Substantivo Abstrato É Concreto

Quando o abstrato vira concreto na prática

Trabalhando com análise de texto e processamento de linguagem natural, me deparei repetidamente com uma situação que quebra pipelines simples: substantivos que gramaticalmente são abstratos sendo tratados como entidades concretas pelo contexto ou pelo modelo. Isso não é bug, é comportamento esperado em muitos casos, mas causa problemas sérios se você não esperar por isso. A expressão substantivo abstrato é concreto aparece frequentemente em discussões sobre reificação — o ato de tratar conceitos abstratos como se fossem coisas com existência física. No dia a dia técnico, isso se manifesta de formas bem específicas que valem a pena mapear antes de construir qualquer sistema que dependa de parsing semântico.

Como identificar na prática

O teste mais rápido é observar a variação morfológica. Substantivos abstratos puros aceitam modificadores gradativos ("muito amor", "pouca justiça"), mas recusam contagem direta ("dois amores" soa figurado, não literal). Quando você vê um substantivo abstrato sendo quantificado, singularizado ou pluralizado com artigo definido como se fosse objeto físico, o sistema provavelmente está sendo reificado. Exemplo: "a igualdade que o juiz discutiu" — aqui "igualdade" opera sintaticamente como um substantivo concreto, ocupa posição de sujeito paciente, aceita determinante definido. Na codificação disso, eu costumo usar três camadas de verificação: primeiro, um dicionário de abstração (listas de substantivos classicamente abstratos em português); segundo, regras sintáticas que detectam uso como argumento nominal concreto; terceiro, embeddings para capturar se o contexto semanticamente concretizou o termo. As duas primeiras camadas são rápidas e cobrem 80% dos casos. A terceira é cara mas necessária para construções poéticas ou técnicas onde o substantivo abstrato migra para papel concreto por extensão.

Um problema real que encontrei

Em um projeto de extração de entidades para documentos jurídicos, os modelos estavam classificando "propriedade" e "propriedade intelectual" como entidades físicas distintas, gerando duplicações e associações erradas entre processos. O problema era que em contextos como "a propriedade foi penhorada", "propriedade" opera exatamente como um bem concreto — tem artigo, concordância verbal, função de sujeito paciente. Minha solução foi adicionar um regra pós-parsing que, ao detectar substantivos abstratos em funções sintáticas tipicamente concretas, os reclassifica como conceitos processuais em vez de entidades físicas. Isso reduziu falsos positivos em cerca de 60% no meu conjunto de testes. O workaround técnico foi simples: construí um grafo de relações onde "propriedade" permanece conectado a núcleos jurídicos (processo, penhora, disputa) em vez de núcleos imobiliários (imóvel, terreno, registro). Não resolvi a ambiguidade subjacente — ela existe e sempre existirá — masou os ruídos que quebravam o pipeline.

Vieses e limitações que ninguém menciona

O maior problema prático é que não existe fronteira nítida entre abstrato e concreto em português. Palavras como "coragem", "medo", "tempo" e "força" flutuam entre as duas categorias dependendo do contexto discursivo. Um classificador puramente léxico vai falhar aqui. Você precisa de contexto,preferencialmente janela de pelo menos 50 tokens ao redor do substantivo em questão. Outro ponto: embeddings modernos (BERT, DaBERT, etc.) tendem a concretizar automaticamente substantivos abstratos durante o treino, porque o corpus bruto mistura usos metafóricos e literais sem distinção. Se você usar um modelo pronto sem fine-tuning, vai receber representações vetoriais que tratam "justiça" semanticamente próximo de "lei" ou "tribunal", o que pode ser útil ou prejudicial dependendo da sua aplicação. Teste isso antes de confiar no resultado.

Alternativas quando o método falha

Se o seu sistema precisa distinguir rigidamente entre abstrato e concreto — por exemplo, em ontologias ou bases de conhecimento estruturadas — considere manter as duas categorias separadas e aceitar que alguns casos ficam inconclusivos. Forçar uma classificação binária em construções ambíguas gera mais erros do que deixa passar. Em situações onde a precisão é crítica, combine a abordagem algorítmica com anotação manual de um subconjunto de dados para calibrar os thresholds de cada domínio específico.