ARTIGO DE REVISÃO
LOPES, Patrícia, LIMA, Gercina Ângela de
LOPES, Patrícia. LIMA, Gercina Ângela de. Metodologias sobre aprendizagem de ontologias: uma revisão sistemática de literatura. Revista Científica Multidisciplinar Núcleo do Conhecimento. Ano 09, Ed. 11, Vol. 10, pp. 139-171. Novembro de 2024. ISSN: 2448-0959, Link de acesso: https://www.nucleodoconhecimento.com.br/tecnologia/aprendizagem-de-ontologias, DOI: 10.32749/nucleodoconhecimento.com.br/tecnologia/aprendizagem-de-ontologias
RESUMO
Contextualização: Ontologias vêm ganhando popularidade e reconhecimento em diferentes contextos. Entretanto, com o aumento exponencial de dados não estruturados na Web, o processo de construção de ontologias tornou-se complexo, demorado e dispendioso. Surgem, então, as abordagens de geração automática ou semiautomática de ontologias. Dado o contexto atual de transformação digital pelo qual passam diversos países, incluindo o Brasil, entende-se que as pesquisas sobre a automatização da geração de ontologias podem contribuir para a exploração e melhor aplicação desse tipo de Sistema de Organização do Conhecimento (SOC) no âmbito do governo eletrônico. Objetivo: Este estudo apresenta uma Revisão Sistemática da Literatura (RSL) sobre a geração automática e semiautomática de ontologias, com o objetivo de evidenciar o estágio atual da pesquisa nessa área. Métodos: Adotou-se o método proposto por Kitchenham (2004), que descreve procedimentos para realizar revisões sistemáticas de literatura, considerando a formulação de perguntas de pesquisa, o desenvolvimento de um protocolo, a identificação e seleção de estudos, avaliação de qualidade, extração e síntese de dados e relato dos resultados. Resultados: A revisão revelou uma diversidade significativa de abordagens e metodologias sendo exploradas para a geração automática e semiautomática de ontologias. No entanto muitas metodologias ainda enfrentam desafios, principalmente no que diz respeito ao detalhamento de fases e etapas que sejam facilmente replicáveis. Conclusões: Futuras pesquisas devem focar na criação de metodologias mais detalhadas e sistemáticas para aumentar a replicabilidade e a aplicação prática. As descobertas deste estudo podem inspirar investigações adicionais e estimular a implementação das ontologias no âmbito no governo eletrônico, com vistas a aprimorar a eficiência, a transparência e a acessibilidade dos serviços públicos digitais.
Palavras-chave: Ciência da Informação, Ontologias, Aprendizagem de ontologias, Governo eletrônico.
1. INTRODUÇÃO
A Ciência da Informação tem passado por transformações significativas, especialmente na organização e representação do conhecimento, em que as ontologias emergem como ferramentas cruciais para a estruturação e interpretação de informações complexas. Contudo a explosão de dados não estruturados na Web impõe desafios ao processo tradicional de construção de ontologias, tornando-o complexo, demorado e dispendioso.
Apesar do crescente interesse na construção de ontologias, sua utilização em larga escala ainda é limitada devido às demandas consideráveis de tempo, custo e recursos envolvidos no processo. Para contribuir com o avanço da investigação nesse campo, diversas pesquisas têm se concentrado na automatização de diferentes etapas da construção de ontologias.
Este estudo apresenta uma Revisão Sistemática da Literatura (RSL) sobre a geração automática e semiautomática de ontologias[3], área conhecida como aprendizagem de ontologias ou ontology learning, buscando agregar conhecimento sobre as abordagens, metodologias e ferramentas mais recentes. A revisão de artigos científicos visa identificar metodologias, etapas, vantagens e lacunas apontadas pelos autores, bem como os principais resultados. Compreender a dinâmica e o estado atual da pesquisa nesse campo do conhecimento contribuirá para o desenvolvimento e o aprimoramento dessa área crucial na representação do conhecimento.
Para a organização e gestão das referências, utilizou-se o software Mendeley, enquanto o Atlas TI foi empregado para a análise qualitativa dos estudos selecionados. A pesquisa visou identificar trabalhos que aplicaram métodos de aprendizagem de ontologias entre 2018 e 2023, abordando questões como a identificação de metodologias específicas, etapas envolvidas, vantagens, diferenciais e lacunas existentes. As bases de dados consultadas incluem ACM Digital Library, IEEE Xplore Digital Library, Scopus Preview e Web of Science, utilizando termos de busca em inglês e português para garantir a abrangência e a relevância dos resultados.
O protocolo da RSL definiu critérios de inclusão e exclusão para assegurar a qualidade e a pertinência dos estudos analisados. Foram considerados apenas trabalhos com relação direta à temática de aprendizagem de ontologias, disponíveis integralmente e publicados em inglês, português ou espanhol. A exclusão de duplicatas e a filtragem de trabalhos irrelevantes resultaram em 183 textos, reduzidos a 170 após a verificação de disponibilidade do texto completo. A análise final concentrou-se em 22 estudos, selecionados pela sua relevância e aderência aos critérios estabelecidos.
