paulo:
Nobel, 1984.
66. RAGHAVAN, P.; BRODER, A.; HENZINGER, M. MAMBER, U.; PINKERTON,
B. Finding anything in the billion page Web: are Algorithms the key? (Panel
Abstract), WWW8, Toronto, Canada, 1999.
67. van RIJSBERGEN, C. J. Information Retrieval. Butterworths, 2. ed. 1979. 208
p.
68. ROBREDO, Jaime e CUNHA, Murilo. Documentação de Hoje e de Amanhã :
uma abordagem informatizada da biblioteconomia e dos sistemas de
informação. 2. ed. São Paulo : Global Ed., 1994. 400 p.
69. ROSSI, Daniela; PINHEIRO, Clarissa; FEIER, Nara e VIEIRA, Renata.
Resolução automática de Correferência em textos da língua portuguesa.
REIC Revista de Iniciação Científica da SBC, v. 1, n. 2, 2001.
Disponível em: <
http://www.sbc.org.br/reic/
189-203, jul./dez. 2001.
NELSON, T. H. Literary Machines. Sausalito, CA: Mindful Press. 1982.
H.; Software Agents: An Overview, (1996) Knowledge Engineering
Review, 11(3). p.205-244.
O'BRIEN, E.A. e CHU, C.M. Subject Analysis: the critical first stag
indexing. Journal of Information Science, v.19, 1993. p 439-454.
portuguesa. 2. ed. Belo Horizonte: Vigília, 1985. 254 p.
Gramática descritiva do português. 2. ed. São Paulo: Editora
Ática, 1995. 380p.
62. PERINI, Mário A FRAIHA, Sigrid; FULGÊNCIO, Lúcia; BESSA NETO,
Linguagem - UFMG, Belo Horizonte, Julho / Dezembro 1996. p. 43-56.
PINTO MOLINA, Maria. Interdisciplinary approaches to the concept and
practice of Written Documentary Content Analysis (WTDCA). Journal of
Documentation, v.50, n.2, Jun.1994. p.111-1333.
>.
146
70. RUWET, Nicolas Introdução à Gramática Gerativa. São Paulo: Perspec
Editora da Universidade de São Paulo, 1975. 357 p.
tiva,
71. SALTON, Gerard e MCGILL, Michael J. Introduction to modern information
ra globalização: do pensamento único à
consciência universal. 3. ed. Rio de Janeiro: Record, 2000. 174p.
relações.
Horizonte, v. 1, n. 1, p. 41-62,
retrieval
. New York : Mcgraw-Hill Book Company, 1983. 448 p.
72. SANT’ANNA, V. Cálculo de referências anafóricas pronominais
demonstrativas na língua portuguesa escrita. 100 f. 2000. Dissertação
(Mestrado em Informática) – Instituto de Informática da PUC-RS – Porto
Alegre.
73. SANTOS, Milton. Por uma out
74. SARACEVIC, Tefko. Ciência da informação: origem, evolução e
Perspectivas em Ciência da Informação. Belo
jan./jun. 1996.
75. SCHAFF, Adam. A sociedade informática: as conseqüências sociais da
segunda revolução industrial. São Paulo: Unesp/Brasiliense, 1990.
76. SEMANTICWEB.ORG. Disponível em:
<
http://www.semanticweb.org/about.html>. Acesso em: jun. 2003.
77. SHANNON, C. E. A Mathematical Theory of Communication. The Bell System
Technical Journal, Vol. 27, July, October, 1948. p. 379–423, 623–656.
78. SHERA, J. H., CLEVELAND, D. B. History and foundations of Information
Annual Review of Information Science and Technology – ARIST,
gia, 2000.
Escola de Biblioteconomia da
UFMG. Belo Horizonte, v.10, n.1, mar. 1981. p. 93-94,.
Science.
77. v.12, p. 249-275, 19
79. SMEATON, A. F. Progress in the application of natural language processing to
information retrieval tasks Information Retrieval
Computer Journal, v. 35, n. 3,
1994. p. 268-278.
80. SPARCK JONES, K. e WILLETT, P. (orgs.). Readings in Information
Retrieval. San Francisco: Morgan Kaufmann, 1997. 589p.
81. TAKAHASHI, Tadao (org). Sociedade da informação no Brasil: Livro Verde.
Brasília: Ministério da Ciência e Tecnolo
82. TOFFLER, A. A Terceira Onda. Rio de Janeiro: Record, 1980.
83. UNISIST. Princípios de indexação. Revista da
84. VIEIRA, Renata. A review of the Linguistic literature on definite descriptions.
Acta Semiotica et Lingüística. Vol. 7, 1998. p. 219-258.
147
85. VIEIRA, Renata et ali. Extração de Sintagmas Nominais para o
Processamento de Co-referência. 2000. Anais do V Encontro para o
processamento computacional da Língua Portuguesa escrita e falada
PROPOR, 19-22 Novembro Atibaia SP.
86. VIEIRA, Renata e QUARESMA, Paulo. PROJECTO DIRPI: desenvolvimento
e integração de recursos para pesquisa de informação. Cooperação Científica
de de Évora,
ot. Information Science: the study of postmodern knowledge
e Técnica Luso-Brasileira. ICCTI/GRICES-CAPES, Universida
Universidade Nova de Lisboa, Unisinos, PUC-RS. Julho de 2001.
87. VISL. About VISL. Disponível em:
<
http://visl.hum.sdu.dk/visl/about/index.html>. Acesso em: mai.2005.
88. VYGOTSKY, L.S. Pensamento e Linguagem. São Paulo: Martins Fontes Ed.
1987.
89. WERSIG, Gern
usage. Information Processing & Management, Oxford, U.K., v.29, Mar. 1993.
p. 229-239.
90. WITTGENSTEIN, L. Philosophical Investigations. 3. ed. Oxford: Basil
Blackwell, 1967.
91. WOOLDRIDGE, M. e JENNINGS, N., Intelligent Agents: theory and practice.
The Knowledge Engineering Review, 10 (2), 1995. p.115-152.
92. ___________. (ed.), Agent Technology: foundations, applications, and
markets. Berlin, Heidelberg, New York: Springer-Verlag, 1998.
148
ANEXO A:
O corpus de artigos utilizados para validação da metodologia
Revista DataGramaZero (29 artigos)
ia da Informação - v.3 n.2 abr/02
Neste anexo são apresentados os artigos que compõem o corpus total de
documentos. As informações apresentadas são o título, os autores, o resumo, as
palavras-chave, a edição da revista que os contêm e o endereço eletrônico aonde
puderam ser encontrados na Internet, ao longo do ano de 2003.
I)
Ia) DataGramaZero - Revista de Ciênc
Disponível no endereço: http://www.dgz.org.br/abr02/index.htm
Artigo 1: Transferência da Informação: análise para valoração de unidades de conhecimento
Autores: Plácida L. V. Amorim da Costa Santos e Ricardo César Gonçalves Sant'Ana
Resumo: Entender e medir o valor do conhecimento é uma das mais discutidas e menos
compreendidas questões nos estudos sobre a gestão do conhecimento. Porém, se esta dificuldade
fica mais explícita ao analisar o conjunto do conhecimento de uma organização em relação ao
mercado, torna-se necessária a definição de parâmetros e mecanismos de avaliação de cada unidade
de conhecimento disponível, principalmente aquele que, por algum processo, já foi registrado e
alidade funcional e do processo de
precisa ser gerenciado, tanto em seu processo de obtenção, armazenamento, acesso e, até mesmo,
descarte. Neste artigo, objetivamos descrever questões envolvidas na identificação do valor do
conhecimento registrado em função de sua multidimension
transmissão de informações.
Palavras chave: Transferência de informação; Gestão do conhecimento; Valor de unidades de
conhecimento.
Artigo 2: Popularização do Conhecimento Científico
Autora: Suzana P. M. Mueller
Resumo: A questão da popularização da ciência é apresentada como um tema de interesse para
estudos da comunicação científica pela ciência da informação. A participação da sociedade no
processo de criação e divulgação da ciência por meio de pressões sociais e econômicas vêm se
tornando fator importante na formulação de políticas científicas, especialmente em países com alto
grau de educação. A opinião pública sobre fatos científicos, no entanto, depende em grande medida
da atuação de intermediários, que traduzam a linguagem científica, especialmente a mídia imprensa e
televisiva. As questões da distorção do sentido da notícia científica inerente ao processo, mas às
vezes intencional, e o tratamento de notícias sobre fatos científicos que contém risco potencial à
sociedade são exemplos usados para mostrar as dificuldades do processo de popularização e
da Ciência; Comunicação Científica.
argumentar que o assunto, pouco estudado pela ciência da informação, é parte integrante e cada vez
mais influente no processo de comunicação científica.
Palavras chave: Popularização
Ib) DataGramaZero - Revista de Ciência da Informação - v.3 n.3 jun/02
Disponível no endereço: http://www.dgz.org.br/jun02/index.htm
Artigo 3: O Valor da Informação: um desafio permanente
Autora: Ana Lúcia Siaines de Castro
Resumo: O trabalho discute a questão da informação como uma alternativa de sobrevivência, de
garantia jurídica frente a dispositivos de exceção, como ocorrido no período da ditadura militar no
rasil. A análise da informação comB o um valor estratégico de harmonização do indivíduo à sua
ias alcançam capacidade de escolha, de avaliação e de reflexão. Na medida em que relatos e memór
149
o espaço público, passíveis de institucionalização, a vinculação entre memória e informação revela-se
onfluente, interliga-se à confiabilidade dos mecanismos de produção, organização e recuperação da
l que possibilita a
de garantias para exercitarem da melhor forma seu direito à
l; Estoque
c
informação. A memória passa a representar um estoque informacional de valor socia
sociedade e os indivíduos disporem
informação.
Palavras chave: Informação; Valor Informacional; Direito à Informação; Memória Socia
Informacional.
Artigo 4: Auto-arquivamento: uma opção inovadora para a produção científica
Autoras: Ligia Café e Márcia Basílio Lage
Resumo: Trata do conceito inovador de auto-arquivamento e suas implicações no sistema d
publicações
controle editorial, pela revisão severa entre os pares e pela reserva dos direitos autorai
experiência da Budapest Open Access I
e
científicas. Esta nova filosofia procura minimizar as conseqüências provocadas pelo
s. A
nitiative (BOAI) é relatada com o objetivo de mostrar uma
da no acesso livre (open access), a BOAI
do meio científico, baseada em conceitos
ação efetiva que viabiliza o auto-arquivamento. Fundamenta
pretende uma reorganização dos mecanismos de produção
mais democráticos de acesso ao conteúdo.
Palavras chave: Arquivos-abertos, Sistema de Publicação, Budapest Open Access Initiative, Acesso
Livre, Auto-arquivamento.
Artigo 5: Análise Contrastiva: memória da construção de uma metodologia para investigar a
tradução de conhecimento científico em conhecimento público
Autora: Teresinha Fróes Burnham
Resumo: Este artigo é uma reconstrução sumária e parcial da dinâmica de construção de
metodologia de aná
uma
lise de processos de tradução do conhecimento científico - conhecimento privado
uma comunidade específica - já submetido a uma primeira tradução como conhecimento escolar,
Toma-se a escola como lócus
em conta que esta é a instituição socialmente responsabilizada pela
s conceituais formais de um ou mais corpos teóricos da
ave: Conhecimento Científico, Conhecimento Privado, Conhecimento Escolar,
a
para acesso a um público de não-cientistas: estudantes de nível médio.
de investigação, levando
democratização da informação científica, na perspectiva de que esta se transforme em conhecimento
pessoal de indivíduos sociais, compreendidos como sujeitos do conhecimento, pela agregação de
significados relevantes à formação da cidadania. O texto caracteriza-se como uma memória teórica e
experiencialmente referenciada, de uma investigação realizada há mais de duas décadas, através da
qual foi produzida a primeira formulação desta metodologia que, depois de várias reconstruções (que
continuam a se processar contemporaneamente), vem sendo a base dos trabalhos realizados pela
Rede Cooperativa de Pesquisa em (In)formação, Currículo e Trabalho - REDPECT / UFBA, dedicada
a participar na construção do novo campo interdisciplinar e multirreferencial da Info-Educação.O texto
limita-se a apenas um dos "componentes" do processo de tradução: a dupla dimensão de
(des)construção e (re)construção de estrutura
área de Biologia.
Palavras ch
Democratização da Ciência, Comunicação Científica.
Ic) DataGramaZero - Revista de Ciência da Informação - v.3 n.4 ago/02
Disponível no endereço: http://www.dgz.org.br/ago02/index.htm
Artigo 6: O Tesauro Eletrônico do Mundo do Trabalho: produto de um esforço interdisciplinar
Autores: Marília Levacov, Nadia Vanti, Júlio César Zancan e Maria Lizete Gomes Mendes
Resumo: O presente artigo relata a implementação, de uma ferramenta para o gerenciamento do
Tesauro Eletrônico do Mundo do Trabalho, criado para a Unitrabalho, uma fundação voltada a
pesquisas acadêmicas sobre o trabalho, agregando 84 universidades brasileiras. A ferramenta é
constituída de duas interfaces: uma para consulta e navegação e outra para gerenciamento. Esta
atividade foi realizada por uma equipe interdisciplinar, do ponto de vista da Interação Humano-
Computador, buscando alternativas para o diálogo entre dois universos: o dos profissionais da
Ciência da Informação e o dos profissionais da Ciência da Computação.
Palavras-chave: Tesauro Eletrônico; Mundo do Trabalho; Recuperação da Informação; Interface de
Consulta; Sistema de Informação; Interdisciplinaridade; Interação Humano-Computador (IHC).
150
Artigo 7: Inteligência Competitiva em Organizações: dado, informação e conhecimento
Autora: Marta Lígia Pomim Valentim
Resumo: O conjunto 'dados, informações e conhecimento' tem sido importante fator de
competitividade em diferentes tipos de organizações. Prospectar, filtrar e transferir esse conjunto é
essencial para a consolidação do processo de inteligência competitiva organizacional. Através do
gerenciamento desses recursos informacionais pode-se subsidiar várias atividades para a melhoria
contínua do negócio da organização. O papel do conjunto 'dados, informações e conhecimento' no
processo de inteligência competitiva é fundamental para o aumento da produtividade e da qualidade
como mapear e reconhecer os dados,
formações e conhecimento estruturados, estruturáveis e não-estruturados para o negócio também
e: Inteligência Competitiva; Gestão do Conhecimento; Gestão da Informação; Fluxos
rmação.
da organização. Estabelecer fluxos formais e informais, bem
in
são ações que contribuem para o desenvolvimento da inteligência competitiva organizacional.
Palavras chav
Informacionais; Transferência da Info
Artigo 8: A conceituação de massa documental e o ciclo de interação entre tecnologia e o
registro do conhecimento
Autores: Antonio Miranda e Elmira Simeão
Resumo: A polissemia do conceito de "informação" parece ser uma decorrência natural da
apropriação do termo por diferentes áreas do conhecimento e está ligada ao fenômeno conhecido
como "definição consue
da arte dos conhecimentos sobre determinado fenômeno. Tais definições estariam,
conseqüentemente, sujeitas a reformulações e reconceitualizações pari passu com a evolução da
pesquisa. A questão que se levant
tudinária" em que diferentes especialistas se expressam conforme o estado
a constantemente é se a Ciência da Informação deveria ou não ter
ma concepção única para o termo, o que parece não só impraticável, quanto inócuo.
Registro do
u
Palavras chave: Informação; Massa Documental; Conceito de Informação; Tecnologia;
Conhecimento.
Artigo 9: Informação e Universidade: os pecados informacionais e barreiras na comunicação
da informação para a tomada de decisão na universidade
Autor: Claudio Starec
O trabalho analisa o fluResumo: xo de informação nos Campi Rebouças e Nova América da
Universidade Estácio de Sá. O objetivo deste trabalho é discutir as dificuldades, ruídos, os problemas
e barreiras da comunicação da informação e seus efeitos no fluxo informacional numa organização
voltada para o aprendizado. Duas questões levantadas pelo poeta americano T.S.Elliot retratam o
viés deste trabalho:"Quanta informação perdemos devido à comunicação? e quanto conhecimento
perdemos por causa da informação?” A base teórica é da Ciência da Informação, mais
especificamente os conceitos de informação de Barreto, de Relevância de Saracevic, os Sistemas de
Recuperação e Disseminação Seletiva de Informação de Araújo, as Barreiras de Freire. O foco da
Inteligência Competitiva está em destacar a questão da informação como um dos maiores ativos de
stratégias no setor e, possivelmente, aferramenta mae
u
is importante para ajudar os gestores da
Gestão do fluxo de Informação na Universidade; Inteligência
niversidade a tomar decisões acadêmicas e administrativas à tempo e em tempo real. O modelo
escolhido foi a Mandala Tibetana de Paul Carro adaptada na Mandala da Informação Universitária.
Palavras chave: Universidade;
Competitiva; Barreiras na Comunicação da Informação; Pecados Informacionais.
Artigo 10: Implicações da "nova economia" para a mensuração estatística: desajustes
conceituais e metodológicos
Autora: Rosa Maria Porcaro
Este artigo discute como importantes transformações que marcam a sociedadResumo: e atual se
refletem na pertinência das informações estatísticas oficiais, construídas a partir de representações
da realidade social. Questiona-se se tais transformações estão sendo apreendidas com o arcabouço
conceitual-metodológico dos atuais levantamentos estatísticos construído e consolidado para
"retratar" a sociedade capitalista industrial moderna de escopo nacional, hoje completamente
modificada.
Informação EstatísticPalavras chave: a; Nova Economia; Mensuração Estatística; Desajuste
Conceitual; Metodologia Estatística.
