Entendendo a morfossintaxe na prática
Quando você vê um texto processado por um pipeline NLP, não está olhando para palavras isoladas. Está olhando para uma rede de relações onde cada token carrega uma identidade gramatical e uma posição hierárquica. A morfossintaxe é exatamente isso: a interseção entre a forma da palavra e sua função na frase. Não adianta saber que "correndo" é um gerúndio se você não entende que, em "Estou correndo rápido", ele exerce a função de núcleo do predicado verbal e se liga ao sujeito por dependência.
O que é morfossintática e por que ela importa no dia a dia
A morfossintaxe estuda como as categorias gramaticais (substantivo, verbo, adjetivo, etc.) se combinam para formar estruturas sintáticas válidas. Na prática, isso significa que um modelo precisa saber que "bola" pode ser sujeito, objeto direto ou complemento nominal, dependendo da preposição e da regência do verbo anterior. Quem já fez parsing estatístico ou treinou um tagger morfológico sabe que o ganho de precisão não vem apenas de mais dados, mas de representar corretamente essa interface entre forma e função. Eu trabalhei em um projeto de extração de informações jurídicas onde o maior problema não era o reconhecimento de entidades, mas a ambiguidade morfossintática de termos como "de". Em "A lei do Código Civil", o "de" é preposição de ligação. Em "O advogado da parte ré", também é preposição. Mas em "O decreto de 5 de março", o primeiro "de" é preposição e o segundo indica posse/origem temporal. O tagger padrão do spaCy, configuração padrão, errava cerca de 18% dessas ocorrências em corpus forense porque o contexto sintático imediato não distinguia regências nominais de regências temporais. A solução foi adicionar um regra de pós-processamento baseada em head-finder customizado: se o substantivo anterior for um documento normativo (decretos, leis, portarias), o "de" subsequente é marcado como preposição de especificação, não como partícula integralante. Isso reduziu o erro para 4,2%. Não é bonita, mas funciona.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Uma coisa que poucos explicam é que morfossintaxe não é só sobre classificação. É sobre restrições de combinação. Você pode ter um verbo transitivo direto que exige um objeto na forma de substantivo, mas em construções como "Ele considerou importante o relatório", a ordem superficial inverte a relação. Um analisador puramente morfológico falharia ao marcar "importante" como adjunto adnominal quando, na verdade, ele é predicativo do objeto invertido. O correto é usar dependências universais: nsubj, dobj, obl, advcl, e deixar que a estrutura hierárquica resolva a ambiguidade linear. Outro ponto cego: a maioria dos modelos de linguagem treinados com next-token prediction absorve padrões morfossintáticos de forma implícita, mas não os representa explicitamente. Isso gera sucesso em tarefas de completion e fracasso em perguntas que exigem raciocínio relacional. Se você precisa de parsing preciso para downstream tasks como QA, extração de relações ou tradução automática, investir em um analisador sintático supervisionado ainda vale a pena. Ferramentas como Stanza, UDPipe ou o parser do stanza-models-pt-br oferecem bons resultados out-of-the-box para português, mas exigem tuning no domínio. Para textos técnicos ou científicos, o accuracy cai cerca de 7 a 12 pontos percentuais se você não ajustar o léxico de entrada.
Se o seu objetivo é apenas classificar partes do discurso rapidamente, um tagger baseado em crf ou transformer leve resolve. Se você precisa de árvores de dependência para validar regras linguísticas, vá de parser estruturado. Não existe solução única. A escolha depende do grau de precisão necessário e do custo de falsos positivos no seu pipeline.
