Um ambiente para edição, extração e representação do conhecimento contido em artigos científicos publicados na web 1

Transcrição

1 Um ambiente para edição, extração e representação do conhecimento contido em artigos científicos publicados na web 1 LeonardoCruz da Costa ( PPGCI-UFF/IBICT) Carlos Henrique Marcondes (PPGCI-UFF/IBICT) Resumo: Os artigos científicos possuem além da estrutura textual uma estrutura de conhecimento, que pode ser extraída do texto e representada de forma que seja possível o seu processamento por programas como uma ontologia. O objetivo deste trabalho é apresentar o modelo de um ambiente de edição/publicação para comunicação científica na WEB que permita a publicação de artigos científicos, não só em suas partes textuais, como também, a representação de forma explícita do conhecimento nele contido, em formato legível por programas, viabilizando assim sua recuperação semântica. Palavras-chave: Publicação Eletrônica. Comunicação Científica. Web Semântica Representação do Conhecimento, Ontologia. Abstract: The scientific articles possess besides the textual structure a knowledge structure, that can be extracted of the text and acted in a form they could be processed by software as na ontology it processing for programs. The objective of this work is to present the model of an environment edition/publication for scientific communication in the WEB that allows the publication of scientific articles not only in their textual parts, as well as, acting in an explicit way the knowledge in him contained, in readable format for programs, making possible its semantic recover. Keywords: Electronic publishing. Ccientific communication. Semantic web. Knowledge representation. Ontologies. 1 Resumo de pôster apresentado ao GT-02 - Organização e Representação do Conhecimento. 1

2 Introdução A velocidade da comunicação científica aumentou, mas a sua recuperação continua baseada nas tradicionais máquinas de busca e nos Sistemas de Informação, onde se gasta uma quantidade significativa de tempo pesquisando, folheando e lendo documentos, para descobrir como estão relacionados entre si e onde cada um se afasta do domínio do problema pesquisado. Já a validação do conhecimento contido nos artigos científicos, a análise de sua consistência, a identificação de novas contribuições para a Ciência, dependem de um lento processo social em que artigos científicos são lidos, avaliados por outros pesquisadores, citados, até que as novas descobertas sejam finalmente incorporadas à Ciência. Através da comunicação científica o pesquisador repassa às comunidades científicas as informações e os conhecimentos recém-gerados, permitindo que os resultados possam ser confirmados (reproduções dos resultados) e cuja validação também possa ser comprovada através da publicação em jornais e revistas científicas após julgamento de seus pares (peer review) garantindo a prioridade da descoberta científica. Hoje a publicação eletrônica é uma realidade. Apoiando-se em tecnologias como a Internet, tornou-se possível a criação de repositórios para publicação (Eprints, preprints, selfpublishing). Várias bases de dados referenciais, de textos completos, periódicos eletrônicos e índices de citações, tais como: MEDLINE i, ERIC ii, SciELO iii,web of Science iv, são disponíveis, proporcionando o acesso imediato aos conteúdos dos artigos científicos. O pesquisador publica através de ferramentas como as citadas anteriormente e, além disso, descreve e indexa seus trabalhos. O processo sócio-cultural em que se baseia a comunicação científica continua o mesmo, dentro do paradigma da biblioteconomia e da Ciência da Informação, apesar dos aportes de TIs para facilitar a publicação, a busca e o acesso ao texto final de documentos eletrônicos: publicação na Web, descrição e indexação. Vivemos atualmente o que poderíamos chamar de nova explosão informacional com a Internet, onde milhares de novos documentos eletrônicos são publicados anualmente, porém ainda calcados no modelo impresso, como cópias digitais das publicações em papel, provendo acesso ao texto do documento, não ao conhecimento neles implícito. Essa imensa quantidade de documentos dificulta a recuperação do que é relevante. Assim, surgem oportunidades para o estudo de novas formas de organizar a informação na Web. O esforço em prover o livre acesso às informações para a produção científica não se a limita comunicação científica eletrônica. Ontologias públicas são projetadas para permitir o compartilhamento do conhecimento entre pesquisadores. Vários setores da comunidade científica vêm desenvolvendo ontologias em domínios temáticos específicos, compartilhando, formalizando o conhecimento e representando-o de maneira que possa ser processado por programas, constituindo verdadeiras bases de conhecimento público na Web. Diante disso, foi criado um modelo (Marcondes, 2005) para representar o conhecimento contido nos artigos científicos, como uma ontologia, baseado nos elementos do Método Científico, na forma como eles se manifestam nos artigos científicos. O modelo permite que os documentos eletrônicos passem a conter não só suas partes textuais, mas também conhecimento representado de maneira explícita e processável por programas. Nosso objetivo é conceber um ambiente de edição/publicação na WEB que permita a publicação de artigos científicos segundo este modelo. Nosso trabalho está relacionado com projetos e experiências de representação do conhecimento, da criação de ambientes de cooperação, comunicação e publicação entre cientistas como W3C Scientific Publishing Task Force 2