Este estudo contextualiza a importância da geração automática de ontologias, destacando sua aplicação prática e potencial de inovação no campo do governo eletrônico. A revisão detalhada das metodologias existentes permite identificar avanços e desafios, contribuindo para o desenvolvimento de abordagens mais eficazes e robustas. A clareza metodológica e a replicabilidade são aspectos fundamentais para a evolução dessa área, proporcionando uma base sólida para futuras pesquisas e implementações práticas. O artigo está organizado da seguinte forma: esta seção 1, que é introdutória; a seção 2, que detalha os procedimentos metodológicos adotados na RSL; a seção 3, que apresenta os resultados e discute as principais metodologias identificadas, incluindo diferenciais, lacunas e resultados; e a seção 4, que traz as considerações finais e sugestões para pesquisas futuras.
2. PROCEDIMENTOS METODOLÓGICOS ADOTADOS NA REVISÃO
Os procedimentos metodológicos para a Revisão Sistemática da Literatura foram respaldados no método proposto por Kitchenham (2004). Para organização e gestão das referências, foi utilizado o software Mendeley. O software Atlas TI foi utilizado para análise qualitativa do material selecionado. As pesquisas referenciadas foram selecionadas considerando maior aproximação dos resultados apresentados com a temática desta pesquisa e estão organizadas nas categorias de análise previamente identificadas no protocolo da revisão, descrito no Quadro 1, a seguir.
Quadro 1 – Resumo Protocolo da Revisão Sistemática
Partindo-se das perguntas de pesquisa, seguiu-se para o levantamento dos termos de busca, considerando inicialmente as variações nos idiomas inglês e português, conforme disposto no Quadro 2, a seguir.
Quadro 2 – Termos de busca
Após a definição dos termos de busca, considerando a aderência à temática da pesquisa, foi realizado o levantamento das bases de dados, chegando-se às seguintes: ACM Digital Library; IEEE Xplore Digital Library; Scopus Preview e Web of Science. Inicialmente, executaram-se as expressões de busca indicadas no Quadro 3 em cada uma das bases de dados. A partir da lista de estudos retornados, os resultados foram exportados em formato RIS para importação na ferramenta Mendeley.
Quadro 3 – Strings de busca
Na primeira etapa de seleção dos textos, foram excluídas as duplicatas, resultando-se em 183 textos. Considerando a exclusão dos trabalhos que não disponibilizavam o texto completo, chegou-se a um total de 170 textos. Essas etapas foram realizadas entre os meses de setembro e outubro de 2023.
Em seguida, foram identificados os trabalhos aderentes aos critérios de inclusão e exclusão, indicados nos Quadros 4 e 5, refletindo o corpus final para a etapa de análise, chegando-se a 22 textos. Essa etapa foi realizada entre novembro de 2023 e janeiro de 2024.
Quadro 4 – Critérios de Inclusão
Quadro 5 – Critérios de Exclusão
Finalizada a etapa de extração dos dados, foram realizadas a análise, a interpretação e a documentação dos resultados encontrados nos estudos, tendo em vista a pergunta principal e as perguntas secundárias previstas nesta RSL. Essa etapa foi realizada entre os meses de janeiro e fevereiro de 2024 com o apoio do software Atlas TI.
3. RESULTADOS E DISCUSSÃO
A construção de ontologias é crucial na Ciência da Informação para a estruturação e interpretação de informações complexas. Tem sido objeto de intensas pesquisas e inovações, abrangendo diversas áreas e aplicando uma variedade de abordagens para melhorar a eficiência e a precisão na estruturação do conhecimento. A seguir, no Quadro 6, um resumo das metodologias identificadas nos estudos referenciados:
Quadro 6 – Panorama das metodologias identificadas nos estudos
3.1 METODOLOGIAS DE APRENDIZAGEM DE ONTOLOGIAS
Nesta seção, são apresentadas as metodologias identificadas na revisão de literatura. Em 2018, Deb et al. propuseram o uso de taxonomias para criação automática de ontologias no sistema agrícola, diferenciando-se dos métodos convencionais que utilizam dados não estruturados. A validação experimental no domínio agrícola mostrou que essa abordagem pode aprimorar significativamente a precisão e a eficiência na gestão de dados agrícolas.
Outro estudo de 2018 foi desenvolvido por Yadav et al., que criaram a aplicação EasyOnto, uma plataforma colaborativa que facilita a construção de ontologias por meio de uma interface gráfica intuitiva. A colaboração entre usuários permite a criação e o aprimoramento contínuo das ontologias, promovendo uma abordagem democrática e inclusiva.
Também em 2018, Enea et al. apresentaram uma metodologia baseada na cognição humana para gerenciar incertezas na aprendizagem de ontologias, utilizando extração automática de triplas e validação humana. Essa abordagem garante a precisão e a validade das ontologias, integrando o raciocínio humano no processo automatizado.
Ainda em 2018, Rodriguez e Aguilar propuseram um sistema para extração de conhecimento de textos HTML não estruturados, organizando-os semanticamente em um Grafo de Aprendizagem. Essa metodologia é crucial para transformar dados não estruturados em conhecimento organizado e acessível.
