Pessoa É Um Substantivo

Como lidar com pessoa é um substantivo em processamento de texto

Trabalhar com análise morfológica e reconhecimento de entidades nomeadas em português exige atenção aos diferentes níveis em que palavras podem funcionar. "Pessoa" como substantivo é um exemplo comum, mas na prática o tratamento depende do contexto sintático e do objetivo do pipeline que você está construindo. O problema mais frequente que eu vejo surgindo em projetos reais não é classificar a palavra isolada, mas sim entender o que ela representa dentro de uma frase. Já processei textos onde "pessoa" aparecia em posições ambiguas, às vezes funcionando como substituto de um pronome indefinido, outras como núcleo nominal real, e em alguns casos até em construções fixas como "pessoa física/jurídica" que têm lógica própria. Quando "pessoa é um substantivo" — ou seja, quando ele opera como substantivo propriamente dito, núcleo de sintagma nominal —, o comportamento esperado é simples: ele se flexiona em gênero e número, pode receber determinantes e modificadores, e em sistemas de tokenização padrão aparece com tag substantiva. O que complica é quando o sistema precisa decidir se trata-se de uma entidade PERSON num NER, ou apenas um substantivo comum no discurso.

Um detalhe que muitas ferramentas ignoram é que substantivos como "pessoa", "indivíduo", "sujeito" e similares operam como placeholders nominais. Eles referem-se a entidades humanas sem nomear uma pessoa específica. Modelos de NER treinados predominantemente com dados jornalísticos ou corporais tendem a não capturar esses casos como entidades nomeadas, o que gera falsos negativos significativos em textos do cotidiano, documentos jurídicos e atendimento ao cliente. No meu trabalho, a solução prática que funciona melhor é combinar classificação morfológica com regras heurísticas de contexto. Se "pessoa" aparece precedida de determinante definido e seguida de preposição "de" ligada a uma organização, por exemplo, ela funciona como argumento nominal completo e merece ser tratada como entidade referencial. Já quando aparece em construções como "toda pessoa deve..." ou "qualquer pessoa pode...", o uso é genérico e o tratamento como entidade nomeada não faz sentido analítico.

Aplicações práticas e armadilhas comuns

Em pipelines de extração de informações, o ponto onde mais se perde qualidade é na fronteira entre classificação POS e NER. Muitos desenvolvedores aplicam primeiro o taggeador morfológico e depois passam o resultado para o NER, assumindo que substantivos identificados automaticamente serão corretamente mapeados como pessoas. Isso não funciona. "Pessoa" recebe tag de substantivo (NN ou similar) na maioria dos taggeadores, mas isso não significa que deva ser extraída como entidade. A heurística básica que eu recomendo é exigir presença de referência específica: se o contexto mostra que a palavra aponta para um indivíduo identificável — por meio de pronomes de coreferência subsequente, qualificação como "a pessoa" em vez de "pessoa alguma", ou presença de complemento determinativo — então vale a inclusão no conjunto de entidades. Uma limitação importante a considerar é que nenhum modelo puramente baseado em linguagem natural consegue resolver completamente esse tipo de ambiguidade sem informações externas. Se o seu projeto lida com volumes grandes e exige alta precisão, o mais viável é manter uma camada pós-processamento com regras customizadas, revisando os casos borderline. Isso geralmente reduz os falsos positivos em cerca de 60 a 70 por cento nos meus testes, dependendo da complexidade do corpus.

O custo é tempo de manutenção. Regras escritas para um domínio específico tendem a falhar quando o texto muda de registro — um documento médico, uma transcrição de call center e um artigo acadêmico exigem conjuntos diferentes de exceções. Não existe solução única que cubra todos os cenários, então o recomendável é começar com o caso de uso principal e expandir as regras conforme novos padrões apareçam nos dados. Se você está começando do zero, uma abordagem funcional é usar o SpaCy com o modelo português treinado, filtrar manualmente os substantivos que não deveriam ser entidades e construir um dicionário de exclusão progressivo. Em textos institucionais brasileiros, isso costuma eliminar a maior parte dos ruído em poucas iterações. Para domínios mais específicos, vale o investimento em anotação supervisionada, pois as regras manuais atingem um limite de cobertura relativamente cedo.