Construção e descrição da lista dourada

Primeiras morfolimpíadas, uma iniciativa de avaliação conjunta para o português, organizada pela Linguateca

Metodologia

Para a obtenção do conjunto de resposta "certas" a que convencionámos chamar "lista dourada", resolvemos seguir um processo ligeiramente diferente do do ensaio -- o qual foi muito moroso e complicado de uniformizar --, e que pensamos ser uma melhoria em relação a este.
  1. Em primeiro lugar, não considerámos desde o início a parte da classificação das palavras gramaticais que são apenas identificadas por GRAM.
  2. Em segundo lugar, tentámos (como descrito no formato de codificação das análises) associar alguma informação adicional que nos pareceu pertinente.
  3. Em terceiro lugar, diminuímos o trabalho dos participantes, passando a sua contribuição a ser opcional; contratámos linguistas para rever os resultados, e tomámos um conjunto de decisões que documentámos (opções na construção da lista dourada).
  4. Finalmente, considerámos que fazer o processo em várias etapas era não só preferível por razões práticas, como também se mostrava útil para explorar melhor o material com que os sistemas trabalharam.

Um dos objectivos destas modificações no processo foi ter um maior número de resultados revistos, o que não impede que, iterativamente, e mesmo com um horizonte temporal posterior às próprias Morfolimpíadas, se possa ir obtendo classificações até ao limite de ter todas as unidades analisadas.

Construção da lista dourada

Por comodidade de exposição, chamamos a todos os elementos revistos "lista dourada", o que não quer dizer que não faça sentido considerá-los separadamente.

Primeira fase

Recolha de sugestões e sua revisão pela comissão científica, como previsto na descrição da avaliação.

Como resultado, obtivemos 380 formas revistas por quatro a seis pessoas diferentes (e sempre revistas pelo Paulo, Luís Costa e Diana), que foram enviadas aos participantes e à comissão científica a 19 de Maio de 2003.

Com essas formas obtiveram-se os textos distribuídos aos participantes.

Segunda fase

A partir dos textos finais, fez-se uma selecção subjectiva da organização sobre um outro conjunto de palavras adicional, entre as 17 128 diferentes para que poderíamos olhar. Essa selecção foi apenas baseada nas próprias formas e não no resultado dos sistemas, e conduziu a mais 131 formas, que foram analisadas, revistas e enviadas aos participantes e à comissão científica a 6 de Junho de 2003.

Obteve-se, além disso, também um conjunto de casos específicos para escrutínio (que não foi, contudo levado em conta para avaliação na própria comparação, por falta de tempo)

Terceira fase

Auxiliados por um programa que analisa as saídas dos sistemas e escolhe formas em que há mais discordância, o usuário, escolhemos mais 144 formas, que foram analisadas, revistas e enviadas aos participantes e à comissão científica a 17 de Junho de 2003.

Algoritmo do usurário (gerador de listas prateadas)

O algoritmo baseia-se em dois pressupostos na escolha das formas para a lista prateada : procura palavras onde exista maior divergência entre os sistemas e procura ter exemplos com diferentes características ex: se já escolheu a forma "amabilíssimo", não vai escolhar as formas "belíssimo" ou "tristíssimo" que têm exactamente as mesmas características morfológicas.

Adicionalmente procura-se ter alguma aleatoriedade na escolha das formas : embora se comece pelas palavras com maior divergência nas análises, este não é o único critério para uma palavra entrar na lista prateada. Para cada palavra candidata é feito um "sorteio" que determina se a palavra entra ou não na lista prateada.

Para medir a divergência entre as análises de uma determinada forma pelos diferentes sistemas temos uma função que "conta" divergências. Para tal compara o conjunto da análises da forma por um sistema com os conjuntos de análises da forma por todos os outros sistemas um a um. O resultado da função de divergência "global" é o resultado da soma das funções de divergência entre os sistemas um a um.