Id) DataGramaZero - Revista de Ciência da Informação - v.3 n.5 out/02
151
Disponível no endereço: http://www.dgz.org.br/out02/index.htm
Artigo 11: Por uma nova Ciência da Informação: ensino, pesquisa e formação
Autor: Luiz Carlos Brito Paternostro
Resumo: O armazenamento e a recuperação de informações incluem sua organização, classificação,
r e de tomar, inclusive sob um ponto de vista histórico e
ultural. Sob a regência destes movimentos, podemos estudar qualquer coisa ligada à informação.
paz de tratar, de
proteção, difusão e transferência. O armazenamento e a recuperação dividem o mundo da
experiência entre os movimentos de guarda
c
Um conjunto de disciplinas interdependentes tratando especificamente do armazenamento e da
recuperação de dados pode vir a compor um curso de Ciência da Informação ca
forma unificada, questões que variam da propriedade intelectual até os fundamentos da modelagem
de dados.
Palavras-chave: Ciência da Informação, Armazenamento e recuperação, Curso em informação,
Unidade e especificidade da informação.
Artigo 12: Ensino e pesquisa em ciência da informação
Autor: Eduardo Wense Dias
Resumo: Considerando-se o acesso à informação como a questão básica da ciência da informação,
especializada e informação
ão-publicada. As características peculiares desses segmentos vão deteminar a forma que os nomes
importantes, a pesquisa, além de outros
o na área do conhecimento.
constata-se que é possível segmentar esse campo pelo tipo de informação a que se procura facilitar o
acesso: informação publicada especializada, informação publicada não-
n
dos profissionais neles atuantes podem tomar, as disciplinas
aspectos relacionados com a formaçã
Palavras chave: Ciência da Informação, Biblioteconomia, Sistema de Informação, Arquivologia,
Ensino, Pesquisa.
Artigo 13: O Profissional da Informação: O Humano Multifacetado
Autora: Kátia de Carvalho
Resumo: O profissional que na sua origem se forma no seio da biblioteca com a função de zelar pelo
acervo acompanha o desenvolvimento da sociedade e se transforma em um ser humano
multifacetado que além de desta primeira função citada passa a ser o responsável pela preservação
da memória humana sem perder de vista o objetivo primordial que é a disseminação do
conhecimento e da informação. O profissional nessa sociedade amplia as suas competências para
dar conta do seu papel nos sistemas de informação. Ele, no contexto atual, deve ser um indivíduo
que faz experiências e é sensível a aprendizagem sendo a sua presença insubstituível nas
organizações, além de ser um mediador, entre usuário e acervos. Esse profissional representa o
elemento humano nas relações com o meio em um mundo em transformação, com um modelo de
economia global baseada no conhecimento.
Palavras chave: Profissional da informação, Informação organizacional, Formação e profissional da
informação.
Artigo 14: Funções Sociais e Oportunidades para Profissionais da Informação
Autores: Kira Tarapanoff, Emir Suaiden, Cecília Leite Oliveira
ofissionais da informação. Dentre as funções sociais delineadas estão as
ducativa e a de mediação. A educativa relaciona-se à alfabetização em informação e a segunda à
enumerados e
tes perfis: gestores da informação; trabalhadores do conhecimento;
Resumo: No contexto da sociedade em rede são discutidas funções sociais e delineados alguns
perfis de atuação para pr
e
animação da inteligência coletiva. Dentre os papéis profissionais emergentes são
brevemente discutidos os seguin
gestores e engenheiros do conhecimento; especialistas de informação. Conclui-se que não há um
perfil único para o profissional da informação, que como um "soldado universal" atenderia a todas as
demandas de informação nas organizações e na sociedade. Há papéis a serem preenchidos e
demandas específicas a serem atendidas por profissionais com os mais diversos perfis, consagrados
e emergentes, mas que têm como único objetivo o trabalho com a informação e o conhecimento,
agregando valor à primeira e facilitando o acesso e transferindo informação e o conhecimento para
todos.
Palavras chave: Profissionais da informação, Funções sociais, Perfis de profissionais da informação,
Inclusão digital, Gestão da informação, Gestão do conhecimento.
152
Artigo 15: Relação Ensino-Pesquisa: em discussão a formação do Profissional da Informação
Autora: Mara Eliane Fonseca Rodrigues
Resumo: Tendo como referência as mudanças paradigmáticas que se avizinham para a educação,
em geral, e para a universidade, em particular, discute a formação do profissional da informação no
Brasil. Após, tomando por pressuposto que a formação, a prática profissional e a pesquisa, compõem
a base de uma profissão e que estes três componentes devem interagir constantemente, enfoca a
pesquisa como elemento capaz de permitir o repensar da formação e da prática do profissional da
informação, considerando-a como um princípio também educativo.
Palavras chave: Formação profissional, Ensino e pesquisa.
Artigo 16: Educação para a Informação: desafios contemporâneos para a Ciência da
Informação
Autora: Ana Maria Pereira Cardoso
o do campo da Ciência da Informação e
s influências recebidas por via das literaturas americana e francesa. Discute as especificidades da
ias apresenta
PUC Minas;
ticos do curso, as estratégias de
ação Superior no Brasil,
Resumo: O artigo situa os desafios para a formação de profissionais de informação no contexto das
mudanças no ensino superior no Brasil. Aborda a consolidaçã
a
Ciência da Informação em contraponto com a Biblioteconomia. Partindo destas referênc
me implementado na o projeto de formação de analistas de informação confor
estacando o perfil do profissional visado, os eixos temád
ensino/aprendizagem.
Ciência da Informação - Formação profissional, EducPalavras chave:
Sociedade da Informação - educação, Ciência da Informação e Biblioteconomia, Ciência da
Informação - curso de graduação.
Ie) DataGramaZero - Revista de Ciência da Informação - v.3 n.6 dez/02
Disponível no endereço: http://www.dgz.org.br/dez02/index.htm
Artigo 17: Novas Tecnologias e Produção Científica: uma relação de causa e efeito ou uma
relação de muitos efeitos?
Autora: Maria das Graças Targino
Resumo: Discute a relação entre novas tecnologias e o desenvolvimento da produção científica e da
ublicação eletrônica, enfatizando a Internet. Sem negar sua relevância como elemento interveniente
rticular da produção científica, tais como: a inconsistência,
ções; a complexidade de armazenamento; a dificuldade
p
da realidade contemporânea, prioriza as desvantagens trazidas pelas facilidades de produção no
espaço cibernético, no caso pa
instantaneidade e efemeridade das informa
do controle bibliográfico; a banalização da autoria e o desrespeito à propriedade intelectual; o uso
aético da informação; a invasão da privacidade x relações impessoais.
Palavras-chave: Internet e Produção Científica, Novas Tecnologias de Informação e de
Comunicação, Produção Científica e Novas Tecnologias.
Artigo 18: Enfoques sobre a relação Ciência, Tecnologia e Sociedade: Neutralidade e
Determinismo
Autor: Renato Dagnino
Resumo: De uma forma bastante genérica e mesmo ingênua, mas adequada à finalidade deste
abalho, é possível classificar as formas de abordar o campo dos Estudos Sociais da Ciência e
i como foco privilegiado de análise, ou como elemento determinante da
a, a Sociedade.
tr
Tecnologia ou, mais especificamente, a relação Ciência, Tecnologia e Sociedade, em duas grandes
categorias. A primeira possu
dinâmica da relação, o seu primeiro pólo, a C&T; enquanto que, a segund
Palavras-chave: Estudos Sociais da Ciência, Sociologia da Ciência, Ciência e Sociedade, Tecnologia
e Sociedade.
Artigo 19: Inteligência Empresarial: uma avaliação de fontes de informação sobre o ambiente
organizacional externo
Autor: Ricardo Rodrigues Barbosa
Resumo: O artigo relata um estudo sobre o processo de monitoração do ambiente organizacional
externo. Os 91 participantes da pesquisa registraram, dentre outros fatores, a freqüência com que
utilizam diversos tipos de fontes de informação. Essas fontes foram também analisadas de acordo
153
com o seu grau de relevância e confiabilidade. Os resultados indicam uma elevada taxa de utilização
de fontes eletrônicas de informação, porém as mesmas são vistas como pouco confiáveis e
relevantes. As pessoas (colegas, subordinados e superiores hierárquicos) são vistas como as fontes
mais confiáveis. As bibliotecas e centros de informação internos, embora considerados as fontes mais
confiáveis, encontram-se entre as menos utilizadas e menos relevantes.
a Informação
Palavras-chave: Inteligência Empresarial, Monitoração Ambiental, Fontes de Informação, Gestão do
Conhecimento, Gestão d
Artigo 20: Contribuição da Pós-graduação para a Ciência da Informação no Brasil:
dez de Souza
uma visão
de pós-graduação em Ciência da
defendidas e publicações do corpo docente, propõe-se um
Autores: Johanna W. Smit, Eduardo Wense Dias, Rosali Fernan
esumo: Síntese da avaliação continuada dos programas R
Informação reconhecidos pela CAPES (PUC/CAMP, UFBA, UFMG, UFRJ/IBICT, UnB e
UNESP/Marília), relativa ao ano de 2001. A partir da constituição dos corpos docente e discente,
números de dissertações e teses
diagnóstico da pós-graduação na área, finalizando por uma discussão das características da
pesquisa em Ciência da Informação realizada nos programas e a fragilidade da área em relação ao
Sistema Nacional de Pós-Graduação. Em anexo uma tabela transcreve as áreas de concentração e
linhas de pesquisa, com respectivas ementas, dos programas da área em 2001.
Palavras-chave: Ciência da Informação no Brasil, Avaliação 2001 CAPES, Pós-graduação em
Ciência da Informação, Pesquisa em Ciência da Informação no Brasil.
Artigo 21: Os múltiplos aspectos e interfaces da leitura
Autora: Lígia Maria Moreira Dumont
Resumo: Este trabalho apresenta uma visão panorâmica referente às áreas do conhecimento que se
entrelaçam e propiciam um melhor entendimento do ato de ler. Os estudos sobre leitura caracterizam-
e pela multidiscs
c
iplinaridade, portanto, estão sempre abertos à interferência de outras áreas do
ites de cada olhar, pois o ato da leitura não se
imbrica definitivamente a vivência dos sujeitos ao aprendizado e ao desenvolvimento do
onhecimento, dependendo certamente de determinado recorte, dentre os múltiplos e diversos
ângulos de análise possíveis na temática da leitura. Por suposto, está-se diante de um processo
complexo; torna-se tarefa difícil estabelecer os lim
efetiva em ações isoladas, lineares, mas sim em decorrência de complexa reação em cadeia de
ações, sentimentos, motivações, especulações no cognóscio do leitor, suas análises e críticas. No
artigo, são abordadas diversas teses e teorias sobre a temática da leitura, centradas na premissa da
leitura como ação social. Primeiramente, são delineados os estudos de Mme. de Staël, Taine e Marx,
pioneiros a destacarem o componente social na leitura. A seguir, são analisados os estudos
sistemáticos desenvolvidos nos Estados Unidos e na França, nas décadas de 1930 e 1950,
respectivamente, que se constituem nas teorias cunhadas de "sociologia da leitura": a Teoria dos
fatores subjacentes de Holmes e os modelos de Carrigan e de Gray, de fundamentação organística e
funcionalista. Por fim, são delineadas algumas abordagens de autores contemporâneos estrangeiros,
como Escarpit, Barthes, Compagnon, Chartier, Allen e Spiro, bem como dos brasileiros Silva, Maria,
Sodré e Kato. As teorias que se baseiam na área da psicolingüística e na teoria da computação
(inteligência artificial) são destacadas por Kato e Spiro. As abordagens culminam com a tese de Paulo
reire, que F
ato da leitura.
Palavras-chave: Leitura-teoria, Cognóscio, Conhecimento-introjeção, Leitura e Sociedade,
Informação e Sociedade.
Artigo 22: A Informação e o Paradigma Holográfico: a Utopia de Vannevar Bush
Autor: Nilton Bahlis dos Santos
Resumo: A Ciência da Informação tem dois elementos constituintes: por um lado ela nasce como
acúmulo teórico e de experiências de processamento de informações, em particular da
biblioteconomia e da documentação, com suas tecnologias capazes de processar volumes finitos de
informação. Por outro como utopia, resultado da ampliação e alargamento do horizonte da ciência ,
nos esforços aliados na segunda guerra mundial e o desejo de Bush de um novo ordenamento para a
Informação. O aspecto mais importante não é a "explosão informacional" como aumento quantitativo,
mas a interconexão de experiências e pesquisas, que gera a necessidade de processamentos para a
circulação de grandes massas de informação; utopia alimentada pela possibilidade vislumbrada de
processar um volume infinito com o surgimento da tecnologia informática. Nossa reflexão é que se o
rimeiro aspecto está estruturado no paradigma do moderno, com sua visão determinista e racional, p
154
resumindo-se a estudar o processo de informação em sistemas fechados, homogêneos e passíveis
de serem organizados à priori, o segundo, a utopia, não consegue encontrar uma resposta no interior
é a busca da capacidade de processar
ites como campo de
apresenta
eterminados caminhos e opções para uma nova discussão e o hipertexto o evidencia em termos
Informação, Tecnologia da Informação,
ipertexto, Complexidade, Interatividade, Virtual, Totalidade.
isponível no endereço: http://www.dgz.org.br/fev03/index.htm
deste paradigma. Este segundo aspecto constituinte, isto
informações em um número infinito e independente de linguagens controladas e de disciplinas, tem
como marco o texto "Como nós pensamos" de Vannevar Bush. Ele aponta para a necessidade e
possibilidade da Ciência da Informação enfrentar de uma maneira nova o problema da complexidade
e interatividade, características cada vez mais presentes em nosso mundo, colocando em questão o
próprio paradigma vigente. Esta utopia, no entanto, foi posta em segundo plano devido aos objetivos
produtivistas colocados pelas opções práticas que a marcaram. Para recolocá-la na ordem do dia é
necessário rever a própria definição de Ciência da Informação, seus lim
conhecimento, seus métodos, suas técnicas e tecnologias. O Paradigma Holográfico
d
práticos.
Palavras-chave: Paradigma, Holografia, Ciência da
H
If) DataGramaZero - Revista de Ciência da Informação - v.4 n.1 fev/03
D
Artigo 23: Informação, Memória e Espaço Prisional no Rio de Janeiro
es Costa
o saberes de diferentes naturezas e, por essa razão, contribuindo não apenas para a
mória, mas
mbém para a formação de novas relações conceituais, tais como informação e história, espaço e
tórias.
ial, Espaço Prisional.
Autora: Icléia Thiesen Magalhã
Resumo: As relações entre informação, memória e espaço prisional são discutidas nessa proposta
de estudo que tem por objetivo principal analisar as formações institucionais e jurídicas, direcionadas
à constituição, implantação, reprodução e permanência do chamado Panoptismo, em especial na
definição e configuração do espaço prisional, no Rio de Janeiro, no período de 1830 a 1930. A
Ciência da Informação, de caráter interdisciplinar, propicia a ampliação das fronteiras da Ciência,
aproximand
recuperação e disseminação da informação histórica contida nos escaninhos da me
ta
poder, memória e documento, em suas diferentes combina
Palavras-chave: Informação, Memória Soc
Artigo 24: O Contrato Social da Pesquisa: em busca de uma nova equação entre a autonomia
epistêmica e autonomia política
Autora: Maria Nélida González de Gómez
Resumo: Consideramos próprio das modernas formações ocidentais o desenvolvimento dos
conhecimentos científicos por procedimentos complementares a) de diferenciação e autonomização
da atividade de pesquisa e b) de conversão da validade científica em valores econômicos ou sociais.
Pergunta-se, nesse contexto, pela possibilidade de reformulação do contrato social da ciência,
revisando as definições dos sujeitos e dos princípios que organizam os programas de pesquisa, em
seu escopo e abrangência, tal que essa nova versão do contrato seja capaz de orientar uma ecologia
política dos conhecimentos.
Palavras-chave: Contrato Social, Ciência, Pesquisa, Pesquisadores, Autonomia, Ecologia dos
rtigo 25
Conhecimentos.
A : A Ciência da Informação no CNPq - fomento à formação de recursos humanos e à
Machado Mueller e Maria Gorette Santana
as
tar que dado o número de cursos pós-graduação,
specialmente doutorado, existentes no período considerado e especialmente o número de pesquisa
pesquisa entre 1994-2002
Autoras: Suzana Pinheiro
Resumo: Levantamento dos dados referentes às ações de fomento de CNPq para a área de Ciência
da Informação, para o período de 1994 e 2002. Após breve introdução sobre as origens do CNPq em
que é enfatizada sua vocação inicial como agência de fomento para as áreas de ciências exatas e
naturais, o artigo mostra dados sobre quantidade e dispêndio do órgão com a área de Ciência da
Informação. As ações do CNPq relatadas são as que se destinam à formação de recursos humanos
no exterior e no país e a pesquisas no país. Os dados mostram que considerando todas as áre
financiadas pelo CNPq, uma parte muito reduzida do orçamento tem sido destinada à Ciência da
Informação. Por outro lado, pode-se argumen
e
155
em andamento cujos relatórios foram relatados na reunião de 2000 da ANCIB, a sociedade que
congrega os pesquisadores da área, e ainda, a demanda bruta registrada no CNPq, os auxílios
menos inadequados. No entanto, a recebidos e vigentes, embora ainda insuficientes, parecem
estagnação no volume de bolsas concedidas entre 1994 e 2002 levanta preocupações a respeito da
evolução da área.
Palavras-chave: Fomento à pesquisa - Ciência da Informação; CNPq - fomento á pesquisa em
Ciência da Informação.
Ig) DataGramaZero - Revista de Ciência da Informação - v.4 n.2 abr/03
Disponível no endereço: http://www.dgz.org.br/abr03/index.htm
Artigo 26: Políticas de Monitoramento da Informação por Compressão Semântica dos seus
Estoques
Autor: Aldo de Albuquerque Barreto
Resumo: Este artigo se orienta para o estudo da estrutura do texto escrito e sua análise morfológica
om a finalidc ade de extrair informações para uso na gestão estratégica da informação, localizada em
onitoração de
ministração da
estoques específicos. Visa, ainda, fornecer subsídios para um processo de m
a e a realização de outros estudos de adconteúdos infomacionais em língua portugues
informação. Procura indicar subsídios técnicos e teóricos para construção de softwares para o estudo
de contextos de informação utilizando o instrumental da ciência da informação e do processamento
computacional do português em linguagem natural. Ambiciona ser um instrumento estratégico para
localizar e caracterizar através de palavras-chave conteúdos de famílias de textos visando a gestão e
o controle de um estoque específico de informação.
