Este artigo explora a aplicação do aprendizado de máquina para indexação temática automática, usando dois subcorpora das Obras Completas de Voltaire como caso de teste. A tarefa é enquadrada como um problema de classificação multirótulo onde os modelos atribuem entradas de índice às páginas de texto.

  • O estudo compara modelos baseados em codificadores com cabeças de classificação contra grandes modelos de linguagem generativos (LLMs) ajustados por meio de Adaptação de Baixo Ranqueamento (LoRA).
  • Os tamanhos dos modelos variam de aproximadamente 3 a 120 bilhões de parâmetros.
  • O modelo de melhor desempenho, um modelo da família Mistral em configuração quantizada de 4 bits, alcança escores F1 de até 0.67.
  • Os autores argumentam que essas figuras representam limites inferiores devido à subjetividade inerente da indexação profissional.

As descobertas têm implicações para fornecer acesso temático estruturado a corpora literários e históricos em grande escala.