A função de cálculo de divergência entre dois sistemas, conta o número de análises da forma por um sistema que não são contempladas pelo outro sistema e vice versa. Para determinar se uma análise de um sistema está contemplada noutro sistema, usamos uma função de comparação que verifica a equivalência de todos os campos dos ficheiros de saída, exceptuando o campo "outros" que por definição é utilizado para colocar informação específica de cada um dos sistemas.

Fases posteriores

Dada a saída dos sistemas, pretendemos criar, além disso (ainda não foi efectuado):

Estas listas foram obtidas, mas não houve tempo para criar o seu correspondente "dourado" de forma a poderem ser usadas na própria ordenação dos sistemas.

Descrição da lista dourada

Aqui pretendemos mostrar informação quantitativa pormenorizada das várias "peças" contidas na lista dourada. A própria lista dourada encontra-se aqui completa, e separada nas três fases (fase 1, fase 2 e fase 3).

A lista dourada em termos do seu conteúdo

SistemaDourada Total%Dourada1%Dourada2%Dourada3%
Unidades identificadas 655 100.00% 380 100.00% 131 100.00% 144 100.00%
Unidades classificadas como erro (X) 19 2.90% 15 3.95% 3 2.29% 1 0.69%
Lexicais 652 99.54% 379 99.74% 131 100.00% 142 98.61%
Lexicais sem hífen 622 94.96% 351 92.37% 129 98.47% 142 98.61%
Lexicais com hífen 30 4.58% 28 7.37% 2 1.53% 0 0.00%
Numéricas 2 0.31% 0 0.00% 0 0.00% 2 1.39%
Lexicais com pontuação 1 0.15% 1 0.26% 0 0.00% 0 0.00%
Unidades lexicais simples 655 100.00% 380 100.00% 131 100.00% 144 100.00%
Siglas 5 0.76% 3 0.79% 2 1.53% 0 0.00%
Formas com análise SUB 409 62.44% 249 65.53% 89 67.94% 71 49.31%
Formas com análise V 297 45.34% 168 44.21% 52 39.69% 77 53.47%
Formas com análise V+CL 16 2.44% 15 3.95% 1 0.76% 0 0.00%
Formas com análise ADJ 257 39.24% 142 37.37% 57 43.51% 58 40.28%
Formas com análise ADV 27 4.12% 20 5.26% 2 1.53% 5 3.47%
Formas com análise NUM 11 1.68% 5 1.32% 1 0.76% 5 3.47%
Formas com análise PROP 44 6.72% 18 4.74% 14 10.69% 12 8.33%
Formas com análise INTERJ 16 2.44% 10 2.63% 2 1.53% 4 2.78%
Formas com análise GRAM 24 3.66% 18 4.74% 3 2.29% 3 2.08%
Formas com análises derivadas 81 12.37% 36 9.47% 9 6.87% 36 25.00%
Formas com análises de contracção 6 0.92% 4 1.05% 2 1.53% 0 0.00%
Formas com análises da variante lus 24 3.66% 12 3.16% 1 0.76% 11 7.64%
Formas com análises da variante bras 60 9.16% 39 10.26% 8 6.11% 13 9.03%
Formas com análises raras 76 11.60% 50 13.16% 9 6.87% 17 11.81%
Formas com uma análise 210 32.06% 123 32.37% 45 34.35% 42 29.17%
Formas com duas análises 236 36.03% 139 36.58% 49 37.40% 48 33.33%
Formas com três análises 96 14.66% 55 14.47% 20 15.27% 21 14.58%
Formas com quatro análises 80 12.21% 40 10.53% 15 11.45% 25 17.36%
Formas com mais de quatro análises 33 5.04% 23 6.05% 2 1.53% 8 5.56%
Formas com ambiguidade SUB/ADJ 155 23.66% 95 25.00% 26 19.85% 34 23.61%
Formas com ambiguidade SUB/ADV 10 1.53% 7 1.84% 1 0.76% 2 1.39%
Formas com ambiguidade SUB/V 144 21.98% 93 24.47% 23 17.56% 28 19.44%
Formas com ambiguidade SUB/SUB 75 11.45% 52 13.68% 9 6.87% 14 9.72%
Formas com ambiguidade V/V 157 23.97% 88 23.16% 23 17.56% 46 31.94%
Formas com ambiguidade V/ADJ 92 14.05% 60 15.79% 14 10.69% 18 12.50%
Formas com ambiguidade ADJ/ADJ 45 6.87% 20 5.26% 9 6.87% 16 11.11%
Formas com ambiguidade ADV/ADV 9 1.37% 6 1.58% 1 0.76% 2 1.39%
Formas com ambiguidade ADJ/ADV 9 1.37% 8 2.11% 0 0.00% 1 0.69%
Formas com ambiguidade GRAM/outro 21 3.21% 16 4.21% 2 1.53% 3 2.08%
Análises como V 509 34.46% 272 31.89% 79 28.83% 158 45.14%
Análises como V+CL 22 1.49% 21 2.46% 1 0.36% 0 0.00%
Análises como SUB 487 32.97% 301 35.29% 100 36.50% 86 24.57%
Análises como ADJ 302 20.45% 162 18.99% 66 24.09% 74 21.14%
Análises como ADV 36 2.44% 26 3.05% 3 1.09% 7 2.00%
Análises como GRAM 25 1.69% 19 2.23% 3 1.09% 3 0.86%
Análises como INTERJ 16 1.08% 10 1.17% 2 0.73% 4 1.14%
Análises como PROP 45 3.05% 19 2.23% 14 5.11% 12 3.43%
Análises como NUM 12 0.81% 6 0.70% 1 0.36% 5 1.43%
Análises da variante lus 43 2.91% 25 2.93% 1 0.36% 17 4.86%
Análises da variante bras 92 6.23% 56 6.57% 12 4.38% 24 6.86%
Análises raras 108 7.31% 70 8.21% 13 4.74% 25 7.14%

