Desenvolvimento de um Classificador do Catálogo do Arquivo Histórico Ultramarino: Um Experimento com Processamento de Linguagem Natural e Inteligência Artificial Aplicado a Resumos Arquivísticos

Resumen

Este artigo descreve a arquitetura computacional e metodológica do Catálogo AHU-Brasil, uma ferramenta de triagem documental que reúne, num banco de dados estruturado e pesquisável, cerca de 167 mil verbetes de documentos do Arquivo Histórico Ultramarino (AHU) referentes ao Brasil colonial. O projeto começou como o “Classificador AHU-Sul”, restrito a 7.051 verbetes do Sul e Sudeste do Brasil extraídos do Projeto Resgate Barão do Rio Branco, e foi depois ampliado a todas as séries do Conselho Ultramarino relativas ao Brasil, a partir dos catálogos publicados pelo próprio arquivo, no Arquivo Científico Tropical Digital (ACTD), e pelo Projeto Resgate. Para superar as limitações da busca lexical em massas de dados não estruturados, foi desenvolvida uma pipeline em Python que integra a coleta automatizada dos catálogos, a higienização de metadados, a padronização e a conversão das cotas arquivísticas (padrão CRAV/DigitArq), o controle de qualidade dos verbetes e a ligação dos documentos aos seus registros no DigitArq. O trabalho detalha, ainda, o processo de vetorização semântica dos resumos para a implementação de um motor de busca híbrido, que permite consultas tanto por termos lexicais específicos quanto por contextos semânticos amplos. Como descrição complementar, o artigo apresenta um experimento de anotação sociolinguística feito com o modelo DeepSeek v3 sobre os 7.051 verbetes da coleção AHU-Sul, que infere categorias sociais, vetores de comunicação e a probabilidade de mediação por escrivães, sintetizados no Score de Relevância Sociolinguística Potencial (SRSP), um indicador heurístico para apontar os manuscritos com maior propensão a abrigar inovações sintáticas do português brasileiro colonial. Alinhado aos princípios da Ciência Aberta, o trabalho disponibiliza publicamente o conjunto de dados completo, o código-fonte e uma interface interativa. O objetivo é demonstrar como a aliança entre Humanidades Digitais, Ciência de Dados e Processamento de Linguagem Natural pode otimizar substancialmente a seleção documental para pesquisas em Linguística Diacrônica e de Corpus.