card: merged full model + pipeline usage

dbdcc14 verified 18 days ago

3.21 kB

base_model: neuralmind/bert-base-portuguese-cased
library_name: transformers
pipeline_tag: token-classification
language:
  - pt
license: mit
tags:
  - speech-acts
  - atos-de-fala
  - dialogue-acts
  - portuguese
  - pt-br
  - bertimbau
  - token-classification
  - bioes
widget:
  - text: Bom dia! Você pode revisar o relatório? Obrigado.

Atos de Fala PT-BR — classificador de atos de fala (span-level)

Classificador de atos de fala (speech acts) para português brasileiro, em nível de span: decompõe um texto em trechos contíguos e rotula a intenção de cada um (pedir, perguntar, agradecer, discordar, prometer…). Até onde sabemos, é o primeiro modelo aberto de atos de fala span-level para PT-BR.

Este é o modelo completo (BERTimbau fine-tunado, LoRA já mesclado) — carrega com transformers puro, sem PEFT, e roda no pipeline("token-classification").

Base: neuralmind/bert-base-portuguese-cased (BERTimbau), token classifier BIOES.
Treino: dados sintéticos destilados de um teacher LLM (DeepSeek), balanceados por ato.
Demo ao vivo: https://huggingface.co/spaces/lucianfialho/atos-de-fala-ptbr
Coleta colaborativa + dataset aberto: https://atos-de-fala.vercel.app
Código: https://github.com/lucianfialho/atos-de-fala

Taxonomia (13 atos → 53 labels BIOES)

informar · perguntar · concordar · discordar · pedir · sugerir · oferecer · prometer · saudar · agradecer · desculpar · despedir · expressar_emocao (ISO 24617-2 + Searle).

Como usar

from transformers import pipeline

clf = pipeline("token-classification", model="lucianfialho/atos-de-fala-ptbr",
               aggregation_strategy="none")
print(clf("Bom dia! Você pode revisar o relatório? Obrigado."))
# -> tags BIOES por token: B-saudar … E-saudar | B-pedir … E-pedir | B-agradecer …

Agrupe as tags BIOES (B/I/E/S por ato) em spans (start, end, ato).

Treino

~5.000 exemplos sintéticos (frases PT-BR + anotação span-level) gerados por um teacher DeepSeek, com balanceamento por ato.
LoRA nos módulos de atenção (query/value) + cabeça classifier; fp16; loss ≈ 0,30. O adapter foi mesclado (merge_and_unload) neste modelo final.

Avaliação (honesta)

Eval sentence-level no Porttinari (notícias; da Silva et al., PROPOR 2024), ato dominante:

accuracy ≈ 0,83 · lenient hit-rate ≈ 0,94 (coarse, macro-classes).
Caveat: Porttinari é notícia → mede bem informar/perguntar, mas é praticamente cego aos 11 atos sociais/diretivos/comissivos. Span-F1 exato ≈ 0 por granularidade (gold de frase vs spans). Qualitativamente acerta atos sociais e pedidos indiretos.

Limitações

v1: texto de treino sintético (sabor "LLM"), carrega o viés do teacher.
Fronteiras de span podem errar por alguns caracteres.
Falta gold humano conversacional — sendo coletado no jogo aberto para treinar o v2.

Licença e contato

MIT (respeite a licença do modelo base, BERTimbau). "chomsky" é só o codinome interno; a base teórica é pragmática (Searle/ISO), não a sintaxe chomskyana. Contato: lucian@metricasboss.com.br