O documento discute a análise de assunto de documentos para recuperação de informação. Apresenta os conceitos de vocabulário controlado, análise conceitual, termos de indexação e relações entre termos. Também aborda a automação da análise de assunto e como os computadores podem auxiliar no processo de indexação e recuperação de informação.
1. Universidade Federal de São Carlos (UFSCar)
Departamento de Ciência da Informação (DCI)
Biblioteconomia e Ciência da Informação (CBCI)
Análise de Assunto
• Ana Tereza de Pádua
• Andréa Cristina Dornelles Italiano
• Daniel André Rigo Guirra
• Josimeire Moura da Silva
• Rodrigo Rafael Mendonça dos Santos
• Walison Aparecido de Oliveira
Análise Documentária
2. Introdução 2
Análise de assunto é a operação-base para todo
procedimento de recuperação de informações.
É feita em dois momentos:
• Quando recebem o documento;
• Ao receberem um pedido de informação;
Maior problema da indexação: Descrever o
conteúdo dos documentos.
3. Recuperação da informação: Processo de entrada e saída 3
Análise Conceitual
Vocabulário Documentos Análise de
Controlado Assunto Documentos
Tradução da Análise Perfil dos Documentos
Documentos Conceitual em Termos (Termos de Indexação)
de Indexação
PEDIDOS DE DOCUMENTOS Arquivo de
Armazenagem Busca Perfis
DO ARQUIVO Doc. X Pedido
Tradução da Análise Perfis dos Pedidos
Vocabulário
Conceitual em Termos (Estratégia de
Controlado
de Indexação Busca)
Análise Análise de BUSCA
Pedidos
Conceitual Conteúdo
Fonte: LANCASTER, F.W. Vocabulary control for information retrieval. Washington, Information Resources
Press, 1972. 233p. (ADAPTADO)
4. Estabelecendo um assunto 4
Primeira etapa – compreensão do texto como um topo
• título
• introdução e subtítulos dos capítulos e parágrafos
• ilustrações, tabelas, diagramas
• conclusões
• palavras ou grupos de palavras graficamente diferenciadas
Segunda etapa – identificação de conceitos
• procedimento lógico
• categorias fundamentais
(objetos, materiais, processos, equipamentos)
Terceira etapa - seleção de conceitos
• objetivos do sistema
• necessidades do usuário
5. 5
Antony Charles Foskett (1973) – “Abordagem temática da informação”
Especificidade
“extensão em que o sistema nos permite ser
precisos ao especificar um documento que
estejamos processando”
Exaustividade
“resultado de uma decisão administrativa, sendo
extensão com que analisamos um determinado
documento, a fim de estabelecer exatamente qual
o conteúdo temático que temos de especificar”
6. 6
No que isso interfere?!
Sistema de Busca e Recuperação de
Informação
7. Revocação e Precisão 7
• Revocação
• mede a proporção de documentos relevantes recuperados
• Precisão
• mede quantos documentos relevantes foram recuperados
8. 8
Curva de Recall x Precision (CARDOSO, O.N.P. Recuperação de Informação.
Universidade Federal de Lavras. Lavras-MG, 20-?)
20. 20
O vocabulário compõe-se
de unidades isoladas;
A sintaxe estabelece
o modo pelo qual essas
unidades serão combinadas
para a efetiva comunicação do
pensamento.
21. 21
Importante!!!
Impõe limitações ao número de termos
fixados para representar o conteúdo
estabelecidos pelas relações entre os
termos.
Sua existência não deve influenciar a
análise.
22. 22
Conceitos não representados na
linguagem usada, o indexador
deverá usar descritores mais
genéricos ou dependendo do
sistema a admissão de novos
termos é aceito.
23. 23
Controle de qualidade da indexação está ligada
a dois elementos básicos:
Ao desempenho do indexador;
À qualidade dos instrumentos de indexação.
24. 24
A consistência da indexação!!
Deve ser regular considerando:
o fator tempo, um alto grau de
imparcialidade, uma submissão às
diretrizes da indexação adotadas pelo
sistema.
25. 25
Suas dificuldades
Grupo grande;
Trabalho em diferentes locais;
Elementos de subjetividade interfiram.
26. 26
Para Lancaster:
•O vocabulário controlado é indispensável;
•Operam de maneira eficiente pela experiência em sistemas
automatizados;
•O elemento humano de alto nível é muito mais necessário na
etapa de pesquisa do que no momento de indexação;
•É indiscutível o controle de qualidade para lucrar muito
através do estabelecimento de contato mais efetivo entre
indexador e o usuário, qualidade da linguagem adotada e um
fator importante, qualidade de atualização dessas linguagens
em resposta a novos desenvolvimentos na terminologia,
necessidades dos usuários e do próprio sistema.
