HIPE-2026: como extrair relações «pessoa-lugar» de jornais históricos sem redes neurais

A equipe DS@GT HIPE mostrou, no desafio científico HIPE-2026, que é possível extrair relações «pessoa-lugar» de jornais históricos sem modelos de linguagem pré-treinados. O sistema, com menos de 847 mil parâmetros, ficou em 3º lugar no perfil de eficiência entre 17 equipes e alcançou macro recall de 0,5142. O preprint foi publicado no arXiv (julho de 2026).

O que a pesquisa mostrou

O HIPE-2026 levou pela primeira vez a extração de relações «pessoa-lugar» em jornais históricos multilíngues para uma trilha de avaliação própria, em inglês, francês e alemão. A tarefa da trilha é classificar as relações at e isAt entre menções de pessoas e de locais previamente anotadas. A equipe DS@GT HIPE (team 2 nos resultados oficiais) quis testar até onde um sistema leve e interpretável consegue chegar sem usar nenhum grande modelo de linguagem na etapa de classificação das relações.

O sistema da DS@GT HIPE monta um grafo em nível de documento a partir de análises sintáticas (dependency parses), extrai características de proximidade e de classe gramatical para cada par de entidades e faz a classificação com pequenos ensembles do scikit-learn ou com Graph Attention Networks compactas. Cada execução submetida à avaliação ficou abaixo de 847 mil parâmetros.

• HIPE-2026 é uma trilha nova: relações «pessoa-lugar», em inglês, francês e alemão
• São classificadas as relações at e isAt entre menções anotadas de pessoas e de lugares
• A equipe DS@GT HIPE é a team 2 nos resultados oficiais
• Melhor execução: macro recall de 0,5142 no teste A (conjunto de jornais)
• Resultado: 3º lugar em eficiência e posição intermediária na tabela de precisão entre 17 equipes

Qual característica resolve a tarefa?

A distância mínima em caracteres entre as entidades, sozinha, captura a maior parte do sinal de classificação. Esta é a primeira das duas principais conclusões da equipe. Acrescentar outras características construídas à mão traz ganhos desiguais e, às vezes, piora o resultado. O achado converge com dados anteriores de que a distância entre os argumentos domina a tarefa de extração de relações.

«A distância mínima em caracteres, sozinha, captura a maior parte do

sinal de classificação», diz o artigo da equipe DS@GT HIPE no arXiv.

O ponto prático é simples: engenharia de características cara e modelos pesados não compensam aqui. A proximidade entre duas menções no texto é um sinal quase suficiente para prever a relação entre uma pessoa e um lugar.

Por que a validação cruzada comum infla o resultado?

Dividir os dados em nível de pares infla as métricas em 25-37 pontos percentuais, porque as mesmas menções de entidades se repetem em documentos diferentes e criam vazamento de dados (data leakage). A equipe DS@GT HIPE mostrou que, neste corpus, é fundamental usar validação cruzada agrupada por documento (document-grouped): ela elimina o vazamento e devolve uma estimativa honesta de qualidade.

Essa conclusão pesa mais do que a posição na tabela do desafio. Ela serve de alerta para outros pesquisadores de arquivos históricos: a validação cruzada aleatória padrão pinta, de forma sistemática, um quadro otimista demais quando menções de pessoas e lugares migram de um documento para outro.

O que isso significa

Na digitalização de arquivos históricos, a escala e o custo de processamento importam tanto quanto a precisão. O trabalho da DS@GT HIPE mostra que métodos leves e interpretáveis, na casa de um milhão de parâmetros, continuam competitivos em eficiência, e que um esquema de avaliação honesto vale mais do que mais uma característica complexa.

Perguntas frequentes

O que são as relações at e isAt no HIPE-2026?

São os tipos de relação «pessoa-lugar» que precisam ser classificados entre menções de pessoas e de locais previamente anotadas em jornais históricos em inglês, francês e alemão. A trilha foi adicionada ao HIPE-2026 como uma nova tarefa de avaliação.

Por que o sistema dispensou grandes modelos de linguagem?

A equipe DS@GT HIPE quis verificar até onde uma abordagem leve e interpretável consegue chegar: um grafo construído a partir de análises sintáticas, mais características de proximidade, com a classificação feita por ensembles do scikit-learn ou por Graph Attention Networks compactas. Todas as execuções ficaram abaixo de 847 mil parâmetros, o que rendeu o 3º lugar em eficiência.