Mineração de Mapas Conceituais a partir de Textos em Português

Abstract

Mapas conceituais são representações gráficas das interações existentes entre conceitos de um dado domínio do conhecimento. Cada interação significa um fato, ou verdade, ou mesmo uma proposição lógica da porção do mundo sob observação. Criados por Novak com a intenção de facilitar os processos de aprendizagem, assim como para dar suporte visual à teoria da aprendizagem cognitivista de Ausubel, um pouco mais tarde os mapas conceituais foram vistos incorporar importantes características do construtivismo de Piaget. O fato deu uma nova dimensão às pesquisas sobre a aprendizagem. Livres de regras gramaticais complexas, os mapas ajudam um estudante na organização e representação daquilo que ele sabe, ou acha que sabe, sobre um domínio. A importância dos mapas no contexto educacional e da construção do conhecimento é hoje inquestionável. Porem sua construção manual requer certa dedicação de tempo e esforço empenhado na identificação e estruturação do conhecimento, especialmente quando a construção do mapa é realizada a partir de um texto. Usando mapas conceituais, o estudante poderia conhecer os principais conceitos e seus relacionamentos antes de se aprofundar em um determinado texto. Este fato poderia favorecer a assimilação de novos conhecimentos e diminuir o tempo gasto pelo estudante para analisar se um texto é relevante ou não para o seu aprendizado. Portanto, objetivando facilitar a construção de mapas conceituais a partir de textos, várias abordagens tecnológicas têm sido propostas para ajudar a automatizar esse processo. Partimos de um estudo detalhado sobre abordagens tecnológicas para a construção automática de mapas conceituais realizada nas bases de dados IEEE Xplore Digital Library, ACM Digital Library e Elsevier Science Direct. Deste estudo, selecionamos quatro abordagens relacionadas ao interesse desta pesquisa, das quais destacamos alguns aspectos: (a) o mapa construído é fragmentado em porções; (b) o mapa não mostra a direção da relação entre conceitos; (c) o mapa é criado a partir de um domínio especifico ou um conjunto de documentos do domínio ou um pequeno texto contendo algumas sentenças; (d) o mapa construído está mais próximo de representar o domínio de um assunto do que o conteúdo do texto; (e) a abordagem aceita pronome e atribui extenso rótulo para conceitos; (f) a abordagem aceita preposição e ausência de rótulo para relações, e (g) a abordagem utiliza outras fontes de domínio além do próprio texto, tais como ontologias, bases de conhecimento e thesaurus. Além destes, ressaltamos que nenhuma das abordagens trabalha com textos em idioma português. Baseado na análise das limitações bem como dos melhores recursos do estado da arte, propomos neste artigo uma nova abordagem para a construção automática de mapas conceituais a partir de textos em Português, objetivando representar, na forma de conceitos e suas relações, um texto complexo e gramaticalmente regrado. Para esse fim, definimos uma arquitetura tecnológica utilizando Concept Map Mining composto por cinco dimensões: Descrição da Fonte de Dados, Definição do Domínio, Identificação de Elementos e Visualização do Mapa. Essa arquitetura introduz um pipeline que compreende: (a) as regras gramaticais e busca em profundidade para a extração dos conceitos e relações interconceituais a partir do texto, (b) o cálculo da relevância do conceito baseado em sua frequência no texto em conjunto com a topologia do mapa, e (c) o método baseado em grafos para sumarizar o mapa. Apresentamos a abordagem e os resultados preliminares obtidos por meio de um experimento conduzido para demonstrar as características do mapa conceitual construído automaticamente a partir de um texto em português. Dessas características, destacamos: (a) o mapa construído não possui fragmentos; (b) os rótulos atribuídos aos conceitos são pequenos e formados por multi-words; (c) as relações são rotuladas e sempre formadas por verbos; e (d) os conceitos e relações não exibem redundância. Realizamos também uma análise para verificar a fidelidade desse mapa, comparado com mapas construídos manualmente por especialistas. Os resultados obtidos alcançaram 0.68/0.38 de precision/recall para a identificação dos conceitos e 0.41/0.19 para a identificação das relações. Finalmente, apresentamos uma análise crítica desses resultados.