\textit{Versteasch du mi?} Computational and Socio-Linguistic Perspectives on GenAI, LLMs, and Non-Standard Language
Este artículo examina desde una perspectiva interdisciplinaria cómo los modelos de lenguaje grandes y la inteligencia artificial generativa pueden abordar las variedades lingüísticas no estándar, como los dialectos del sur de Tirol y las variedades del kurdo, para proponer estrategias digitales y de aprendizaje automático que sean democráticas y descolonizadoras.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
¡Claro que sí! Imagina que la Inteligencia Artificial (IA) es como un chef de un restaurante muy famoso que ha ganado premios por cocinar platos exquisitos. Pero hay un problema: este chef solo sabe cocinar con ingredientes que compró en un supermercado gigante y estandarizado (el inglés y las lenguas oficiales).
Si intentas pedirle que prepare un plato con ingredientes locales, exóticos o que la gente usa en sus casas pero no en los libros de cocina (dialectos, lenguas minoritarias), el chef te dirá: "No tengo esa receta", o peor aún, te servirá un plato que parece el tuyo, pero sabe a plástico y no tiene el sabor real.
Este artículo, escrito por expertos de la Universidad de Galway y Zúrich, explica por qué pasa esto y cómo podemos arreglarlo. Aquí tienes la explicación sencilla:
1. El Problema: La IA es un "Egoísta Estándar"
Las grandes inteligencias artificiales (como las que usas en tu teléfono) han sido entrenadas con millones de libros, noticias y webs. El problema es que la mayoría de esos textos están escritos en lenguas "estándar" (como el inglés o el alemán estándar), que son las que usan los gobiernos y las escuelas.
Las lenguas que la gente habla de verdad en la calle, con sus acentos, modismos y errores (como los dialectos del sur de Tirol en Italia o las muchas variedades del kurdo), son tratadas como "ruido" o "errores".
- La analogía: Imagina que la IA es un traductor que solo entiende el "idioma de los libros". Si le hablas en el "idioma de la abuela" (tu dialecto), el traductor te ignora o te responde con una versión robótica y fría de lo que dijiste.
2. El "Impuesto de las Palabras" (La Tasa de Tokenización)
Aquí viene una parte técnica explicada con una metáfora de dinero.
Para que la IA entienda el texto, lo corta en trocitos llamados "tokens" (como piezas de Lego).
- Para el inglés: Una palabra como "tokenization" es un solo trozo grande de Lego. Es barato y rápido de procesar.
- Para un dialecto o lengua compleja: Como la IA no conoce bien esas palabras, tiene que romperlas en pedacitos diminutos y sin sentido (como romper un Lego en polvo).
- El resultado: Para decir lo mismo, el dialecto necesita muchos más trozos. Como las empresas de IA cobran por cada trozo que procesan, hablar en tu dialecto te cuesta más dinero (o más tiempo de batería) que hablar en inglés. Además, la IA se cansa antes y da respuestas más tontas porque se le llena la memoria con esos trocitos pequeños.
3. Dos Casos Reales: El Sur de Tirol y el Kurdo
Los autores usan dos ejemplos para mostrar que esto no es teoría, sino una realidad dolorosa:
- Los dialectos del Sur de Tirol (Italia): Es una zona donde la gente habla un alemán muy local y divertido en WhatsApp y en la calle. Pero para la IA, ese dialecto es "invisible". No tiene un código oficial en los ordenadores. Si un ciudadano intenta usar un chatbot para pedir un trámite al gobierno en su dialecto, el sistema probablemente no lo entenderá o le responderá en alemán estándar, haciéndole sentir excluido.
- El Kurdo: Es una lengua hablada por 40 millones de personas, pero está dividida en muchas variedades (como el Kurmanji, el Sorani, etc.). Algunas tienen algo de ayuda tecnológica, pero otras (como el Hawrami o el Zazaki) están casi totalmente olvidadas por la tecnología. Es como si la IA solo conociera a los "primos ricos" de la familia kurda y ignorara a los demás.
4. ¿Por qué pasa esto? (La Historia y el Poder)
El artículo dice que esto no es un accidente técnico, sino político.
- La historia: Durante siglos, los gobiernos y los imperios (colonialismo) decidieron qué lengua era "importante" y cuál era "inferior". Crearon escuelas y leyes que obligaban a hablar solo la lengua oficial.
- El ciclo vicioso: Como la gente no escribía en sus dialectos (porque estaba prohibido o no se enseñaba), no hay libros digitales. Como no hay libros digitales, la IA no aprende. Como la IA no aprende, la gente no puede usarla. Es un círculo cerrado que borra las lenguas pequeñas.
5. ¿Qué podemos hacer? (La Solución)
Los autores proponen que no basta con "arreglar el código" de la IA. Necesitamos un cambio de mentalidad:
- Hacer que las empresas rindan cuentas: Las grandes tecnológicas (Google, Meta, etc.) deberían reportar cuánto "fallan" con los dialectos, igual que reportan si un coche tiene un defecto de seguridad.
- Nada sobre nosotros sin nosotros: Las comunidades que hablan estos dialectos deben tener el control de sus propios datos. No deberían ser solo "mineros" de datos para las empresas, sino dueños de cómo se usa su lengua.
- Colaboración: Los lingüistas (expertos en lengua) y los ingenieros (expertos en ordenadores) deben trabajar juntos. Los ingenieros necesitan entender que la variedad lingüística no es un error, sino la esencia de cómo hablamos.
En resumen
Este artículo nos dice que la Inteligencia Artificial está creando una brecha digital: si no hablas la lengua "estándar" y rica en datos, eres un ciudadano de segunda clase en el mundo digital.
La solución no es solo técnica, es justicia social. Debemos asegurar que la IA sirva para celebrar la diversidad de nuestras lenguas y dialectos, en lugar de borrarlos para hacer todo más fácil y aburrido. ¡La IA debería entender a la abuela, no solo al profesor de la escuela!
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.