Malchiodi, Da Costa Pereira e Tettamanzi (2018) aplicaram modelos de regressão para prever pontuações de axiomas em ontologias, mostrando resultados satisfatórios. Essa abordagem é essencial para a validação de ontologias complexas, garantindo sua precisão e confiabilidade.
Gyrard, Zimmermann e Sheth, em 2018, propuseram uma metodologia para enriquecer catálogos de ontologias em IoT e cidades inteligentes. A análise e a melhoria de catálogos existentes demonstram a importância de ontologias bem estruturadas para o desenvolvimento de cidades inteligentes baseadas em tecnologias IoT.
Ainda em 2018, Aggoune desenvolveu uma abordagem semântica para a aprendizagem automática de ontologias a partir de bancos de dados relacionais heterogêneos no domínio de riscos alimentares. Utilizando uma sequência de algoritmos, essa metodologia assegura a extração e a integração precisas de classes e relações, essenciais para a segurança alimentar.
Passando para 2019, Nguyen e Tettamanzi apresentaram uma metodologia para descobrir axiomas a partir de dados RDF, utilizando um algoritmo computacional para identificar axiomas de classes disjuntos. Esse método é essencial para garantir a consistência lógica das ontologias, permitindo a detecção de inconsistências e a inferência de informações implícitas, crucial para a Web Semântica.
Também em 2019, Noura et al. introduziram a metodologia KE4WoT para extração de conhecimento, utilizando um corpus de 4.500 artigos científicos para identificar tópicos importantes. Essa abordagem não só automatiza a identificação de tópicos, mas também aprimora a interoperabilidade e padronização, essenciais para o desenvolvimento de aplicações semânticas.
Vedula, Maneriker e Parthasarathy, ainda em 2019, apresentaram o framework BOLT-K, que utiliza redes neurais para aprender hierarquias ontológicas em novos domínios, transferindo conhecimento existente. Essa metodologia reduz a necessidade de especialistas, tornando o processo de construção de ontologias mais eficiente.
Em 2020, Gómez-Suta, Echeverry-Correa e Soto-Mejía propuseram um método para aprender ontologias a partir de textos sobre o conflito armado colombiano, utilizando agrupamento semântico para extrair e validar conceitos. Essa abordagem é vital para organizar e interpretar informações em contextos específicos e complexos.
Salatino et al. (2020) apresentaram uma metodologia para produzir ontologias de tópicos de pesquisa a partir de metadados acadêmicos, oferecendo um portal web para explorar e fornecer feedback sobre a ontologia desenvolvida. A capacidade de focar em ramos específicos ou produzir uma ontologia completa destaca a flexibilidade e utilidade dessa abordagem.
Avançando para 2021, Drissi et al. introduziram a metodologia Norms2Onto, que utiliza técnicas de machine learning para construção automática e semiautomática de ontologias a partir de um corpus textual. Comparada a métodos tradicionais, essa abordagem se destaca por sua eficiência e precisão, automatizando tarefas que tradicionalmente exigiriam intervenção humana intensiva.
Na área de turismo, Hananto, Serdült e Kryssanov, também em 2021, aplicaram a técnica de modelagem de tópicos para automatizar a rotulação de conteúdo, facilitando a construção de ontologias. Essa metodologia não apenas melhora a organização da informação, mas também contribui para sistemas de recomendação mais eficazes, demonstrando a aplicabilidade prática das ontologias em setores específicos.
No domínio da Ciência da Computação, Santosa, Miyazaki e Han (2021) propuseram uma extensão automática de ontologias, avaliando diferentes algoritmos para identificar a sequência mais adequada. Essa pesquisa contribui para a expansão contínua das ontologias, garantindo sua relevância e atualidade.
Sattar et al. (2021) destacaram-se por sua flexibilidade para lidar com a complexidade e o tamanho das bases de conhecimento. Essa abordagem é particularmente útil em domínios nos quais a base de conhecimento está em constante expansão e diversificação.
Rajaonarivo, Mine e Arakawa (2021) propuseram uma abordagem dinâmica para a construção de ontologias a partir de publicações no Twitter, utilizando algoritmos que convertem tweets em instâncias na ontologia e atualizam dinamicamente com novos dados. Essa metodologia é especialmente relevante para domínios nos quais os dados são gerados continuamente e precisam ser incorporados rapidamente.
Khemiri et al. (2021) introduziram uma abordagem para a construção automática de ontologias usando LDA, criando conceitos e inter-relacionamentos a partir de textos. A estabilidade do modelo, independentemente das mudanças no corpus, destaca a robustez dessa metodologia.
Sadeghianasl et al. (2021) utilizaram técnicas de crowdsourcing e gamificação para aprender ontologias de atividades de processo a partir de logs de eventos, promovendo o engajamento dos usuários. Essa metodologia demonstra como a participação ativa dos usuários pode melhorar a qualidade das ontologias.
Ainda em 2021, Jalil, Nasir e Nasir forneceram uma revisão abrangente de técnicas de sumarização extrativa de múltiplos documentos, contribuindo para a gestão de grandes volumes de dados.
