Os profissionais da informação realizam a indexação para representar as informações em documentos visando a posterior recuperação.

De acordo com Cintra (1983) “o processo de indexação consiste na tradução de um documento em termos documentários, isto é, em descritores, cabeçalhos de assunto, termos-chave, que têm por função expressar o conteúdo do documento”.

A organização e recuperação da informação se materializam pela indexação, que por sua vez é realizada com a finalidade de determinar, por meio do conteúdo dos documentos, um conjunto de palavras-chave ou assuntos, facilitando sua armazenagem em bases de dados e atendendo deste modo, as necessidades de recuperação da informação (FUJITA; GIL-LEIVA, 2010).

Para realizar a indexação é necessário que o documento seja minuciosamente analisado pelo indexador e que sejam estudadas as estratégias de busca, as necessidades de informação e o perfil do usuário efetivo e/ou potencial daquela determinada unidade informacional para qual a indexação está direcionada.

Para Lancaster (2004), a indexação envolve duas etapas básicas: análise de assunto e tradução. A análise de assunto ou análise conceitual refere-se ao assunto de que trata o documento. A tradução refere-se à conversão da análise conceitual de um documento em um conjunto de termos de indexação. Porém, outras etapas podem ser encontradas na literatura (GIL LEIVA, 2009).

Lancaster (2004) também classifica a indexação em intelectual, semiautomática e automática. Segundo Narukawa (2011), os três tipos de indexação podem ser distinguidos da seguinte forma:

• Indexação Intelectual: também denominada indexação manual, é caracterizada pela atividade humana durante todo o processo, não utilizando assim de qualquer dispositivo tecnológico. Portanto, o homem é o responsável pela realização de todas as etapas do processo de indexação.

• Indexação Semiautomática: relaciona-se ao processo em que um sistema computacional realiza a atividade de análise de texto do documento e, posteriormente, um indexador humano avalia os termos para indexação indicados pelo sistema, escolhendo assim, quais termos serão efetivamente empregados para representar o documento.

• Indexação Automática: consiste da seleção automática dos termos por um software ou sistema, levando em conta critérios estatísticos da ocorrência dos termos no texto dos documentos.

O tipo de indexação dependerá da instituição e dos recursos disponíveis para tal. Entretanto, independentemente de a indexação ocorrer ou não por meio da aplicação de tecnologia, o indexador sempre buscará a representação e a recuperação da informação contida nos documentos do acervo e em benefício ao usuário.

O estudo da indexação automática deriva da necessidade de aprimorar o processo de recuperação da informação ante aos efeitos do avanço da produção de documentos eletrônicos ou digitais. A aplicação da indexação automática desenvolveu-se como uma alternativa viável na análise e representação da informação diante do crescimento exponencial do volume de documentos.

Em decorrência do crescimento documental, Fujita (2003) afirma que:

O século XIX foi o período em que a indexação começou a apresentar um aprimoramento de sua execução e ao mesmo tempo ser apreciado pelo público, que sentia necessidade de encontrar uma fórmula para controle da massa documental que crescia em demasia (FUJITA, 2003, p. 140).

A construção de índices, considerados os primeiros instrumentos para armazenagem e recuperação de informações, marca essa época em que o homem passa a preocupar-se em registrar e organizar documentos por meio da representação de conteúdo.

Representar conteúdo dentro de um Sistema de Recuperação da Informação (SRI) é considerado um dos atos mais relevantes de uma unidade de informação, uma vez que este processo reflete a finalidade ou missão junto ao usuário de permitir a recuperação da informação de forma rápida e prática.

Para Silva e Fujita (2004) o conceito de indexação se deu a partir da construção de índices, apesar de nos dias atuais estar mais diretamente vinculada à conceituação e análise de assuntos. Para as autoras, a necessidade dos usuários de uma recuperação mais precisa e especializada, tornou a indexação um aparato metodológico indispensável para instituições informacionais.

Lancaster (2004) afirma que o ato de indexar transcende a ideia de apenas construir índices, uma vez que o avanço tecnológico global exige uma necessidade de condensação mais abrangente para uma recuperação mais aproximada daquilo que necessita o usuário.

