Sujeito Paciente E Agente

Trabalhando com sujeito paciente e agente em análise sintática automática

Acho que a maioria das pessoas que começa a brincar com extração de informação em português se depara com isso no terceiro ou quarto projeto. Vocês tentam fazer um script simples que identifica quem faz o quê na frase, e aí descobrem que a língua não funciona como eles imaginaram. O sujeito agente é fácil. O sujeito paciente é onde tudo desaba. Vou explicar primeiro o problema prático, depois a definição técnica, porque é assim que eu aprendi quando estava estudando isso há anos atrás. Tenho um script que uso internamente na empresa que processa uns 40 mil documentos por dia, e ele passa por validação manual de uns 5% dos casos por questão de qualidade. O custo de não tratar isso direito é alto.

Diferença entre sujeito paciente e agente

Na gramática tradicional, o sujeito agente é aquele que pratica a ação verbal. O sujeito paciente é aquele que sofre a ação. Em português isso se manifesta principalmente na voz passiva e em construções com verbos que permitem dupla classificação. O problema é que muitos modelos treinados em corpus ingênuos tratam todas as orações subordinadas substantivas como se fossem AgentPivot, o que gera erro sistemático. Por exemplo, na frase "O relatório foi analisado pelo diretor", o sujeito "o relatório" é paciente. O agente está dentro da adjunção adverbial introduzida por "pelo". Já em "A nova política surpreendeu os trabalhadores", "a nova política" é sujeito agente. Parece óbvio, mas quando você passa isso para um parser universalDependency, as etiquetas mudam de forma inconsistente dependendo do modelo.

No UD, o sujeito paciente frequentemente aparece como nsubj em voz passiva sintética, mas o papel semântico real é Patient. Modelos mais novos do SpaCy com pipeline neural já identificam melhor, mas ainda erram em construções com "se" apassivador. Isso é importante.

O problema com o marcador passivizador

Eu tenho um caso muito específico que me deu problema há dois anos. Estávamos processando notícias jurídicas, onde construção passiva com "se" é extremely frequente. A frase tipo "Vistos os documentos anexos" aparecia frequentemente. O parser identificava "vistos" como verbo principal e "os documentos anexos" como sujeito, mas a relação de dependência ficava ambígua: era nsubj ou sujeito paciente de uma oração absoluta? A solução que encontramos foi criar uma regra baseada em three sinais concatenatedos: primeiro, verificar se o verbo está no particípio; segundo, verificar se o sujeito antecede o verbo; terceiro, verificar se não há agente explícito com preposição "por". Quando os três se aplicam, marcamos como sujeito paciente forçado. Funciona em cerca de 94% dos casos no nosso domínio. Os outros 6% são construções litigiosas que vão para revisão manual.

Implementação prática

Vou mostrar o código que uso. É Python com SpaCy, mas a lógica se aplica a qualquer pipeline de parsing. Instalei a versão mais recente do modelo pt_core_news_lg, que já vem com embeddings pré-treinados para português brasileiro.

import spacy
from spacy.tokens import Token

nlp = spacy.load("pt_core_news_lg")

def classify_subject(doc):
    results = []
    for sent in doc.sents:
        for token in sent.root.children:
            if token.dep_ == "nsubj":
                verb = sent.root
                is_participle = verb.pos_ == "VERB" and verb.tag_ in ["VFN", "VPN"]
                has_agent = any(c.dep_ == "agent" or (c.dep_ == "obl" and c.head.lemma_ == "por") for c in verb.children)
                subject_precedes = token.i verb.i
                if is_participle and subject_precedes and not has_agent:
                    results.append({
                        "subject": token.text,
                        "type": "sujeito_paciente",
                        "verb": verb.text
                    })
                else:
                    results.append({
                        "subject": token.text,
                        "type": "sujeito_agente",
                        "verb": verb.text
                    })
    return results

Esse código é simplificado. Ele não tratacoordenação, negação, ou orações com pronome reflexivo. Para produção eu tenho uma versão muito mais longa que cobre esses casos. O tempo de processamento para um documento de 500 páginas em um servidor comum é cerca de 3 minutos, se não tivermos problemas de memória com o modelo grande.

Limitações que ninguém conta

Deixar claro: esse método falha completamente com orações impersonais, sujeito oculto desacompanhado, e principalmente com construções de ergatividade que aparecem em português coloquial. Se o seu corpus tiver linguagem informal, Twitter, transcrições de áudio, o rendimento cai drasticamente. Eu tive que criar um classificador separado baseado em features de superficie para esses casos, usando Random Forest com uns 15 features extraídos doDependency tree. Outro problema sério é que modelos de linguagem como o GPT ainda têm tendência a marcar sujeitos pacientes como agentes quando a construção é ambígua. Isso acontece porque o treino deles é majoritariamente em texto jornalístico formal, onde a passiva analítica domina, mas constructions com "se" são menos frequentes nesse registro. Se você confiar cegamente em LLMs para essa tarefa, vai precisar de uma camada de validação robusta.

Quando usar abordagem alternativa

Se o seu domínio for muito técnico, com jargão específico ou construções complexas, recomendo treinar um modelo próprio a partir do pt_core_news_trf. O modelo transformer-based do SpaCy para português consegue capturar melhor o contexto da oração inteira, não apenas a dependência local. O custo computacional é maior — leva uns 8 segundos por documento de 500 páginas no meu setup — mas a acurácia sobe para algo em torno de 97% em sujeito paciente versus 94% da abordagem rule-based pura. Se o volume for realmente alto, talvez valha a pena considerar uma abordagem híbrida: usar as regras para filtrar os casos óbvios (cerca de 70% do corpus) e deixar apenas os Ambiguous para o modelo transformer. Isso corta o tempo de processamento pela metade mantendo qualidade aceitável.

Verificando o resultado

Depois de rodar o classificador, eu sempre faço uma validação visual. Uso o displacy com modo dep e cor diferente para nsubj paciente versus agente. É rápido de visualizar e captura erros sistêmicos que métricas automáticas não mostram. Às vezes o modelo marca tudo certo, mas a classificação semântica fica estranha porque o verbo tem múltiplas lemas e o sistema escolheu a Errada. Por exemplo, o verbo "servir" pode ser transitivo direto ou indireto dependendo do contexto. "O médico serviu os pacientes" — aqui "os pacientes" é sujeito agente na interpretação de "atendeu", mas sujeito paciente na interpretação de "prestation de serviço". O parser não diferencia sem contexto suficiente. Nesse caso, eu uso a informação do contexto circular ou adiciono uma regra baseada em collocation frequency extraída de um corpus de referência.

O ponto é que sujeito paciente e agente não são categorias que se resolvem com uma linha de código. Exigem atenção ao domínio, validação constante, e humildade para admitir que o modelo não vai acertar tudo. Se você estiver começando agora, sugiro testar com um corpus pequeno annotated manualmente antes de escalar. Leva umas duas horas para anotar 200 frases, mas economiza dias de debug depois.