Conteúdo para o poster do CRICS8

Introdução

As atividades de pesquisa em Ciências da Saúde vêm crescendo em ritmo acelerado e todos os dias uma enorme quantidade de informação é despejada na Internet. Toda esta informação transforma-se em uma interminável demanda que precisa ser indexada e organizada em acervos, sejam eles físicos ou digitais. Sendo o processo de indexação uma atividade complexa, lenta e trabalhosa, os Indexadores ficam sobrecarregados com a quantidade de documentos que devem tratar.

Objetivo

Baseado nos problemas introduzidos, é proposta a implementação de um programa para computador que auxilia a extração de descritores de documentos da área da saúde, utilizando um vocabulário controlado e algoritmos para tratamento de textos. Para a extração de descritores em um determinado documento, o programa apresentará como resultado um conjunto de palavras que estão presentes no vocabulário controlado e são candidatas a descritores do texto. Cada palavra será apresentada ao Indexador com a sua freqüência de aparição no texto, possibilitando medir sua relevância no documento.

Metodologia

Para e extração de descritores dos documentos é necessário que sejam encontradas palavras cujo conceito, além de descrever o conteúdo de texto, estejam presentes no vocabulário controlado utilizado para a indexação. É necessário que haja um tratamento dos textos de entrada e do vocabulário controlado para que as buscas por descritores no textos aconteçam da forma mais eficaz possível. Este tratamento implica em reduzir as palavras aos seus radicais (stemming) e retirar do texto palavras que não tem função conceitual (stop words). Depois de tratado, procura-se sequências de até três palavras no texto que devem pertencer ao vocabulário controlado, marcando a frequência de ocorrências para cada sequência. Após a definição dos descritores, estes serão validados de forma quantitativa e qualitativa. Utilizando um grande número de artigos com descritores já definidos, a precisão do resultado será validada comparando o número de descritores retornados corretos dentro do total de descritores retornados. A cobertura do resultado é validada comparando o número de descritores corretos retornados com o número de descritores já definidos. Para mensurar a qualidade dos descritores encontrados que não estavam definidos previamente, um número menor de artigos será usado, para que um profissional da área possa medir a relevância do novo descritor dentro do contexto do artigo.

Resultados

O vocabulário controlado do Mesh[1] já foi extraido e adequado as necessidades do programa, assim sendo, todos os termos além de estarem na sua forma completa, estão em uma versão sem stopwords e só com seus radiacais, facilitando assim as comparações necessárias. Os artigos também já são processados, passando pelo steaming e retirando stopwords. A busca de palavras no vocabulário já esta sendo realizada, assim uma lista com o descritores encontrados e suas respectivas aparições no texto são apresentadas. Portanto, até o momento, apenas uma contagem de frequencias está sendo realizada.

Conclusão

Para que os descritores sejam coerentes com o contexto de um artigo e assim ajudar o profissional da área, alguns tratamentos são necessários para garantir a qualidade do resultado. Tecnicas como eliminação de stopwords e steaming das palavras são fundamentais para garantir um desempenho aceitável do programa. Metodologias de análise de sinônimos dos descritores e de análise da semântica das frases precisam ser consideradas para um resultado satisfatório, pois apenas a contagem de frequencia de palavras não garante os melhores descritores do texto.

Referências

[1] National Library of Medicine. Medical Subject Heading. http://www.nlm.nih.gov/mesh/. Data de acesso: 10/09/2008 23:56