27. 27
A linguagem controlada pode
exercer duas funções:
Prescritiva – estabelece limites rígidos para a
representação dos conceitos, facilita a escolha
dos termos;
Sugestiva – mais flexível, indica as melhores
formas de representação, sem impô-las ao
indexador.
28. 28
O sistema que permite a interação
usuário
indexador
sistemas
tem demonstrado ser mais eficiente
do que aqueles onde ela não existe.
29. 29
Análise de coleções e documentos
• Os primeiros estudos visando a classificação
de documentos, dividiam-nas do geral para o
específico. É o caso das tradicionais
classificações bibliográficas, também
chamadas de hierárquicas, que criavam
cadeias de termos seguindo o princípio da
hierarquia;
• RANGANATHAN propôs a “Colon
Classification” – uma classificação geral que
divide o conhecimento humano com base nas
categorias fundamentais (Personalidade,
Matéria, Energia, Espaço, Tempo – PMEST);
30. 30
Lancaster, apresenta quatro abordagens
para se gerar um vocabulário controlado:
1. Gerar um vocabulário empiricamente com base
na indexação de um conjunto representativo de
documentos;
2. Modificar um vocabulário já existente;
3. Extrair o vocabulário de um outro já existente;
4. Reunir termos de diferentes fontes: especialista
na área, dicionários, glossários, índices, etc.
31. 31
A construção de Thesaurus of Engininnering and
Scientific Terms (TEST) obedeceu a alguns
critérios na seleção dos termos:
• Aceitabilidade do termo em dicionários, enciclopédias,
etc;
• Utilidade do termo em comunicações, em índices e em
sistemas de recuperação de informação;
• O número de fontes que usam esse termo;
• A pertinência desse termo com outros já selecionados.
32. 32
Quando nos baseamos apenas nas
opiniões de especialistas temos as
desvantagens abaixo:
– Eles podem não estar familiarizados com a
leitura, e mais importante, com as
necessidades dos usuários potenciais do
sistema;
– Eles podem tomar decisões que não são
úteis tendo em vista o objetivo de recuperar
informações;
– Podem dar mais importância a sua própria
especialidade, causando desequilíbrio no
sistema como um todo.
33. 33
• Vocabulário controlado: Instrumento prático,
devendo ser capaz de representar conceitos
que realmente ocorrem na literatura do
assunto;
• Um vocabulário desenvolvido empiricamente a
partir da indexação da literatura da área, tem
grande garantia literária, enquanto que um
vocabulário desenvolvido por especialistas
pode não ter nenhuma.
34. 34
A análise de documentos é um processo
que ajuda a:
• Determinar as principais categorias de termos
para uma área;
• Optar pelo melhor termo para representar um
conceito;
• Estabelecer quais relações úteis entre os
termos, tendo em vista a recuperação das
informações;
• Estabelecer hierarquias necessárias.
35. 35
Para o indexador , o conhecimento das
relações entre termos e categorias é de
extrema importância para se estabelecer
representações adequadas para assuntos
compostos e complexos.
36. 36
Normalmente existem três relações entre os termos:
1- Relação de equivalência ou relações
preferenciais:
Alguns conceitos podem ser representados por mais
de um termo, que são semelhantes ou de
significação quase idêntica. Nesse caso deve-se
escolher o termo mais conhecido ou o menos
ambíguo.
Ex: revista e periódico
Genética e hereditariedade
Curvatura ou flexão
37. 37
2-Relações hierárquicas: expressam ideias de subordinação entre
termos.
-relação gênero - espécie:
ex: processamento técnico
Registro
Catalogação
Classificação
Indexação
-relação parte/todo: nesse caso dá-se preferência aos assuntos
mais específicos.
EX: árvore
Raiz
Tronco
Galhos
Folhas
38. 38
3-Relações associativas ou de coordenação: conceitos
ligados, cuja ideia de um faz lembrar a ideia do outro.
Elas só devem ser mantidas na indexação quando
facilitam realmente a recuperação da informação.
Ex:
Genética: pais e filhos
Causa efeito: ensino e aprendizagem
Instrumental: escrita e lápis
Material: papel e livro
Similaridade de processo: catalogação e classificação
39. 39
Ao criar uma linguagem de indexação, deve-se
estabelecer uma ordem de prioridade entre os
diversos conceitos.
Essa ordem é determinada a partir da
importância que esse conceitos têm para os
usuários.
40. 40
Vários autores criam regras básicas tentando estabelecer a
ordem de citação dos assuntos complexos.
Ex: -assunto antes da forma bibliográfica: Física-
dicionário.
- assunto antes do lugar (com a preposição em): “A
educação no Brasil”= Educação- Brasil
- Assunto depois do lugar (com a preposição de): Rios do
Brasil = Brasil-Rios
- Concreto, depois o processo: Tratamento de metais =
Metais-tratamento.
