Como analisar classes de palavras na prática, sem perder tempo com definições de livro didático
Se você já tentou explicar classes gramaticais para alguém ou aplicar isso num projeto de processamento de linguagem natural, já deve ter notado que a teoria limpa nunca se encaixa direito na realidade. O português tem dez classes tradicionais, mas na hora de classificar uma palavra solta, especialmente num corpus real, as coisas ficam cinzentas rápido demais.
O que você precisa saber sobre classes de palavras ou classes gramaticais
As classes de palavras ou classes gramaticais, no modelo tradicional, são: substantivo, adjetivo, advérbio, verbo, pronome, determinante/artigo, preposição, conjunção, interjeição e numeral. Parece simples até você chegar num texto descritivo como "a rápida correção dos dados faltou tempo". Aí você percebe que "falta" ali é substantivo, mas "faltou" é verbo, e "rápida" pode ser adjetivo ou advérbio dependendo de como a frase foi estruturada. A classe muda conforme a função sintática, não o contrário. A questão mais importante é: não existe classificador binário perfeito. Uma palavra pode pertencer a múltiplas classes dependendo do contexto. "Casa" pode ser substantivo ("minha casa") ou verbo conjugado no presente ("eu casa minha prima amanhã"). "Bem" pode ser advérbio ("ele fala bem"), substantivo ("o bem e o mal"), ou até parte de uma locução adverbial ("bem verdade é que"). Sem contexto, a classificação é impossível com certeza.
Na prática de análise morfológica, eu costumo usar uma abordagem baseada em dois recursos: tags de lema (forma canônica) es de contexto imediato. Se você trabalha com Python, o NLTK traz o tagset do Brill adaptable tagger, que é rápido e razoavelmente preciso para português, mas falha feio em textos informais. Para algo mais robusto, o UDpipe com o modelo português-brasilino dá cerca de 96% de acurácia em corpus acadêmico, mas cai para 89% em transcrições orais. Isso é importante de saber antes de confiar cegamente numa ferramenta automática.
Como fazer a classificação passo a passo
O primeiro passo é tokenizar o texto. Não pule essa etapa porque tokenização ruim destrói qualquer classificador que venha depois. O spaCy com o pipeline português funciona bem para a maioria dos casos, mas ele trata reticências, hífen e abreviações de formas que nem sempre são ideais. Num projeto real que eu fiz, precisei criar um pré-processador customizado que unia siglas como "SÃO PAULO" e tratava "Sr." corretamente, senão o tagger atribuía classe errada em 12% dos tokens. Depois da tokenização, você extrai os pares (palavra, tag). Cada tag carrega informações sobre classe e também flexão: número, gênero, tempo, modo. O modelo Universal Dependencies usa tags como NOUN para substantivo, ADJ para adjetivo, ADV para advérbio, VERB para verbo, PRON para pronome, DET para determinante, ADP para preposição, CONJ para conjunção, INTJ para interjeição e NUM para numeral. Essa padronização facilita comparar resultados entre ferramentas, mas perde nuances do português que o tagsetTreebank-2 do PTB mapeia de forma mais granular, como a distinção entre artigo definido e indefinido.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Para validar seus resultados manualmente, pegue dez frases do seu corpus e Classifique cada palavra à mão antes de rodar o script automático. Em três dias de trabalho, você identifica onde o classificador sistematicamente falha e pode ajustar o pré-processamento ou trocar de ferramenta. Eu perdi duas semanas tentando fazer um tagger baseado em regras funcionar bem para textos jurídicos até perceber que a fonte do problema eram as subordinações longas que quebravam as heurísticas. Mudei para um modelo neural e o throughput saiu de 40 tokens por segundo para 2.300 tokens por segundo com melhor precisão.
Erros comuns que todo mundo comete
O erro mais frequente é confundir classe morfológica com função sintática. "Correr" é um verbo na classe morfológica, mas numa oração como "Correr é saudável", ele funciona como sujeito, ou seja, tem função de substantivo. Isso não significa que a classe mudou, mas muita gente leva esse erro a sério e cria classes híbridas inventadas que só causam confusão. Outro erro comum é tratar preposições e congiunções como classes separadas sem verificar se há sobreposição. "Que" é conjunção subordinativa em "Eu sei que você veio" mas pronome relativo em "O livro que li era bom". O contexto determina tudo. Se você está construindo um sistema automatizado, não tente simplificar isso com regras fixas. Use embeddings contextuais como o BERT-treinado-para-português e deixe o modelo resolver as ambiguidades por conta própria.
Um caso específico que enfrentei recentemente envolveu a palavra "segundo". No meu corpus de notícias, "segundo" aparecia como adjetivo ordinal ("o segundo lugar"), preposição ("segundo o relatório"), e até substantivo em certos contextos ("um segundo na física"). Um tagger superficial classificou 78% dos casos como adjetivo, o que estava completamente errado para o corpus. A solução foi treinar um classifier fine-tuned em 5.000 sentenças anotadas manualmente, o que elevou a precisão para 94% naqueles casos ambíguos.
Quando isso não funciona e o que fazer no lugar
Classificação morfológica automática tem limites claros. Em textos poéticos, publicitários e redes sociais, as regras tradicionais simplesmente se desfazem. "Google" pode ser verbo ("eu googlei isso"), "WhatsApp" pode ser substantivo ou verbo ("whatsappizei você"), e neologismos não estão em nenhum léxico disponível. Ferramentas convencionais falham nesses cenários porque dependem de vocabulário fechado. Se o seu domínio lida com linguagem informal, o melhor caminho é combinar classificação manual amostral com aprendizado ativo. Anote 500 exemplos problemáticos, use-os para treinar um classificador complementar e depois refine incrementalmente. Leva cerca de 15 horas de trabalho bem distribuído, mas economiza semanas de debugging posterior. Eu recomendo isso em vez de insistir num pipeline puramente automatizado para esses casos.
Para quem quer começar com algo prático hoje, o GitHub tem repositórios como o `portuguese-pos-tagger` que usam o Brill tagger adaptado, e o `udpipe-models` para classificação baseada em Universal Dependencies. Ambos são gratuitos e funcionam localmente sem necessidade de API paga. A escolha depende do seu volume de dados e da tolerância a erro: para produção em larga escala, modelo neural; para análise rápida e transparente, tagger regra.