Para muitos autores a indexação é discutida como um mecanismo de representação documentária cujo propósito é unicamente voltado para a recuperação da informação contida em determinado documento, como por exemplo, Borko e Bernier (1978) ao afirmarem que a indexação é o processo de analisar o conteúdo informacional de registros informacionais.

Diante dessas definições pode-se inferir a importância da indexação e do seu valor dentro de uma unidade informacional, bem como o papel imprescindível atribuído ao profissional da informação no que tange às atividades de indexação visando a representação e recuperação da informação.

Na era da Internet, a partir do momento em que o pesquisador publica os resultados de sua pesquisa, é gerado um produto da ciência cujo objetivo é a ampla disseminação e disponibilização aos pares de forma instantânea.

À medida que o aumento das publicações científicas possibilita novas descobertas e desenvolve a ciência, eis que surge a preocupação referente aos processos de organização dessas publicações, destacando assim, a disseminação e recuperação dessas informações nas bases de dados científicas.

De acordo com Fujita (2003), a organização da informação compreende as atividades e operações de tratamento da informação que abrange conhecimento teórico e metodológico tanto para o tratamento descritivo, quanto para o tratamento temático de conteúdo das informações. Assim, a recuperação consiste na localização de documentos inseridos em bases de dados e requer técnicas e métodos da organização da informação a fim de satisfazer às necessidades de busca.

Ao passo em que a evolução da tecnologia desenvolve a produção de informações na comunidade científica, ela também possibilita o uso de instrumentos e ferramentas capazes de colaborar nos processos de representação e posterior recuperação das informações. Segundo Robredo (2005), para disponibilizar o acesso rápido às bases de dados científicas, o suporte do computador é de suma importância no processamento de dados e informações.

Na indexação, o uso da tecnologia é denominado por Lancaster (2004) como indexação automática. O autor a define como “um processo que ocorre quando o computador é utilizado para substituir a indexação manual realizada por um indexador”. Para Hjørland (2008), “a indexação automática é realizada por meio de procedimentos algorítmicos”. Segundo Araújo Júnior (2007) a indexação automática é “qualquer procedimento que permita identificar e selecionar os termos que representam o assunto dos documentos sem a intervenção direta do homem”.

Neste tipo de indexação a tecnologia é empregada e o processo acontece automaticamente em diversos ambientes informacionais que fazem uso de mecanismos de busca. A indexação automática é amplamente adotada pelos sistemas de recuperação de informação de bibliotecas e centros de documentação na construção de índices para busca, mas em poucos casos, sua aplicação é feita de forma transparente para o profissional da informação. Os principais motivos da aplicação não consciente de tecnologia no processo de indexação são a falta de conhecimento da existência e do uso de sistemas de indexação automática, e a resistência por dúvidas de como aplicá-la de forma a obter eficácia na representação da informação.

Para Lancaster (2004) a indexação automática pode ser por extração ou por atribuição. O processo se dá por extração quando palavras ou expressões presentes num documento são selecionas para representar seu conteúdo; e por atribuição quando envolve a atribuição de termos a um documento de uma fonte que pode não ser o próprio documento (LANCASTER, 2004). Esta fonte é um vocabulário controlado da área do conhecimento de que se pretende realizar o processo de indexação. O vocabulário controlado consiste numa lista de termos autorizados que forma uma linguagem de indexação, podendo ser um tesauro ou até mesmo uma lista alfabética.

A diferenciação entre a indexação automática por extração e a indexação automática por atribuição ocorre dado que na primeira são extraídos do texto os termos pertinentes à representação do conteúdo, enquanto na segunda os termos extraídos são traduzidos em termos autorizados de um vocabulário controlado, forçando um controle terminológico dos termos que irão representar o conteúdo temático dos documentos.

Um grande diferencial da indexação automática por atribuição em relação à indexação automática por extração utilizada na maioria dos atuais sistemas de recuperação de informação é que a primeira representa o conteúdo do documento por meio de termos autorizados de um vocabulário controlado, e assim, permite uma melhor eficácia na recuperação da informação, já a segunda é utilizada para construir índices de palavras isoladas, não contemplando termos compostos de uma linguagem de especialidade como uma unidade do discurso.

