Banca de DEFESA: DIANA MARCELA DA SILVA

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: DIANA MARCELA DA SILVA
DATA : 25/08/2023
HORA: 10:00
LOCAL: Virtual
TÍTULO:

Provendo acessibilidade ao conteúdo de documentos centenários: Um 
processo de correção e melhoria do texto extraído de imagens utilizando 
técnicas de Processamento de Linguagem Natural

PALAVRAS-CHAVES:

Extração e correção de textos centenários, processamento de 
linguagem natural, recuperação de informação.

PÁGINAS: 105
RESUMO:

Este trabalho de mestrado foi desenvolvido em colaboração com o Laboratório 
LIBER  (DCI-UFPE) dentro do contexto de um projeto mais amplo, cujo 
objetivo geral é resgatar, preservar e prover livre acesso a jornais 
periódicos centenários em língua portuguesa. Exemplares do “Diário de 
Pernambuco”, datados do início do século XIX, foram resgatados e 
digitalizados (escaneados) pelos pesquisadores do LIBER. A fase final foi o 
objetivo geral desta pesquisa de mestrado, visando a extração automática do 
texto contido nas imagens e a indexação automática de cada documento 
(imagem) a partir das palavras que ele contém, buscando assim prover acesso 
a esses documentos a partir de consultas baseadas em palavras-chaves.
A extração do texto foi realizada utilizando-se algoritmos de OCR, que nem 
sempre conseguem um desempenho satisfatório quando os documentos são muito 
antigos e em mau estado de conservação. Além disso, algumas palavras tinham 
grafia diferente da atual, dificultando a correção automática do texto com 
base nos dicionários modernos contidos nas ferramentas de OCR e de PLN 
disponíveis. Assim, foi necessário desenvolver uma solução própria.
Nesse contexto, a correção automática dos textos extraídos, a fim de 
identificar e dirimir erros de OCR, é a grande contribuição deste trabalho. 
O corretor ortográfico PyEnchant  foi adotado como base da solução 
desenvolvida, pelo seu alto desempenho. Contudo, essa ferramenta só dispõe 
de um dicionário atual da língua portuguesa. Assim, foi necessário 
desenvolver uma solução com base em um dicionário de 1913, que se aproxima 
mais da grafia utilizada nos documentos tratados. Porém, o padrão de 
dicionário usado pela ferramenta não se baseia apenas em uma lista de 
vocábulos, utilizando metadados associados às entradas do dicionário para 
realizar a flexão dos termos (e.g., gênero e número, flexão verbal, 
aumentativo e diminutivo etc.). Então foi necessário adaptar o dicionário 
de 1913 para o formato da PyEnchant. Claramente, não seria viável fazer 
essa adaptação de modo manual, devido ao grande volume de entradas do 
dicionário escolhido (124.308 termos). Assim, foi necessário implementar um 
processo com vários passos para automatizar a adaptação do dicionário de 
1913 ao padrão da PyEnchant. Utilizamos aqui técnicas oriundas da área de 
Processamento de Linguagem Natural. Testes iniciais realizados com algumas 
imagens disponíveis mostraram uma boa taxa de cobertura na correção dos 
erros do OCR. Foi observado que algumas palavras escaparam da correção por 
terem letras adicionadas pelo OCR que modificaram muito a palavra (radical) 
original. Esse problema será tratado em trabalhos futuros.
Por fim, os textos já corrigidos foram utilizados para indexar as imagens 
correspondentes, criando assim um repositório para livre acesso através de 
consultas via palavras-chaves. Essa etapa foi implementada com apoio da 
biblioteca PySolr . Utilizamos aqui teorias e técnicas oriundas da área de 
Recuperação de Informação.
Assim, consideramos que os objetivos iniciais deste trabalho foram 
alcançados, tendo sido materializados no dicionário adaptado e na base de 
imagens indexadas automaticamente através de termos que ocorrem em cada 
imagem. Devido a restrições de tempo, não foi possível implementar todas as 
melhorias inicialmente planejadas, estando indicadas como trabalhos 
futuros. Destacamos aqui a modernização vocabular para facilitar as buscas 
via interface.

MEMBROS DA BANCA:
Presidente - 1193006 - FLAVIA DE ALMEIDA BARROS
Externo à Instituição - MARCOS GALINDO LIMA - UFPE
Externa à Instituição - SANDRA DE ALBUQUERQUE SIEBRA - UFPE