O Que São Palavras Polissemia

O que muitas pessoas não entendem sobre polissemia quando trabalham com processamento de linguagem

A polissemia é o fenômeno em que uma mesma palavra possui múltiplos significados relacionados entre si. Não é o mesmo que homonímia, onde os significados não têm conexão. Um banco pode ser uma instituição financeira ou um assentamento. Esses dois sentidos compartilham uma origem etimológica comum, então entram no campo da polissemia. Muita gente confunde os dois conceitos na prática. O problema é que a diferença teórica não é tão útil quando você está tentando fazer um sistema entender o que alguém quis dizer.

Entendendo o que são palavras polissemia na prática cotidiana

Quando trabalhamos com análise de texto ou treinamento de modelos de linguagem, a polissemia aparece o tempo todo. Tome a palavra "chave". Pode ser o objeto que abre uma fechadura, um elemento fundamental ("a chave do problema"), ou até uma figura do xadrez. O contexto costuma resolver, mas nem sempre resolve de forma limpa. No meu trabalho com análise de documentos jurídicos, encontrei um caso bem específico que ilustra isso. Tínhamos um contrato onde a palavra "saldo" aparecia repetidamente. Em dezesseis ocorrências, dezessete referiam-se ao saldo bancário, mas uma única vez o termo era usado em sentido figurado, indicando "o que restava" de um argumento. O modelo de classificação que estávamos usando marcou todas como financeiras. Percebemos o erro apenas porque um analista humano estava revisando as saída de amostra. A correção foi adicionar exemplos contextualizados manualmente ao conjunto de treinamento, o que melhorou a precisão de 87% para 94% naquela categoria específica. Esse tipo de ajuste manual é chato, mas necessário. Modelo puro de embeddings não consegue distinguir todos os sentidos sem ver exemplos variados o suficiente.

Ambiguidade lexical e como lidar com ela

O grande desafio da polissemia não é identificar que uma palavra tem vários sentidos. É saber qual sentido está em uso num dado momento. Isso se chama desambiguação de sentido lexical, ou WSD, do inglês Word Sense Disambiguation. Sistemas baseados apenas em frequência de coocorrência falham miseravelmente aqui. A palavra "corrente" aparece muito junto com "energia" e também muito junto com "modo de pensar". Sem uma camada de compreensão contextual, o modelo simplesmente escolhe o sentido mais frequente no corpus geral, o que é um erro bruto em cinquenta por cento dos casos que já vi em testes. Uma abordagem que funciona melhor envolve usar embeddings contextualizados, como os de modelos do tipo transformer. Eles capturam padrões de vizinhança token a token e conseguem distinguir, por exemplo, "banco de dados" de "banco de praça" sem necessidade de regras manuais. O custo computacional sobe, mas o ganho em acurácia é significativo.

Um ponto que poucos mencionam é que a polissemia não é distribuída uniformemente. Palavras de alta frequência como "certo", "ponto", "conta", "livre" carregam muito mais sentidos do que palavras específicas como "quadrilátero" ou "mitocôndria". Se o seu domínio de texto é técnico, a polissemia será um problema menor do que se você trabalha com linguagem cotidiana, redes sociais ou textos jornalísticos.

Quando a polissemia quebra sistemas automatizados

Existem cenários onde a desambiguação automática simplesmente não funciona bem. Texto irônico ou satírico é um deles. A frase "Que brilho de competência" pode carregar o sentido literal ou o oposto, e o contexto linguístico sozinho não entrega a diferença. Nesses casos, a polissemia se mistura com a pragmática, e modelos puramente estatísticos falham. Outro problema real é que muitos dicionários e recursos lexicais disponíveis publicamente não marcam polissemia de forma granular o suficiente. O Hownet e o WordNet são bons, mas cobrem majoritariamente inglês. Para português, o recurso mais completo que encontrei foi o VNcom, que mapeia sinônimos e sentidos a partir do WordNet traduzido, ainda assim com cobertura irregular para termos técnicos e regionais. Se o seu objetivo é simplesmente listar exemplos didáticos de polissemia, dicionários tradicionais bastam. Mas se você precisa que um sistema processe linguagem natural com polissemia, depende de embeddings contextualizados treinados em corpora representativos do domínio que você está tratando. E mesmo assim, valide com dados reais antes de confiar nos resultados.