Aprendizado Profundo para Detecção de Movimentos Retóricos
Sociedade Brasileira de Computação · Sep 2025
Ajuste fino de uma versão destilada do BERTimbau sobre o corpus CorpusDT para identificar movimentos retóricos em resumos científicos em português, alcançando F1-score de 0,94 em classificação de sentenças. Destaca o potencial de modelos NLP para aprimorar a escrita acadêmica em português.
Estudo de caso
F1 0,94 · 93,97% de acurácia · 6 classes retóricas · 52 resumos → 1.409 exemplos
O problema
O português carece de ferramentas para apoiar a escrita científica. Os movimentos retóricos de Swales (contexto, lacuna, propósito, método, resultado e conclusão) costumam ser estruturados de forma intuitiva, e a lacuna de pesquisa frequentemente fica implícita. O classificador de referência até então em português, o AZPort, alcançava 72% de acurácia com uma abordagem Naive Bayes.
A restrição
O CorpusDT, um dos poucos corpora anotados disponíveis em português, contém apenas 52 resumos científicos, volume insuficiente para fazer fine-tuning de um Transformer de forma direta.
A abordagem
Construí um pipeline de data augmentation que preserva o sentido retórico de cada sentença: retrotradução (PT→EN→PT), substituição de sinônimos, inserção e troca aleatórias, e deleção aleatória como regularização, aplicado de forma estocástica e enviesado para as classes minoritárias. Isso expandiu os 52 resumos em 1.409 exemplos de sentenças balanceados (split estratificado 80/20). Sobre esse conjunto, fiz o fine-tuning do distilbert-portuguese-cased, uma versão destilada do BERTimbau, com um cabeçalho de classificação de 6 classes, cross-entropy ponderada por classe, precisão mista (FP16), AdamW com scheduler cosseno e early stopping no F1 de validação.
O resultado
O classificador final atingiu F1 ponderado de 0,94 (0,9403 macro) e 93,97% de acurácia no conjunto de validação, o melhor resultado conhecido para detecção de movimentos retóricos em português. A análise de erros mostrou que as confusões se concentram entre movimentos semanticamente adjacentes (por exemplo, 7,7% das sentenças de Resultado lidas como Método), uma fronteira sutil até para anotadores humanos. Os erros seguem um padrão lógico, não aleatório.