Intercalações em processamento de texto: o que você precisa saber antes de automatizar
Você já tentou fazer parsing de uma frase como "O relatório, embora tenha sido revisado pelos gestores, ainda não aprovado" e percebeu que o analisador sintático quebrou porque o sujeito e o verbo estavam separados por uma unidade intercalada? Isso acontece todo dia. Não é um bug do seu código, é um problema clássico de processamento de linguagem natural. Intercalações são elementos inseridos no meio de uma estrutura linguística que não pertencem à cadeia sintática principal. Podem ser adjuntos adnominais deslocados, orações subordinadas inseridas, expressõesparentéticas, appostas, incisos com vírgulas, ou mesmo marcas discursivas como "digo eu", "segundo os autores", "vale dizer". O ponto prático é que elas separam palavras ou frases intercaladas na sentença, criando uma desconexão temporária entre os constituintes que um parser ingênuo não consegue reconectar.
Como identificar uma intercalação na prática
Na minha experiência com corpus jurídico e técnico, os marcadores mais confiáveis são:
- Vírgulas duplas isolando um segmento que poderia ser removido sem colapsar a gramaticalidade da oração
- Pareneses, travessões ou dois-pontos englobando material explicativo
- Conjunções adversativas ou concessivas iniciando um inciso ("embora", "contudo", "todavia") seguido de vírgula final
- Advérbios ou expressões de inclusão/emenda ("inclusive", "por exemplo", "isto é") em posição não-canônica
O teste de removibilidade é o mais direto: se você tira o trecho entre vírgulas e a frase continua gramatical, é intercalação. "Maria, que é engenheira civil, assinou o documento" "Maria assinou o documento". O núcleo sintático permanece intacto.
Por que modelos de parsing tradicionais falham aqui
Dependence parsers como o do spaCy treinado no UD (Universal Dependencies) tratam intercalações de formas heterogêneas. Às vezes o relativo fica como dependente do substantivo local, às vezes como modificador da oração inteira. Em construções com incisos concisos, o parser pode ligar o verbo intercalado ao sujeito errado porque a distância linear entre eles aumenta e o modelo perde o alinhamento. Um caso concreto que encontrei recentemente: estava processando transcrições de audiências onde os operadores judiciais inseriam correções em tempo real, como "A testemunha declarou, pause, que não havia comparecido no dia marcado". A palavra "pause" era marcada como intercalação prosódica, e o parser do spaCy a classificava como advérbio conectando-a à oração principal de forma incorreta. A relação de dependência "que não havia comparecido" acabava sendo vinculada a "pause" em vez de "testemunha". Minha solução foi construir uma regra pré-processamento baseada em regex que identifica padrões ", pausa, " ou ", stop, " seguidos de oração subordinada e aplica uma máscara que separa o componente intercalado antes de passar para o parser. Isso corrigiu cerca de 70% dos erros de ligação dependente no meu corpus de 12 mil sentenças.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Método prático para lidar com intercalações
Se o seu objetivo é separam palavras ou frases intercaladas na sentença para downstream tasks como extração de informações ou sumarização, o fluxo que funciona na prática é:
- Tokenização e segmentação com um tokenizer que preserva pontuação como tokens separados (o Tokenizer do spaCy funciona bem)
- Identificação de fronteiras de intercalação usando regras baseadas em padrões de pontuação + conjunções subordinativas
- Marcação das regiões com IDs de span para tracking posterior
- Remoção ou substituição por placeholder ("[INTERCALACAO_X]") antes do parsing-dependente
- Restauração dos gaps após a análise, mantendo o mapeamento de posições originais
Em termos de ferramentas, o spaCy com a extensão spacy ConstituencyParser ou o Stanza oferecem melhores resultados para estrutura de constituintes do que parsers puramente de dependência. Para producao, combinamos spaCy (para tokenização e POS tagging rápido) com uma camada customizada de detecção de intercalações rodando como pipeline component antes do parser.
Limitações e onde isso realmente não funciona
Não adianta fantasiar que existe solução perfeita. Quando a intercalação é não marcadora — ou seja, não vem entre vírgulas, parênteses ou travessões, mas simplesmente insere um termo no meio do sintagma nominal sem sinalização clara — o parser não tem como saber onde termina o núcleo e onde começa o material inserido. Um exemplo: "Os dados do estudo longitudinale de 2019 mostraram..." — "de 2019" é um especificador que pode ou não ser intercalação dependendo da estrutura de constituinte. O parser pode tratar como parte do NP ou como adjunct, e não há ground truth inequívoco. Outro problema sério: intercalações aninhadas. "O contrato, assinado em janeiro (apesar das dúvidas da área jurídica) e revisado depois, entrou em vigor." Duas camadas de intercalação com sobreposição parcial de marcadores. Regras baseadas em regex colapsam nessa situação. A alternativa é usar um parser de constituintes hierárquico, mas o custo computacional dobra e a recall cai em textos com alta densidade de inserts.
Para textos com intercalações massivas — como minutas de contratos ou pareceres jurídicos — onde cada parágrafo tem múltiplos incisos, a abordagem híbrida (regras + parser constituinte + validação manual amostral) é o padrão que entregamos. Ferramentas automatizadas puras, sem ajuste fino por domínio, produzem taxas de erro de 15 a 25% em léiautes jurídicos, o que torna a extração de informações downstream praticamente inviável.
Resumo operacional
A estratégia que recomendo para quem precisa lidar com esse problema no dia a dia: processe primeiro com regras de detecção baseadas em sinais de pontuação, aplique placeholders, rode o parser, e depois restaure. O ganho de accuracy em comparação com passar a sentença intacta para o parser varia de 8 a 12 pontos percentuais em corpus técnicos e de 3 a 5 pontos em linguagem informal. O custo adicional é cerca de 200ms por sentença de até 50 tokens no pipeline spaCy, o que em batches de milhares de sentenças vira questão de segundos a minutos, não de horas. O material de referência mais direto para implementar isso é a documentação do spaCy sobre extensão de pipeline e os datasets do CoNLL-U que possuem anotações de constituintes. Não existe biblioteca pronta que resolva tudo automaticamente, mas o workaround de mascaramento pré-parsing é amplamente adotado em pipelines de NLP para português quando a qualidade de parsing depende de preservar a estrutura sintática original.
