INDEXAÇÃO AUTOMÁTICA NA ERA DOS MODELOS DE LINGUAGEM
Palavras-chave:
indexação automática, avaliação da indexação, modelos de linguagemResumo
Bases bibliográficas e repositórios institucionais incorporam milhões de documentos anualmente, tornando inviável o tratamento exclusivamente manual. Nesse contexto, a indexação é essencial para a organização e recuperação da informação. Esta pesquisa compara três paradigmas de indexação automática sob vocabulário controlado: um sistema heurístico baseado em regras e reconhecimento terminológico, uma abordagem supervisionada de aprendizado de máquina para classificação multilabel e uma abordagem baseada em modelo de linguagem de grande porte, implementada em um pipeline híbrido de recuperação lexical e semântica. Foi construído um corpus com mais de 9.500 documentos da área de Agricultura, incluindo 8.000 documentos para treinamento e três conjuntos de teste com 500 documentos cada. A avaliação utilizou padrões de referência derivados da base AGRICOLA, obtidos por replicação de estratégias de busca e alinhamento manual das indexações. A indexação foi restrita ao vocabulário controlado da National Agricultural Library, previamente normalizado e representado em formatos textual e vetorial. Os resultados mostram que a comparação entre as abordagens não pode ser reduzida à substituição tecnológica: cada paradigma responde de modo distinto às exigências da indexação automática. No corpus investigado, soluções híbridas que articulam controle terminológico, recuperação textual e inferência semântica mostram-se mais adequadas para explorar o potencial dos modelos de linguagem do que seu uso como indexadores autossuficientes.