Legenda da tabela

Unidades identificadas:
o conjunto total de unidades considerado por cada sistema (incluindo desconhecidas...)
Lexicais:
Unidades contendo apenas letras, eventualmente com hífen
Lexicais com hífen:
Subconjunto dos lexicais, tendo obrigatoriamente um ou mais hífenes
Numéricas:
Unidades contendo apenas algarismos
Numéricas com pontuação:
Unidades contendo obrigatoriamente algarismos e sinais de pontuação (e nada mais)
Lexicais com pontuação:
unidades contendo obrigatoriamente tanto letras como sinais de pontuação (e nada mais)
Lexicais com números:
unidades contendo obrigatoriamente tanto letras como dígitos (e nada mais)
Unidades lexicais simples:
sem espaços no meio
Formas com análise X:
formas que tenham sido classificadas (uma das suas análises) como tendo a PoS X
Formas com ambiguidade X/Y:
formas que tenham sido classificadas com pelo menos as duas análises X e Y

A lista dourada em termos da frequência dos seus elementos nos textos usados

A primeira figura fornece uma caracterização das formas da lista dourada em termos do número de textos em que ocorrem. Pelo menos (por definição) ocorrem num dos textos; juntámos para efeitos de visualização as formas que ocorrem em mais de 40 textos diferentes. Mais pormenorizadamente, apresentamos também a descrição da frequência de cada elemento da lista dourada, por ordem alfabética das formas, e por ordem de frequência absoluta das ocorrências das formas.

A figura seguinte caracteriza agora os textos em termos de número exacto de formas da lista dourada que incluem.

Finalmente os mesmos dados são apresentados de forma acumulada na figura seguinte, que representa o número de textos com pelo menos X elementos da lista dourada.

Última alteração: 12 de Março de 2009.
Perguntas, comentários e sugestões