3 Ontology for Experiment Self-Publishing v e The Scholarly Ontologies Project vi e o Trellis Project vii Projeto EXPO. O Artigo Científico O artigo científico é o principal meio que o cientista tem para apresentar os resultados de sua pesquisa à comunidade de seus pares; é o produto enquanto registro do conhecimento. Os cientistas se esforçam para convencer seus pares da validade de suas descobertas dentro de um contexto persuasivo tornando o artigo científico um processo retórico (Gross, 1990). Assim, o artigo científico se apóia em um esquema para expor de maneira lógica e sistemática os diferentes itens do assunto (Marconi e Lakatos, 1985), apresentando-os como um todo coerente, onde as proposições e as sentenças estão ligadas e organizadas num nível macroestrutural (Van Dijk, 1978), isto é, segundo Van Dijk, um texto apresenta três estruturas constituintes. A primeira, microestrutura, situa-se no nível de sentenças e orações que vão satisfazer as condições de coerência e conexão. Uma segunda estrutura, a macroestrutura, refere-se à idéia geral do texto, a representação abstrata do significado do texto, representando a estrutura semântica. E finalmente, a superestrutura, que caracteriza o tipo e a forma do texto, suas unidades, a organização seqüencial dos módulos constitutivos da textualidade. Desta forma, os textos não apenas possuem uma estrutura semântica global (macroestrutura), mas também possuem uma estrutura esquemática global (superestrutura). O modelo de ontologia (Marcondes, 2005, 2007) busca representar a macroestrutura do texto, a semântica, para que torne possível o processamento do seu conteúdo através de programas. Diferente de um texto livre, onde o autor tem diversas possibilidades de organizá-lo e compô-lo ( macroestruturar e superestruturar ), o artigo científico conta com uma estrutura argumentativa formada por algumas categorias (introdução, método, resultado e discussão - IMRAD) que fazem parte de sua superestrutura. Portanto, de acordo com cada categoria da superestrutura, o autor escolhe palavras e sentenças para sua composição textual, buscando a coerência do texto e o convencimento o leitor. A atual literatura sobre metodologia científica é influenciada pela proposta de Karl Popper, consubstanciada no chamado método hipotético-dedutivo. Marconi e Lakatos (2004) expressam o método hipotético-dedutivo, da seguinte maneira: a) problemas: decorrentes, normalmente, de conflitos entre a teoria existente e as expectativas; b) conjectura: solução proposta em forma de proposição passível de teste (Se...então) e c) testes de falseamento: consistem em tornar falsas as conseqüências deduzidas, por exemplo, se x é dedutível de y, mas x é falso, logicamente, y também é falso. Isto é o conhecimento científico tem uma forma de relacionamento entre fenômenos. Ao utilizar a comunicação científica, o pesquisador, transfere para o papel os resultados obtidos, o caminho percorrido, comunicando suas descobertas, utiliza o método científico como um caminho para chegar a um fim ou pelo qual se atinge um objetivo. A estrutura semântica global (macroestrutura), assim como a superestrutura, é influenciada pelo Método Científico que estabelece um conjunto geral de técnicas e métodos sobre os quais a pesquisa científica deve ser realizada. Assim, o método científico é utilizado como meio para desconstruir o texto para possibilitar a captura da macroestrutura. 3

4 O Ambiente A proposta de um ambiente Web que permita aos pesquisadores a auto-publicação de seus artigos simultaneamente, em formato legível por pessoas e inteligível por programas é delineada na Figura 1. Esse ambiente pressupõe o desenvolvimento de um software específico, que registre o conteúdo de um artigo como uma instância de uma ontologia (Marcondes, 2005). Através de um ambiente de autoria, um editor de textos científico, artigos publicados podem ser recuperados de forma semanticamente muito mais rica e precisa. É possível estender as funcionalidades dos atuais ambientes Web de publicação permitindo que um autor, ao submeter seu artigo, interaja com o sistema e forneça mais do que simples metadados que descrevam seu artigo, como acontece hoje, e sim elementos que permitam ao sistema extrair, representar o conhecimento contido no artigo. Esse conhecimento tem como base os elementos semânticos do Método Científico, com isso estaremos aproveitando as potencialidades do ambiente Web. Miranda e Simeão (2002) destacam o pouco uso de características típicas do ambiente Web como interatividade, hipertextualidade, multimediação nos sites de acesso de distribuidores internacionais de periódicos eletrônicos como Elsevier, Galé, Ovid, Springer, ProQuest, SciELO, etc. Figura 1 Ambiente Web de autoria e auto-publicação Através de ferramentas de software apropriadas, esse conhecimento pode ser extraído com um subproduto do processo de editoração/auto-publicação eletrônica de um artigo pelo autor. Isso abre novas perspectivas para a aquisição, processamento e compartilhamento do conhecimento científico, além disso, viabiliza-se a validação da consistência das afirmações contidas num artigo, ao recuperar a linha de raciocínio que levou a uma descoberta e comparando-a com o conhecimento público, representado na forma de ontologias públicas, como por exemplo, a UMLS (Unified Medical Language System). 4

