A distinção básica que todo mundo acaba confundindo
Substantivo comum designa seres, objetos ou conceitos de forma genérica. Substantivo próprio nomeia um ser único dentro dessa categoria. A diferença entre os dois se resume quase sempre à capitalização e à referência específica. Eu já vi material didático vender essa explicação como se fosse regra absoluta, mas a prática mostra que existem camadas que o manuaismo escolar não costuma cobrir com precisão.
Boneca é substantivo próprio ou comum
O termo boneca é substantivo comum. Ele nomina uma classe inteira de objetos — brinquedos com formato humano — sem identificar nenhum exemplar específico. O fato de existir um produto comercial chamado "Boneca" ou uma linha chamada "Bonecas Disney" não transforma a palavra em substantivo próprio; isso é questão de marca registrada e convenção tipográfica, não de gramática. Quando se trata da marca ou do nome de personagem, a palavra que funciona como próprio é o nome específico, não o substantivo genérico que o acompanha. "A boneca Coraline" tem "boneca" como comum e "Coraline" como próprio. A estrutura sintática não muda a classificação lexical da palavra.
O teste rápido é simples: se você pode antepor um artigo ou determinante sem destruir o sentido da frase, o substantivo é comum. "A boneca", "uma boneca", "minha boneca" — tudo funciona. Com substantivo próprio, essa manobra esbarra na restrição de referência única: você não diz "a Maria" quando se refere à pessoa de forma comum no português padrão, salvo em registros afetuosiários ou regionais que não alteram a classificação.
O problema que ninguém conta sobre capitalização
A maioria das pessoas aprende que substantivo próprio se escreve com letra maiúscula e para por aí. O erro prático começa quando se depara com nomes compostos, títulos de obra e marcas. Nesses casos, a capitalização segue a convenção do contexto, não apenas a classificação gramatical do termo isolado. Pegue o exemplo de um catálogo de produtos. Uma linha chamada "Coleção Boneca Vintage" pode aparecer com "Boneca" em maiúscula por decisão editorial de marca, mas isso não a converte em substantivo próprio. É uso tipográfico de denominação comercial, algo que gramáticos chamam de substantivo comum com valor nominal próprio por convenção extralinguística, mas que não altera a classificação lexical no sistema padrão.
Já vi estudantes e até corretores automáticos classificar erroneamente essas ocorrências porque o modelo treinou em textos onde a capitalização era tratada como sinal definitivo. O viés é previsível: os dados de treino misturam títulos de obra, nomes de produto e textos normativos sem segmentar o critério. O resultado é um classificador que acerta no teste e erra no mundo real com frequência incompatível com o que o usuário espera.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Um caso concreto que encontrei na prática
Trabalhei num projeto de extração de entidades nomeadas para análise de contratos de licenciamento de produtos infantis. Precisávamos diferenciar, num texto contratual, quando "boneca" se referia ao gênero do produto e quando fazia parte do nome registrado de uma linha comercial. O problema era que o contrato usava a expressão "Boneca Sonriente" de forma inconsistente — às vezes em maiúsculas, às vezes minúsculas — e a cláusula de definição do produto estava em Anexo II, enquanto as referências ao longo do texto seguiam estilos diferentes. A solução que funcionou foi criar uma lista de normalização baseada no registro da marca no INPI, cruzada com um analisador sintático que respeitava o papel da palavra na frase. Quando "boneca" aparecia após determinantes e antes de adjetivos descritivos, classifiquei como comum. Quando integrava o vocábulo inicial de um segmento nominal que correspondia exatamente a uma denominação registrada, apliquei a classificação própria. O fluxo levou cerca de três semanas para ficar estável, depois disso o processamento manual de cada documento caiu de aproximadamente quarenta minutos para menos de cinco, porque o modelo já sabia quais exceções consultar antes de gerar qualquer parecer.
O gargalo mais caro nunca foi a classificação em si. Foi a limpeza dos dados de entrada e a manutenção da lista de marcas registradas. Nomes comerciais mudam, renasceem, são adquiridos. Se a lista não for atualizada, o sistema passa a cometer erros sistemáticos nos casos que realmente importam para a análise jurídica.
Erros frequentes que você deve evitar
O primeiro erro é tratar qualquer termo capitalizado como substantivo próprio. Títulos de obra, capas de produto e nomes comerciais seguem convenções editoriais que não refletem a classificação gramatical. Um manual de instrução pode escrever "Instalação da Boneca" no cabeçalho sem que isso transforme "boneca" em próprio. O segundo erro é acreditar que a transformação morfossintática altera a classe. Derivados como "bonequeira" ou "bonequeira" mantêm a status de comum, ainda que designem um agente ou um profissional associado ao objeto original. A extensão semântica não gera proprieza lexical.
O terceiro erro é ignorar variação dialetal. Em alguns registros informais do português brasileiro, nomes de personagens de contos de fadas e brinquedos são tratados com tratamentos afetivos que imitam a estrutura de nomes próprios, mas isso é uso pragmático, não mudança de classificação gramatical.
Quando a regra não basta
Em tarefas de PLN, a classificação isolada de uma palavra raramente resolve o problema. O que importa é o contexto discursivo. Se seu objetivo é apenas saber a classificação gramatical para fins escolares, a resposta direta já está dada. Se o objetivo é construir um pipeline que decida automaticamente, o modelo precisa levar em conta coluna de contexto, registro do texto e, preferencialmente, uma base de nomes próprios de domínio específico. O limite mais honesto é que nenhuma heurística baseada só em maiúsculas ou só em frequência resolve o cenário completo. Modelos estatísticos modernos reduzem muito o erro, mas ainda precisam de curadoria humana para os casos de fronteira entre denominação comercial e uso genérico. Sem esse ajuste, o custo de falso positivo em análise contratual ou em indexação de acervos editoriais costuma ser alto demais para ser ignorado.
