Questão de Estatística · FGV MP-SC 2022 (nº 68)

Classificação de documentos é a tarefa de atribuir automaticamente um rótulo ou categoria a um texto inteiro (ex.: "SPAM" ou "NÃO SPAM", "positivo" ou "negativo"). Diferente de tarefas que analisam partes do texto (palavras, frases), a classificação decide sobre o documento como um todo.

• (A) Incorreta: Tokenização é apenas a quebra do texto em palavras (pré-processamento), não atribui nenhuma categoria ao documento.
• (B) Incorreta: POS-tagging (etiquetar cada palavra como verbo, substantivo) e reconhecimento de entidades nomeadas (achar nomes de pessoas, lugares) são tarefas de extração de informação, não de classificação do documento inteiro.
• (C) Correta: Filtragem de SPAM (classificar e-mail como "spam" ou "não spam") e análise de sentimento (classificar um texto como "positivo", "negativo" ou "neutro") são exemplos clássicos de classificação, pois atribuem um rótulo global ao texto.
• (D) Incorreta: Análise sintática (estudar a estrutura gramatical da frase) e POS-tagging são tarefas de nível de frase/palavra, não decidem a categoria do documento.
• (E) Incorreta: Filtragem de stopwords (remover palavras comuns como "de", "o") é pré-processamento; "reconhecimento de linguagem" (detectar o idioma) até pode ser classificação, mas a alternativa erra ao juntar com stopwords, que não é classificação.

Armadilha da banca: A pegadinha mais tentadora é a (B), pois POS-tagging e reconhecimento de entidades nomeadas são tarefas de PLN famosas e "sofisticadas". O aluno confunde "processar linguagem" com "classificar documento". A banca quer que você perceba que essas tarefas analisam elementos internos do texto (palavras, entidades), enquanto a classificação trata o documento como uma unidade para rotulá-lo.