Palavras-chave: Compressão Semântica, Monitoramento da Informação, Estoques de Informação,
Palavras-chave.
Artigo 27: Bolsas de Pesquisador do CNPq: informações sobre política de C&T a partir da base
que contém os dados cadastrais dos bolsistas
Autora: Gilda Olinto
esumo: As bolsas de pesquisador concedidas pelo CNPq são aqui analisadas a partir das bases deR
quisadores bolsistas. Destaca-se
stas bolsas e,
rmações contidas nestas bases de dados – área acadêmica,
sista – mostram que muitas informações podem ser geradas e
dados da agência de fomento que contém o cadastro dos pes
inicialmente a relevância deste objeto de estudo em função das características de
mbém, em função da riqueza de informações e possibilidades de análises que se apresentamta
através da transformação dessa base de dados gerada com fins administrativos para uma base com
a finalidade de gerar indicadores científicos e tecnológicos. As análises aqui apresentadas
focalizando apenas algumas das info
estado e instituição do trabalho do bol
revelar algumas características e desequilíbrios que podem ser úteis para subsidiar políticas de
governo e o monitoramento da C&T no país.
Palavras-chave: Indicadores Científicos, Política Científica e Tecnológica, Gestão de Ciência e
Tecnologia
Artigo 28: Arquitetura conceitual e resultados da integração de sistemas de informação e
gestão da ciência e tecnologia
Autor: Roberto Pacheco e Vinícius Kern
Resumo: Iniciativas governamentais na área de gestão da informação esbarram freqüentemente na
falta de integração e baixa qualidade da informação, incluindo iniciativas de governo eletrônico. Este
artigo apresenta a concepção de sistemas de informação governamentais a partir da consideração
dos interesses de todos os atores, configurando uma arquitetura conceitual para projetos de governo
eletrônico. A Plataforma Lattes é apresentada como exemplo de implementação desta arquitetura. O
papel das bibliotecas digitais de teses e dissertações é destacado, ressaltando seu papel em relação
a outros provedores de informação do sistema nacional de ciência, tecnologia e inovação. A
internacionalização da Plataforma Lattes é comentada à luz da oferta e demanda de informação que
alavras-chave: Governo Eletrônico, Arquitetura de Sistemas de Informação, Integração de
forma Lattes, Rede ScienTI.
vem provocando.
P
Informações, Gestão de C&T, Bibliotecas Digitais, Plata
156
Artigo 29: Políticas de Informação Governamental: a construção de Governo Eletrônico na
Administração Federal do Brasil
Autores: Carlos Henrique Marcondes e José Maria Jardim
Resumo: Políticas de informação governamental têm sido implementadas em diversos países sob a
noção de governo eletrônico, ainda pouco estruturada do ponto de vista teórico. No Brasil, a
Administração Federal tem desenvolvido diversas ações desde 2000. Limitações de ordem sócio-
econômica dificultam o acesso da maioria da população a sistemas de telefonia e a equipamentos de
informática. Outro obstáculo ao Governo Eletrônico é a deficiência na gestão das informações
governamentais. Após dois anos de implantação, o impacto do Governo Eletrônico revela-se maior na
gestão interna da Administração Federal do que no atendimento ao cidadão.
vernamental. Palavras-chave: Governo Eletrônico, Políticas de Informação, Informação Go
II) Revista Ciência da Informação (31 artigos)
IIa) Ciência da Informação, v. 31, n. 1, jan./abr. 2002
Disponível no endereço: http://www.ibict.br/cienciadainformacao/viewissue.php?id=14
Artigo 30: Avaliação do acesso a periódicos eletrônicos na web pela análise do arquivo de log
de acesso
Autor: Guilherme Ataíde Dias
Resumo: Este artigo apresenta uma abordagem sobre a avaliação do acesso a periódicos eletrônicos
disponibilizados na World Wide Web por meio da análise do arquivo de log de acesso. O arquivo de
log de acesso da revista Informação & Sociedade: Estudos é processado e apresentado como um
exemplo de aplicação do uso de uma ferramenta automatizada de análise para arquivo de log de
acesso. As características inerentes à análise do arquivo de log de acesso são apresentadas e
discutidas.
Palavras-chave: Periódicos eletrônicos; Avaliação de acesso; Arquivo de log de acesso.
Artigo 31: Novos cenários políticos para a informação
Autora: Maria Nélida González de Gómez
Resumo: Poderíamos dizer que hoje, nos cenários mundiais, a economia do conhecimento é
proposta, sem mais nem menos, como o novo conteúdo e referência da política da informação ou, em
certa forma, da totalidade do político. Consideramos que contribui, para essa subversão de sentido,
um terceiro termo, que para uns seria “infra-estrutura”, e para outros, “sociedade da informação”. Se o
modus operandi dessa virada estratégica seria a transubstanciação do informacional e semiótico no
econômico, através da mediação tecnológica e dos mercados, optamos por considerar as mudanças
s, que afetam profundamedo papel do Estado – como modus cognoscendi dessas transformaçõe
que, até agora, denominara-se – em sentido restrito – “Política de
nte
informação”. Nossa análise
conceito de
governança,
o
remiter-se-á à revisão do conceito “governança”, adotando como apoio argumentativo o
A partir da consideração de alguns dos pressupostos da “regime de informação”.
indagaremos quais estruturas de informação poderiam sustentar os processos de formação,
circulação e institucionalização do poder, em um horizonte democrático.
Palavras-chave: Política de informação; Sociedade da informação; Internet; Institucionalização da
informação; Estado.
Artigo 32: Uso das linguagens controlada e natural em bases de dados: revisão da literatura
Autora: Ilza Leite Lopes
Resumo:. O trabalho tem como objetivo examinar o uso da linguagem controlada ou da linguagem
natural, no planejamento da estratégia de busca em um ambiente de bases de dados em CD-ROM ou
em linha. São revisados os estudos que abordam o uso das linguagens controlada e natural nas
stratégias de busca, suas vantage ens e desvantagens, proporcionando uma perspectiva sobre a
termos
to.
complexidade para a busca da informação bibliográfica e referencial, incluindo a seleção de
o vocabulário controlado ou da linguagem natural nesse contexpara as estratégias e a função d
Palavras-chave: Bases de dados; Estratégia de busca; Linguagem controlada; Linguagem natural.
Recuperação da informação; Artigo de revisão.
157
Artigo 33: Bibliotecas virtuais e digitais: análise de artigos de periódicos brasileiros
(1995/2000)
Autora: Maria Lourdes Blatt Ohira e Noêmia Schoffen Prado
Resumo: A evolução da temática biblioteca virtual e biblioteca digital como assunto de artigos de
periódicos brasileiros publicados de1995 a 2000 é o objetivo deste trabalho. Analisa 33 artigos
apresentando os aspectos metodológicos adotados para o planejamento e criação de bibliotecas
virtuais e digitais, o desenvolvimento de coleções diante dessa nova realidade, o impacto causado
nas unidades de informação e nos profissionais da informação, as estatísticas das bibliotecas na
a sobre bibliotecas virtuais e digitais.
valia a produção no período, a produtividade dos autores e tipo de autoria, número de referências
eletrônica, polimídia, digital e
os aspectos metodológicos visando à
Internet e programas institucionais, além da produção bibliográfic
A
bibliográficas por artigo, tipo de documentos e o idioma dos documentos citados. Aponta, como
resultados, que não há convergência sobre o conceito de biblioteca
virtual e, para a preocupação dos autores, centrados n
implantação de bibliotecas digitais e virtuais.
Palavras-chave: Biblioteca digital; Biblioteca virtual; Produção científica: Produção bibliográfica;
Periódicos.
Artigo 34: Experiência do Leaal/UFPE na produção e transferência de tecnologia
Autoras: Cecília Prysthon e Susana Schmidt
Resumo: O Laboratório de Experimentação e Análise de Alimentos (Leaal) do Departamento de
Nutrição do Centro de Ciências da Saúde da Universidade Federal de Pernambuco cria/desenvolve e
transfere tecnologia para o setor produtivo. Na sociedade industrial, transferência de tecnologia
implica comunicação de informação tecnológica relevante para a produção de bens e serviços. Além
das barreiras que interferem na comunicação final da informação, os mecanismos de visibilidade
muitas vezes não são adequados ao acesso nos sistemas tradicionais e/ou automatizados de
comunicação da informação tecnológica. Este trabalho trata de informação tecnológica, sua criação,
desenvolvimento de bens e serviços até sua transferência e incorporação pela sociedade. Apresenta
ações e mudanças necessárias ao laboratório para tornar visíveis e mais adequados os mecanismos
alavras-chave: Informação tecnológica; Transferência de informação; Transferência tecnológica..
a da Informação, v. 31, n. 2, maio/ago. 2002
de transferência tecnológica no âmbito da universidade e comunidade externa.
P
IIb) Ciênci
Disponível no endereço: http://www.ibict.br/cienciadainformacao/viewissue.php?id=13
Artigo 35: Uma introdução ao XML, sua utilização na Internet e alguns conceitos
complementares
Autor: Maurício Barcellos Almeida
Resumo: O HTML – Hypertext Markup Language – é uma linguagem demarcação, inicialmente
concebida como uma solução para a publicação de documentos científicos em meios eletrônicos,
queganhou popularidade e se tornou padrão para a Internet. Diversos tipos de aplicações, como
navegadores, editores,programas de e-mail, bancos de dados etc., tornam possível atualmente o uso
intensivo do HTML. Ao longo dos anos, recursos têm sido adicionados ao HTML para que ele possa
atender às expectativas de usuários e sistemas computadorizados, aumentando sua complexidade.
Estima-seque a versão 4.0 do HTML possua aproximadamente cem diferentes marcações fixas
(conhecidas como tags), sem contar aquelas específicas para cada tipo de navegador da Internet. É
comum se encontrarem páginas HTML que possuem mais marcações do que conteúdo. Uma
ossível solução para novas demandas nessa área é ap
(X
utilização do Extended Markup Language
ML), uma linguagem de marcação que pode introduzir novas possibilidades e trazer melhor
integração entre dados e usuários. Este artigo se propõe a abordar, de forma introdutória, o XML, sua
utilização na Internet, alguns conceitos complementares necessários ao entendimento do assunto em
apresentar vantagens no uso do XML, em relação ao HTML. Além disso, pretende apresentar o
assunto como um campo fértil para discussões, proposições e estudo por profissionais da ciência da
informação.
Palavras-chave: XML; HTML; Linguagens de marcação; Internet; Intranet.
Artigo 36: A Lei de Lotka na bibliometria brasileira
Autor: Rubén Urbizagástegui Alvarado
158
Resumo: Usando os dados reportados em artigos publicados em revistas brasileiras e trabalhos
apresentados em congressos nacionais, replicaram-se as aplicações da Lei de Lotka à literatura
probabilidade máxima. Das 10 literaturas nacionais analisadas, somente a literatura de
edicina, siderurgia, jaca e biblioteconomia ajustaram-se ao modelo do poder inverso generalizado
ão se ajustaram ao modelo quando se usou o método da máxima
literaturas, tentaram-se modelos diferentes. A literatura de veterinária
brasileira em 10 campos diferentes. Utilizou-se o modelo do poder inverso pelos métodos do mínimo
quadrado e
m
pelo método dos mínimos quadrados. No entanto, só duas literaturas (veterinária e cartas do Arquivo
Privado de Getúlio Vargas) n
probabilidade. Para ambas
ajustou-se à distribuição binomial negativa, e as cartas do Arquivo Privado de Getúlio Vargas
ajustaram-se melhor à distribuição Gauss-Poisson Inversa Generalizada.
Palavras-chave: Bibliometria; Lei de Lotka; Produtividade de autores; Brasil.
Artigo 37: Bases de dados de informação para negócios
Autora: Beatriz Valadares Cendón
Resumo: O conjunto de informações usadas por administradores para a tomada de decisão tem sido
chamado de informação para negócios” e inclui informações mercadológicas, financeiras, estatísticas,
jurídicas, sobre empresas e produtos e outras informações fatuais e analíticas sobre tendências nos
cenários político-social, econômico e financeiro nos quais operam organizações empresariais. Este
artigo categoriza e descreve algumas das principais bases de dados estrangeiras sobre informação
ara fins de discussão, as bases foram agrupadas em 10 categorias: (1) notícias em geral; (2)
ara investimento;
ações jurídicas e (10) informações estatísticas. Agrupadas dessa
para negócios, mostrando o universo de informações que elas disponibilizam em forma eletrônica.
P
informações sobre empresas e setores industriais; (3) diretórios de empresas; (4) informações sobre
produtos; (5) informações biográficas; (6) informações financeiras; (7) informações p
(8) pesquisas de mercado; (9) inform
forma para fins didáticos, na prática essas categorias se sobrepõem, e muitas bases de dados se
enquadram em mais de uma categoria desta classificação. O artigo revê também algumas das
principais empresas produtoras e distribuidoras de bases de dados sobre informação para negócios e
as tendências da indústria de informação eletrônica.
Palavras-chave: Informação para negócios; Bases de dados
Artigo 38: Biblioteca híbrida: um novo enfoque no suporte à educação a distância
Autores: Eliane Maria Stuart Garcez e Gregório J. Varvakis Rados
Resumo: Discute-se o papel das bibliotecas híbridas no contexto atual, em face das transições pelas
ão dos cursos no ensino a distância nas universidades, resultado do incremento da
tilização da tecnologia da informação e comunicação no ensino. Enfoca-se a importância da
bibliotecas híbridas para atender às
cia.
alavras-chave:
quais passam as bibliotecas convencionais, principalmente pelo surgimento da Internet e pela
intensificaç
u
flexibilização dos bens e serviços que devem ser oferecidos pelas
necessidades de uma diversidade de tipos de usuários existentes na educação a distân
Biblioteca híbrida; Tipos de usuários; Bens e serviços. P
Artigo 39: Estratégia de busca na recuperação da informação: revisão da literatura
Autora: Ilza Leite Lopes
Resumo: Os sistemas de recuperação de informação, também denominados de bancos de dados,
apresentam uma complexidade indiscutível no processo de armazenamento e busca da informação,
envolvendo uma série de aspectos que são interdependentes. Dentre estes, podem ser destacados
os seguintes fatores: a tecnologia eletrônica conduz os usuários ao acesso democrático à informação
ampliando a busca de informação em bases de dados geograficamente distantes; o alcance da
qualidade na informação recuperada requer o planejamento de estratégias de busca específicas para
cada base de dados. Esse artigo revisa a literatura publicada sobre estratégias de busca abordando
os tópicos relativos a seus conceitos, suas principais técnicas e etapas para sua operacionalização.
Palavras-chave: Estratégia de busca; Recuperação da informação; Técnicas de estratégia de busca;
Bases de dados; Artigo de revisão.
Artigo 40: A ciência e a gestão da informação: compatibilidades no espaço profissional
Autora: Patricia Zeni Marchiori
Resumo: Apresenta o contexto contemporâneo que embasa as atividades de profissionais da
informação, tendo em vista mercados de trabalhos com crescentes n
de informação cada vez mais co
íveis de exigência e a
mplexos e dinâmicos. necessidade de se solucionarem problemas
159
Define-se gestão da informação, assim como sua abrangência acadêmico operacional tendo como
os à gestão integral dos recursos de informação de indivíduos, grupos e organizações.
formação compartilha com demais profissões afins, os processos de
rtigo 41
base os pressupostos teóricos da área de ciência da informação, em especial o núcleo de conteúdos
relacionad
Ressaltase que a gestão da in
criação, seleção e avaliação, gerenciamento, divulgação, utilização, preservação e políticas de
direitos (privacidade, direitos autorais e outros) relacionados ao trinômio dado, informação e
conhecimento. São descritas habilidades e conhecimentos necessários ao desempenho profissional
do gestor, assim como as dificuldades inerentes à atuação no campo de atividades de informação.
Palavras-chave: Ciência da informação; Gestão da informação.
A : Produção das literaturas “branca” e “cinzenta” pelos docentes/doutores dos
Población e Daisy Pires Noronha
do 54,5% titulados na área da ciência da
9,8% referem-se a
ublicações de literatura branca, na qual os artigos de periódicos detêm o maior índice, com 37,8%
êm 29,8% do total da produção. Verificou-se o predomínio da autoria única (73,2%),
de humanidades. A produção
programas de pós-graduação em ciência da informação no Brasil
Autoras: Dinah Aguiar
Resumo: Estudo cienciométrico da produção científica de docentes/doutores de programas de pós-
graduação do Brasil. Objetivo: identificar o perfil dos docentes/doutores e as tendências das
literaturas “branca” e “cinzenta” produzidas segundo as linhas de pesquisa dos programas. Método:
dados coletados por meio de comunicação contínua e interativa com os docentes através da técnica
da “Conferência de Delfos” para identificar o perfil dos docente/doutor e caracterizar a respectiva
produção científica. Resultados: na análise dos 5 Programas em Ciência da Informação e na Área de
Concentração do Programa de Comunicação da ECA/USP foram identificadas 22 linhas de pesquisa
às quais estavam vinculados 66 docentes/doutores, sen
informação. Dos 1.108 documentos produzidos no período de 1990 a 1999, 5
p
da produção total. Da literatura cinzenta produzida (40,2%), destacam-se as comunicações em
eventos que det
confirmando as características dos trabalhos individuais da área
científica vinculada à linha de pesquisa influencia a formação de grupos de trabalhos e núcleos de
pesquisa.
Palavras-chave: Produção científica; Literatura branca; Literatura cinzenta; Ciência da informação.
Artigo 42: Informação para negócios: os novos agentes do conhecimento e a gestão do capital
intelectual
Autora: Yara Rezende
Resumo: A evolução das características e necessidades dos diferentes usuários de informação em
empresas vem determinando, ao longo do tempo, não apenas a criação de diversos tipos de
o perfil de
rmação acadêmica e de atuação dos profissionais da informação. Ao primeiro e tradicional modelo
, os centros de informação,
titiva e, atualmente, os programas de gestão
sistemas de informação para atendê-los, como também uma constante adaptação d
fo
de biblioteca técnica de empresa seguiramse os centros de documentação
as bibliotecas virtuais, os sistemas de inteligência compe
do conhecimento. O reconhecimento da importância estratégica da administração do conhecimento e
do capital intelectual das empresas configura-se como a mais recente fase de evolução na gestão da
informação. Os diferentes modelos de sistemas de informação para empresas já surgidos, apesar de
distintos, não se excluem e convivem, ainda que parcela significativa dos profissionais da informação
não venha acompanhando e se adaptando a essa evolução e esteja perdendo espaço de atuação
para profissionais de outras áreas.
Palavras-chave: Gestão do conhecimento; Capital intelectual; Informação para negócios; Sistemas
de informação para negócios; Agentes do conhecimento.
Artigo 43: Análise metodológica dos estudos de necessidades de informação sobre setores
industriais brasileiros: proposições
Autoras: Janete Fernandes Silva, Marta Araújo Tavares Ferreira e Mônica Erichsen Nassif Borges
ecessidade de
formação tecnológica detectados em empresas brasileiras do setor industrial. Propõe
uras pesquisas sobre necessidades
Discutiu-se o
Resumo: Este trabalho apresenta uma investigação sobre os diagnósticos de n
in
procedimentos metodológicos que permitam orientar as fut
informacionais ditadas pelos processos de aprendizagem e da inovação tecnológica.
nível de detalhamento, bem como o grau de abrangência e profundidade destes estudos. Os
escolhidos para compor a pesquisa destacaram os setores com potencial de crescimento nos
mercados internos e externos como possíveis participantes na geração do desenvolvimento
160
tecnológico e econômico. No entanto, existe uma insatisfação com estes estudos, especialmente pela
sua incapacidade em reconhecer as reais necessidades de informação e tecnologia.
Palavras-chave: Necessidade de informação tecnológica; Informação tecnológica; Setor industrial;
Inovação.
Artigo 44: Informação e competitividade: a contextualização da gestão do conhecimento nos
estudo
o.
alavras-chave: Gestão do conhecimento; Informação e competitividade; Processos organizacionais.
processos organizacionais
Autor: Sergio Luis da Silva
Resumo: No âmbito das organizações empresariais, este artigo se propõe a discutir a visualização
da gestão do conhecimento na organização em três níveis diferentes, mas fortemente inter-
relacionados: o estratégico, o tático e o operacional. O primeiro nível trata da ligação entre
competitividade da empresa e o trabalho com os conhecimentos para a criação de competências
organizacionais. O segundo nível destaca a importância de se considerar a gestão de conhecimentos
na organização como sendo parte relevante de seus processos de negócio e não somente de suas
áreas departamentais. E finalmente, em um terceiro nível, está o lado operacional da gestão do
conhecimento ligado à aprendizagem, aos formatos que o conhecimento assume e ao papel
desempenhado pela tecnologia da informação. Este artigo, baseado principalmente em um
diversificado de várias referências bibliográficas, procura trazer algumas contribuições iniciais para
esta discussã
P
Artigo 45: Da bibliometria à webometria: uma exploração conceitual dos
tilizados para medir o registro da informação e a difusão do conhecimento
mecanismos
ecimento científico: a bibliometria, a
u
Autora: Nadia Aurora Peres Vanti
Resumo: Este é um estudo comparativo de quatro subdisciplinas que permitem medir os fluxos da
, a comunicação acadêminformação ica e a difusão do conh
cienciometria, a informetria e a webometria. Mediante a leitura de renomados autores que têm
abordado estes temas, é realizada uma discussão teórico-conceitual e uma análise das semelhanças
e diferenças que unem e separam os quatro métodos quantitativos no que diz respeito ao seu
histórico, objeto de estudo, variáveis, técnicas, objetivos e campos de aplicação. Uma ênfase maior é
dada à caracterização da webometria, por se tratar de uma área emergente dentro da ciência da
informação, ainda pouco explorada no Brasil e com grandes potencialidades derivadas da expansão
mundial da Internet.
Palavras-chave: Bibliometria; Cienciometria; Informetria; Webometria; Métodos quantitativos de
avaliação
IIc) Ciência da Informação, v. 31, n. 3, set./dez. 2002
Disponível no endereço: http://www.ibict.br/cienciadainformacao/viewissue.php?id=12
Artigo 46: Métodos quantitativos de apoio à bibliometria: a pesquisa operacional pode ser uma
alternativa?
Paulo César Rodrigues BorgeAutor: s
ernativa para aplicar os métodos da
am no início do século XX, até hoje
Palavras-chave: bibliometria; Lei de Bradford; Pesquisa operacional; Caos;
Ciência da informação; Inferência bayesiana.
Resumo: O objetivo deste trabalho é apresentar uma forma alt
os bibliométricos que surgirPesquisa Operacional aos fenômen
muito polêmicos. Dentre as várias formulações no campo da bibliometria, a chamada “lei de Bradford”
foi o foco da investigação. Tentativas deste gênero podem ser uma saída para sistematizar conceitos
na bibliometria, confirmando ou descartando descrições e princípios oriundos de suas formulações
empíricas. Tendo por base uma linha de analogia entre fenômenos físicos da Teoria do Caos –
resolvidos pela Pesquisa Operacional (PO) – e casos de oferta e procura de periódicos, é possível
encontrar uma explicação para o comportamento anômalo da curva de Bradford em certas condições
críticas. Para aduzir alguma evidência empírica para este ensaio, dois casos práticos na área da PO
foram adaptados para a resolução de problemas bibliométricos típicos. Além disso, ao longo de todo
o texto, foram assinalados alguns pontos que parecem comuns entre a bibliometria e a Teoria do
Caos. Este ensaio, portanto, enseja uma nova questão: a PO poderá contribuir com a ciência da
informação, suprindo-a com modelos determinísticos e bayesianos para explicar os fenômenos
bibliométricos?
161
Artigo 47: Periódicos eletrônicos: considerações relativas à aceitação deste recurso pelos
artigo apresenta algumas reflexões sobre a aceitação de periódicos eletrônicos
isponibilizados na World Wide Web. Assuntos que freqüentemente são ignorados durante a
brasileiros na área da ciência da informação. Analisam-se também algumas barreiras
ais amplo e irrestrito deste recurso.
usuários
Autor: Guilherme Ataíde Dias
Resumo: Este
d
elaboração dos mesmos são discutidos. Citam-se como exemplo alguns periódicos científicos
eletrônicos
tecnológicas que impedem o uso m
Palavras-chave: Periódicos eletrônicos; Usabilidade; Novas tecnologias.
Artigo 48: Alguns aspectos do uso da informação na economia da informação
Autor: Max F. Cohen
Resumo: Se a sociedade encontra-se em uma economia da informação, como as empresas estão
usando a informação para competir no mercado? Este artigo busca a estruturação do referencial
teórico para a construção do modelo que permita medir o uso da informação por parte das
organizações. Com base nos levantamentos realizados, entende-se que as empresas usam a
informação em busca de seis estratégias genéricas: redução de custos, criação de valor, inovação,
redução do risco, virtualização e diferenciação de produto. Destacam-se, na economia da informação,
as firmas que conseguem criar a interação entre os atores econômicos, tirar proveito da
interconectividade e sincronizar as suas operações.
rtigo 49
Palavras-chave: Uso da informação; Economia da Informação; Modelo genérico.
A : Ferramentas alternativas para monitoramento e mapeamento automatizado do
tiz, Wilson Aires Ortiz e Sergio Luis da Silva
conhecimento
Autores: Lúcia Cunha Or
Resumo: A análise da informação é uma excelente estratégia para monitoramento, pesquisa e
desenvolvimento em todos os ramos
do conhecimento. O objetivo primordial deste trabalho foi consolidar um método alternativo
empregando ferramentas eletrônicas na realização do monitoramento automatizado da informação e
em sua análise bibliométrica. O trabalho foi desenvolvido tendo como suporte a base Web of Science,
do Institute for Scientific Information (ISI), e o uso de softwar como Word, Excel, Reference Manager
e Origin. A título de exemplo, aplicamos o método à área de desenvolvimento de produtos, obtendo
como resultados uma lista de descritores, a relação dos periódicos mais importantes da área, os
autores mais produtivos e uma indicação das parcerias mais freqüentes entre eles.
Palavras-chave: Monitoramento da informação; Biblioteconomia; Ciência da informação.
Artigo 50: A formação profissional no século XXI: desafios e dilemas
utoras: Edna Lúcia da Silva e Miriam Vieira da Cunha
uatros pilares básicos e essenciais, preconizados pela Unesco, a um novo
r, aprender a viver juntos, aprender a fazer e aprender a
ndera que a formação do
alterar percepções, maneiras de pensar e instaure a
ooperação e a sabedoria em detrimento do tecnicismo hoje privilegiado. Conclui que o papel mais
A
Resumo: Reflexão sobre a educação no século XXI com enfoque especial à educação dos
bibliotecários. Destaca os q
conceito de educação: aprender a conhece
ser. Apresenta as ponderações elaboradas por Morin , a pedido da Unesco, que poderão melhorar a
educação do futuro. Com base em tais fundamentos, discute o papel e a formação do bibliotecário no
século XXI. Declara que os dilemas dos educadores, nesses novos tempos, estão centrados em três
questionamentos: O que ensinar? Como ensinar? Para que ensinar? Po
bibliotecário deverá enfatizar sua função educativa e que a base deve ser polivalente alicerçada em
um conjunto de valores que possibilite
c
importante do bibliotecário no século XXI parece ainda ser o de
gerenciador da informação.
Palavras-chave: Educação dos bibliotecários; Profissional da informação.
Artigo 51: A acessibilidade à informação no espaço digital
Autores: Elisabeth Fátima Torres, Alberto Angel Mazzoni e João Bosco da Mota Alves
Resumo: O trabalho aborda aspectos referentes à acessibilidade no espaço digital. Uma ênfase
special é dada às situações relacionadas à interação das pessoas portadoras de deficiência com a
e
e
informação, em ambientes de bibliotecas. O texto propõe algumas adequações para a acessibilidad
162
ao espaço digital, conforme categorias de usuários, com o intuito de contribuir para um maior nível de
acessibilidade à informação, nesse espaço.
Palavras-chave: Acessibilidade; Espaço digital; Bibliotecas; Pessoas portadoras de deficiência;
Ajudas técnicas.
Artigo 52: Estudos de usuários: o padrão que une três abordagens
Autores: Isa Maria Freire, Bruno Macedo Nathanhson, Carla Tavares e Carmelita do Espírito Santo
Resumo: Trata-se de três projetos de pesquisa em andamento no Programa de Pósgraduação em
Ciência da Informação – PPGCI/IBICT/UFRJ. O primeiro visa a um estudo de usuários com base em
segundo aposta no papel da informação para a educação ambiental. Para
nto, objetiva demonstrar como oficinas de reciclagem artesanal de papel podem funcionar como
ital sobre informação cultural com base na estrutura do hipertexto. A
uma experiência de interatividade na rede Internet, tendo como objeto de estudo o informativo
www.clippirata.com.br. O
ta
agregados de informação para a produção do conhecimento. O último projeto tem como objetivo a
construção de um instrumento dig
responsabilidade social da ciência da informação é a base conceitual que une as três abordagens. O
fator comum aos três projetos é a participação dos usuários de informação no desenvolvimento de
cada um deles, um pressuposto básico da metodologia participante adotada nas pesquisas.
Palavras-chave: Estudos de usuários; Educação ambiental; Internet; Hipertexto; Pesquisa
participante.
IId) Ciência da Informação, v. 32, n. 1, jan./abr. 2003
Disponível no endereço: http://www.ibict.br/cienciadainformacao/viewissue.php?id=11
Artigo 53: Como incrementar a qualidade dos resultados das máquinas de busca: da análise
de logs à interação em português
Autoras:
Rachel Virgínia Xavier Aires e Sandra Maria Aluísio
Resumo: Com o intuito de avaliar a submissão de consultas em língua natural, especificamente em
português, a máquinas de busca na Web, e contrastar com as consultas por palavras-chave, realizou-
se um experimento com alunos, professores e funcionários de uma universidade brasileira.
Particularmente, analisaram-se as consultas para verificar se os usuários expressavam bem seus
objetivos em palavras-chave; como expressariam seus objetivos em língua natural, caso esta
possibilidade fosse oferecida; se as consultas em língua natural forneciam informações que
pudessem facilitar a recuperação de informação. O pedido de colaboração foi enviado a 440 pessoas
de um instituto de computação da universidade. Foram obtidas 63 consultas, correspondentes a 42
objetivos. Observou-se que, para o item a, na maioria dos casos (71,43%), as consultas por meio de
palavras-chave não trazem todas as informações declaradas importantes no objetivo; para o item b
as consultas foram feitas por meio de perguntas (71,87%), afirmações (18,75%) e ordens (9,37%); e,
para o item c todas as perguntas diretas deixavam claro o objetivo da consulta já com a primeira
palavra da frase, ou com as duas ou três primeiras, com exceção das iniciadas pela palavra "qual".
Palavras-chave: Análise de logs; Máquinas de busca; Recuperação de informação; Comportamento
de usuários; Estratégias de busca.
Artigo 54: Information literacy: princípios, filosofia e prática
Autora: Elisabeth Adriana Dudziak
Resumo: Surgida na literatura em 1974, a information literacy liga-se à necessidade de se exercer o
domínio sobre o sempre crescente universo informacional. Incorporando habilidades, conhecimentos
e valores relacionados à busca, acesso, avaliação, organização e difusão da informação e do
conhecimento. A information literacy é a própria essência da competência em informação. O objetivo
deste trabalho é definir a information literacy a partir do entendimento do conceito, objetivos e práticas
relacionadas, com ênfase no papel educacional das bibliotecas e do bibliotecário. Inicialmente,
apresenta-se a evolução do conceito segundo um referencial histórico. Examina-se a information
literacy enquanto processo de interiorização de conhecimentos, habilidades e valores ligados à
informação e ao aprendizado. Define-se a expressão, suas características e objetivos. Discutem-se
diferentes concepções de information literacy, segundo três referenciais: informação, conhecimento e
aprendizado. Em seguida, são elencados pontos relevantes de atuação de bibliotecas e bibliotecários
na implementação de uma educação voltada para a information literacy. Explorando a information
163
literacy education, evidencia-se a necessidade de construção de um novo paradigma educacional
ante a sociedade atual que incorpore a competência em informação.
tização informacional;
dizagem; Habilidades
informacionais.
Artigo
Palavras-chave: Information literacy; Competência em informação; Alfabe
Biblioteca aprendente; Bibliotecário educador; Sociedade de apren
55: Profissional da informação: perfil de habilidades demandadas pelo mercado de
o
Autora: Danielle Thiago Ferreira
Resumo: Doze empresas de consultoria em recrutamento e seleção de recursos humanos foram
estudadas para obter informações acerca da demanda atual do mercado de trabalho. Foram
levantadas e analisadas as literaturas sobre o mercado de trabalho, as qualificações profissionais
requeridas pelo mercado e as informações obtidas em depoimentos de empregadores. O estudo
trouxe quatro conclusões principais: (1) os profissionais devem desenvolver continuamente suas
habilidades técnicas típicas de ciência da informação, bem como suas atitudes comportamentais; (2)
as potencialidades desses profissionais nem sempre são reconhecidas pelo mercado de trabalho; (3
como conseqüência, não é comum encontrar profissionais da informação ocupando posiçõe
superiores como analistas ou gerentes; (4) as causas principais das deficiências são tanto a falta de
desenvolvimento dessas habilidades durante o período de formação, quanto a falta de
reconhecimento do perfil dos profissionais da informação pelo mercado e da auto-imagem por ele
mesmos.
Palavras-chave: Profissional da informação; Profissional da informação – habilidades; Perfil
atuação profissional; Mercado de trabalho.
trabalh
)
s
s
e
Artigo 56: O olhar da consciência possível sobre o campo científico
Autora: Isa Maria Freire
Resumo: O artigo descreve o exercício de tecer, no tear da ciência da informação, uma rede para
apreender e explicar um evento de comunicação da informação no campo científi
estudo, foi selecionado o artigo em que G. Wersig e U. Neveling propõem, em 19
co. Como objeto de
75, um fundamento
social para a ciência da informação. A pesquisa encontrou os indícios de que os autores
compartilhavam com outros cientistas uma visão socialista da ciência da informação, fundada na
importância da organização da informação científica e tecnológica e de sua comunicação no campo
científico. Contudo, os autores foram além da consciência real do seu grupo, ao antever a relevância
da informação para todos os grupos sociais na sociedade contemporânea. Nesse contexto, a
proposição de uma "responsabilidade social" é retomada como fundamento à práxis dos cientistas da
informação e como 'padrão que une' ciência e ética, no campo da ciência da informação.
Palavras-chave: Teoria da ciência da informação; Sociologia da informação; História da ciência da
informação; Comunicação científica; Responsabilidade social.
Artigo 57
: As relações entre ciência, Estado e sociedade: um domínio de visibilidade para as
questões da informação
Autora: Maria Nélida González de Gómez
Resumo: Se a origem da ciência da informação está marcada pelas alianças de pós-guerra entre
ciência, Estado, sociedade, a pesquisa em questões da informação recebe hoje as demandas de
articulação dos três principais eixos de integração e avaliação dos conhecimentos, no Brasil e na
América latina: o eixo paradigmático, o eixo corporativo e o eixo territorial.
Palavras-chave: Recuperação da informação; Inteligência científica; Integração dos conhecimentos;
Estado; Ciência; Sociedade; Informação.
Artigo 58
: Interfaces entre a ciência da informação e a ciência cognitiva
Autora: Gercina Ângela Borém Lima
Resumo: Estudo panorâmico sobre aspectos da ciência da informação (CI) e da ciência cognitiva
(CC), apontando recentes contribuições em quatro de suas possíveis interseções: categorização,
indexação, recuperação da informação (RI) e interação homem-computador.
Palavras-chave: Ciência da informação; Ciência cognitiva; Processamento da informação;
Categorização; Indexação; Recuperação da informação; Interação homem-computador.
Artigo 59
: A produção científica da Anped e da Intercom no GT da Educação e Comunicação
164
Autores: Solange Puntel Mostafa e Luis Fernando Máximo
Resumo: Analisa as literaturas publicadas no período 1994-2001 nos grupos de trabalho da
Socie Interdisciplinar para os Estudos da Comunicação (Intercom) e da Associação Nacional de
em Educação (Anped) no tema da comunicação educativa, em que foram analisadas
sentados. O
m a frente de
ores l ten
na produção científica. Os resultad m as críticas da
o na Intercom, enquanto na Anped o pós-es alismo parece ser a tendência dominante.
e: ica; lio ; Comunica ; Est de
Cientometria.
dade
Pesquisa
respectiv
amente 1.023 e 1.049 citações bibliográficas presentes nos trabalhos apre
objetivo da pesquisa foi perguntar quais autores nacionais e internacionais constitue
pesquisa (aut
epistemológicas
recepçã
mais influentes) nas duas iteraturas e, se
os apontam o hu
trutur
possível, visualizar
anismo e as teori
dências
Palavras-chav
citações;
Comunicação científ Bib metria ção e Educação udo
Artigo 60: Inteligê ternet: um processo otimizado por agentes inteligentes
Pe
enta a proposta de um processo de inteligência competitiva (IC) na Internet, utilizando
agentes inteligent monitora to ntes de info níveis na . O
processo foi aplica o-piloto no Núcle Estudos em stão e Te a
de Informação (IG e l d nta Catarina da, foi verificada a
aplicabilidade em caso. Po afirmar qu sos estudado
possível vislumbra iva d iliz do processo s tipos de
organizações. Os am om osta, a nece zação uso
da informação e d i a zaç autom o
processo por meio tes.
Palavras-chave: I etitiva; In et; oramento de informação; s
inteligentes.
ncia competitiva na In
Autora: Helena
Resumo: Apres
reira da Silva
es na tarefa de men de fo rmação dispo rede
do como projet o de Inovação, Ge cnologi
TI) da Universidade F
mais três estudos de
dera e Sa
de-se
. Em segui
e, pelos ca
s, foi
r a possibilidade efet e ut ação proposto em diferente
resultados ainda confirm
da
, c o prop ssidade de formali do
o processo de gestão
de agentes inteligen
p
nform ção nas organi ões, bem como a ação d
nteligência com tern Monit fontes de Agente
165
ANEXO B: Resultados das análises do corpus inicial
Neste an ntad ta inf rmações advindas da
aplicação prospectiva da metodologia, c vistas a sterior melhoria. ão
apresentados, p eiros cu orpus exposto no Anexo A,
as palavras-chave escolhidas pelos autores, os SNs mais freqüentes, com a
freqüência em que ocorrem (agrupados dentre os vários que diferem no
determinante) e a indicação de se estão
apresentadas, compar o, alavras-chave mais freqüentes e
suas respectivas quantidades. O esquema de cores adotado é o seguinte: Em azul
estão grifados o alavras- ve foram considerados extremamente
relevantes com res; em v e aqueles q e foram considera os
razoavelmente o
considerados m v es critores e, finalmente, em
preto, os que não foram considerados relevantes como descritores.
exo são aprese as belas com o
om po S
ara os seis prim do mentos do c
presentes no tesauro de CI. Ainda são
para fins de açã as p
s SNs e as p cha que
o descrito erm lho u d
relevantes como descritores; em laranja os que f ram
oderadamente rele ant como des
166
Artigo 1:
Transferência da Informação: análise para valoração de unidades de conhecimento
Palavras-chave
atribuídas pelo(s)
autor(es)
SNs mais freqüentes Qtd. SNs presentes
no Tesauro da
CI?
30 Palavras-chave
mais freqüentes
Qtd.
Transferência de
informação
o conhecimento (1a) 50 Não conhecimento(s) 202
Gestão do
conhecimento
[uma, a, as]
organização(ões) (1a)
(ções) 29 Sim informação 96
V
de co
alor de unidades
nhecimento
o repositório (1a) 24 Não valor(es) 75
o emissor (1a) 22 Não processo(s) 71
o receptor (1a) 21 Não elemento(s) 44
[a, as] informação(ões)
(1a)
13 Sim repositório 40
[o, os] usuários (1a) 11 Sim conjunto 39
[esse, o] processo (1a) 10 Não unidade(s) 37
[o, um] conjunto de almente
informações (2)
10 Parci emissor 36
[a] gestão do
conhecimento (2)
08 Não receptor 35
[o, outros] sistema(s)
(1a)
08 Parcialmente orga s) nização(çõe 35
a ferramenta (1a) 07 Não registr* 27
[o] conhecimento
explícito (1b)
06 Não contexto 25
[o] conhecimen
(1b)
to tácito ssão 06 Não transmi 25
o processo de
transmissão (2)
05 Não perdas 23
o tempo (1a) 05 Não esquema(s) 21
o valor do
conhecimento (2)
05 Não usuário(s) 21
as perdas (1a) 04 Não análise(s) 20
as pessoas (1a) 04 Não gestão 20
o contexto (1a) 04 Não dado(s) 18
o processo de
interação (2)
04 Não sistema(s) 17
os elementos (1a) 04 Não figura(s) 16
[esta, a] análise (1a) 03 Parcialmente tácito 16
a concorrência (1a) 03 Não tempo 16
a produção (1a) 03 Não forma 15
a tona (1a) 03 Não comunicação 14
o contexto do re
(2)
ceptor almente 03 Parci explícito 14
03 Não função 13 o saber (1a)
03 Não knowledge 13 o valor (1a)
os esquemas (1a) 03 Não utilização 13
os recursos
tecnológicos (1b)
03 Não
a definição das
imensões (2)
2 ão
d
0 N
a dimensão do
contexto da
02 Não
167
organização (3)
a mente humana (1b) 02 Não
a participação dos 02 Parcialmente
usuários (2)
a transformação de
dados (2)
02 Parcialmente
as redes informais (1b) 02 Não
cada unidade de
conhecimento (2)
almente 02 Parci
conhecimento 02 Não
procedural (1b)
o conhecimento
registrado (1b)
02 Parcialmente
o conjunto de dados (2) almente 02 Parci
o contexto da
organização (2)
02 Não
o contexto
o (1binterpretativ )
02 Não
o processo de
contextualização (2)
02 Não
o valor das
informações (2)
02 Não
o valor das perdas (2) 02 Não
o valor de uma unidade
de conhecimento
registrada (2)
02 Parcialmente
os principais po
perda (2)
ntos de 02 Não
outras unidades de
conhecimento (2)
almente 02 Parci
repositórios de
conhecimento (2)
02 Não
sua interação com o
repositório (2)
02 Não
transmissão entre
repositórios (1b)
02 Não
um agente humano
1b) (
02 Parcialmente
um sistema informático
b)
2 im*
(1
0 S
uma análise mais
rofunda (1b)
2 arcialmente
p
0 P
u
c
ma unidade de
onhecimento
gistrada (1b)
2 arcialmente
re
0 P
168
Artigo 2:
Popularização do Conhecimento Científico
Palavras-chave
atribuídas p
autor(es
elo(s)
)
SNs mais freqüentes Qtd. SNs presentes
no Tesauro da
CI?
30 Palavras-chave
mais freqüentes
Qtd.
Popularização da a ciência (1a) 15 Parcialmente científico(os,a,as) 48
Ciência
Comunicaçã
Científica
o ) a mídia (1a) 11 Não ciência(s 28
[os, alguns] cientistas
(1a)
13 Parcialmente cientistas 28
a sociedade (1a) zação 08 Não populari 20
o conhecimento
científico (1b)
almente cimento 08 Parci conhe 18
a informação (1a) 07 Sim pesquisa(s) 16
as indústrias (1a) 07 Não processo 15
a ciência da
informação (2)
06 Sim interesses 13
a notícia científica (1b) 05 Não sociedade 13
a popularização (1a) ação 05 Não comunic 12
a popularização da
ciência (2)
ão 05 Não distorç 12
a imprensa (1a) 04 Não indústrias 12
o processo (1a) 04 Não mídia 11
a dieta (1a) 03 Não câncer 10
o cigarro (1a) 03 Não notícia 10
ocesso de 03 Não risco 10 o pr
popularização (2)
03 Não informação 09 o risco (1a)
os adoçantes (1a) 03 Não estimativas 08
de ozônio (2) 02 Não fatos 08 a camada
a comunicação
científica (1b)
er 02 Parcialmente Hilgartn 08
a melhor estimativa
(1b)
02 Não dados 07
a sociedade leiga (1b) 02 Não intervalo 07
ativas aceitáveis 02 Não notícias 07 estim
(1b)
b)
02 Parcialmente resultados 07 linguagem
especializada (1
o meio ambiente (1b) 02 Não vezes 07
02 Não dieta 06 o processo de
Lievrouw (2)
o processo de
popularização do
to
conhecimento científico
(3)
02 Não financiamen 06
a popularização do
conhecimento científico
(2)
02 Não Nelkin 06
tabela 06
textos 06
169
Artigo 3:
Valor da Informação: um desafio permanente
Palavras-chave
SNs mais freqüentes Qtd. SNs
atribuídas pelo(s
autor(es)
)
presentes
30 Palavras-chave Qtd.
no Tesauro da
CI?
mais freqüentes
Informação a informação (1a) 31 Informação(ções) 67 Sim
Valor
Informacional
o indivíduo (1a) 09 Não memória(s) 34
Direito à
Informação
) a(s) memória(s) (1a) 06 Não social(ais 29
Memória Social a sociedade (1a) 08 Não direito 14
Estoque
Informacional
a memória coletiva
05 Não sociedade 14
(1b)
o passado (1a) 05 Não Informacional(is) 14
os relatos (1a) 05 Não conhecimento 12
a vida (1a) 04 Não condição 11
o direito à informação
(2)
04 Sim liberdade 11
a ditadura (1a) 03 Não processo(s) 11
03 Não depoimentos 09 a liberdade (1a)
a realidade (1a) 03 Não ditadura 09
a sobrevivência (1a) o 03 Não indivídu 09
os processos (1a) 03 Não valor 09
a justiça militar (1b) 02 Não acesso 08
a liberdade de
informação (2)
02 Não militar 08
02 Não passado 08 a recuperação da
informação (2)
dependência de
censura (2)
o(s) 02 Sim relat 08
o espaço social (1b) aulo* 02 Não São P 08
o valor da informação
(2)
02 Não ciência 07
os agentes envo
(1b)
lvidos almente o 02 Parci comunicaçã 07
função 07
Rio de Janeiro* 07
processos 07
sentido 07
tempo 07
vida 07
espaço 06
forma 06
poder 06
170
Artigo 4:
uto-arquivamento: a p a produção científicA uma opção inovador ara a
Palavras-chave
atribuídas
elo(s)
autor(es)
S tes . resentes
no Tesauro da
0 Palavras-chave
mais freqüentes
td.
p
Ns mais freqüen Qtd SNs p
CI?
3 Q
Arquivos-abertos o ientífico [os,a(s)] 5 autor (1a) 12 Sim c 3
Sistema de
ublicação
o res (1a) 09 Não acesso 28
P
s pa
Budape
A
st Open
ccess Initiative
o
(1
almente auto-arquivamento
auto-arquivamento
b)
08 Parci 16
Acesso Livre a 06 Não autor 15 OAI (1a)
Auto-
mento
a
pen
5
arquiva
BOAI (1a) 05 Não
o
1
a ublicação 5 Internet (1a) 05 Não p 1
o almente pesquisa(s) s pesquisadores (1a) 05 Parci 15
a
(1
rquivos 4 propriedade intelectual
b)
04 Não a 1
o (1b) 04 Sim disponível 12 s direitos autorais
th
cess
e refereed (1a) 04 Não
ac
11
re
(2
print
1 visão entre os pares
)
03 Não
e
1
o
fereed
1 acesso livre (1b) 03 Parcialmente
re
1
o artigo (1a) almente direitos 03 Parci 10
o formação 0 conteúdo (1a) 03 in 1
[os] arquivos abertos
(1b)
03 Parcialmente publicações 10
a Budapest Open
Access Initiative (3)
02 Não trabalhos 10
a coleta automática de
dados (2)
02 Parcialmente abertos 09
a iniciativa dos
arquivos abertos (2)
02 Parcialmente artigos 09
a legal matter (1b) 02 Não BOAI* 09
a literatura científica (1b) 02 Parcialmente
initiative
09
as barreiras impostas
(1b)
02 Não Internet 09
as novas tecnologias de
informação e
comunicação (2)
02 Não research 09
as publicações
eletrônicas (1b)
02 Parcialmente sistema 09
o mercado editorial (1b) 02 Parcialmente autorais 08
os resultados de
pesquisas (2)
02 Parcialmente divulgação 08
problemas relacionados
(1b)
02 Não OAI* 08
publicação científica (1b) 02 Sim pares 08
pesquisadores 08
artigo 07
revisão 07
171
Artigo 5:
Análise Contrastiva: memória da construção de uma metodologia para investigar a tradução
o cien to pú
de conheciment tífico em conhecimen blico
Palavras-chave
atribuídas pelo(s)
SNs mais freqüentes Qtd. SN
no Tesauro da
I?
ve
ma
td.
autor(es)
s presentes
30
C
Palavras-cha
is freqüentes
Q
Conhecimento
Científico
o
(2
2 ar con o processo de tradução
)
1 P cialmente heciment 49
Conhecimento
Privado
[a (1a) 12 ar nte aná, essa] análise P cialme lise 45
Conhecimento o
Escolar
conhecimento (1a) 10 ã tradN o ução 35
Democratização o SM (1a) 10 Não processo(s) 47
da Ciência
Comunicação
Científica
a
(1a)
10 im Info s) (s) informação(ões) S rmação(õe 31
[o to (1a) 09 ar nte estr, um] concei P cialme utura 17
a 08 ã con pesquisa (1a) N o strução 16
o
c )
07 im con
conhecimento
ientífico (1b
S ceito 15
a im pes literatura (1a) 06 S quisa 15
a 06 Sim termos 14 tradução (1a)
o 06 ã vers TE (1a) N o bais 14
a (1a) 04 Não partir 13 compreensão
a 04 ar cam escola (1a) P cialmente po 12
c
e
04 ã form
onhecimento
scolar (1b)
N o a 12
o 04 ã
New *
quadro de giz (2) N o
York
12
o campo
(2
04 ã SM trabalho de
)
N o 12
o 04 ar nte TAss registros (1a) P cialme 12
S ã cate A (1a) 04 N o gorias 11
a ã con área de biologia (2) 03 N o ceitos 11
a
in
03 ã dife sociedade da
formação (2)
N o rentes 11
c vento registrado
(1
03 Não elementos 11 ada e
b)
d
o
03 ã social ispersão de sementes
u animais (2)
N o 11
exploração inicial (1b) 02 Não científico 10
a
biólogos (2)
2 ã con comunidade de 0 N o ceitual 10
a
s
(3
02 ar doc
construção do
ignificado do conceito
)
P cialmente umentos 10
a
c
científico
02 ã reg tros 0
democratização do
onhecimento
(2)
N o is 1
a 02 ã tóp 0 prática de ensino (2) N o ico 1
a
(1
02 situação estudada
b)
Não literatura 09
a
(2)
02 ã tran crito 9
sociology of language
N o s 0
analysis of concept
02 Não unidades 09
172
learning (2)
(1b)
as categorias analíticas 02 Parcialmente
concept learning (1b) 02 Não
o conhecimento
comum (1b)
02 Não
o conhecimento público
(1b)
02 Não
entes
(2)
02 Não dispersão de sem
esquemas associativos 02 Não
(1b)
linguagens verbais e 02 Não
não verbais (1b)
o significado de
conceito (2)
o 02 Parcialmente
símbolos não-verbais
)
02
(1b
Não
the logic of teaching (2 02 ) Não
tradução de o
cimento
tífico (2)
02
conhe
cien
Parcialmente
um sistema de análise
(2)
02 Parcialmente
unidades conceituais 02
(1b)
Parcialmente
unpublished phd (1b) 02 Não
173
Artigo 6:
O Tesauro Eletrônico do Mundo do T drabalho: pro uto de um esforço interdisciplinar
Palavras-chave
SNs mais fre
atribuídas pelo(s)
autor(es)
q Q
.
chave mais
qüentes
.
üentes td SNs presentes
30 Palavras-
no Tesauro da
CI?
fre
Qtd
Tesauro Eletrônico [o, um] tesauro (1a) 1 rmos 48 7 Sim te
Mundo do Trabalho
a interface de consulta
0 tesauro 38
(2)
7 Parcialmente
Recuperação da
Informação
o banco (1a) 0 ação(ões) 36 7 Não Inform
Interface de Consulta o usuário (1a) 0 Interface(s) 34 7 Sim
Sistema
Informaç
rmo(s) (1a) 07 Sim 2 de
ão
o(s) te área(s) 9
Interdisciplinaridade o trabalho (1a) 06 Não dados 27
Interação Humano- o gerenciador (1 06 Não ciência
Computador (IHC)
a) (s) 20
a área (1a) 04 Não banco 17
a equipe (1a) 0 gerenciador* 4 Não 15
a informação (1a) 0 usuário(s) 15 4 Sim
a tela (1a) 0 14 4 Não consulta
o ge
de d
renciador de ban
os (3)
0 13 co
ad
4 Parcialmente diferentes
o Gerenciad
Tesauro (2
or do
)
0 13 4 Parcialmente recuperação
os dados (1a) 0 ema 12 4 Parcialmente sist
os documentos (1a) 0 balho 11 4 Sim tra
os procedimentos (1a 0 universidade 11 ) 4 Não
ação (1a) 03 Não nível 1a aplic 0
a lista (1a) Não procedimentos 10 03
a navegação (1a) 03 Não estudos 09
o conhecimento (1a) 03 Não gerenciamento* 09
o mundo do tr 0abalho (2) 3 Não tela 09
o Rio Grande d 0o Sul (1a) 3 Não base 08
o sistema (1a) 03 Parcialmente federal 08
um primeiro moment
(1b)
0 ferramenta 08 o 3 Não
a área de IHC (2) 0 tecnologia 08 2 Não
a área do trabalho (2) 0 Unitrabalho 08 2 Não
a Ciência da Computação 0 08
(2)
2 Parcialmente visualização
a Ciência da Informação
(2)
0 07 2 Sim documentos
a sua descendência
ecíficos (2)
0 specíficos 07 de
termos esp
2 Parcialmente e
as páginas HTML (1b 02 Não )
as palavras-chave (1 0 b) 2 Sim
o Centro de Informaç
(2)
0 ão 2 Sim
o gerenciamen
o (2)
to do 0
tesaur
2 Parcialmente
uro eletrônic ) Parc o tesa o (1b 02 ialmente
alteração do termo (2) Parcialmente 02
174
ANEXO C: Resultados das análises do corpus total
e e a
is da metodolo apresentados, para os 60 documentos do
Anexo A.
