O modelo Skip-Gram, uma das arquiteturas do Word2Vec, adota uma abordagem inversa ao CBOW no processamento de linguagem natural. Neste modelo, o objetivo é identificar as palavras de contexto a partir de uma palavra central. A eficácia do Skip-Gram aumenta com a ampliação da faixa de contexto analisada, embora isso também eleve a complexidade computacional. Esta abordagem difere significativamente do CBOW, focando em prever palavras circundantes a partir de uma palavra central, o que é evidenciado em sua representação visual e na maneira como é estruturada a camada de entrada e saída do modelo. Fonte: MAGALHÃES, A. M. de. et al. Organização da informação: um modelo semiautomático de classificação de atrações em perfis turísticos usando aprendizado de máquina. 2021. Com base nas informações apresentadas, avalie as asserções a seguir e a relação proposta entre elas: I. No modelo Skip-Gram, a complexidade computacional aumenta à medida que a faixa de contexto analisada se amplia. PORQUE II. O modelo Skip-Gram utiliza um classificador log-linear com uma camada de projeção contínua para prever palavras de contexto a partir de uma palavra central, exigindo mais cálculos à medida que o contexto se expande. A respeito dessas asserções, assinale a opção correta: