classificacao-local-de-tropos
Classifica tropos narrativos da ontologia PT-500 em capitulos usando BERTimbau local com janelas deslizantes e max-pooling.
SKILL.md.agents/skills/classificacao-local-de-tropos/SKILL.md
GitHubclassificacao-local-de-tropos
Descrição
A skill classificacao-local-de-tropos realiza a classificação multi-label local do manuscrito para identificar trechos candidatos à presença de tropos narrativos definidos na ontologia PT-500 (uma coleção de 500 tropos literários comuns, como Chosen One, Mentor Death, Ancient Prophecy). Ela opera de forma rápida localmente em janelas deslizantes de texto, fornecendo a triagem primária de clichês estruturais no romance.
Quando usar
Gatilhos concretos e observáveis:
- O escritor salva o capítulo em edição no editor de texto rico.
- Ocorre o upload ou a ingestão de um manuscrito literário novo na plataforma.
- O autor dispara uma requisição manual de "Mapeamento de DNA de Tropos" no painel de worldbuilding.
Quando NÃO usar:
- Para validar a consistência factual lógica de fatos de personagens (usar a skill
auditoria-global-consistencia-entidades). - Em notas de worldbuilding curtas ou brainstormings fragmentados que não possuam prosa literária fluida.
Pré-requisitos
- Modelo classificador local:
BERTimbau-large(2.4 GB) fine-tuned para as 500 categorias da ontologia PT-500. - Biblioteca de tokenização de texto.
- Dispositivo local com capacidade de CPU/GPU suficiente para inferência em lotes (exige ~1.5 GB VRAM).
Processo (passo a passo executável)
- Fatiamento Dinâmico em Janelas (Sliding Window):
- Receber o texto completo do capítulo.
- Segmentar o texto em janelas deslizantes de tamanho estipulado em
WINDOW_TOKEN_SIZE(padrão:512tokens) aplicando uma passada de deslocamento (stride) de128tokens para evitar a perda de tropos nas bordas dos blocos.
- Inferência Multi-Label Local:
- Para cada janela gerada na etapa 1, codificar os tokens e passar pelo classificador BERTimbau local.
- O modelo emite um vetor de ativação sigmoide contendo probabilidades na faixa de $[0.0, 1.0]$ para cada um dos 500 tropos da PT-500.
- Agregação por Max-Pooling:
- Reunir os vetores de probabilidade de todas as janelas do capítulo.
- Para cada uma das 500 categorias de tropos, selecionar o valor máximo obtido entre todas as janelas (Max-Pooling). Isso consolida a presença do tropo no capítulo como um todo.
- Filtragem de Candidatos:
- Descartar todos os tropos cujo score consolidado seja inferior a
0.30(TROPE_DETECTION_THRESHOLD = 0.30). - Salvar a lista de tropos sobreviventes como "Candidatos Verificados de Nível 1" e passar para a etapa seguinte de validação global por LLM.
- Descartar todos os tropos cujo score consolidado seja inferior a
Parâmetros e configuração
WINDOW_TOKEN_SIZE: Tamanho do bloco de tokens para análise das janelas deslizantes. Padrão:512.WINDOW_STRIDE_SIZE: Deslocamento da janela deslizante na varredura. Padrão:128.TROPE_DETECTION_THRESHOLD: Limiar de probabilidade sigmoide mínimo para classificar o tropo como candidato. Padrão:0.30.
Armadilhas e como evitá-las
- Armadilha: Desbalanceamento de Classes Raras: durante a fase de treinamento, a grande maioria dos tropos (como Evil Twin ou Inception-style Dream) apresenta pouquíssimos exemplos positivos na base literária, fazendo com que o classificador convencional convirja para responder sempre 0 (AUSENTE) nessas categorias para otimizar a perda. Mitigação: Durante a etapa de fine-tuning do modelo do pipeline, utilizar obrigatoriamente a função de perda Weighted Binary Cross Entropy (Weighted BCE) na camada final, atribuindo pesos inversamente proporcionais às frequências das classes no dataset literário. Isso equilibra a sensibilidade do classificador para tropos raros (Rodriguez Vidal et al., 2023).
Critérios de validação (Definition of Done)
- O classificador de tropos atinge um Macro-F1 score mínimo de 0.51 no dataset de testes literários em português.
- A inferência do capítulo completo é concluída em tempo inferior a 1,5 segundo em ambiente de hardware padrão.
Fundamentação científica
- Rodriguez Vidal, M. et al. (2023) - TropesInWild: A Dataset of Narrative Tropes in Novels - arXiv 2023
- García-Sánchez, M. et al. (2022) - AllTheRobotsEtAl: Tropes classification in Science Fiction - arXiv 2022
- García-Sánchez, M. et al. (2020) - Named Entity Recognition and Trope Classification in Literary Text - CLIN 2020
Requisitos do projeto relacionados
- RF-172 (identificação de tropos)
- RF-173 (tropos recomendados)
Maturidade e riscos de adoção
Nível: Emergente. Risco: A classificação automática de tropos altamente sutis ou abstratos (ex: Self-Fulfilling Prophecy) apresenta taxas de falsos positivos moderadas na triagem primária. Fallback para v1: Implementar um mapeador lexical heurístico baseado em expressões regulares e glossário de termos chave na wiki do autor para marcar tropos óbvios, e desativar o modelo BERTimbau local se a inferência sofrer de alta latência em CPUs de baixo desempenho.
Exemplos
Entrada:
A anciã apontou o dedo trêmulo para Kael: 'Tu és o escolhido pela profecia da lua vermelha para carregar a espada sagrada e libertar o reino.'
Saída esperada (Candidatos extraídos):
[
{"trope": "Chosen One", "confidence": 0.88},
{"trope": "Ancient Prophecy", "confidence": 0.91}
]
Caso de falha conhecido: Classificar a menção casual de um livro de profecia em uma prateleira como o tropo ativo "Ancient Prophecy" no capítulo.