Narukawa, Gil-Leiva e Fujita (2009) discorrerem que o ideal seria que a tecnologia fosse empregada aliada à intervenção humana para avaliar e validar os termos descritores. Os autores apontam que o tempo que é destinado ao processo de indexação intelectual pode ser facilmente agilizado por um sistema automatizado, e, portanto, a tecnologia deve ser empregada contribuindo assim no processo de indexação, apontando deste modo, a indexação semiautomática como a melhor alternativa.

De acordo com Lancaster (2004):

O software promete aos profissionais da informação uma contribuição no sentido de diminuir o tempo dedicado ao trabalho atribuído ao processo de indexar, tendo em vista que a indexação é um processo que necessita tempo e técnicas para ser considerada de boa qualidade (LANCASTER, 2004).

Assim, a indexação automática é realizada por meio de programas de computador que podem contribuir para agilizar o processo de indexação, economizando tempo gasto em tal atividade. A automatização da indexação serve como ferramenta de auxílio na prática do profissional da informação, contribuindo para que a indexação possa ser realizada de maneira otimizada por meio da tecnologia empregada em sistemas que permeiam as tarefas do indexador. Agilizar o processo intelectual realizado pelos profissionais da área deve ser o principal objetivo das pesquisas sobre a indexação automática.

O estudo acerca da automatização da indexação teve início na segunda metade do século XX. Remonta aos últimos anos da década de 50, quando Luhn apresentou o índice KWIC (Key Word In Context), em que as palavras do título que servem de entradas no índice são identificadas automaticamente por meio da eliminação das palavras que não tem significado, por comparação com uma lista de palavras vazias de significado, estabelecida previamente (ROBREDO, 1991). Seu desenvolvimento se deu basicamente em momentos históricos e permeiam fatores linguísticos, estatísticos e híbridos.

No artigo de Corrêa e Lapa (2014), “A indexação automática no Brasil no âmbito da Ciência da Informação (1973-2012): indicadores bibliométricos”, os autores apresentam um histórico das pesquisas brasileiras sobre indexação automática, explicam como se deu o seu desenvolvimento e apontam tecnologias empregadas nos sistemas desenvolvidos.

Tanto o artigo de Corrêa e Lapa (2014), como o de Bandim e Corrêa (2018), mencionam os principais sistemas de indexação automática utilizados no Brasil. No Quadro 1, apresenta-se uma síntese dos sistemas de indexação automática citados nos respectivos trabalhos e que possuem relevância para área.

Quadro 1
Sistemas de indexação automática utilizados no Brasil

Fonte: Dados da pesquisa.

O surgimento destes sistemas é de fundamental importância para a área. Por meio desses sistemas, os profissionais da informação têm a possibilidade de realizar as atividades de indexação. Adicionalmente, a partir da utilização dos mesmos é possível aprimorá-los e adequá-los para atender às demandas informacionais das unidades de informação.

Percebe-se por meio do Quadro 1, que somente um dos sistemas realiza indexação automática por atribuição, e por isso será analisado neste trabalho.

Neste artigo, visando analisar comparativamente sistemas que realizam a indexação automática por atribuição, serão analisados o software SISA e o software MAUI, de acordo com o percurso metodológico descrito a seguir.

No artigo (NARUKAWA, LEIVA e FUJITA, 2009), os autores apontam que o software SISA (acrônimo do espanhol Sistema de Indización Semiautomático) foi desenvolvido no período de 1999 a 2008 pelo professor e pesquisador Isidoro Gil Leiva, da Universidade de Múrcia, na Espanha.

Originalmente o SISA foi proposto como um sistema de indexação semiautomático aplicado à área da Biblioteconomia e Documentação, porém pode ser aplicado a qualquer área do conhecimento, desde que sua configuração contemple as exigências do software (NARUKAWA, 2011, p.106).

A seguir são descritos os requisitos de entrada de dados do SISA:

• Lista alfabética de termos e descritores: arquivo texto contendo os termos autorizados e termos alternativos, sendo para cada termo alternativo indicado o respectivo termo autorizado;

• Lista alfabética de termos e respectivos termos gerais: arquivo opcional contendo o termo autorizado e a relação de termo geral;

• Lista de palavras vazias no idioma do texto dos documentos, para fins de eliminação das palavras consideradas vazias (stopwords), como conectivos e artigos;

• Marcação das partes estruturais constituintes do documento a ser indexado;

• Todos os arquivos de entrada, incluindo os textos a serem indexados, devem estar no formato txt.

