toda publicação de um DO tem como contrapartida uma nova entrada em uma base de dados. a publicação é feita para leitura humana, ao passo que a base dados é desenhada para a análise automática feita por computadores. uma deve corresponder à outra, de modo que uma pessoa suficientemente treinada pode ler qualquer uma delas e produzir a outra.
é um desperdício de recursos, portanto, produzir publicação e dado de maneira independente: bastaria produzir um deles, e o outro seria derivado automaticamente.
mas qual deles deve ser produzido?
como foi mencionado antes, para pessoas não faz diferença qual forma é
produzida primeiro. mas se quisermos derivar uma forma da outra
automaticamente, estamos falando de computadores, e aqui há uma
diferença entre dado -> publicação e publicação -> dado.
os dois caminhos possíveis de derivação por máquina são instâncias de
problemas conhecidos da área de processamento de linguagem natural
(PLN). dado -> publicação é um problema de geração de linguagem
natural (NLG, em inglês), ao passo que publicação -> dado é um
problema de compreensão de linguagem natural (NLU, em inglês).
de fato, o segundo caminho é aquele tentado por diversas iniciativas de “mineração” de diários oficiais, com resultados ruins – a despeito da simplicidade relativa das publicações dos DOs em relação a outros tipos de publicação, como por exemplo tuítes. não é incompetência das pessoas que tentaram – o problema de NLU é reconhecidamente mais difícil que o de NLG, como uma leitura rápida das páginas da Wikipedia permite concluir.
não está se dizendo que o problema de NLG é fácil: gerar linguagem natural de maneira artificial não é nada simples. mas no caso das publicações em DOs (um domínio muito mais simples do que, por exemplo, artigos de opinião), pode-se obter resultados satisfatórios com relativa simplicidade, por meio de templates para cada tipo de publicação.
um diário oficial ideal deve ser desenvolvido tendo as seguintes ideias em mente:
- o diário oficial é uma interface para pessoas se informarem sobre os eventos de uma entidade governamental, de maneira semelhante ao site dados.gov.br, que pode ser pensado como uma interface para um computador se informar sobre os eventos do governo federal brasileiro. assim, a leitura deve ser facilitada, e devem ser oferecidas facilidades para o acompanhamento de processos, eventos, e entidades específicas;
- se toda publicação de um diário oficial tem sua contrapartida em forma de dado, essa conexão deve ser explicitada por meio de links estáveis de uma para outra (de preferência usando URNs, à la LeXML Brasil);
- uma vez que as publicações podem ser derivadas dos dados automaticamente, o DO deve ser escrito por máquinas, e os dados devem ser disponibilizados livremente.