Neste anexo são apres ntadas tab
gia. o
las com informações advindas d s duas
aplicações fina Sã
corpus exposto no
Artigo 1: Transferência da Informação: análise par es de conhecimento a valoração de unidad
Descritores selecionados na
primeira logia
Valor de
Relev cia
atribuído
na
segunda logia
Valor de
Relev cia
atribuído
aplicação da metodo
ân
Descritores selecionados
aplicação da metodo
ân
conjunto de informações C unto de informações C conj
gestão do conhecimento A gestão do conhecimento A
processo de transmissão C processo de transmissão C
valor do conhecimento A valor do conhecimento A
processo de interação C processo de interação C
unidade de conhecimento B unidade de conhecimento B
conhecimento explícito A contexto do receptor C
conhecimento tácito A conhecimento explícito A
contexto do receptor C conhecimento tácito A
interação com o repositório B contexto da organização B
participação dos usuários C interação com o repositório C
repositórios de conhecimento s B participação dos usuário C
valor de uma unidade de
conhecimento registrada A
repositórios de conhecimento
A
Taxa de Relevância 0,60 Taxa de Relevância 0,58
Artigo 2: Popularização do Conhecimento Científico
Descritores selecionados na
logia
Valor de
ia
Descritores selecionados na
logia
Valor de
ia
primeira aplicação da metodo
Relevânc
atribuído
segunda aplicação da metodo
Relevânc
atribuído
popularização da ciência A popularização da ciência A
processo de popularização ização A processo de popular A
notícia científica C camada de ozônio D
mídia
B
popularização do conhecimento
científico
A
ciência da informação C processo de Lievrouw B
camada de ozônio D notícia científica C
popularização do conhecimento
científico
A
ciência da informação
C
processo processo
onhecimento científico
de Lievrouw
B
de popularização do
A
c
Taxa de Relevância 0,56 Taxa de Relevância 0,63
175
Artigo 3: O Valor da Informação: um desafio permanente
Descritores selecionados na
Valor de
Desc
primeira aplicação da metodologia
ia
ritores selecionados na
logia
Valor de
ia
Relevânc
atribuído
segunda aplicação da metodo
Relevânc
atribuído
direito à informação A direito à informação A
memória coletiva A dependência de censura B
dependência de censura ção B liberdade de informa A
liberdade de informação A valor da informação A
recuperação da informação C memória coletiva A
valor da informação A recuperação da informação C
agentes envolvidos C agentes envolvidos D
espaço social B espaço social C
Taxa de Relevância 0,69 vância 0,63 Taxa de Rele
Artigo 4: Auto-arquivamento: uma opção dora para a p inova rodução científica
Descritores selecionados na
primeira aplicação da metodologia
Relevância
Descritores selecionados na
segunda aplicação da metodologia
Relevância
Valor de
atribuído
Valor de
atribuído
auto-arquivamento A auto-arquivamento A
revisão entre os pares B revisão entre os pares B
Budapest Open Access Initiative A Budapest Open Access Initiative A
coleta automática de dados dados D coleta automática de D
iniciativa dos arquivos abertos rtos A iniciativa dos arquivos abe A
novas tecnologias de informação e s de informação e
comunicação C
novas tecnologia
comunicação C
resultados de pesquisas D D resultados de pesquisas
direitos autorais B direitos autorais B
Taxa de Relevância 0,53 0,53 Taxa de Relevância
Artigo 5: Anális
tradução de co
e Contrastiva: memória da constru ia para investigar a
fico em conhecim
ção de uma met
ento público
odolog
nhecimento cientí
Descritores selecionados na
metodologia
Valor de
Relev cia
atribuído
s na
metodologia
Valor de
Relev cia
atribuído
Descritores selecionado
ân
ân
segunda aplicação da
primeira aplicação da
processo processo de tradução C de tradução C
quadro de giz D ro de giz D quad
trabalho de campo D trabalho de campo D
conhecimento científico A área de biologia C
área de biologia C dispersão de sementes ou animais D
dispersão de sementes ou animais D comunidade de biólogos C
SM democratização do conhecimento
D científico A
comunidade de biólogos C dispersão de sementes D
prática de ensino
democratização do conhecimento
A
científico
C
prática de ensino onceito C significado de o c D
significado do conceito D sistema de análise D
sistema de análise C tradução de o conhecimento científico A
tradução entífico conhecim de o conhecimento ci A ento científico A
Taxa de Relevância 0,33 Taxa de Relevância 0,31
176
Artigo 6:
O Tesauro Eletrônico do Mundo do T rod nar rabalho: p uto de um esforço interdiscipli
Descritores selecionados na
metodologia
atribuído
dologia
atribuído
Valor de
Relevância
Valor de
Relevância
Descritores selecionados na
primeira aplicação da
segunda aplicação da meto
interface de consulta A interface de consulta A
Gerenciador do Tesauro A Gerenciador do Tesauro A
mundo do trabalho A mundo do trabalho A
tesauro A alteração do termo C
alteração do termo C área de IHC B
área de IHC B área do trabalho A
área do trabalho A Centro de Informação C
gerencia gerenciamento do tesauro A mento do tesauro A
Taxa de Relevância 0,84 Taxa de Relevância 0,75
Artigo 7: Inteligência Competi
tiva em Organizaçõe mento s: dado, informação e conheci
Descritores selecionados na
odologia
Relev cia
atribuído
na
todologia
Relev cia
atribuído
Valor de
Valor de
Descritores selecionados
ân
ân
segunda aplicação da me
primeira aplicação da met
inteligência competitiva A gestão da informação A
gestão do conhecimento ecimento A gestão do conh A
gestão da informação A tomada de decisão A
tomada de decisão A conhecimentos produzidos D
tecnologias da informação C proximidade do seu significado D
conhecimentos produzidos D inteligência competitiva A
proximidade do seu significado rmação D tecnologias da info C
fluxos informais de informação A fluxos informais de informação A
Taxa de Relevância 0,66 a de Relevância 0,66 Tax
Artigo 8: A conceituação de massa documental e o ciclo de tecnologia e o registro do
conheci
interação entre
mento
Descritores selecionados na
primeira aplicação da metodologia
Relevância
Descritores selecionados na
segunda aplicação da metod
Valor de
ologia
Valor de
Relevância
atribuído
atribuído
massa documental A massa documental A
Ciência da Informação A indústria da informação A
indústria da informação A necessidades de comunicação C
necessidades de comunicação C tipo de documento C
tipo de documento C Ciência da Informação A
documento C artigo científico C
artigo científico C conteúdos específicos C
conteúdos específicos C novo suporte D
Taxa de Relevância 0,53 0,50 Taxa de Relevância
177
Artigo 9: Informação e Universidade: os pecados informacionais e barreiras na comunicação da
decisão rsidinformação para a tomada de na unive ade
Descritores selecionados na
primeira aplicação da metodologia
atribuído
todologia
atribuído
Valor de
Relevância
Descritores selecionados na
segunda aplicação da me
Valor de
Relevância
tomada de decisão B tomada de decisão B
fluxo de informação A fluxo de informação A
mercado de trabalho B mercado de trabalho B
comunicação de a informação rmação A comunicação de a info A
cultura de a organização ação B cultura de a organiz B
Mandala da Informação Universitária o Universitária A Mandala da Informaçã A
tecnologia de a informação C tecnologia de a informação C
universidade C informação relevante D
informaç inteligêncão relevante B ia competitiva A
Taxa de Relevância 0,61 Taxa de Relevância 0,64
Artigo 10: Implicações da "no
metodológicos
va economia" para a ustes co e mensuração estatística: desaj nceituais
Descritores selecionados na
todologia
Relev cia
atribuído
na
logia
Relev cia
atribuído
primeira aplicação da me
Valor de
ân
Descritores selecionados
segunda aplicação da metodo
Valor de
ân
estatísticas oficiais A estatísticas oficiais A
sociedade da informação informação B sociedade da B
cadeia de valor C cadeia de valor C
interpretação da sociedade ociedade A interpretação da s A
representação das atividades
econômicas A econômicas A
representação das atividades
tecnologias de informação e
comunicação B
tecnologias de informação e
comunicação B
processo de produção B processo de produção B
valor agregado C valor agregado C
âmbito da representação das
atividades econômicas
A
âmbito da representação das
atividades econômicas
A
informação estatística C informação estatística C
Taxa de Relevância 0,65 Taxa de Relevância 0,65
Artigo 11: Por uma nova Ciência da Informação: ensino, pesquisa e formação
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
depósito C conceito de depósito B
conceito de depósito B ocultamento de informação A
ocultamento de informação A protocolos de comunicação A
protocolos de comunicação A informação pervasiva A
informação pervasiva A caixas-pretas C
caixas-pretas C cérebro humano D
cérebro humano D curso de Ciência da Informaçã A o
curso de Ciência da Informação A Ciência da Informação A
Taxa de Relevância 0,63 Taxa de Relevância 0,72
178
Artigo 12: Ensino e pesquisa em ciência da informação
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
ciência da informação A recuperação da informação A
recuperação da informação A acesso a informação A
acesso a informação A campo de conhecimento C
campo de conhecimento C desenvolvimento de coleções B
desenvolvimento de coleções B especialidade da biblioteconomia A
especialidade da biblioteconomia A necessidades de informação A
necessidades de informação A ciência da informação A
serviços de informação A serviços de informação A
Taxa de Relevância 0,84 Taxa de Relevância 0,84
Artigo 13: O Profissional da Informação: O Humano Multifacetado
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
egunda aplicação da metodologia
Valor de
Relevância
atribuído
s
tecnologias da informação C tecnologias da informação C
profissional da informação A profissional da informação A
campo da informação B campo da informação B
década de 70 D década de 70 D
disseminação da informação A disseminação da informação A
talento de seus profissionais C talento de seus profissionais C
produção do conhecimento B produção do conhecimento B
biblioteca C sociedade da informação B
sociedade da informação A capital intelectual A
capital intelectual dos mais antigos sistemas de
A
informação
C
dos mais antigos sistemas de
informação
C relações interpessoais C
Taxa de Relevância 0,55 Taxa de Relevância 0,50
Artigo 14: Funções Sociais e Oportunidades para Profissionais da Informação
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
gestão do conhecimento A alfabetização em informação A
sociedade da informação A gestão do conhecimento A
profissional da informação A uso de ferramentas inteligentes B
alfabetização em informação A profissional da informação A
uso de ferramentas inteligentes B sociedade da informação A
maio de 2000 D maio de 2000 D
utilização da informação bibliográfica C utilização da informação bibliográfica C
inteligência coletiva A tecnologias da informação B
Taxa de Relevância 0,72 Taxa de Relevância 0,66
179
Artigo 15: Relação Ensino-Pesquisa: em discussão a formação do Profissional da Informação
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
profissional da informação A profissional da informação A
educação superior B cursos de graduação B
cursos de graduação B cursos de pós-graduação B
cursos de pós-graduação B ensino de graduação B
ensino de graduação B informação no Brasil B
informação no Brasil B educação superior B
cursos de graduação B cursos de graduação B
produção do conhecimento B produção do conhecimento B
alunos C articulação entre ensino e pesquisa A
Taxa de Relevância 0,53 Taxa de Relevância 0,61
Artigo 16: Educação para a Informação: desafios contemporâneos para a Ciência da Informação
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
ciência da informação A sociedade da informação A
sociedade da informação A formação das novas gerações A
formação das novas gerações A ciência da informação A
PUC Minas A PUC Minas A
de bibliotecários B de bibliotecários B
demandas locais D demandas locais D
número de egressos do ensino médio B número de egressos do ensino médio B
terceiro grau B terceiro grau B
Taxa de Relevância 0,69 Taxa de Relevância 0,69
Artigo 17: Novas Tecnologias e Produção Científica: uma relação de causa e efeito ou uma relação
de muitos efeitos?
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
complexidade de armazenamento B complexidade de armazenamento B
dificuldade do controle bibliográfico A dificuldade do controle bibliográfico A
efemeridade das informações C efemeridade das informações C
evolução de Internet C evolução de Internet C
novas tecnologias versus produção
científica
A
novas tecnologias versus produção
científica
A
produção científica A processo de comunicação A
processo de comunicação A produção científica A
Rede D controle bibliográfico C
Internet C novas tecnologias C
controle bibliográfico C propriedade intelectual A
publicações eletrônicas A publicações eletrônicas A
Taxa de Relevância 0,59 Taxa de Relevância 0,68
180
Artigo 18: Enfoques sobre a relação Ciência, Tecnologia e Sociedade: Neutralidade e Determinismo
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
desenvolvimento da C&T A desenvolvimento da C&T A
meios de produção A divisão do trabalho A
relações de produção A meios de produção A
relações sociais de produção A política da C&T A
divisão do trabalho A processo de trabalho A
processo de trabalho A relações de produção A
política da C&T A relações sociais de produção A
determinismo tecnológico A desenvolvimento das forças produtivas A
forças produtivas A idéia da neutralidade C
não-neutralidade A luta de classes B
produção capitalista A tese forte da não-neutralidade B
tese forte C tese fraca da não-neutralidade B
desenvolvimento das forças
produtivas A
divisão capitalista do trabalho
A
tese forte da não-neutralidade B modo de produção capitalista A
tese fraca da não-neutralidade B relações de produção capitalistas A
Taxa de Relevância 0,88 Taxa de Relevância 0,85
Artigo 19: Inteligência Empresarial: uma avaliação de fontes de informação sobre o ambiente
organizacional externo
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
ambiente organizacional externo A fontes de informação A
ambiente externo A ambiente externo A
ambiente organizacional A ambiente organizacional A
fontes de informação A ambiente organizacional externo A
inteligência empresarial A inteligência empresarial A
monitoração ambiental A sistemas de informação C
sistemas de informação C monitoração ambiental A
meio eletrônico B ambiente externo das organizações A
presente estudo D
informações sobre o ambiente
organizacional externo
A
Taxa de Relevância 0,75 Taxa de Relevância 0,92
181
Artigo 20: Contribuição da Pós-graduação para a Ciência da Informação no Brasil: uma visão
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
áreas de concentração C áreas de concentração C
programas de pós-graduação A programas de pós-graduação A
Ciência da Informação A área em 2001 A
área em 2001 A construção do conhecimento C
construção do conhecimento C linhas de pesquisa B
linhas de pesquisa B programas de pós-graduação A
programas de pós-graduação A serviços de informação B
serviços de informação B circulação dos mesmos D
corpo discente C docente do NRD6 A
Sistema Nacional de Pós-Graduação A Sistema Nacional de Pós-Graduação A
Taxa de Relevância 0,68 Taxa de Relevância 0,65
Artigo 21: Os múltiplos aspectos e interfaces da leitura
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
ato de ler A ato de ler A
ato da leitura A ato da leitura A
temática da leitura A temática da leitura A
leitor B leitura da palavra A
leitura A leitura do mundo A
leitura da palavra A sociologia da leitura A
sociologia da leitura A várias áreas do conhecimento C
várias áreas do conhecimento C determinado conceito D
Taxa de Relevância 0,84 Taxa de Relevância 0,78
Artigo 22: A Informação e o Paradigma Holográfico: a Utopia de Vannevar Bush
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
nível do atual D nível do atual D
Ciência da Informação A condições de tempo real D
paradigma determinista A explosão de informações B
paradigma moderno A grandes volumes de informações B
hipertexto A informação no terreno virtual B
condições de tempo real D mecanismos de busca B
explosão de informações B método de análise D
grandes volumes de informações B
pontes entre as várias disciplinas
especializadas
C
informação no terreno virtual B possibilidade de relações D
mecanismos de busca B tecnologias de inteligência B
pontes entre as várias disciplinas
especializadas C trajetória do sistema D
possibilidade de relações D transição de paradigmas B
tecnologias de inteligência B Ciência da Informação A
transição de paradigmas B processo de comunicação C
Taxa de Relevância 0,52 Taxa de Relevância 0,32
182
Artigo 23: Informação, Memória e Espaço Prisional no Rio de Janeiro
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
Rio de Janeiro C espaço prisional A
espaço prisional A cidade do Rio de Janeiro B
cidade do Rio de Janeiro B final do século B
final do século B Rio de Janeiro C
cidade D imagens da clausura A
prisão A período de 1890 a 1930 C
imagens da clausura A suporte de informação D
suporte de informação C tal modelo D
Taxa de Relevância 0,56 Taxa de Relevância 0,44
Artigo 24: O Contrato Social da Pesquisa: em busca de uma nova tonomia
epistêmica e autonomia política
equação entre a au
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
área do conhecimento C área do conhecimento C
comunidades de pesquisa A comunidades de pesquisa A
grupos de pesquisa A grupos de pesquisa A
sistema de inovação B sistema de inovação B
forma de vida D forma de vida D
produção dos conhecimentos A produção dos conhecimentos A
princípio paradigmático D construção de indicadores B
pesquisadores B contrato social da pesquisa A
contrato social da pesquisa A desenvolvimento da atividade científica A
desenvolvimento da atividade
científica
A
movimentos dos conhecimentos B
movimentos dos conhecimentos B organização do conhecimento A
organização do conhecimento A produção de conhecimentos c os A ientífic
produção de conhecimentos
científicos
A
programas de pesquisa
B
sistema de ciência e tecnologia A sistema de ciência e tecnologia A
Taxa de Relevância 0,70 Taxa de Relevância 0,73
183
Artigo 25: A Ciência da Informação no CNPq - fomento à formação de recursos humanos e à
pesquisa entre 1994-2002
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
todas as áreas D cursos de pós-graduação B
Ciência da Informação A quantidade de bolsas C
área da Ciência da Informação A todas as áreas D
cursos de pós-graduação B ano de 2002 C
quantidade de bolsas C atuação do CNPq A
iniciação científica B formação de recursos humanos B
ano de 2002 C início de período D
atuação do CNPq A área da Ciência da Informação A
formação de recursos humanos B bolsas de produtividade C
início de período D iniciação científica B
Taxa de Relevância 0,50 Taxa de Relevância 0,43
Artigo 26: Políticas de Monitoramento da Informação por Compressão Semântica dos seus Estoques
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
Estoques de informação A Estoques de informação A
número de letras D número de letras D
texto de informação C texto de informação C
zonas de qualidade intensa C zonas de qualidade intensa C
coeficiente de relevância C coeficiente de relevância C
controle da informação B controle da informação B
estoque de informação A estoque de informação A
fluxos de informação A
interesse de uma comunidade
informacional
A
interesse de uma comunidade
informacional
A linguagem do pensamento
C
linguagem do pensamento C palavras de freqüência igual a um C
palavras de freqüência igual a um C sentido de ordenação lógica A
Taxa de Relevância 0,52 Taxa de Relevância 0,52
Artigo 27: Bolsas de Pesquisador do CNPq: informações sobre política de C&T a partir da base que
contém os dados cadastrais dos bolsistas
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
bolsas de pesquisador A bolsas de pesquisador A
área de Saúde B área de Saúde B
o ano de 1998 C o ano de 1998 C
apoio a a pesquisa A apoio a a pesquisa A
área de conhecimento A área de conhecimento A
mais de 100 bolsistas C mais de 100 bolsistas C
site do CNPq B site do CNPq B
agências de fomento A agências de fomento A
bolsas de produtividade A bolsas de produtividade A
alto nível D Resenha Estatística do CNPq A
Taxa de Relevância 0,65 Taxa de Relevância 0,75
184
Artigo 28: Arquitetura conceitual e resultados da integração de sistemas de informação e gestão da
ciência e tecnologia
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
sistema nacional de CT A sistema nacional de CT A
sistemas de informação B sistemas de informação B
Plataforma Lattes A Plataforma Lattes A
informação em CT A informação em CT A
sistemas de conhecimento B sistemas de conhecimento B
unidades de informação B unidades de informação B
bibliotecas digitais de teses e
dissertações A
bibliotecas digitais de teses e
dissertações A
sistemas de informação
governamentais
A
sistemas de informação
governamentais
A
Taxa de Relevância 0,81 Taxa de Relevância 0,81
Artigo 29: Políticas de Informação Governamental: a construção de Governo Eletrônico na
Administração Federal do Brasil
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
Governo Eletrônico A Governo Federal B
Governo Federal B Governo Eletrônico A
acesso à Internet A acesso à Internet A
cidadão às informações A cidadão a as informações A
implantação do Governo Eletrônico A implantação do Governo Eletrônico A
instrumento de governança e
governabilidade
A
instrumento de governança e
governabilidade
A
outubro de 2000 D outubro de 2000 D
prestação de serviços B prestação de serviços B
Taxa de Relevância 0,75 Taxa de Relevância 0,75
Artigo 30: Avaliação do acesso a periódicos eletrônicos na web pela análise do arquivo de log de
acesso
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
log de acesso
A
acesso a periódicos
B
acesso a periódicos
B
log de acesso
A
sessão de usuário
B
sessão de usuário
B
arquivos de log de acesso
A
arquivos de log de acesso
A
servidor web
B
servidor web
B
artigo de periódico
A
artigo de periódico
A
cache local do próprio browser
A
cache local do próprio browser
A
número de hits
B
número de hits
B
Taxa de Relevância 0,75 Taxa de Relevância 0,75
185
Artigo 31: Novos cenários políticos para a informação
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
política de informação A política de informação A
regime de informação A regime de informação A
relação entre política e informação A relação entre política e informação A
governança informacional A infra-estrutura de informação A
infra-estrutura de informação A uso da Internet C
uso da Internet C governança informacional A
políticas públicas A atos de governo B
década de 90 C década de 90 C
Estado A intervenção do Estado B
atos de governo B Política e Informação A
intervenção do Estado B rede de redes C
Política e Informação A serviços de Internet C
rede de redes C políticas públicas A
serviços de Internet C
Novos cenários políticos para a
informação A
Novos cenários políticos para a
informação
A constituição comunicacional C
Taxa de Relevância 0,73 Taxa de Relevância 0,68
Artigo 32: Uso das linguagens controlada e natural em bases de dados: revisão da literatura
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
estratégia de busca A estratégia de busca A
bases de dados C termos da LN B
recuperação da informação A bases de dados C
linguagem controlada A recuperação da informação A
vocabulário controlado A termos da LC A
linguagem natural A uso da LN A
termos da LN B processo de indexação A
termos da LC A linguagem controlada A
uso da LN A vocabulário controlado A
processo de indexação A o controle do vocabulário A
o controle do vocabulário A Uso das linguagens controlada A
Uso das linguagens controlada A linguagem natural A
Taxa de Relevância 0,90 Taxa de Relevância 0,90
186
Artigo 33: Bibliotecas virtuais e digitais: análise de artigos de periódicos brasileiros (1995/2000)
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
biblioteca do futuro A biblioteca do futuro A
biblioteca digital A desenvolvimento de coleções B
biblioteca eletrônica A Grupo de Trabalho D
biblioteca virtual A profissionais da informação B
Bibliotecas virtuais e digitais A tipos de documentos D
periódicos brasileiros B biblioteca digital A
realidade virtual A biblioteca eletrônica A
profissionais da informação B biblioteca virtual A
desenvolvimento de coleções B Bibliotecas virtuais e digitais A
Grupo de Trabalho D periódicos brasileiros B
tipos de documentos D realidade virtual A
análise de artigos de periódicos
brasileiros B artigos de periódicos C
artigos de periódicos C conceito de biblioteca virtual A
Taxa de Relevância 0,63 Taxa de Relevância 0,67
Artigo 34: Experiência do Leaal/UFPE na produção e transferência de tecnologia
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
transferência de tecnologia A Departamento de Nutrição B
Departamento de Nutrição B transferência de tecnologia A
informação tecnológica A produção de tecnologia A
setor produtivo C informação tecnológica A
produção de tecnologia A benefício da sociedade C
domínio tecnológico C
desenvolvimento de alimentos
funcionais C
Leaal A desenvolvimento de tecnologia C
benefício da sociedade C fortalecimento das capacidades D
desenvolvimento de alimentos
funcionais C institutos de pesquisa A
institutos de pesquisa A Laboratório de Experimentação D
referências teóricas sobre o assunto D referências teóricas sobre o assunto D
transferência da informação gerada B transferência da informação gerada B
Taxa de Relevância 0,58 Taxa de Relevância 0,48
Artigo 35: Uma introdução ao XML, sua utilização na Internet e alguns conceitos complementares
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
linguagens de marcação A linguagens de marcação A
utilização na Internet B utilização na Internet B
W3 Consortium C W3 Consortium C
dados semiestruturados C características do XML A
SGML B páginas da Internet A
XML A representação de dados C
características do XML A um modelo de dados D
páginas da Internet A uso na Internet B
Taxa de Relevância 0,69 Taxa de Relevância 0,56
187
Artigo 36: A Lei de Lotka na bibliometria brasileira
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
Lei de Lotka A Lei de Lotka A
método dos mínimos quadrados A método dos mínimos quadrados A
arquivo privado de Getúlio Vargas C arquivo privado de Getúlio Vargas C
modelo de Lotka A modelo de Lotka A
produtividade dos autores C produtividade dos autores C
Lei de Lotka na bibliometria brasileira A Lei de Lotka na bibliometria brasileira A
modelo do poder inverso generalizado A modelo do poder inverso generalizado A
valor de n C valor de n C
Taxa de Relevância 0,72 Taxa de Relevância 0,72
Artigo 37: Bases de dados de informação para negócios
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
bases de dados A dados de informação C
setores industriais C informação para negócios A
texto completo D acesso as bases A
dados de informação C bases de dados A
informação para negócios A número de empregados D
acesso as bases A setores industriais C
número de empregados D texto completo D
Bases de dados de informação A bolsas de valores C
empresas públicas C informações sobre produtos B
texto completo D nomes de executivos C
novos produtos D novos produtos D
bolsas de valores C Bases de dados de informação A
informações sobre produtos B empresas públicas C
nomes de executivos C texto completo D
Taxa de Relevância 0,41 Taxa de Relevância 0,41
Artigo 38: Biblioteca híbrida: um novo enfoque no suporte à educação a distância
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
Biblioteca híbrida A acesso a informação A
acesso a informação A novo enfoque no suporte C
novo enfoque no suporte C Biblioteca híbrida A
bibliotecas acadêmicas A processo de acesso a a informação A
processo de acesso à informação A processo de atendimento B
processo de atendimento B bibliotecas acadêmicas A
expectativas de seus usuários B expectativas de seus usuários B
home site das bibliotecas acadêmicas A
home site das bibliotecas acadêmicas
A
Taxa de Relevância 0,78 Taxa de Relevância 0,78
188
Artigo 39: Estratégia de busca na recuperação da informação: revisão da literatura
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
estratégias de busca A estratégias de busca A
processo de busca A processo de busca A
bases de dados B banco de dados B
recuperação da informação A bases de dados B
planejamento da estratégia de busca A recuperação da informação A
usuário final C programas de treinamento C
banco de dados B planejamento da estratégia de busca A
programas de treinamento C informação do usuário C
informação do usuário C sistema de recuperação A
sistema de recuperação A usuário final C
busca na recuperação da informação A bases de dados textuais A
linguagens controladas A resultados da busca A
intermediários C termos de busca A
Taxa de Relevância 0,69 Taxa de Relevância 0,71
Artigo 40: A ciência e a gestão da informação: compatibilidades no espaço profissional
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
gestão da informação A gestão da informação A
gestor da informação A gestor da informação A
ciência da informação A atividades de informação B
atividades de informação B agregação de valor D
serviços de informação A
compatibilidades no espaço
profissional
A
agregação de valor D serviços de informação A
compatibilidades no espaço
profissional
A
fontes de informação B
fontes de informação B gerenciamento da informação A
profissionais da informação A
necessidades de informação e de
níveis de agregação de valor
C
necessidades de informação e de
níveis de agregação de valor
B
profissionais da informação
A
Taxa de Relevância 0,75 Taxa de Relevância 0,73
189
Artigo 41: Produção das literaturas “branca” e “cinzenta” pelos docentes/doutores dos programas
de pós-graduação em ciência da informação no Brasil
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
linhas de pesquisa B linhas de pesquisa B
programas de pós-graduação A programas de pós-graduação A
literatura cinzenta A década de 90 C
ciência da informação A literatura cinzenta A
década de 90 C crescimento da ciência B
crescimento da ciência B dezembro de 1999 D
dezembro de 1999 D
literaturas branca e cinzenta pelos
docentes A
literaturas branca e cinzenta pelos
docentes
A produção dos docentes A
Taxa de Relevância 0,66 Taxa de Relevância 0,66
Artigo 42: Informação para negócios: os novos agentes do conhecimento e a gestão do capital
intelectual
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
capital intelectual A novos agentes do conhecimento A
novos agentes do conhecimento A Informação para negócios A
sistemas de informação B capital intelectual A
Informação para negócios A gestão do capital intelectual A
gestão do capital intelectual A sistemas de informação B
gestão da informação A agentes criativos da empresa A
gestão do conhecimento A capital intelectual da empresa A
agentes criativos da empresa A capital intelectual de uma empresa A
capital intelectual da empresa A gestão da informação A
capital intelectual de uma empresa A gestão do conhecimento A
Taxa de Relevância 0,95 Taxa de Relevância 0,95
190
Artigo 43: Análise metodológica dos estudos de necessidades de informação sobre setores
industriais brasileiros: proposições
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
necessidade de informação A processo de aprendizagem A
processo de aprendizagem A necessidade de informação A
inovação tecnológica B
informação sobre setores industriais
brasileiros
A
Núcleo Especializado C processo de inovação A
informação sobre setores industriais
brasileiros A uso da informação A
informação tecnológica A capacitação de recursos humanos B
processo de inovação A ambiente empresarial A
uso da informação A inovação tecnológica B
ambiente empresarial A Núcleo Especializado C
capacitação de recursos humanos B processo de inovação tecnológica A
sistemas de informação C sistemas de informação C
necessidades de informação sobre
setores industriais brasileiros A informação tecnológica A
setores industriais brasileiros A criação do conhecimento A
Taxa de Relevância 0,81 Taxa de Relevância 0,75
Artigo 44: Informação e competitividade: a contextualização da gestão do conhecimento nos
processos organizacionais
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
gestão do conhecimento A tecnologia da informação B
tecnologia da informação B gestão do conhecimento A
criação do conhecimento A criação do conhecimento A
conhecimento tácito A administração do conhecimento A
administração do conhecimento A
construção do conhecimento
organizacional
A
construção do conhecimento
organizacional A inovação de produtos B
inovação de produtos B melhor administração do conhecimento A
melhor administração do
conhecimento
A conhecimento tácito A
contextualização da gestão do
conhecimento A
contextualização da gestão do
conhecimento A
processos organizacionais B processos organizacionais B
conhecimentos tecnológicos C conhecimentos tecnológicos C
Taxa de Relevância 0,80 Taxa de Relevância 0,80
191
Artigo 45: Da bibliometria à webometria: uma exploração conceitual dos mecanismos utilizados para
medir o registro da informação e a difusão do conhecimento
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
motores de busca B motores de busca B
número de links B número de links B
registro da informação B registro da informação B
difusão do conhecimento A difusão do conhecimento A
recuperação de informação B desenvolvimento de políticas científicas C
desenvolvimento de políticas
científicas C impacto da Web C
impacto da Web C recuperação de informação B
mecanismos utilizados para medir o
registro da informação
A campo da webometria A
políticas científicas C fator de impacto A
cienciometria A fluxos da informação B
informetria A quantidade de resultados D
webometria A resultados de uma busca C
Taxa de Relevância 0,65 Taxa de Relevância 0,52
Artigo 46: Métodos quantitativos de apoio à bibliometria: a pesquisa operacional pode ser uma
alternativa?
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
lei de Bradford A lei de Bradford A
Teoria do Caos A Teoria do Caos A
formulação de Bradford A formulação de Bradford A
dispersão de artigos A dispersão de artigos A
ciência da informação A unidade de informação B
unidade de informação B campo da bibliometria A
caos D Ciência do Caos C
Po D decisão do problema D
campo da bibliometria
A
dependência sensível das condições
iniciais
C
Ciência do Caos C efeito do agrupamento D
dependência sensível das condições
iniciais C estabelecimento da função-objetivo C
efeito do agrupamento D estudantes do 1º D
estabelecimento da função-objetivo C estudantes do 2º grau D
estudantes do 1º D início do século D
estudantes do 2º grau D ciência da informação A
Taxa de Relevância 0,48 Taxa de Relevância 0,48
192
Artigo 47: Periódicos eletrônicos: considerações relativas à aceitação deste recurso pelos usuários
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
meio eletrônico B ferramentas de busca A
ferramentas de busca A meio eletrônico B
fontes de informações secundárias B fontes de informações secundárias B
tela do computador B tela do computador B
uso do hipertexto B uso do hipertexto B
Periódicos eletrônicos A endereço do periódico eletrônico A
hipertexto A ferramentas de indexação e busca A
ferramentas de indexação e busca A utilização do hipertexto A
Taxa de Relevância 0,75 Taxa de Relevância 0,75
Artigo 48: Alguns aspectos do uso da informação na economia da informação
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
economia da informação A economia da informação A
uso da informação A uso da informação A
redução de custo A redução de custo A
cadeia de valor A cadeia de valor A
clientes D cadeia de suprimentos A
cadeia de suprimentos A cadeia de valor virtual A
cadeia de valor virtual A comportamento das pessoas C
comportamento das pessoas C Diferenciação de produto A
Diferenciação de produto A fluxo de informação B
fluxo de informação B gestão da informação A
gestão da informação A diversas maneiras D
diversas maneiras D valor virtual C
Taxa de Relevância 0,73 Taxa de Relevância 0,75
Artigo 49: Ferramentas alternativas para monitoramento e mapeamento automatizado do
conhecimento
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
escritores selecionados na
a aplicação da metodologia
Valor de
Relevância
atribuído
D
segund
desenvolvimento de produto C desenvolvimento de produto C
freqüência das respostas C freqüência das respostas C
alternativas para monitoramento A alternativas para monitoramento A
formação de clusters B formação de clusters B
Mapa de Conhecimentos B Mapa de Conhecimentos B
descritores C
mapeamento automatizado do
conhecimento
A
número de descritores C resultados de buscas B
tratamento automatizado da
informação
A
tratamento automatizado da
informação
A
Taxa de Relevância 0,50 Taxa de Relevância 0,63
193
Artigo 50: A formação profissional no século XXI: desafios e dilemas Artigo 49: Ferramentas
alternativas para monitoramento e mapeamento automatizado do conhecimento
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
sociedade do conhecimento A educação do futuro A
educação do futuro A sociedade do conhecimento A
condição humana C educação dos bibliotecários A
educação dos bibliotecários A mundo do trabalho B
mundo do trabalho B condição humana C
bibliotecários A educação no século B
futuro C ética do gênero humano C
formação profissional no século A formação profissional no século A
Taxa de Relevância 0,75 Taxa de Relevância 0,69
Artigo 51: A acessibilidade à informação no espaço digital
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
espaço digital A limitações oriundas de deficiência A
equivalentes textuais D leitura de tela B
limitações oriundas de deficiência A equivalentes textuais D
leitura de tela B espaço digital A
acesso a informação A acessibilidade no espaço digital A
acessibilidade no espaço digital A acesso a informação A
pessoas portadoras de deficiência A pessoas portadoras de deficiência A
usuários com limitações A usuários com limitações A
ajudas técnicas C estrutura dos documentos C
espaço tridimensional B serviços de biblioteca B
Taxa de Relevância 0,73 Taxa de Relevância 0,73
Artigo 52: Estudos de usuários: o padrão que une três abordagens
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
Agregados De Informação A Agregados De Informação A
Carmelita do Espírito Santo C Carmelita do Espírito Santo C
produção do conhecimento B padrão que une três abordagens A
padrão que une três abordagens A produção do conhecimento B
transferência da informação A transferência da informação A
ciência da informação B ciência da informação B
hipertexto A hipertexto A
oficinas D oficinas D
Taxa de Relevância 0,66 Taxa de Relevância 0,66
194
Artigo 53: Como incrementar a qualidade dos resultados das máquinas de busca: da análise de logs
à interação em português
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
máquinas de busca A máquinas de busca A
sistemas de busca A sistemas de busca A
língua natural B consultas em língua natural A
consultas em língua natural A representação em língua natural B
representação em língua natural B língua natural B
tipo de conexão D tipo de conexão D
consultas B análise de logs A
Português D comportamento do usuário C
recuperação de informação A objetivos por meio de palavras-chave A
comportamento do usuário A reconhecimento sintático de padrão B
objetivos por meio de palavras-chave A recuperação de informação A
Taxa de Relevância 0,68 Taxa de Relevância 0,70
Artigo 54: Information literacy: princípios, filosofia e prática
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
tecnologia da informação C resolução de problemas D
resolução de problemas D tecnologia da informação C
programas educacionais C uso da informação B
uso da informação B programas educacionais C
acesso a informação A acesso a informação A
aprendizado ao longo da vida B aprendizado ao longo da vida B
implementação de programas
educacionais B
implementação de programas
educacionais B
profissional da informação B profissional da informação B
aprendizado D âmbito da biblioteca B
bibliotecário B bibliotecário como agente educacional A
bibliotecário como agente educacional A conjunto integrado de habilidades B
série de habilidades e conhecimentos B
série de habilidades e conhecimentos
C
Taxa de Relevância 0,46 Taxa de Relevância 0,48
Artigo 55: Profissional da informação: perfil de habilidades demandadas pelo mercado de trabalho
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
profissional da informação A profissional da informação A
gestão do conhecimento A gestão do conhecimento A
ciência da informação A perfil de habilidades A
área da ciência da informação A seleção de recursos humanos A
perfil de habilidades A mercado de trabalho A
recursos humanos B área da ciência da informação A
seleção de recursos humanos A
gestão da informação e do
conhecimento
A
mercado de trabalho A organizações do conhecimento A
Taxa de Relevância 0,94 Taxa de Relevância 1,00
195
Artigo 56: O olhar da consciência possível sobre o campo científico
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
campo da ciência da informação A cientistas da informação A
ciência da informação A campo científico B
campo científico B campo da ciência da informação A
cientistas da informação A artigo de Wersig e Neveling B
informação científica B evento de comunicação C
artigo de Wersig e Neveling B grupo de cientistas C
evento de comunicação C início dos anos 70 C
grupo de cientistas C problemas da informação C
início dos anos 70 C processo de comunicação C
problemas da informação C visões do mundo C
processo de comunicação C informação científica B
Taxa de Relevância 0,52 Taxa de Relevância 0,45
Artigo 57: As relações entre ciência, Estado e sociedade: um domínio de visibilidade para as
questões da informação
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
ciência da informação A ações de informação B
ações de informação B produção dos conhecimentos A
produção dos conhecimentos A transferência de informação A
transferência de informação A década de 60 C
década de 60 C programa de pesquisa C
conhecimentos científicos B regimes de informação B
programa de pesquisa C áreas do conhecimento C
regimes de informação B bases de dados referenciais D
comunicação científica A controle de qualidade D
inteligência científica A economia de Mercado B
década de 90 C prestação de contas D
Estado C produção de conhecimentos científicos A
bases de dados referenciais C questões da informação B
produção de conhecimentos
científicos
A Um regime de informação A
Taxa de Relevância 0,63 Taxa de Relevância 0,48
196
Artigo 58: Interfaces entre a ciência da informação e a ciência cognitiva
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
processamento da informação A processamento da informação A
processo cognitivo A processo cognitivo A
ciência cognitiva A ciência da computação A
recuperação da informação A recuperação da informação A
ciência da computação A ciência cognitiva A
inteligência artificial B ponto de vista cognitivo A
ponto de vista cognitivo A processo de indexação A
sistemas de informação C inteligência artificial B
processo de indexação A linguagem de indexação A
CC B organização da informação A
Ci B sistemas de informação C
computação C tecnologias da informação C
Taxa de Relevância 0,75 Taxa de Relevância 0,83
Artigo 59: A produção científica da Anped e da Intercom no GT da Educação e Comunicação
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
produção do conhecimento A produção do conhecimento A
Anped A área de comunicação e educação A
Intercom A arqueologia do saber A
área de comunicação e educação A autores da Intercom A
arqueologia do saber A GT da Educação B
autores da Intercom
A
inter-relação entre comunicação e
educação
A
inter-relação entre comunicação e
educação
A
literatura de congressos nacionais A
literatura de congressos nacionais A unidade de análise C
Taxa de Relevância 1,00 Taxa de Relevância 0,84
Artigo 60: Inteligência competitiva na Internet: um processo otimizado por agentes inteligentes
Descritores selecionados na
primeira aplicação da metodologia
Valor de
Relevância
atribuído
Descritores selecionados na
segunda aplicação da metodologia
Valor de
Relevância
atribuído
estratégia de atuação A estratégia de atuação A
processo de inteligência competitiva A Inteligência competitiva na Internet A
fontes de informação A processo de inteligência competitiva A
agentes inteligentes A fontes de informação A
Inteligência competitiva na Internet A informação na internet A
inteligência competitiva A gestão do conhecimento A
informação na internet A necessidades de informação A
gestão da informação A Programa de Pós-Graduação C
gestão do conhecimento A Situação a partir da abordagem D
informações externas A
Universidade Federal de Santa
Catarina
C
Taxa de Relevância 1,00 Taxa de Relevância 0,75
197
ANEXO D: Lista de sintagmas nominais descartados
Neste anexo são apresentados os SNs que foram preteridos em todas as
relações de descritores, por serem demasiado comuns e possuírem pouco poder
discriminatório. Só foram eliminados quando ocorriam em estruturas simples (D +
N), para qualquer determinante. Esta stoplist deve ser considerada apenas no
contexto deste trabalho, e relativa ao corpus analisado. Foram descartados os
seguintes SNs (apresentados sem os determinante):
Análise(s) Expressão(ões) Professor(a,es,as)
Autor(a,es,as) Ferramenta(s) Profissional(ais)
Ciência Figura(s) Receptor(a,es,as)
Cientista(s) Indivíduo(s) Rede(s)
Coleta de dados Indústria(s) Ser humano
Comunicação(ões) Mesmo(s) Si mesmo
Conceito(s) Organização(ões) Sistema(s)
Conhecimento(s) País(es) Sociedade
Curso(s) Palavra(s) Tabela(s)
Documento(s) Par(es) Trabalho(s)
Emissor(a,es,as) Processo(s) Usuário(a,os,as)
Empresa(s) Produção(ões) Valor agregado
Espaço(s) Produto(s) Vida(s)
A quantidade é bastante pequena porque reflete o corpus de apenas 60
documentos. Na medida em que mais e mais documentos forem analisados, a
tendência é que sejam criadas – para cada área do conhecimento – listas
específicas e extensas, que possibilitem que as representações dos documentos,
através dos descritores selecionados automaticamente, sejam cada vez mais
significativas.
198
ANEXO E: Indicações do corpus utilizado na comparação da extração
automática e manual
Neste anexo são apresentadas as indicações dos textos utilizados pelo
professor Dr. Hélio KURAMOTO em sua tese de doutorado (1999). Estes textos
foram utilizados no escopo deste trabalho para realizar uma comparação entre a
extração automática e a extração manual dos SNs.
Levando-se em conta que o anexo original compreende um grande número
de páginas, considerou-se desnecessário reproduzi-lo na íntegra. Em vez disto,
são apresentados os títulos dos artigos, um excerto do primeiro artigo na forma
com que é apresentado, e um excerto do conjunto global de sintagmas nominais
extraídos. Seguem os títulos dos artigos:
1. Conhecimento como recurso estratégico empresarial
2. Inteligência competititva e decisão empresarial
3. Economia da Informação
4. Informação como Insumo Estratégico
5. Informação Técnico-econômica: mais importante do que nunca
6. Perspectivas do Agente da Informação no Contexto Brasileiro
7. Sistemas de Informação: a evolução dos enfoques
8. Consultoria Informatológica em revisão: uma alternativa para serviços
de informação personalizados
9. Informação para a Indústria
10. Interação entre empresas com necessidades de informação
(=conhecimento) e a estrutura nacional de centros com provisão de
conhecimento acumulado: referência especial à estrutura nacional de
serviços de informação, documentação e de biblioteca
11. Uso da Informação na Indústria como Paradigma para o
Desenvolvimento Econômico
12. A Informação Eficaz na Empresa
13. Gerência da Informação: mudanças nos perfis profissionais
14. Informação: instrumento de dominação e de submissão
15. Informação: a chave para a qualidade total
E a seguir, são apresentados pequenos excertos do primeiro artigo, na forma
de tópicos, e um excerto do conjunto global de sintagmas nominais extraídos da
totalidade do conjunto.
199
Annexe A
Le Corpus d’articles
200
Article nº. 1
1. Conhecimento como recurso estratégico
empresarial
2. ANTECEDENTES
3. As organizações brasileiras defrontam-se
hoje
com rapidez e profundas transformações
(políticas, econômicas, sociais, tecnológicas)
dos ambientes nacional e internacional,
associadas a uma crescente competição no
mundo dos negócios e ao surgimento de uma
categoria de clientes conscientizados de seus
direitos a produtos e serviços de alta
qualidade.
4. No Primeiro Mundo, frente a idênticos
desafios, a resposta das organizações-líderes
tem sido um movimento de mudanças em
direção à melhor sintonia com o mercado e à
busca de excelencia, o que se levou à
valorização da informação e da tecnologia da
informação como parte de um elenco de
recursos estratégicos capazes de lhes
propiciar vantagem competitiva diante da
concorrência.
5. Tal movimento fez com que informação,
conhecimento e inteligência se incluíssem
atualmente entre os termos mais freqüentes
da literatura sobre gestão empresarial e que
delas se tenham ocupado autores como
Porter, Drucker, Toffler, Ohmae e Cronin,
considerando tais elementos como recursos
estratégicos e insumos para a gestão das
organizações em ambiente competitivo.
6. Falando especificamente de organizações
industriais, cujas atividades-fim demandam
constantes insumos de informação científica e
tecnológica (ICT), diferentes pesquisas
desenvolvidas e divulgadas por autores
diversos (Orpen, Goldhar, Koenig, Ginman),
a partir de Allen, estabelecem uma relação
direta entre produtividade, inovação e um
livre e vigoroso fluxo de informações intra e
interorganizacionais (in, out, up, down and
accross the organization).
7. CONCEITOS
8. Assim, entende-se hoje como um dos mais
nobres papéis do administrador aquele
relacionado à preservação e ao
desenvolvimento do saber específico de sua
organização em todos os seus setores e níveis
hierárquicos, seja esse saber codificado sob
forma, de dados, documentos, informações e
sistemas, ou personalizado sob forma de
knowhow do especialista dotado de
conhecimento teórico e experiência prática.
Esse saber é hoje reconhecido como um
valioso ativo empresarial que se busca
maximizar (mediante a educação formal,
treinamento e comunicação), registrar
(sob forma de sistemas
arquivos/bibliotecas/centros-de-informação, e
via tecnologia - DBMS/Data based
Management System, MIS/Management
Information System, EIS/Executive
Information System, KBS/Knowledge-based
System, KBDSS/Knowledge-based Decision
Supporting System) e integrar sob uma
GRI/gerência de recursos informacionais
(IRM/Information Resources Management,
função para cujo desempenho em ambiente
tecnológico a IBM ganhou a figura do Chief
Information Officer. (CIO).
9. Vistos isoladamente cada um desses
recursos, dados são considerados fragmentos
da realidade que, codificados/moldados para
a comunicação e o uso de cliente(s)
específico(s), convertem-se
em informação. Prosseguindo nessa
hierarquia qualitativa, conhecimento é
informação com valor agregado, produzida
com pretensão de validade universal,
assimilada pelo indivíduo ou pela
organização e integrada a seu saber
anterior. Por fim, inteligência é o conjunto de
estratégias utilizadas (pelo indivíduo, pela
empresa ou pelo país) para captar, avaliar,
combinar e utilizar eficazmente informações
em decisões e ações necessárias para sua
adaptação às mudanças ambientais, tendo em
vista o alcance de objetivos preestabelecidos;
quando se trata de um pais, denomina-se
"inteligência social", enquanto a expressão
"inteligência (continua...)
201
Annexe B
Le corpus de Syntagmes Nominaux
202
! "1% da producao cientifica mundial"
_
! "100 mil titulos"
_
! "100 mil titulos de publicacoes
tecnicocientificas"
! "15000 empresas de manufatura"
! "1914"
! "1947"
! "1950"
! "1951"
! "1960"
! "1975"
! "1987"
! "1988"
! "1990"
! "1991"
! "20 anos"
! "95% da literatura tecnico-cientifica mundial"
! "a embalagem da informacao"
! "a abordagem da qualidade total"
! "a abordagem de custos e eficacia de serviços
de informacao"
! "a abordagem de economia de rede"
! "a abordagem de logistica economica"
! "a abordagem do objeto informacao"
! "a abordagem estrategica"
! "a acao"
! "a acao do sistema"
! "a acao em desenvolvimento"
! "a acao empresarial"
! "a acao governamental"
! "a acao neguentropica do conjunto
instrumentos/piloto"
! "a aceitacao da informacao estrategica na
definicao do futuro da empresa"
! "a aceitacao generalizada da pratica de
consultoria informatologica"
! "a aceitacao generalizada do conceito de
consultoria informatologica"
! "a aceitacao generalizada do conceito e da
pratica de consultoria informatologica"
! "a acepcao mais ampla do conceito de ari"
! "a acumulacao de capital"
! "a acumulacao de informacao na area de
automacao"
! "a acumulacao de riquezas"
! "a adaptacao a nova realidade economica"
! "a adaptacao da empresa as mudancas
ambientais"
! "a adaptacao do individuo as mudancas
ambientais"
! "a adequacao de novas informacoes"
! "a adequacao dos produtos as necessidades
dos clientes"
! "a adequacao dos produtos ou servicos as
necessidades dos clientes"
! "a adequacao dos servicos as necessidades
dos clientes"
! "a adequacao entre direito do cidadao a
privacidade e a necessidade de tornar
eficientes os sistemas de informacao das
organizacoes e do estado"
! "a administracao"
! "a administracao da empresa"
! "a administracao da informacao como
recurso"
! "a administracao das empresas"
! "a administracao dos fatores de producao
classicos"
! "a administracao dos recursos de
informacao"
! "a administracao estrategica"
! "a administracao superior"
! "a adocao de estrategias"
! "a adocao de inovacoes tecnologicas"
! "a adocao do activity based cost"
! "a adocao do kanban"
! "a adocao generalizada do conceito de
consultoria informatologica"
! "a agregacao de valor"
! "a agregacao de valor na relacao da
organizacao com a sociedade"
! "a agregacao de valor nas atividades
economicas"
! "a agregacao e realizacao de valor"
! "a alta administracao"
! "a alta direcao"
! "a alta gerencia"
! "a america latina"
! "a analise"
! "a analise custo-beneficio"
! "a analise da eficacia"
! "a analise da expansao industrial brasileira"
! "a analise da informacao"
! "a analise da informacao de dados
prospectivos
baseados no conteudo e nos dados estatisticos
agregados ou indicadores"
! "a analise da informacao pelos meios
convenientes"
! "a analise das mudancas na sociedade"
! "a analise das mudancas no mundo"
(continua...)
Livros Grátis
( http://www.livrosgratis.com.br )
Milhares de Livros para Download:
Baixar livros de Administração
Baixar livros de Agronomia
Baixar livros de Arquitetura
Baixar livros de Artes
Baixar livros de Astronomia
Baixar livros de Biologia Geral
Baixar livros de Ciência da Computação
Baixar livros de Ciência da Informação
Baixar livros de Ciência Política
Baixar livros de Ciências da Saúde
Baixar livros de Comunicação
Baixar livros do Conselho Nacional de Educação - CNE
Baixar livros de Defesa civil
Baixar livros de Direito
Baixar livros de Direitos humanos
Baixar livros de Economia
Baixar livros de Economia Doméstica
Baixar livros de Educação
Baixar livros de Educação - Trânsito
Baixar livros de Educação Física
Baixar livros de Engenharia Aeroespacial
Baixar livros de Farmácia
Baixar livros de Filosofia
Baixar livros de Física
Baixar livros de Geociências
Baixar livros de Geografia
Baixar livros de História
Baixar livros de Línguas
Baixar livros de Literatura
Baixar livros de Literatura de Cordel
Baixar livros de Literatura Infantil
Baixar livros de Matemática
Baixar livros de Medicina
Baixar livros de Medicina Veterinária
Baixar livros de Meio Ambiente
Baixar livros de Meteorologia
Baixar Monografias e TCC
Baixar livros Multidisciplinar
Baixar livros de Música
Baixar livros de Psicologia
Baixar livros de Química
Baixar livros de Saúde Coletiva
Baixar livros de Serviço Social
Baixar livros de Sociologia
Baixar livros de Teologia
Baixar livros de Trabalho
Baixar livros de Turismo
