Marcos Fernando Lopes
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Marcos Fernando Lopes has a total of 5 co-authors. Here are the top co-authors by number of shared publications:
- Andressa Vieira e Silva
Universidade de São Paulo (USP), São Paulo, São Paulo, Brasil
1 shared publication - Paulo Eduardo Santos
PrioriAnalytica
1 shared publication - Rafael Macário Fernandes
Universidade de São Paulo
1 shared publication - Rodrigo Souza
Universidade de São Paulo (USP), São Paulo, São Paulo, Brasil
1 shared publication - Thomas Finbow
Universidade de São Paulo
1 shared publication
Latest Publications
- Open Access
- 17 June 2025
- Published by University of Minho in Linguamática
- Vol. 17 (1) , 137-152
Tradução Automática de expressões espaciais e não espaciais do inglês para o português
Os modelos neurais para a Tradução Automática representaram importantes avanços de desempenho por relação a modelos anteriores e, por isso, vêm sendo os mais empregados já há vários anos, mas ainda enfrentam dificuldades com expressões semanticamente mais complexas. Neste trabalho, investigamos o desempenho de dois dos sistemas de tradução automática mais utilizados da atualidade, Google Translator e DeepL, em expressões envolvendo representação e relação de objetos no espaço físico, sempre com a participação das mesmas preposições em inglês, divididas em situações com e sem interpretação espacial. Para a representação das expressões espacializadas, são aplicadas formalizações baseadas em modelos de Raciocínio Espacial Qualitativo, o que permite comparar a forma lógica de informações espaciais nos textos originais e em traduções automáticas do inglês para o português.Os resultados mostram que esses dois grandes sistemas de tradução ainda cometem muitos erros com essas expressões de relativa complexidade. Entre eles, o Google Translator é o que mais erra globalmente (35,52% de erros). O DeepL, com melhor desempenho global (11,72% de erros), comete significativamente mais erros em expressões envolvendo espacialidade, o que sugere que a tradução dessas expressões aumenta a dificuldade da tradução para esse modelo. Além disso, ao realizar um estudo sobre o tipo específico das dificuldades em expressões espacializadas, vê-se que o problema de tradução automática mais frequente diz respeito à incorporação ou não de circunstâncias da ação, o que se realiza no predicado de formas distintas no inglês (em que o verbo tende a incorporar a maneira) e no português (em que a maneira é realizada em adjuntos do verbo). Os~resultados do presente trabalho fornecem elementos específicos para a avaliação e o aprimoramento dos modelos de tradução automática entre essas e outras línguas em que as mesmas diferenças de representação do predicado se verifiquem.
- 17 June 2025
- Published by University of Minho in Linguamática
- Vol. 17 (1) , 137-152
Open AccessTradução Automática de expressões espaciais e não espaciais do inglês para o português
Os modelos neurais para a Tradução Automática representaram importantes avanços de desempenho por relação a modelos anteriores e, por isso, vêm sendo os mais empregados já há vários anos, mas ainda enfrentam dificuldades com expressões semanticamente mais complexas. Neste trabalho, investigamos o desempenho de dois dos sistemas de tradução automática mais utilizados da atualidade, Google Translator e DeepL, em expressões envolvendo representação e relação de objetos no espaço físico, sempre com a participação das mesmas preposições em inglês, divididas em situações com e sem interpretação espacial. Para a representação das expressões espacializadas, são aplicadas formalizações baseadas em modelos de Raciocínio Espacial Qualitativo, o que permite comparar a forma lógica de informações espaciais nos textos originais e em traduções automáticas do inglês para o português.Os resultados mostram que esses dois grandes sistemas de tradução ainda cometem muitos erros com essas expressões de relativa complexidade. Entre eles, o Google Translator é o que mais erra globalmente (35,52% de erros). O DeepL, com melhor desempenho global (11,72% de erros), comete significativamente mais erros em expressões envolvendo espacialidade, o que sugere que a tradução dessas expressões aumenta a dificuldade da tradução para esse modelo. Além disso, ao realizar um estudo sobre o tipo específico das dificuldades em expressões espacializadas, vê-se que o problema de tradução automática mais frequente diz respeito à incorporação ou não de circunstâncias da ação, o que se realiza no predicado de formas distintas no inglês (em que o verbo tende a incorporar a maneira) e no português (em que a maneira é realizada em adjuntos do verbo). Os~resultados do presente trabalho fornecem elementos específicos para a avaliação e o aprimoramento dos modelos de tradução automática entre essas e outras línguas em que as mesmas diferenças de representação do predicado se verifiquem.
- Open Access
- 31 December 2022
- Published by Grupo de Estudos Linguisticos do Estado de Sao Paulo in Estudos Linguísticos (São Paulo. 1978)
- Vol. 51 (3) , 1317-1335
Um modelo híbrido para o Reconhecimento de Entidades Nomeadas em português
O Reconhecimento de Entidades Nomeadas (REN) é uma tarefa computacional voltada para a classificação automática de termos chamados de Entidades Nomeadas em um texto, como os nomes de pessoas, lugares e organizações. Nesta pesquisa, propomos um modelo híbrido para o REN em português, que combina representações word embeddings e traços baseados em representações linguísticas explícitas (como regras morfossintáticas e pronomes de tratamento) aplicados a uma rede neural BiLSTM-CRF. O modelo foi treinado no corpus Harem (SANTOS; CARDOSO, 2007), obtendo 81,06% de medida-F, o que representa uma melhora estatisticamente significativa em relação ao modelo treinado somente com representações word embeddings. A BiLSTM-CRF também superou os resultados obtidos pelo módulo spaCy (HONNIBAL; MONTANI, 2017) e ficou um pouco acima do modelo BERTimbau (SOUZA; NOGUEIRA; LOTUFO, 2020). Esses resultados sugerem que a incorporação de traços linguísticos pode melhorar o desempenho de modelos de redes neurais no reconhecimento de entidades nomeadas em textos.
- 31 December 2022
- Published by Grupo de Estudos Linguisticos do Estado de Sao Paulo in Estudos Linguísticos (São Paulo. 1978)
- Vol. 51 (3) , 1317-1335
Open AccessUm modelo híbrido para o Reconhecimento de Entidades Nomeadas em português
O Reconhecimento de Entidades Nomeadas (REN) é uma tarefa computacional voltada para a classificação automática de termos chamados de Entidades Nomeadas em um texto, como os nomes de pessoas, lugares e organizações. Nesta pesquisa, propomos um modelo híbrido para o REN em português, que combina representações word embeddings e traços baseados em representações linguísticas explícitas (como regras morfossintáticas e pronomes de tratamento) aplicados a uma rede neural BiLSTM-CRF. O modelo foi treinado no corpus Harem (SANTOS; CARDOSO, 2007), obtendo 81,06% de medida-F, o que representa uma melhora estatisticamente significativa em relação ao modelo treinado somente com representações word embeddings. A BiLSTM-CRF também superou os resultados obtidos pelo módulo spaCy (HONNIBAL; MONTANI, 2017) e ficou um pouco acima do modelo BERTimbau (SOUZA; NOGUEIRA; LOTUFO, 2020). Esses resultados sugerem que a incorporação de traços linguísticos pode melhorar o desempenho de modelos de redes neurais no reconhecimento de entidades nomeadas em textos.