Assim, as metodologias revisadas demonstram evolução contínua e diversificada das técnicas para a construção de ontologias, abrangendo uma ampla gama de domínios e abordagens para melhorar a estruturação e interpretação de informações complexas. No Quadro 7, a seguir, são apresentadas as metodologias mais relevantes identificadas, destacando suas contribuições e particularidades:
Quadro 7 – Metodologias identificadas
3.2 ETAPAS/FASES DAS METODOLOGIAS DE APRENDIZAGEM DE ONTOLOGIAS
Nesta seção, são apresentadas as etapas e as fases das metodologias identificadas na revisão de literatura. Buscou-se captar tanto os estudos que detalham todas as etapas quanto etapas isoladas, para obter direcionamentos para esta pesquisa.
Em 2018, Deb et al. produziram uma metodologia para o domínio agrícola que utiliza taxonomias organizadas em uma base de conhecimento. As etapas envolvem categorização dos dados taxonômicos, pré-processamento de textos, construção de uma biblioteca de algoritmos para extração de relacionamentos e mapeamento ontológico, e definição de restrições do modelo com a ajuda de especialistas.
Yadav et al. (2018) desenvolveram a aplicação EasyOnto, uma plataforma colaborativa que facilita a construção de ontologias em sete etapas, desde a escolha do domínio até a criação de vínculos entre categorias. A interface gráfica intuitiva permite que usuários contribuam com novas instâncias, categorias e relações, promovendo uma abordagem inclusiva.
Outro estudo de 2018, de Enea et al., introduziu um método baseado em jogos interrogativos para validar ontologias, utilizando raciocínio indutivo e dedutivo. A interação entre a aplicação e o operador humano melhora o processo de aprendizagem de ontologias.
Rodriguez e Aguilar (2018) desenvolveram uma aplicação para extração de conhecimento de textos não estruturados, utilizando técnicas de processamento de linguagem natural para separar textos em frases, analisar entidades e relações, e atualizar um Grafo de Aprendizagem.
Gyrard, Zimmermann e Sheth (2018) propuseram uma metodologia para enriquecer catálogos de ontologias em IoT e cidades inteligentes, dividida em cinco etapas: investigação de novos domínios, atualização do dicionário, atualização do catálogo RDF, atualização da página HTML e desenvolvimento de aplicações baseadas no catálogo.
Ainda em 2018, Aggoune desenvolveu uma abordagem semântica para a aprendizagem automática de ontologias a partir de bancos de dados relacionais heterogêneos no domínio de riscos alimentares. Utilizando uma sequência de algoritmos, essa metodologia assegura a extração e a integração precisas de classes e relações, essenciais para a segurança alimentar.
Nguyen e Tettamanzi (2019) apresentaram uma metodologia para descobrir axiomas a partir de dados RDF, utilizando um algoritmo computacional para identificar axiomas de classes disjuntos. Esse método é essencial para garantir a consistência lógica das ontologias, permitindo a detecção de inconsistências e a inferência de informações implícitas, crucial para a Web Semântica.
No domínio da Web of Things, Noura et al. (2019) detalharam a metodologia KE4WoT em dez etapas, desde a seleção de ontologias até a identificação de tópicos populares, demonstrando a aplicabilidade prática em diversos domínios.
Ainda em 2019, Vedula, Maneriker e Parthasarathy (2019) descreveram o framework BOLT-K, que identifica pares de conceitos e as relações entre eles, usando dados anotados para construir ontologias completas. A abordagem é promissora, mas necessita de um detalhamento mais exaustivo das etapas.
No ano de 2020, foram recuperados dois estudos. O primeiro, de Gómez-Suta, Echeverry-Correa e Soto-Mejía (2020), no qual os autores propuseram um método para aprendizagem de ontologias no contexto do conflito armado colombiano, utilizando técnicas de agrupamento semântico para extrair e validar conceitos. A proposta é acessível e aplicável a dados e domínios com recursos de conhecimento estruturados limitados. O segundo, de Salatino et al. (2020), que detalharam uma metodologia para gerar ontologias de tópicos de pesquisa, processando metadados acadêmicos e fontes externas. A criação de um portal para explorar e fornecer feedback sobre a ontologia desenvolvida demonstra um compromisso com a evolução contínua e a participação da comunidade científica.
Mas foi em 2021 que se obteve um maior número de estudos relacionados à metodologia de aprendizagem de ontologias, somando-se oito documentos no total. Drissi et al. (2021) introduziram a metodologia Norms2Onto, que utiliza técnicas de machine learning para construção automática e semiautomática de ontologias a partir de um corpus textual. Comparada a métodos tradicionais, essa abordagem se destaca por sua eficiência e precisão, automatizando tarefas que tradicionalmente exigiriam intervenção humana intensiva.
Os autores Hananto, Serdült e Kryssanov (2021) propuseram um padrão de modelagem de tópicos no setor de turismo, dividido em três partes: descoberta de tópicos, etiquetagem automatizada e treinamento de classificadores. Os tópicos são mapeados em um modelo de conhecimento construído a partir de uma revisão de literatura e uma ontologia geral existente, utilizando uma taxonomia da DBPedia para identificar classes de destinos turísticos.
