Da Definição das Entidades à Anotação do Corpus: Desafios da tarefa no Direito do Consumidor

• Samuel Rios da Silva UFBA
• Aline Athaydes UFBA
• Babacar Mane UFBA
• Daniela Barreiro Claro UFBA

DOI: https://doi.org/10.5753/stil.2026.29862

Resumo

A anotação de dados é uma etapa crucial para a construção de modelos de apredizado de máquina voltados ao Reconhecimento de Entidades Nomeadas (REN). Nesse sentido, percebida a necessidade e a ausência de Modelos REN especialistas no contexto do Código de Defesa do Consumidor (CDC), este trabalho apresenta o processo de anotação de um corpus com entidades específicas relacionadas ao CDC, assim como os desafios encontrados, os aprendizados, principais resultados obtidos e nossos próximos passos.

Referências

Albuquerque, H. O., Costa, R., Silvestre, G., Souza, E., da Silva, N. F. F., Vitório, D., Moriyama, G., Martins, L., Soezima, L., Nunes, A., Siqueira, F., Tarrega, J. a. P., Beinotti, J. V., Dias, M., Silva, M., Gardini, M., Silva, V., de Carvalho, A. C. P. L. F., and Oliveira, A. L. I. (2022). Ulyssesner-br: A corpus of brazilian legislative documents for named entity recognition. In Computational Processing of the Portuguese Language: 15th International Conference, PROPOR 2022, Fortaleza, Brazil, March 21–23, 2022, Proceedings, page 3–14, Berlin, Heidelberg. Springer-Verlag.

Athaydes, A., Bulcao, L., Sacramento, C., Mane, B., Claro, D. B., Souza, M., and Pita, R. (2024). Brazilian consumer protection code: a methodology for a dataset to question-answer (QA) models. In Claro, D. B. and Pagano, A., editors, Proceedings of the 15th Brazilian Symposium in Information and Human Language Technology, pages 522–529, Belém do Pará, Brazil. Association for Computational Linguistics.

Athaydes, A., Mota, L., Neto, F. M., Silva, S., Mane, B., Claro, D., Souza, M., and Lisboa, A. (2025). Towards a corpus methodology for llms in the legal domain. In Anais do XVI Simpósio Brasileiro de Tecnologia da Informação e da Linguagem Humana, pages 272–282, Porto Alegre, RS, Brasil. SBC.

Bessa, A. C. C., Lobato, F. M. F., and Junior, A. F. L. J. (2026). Development and evaluation of a hybrid information retrieval system applied to the Brazilian legal domain. In Souza, M., de Dios-Flores, I., Santos, D., Freitas, L., Souza, J. W. d. C., and Ribeiro, E., editors, Proceedings of the 17th International Conference on Computational Processing of Portuguese (PROPOR 2026) - Vol. 2, pages 186–190, Salvador, Brazil. Association for Computational Linguistics.

Brasil (1990). Lei no 8.078, de 11 de setembro de 1990. Dispõe sobre a proteção do consumidor e dá outras providências. Diário Oficial da União, Brasília, DF.

Caseli, H. d. M. and Nunes, M. d. G. V. (2024). Extração de informação. In Caseli, H. d. M. and Nunes, M. d. G. V., editors, Processamento de Linguagem Natural: Conceitos, Técnicas e Aplicações, chapter Extração de Informação. 3º edition.

Caseli, H. M. and Nunes, M. G. V., editors (2026). Processamento de Linguagem Natural: Conceitos, Técnicas e Aplicações em Português, volume 3. BPLN, 4 edition.

Nunes, R. O., Balreira, D. G., Spritzer, A. S., and Freitas, C. M. D. S. (2024). A named entity recognition approach for Portuguese legislative texts using self-learning. In Gamallo, P., Claro, D., Teixeira, A., Real, L., Garcia, M., Oliveira, H. G., and Amaro, R., editors, Proceedings of the 16th International Conference on Computational Processing of Portuguese - Vol. 1, pages 290–300, Santiago de Compostela, Galicia/Spain. Association for Computational Lingustics.

Tkachenko, M., Malyuk, M., Holmanyuk, A., and Liubimov, N. (2020-2025). Label Studio: Data labeling software. Open source software available from [link]. Acesso em: 02 jun. 2026.