- Todo-parte: índices de revista = Revistas - índices
42. 42
• A primeira idéia de usar computadores no
processamento lógico da análise de assunto de
documentos foi proposta por LUHN em 1957.
• O sistema utilizado foi o KWIC (keyword and
context), um sistema pré- coordenado, sua
vantagem era a velocidade do processamento de
entrada de documentos.
• Indicava o uso de títulos dos documentos como
“matéria prima” para a representação de assunto.
(SISTEMA PRÉ-COORDENADO: Combinação feita na
etapa de entrada, na indexação)
43. 43
• Um grande número de serviços de informações
publicaram bibliografias indexadas pelo
sistema KWIC : Bioresearch Index, Biological
Abstracts, Chemical Abstracts, etc.
• Com o aperfeiçoamento e o aumento da
capacidade dos equipamentos de
processamentos de dados, o tipo de lógica
empregado no sistema KWIC mostrou estar
aquém da real capacidade dos computadores.
44. 44
• Desenvolveram-se então sistemas usando um maior
grau de lógica, baseando-se:
– Na estatística das palavras do texto;
– Na determinação de pesos para termos, de acordo
com sua importância no assunto;
– Na frequência com que determinadas palavras
ocorrem juntas nas frases ou parágrafos.
• Estas pesquisas foram desenvolvidas na década de 60,
mas como alguns problemas não conseguiram ser
superados, na década de 70 foram poucos os
pesquisadores que se dedicaram ao assunto.
45. 45
• Outra corrente que tem estudado a possibilidade de
aplicação dos computadores à analise de texto é
baseada na teoria da gramática transformacional de
CHOMSKY e HARRIS.
• O modelo transformacional acredita que existe um
conjunto finito de sentenças-padrão (Kernel
Sentences) para as quais todo conjunto infinito de
sentenças em linguagem natural poderia ser
transformado.
46. 46
• Todas as línguas tem uma estrutura superficial
e uma estrutura profunda.
– Esta última é relativa ao modo como as idéias são
formadas na mente humana e portanto seria
universal, enquanto que a estrutura superficial
pode variar de acordo com as línguas.
– Ao colocarmos todo o texto nos termos de sua
estrutura profunda estaremos realmente analisando
este texto, chegando às sentenças-padrão.
47. 47
• Experiências realizadas por Harris na
Universidade de Pensilvânia chegaram a
conjuntos de sentenças-padrão de
documentos, que muito se assemelhavam
aos resumos dos textos feitos com
intenção de disseminação de informação.
48. 48
• Alguns autores como Anderson & Perez-Carballo
(2001) em seu trabalho sobre a natureza da
indexação, colocam que para a busca de informações,
textos ou documentos em um sistema de informação,
é necessário que os termos estejam descritos e
indexados. A descrição requer alguns tipos de
análise,dos quais dois são destacados pelos autores: a
análise humana e a análise algorítmica realizada pelos
computadores.
49. 49
• A análise humana examina o documento e
textos para considerar o contexto que
representam;
• A análise automática identifica e compara os
componentes do texto – os símbolos que
formam o texto.
50. 50
• O ideal é que um sistema de recuperação da
informação ofereça as duas abordagens de
análise/indexação da informação: tornando o
processo de busca e recuperação da
informação mais exaustivo e eficiente e, com
resultados mais relevantes.
51. 51
• Os autores argumentam ainda que , em se tratando de
indexação de materiais especiais como imagem e
som, por exemplo, a indexação automática apenas
engatinha, uma vez que sua base é a linguagem
contida nos textos. O Altavista é uma ferramenta de
busca na Web que utiliza a indexação automática de
imagens desde 1998, tentando encontrar imagens que
sejam visualmente similares ao comando de busca
determinado pelo usuário.Imagem “visualmente”
similar não é a mesma que imagem
“conceitualmente” similar . Assim sendo, os
resultados quase sempre parecem estar baseados na
cor e na estampa e não em um detalhe particular da
imagem.
52. Referência e Bibliografia 52
• ARAUJO, R.H.J., Precisão no processo de busca e recuperação da
informação.Brasilia. Thesaurus, 2007.176p.
• CARDOSO, O.N.P. Recuperação de Informação. Universidade Federal de Lavras.
Lavras-MG, 20-?
• CESARINO, M. A. da N.; PINTO, M. C. M. F. Análise de assunto.
Revista de Biblioteconomia, Brasília, v. 8, n. 1, p. 32-43, jan.-jun. 1980.
Disponível
em:<http://www.tempusactas.unb.br/index.php/RBB/article/viewFile/244/224>.A
cesso em: 29 jul. 2010.
• FOSKETT, A.C. Abordagem temática da informação. São Paulo, Polígono,
1973, 347 p.