Utilizando a Design Science Research, Sattar et al. (2021) detalharam uma abordagem Methodology (DSRM), dividida em três estágios: pré-conceitualização, conceitualização e pós-conceitualização. Cada estágio abrange várias fases, como estruturação de um Gráfico de Gantt, definição de ferramentas, aquisição de conhecimento, validação, construção colaborativa e manutenção.
Rajaonarivo, Mine e Arakawa (2021) apresentaram uma metodologia de seis fases para extração de ontologias a partir de dados do Twitter, incluindo coleta de tweets, descoberta de entidades, filtragem de entidades, enriquecimento de informações, geração/atualização de ontologias e avaliação. A clareza das fases facilita a replicação e a validação da metodologia.
No domínio da Ciência da Computação, Santosa, Miyazaki e Han (2021) discutiram a extensão automática de ontologias, composta por cinco etapas: extração de tópicos, criação de um gráfico de tópicos, estruturação de um dicionário de tópicos, análise do nível dos tópicos e filtragem de links inadequados.
Khemiri et al. (2021) propuseram uma abordagem para construção automática de ontologias usando LDA, dividida em cinco módulos: pré-processamento, extração de termos, modelagem de tópicos, extração de conceitos e relações, e visualização de ontologias. A metodologia destaca-se pela robustez e capacidade de responder a questões básicas sobre a ontologia.
Já Sadeghianasl et al. (2021) utilizaram técnicas de crowdsourcing e gamificação para aprender ontologias de atividades de processo a partir de logs de eventos, promovendo o engajamento dos usuários. Essa metodologia demonstra como a participação ativa dos usuários pode melhorar a qualidade das ontologias.
Por fim, Jalil, Nasir e Nasir (2021) forneceram uma revisão abrangente de técnicas de sumarização extrativa de múltiplos documentos, contribuindo para a gestão de grandes volumes de dados. A seguir, no Quadro 8, é possível identificar um consolidado das etapas e fases identificadas nas metodologias referenciadas.
Quadro 8 – Etapas e fases das metodologias
3.3 DIFERENCIAIS, LACUNAS E PRINCIPAIS RESULTADOS DAS METODOLOGIAS DE APRENDIZAGEM DE ONTOLOGIAS
Nesta seção, são apresentados os diferenciais, as lacunas e os principais resultados das metodologias propostas pelos autores, identificados na pesquisa. Os diferenciais das metodologias de geração automática de ontologias são evidentes em diversos estudos.
Yadav et al. (2018) enfatizam que o sistema proposto pelos autores acelerou a fase de aquisição de ontologias, eliminando a necessidade de especialistas nas fases iniciais. Rodriguez e Aguilar (2018) afirmam que o sistema criado permitiu atualizar ontologias e léxicos simultaneamente. Gyrard, Zimmermann e Sheth (2018) destacam que a metodologia proposta promove a reutilização de ontologias e a interoperabilidade semântica em aplicações de cidades inteligentes. Deb et al. (2018) argumentam que sua aplicação pode ajudar na aprendizagem automática de ontologias a partir de textos taxonômicos e pode ser usada em outras áreas devido à sua natureza genérica. Aggoune (2018) destaca a eficiência na geração de ontologias completas, sem erros técnicos, com baixo custo e tempo de aprendizado, além de um protótipo que ocupa menos espaço em disco.
Noura et al. (2019) afirmam que o KE4WoT reduz o tempo de desenvolvimento e a carga de trabalho humano, promovendo a reutilização de tópicos e mantendo as ontologias atualizadas. Vedula, Maneriker e Parthasarathy (2019) ressaltam que sua aplicação é flexível e generalizável para aprender ontologias em subdomínios emergentes, reduzindo a necessidade de conhecimento manual e detectando novos tipos de relacionamentos. Nguyen e Tettamanzi (2019) confirmam a precisão e a cobertura de sua abordagem para extração de axiomas, destacando a geração de axiomas complexos.
Gómez-Suta, Echeverry-Correa e Soto-Mejía (2020) afirmam que sua abordagem permite validar ontologias abstratas sem avaliação manual, sendo acessível em termos de tempo e recursos, e aplicável a domínios com poucos recursos de conhecimento estruturado. Salatino et al. (2020) detalham uma metodologia para gerar ontologias de tópicos de pesquisa, processando metadados acadêmicos e fontes externas. A criação de um portal para explorar e fornecer feedback sobre a ontologia desenvolvida demonstra um compromisso com a evolução contínua e a participação da comunidade científica.
Drissi et al. (2021) destacam que a metodologia Norms2Onto extraiu automaticamente 2.000 conceitos de cinco normas contábeis, enquanto a classificação manual extraiu apenas 50. A aplicação também identificou 1.900 conceitos relevantes e 1.860 subcategorias validadas pelo dicionário Investopedia, em contraste com 45 conceitos relevantes identificados manualmente. Hananto, Serdült e Kryssanov (2021) mencionam que a abordagem baseada no modelo LDA alcançou uma precisão média de 70% na rotulagem automatizada, superando a anotação manual. Khemiri et al. (2021) destacam que a ontologia desenvolvida facilita a anotação automática de documentos acadêmicos, proporcionando um processo mais consistente. Santosa, Miyazaki e Han (2021) ressaltam que a abordagem por eles proposta foi avaliada empiricamente e por especialistas, demonstrando melhor desempenho global.
Em contrapartida, poucos autores indicaram lacunas em suas metodologias. Hananto, Serdült e Kryssanov (2021) observaram que o modelo LDA não conseguiu dividir revisões em tópicos suficientemente distintos, resultando em anotações incorretas em algumas classes. Vedula, Maneriker e Parthasarathy (2019) apontaram que a aplicação BOLT-K requer intervenção manual para definir domínios relacionados durante o aprendizado de ontologias.
Com relação aos resultados, Drissi et al. (2021) mostraram que o desempenho do modelo Norms2Onto superou a classificação manual, apresentando oportunidades para novas pesquisas. Deb et al. (2018) argumentam que sua aplicação pode ajudar na aprendizagem automática de ontologias a partir de textos taxonômicos e pode ser usada em outras áreas devido à sua natureza genérica. Nguyen e Tettamanzi (2019) confirmam a precisão e cobertura de sua abordagem para extração de axiomas, destacando a geração de axiomas complexos. Rajaonarivo, Mine e Arakawa (2021) validaram a confiabilidade das informações na ontologia desenvolvida. Santosa, Miyazaki e Han (2021) demonstraram a viabilidade da extensão automática de ontologias no domínio da Ciência da Computação. Vedula, Maneriker e Parthasarathy (2019) ressaltam que sua aplicação é flexível e generalizável para aprender ontologias em subdomínios emergentes, reduzindo a necessidade de conhecimento manual e detectando novos tipos de relacionamentos. Gyrard, Zimmermann e Sheth (2018) destacam que a metodologia proposta promove a reutilização de ontologias e a interoperabilidade semântica em aplicações de cidades inteligentes. Gómez-Suta, Echeverry-Correa e Soto-Mejía (2020) afirmam que sua abordagem permite validar ontologias abstratas sem avaliação manual, sendo acessível em termos de tempo e recursos, e aplicável a domínios com poucos recursos de conhecimento estruturado. A seguir, no Quadro 9, um resumo dos diferenciais, lacunas e resultados identificados.
Quadro 9 – Diferenciais, lacunas e resultados
4. CONSIDERAÇÕES FINAIS
A análise das pesquisas sobre a aprendizagem de ontologias revela uma carência significativa na descrição detalhada das metodologias adotadas. A maioria dos trabalhos menciona a utilização de técnicas de automatização, sem aprofundar nas etapas específicas. No entanto alguns estudos, como os de Sattar et al. (2021) e Noura et al. (2019), oferecem descrições mais claras e detalhadas, contribuindo para uma melhor compreensão do processo.
Há uma alta aplicação de algoritmos computacionais, incluindo aprendizagem de máquina, modelagem de tópicos, grafos, modelos de regressão e descoberta de tópicos. Algumas abordagens adotam estratégias de colaboração e crowdsourcing para a construção e avaliação de ontologias. Destaca-se que poucas metodologias mencionam o uso de taxonomias ou outros vocabulários controlados, comuns na área de BCI, e raramente se referem ao uso de ontologias de referência ou de topo.
Muitos trabalhos focam na construção de frameworks ou aplicações, sem detalhar o passo a passo para automatizar a criação de ontologias. A variabilidade no detalhamento metodológico é ampla: enquanto alguns estudos fornecem descrições detalhadas, outros se concentram apenas em componentes específicos.
A análise comparativa dos estudos revela avanços significativos e áreas para melhorias na aprendizagem de ontologias. Metodologias como Norms2Onto (Drissi et al., 2021) e KE4WoT (Noura et al., 2019) destacam-se pela automatização de processos complexos, reduzindo a necessidade de intervenção manual e garantindo maior precisão e consistência. Porém há limitações, como a dificuldade de distinguir tópicos distintos (Hananto, Serdült e Kryssanov, 2021) e a necessidade de intervenção manual para definir domínios relacionados (Vedula, Maneriker e Parthasarathy, 2019).
A geração automática de ontologias apresenta potencial significativo, mas desafios como precisão, flexibilidade e aplicabilidade em diversos domínios precisam ser abordados continuamente. Para avançar no campo da aprendizagem de ontologias, é crucial que estudos futuros forneçam descrições mais completas e sistemáticas de suas metodologias, permitindo maior replicabilidade e aplicação prática.
As contribuições deste estudo vão além da proposta de uma metodologia, identificando direções futuras para pesquisas na interseção entre geração automática de ontologias e governo eletrônico. Espera-se que as descobertas inspirem investigações adicionais e estimulem a implementação de estratégias inovadoras no governo eletrônico, aprimorando a eficiência, a transparência e a acessibilidade dos serviços públicos digitais.
AGRADECIMENTOS
A segunda coautora agradece ao Conselho Nacional de Pesquisa e Desenvolvimento; ao Ministério da Educação, pela concessão da bolsa de Produtividade de Pesquisa através do processo número PQ-1D – Processo 313645/2020-5.
A primeira coautora agradece ao Grupo de pesquisa Modelagem Conceitual para Organização e Representação da Informação Hipertextual (MHTX) e ao Serviço Federal de Processamento de Dados (SERPRO).