Assim, os arquivos utilizados no processamento do SISA são: o texto completo (com título, resumo e texto identificados); uma lista de palavras vazias (stoplist); e uma linguagem documentária como, por exemplo, um tesauro da área do conhecimento dos documentos.

Durante a análise de texto do documento, o software adota uma metodologia por meio da comparação entre termos do documento (posicionados no título, resumo ou texto) e termos de uma linguagem documentária. Assim, o SISA identifica termos de um vocabulário controlado no texto completo de um documento, identificando sua ocorrência nos campos estruturais: título, resumo e no texto.

Para que determinado termo do vocabulário controlado seja proposto como termo de indexação, é necessário que ele satisfaça alguma das regras de ponderação envolvendo critérios preestabelecidos de frequência e posição no texto (BANDIM; CORRÊA, 2018).

Além dos termos de indexação sugeridos, o sistema lista também termos candidatos à indexação, que são os termos que não são palavras vazias e não estão no vocabulário controlado, mas que atendem aos critérios de frequência e posição dos termos sugeridos. De acordo com Gil-Leiva (2017), termos candidatos são:

Termos não incluídos no vocabulário controlado, nem na lista de stopwords, e que cumprem requisitos como aparecendo um número mínimo de vezes e em diferentes parágrafos. Assim, a indexação do SISA não depende unicamente da presença ou ausência de um termo do vocabulário, e também é possível realizar um feedback automático do vocabulário (GIL LEIVA, 2017).

Após o sistema realizar a indexação automática para um documento, o indexador pode escolher descritores entre os termos sugeridos e termos candidatos, mantendo assim a característica de sistema semiautomático de indexação.

De acordo com Narukawa, Leiva e Fujita (2009), a metodologia que envolve o processo de indexação pelo SISA se dá em três etapas:

1. 1. Pré-processamento: nesta fase as partes constituintes do documento devem ser marcadas pelo indexador para sua identificação por meio dos símbolos: Título que deve ser delimitado por #CTI# e #FTI#; Resumo que deve ser delimitado por #CR# e #FR#; e Texto que deve ser delimitado por #CTE# e #FTE#. É nessa fase também que o software realiza a eliminação das palavras vazias e horizontalização das frases, desta forma, o total de palavras nas fontes título, resumo e texto são computadas;
2. 2. Análise de conteúdo: nesta fase ocorre a etapa de análise do texto, onde um algoritmo busca a extração de termos da linguagem documentária que coincidem com termos das fontes;
3. 3. Valoração e ponderação: esta última etapa consiste na aplicação de critérios de avaliação dos termos para que o sistema possa selecionar os termos de indexação que representarão o conteúdo do documento. Na seleção e proposição dos termos para indexação são aplicados os seguintes critérios para que um termo seja considerado como termo de indexação: um termo autorizado aparece no título e no resumo, ou um termo autorizado aparece no título e no texto, ou um termo autorizado aparece no resumo e no texto do documento. No entanto, os termos semivazios são apresentados como candidatos à indexação se, a palavra semivazia aparece no título, resumo e texto, ou se aparece no texto dez vezes ou mais, além de aparecer em oito parágrafos diferentes ou mais. Assim, o sistema irá selecionar e propor os termos de indexação de acordo com regras heurísticas envolvendo a frequência e posição dos termos em relação ao documento (GIL LEIVA, 2017).

Para concluir a indexação semiautomática, é necessário que haja a intervenção humana para analisar e decidir os termos de indexação propostos pelo sistema. Por ser um sistema flexível, é possível acrescentar ou suprimir termos, isso permite que o indexador possa tomar a decisão considerando as particularidades de um sistema de informação (NARUKAWA, LEIVA e FUJITA, 2009).

O termo MAUI é acrônimo do inglês Multi-purpose Automatic Topic Indexing, que pode ser traduzido como indexação automática por tópicos de propósito geral.

O software foi desenvolvido por Alyona Medelyan como parte de seu projeto de doutorado, sob a supervisão de Ian H. Witten e Eibe Frank, no Departamento de Ciência da Computação da Universidade de Waikato, Nova Zelândia em 2009.

