• A

  A extração de relações falhou porque o modelo de NER não foi treinado para reconhecer entidades aninhadas; a solução é aplicar um modelo de coreference resolution para ligar o prazo ao órgão correto. A sumarização extrativa incluiu a frase inteira porque não utilizou word embeddings; a solução é substituir por sumarização abstrativa com transformers. A busca semântica priorizou valores monetários porque usou TF-IDF; a solução é usar BM25 com stopwords.

• B

  A extração de relações falhou porque a relação entre prazo e órgão público não foi explicitamente anotada no corpus de treinamento; a solução é utilizar uma abordagem de relation extraction baseada em dependências sintáticas ou modelos de transformers fine-tuned para relações específicas. A sumarização extrativa incluiu a frase inteira porque o algoritmo de seleção de sentenças não considerou a relevância da prorrogação; a solução é ajustar o critério de seleção para incluir sentenças com termos-chave como “prorrogável”. A busca semântica retornou prazos diferentes porque a representação vetorial não capturou a semântica de prazos; a solução é treinar embeddings específicos para o domínio jurídico ou usar modelos de sentence embeddings como Sentence-BERT.

• C

  A extração de relações falhou porque o modelo de NER confundiu o órgão público com uma entidade do tipo organização; a solução é re-treinar o NER com mais exemplos de órgãos públicos. A sumarização extrativa incluiu a frase inteira porque o resumo deveria ser abstrativo; a solução é usar um modelo seq2seq como BART. A busca semântica retornou prazos diferentes porque o índice invertido não armazenou os prazos; a solução é indexar os prazos como metadados e filtrar por intervalo.

• D

  A extração de relações falhou porque a relação entre prazo e órgão público é uma relação de n-ária e o modelo usado era binário; a solução é aplicar um modelo de event extraction para capturar todos os argumentos. A sumarização extrativa incluiu a frase inteira porque o algoritmo de sumarização não removeu stopwords; a solução é aplicar text cleaning antes da sumarização. A busca semântica retornou prazos diferentes porque a similaridade de cosseno foi calculada sobre bag-of-words; a solução é usar Jaccard similarity sobre n-gramas.

• E

  A extração de relações falhou porque o modelo de NER não identificou o órgão público; a solução é aplicar named entity recognition com gazetteers de órgãos públicos. A sumarização extrativa incluiu a frase inteira porque o resumo deveria ser mais curto; a solução é limitar o número de palavras. A busca semântica retornou prazos diferentes porque a métrica de similaridade foi a distância euclidiana; a solução é usar similaridade de cosseno.

Atalhos: A–E marca · Shift+letra corta · Enter próxima

Selecione uma alternativa pra criar sua conta e salvar o progresso.