O que realmente acontece quando você decompõe uma palavra
A morfologia do português não é tão rígida quanto os manuais escolares apresentam. Quando se analisa a estrutura e formação das palavras, o primeiro obstáculo é perceber que muitos dos processos descritos na gramática normativa não correspondem à realidade do uso. Eu passava horas a tentar classificar formas que, na prática, são apenas variações dialectais ou arcaísmos que a norma consolidou sem explicar a sua origem real. Vou ser directo: a decomposição morfológica exige pragmatismo, não dogmatismo. Os sufixos portuguesos têm sobreposições enormes. O mesmo segmento pode ser um sufixo derivacional noutra palavra e um marcador flexional noutro contexto. A diferença entre derivacao e composicao nao é sempre limpa.
Principais processos de estrutura e formação das palavras
O processso basico e a derivacao. Aderivacao acrescenta morfemas a uma base lexica para criar um novo lexical. O prefixo des- mais o radical gostar produz desgostar. O sufixo -amento mais o radical construir produz construcao. Isto é o mais previsivel e o mais facil de identificar. O problema aparece quando entramos nos limites entre derivacao e flexao. O morfema -oes em obras pode ser interpretado como plural flexional ou como derivacao a partir de obreiro. Depende da perspectiva. Eu recomendo tratar como flexao quando o morfema marca concordancia e como derivacao quando introduz um novo argumento predi cativo, mas isso nem sempre e possivel de determinar com certeza.
A composicao e outro processo com muitas sutilezas. Composicao morfolgica junta dois radicas: guarda-chuva, segundamão. Composicao morfossintatica implica que um dos elementos retainha funcoes sintaticas: pé-de-moleque, porta-malas. A fronteira entre palavra composta e sintagma lexicalizado e frequentemente indistinta. A hibridacao ocorre quando combinamos um elemento latinizante com um portugues. Biologia, telefonema, televisor. Estes formadores nao sao productivos do mesmo modo que os sufixos germanicos ou romances. Telefonema ja nao se produz novas palavras regularmente, enquanto -metro em termometro, barometro permanece produtivo.
Um problema pratico que encontrei e como o resolvi
Houve um projecto em que me pediram para normalizar um corpus de 40 mil tokens para um processador de linguagem natural. Tinha de segmentar todas as palavras compostas e os derivados de forma consistente. O algoritmo que tinha inicialmente falhava sistematicamente com formas como desempregado. O prefixo des- estava ser identificado, mas o morfema -ado gerava ambiguidade entre participio verbal e sufixo derivacional adjectival. A solucao passou por criar um dicionario morfologico proprio com entradas para os 200 prefixos e sufixos mais frequentes, mas o passo decisivo foi adicionar um filtro baseado em frequencia corpuscular. Quando um formado ambiguo aparecia com frequencia superior a 10 ocorrencias no corpus, eu forca a leitura como derivacao. Abaixo desse limiar, o sistema mantinha a opcao de ambiguidade e sinalizava para analise manual.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Isto reduziu o erro de segmentacao de 18 por cento para cerca de 3,2 por cento. Nao eliminei todos os erros, mas tornei-os rastreaveis. A vantagem deste metodo e que voce consegue medir o custo-beneficio de cada regra adicional.
O que os manuais geralmente omitem
A primeira coisa que falta na maioria dos materiais e a nocao de produtividade morfologica. Nao todos os processos de formacao sao igualmente ativos no portugues contemporaneo. Certos sufixos sao altamente produtivos, outros estao praticamente mortos. -ismo ainda produz neologismos regularmente. -ario esta em declinio produtivo. -orio tem uso muito restrito e tende a surgir apenas em emprestimos ou contextos técnicos. A segunda omicao comum e a questao da sobreposicao de processos. Uma palavra como antissemitismo passou por duas camadas de derivacao: anti- mais semita, e depois o sufixo -ismo. Analisar apenas a ultima camada da errado. Analisar apenas a primeira tambem. Voce precisa de uma estrategia que considere ambas simultaneamente, o que complica qualquer analise automacao.
Há também o caso das palavras retrogadas, como rádio, computador, cinema. São formas truncadas que a gramática tradicional às vezes classifica como abreviação, mas que na verdade perderam o traço truncado e tornaram-se lexemas autônomos. Tratar essas formas como derivação parassintética, como alguns modelos propõem, gera erro sistemático.
Limitações que precisam ser aceites
A morfologia de constituicao nao funciona bem para emprestimos recentes. Palavras como streaming, hashtag, deepfake nao se decompoe reliably em morfemas portugueses. Forcar uma analisis morfologica nesses casos produz resultados semanticamente absurdos. A solucao pratica e tratar emprestimos recentes como unidades indivisiveis ate que o processo de adaptacao morfologica se complete, o que pode levar decadas. O outro limitacao importante e que a abordagem morfologica tradicionl falha com palavras cuja etimologia e obscura ou disputada. O nome de muitas formacoes populares nao tem origem documentada. Em tais casos, a classificacao morfologica torna-se circular: voce assume uma analise e depois usa essa analise para justificar a classificacao.
Para corpus de grande escala, o melhor abordagem e uma combinação de regras morfológicas com dicionários de frequência. Regras soles produzem muitos falsos positivos. Dicionários soles perdem palavras novas. Juntos, com um limiar de confiança configurável, o resultado é robusto o suficiente para a maioria das aplicações práticas. A análise morfológica profunda ainda não existe como sistema completo em português. Os melhores resultados vêm de quem combina conhecimento linguistico com dados empiricos e aceita que certa quantidade de ambiguidade e inherente ao fenomeno.