O MAUI baseia-se no algoritmo de extração de palavras-chave (do inglês keyphrase extraction) do software KEA, e fornece funcionalidades adicionais como atribuição de termos de vocabulário controlado, e opcionalmente a atribuição de tópicos a documentos baseados em termos da Wikipedia usando o software Wikipedia Miner. Esses recursos adicionais possibilitam ao MAUI identificar termos de indexação com mais precisão segundo Medelyan, Frank e Witten (2009).

O MAUI permite executar as seguintes tarefas (MEDELYAN, 2009): atribuição de termos de um vocabulário controlado ou tesauro; indexação de assunto; indexação de tópico com termos da Wikipedia; extração de palavras-chave; extração de terminologia; marcação automática; extração de terminologia e indexação de tópico semiautomática; e extração de palavras-chave tendo como referência um vocabulário controlado.

O MAUI extrai automaticamente os principais termos de documentos de texto, e a depender da tarefa, os termos podem corresponder a tópicos, tags, palavras-chave, frases-chave, termos de vocabulário, descritores, termos de índice ou títulos de artigos da Wikipédia.

O MAUI pode ser usado como uma ferramenta de sugestão de marca ou tag que fornece aos usuários tags descrevendo os principais tópicos de documentos recentemente adicionados. As tags podem ser corrigidas ou aprimoradas por marcas pessoais, se necessário, o que pode melhorar a consistência de uma folksonomia, por exemplo, sem comprometer a sua flexibilidade.

A metodologia e etapas de processamento segundo Medelyan (2009) são:

1. 1. Geração de tópicos candidatos – extração de termos candidatos a termos de indexação;
2. 2. Cálculo de características – cálculo de características para os termos candidatos;
3. 3. Construção do modelo de indexação – treinamento do modelo de indexação levando em conta os termos atribuídos pelos indexadores a cada documento do conjunto de treinamento;
4. 4. Aplicação do modelo aprendido para selecionar tópicos em outros documentos – aplicação do modelo de indexação treinado para propor termos de indexação a outros documentos.

O software apresenta a especificidade da utilização de um algoritmo de aprendizagem de máquina para gerar um modelo de seleção de termos de indexação como base no comportamento humano de indexação, e esta característica o aproxima da indexação manual.

Para representar o conteúdo dos documentos, o MAUI utiliza métodos estatísticos e linguísticos para a extração e ponderação de termos.

A ponderação de termos leva em consideração o cálculo de características baseadas na frequência de ocorrência do termo (do inglês frequency features), na posição de ocorrência do termo (do inglês occurence features), o comprimento do termo em palavras (do inglês length feature), na probabilidade de um termo ser palavra-chave no domínio ou corpus (do inglês keyphraseness feature), e baseada em relações semânticas dos termos em um tesauro (do inglês thesaurus feature). Para indexação automática de documentos utilizando termos da Wikipedia, o software também permite o uso características baseadas na Wikipedia (do inglês Wikipedia features).

Medelyan, Frank e Witten (2009) descrevem como as características são utilizadas na ponderação dos termos:

• Frequência: São computadas as medidas TFIDF, TF e IDF para cada termo candidato. A medida TFIDF combina a frequência de uma frase em um documento particular (TF) com sua frequência inversa de ocorrência no conjunto de treinamento (IDF). Esta pontuação é alta para termos raros e que aparecem com frequência em um documento, sendo mais propensos a serem significativos.

• Ocorrência: Leva em consideração a posição de ocorrência do termo candidato no documento. A posição de ocorrência é computada como a distância relativa da ocorrência do termo desde o início do documento, normalizada pelo tamanho do documento em palavras. São computadas a primeira (FIRST), última (LAST) e intervalo (SPREAD) de ocorrência de cada termo candidato, sendo este último a diferença entre as duas primeiras. Termos candidatos com valores muito baixos ou muito altos para estas características provavelmente são tags ou descritores, porque eles aparecem na abertura do documento, em partes tais como título, resumo e introdução, ou nas seções finais do documento, como conclusão e referências;

• Comprimento: O comprimento do termo candidato ou frase (LENGTH) é medido em palavras. De um modo geral, quanto mais longa a frase, mais específica ela é. Geralmente, indexadores profissionais preferem expressões do que palavras isoladas como palavras-chave. O treinamento do modelo de aprendizagem de máquina captura e quantifica a preferência de especificidade dos termos em um determinado corpus;

• Probabilidade de ser palavra-chave: Quantifica a frequência com que um termo candidato aparece como palavra-chave no conjunto de treinamento (KEYPHRASENESS);

• Relações semânticas: O grau do nodo (NODE DEGREE) quantifica o número de relações semânticas de um termo do tesauro correspondente a uma frase candidata com outros termos do tesauro correspondentes a outras frases candidatas do mesmo documento. Tenta capturar a proximidade semântica entre frases (do inglês semantic relatedness), já que geralmente, palavras-chaves tem alta coocorrência com termos relacionados incluídos num tesauro.

Cabe ressaltar que a qualidade dos recursos que são fornecidos para o algoritmo de aprendizado de máquina envolvido é a chave para o sucesso da indexação automática pelo MAUI, contudo, é necessário que se tenha conhecimento necessário para a utilização dos recursos no contexto da indexação, o que ressalta a importância do trabalho do profissional da informação.

Por meio da análise de conteúdo dos trabalhos selecionados como relatos de experiência no uso dos sistemas, foi possível analisar comparativamente as características descritivas do processo de indexação de cada software, levantando informações acerca de como são processados os documentos e como é feita a extração e seleção dos termos que resulta nos descritores propostos por cada sistema.

Para tanto, foram utilizadas categorias para descrever as características de cada sistema, cujos valores podem ser observados no Quadro 2.

Quadro 2
Características dos sistemas SISA e MAUI

Fonte: Dados da pesquisa.

A partir do Quadro 2 e da análise comparativa das principais características dos sistemas analisados, pode-se concluir que ambos, apesar de possuírem características em comum, apresentam especificidades que os diferenciam entre si.

Com relação à característica “Arquivos utilizados no processamento”, que corresponde às fontes informacionais exigidas por cada sistema, nota-se que os sistemas apresentam requisitos em comum como o texto completo a ser indexado, uma lista de palavras vazias, e vocabulário controlado. Porém o MAUI exige adicionalmente um conjunto de treinamento envolvendo o texto de alguns documentos e respectivas palavras-chave, utilizado para treinar o modelo de aprendizado de máquina que classificará os termos de outros documentos como sendo palavra-chave ou não.

Na característica “Formato de arquivos de entrada”, que corresponde ao formato de arquivos exigidos por cada sistema, os sistemas possuem uma diferenciação acentuada, pois o SISA comporta arquivos nos formatos TXT, enquanto o MAUI comporta além de TXT, o formato SKOS na especificação de vocabulário controlado.

Referente à característica “Utilização de linguagem documentária”, que corresponde à padronização da linguagem de indexação pelos sistemas, tanto o SISA quanto o MAUI apresentam a obrigatoriedade da entrada de um vocabulário controlado para realizar a indexação automática por atribuição. Ou seja, os sistemas atuam em conformidade com uma linguagem documentária. Entretanto, o MAUI também pode realizar a indexação automática por extração quando o vocabulário controlado não é apresentado, e o SISA exige o vocabulário controlado. O SISA apresenta a singularidade de exibir na tela para o indexador também termos candidatos que não constam no vocabulário.

Com relação à “Flexibilidade”, que corresponde à capacidade de os sistemas operarem em outros idiomas e domínios, ambos se apresentam extensíveis para outros idiomas e áreas de conhecimento por meio de vocabulário controlado e lista de palavras vazias, porém, o MAUI apresenta outros requisitos como: um software radicalizador de palavras para o idioma do texto; e um conjunto de treinamento, necessário para gerar um modelo de indexação para coleções específicas.

Referente à característica “Etapas de processamento”, que corresponde às etapas que cada sistema executa para indexar os textos, os sistemas apresentam diferenças. Onde o SISA necessita de três etapas para efetuar a análise do documento: Preparação das fontes; Análise do conteúdo; e Valoração e ponderação dos termos. Enquanto o MAUI requer inicialmente, o treinamento de um modelo de aprendizado de máquina supervisionado para propor termos de indexação, para a posterior análise de documentos em três etapas: Geração de termos candidatos à indexação; Cálculo de características para os termos candidatos; e Aplicação do modelo de indexação treinado para selecionar os termos de indexação com maior probabilidade de serem palavras-chave.