5 O modelo também aponta para a criação de um novo padrão, uma LMCC Linguagem de Marcação do Conhecimento Científico contendo o conteúdo semântico de artigos científicos publicados na Web. Este artigo destaca os benefícios de um formato semanticamente rico para representar o conteúdo de artigos científicos. A modelagem do ambiente se iniciou com o estudo sobre mineração de texto, especificamente com relação a Extração de Informação, procurando identificar e estruturar a informação contida nos artigos científicos, com o intuito de individualizar partes relevantes. A identificação dos fatos científicos é direcionada pelos elementos que compõem a ontologia (Marcondes, 2005) onde cada texto será representado como uma instância da ontologia. Com a finalidade de subsidiar a identificação de tais elementos, para que no futuro seja possível construir um software de mineração de texto, como parte do ambiente, realizamos uma pesquisa para identificar padrões lingüísticos (frases indicativas, cue frases, gold-frases), tais como: nosso objetivo é, nesse trabalho, nesse artigo, relacionadas diretamente com a anunciação do objetivo do autor. O estudo comprovou que em 88% dos artigos pesquisados, os autores apresentam o objetivo do trabalho no resumo (abstract) e/ou na introdução, mais especificamente no final da introdução, utilizando um padrão lingüístico, enquanto que nos 11% dos artigos restantes, o objetivo não está claramente exposto através de um padrão lingüístico. A ocorrência de verbos nesses padrões está associada a basicamente três tempos verbais (língua Inglesa): present tense, past tense, present perfect tense, passive voice. A análise permitiu caracterizar como os autores apresentam seus objetivos no texto do artigo científico e com isso tornar possível planejar a criação de algoritmos para a mineração de textos e a extração de informação para identificar o objetivo do trabalho que é um dos elementos da ontologia. Conclusão Os ambientes de (auto) publicação existentes (publicações eletrônicas, bibliotecas digitais, repositórios institucionais ou temáticos) se limitam a interagir com o autor no sentido de orientá-lo na descrição bibliográfica de seu artigo, em assinalar metadados mais apropriados e controlar o texto de forma a recuperá-lo com mais precisão. Não estão voltados para a extração do conhecimento contido no texto e nem permitir que a recuperação seja direcionada pela semântica. O que buscamos com a construção deste ambiente é um melhor compartilhamento, utilização e disseminação do conhecimento, essenciais para o desenvolvimento da Ciência, um ambiente que ofereça cada vez mais facilidades para o trabalho do cientista. Não apenas facilidades para acesso a documentos em bibliotecas digitais e publicações eletrônicas, não apenas facilidades de comunicação e trabalho cooperativo com seus pares, como correio eletrônico, listas e fóruns de discussão, mas também ambientes de publicação e acesso ao conhecimento. Referências: GROSS, Alan G. The Rhetoric of Science. Cambridge, Massachusetts; Londres, Inglaterra : Harvard University Press,1990. MARCONI, Marina de Andrade; LAKATOS, Eva Maria. Metodologia científica. São Paulo : Editora Atlas,

6 MARCONDES, C. H; MENDONÇA, M. A. R; MALHEIROS, L. A estrutura dos elementos de metodologia científica no textos de artigos de periódicos eletrônicos em Ciências da Saúde. In: International Conference on Health Information and Libraries, 9, Salvador, Bahia, Brasil, Proceedings... Salvador, Disponível em <http// Henrique Marcondes doc>. From scientific communication to public knowledge: the scientific article Web published as a knowledge base. In: Egelen, Jan, Dobreva, Milena, ed. ICCC ElPub - INTERNATIONAL CONFERENCE ON ELECTRONIC PUBLISHING, Leuven, Bélgica, 2005, 9, Proceedings... Leuven, Bélgica, p Disponível em < MIRANDA, Antonio; SIMEÃO, Elmira. A conceituação de massa documental e o ciclo de interação entre tecnologia e o registro do conhecimento. DataGramaZero, v.3, n. 4, ago Disponível em acesso em 15 nov VAN DIJK, T. La ciência del texto:um enfoque interdisciplinario. Trad. Sibila Hunzinger. Barcelona: Paidos, 1978 i ii iii iv v vi vii 6