Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.287
Aluno: Victor Gabriel de Morais Fragoso
Orientadora: Profa. Flávia de Almeida Barros
Coorientadora: Profa. Vildeane da Rocha Borba (UFPE/ Depto de Ciência da Informação)
Título: UM PROCESSO PARA CRIAÇÃO DE REPOSITÓRIOS DE JORNAIS HISTÓRICOS: extração, correção e disponibilização de textos em documentos centenários.
Data: 03/07/2026
Hora/Local: 14h – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Flávia de Almeida Barros (UFPE / Centro de Informática)
Prof. Sandra de Albuquerque Siebra (UFPE/ Depto de Ciência da Informação)
Prof. Marcos Galindo Lima (UFPE/ Depto de Ciência da Informação)
RESUMO:
A imprensa histórica oitocentista brasileira armazena dados fundamentais sobre nossa memória social e política. Contudo, a disponibilização desses documentos em formato digital passível de indexação e recuperação automáticas enfrenta sérios obstáculos decorrentes de fatores variados: falhas no Reconhecimento Óptico de Caracteres, bem como a ineficácia para lidar com o português arcaico e suas variações ortográficas históricas. Nesse contexto, este trabalho teve como objetivo desenvolver um processo escalável e replicável para a criação de repositórios digitais de jornais históricos, automatizando a extração, correção e disponibilização de textos centenários com alta precisão. Foi implementado um sistema protótipo baseado no DSpace 9, utilizando o Apache Solr, que integra pré-processamento de imagens, pós-correção automática via Modelos de Linguagem de Grande Escala (LLMs) e a estruturação do corpus de documentos históricos em duas versões complementares (grafia original e atualizada). Para a disponibilização qualificada, desenvolveu-se um consumer baseado em regras para realizar a varredura e o preenchimento automático de metadados de assuntos e tipos de matéria, integrando uma etapa de auditoria humana. O estudo utilizou um corpus de 30 jornais digitalizados do Diario de
Pernambuco (1825–1839). A avaliação do processo foi conduzida a partir de testes empíricos baseados em transcrições manuais de referência, utilizando as métricas de Taxa de Erro de Caractere (CER) e Taxa de Erro de Palavra (WER) para o reconhecimento textual. Os testes aplicados após as alterações estruturais no indexador, utilizando de 10 termos de busca, demonstraram uma melhora substancial nos índices de precisão e revocação do sistema como um todo, alcançando valores médios de 87,4% de precisão e 96,5% de revocação relativa, mitigando o impacto do OCR ruidoso na busca. Os resultados obtidos sugerem que a conciliação entre arquiteturas abertas adaptadas e o tratamento linguístico complementar minimiza os ruídos da digitalização de documentos centenários, estabelecendo parâmetros práticos
para viabilizar o acesso em larga escala a acervos que, anteriormente, não eram recuperáveis por buscas textuais convencionais.
Palavras-chave: Recuperação da Informação. Imprensa Histórica. Reconhecimento Óptico de Caracteres. DSpace 9. Preservação Digital.
Comentários desativados