REFERÊNCIAS
AGGOUNE, Aicha. Automatic ontology learning from heterogeneous relational databases: Application in alimentation risks field. In: AMINE, A; MOUHOUB, M.; MOHAMED, A.; DJEBBAR, B. (ed.) Computational Intelligence and Its Applications. Cham, Alemanha: Springer International Publishing, 2018. p. 199-210.
ALHARBI, Reham; TAMMA, Valentina; GRASSO, Floriana. Characterising the gap between theory and practice of ontology reuse. In: PROCEEDINGS OF THE 11TH ON KNOWLEDGE CAPTURE CONFERENCE, 11., 2021, New York, NY, United States. Proceedings […]. New York: Association for Computing Machinery, 2021. p. 217-224.
ARAÚJO, Webert Júnio et al. Proposta metodológica para enriquecimento de ontologias de domínio. 271 f. Tese (Doutorado em Ciência da Informação) – Escola de Ciência da Informação, Universidade Federal de Minas Gerais, Belo Horizonte, 2021. Disponível em: <https://repositorio.ufmg.br/handle/1843/38983>. Acesso em: 12 jul. 2024.
DEB, Chandan Kumar et al. A framework for ontology learning from taxonomic data. In: AGGARWAL, V. B.; BHATNAGAR, V.; MISHRA, D. K. Big Data Analytics: Proceedings of CSI 2015. Singapore: Springer Singapore, 2018. p. 29-37. vol. 654.
DRISSI, Amani et al. A New Automatic Ontology Construction Method Based on Machine Learning Techniques: Application on Financial Corpus. In: PROCEEDINGS OF THE 13TH INTERNATIONAL CONFERENCE ON MANAGEMENT OF DIGITAL ECOSYSTEMS, 13., 2021, New York, NY, USA. Proceedings […]. New York: Association for Computing Machinery, 2021. p. 57-61.
ENEA, Roberto et al. How to Support Human Operator in “Uncertainty” Managing during the Ontology Learning Process. In: COMPANION PROCEEDINGS OF THE THE WEB CONFERENCE 2018 (WWW ’18), 18., 2018, Lyon, France. Proceedings […] Republic and Canton of Geneva, Stwitzerland: International World Wide Web Conferences Steering Committee, 2018. p. 1147-1154.
GÓMEZ-SUTA, Manuela; ECHEVERRY-CORREA, Julián D.; SOTO-MEJÍA, José A. Semi-automatic extraction and validation of concepts in ontology learning from texts in Spanish. In: PROCEEDINGS OF THE 10TH INTERNATIONAL CONFERENCE ON WEB INTELLIGENCE, MINING AND SEMANTICS. 10., 2020, New York, NY, United States. Proceedings […]. New York: Association for Computing Machinery, 2020. p. 7-16.
GYRARD, Amelie; ZIMMERMANN, Antoine; SHETH, Amit. Building IoT-based applications for smart cities: How can ontology catalogs help?. IEEE Internet of Things Journal, United States, v. 5, n. 5, p. 3978-3990, 2018.
GRUBER, Thomas R. 1993. A Translation Approach to Portable Ontology Specifications. Knowledge Acquisition, California, v.5, p. 199–220, 1993.
HANANTO, Valentinus R.; SERDÜLT, Uwe; KRYSSANOV, Victor. A Tourism Knowledge Model through Topic Modeling from Online Reviews. In: INTERNATIONAL CONFERENCE ON COMPUTING AND DATA ENGINEERING, 7., 2021 Phuket, Thailand, 15–17 January 2021. Proceedings […]. New York: Association for Computing Machinery, 2021. p. 87-93.
JALIL, Zakia; NASIR, Jamal Abdul; NASIR, Muhammad. Extractive Multi-Document Summarization: A Review of Progress in the Last Decade. IEEE Access, United States, v. 9, p. 130928-130946, 2021.
KHEMIRI, Ahmed et al. Learn2Construct: an automatic ontology construction based on LDA from texual data. In: PROCEEDINGS OF THE 13TH INTERNATIONAL CONFERENCE ON MANAGEMENT OF DIGITAL ECOSYSTEMS, 13., 2021, New York, NY. Proceedings […]. New York: Association for Computing Machinery, 2021. p. 49-56.
KITCHENHAM, Barbara. Procedures for performing systematic reviews. Keele, UK, Keele University, United Kingdom, v. 33, n. 2004, p. 1-26, 2004. Disponível em: <https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=29890a936639862f45cb9a987dd599dce9759bf5>. Acesso em: 12 jul. 2024.
MALCHIODI, Dario; DA COSTA PEREIRA, Célia; TETTAMANZI, Andrea GB. Predicting the possibilistic score of OWL axioms through support vector regression. In: SCALABLE UNCERTAINTY MANAGEMENT: 12TH INTERNATIONAL CONFERENCE, SUM 2018, 12., 2018. Milan, Italy. Proceedings […]. Milan, Italy: Springer International Publishing, October 3-5, 2018. p. 380-386.
