Questão de Programação — Python — FGV 2024

spaCy: reconhecimento de entidades nomeadas (NER)

Gabarito: letra A. O trecho de código utiliza o modelo pt_core_news_sm da biblioteca spaCy para realizar o reconhecimento de entidades nomeadas (NER) em um texto. A string impressa é (Tribunal de Justiça do Estado de Roraima, Boa Vista), pois o modelo identifica "Tribunal de Justiça do Estado de Roraima" como uma única entidade do tipo ORG (organização) e "Boa Vista" como uma entidade do tipo GPE (localização geopolítica). As demais alternativas fragmentam incorretamente a entidade organizacional.

O reconhecimento de entidades nomeadas (NER) é uma tarefa fundamental do Processamento de Linguagem Natural (PLN) que consiste em identificar e classificar automaticamente trechos de texto que correspondem a entidades como pessoas, organizações, locais, datas, valores, entre outras. A biblioteca spaCy é uma das ferramentas mais populares para essa tarefa, oferecendo modelos pré-treinados para diversos idiomas, incluindo o português, através do módulo pt_core_news_sm.

O modelo pt_core_news_sm é um modelo estatístico treinado em um corpus de textos em português. Ele é capaz de realizar diversas tarefas de PLN, como a análise morfossintática (POS tagging), a análise de dependências (dependency parsing) e, crucialmente para esta questão, o reconhecimento de entidades nomeadas. Quando o modelo processa um texto, ele retorna um objeto Doc que contém os tokens e as entidades identificadas. Cada entidade é representada por um objeto Span que possui um atributo label_ indicando o tipo da entidade (por exemplo, ORG para organização, GPE para localização geopolítica, PERSON para pessoa, etc.).

No trecho de código da questão, o texto processado é "Tribunal de Justiça do Estado de Roraima, Boa Vista". O modelo pt_core_news_sm identifica as seguintes entidades:

• "Tribunal de Justiça do Estado de Roraima" como uma entidade do tipo ORG (organização). O modelo reconhece que essa sequência de palavras forma um nome próprio de uma instituição, e por isso a agrupa como uma única entidade.

• "Boa Vista" como uma entidade do tipo GPE (geopolitical entity), que se refere a uma localização geográfica, como uma cidade, estado ou país.

A saída do código, que imprime a tupla (entidade.label_, entidade.text), será portanto (ORG, 'Tribunal de Justiça do Estado de Roraima') e (GPE, 'Boa Vista'). A string impressa no prompt, conforme o código, é a representação dessa tupla, resultando em (Tribunal de Justiça do Estado de Roraima, Boa Vista).

A pegadinha desta questão está na fragmentação da entidade organizacional. O candidato pode ser tentado a separar "Tribunal de Justiça" de "do Estado de Roraima", ou ainda a classificar "Roraima" como uma entidade separada. No entanto, o modelo spaCy, treinado com dados do português, reconhece a expressão completa como uma única organização. É importante entender que o NER não se baseia em regras gramaticais simples, mas em padrões estatísticos aprendidos durante o treinamento do modelo.

Alternativa A — ✅ Correta ⟵ GABARITO

Esta alternativa está correta porque reflete exatamente a saída do modelo spaCy. O modelo identifica "Tribunal de Justiça do Estado de Roraima" como uma única entidade do tipo ORG e "Boa Vista" como uma entidade do tipo GPE. A tupla impressa é (ORG, 'Tribunal de Justiça do Estado de Roraima') e (GPE, 'Boa Vista'), que formatada como string resulta em (Tribunal de Justiça do Estado de Roraima, Boa Vista). A alternativa apresenta a sequência correta de entidades, sem fragmentar a organização.

Alternativa B — ❌ Incorreta

Esta alternativa fragmenta a entidade organizacional, separando "Tribunal de Justiça" de "Estado de Roraima". O modelo spaCy, no entanto, reconhece a expressão completa "Tribunal de Justiça do Estado de Roraima" como uma única entidade do tipo ORG. A separação em duas entidades distintas não corresponde ao comportamento do modelo treinado.

Alternativa C — ❌ Incorreta

Esta alternativa fragmenta ainda mais o texto, separando "Estado" de "Roraima" e adicionando "capital" como uma entidade. O modelo não identifica "Estado" como uma entidade separada, nem "capital" como uma entidade nomeada. A saída correta agrupa "Tribunal de Justiça do Estado de Roraima" como uma única entidade ORG e "Boa Vista" como GPE, sem incluir "capital".

Alternativa D — ❌ Incorreta

Esta alternativa também fragmenta a entidade organizacional e adiciona "capital do estado" como uma entidade. O modelo não produz essa segmentação. A saída correta é a agrupação de "Tribunal de Justiça do Estado de Roraima" como ORG e "Boa Vista" como GPE, sem a inclusão de "capital do estado".

Alternativa E — ❌ Incorreta

Esta alternativa fragmenta o texto em várias entidades separadas: "Tribunal de Justiça", "Estado", "Roraima", "Boa Vista", "capital", "estado". O modelo spaCy não realiza essa segmentação. Ele reconhece "Tribunal de Justiça do Estado de Roraima" como uma única entidade ORG e "Boa Vista" como GPE. A alternativa apresenta uma segmentação incorreta e inclui termos que não são entidades nomeadas.

Gabarito: letra A