HIPE-2026: как извлечь связи «человек-место» из исторических газет без нейросетей

A equipe DS@GT HIPE, na competição científica HIPE-2026, mostrou que é possível extrair relações "pessoa-lugar" de jornais históricos sem modelos de linguagem pré-treinados: seu sistema, com até 847 mil parâmetros, ficou em 3º lugar no perfil de eficiência entre 17 equipes, alcançando um macro recall de 0,5142. O preprint foi publicado no arXiv (julho de 2026).

O que a pesquisa mostrou

O HIPE-2026 introduziu pela primeira vez a extração de relações "pessoa-lugar" de jornais históricos multilíngues como uma trilha de avaliação separada — em inglês, francês e alemão. A tarefa da trilha é classificar as relações at e isAt entre menções de pessoas e locais previamente rotuladas. A equipe DS@GT HIPE (team2 nos resultados oficiais) testou até onde é possível chegar com um sistema leve e interpretável que, na etapa de classificação de relações, não usa nenhum modelo de linguagem grande.

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

*HIPE-2026 é uma trilha nova: relações "pessoa-lugar", nos idiomas inglês, francês e alemão

*São classificadas as relações at e isAt entre menções rotuladas de pessoas e lugares

*A equipe DS@GT HIPE é a team2 nos resultados oficiais

*Melhor execução: macro recall de 0,5142 no Test A (o conjunto de jornais)

*Resultado: 3º lugar em eficiência, meio da tabela em precisão entre 17 equipes

Qual característica resolve a tarefa?

A distância mínima de caracteres entre entidades, por si só, capta a maior parte do sinal de classificação — essa é a primeira das duas principais conclusões da equipe. Adicionar outras características construídas traz ganhos desiguais e, às vezes, piora o resultado. Isso ecoa dados anteriores de que a distância entre os argumentos domina a tarefa de extração de relações.

"A distância mínima de caracteres, por si só, capta a maior parte do

sinal de classificação", afirma o artigo da equipe DS@GT HIPE no arXiv.

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

Por que a validação cruzada comum infla o resultado?

Dividir os dados no nível do par infla a pontuação 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, nesse corpus, é fundamental aplicar validação cruzada agrupada por documento (document-grouped): ela elimina o vazamento e devolve uma estimativa honesta de qualidade.

Essa conclusão é mais importante do que a posição específica na tabela do torneio. Ela alerta outros pesquisadores de arquivos históricos: a validação cruzada aleatória padrão desenha sistematicamente um quadro otimista demais quando as menções de pessoas e lugares migram de um documento para outro.

O que isso significa

Ao digitalizar arquivos históricos, a escala e o custo do processamento importam tanto quanto a precisão. O trabalho da DS@GT HIPE mostra que métodos leves e interpretáveis com menos 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 tipos de relações "pessoa-lugar" que precisam ser classificadas entre menções previamente rotuladas de pessoas e locais 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 os grandes modelos de linguagem?

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