MALCHIODI, Dario; TETTAMANZI, Andrea GB. Predicting the possibilistic score of OWL axioms through modified support vector clustering. In: PROCEEDINGS OF THE 33RD ANNUAL ACM SYMPOSIUM ON APPLIED COMPUTING, 33., 2018. Pau, France. Proceedings […]. New York: Association for Computing Machinery, 2018. p. 1984-1991.
NGUYEN, Thu Huong; TETTAMANZI, Andrea GB. An evolutionary approach to class disjointness axiom discovery. In: IEEE/WIC/ACM INTERNATIONAL CONFERENCE ON WEB INTELLIGENCE, 2019, Greece. Proceedings […]. Greece: IEEE, 2019. p. 68-75.
NOURA, Mahda et al. Automatic knowledge extraction to build semantic web of things applications. IEEE Internet of Things Journal, v. 6, n. 5, p. 8447-8454, 2019.
RAJAONARIVO, Landy; MINE, Tsunenori; ARAKAWA, Yutaka. Automatic generation of event ontology from social network and mobile positioning data. In: IEEE/WIC/ACM INTERNATIONAL CONFERENCE ON WEB INTELLIGENCE AND INTELLIGENT AGENT TECHNOLOGY, 2021, New York. Proceedings […]. New York: IEEE, 2021. p. 87-94.
RODRIGUEZ, Taniana; AGUILAR, Jose. Knowledge extraction system from unstructured documents. IEEE Latin America Transactions, United States, v. 16, n. 2, p. 639-646, 2018.
SADEGHIANASL, Sareh et al. Process activity ontology learning from event logs through gamification. IEEE Access, United States, v. 9, p. 165865-165880, 2021.
SALATINO, Angelo A. et al. The computer science ontology: A comprehensive automatically-generated taxonomy of research areas. Data Intelligence, United States, v. 2, n. 3, p. 379-416, 2020.
SANTOSA, Natasha C.; MIYAZAKI, Jun; HAN, Hyoil. Automating computer science ontology extension with classification techniques. IEEE Access, United States, v. 9, p. 161815-161833, 2021.
SATTAR, Abdul et al. An improved methodology for collaborative construction of reusable, localized, and shareable ontology. IEEE Access, United States, v. 9, p. 17463-17484, 2021.
VEDULA, Nikhita; MANERIKER, Pranav; PARTHASARATHY, Srinivasan. Bolt-k: Bootstrapping ontology learning via transfer of knowledge. In: THE WORLD WIDE WEB CONFERENCE, 19., 2019, New York. Proceedings […]. New York: Association for Computing Machinery, 2019. p. 1897-1908.
YADAV, Usha et al. EasyOnto: A Collaborative Semiformal Ontology Development Platform. In: PANIGRAHI, B., HODA, M., SHARMA, V., GOEL, S. (ed.). Nature Inspired Computing: Proceedings of CSI 2015. Singapore: Springer Singapore, 2018. p. 1-11.
APÊNDICE – NOTA DE RODAPÉ
3. Uma das definições mais amplamente reconhecidas de ontologia é a de Gruber (1993), que a descreve como uma especificação explícita de uma conceituação, abrangendo tudo o que pode ser formalmente representado. Em um domínio específico do conhecimento, uma ontologia facilita a associação entre os nomes de entidades e suas descrições, de forma que sejam compreensíveis tanto para seres humanos quanto para sistemas computacionais, garantindo uma representação estruturada e compartilhável desse conhecimento.
[1] Mestrado em Gestão e Organização do Conhecimento; Especialização em Gestão Pública; Especialização em Design Instrucional para EaD Virtual; Especialização em Produção em Mídias Digitais; Especialização em Educação a Distância; Graduação em Pedagogia. ORCID: https://orcid.org/0000-0002-4063-3238. Currículo Lattes: http://lattes.cnpq.br/0612391970550169.
[2] Orientadora. Professora Titular no Departamento de Organização e Tratamento da Informação, na ECI/UFMG. Pós-doutora em Estudos sobre metodologias para o processo de indexação de documentos textuais, pelo Departamento de Biblioteconomia y Documentación, Faculdad de Humanidades, Comunicación y Documentación, Universidad Carlos III, Madrid, Espanha, e pela Escola de Artes e Comunicação da USP. Doutora em Ciência da Informação pelo Programa de Pós-Graduação em Ciência da Informação PPGCI-ECI/UFMG. Mestre em Science in Library Service – Clark Atlanta University. Bibliotecária pela Escola de Biblioteconomia da UFMG. Bolsista de Produtividade em Pesquisa do CNPq – (PQ) Nível 1D. Bolsista do Programa Pesquisador Mineiro-PPM XII-2018 da FAPEMIG. Pesquisadora no Programa de Pós-Graduação em Gestão Organização do Conhecimento-PPGGOC/ECI/UFMG. Coordenadora do Grupo de Pesquisa MHTX – Modelagem Conceitual para Organização e Representação da Informação Hipertextual, registrado no CNPq desde 2004. ORCID: https://orcid.org/0000-0003-0735-3856. Currículo Lattes: http://lattes.cnpq.br/3183050056105009.
Material recebido: 08 de agosto de 2024.
Material aprovado pelos pares: 30 de agosto de 2024.
Material editado aprovado pelos autores: 01 de novembro de 2024.
