Tesis
Verbka : processo para aquisição de conhecimento baseado em semântica verbal
Verbka : knowledge acquisition process based on verbal semantics
Registro en:
VASQUES, Dildre Georgiana. Verbka: processo para aquisição de conhecimento baseado em semântica verbal. 2016. 1 recurso online (167 p.). Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia, Limeira, SP.
Autor
Vasques, Dildre Georgiana, 1971-
Institución
Resumen
Orientadores: Antonio Carlos Zambon, Paulo Sérgio Martins Pedro Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Tecnologia Resumo: O conhecimento do qual as organizações necessitam para enfrentar um problema geralmente já se encontra explicitado em formato textual. Todavia, esse conhecimento não pode ser devidamente utilizado sem um método e uma tecnologia adequada. Diante desse fato, muitas técnicas para a aquisição do conhecimento têm sido propostas. No entanto, muitas dessas técnicas ainda são executadas de maneira empírica e, na maioria das vezes, desprezam os relacionamentos semânticos não-taxonômicos, fundamentais para a aquisição do conhecimento processual e implícito. Para sanar esse problema, esta dissertação apresenta um processo para a aquisição do conhecimento baseado na classificação semântica dos verbos, como uma ferramenta para a gestão do conhecimento. O objetivo desse trabalho foi desenvolver um processo que, baseado na semântica verbal, se mostrasse capaz de extrair e modelar o conhecimento presente em textos escritos em língua natural, independentemente do domínio do conhecimento e em vários idiomas. O desenvolvimento do processo buscou a criação de regras para sistematizar a aquisição do conhecimento textual e representá-lo, graficamente, em Mapas Conceituais Causais. A pesquisa utilizou uma abordagem qualitativa, baseada em estudos teóricos da Linguística, Semântica, Gestão e Engenharia do Conhecimento. Os experimentos realizados nessa dissertação mostraram que o processo extrai conhecimento não-taxonômico e o recodifica em um Mapa Conceitual Causal. Esse mapa revela uma estrutura dinâmica do conhecimento, constituída por conceitos com características de transitoriedade semântica, devido ao caráter circunstancial no qual estão inseridos como causa ou efeito. O processo também possibilita a inserção de inferências, explicitando conhecimento implícito e gerando novas aprendizagens. Observa-se, portanto, que esse tipo de extração e modelagem pode contribuir para a aquisição do conhecimento em diversas áreas que utilizam a representação, armazenamento e compartilhamento do conhecimento como recursos. Além disso, pelo fato de poder ser aplicado em diferentes línguas, o processo contribui para o nivelamento e a globalização do conhecimento Abstract: The knowledge that organizations need to deal with problems is usually already explicit in text format. Nonetheless, this knowledge cannot be properly used without an adequate method and technology. According to this, many knowledge acquisition techniques have been proposed for knowledge acquisition. However, most of these techniques are still executed empirically, and most of the time, these techniques despise non-taxonomical semantic relationships, necessary for implicit and procedural knowledge acquisition. In order to solve this problem, this dissertation presents a knowledge acquisition process based on verbal semantic classification, as a knowledge management tool. The objective of this work was to develop a process that, based on verbal semantics, could be capable of extracting and modelling knowledge present in text written in natural language, independent of knowledge domain, and in different languages. The development process looked for the creation of rules to systematize the acquisition of textual knowledge and represent it, graphically, in Causal Concept Maps. Research used a qualitative approach, based on Linguistics, Semantics, and Knowledge Management and Engineering theoretical studies. Experiments performed in this dissertation showed that the process extracts non-taxonomic knowledge, and recode it in a Causal Concept Map. This map shows a dynamic structure of knowledge, consisting by concepts with semantic transience characteristics, due to the circumstantial role concepts perform, as cause or effect. This process also allows insertion of inferences, expliciting implicit knowledge and creating new knowledge. Therefore, this kind of extraction and modelling can contribute to knowledge acquisition in diverse areas, which use knowledge representation, storing and sharing as resources. Besides, as this process can be used in different languages, it contributes to knowledge leveling and globalization Mestrado Sistemas de Informação e Comunicação Mestra em Tecnologia