Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.ufjf.br/jspui/handle/ufjf/20818
Ficheros en este ítem:
No hay ficheros asociados a este ítem.
Clase: Tese
Título : Linguistically grounded NLP for gender-based violence identification in clinical records
Autor(es): Almeida, Arthur Lorenzi
Orientador: Torrent, Tiago Timponi
Miembros Examinadores: Vale, Oto Araújo
Miembros Examinadores: Goliatt, Priscila Vanessa Zabala Capriles
Miembros Examinadores: Avila, Sandra Eliza Fontes de
Miembros Examinadores: Matos, Ely Edison da Silva
Resumo: Sistemas de IA têm evoluído significativamente desde o início da última década. Grande parte desse progresso se manifesta na capacidade desses sistemas de executar uma ampla gama de tarefas utilizando a língua natural como interface com usuários. Apesar desse avanço, as metodologias de treinamento permanecem em grande medida incompatíveis com teorias linguísticas sobre língua e aprendizagem. Quando esses sistemas falham, suas limitações são frequentemente atribuídas à insuficiência de dados. Esta tese argumenta que o aumento de dados não é a única solução e que a integração de recursos linguísticos a pipelines de processamento de língua natural (PLN) pode melhorar o desempenho em tarefas semânticas. A hipótese é testada em textos em português brasileiro (PB), língua cujo desempenho em PLN ainda está aquém do esperado, apesar da abundância de dados. O contexto de aplicação é a identificação de violência de gênero em prontuários médicos da atenção primária. Segundo a Organização Mundial da Saúde, uma em cada três mulheres no mundo já sofreu algum tipo de violência ao longo da vida, e essas experiências frequentemente deixam sinais em registros de saúde. Trata-se de um cenário desafiador: os textos são ruidosos, utilizam vocabulário específico e contêm informações pessoais que precisam ser anonimizadas. Além disso, a identificação de violência de gênero exige representações que vão além de classificações baseadas apenas na forma textual. A tese apresenta dois estudos de caso. O primeiro avalia o papel do reconhecimento de entidades nomeadas (NER) na anonimização de prontuários. Os resultados mostram que a combinação de modelos de NER com recursos lexicais e regras simples melhora substancialmente o desempenho em comparação com abordagens exclusivamente neurais, já que diferentes categorias de informação exigem estratégias específicas. O segundo estudo integra um parser semântico baseado na FrameNet ao pipeline de PLN. A abordagem é avaliada por meio de buscas por padrões semânticos e pelo desenvolvimento de um modelo de classificação para identificar violência de gênero com base nas saídas do parser. As buscas identificaram 23,8% mais casos de violência do que os registrados no sistema oficial (SINAN), sendo que 92,2% desses não possuíam notificação formal. O classificador semântico baseado em representações da FrameNet superou tanto um modelo baseado em embeddings de um grande modelo de língua quanto um modelo treinado exclusivamente com dados estruturados. Este último tende a recuperar perfis demográficos associados a casos notificados, em vez de identificar sinais textuais específicos, perpetuando disparidades estruturais – limitação evitada pela abordagem baseada em frames, que ancora suas predições no conteúdo textual. Esses achados reforçam a importância de incorporar recursos e teorias linguísticas ao PLN. Sistemas assim mostram-se mais precisos, interpretáveis – com saídas legíveis – e mais eficientes em termos computacionais. Essa eficiência também tem implicações ambientais, ao reduzir as demandas energéticas de modelos de IA de grande escala. Em conjunto, os resultados indicam que a integração entre métodos computacionais e representações linguísticas produz sistemas mais eficazes e melhor alinhados às demandas éticas de aplicações do mundo real.
Resumen : AI systems have evolved drastically in the last decade. Much of this progress is visible in their ability to perform a wide range of tasks using language as the primary medium of interaction with users. Interestingly, however, the dominant frameworks used to train these systems are often disconnected from linguistic theories of language and learning. When they fail, the limitations are framed as a matter of training data availability. This thesis argues that more training data is not the only solution and that integrating linguistically grounded resources into the components of core natural language processing (NLP) pipelines can significantly improve performance on semantic-oriented tasks – and tests this hypothesis in Brazilian Portuguese (BP), a language for which NLP performance remains limited despite substantial available data. The application context is the identification of gender-based violence (GBV) in clinical notes from primary care. According to the World Health Organization, one in three women worldwide experience some form of violence in their lifetime, and these experiences are often reflected in health records. This domain is a demanding test bed: clinical notes are noisy and domain-specific, involve sensitive personal information that must be anonymized before any analysis can proceed, and require representations beyond surface-level text classification. Two case studies are presented. The first evaluates named entity recognition (NER) in the anonymization of clinical notes, demonstrating that combining NER with rule-based and lexical resources substantially outperforms a NER-only approach: different categories of personal information call for different kinds of recognition. The second integrates a FrameNet-based semantic parser as a new component into the core NLP pipeline and evaluates it through semantic pattern querying and supervised classification applied to GBV identification. Semantic pattern queries identified 23.8% more cases of violence than those present in official notification systems, with 92.2% of matched cases having no formal report. The semantic classifier built on frame-based features also vastly outperformed both a large sentence embedding baseline and a classifier relying on demographic and structured health record data. The latter broadly flags demographic profiles associated with reported cases rather than specific signals of violence, effectively encoding the structural disparities it is meant to help address – a limitation the frame-based classifier avoids by grounding predictions in the actual textual content of clinical notes. Such systems are not only more accurate and interpretable through human-readable labels – they are also more resource-efficient, with practical implications for environmental sustainability by reducing the energy demands of large-scale AI models. Ultimately, this work demonstrates that bridging computational methods with linguistically motivated representations can make AI systems more accurate, more interpretable, and more ethically aligned with sensitive real-world applications.
Palabras clave : Processamento de linguagem natural
Violência de gênero
FrameNet
Anonimização
Prontuários eletrônicos
Natural language processing
Gender-based violence
Anonymization
Electronic health records
CNPq: CNPQ::LINGUISTICA, LETRAS E ARTES::LINGUISTICA
Idioma: eng
País: Brasil
Editorial : Universidade Federal de Juiz de Fora (UFJF)
Sigla de la Instituición: UFJF
Departamento: Faculdade de Letras
Programa: Programa de Pós-graduação em Letras: Linguística
Clase de Acesso: Acesso Embargado
Attribution-NonCommercial-NoDerivs 3.0 Brazil
Licenças Creative Commons: http://creativecommons.org/licenses/by-nc-nd/3.0/br/
URI : https://repositorio.ufjf.br/jspui/handle/ufjf/20818
Fecha de publicación : 7-abr-2026
Aparece en las colecciones: Doutorado em Linguística (Teses)



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons