Substantivos: a distinção básica que todo mundo confunde na prática
A diferença entre substantivo próprio e comum é simples no papel, mas na hora de revisar um texto ou configurar um corretor ortográfico, as coisas complicam rápido. Vou explicar como funciona de verdade, não como entra nos manuais de gramática. O substantivo comum nomeia seres, objetos, lugares ou sentimentos de forma genérica. Pode-se pensar nele como uma categoria. Mesa, rio, cidade, amor, cachorro. Tudo isso é substantivo comum porque qualquer um desses itens pode ser substituído por outro da mesma classe sem alterar a estrutura geral da frase. Já o substantivo próprio nomeia um ser específico, único dentro do seu contexto. São Paulo, Nilo, Maria, Petróleo. A função dele é individualizar.
o que e substantivo proprio e comum na prática técnica
Quando você trabalha com processamento de linguagem natural, a distinção parece óbvia até encontrar os casos limítrofes. Eu passei uma semana num projeto de extração de entidades nomeadas tentando decidir se "Rio" em "Vou morar no Rio" era substantivo próprio ou comum. O contexto resolvia, claro, mas o modelo inicial classificava errado em 40% dos casos porque a palavra "rio" sem maiúscula é comum, e com maiúscula vira próprio. Só que em português, a capital do estado do Rio de Janeiro escreve-se com inicial maiúscula, e alguns datasets anotavam de forma inconsistente. A solução que funcionou foi criar uma regra complementar baseada em Bigrams de coocorrência. Se "Rio" aparecia seguido de "de Janeiro", "Grande", "de la Plata", a probabilidade de ser próprio subia drasticamente. Quando aparecia sozinho, eu cruzava com a frequência no Corpus Brasileiro do NUBank, que mostra que "rio" minúsculo é cerca de 18 vezes mais frequente que "Rio" maiúsculo como topônimo. A regra ficou: preponderância de uso genérico sobre o específico, salvo quando o bigrama ou trigrama confirmar a entidade geográfica. Isso reduziu os erros de classificação para baixo de 6%.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Existem nuances que os livros didáticos raramente mencionam. Marcas comerciais, por exemplo. "Nike" é substantivo próprio, mas no linguajar cotidiano das pessoas ("comprei um par de nike") ela aparece minúscula e funcionando como comum. Isso acontece muito em transcrições de fala e em textos informais. Um extrator de entidades mal ajustado vai perder essas instâncias ou classificar como erro de capitalização em vez de reconhecer a variação pragmática. A adaptação aqui é treinar o modelo com dados reais, não com exemplos normatizados, e tratar a variação de caixa como feature, não como ruído. Outro ponto que causa dor de cabeça são os substantivos comuns que viraram próprios por extensão histórica. "cortês" vem de "Cortês" como adjetivo derivado de alguma localidade. "salsicha" não tem relação direta, mas nomes como "champagne", "gole" (de Poitou), "bauru" (fruta) são topônimos convertidos em comuns. O mesmo vale para "renda renner" ou "lei karen". Esses casos exigem um dicionário de derivação toponímica, senão o sistema trata a entrada como erro ortográfico e a corrige para minúscula automaticamente.
Para quem quer apenas entender a base, o fluxo prático é este: primeiro identifica-se o sintagma nominal, depois verifica-se se há especificador determinativo (o, um, alguns) que indica genericidade — comum — ou se o termo está funcionando como identificador único dentro do domínio — próprio. A capitalização em português é um indicador forte mas falho, porque nomes de religiões, estados e regiões como "Sul" e "Nordeste" competem entre si conforme o grau de institucionalização de cada uso. A limitação mais séria desse approach é que ele depende de um corpus de referência atualizado. Se você usar listas estáticas de nomes próprios, vai perder surgimentos recentes como startups, bairros novos, gírias que viraram marcas. Recomendo complementar com extração não supervisionada via word embeddings para capturar termos emergentes que ainda não constam nos dicionários formais. O custo computacional aumenta, mas a cobertura melhora sensivelmente.
Se o objetivo for só aplicar numa revisão de texto ou configuração de autocorreção, as regras padrão do LibreOffice e do corrector do Google Docs já cobrem 95% dos casos cotidianos. Para produção real, onde a precisão precisa ser maior, o caminho é treinar um modelo de classificação com exemplos balanceados de ambos os tipos, validando contra um gold set anotado à mão por pelo menos mil ocorrências antes de deploy.
