ODSBAHIA-PTBR：支持可持续发展目标的自然语言处理模型

该文档主要探讨了如何利用自然语言处理（NLP）技术来支持可持续发展目标（SDGs）的实现，特别是在葡萄牙语文本的分类方面。以下是对该文档的详细总结：

研究背景与目标

背景：2015年，联合国成员国通过了2030年议程，该议程围绕17个可持续发展目标（SDGs）和169个相关目标展开，涵盖经济、社会和环境三个基本维度。然而，现有的17个SDGs未能充分涵盖一些特定的群体和问题，特别是在巴西和拉丁美洲的背景下。因此，研究者提出了三个新的目标：种族平等（SDG 18）、艺术、文化与传播（SDG 19）以及原住民和传统社区的权利（SDG 20）。

目标：本研究旨在提出一种方法，利用NLP技术客观地将葡萄牙语文本与SDGs相关联。具体目标包括：构建和验证一个多标签训练语料库，评估和比较不同预训练模型的性能，开发一个适用于葡萄牙语的文本分类模型ODSBahia-PTBR，并分析其性能。

理论框架

人工智能与自然语言处理：人工智能（AI）在社会中的应用日益广泛，特别是在知识表示和决策方面。自然语言处理（NLP）是AI的一个重要分支，旨在通过计算模型和过程解决理解人类语言的实际问题。NLP可以分为两大任务：自然语言理解（NLU）和自然语言生成（NLG）。

注意力机制模型：在NLP领域，注意力机制模型（如Transformer架构）在文本和语言处理任务中表现出色。该架构通过编码器-解码器结构处理输入序列，生成包含整个输入序列信息的中间表示。

方法

研究设计：本研究采用探索性、描述性和应用性的方法，结合定量分析和实验程序。研究中使用了三种预训练的葡萄牙语语言模型：Albertina PTBR、BERTimbau和DeBERTinha。通过调整这些模型以适应特定的多标签数据集，最终选择BERTimbau Base作为ODSBahia-PTBR模型的基础。

数据收集与分析：数据收集方法包括访谈、问卷调查和观察等。研究通过调整预训练模型来处理多标签数据集，并使用精确度、召回率和F1-Score等指标评估模型性能。

结果与讨论

模型性能：ODSBahia-PTBR模型在翻译和分类OSDG数据集时达到了95%的准确率，显示出在识别和分类与SDGs相关的文本方面的高效性。特别是在监测SDGs之间的交叉关系时，该模型表现出色。

讨论：研究结果表明，选择和调整预训练模型对于不同应用环境的适应性至关重要。未来的研究可以集中于优化特定标签的性能，扩展训练语料库，并探索新的数据源进行验证。

研究贡献与创新

实践意义：ODSBahia-PTBR为不同利益相关者提供了一种创新工具，用于监测和分析与SDGs对齐的举措，促进2030议程的评估和推广。

原创性与价值：该研究在葡萄牙语文本分类中首次引入了SDG 18、19和20，提供了一种新颖且适用于巴西及其他葡语国家的可持续监测方法。

结论

本研究不仅提出了一种将葡萄牙语文本与SDGs相关联的客观方法，还展示了适当选择和调整预训练模型的重要性。未来的研究可以进一步优化模型性能，扩展训练数据，并探索其他预训练模型的微调。

通过以上总结，读者可以全面理解该文档的内容、方法和贡献，特别是在利用NLP技术支持SDGs实现方面的创新和实践意义。