Como identificar e classificar nomes próprios e comuns em textos
O assunto é mais simples do que parece, mas gera confusão constante na hora de aplicar regras de capitalização e separação em processos de limpeza de dados. Vou explicar direto, sem rodeios, porque a maioria dos guias que você encontra na internet repete a mesma definição básica e esquece dos casos que realmente causam problemas. Nomes comuns são aqueles que nomeiam seres, objetos ou ideias de forma genérica: cachorro, mesa, alegria, Brasil (quando usado como sinônimo de território, não como entidade política específica). Nomes próprios identificam um ser único dentro de sua categoria: Rover (o cachorro do vizinho), Copacabana, Maria.
texto substantivo próprio e comum
A diferença prática mais importante, e a que quase todo mundo erra, é que a classificação depende do contexto, não apenas da palavra isolada. A palavra rio é comum. Quando você escreve Rio São Francisco, o termo Rio passa a integrar um nome próprio, mas o substantivo rio em si continua sendo comum na estrutura gramatical. Isso é particularmente relevante quando você está montando pipelines de normalização textual para análise de dados, e não apenas corrigindo redações escolares. Casos borderline aparecem frequentemente com topônimos que incluem artigos ou preposições. O nome A União (jornal) vs. a união (ato de unir) muda completamente a classificação, e isso só se resolve lendo a frase inteira, não analisando token por token. Ferramentas automáticas de reconhecimento de entidades nomeadas (NER) acertam cerca de 85 a 90 por cento dessas distinções em textos bem estruturados, mas em documentos digitais ruins, com erros de digitação ou linguagem informal, a queda pode ser de quinze a vinte pontos percentuais.
Quando a regra não se aplica
Aqui está algo que raramente ensinam: marcas comerciais e nomes de produtos muitas vezes são tratados como substantivos comuns em certos contextos, mesmo sendo originalmente próprios. Quando alguém escreve ele comprou um xerox, está usando o nome próprio da marca como substantivo comum, e a gramática normativa aceita essa derivação. O mesmo vale para plástico (da Bakelite), zen (da escola Zen Budista), ou googlear (do Google). Processadores de texto que aplicam regras cegas de capitalização vão marcar esses usos como "erros", gerando falsos positivos que atrapalham mais do que ajudam. Outro ponto que causa transtorno constante envolve nomes de instituições. Universidade de São Paulo é um nome próprio composto, mas universidade federal é uma categoria comum. A confusão aumenta quando se trata de Estado vs. estado — o primeiro como entidade política soberana (próprio em contextos específicos como Estado Brasileiro), o segundo como condição ou esfera de governo (comum). A regra prática é verificar se o termo se refere a uma entidade única e identificável ou a uma classe genérica de entidades.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Aplicação prática em processamento de linguagem
Se o seu objetivo é construir um pipeline de pré-processamento de texto, o fluxo mais eficiente funciona assim: primeiro aplique lowercase uniforme em todo o corpus, depois execute uma etapa de NER para identificar entidades, e finalmente restaure a capitalização apropriada com base nas regras do português. Fazer o inverso — tentar capitalizar antes de reconhecer entidades — produz resultados inconsistentes porque a capitalização irregular dificulta a detecção automática. Minha experiência direta envolve um projeto de extração de dados de contratos jurídicos onde a variação de capitalização entre "Contrato de Prestação de Serviços" e "contrato de prestação de serviços" no mesmo documento gerava duplicações falsas no índice de entidades. A solução foi tratar o documento inteiro como case-insensitive durante a identificação, e só aplicar a capitalização padrão do português na etapa final de output. Isso reduziu as duplicações de cerca de onze por cento para menos de dois por cento nos testes.
O problema é que essa abordagem não funciona bem com textos multilíngues em que a capitalização de nomes próprios varia entre idiomas. No espanhol, por exemplo, nomes de instituições mantêm minúsculas em partes que em português seriam maiúsculas, e um modelo treinado apenas em português vai errar sistematicamente nesses casos. Se você lida com corpora multilíngues, o recomendável é usar modelos NER específicos por língua e combinar os resultados com Regras heurísticas, não confiar em uma única pipeline.
Erros mais comuns e como evitá-los
O erro número um é tratar a classificação como binária e imutável. Substantivos próprios podem derivar comuns e vice-versa ao longo do tempo. Palavras como chinesco, quarton ou renda (no sentido de renda básica) carregam origens toponímicas ou nominais próprias, mas já estão consolidadas como comuns no dicionário. Consultar o Houaiss ou o Michaelis antes de classificar termos ambíguos economiza horas de retrabalho em projetos de anotação manual. O erro número dois é ignorar a variação dialetal. Em Portugal, Euro pode ser grafado com maiúscula como nome da moeda; no Brasil, a norma padrão recomenda minúscula (real, euro). Se seu corpus mistura variantes, decida qual norma vai seguir e aplique de forma consistente, documentando a decisão. Inconsistência interna no corpus invalida comparações estatísticas e gera ruído em modelos treinados sobre os dados.
O recurso que você realmente precisa aqui não é um software específico, mas um conjunto de regras claras de capitalização para o português brasileiro, como as definidas pelo Acordo Ortográfico de 1990, aplicado com sensibilidade ao contexto. Para textos corridos, um corretor ortográfico bem configurado cobre a maior parte dos casos. Para processamento em escala, bibliotecas como spaCy com modelos para português ou NLTK com regras customizadas são opções razoáveis, mas ambas exigem ajuste manual para os casos que citamos acima. Não espere plug-and-play.
