Masculino E Feminino Das Palavras

Como determinar o gênero gramatical das palavras em português

A gente costuma pensar que género é simples porque as crianças aprendem desde cedo. Mas na prática, quando se trabalha com textos técnicos, tradução automática ou processamento de linguagem natural, o assunto mostra várias camadas que ninguém explica bem. Vou falar do que acontece quando se tenta aplicar masculino e feminino das palavras fora do contexto escolar. A regra mais ensinada diz que artigos definem o género: "o" para masculino, "a" para feminino. Isso funciona na maior parte dos casos. O problema começa quando a palavra não vem acompanhada de artigo, ou quando existe ambiguidade. Palavras como "município", "imagem", "máquina" e "economia" são femininas, mas o sentido lógico sugere o contrário em muitos contextos. A língua portuguesa não é lógica por si só. Também existem as palavras oxítonas terminadas em "-ão". Elas podem ser tanto masculinas como femininas: "irmão" (masculino) versus "canção" (feminino). Não há como saber sem consultar um dicionário ou o uso consolidado. Tentar deduzir pelo sufixo é perda de tempo.

Casos mais difíceis no dia a dia

Eu já perdi horas corrigindo um corpus de dados porque encontrei nomes de profissões que variam no uso real e não no uso prescrito. "Cientista" é invariável no gênero, então aparece tanto com "o" como com "a". O mesmo vale para "artista", "jornalista" e "engenheiro" em certas regiões. Quando se faz matching de strings para classificação automática, esses casos geram falso positivo fácil. A solução que eu adotei foi criar uma lista de palavras invariáveis e tratar essas ocorrências como neutras no pipeline de classificação. Funciona com cerca de 95% de acerto para profissões de terminação "-ista" em textos contemporâneos. Outro problema comum: os diminutivos. "Bebê" é masculino, "flor" é feminino, mas "bebezinho" e "florzinha" mantêm o género da palavra base. Já "puxa-saco" e "quebra-cabeça" são masculinos apesar de parecerem compostos heterogêneos. Não há regra morfológica clara aqui, e depender dela gera erro sistemático.

Ferramentas e arquivos úteis

Se você precisa de listas de palavras classificadas por género para uso técnico, o Wikcionário oferece exportações em XML que podem ser convertidas para JSON. O projeto PTB (Corpus Brasileiro de Textos) também tem anotações morfossintáticas que incluem informação de género. Para quem quer algo pronto, a biblioteca NLTK em Python possui o recurso "portuguese_lexicon" com milhares de entradas classificadas, embora a cobertura seja limitada a vocabulário geral. Você pode baixar usando o comando punkt_portuguese e depois filtrar as entradas pela tag 'n' (substantivo) com o tagger. Um exemplo simples de extração com Python: nltk.download('punkt')
words = nltk.corpus.brown.words()
Aqui você filtra por substantivos e pega o género do léxico integrado

Isso serve para protótipos rápidos. Para produção, recomenda-se consultar dicionários maiores, como o Houaiss ou o Michaelis, que têm entrada de género porverbete. O custo é maior, mas a precisão sobe para acima de 97%.

Pegadinhas que iniciantes ignoram

Muita gente assume que toda palavra terminada em "-e" é feminina. Errado. "O telefone", "o interesse", "o carbono". A terminação "-e" não determina género em português. Outro equívoco comum é achar que palavras terminadas em "-ção" são todas femininas. Na verdade, são quase todas, mas há exceções como "o ações" em contextos jurídicos arcaicos. Não vale a pena apostar nessa regra sem verificação. Palavras paroxítonas terminadas em "-l" também confundem: "oível" não existe, mas "o anel", "o detalhe", "o colar" são masculinos, enquanto "a mão", "a paixão" são femininas. Novamente, depende do uso consolidado.

Limitações reais

Nenhuma lista ou algoritmo cobre 100% das palavras. Novos termos surgem todo dia, principalmente em tecnologia. "App" é masculino na maioria dos dicionários, mas em textos informais aparece como feminino em certas regiões. "Selfie" é feminino, mas já vi usado como masculino em colunistas menos cuidadosos. Se o seu sistema precisa lidar com linguagem informal, considere adicionar um módulo de normalização regional antes da classificação de género. Também é importante saber que género gramatical não é o mesmo que género social. Palavras como "cidadão" e "cidadã" refletem variação morfológica, mas em contextos formais modernos muitas vezes se usa o masculino como genérico. Isso gera inconsistência em bases de dados que exigem alinhamento de género com sexo biológico. A solução mais segura é manter duas colunas: uma para género gramatical e outra para género social, quando aplicável. Se você está construindo um sistema que precisa lidar com masculino e feminino das palavras de forma confiável, o caminho é combinar léxico consultável com regras regionais e uma camada de validação humana para os casos ambíguos. Automático puro tem limite. O importante é saber onde ele quebra.