Com relação às “Operações sobre o texto”, que são operações de processamento da linguagem natural que são aplicadas no pré-processamento dos textos com o objetivo de melhorar a qualidade do processamento das informações via extração de termos relevantes (BAEZA-YATES; RIBEIRO NETO, 2013), os sistemas apresentam operadores comuns como a análise léxica, eliminação de stopwords e uso de vocabulário controlado, sendo que o MAUI apresenta adicionalmente a extração de n-gramas e radicalização das palavras.

Acerca da “Ponderação dos termos”, que consiste na análise das características referente aos termos de indexação, os sistemas também apresentam similaridade como o uso de características baseadas na frequência e posição dos termos, se diferenciando o MAUI por incluir características como o tamanho do termo, a probabilidade de ser palavra-chave no conjunto de treinamento ou domínio e a quantidade de relações semânticas do termo candidato com outros termos candidatos no tesauro.

A última característica analisada foi a “Abordagem na indexação automática por atribuição”, que consiste na classificação do método de indexação automática levando em consideração a abordagem na incorporação do conhecimento do especialista e abordagem no processamento da linguagem natural, presentes em cada software. A pesquisa mostrou divergência quanto ao método de incorporação do conhecimento do especialista nos sistemas. No SISA, a abordagem é não supervisionada por meio de sistema especialista, onde regras heurísticas de indexação foram embutidas no software. Com relação ao MAUI, a abordagem é supervisionada pois envolve treinamento de modelo de aprendizagem de máquina. Os sistemas convergem quanto à abordagem estatística e linguística no processamento da linguagem natural. Em ambos, a abordagem linguística no processamento da linguagem natural ocorre devido ao uso do vocabulário controlado, adicionalmente o MAUI apresenta o uso de radicalização de palavras.

Por meio do quadro, fica evidente que SISA e MAUI possuem valores similares para algumas características, tais como quanto aos arquivos utilizados no processamento, formato dos arquivos de entrada, utilização de linguagem documentária, flexibilidade, ponderação dos termos, e operações sobre o texto. Porém, o MAUI se destaca por possuir valores singulares adicionais em relação ao SISA nessas características.

Com relação aos demais critérios utilizados no quadro, percebe-se que o MAUI se diferencia em relação ao SISA quanto ao critério de abordagem na indexação automática por atribuição e por possuir características distintas quanto às etapas de processamento.

Cabe ressaltar que o MAUI apresenta uma característica específica de aprendizado de máquina, que pode ser um fator determinante para uma melhor eficácia na indexação automática para domínios específicos.

Para além do quadro comparativo das características dos sistemas, na literatura constata-se que o SISA foi aplicado na indexação automática de publicações científicas escritas em português em áreas do conhecimento como Odontologia, Agricultura e Ciência da Informação, com a utilização dos respectivos vocabulários controlados: DeCS, Thesagro e Tesauro Brasileiro de Ciência da Informação (TBCI). Os trabalhos apresentaram o objetivo de analisar o resultado da indexação automática por atribuição por meio do SISA, sendo eles: (NARUKAWA, GIL LEIVA, FUJITA, 2009); (NARUKAWA, 2011); (GIL LEIVA, 2017); (BANDIM; CORRÊA, 2018) e (BANDIM; CORRÊA, 2019).

Quanto ao MAUI, este não foi aplicado na indexação automática por atribuição de documentos científicos em português, apenas nos idiomas inglês, espanhol e francês. Tais experimentos se encontram descritos na tese de Medelyan (2009). O MAUI foi aplicado na indexação automática por atribuição de documentos científicos em inglês das áreas de agricultura, medicina e física, sendo utilizado os respectivos tesauros: Agrovoc, MeSH (Medical Subject Headings) e HEP (High Energy Physics thesaurus). Para documentos nos idiomas espanhol e francês foram realizados experimentos na área de agricultura, usando o Agrovoc como vocabulário controlado.

Embora os trabalhos discutidos acima reportem valores de métricas de qualidade na indexação, e em alguns relatos concluam que a qualidade da indexação dos sistemas se aproxima da realizada por indexadores, os valores não são diretamente comparáveis, nem permitem generalizações quanto à superioridade de um sistema em relação ao outro. Isto torna latente a necessidade de avaliação conjunta desses sistemas na indexação automática por atribuição em um mesmo conjunto de publicações científicas em língua portuguesa.