Is it the end of (generative) linguistics as we know it?

Título: É o fim da linguística (gerativa) como a conhecemos?

Autor: Cristiano Chesi (NeTS-IUSS Pavia)

1. O Problema

O artigo aborda uma crise de identidade e relevância na linguística gerativa, especificamente no âmbito do Programa Minimalista. O problema central é desencadeado pela crítica de Steven Piantadosi (2023), que argumenta que os Modelos de Linguagem Muito Grandes (vLLMs), como os baseados em Transformers (ex: GPT), superam as teorias linguísticas gerativas tradicionais em termos de adequação observacional e capacidade de prever generalizações sintáticas e semânticas.

Chesi identifica duas falhas fundamentais na linguística gerativa atual que a tornam vulnerável a essa crítica:

1. Problema de Formalização: A falta de especificações formais precisas e completas das operações fundamentais (como Merge e Move), levando a interpretações subjetivas ("Minimalismos Pessoais") e à incapacidade de testar a teoria computacionalmente.
2. Problema de Avaliação: A ausência de um conjunto de dados padronizado e compartilhado (benchmark) para avaliar a adequação descritiva e explicativa das teorias, permitindo que a linguística gerativa ignore dados empíricos complexos ou "sujos" (o princípio de "varrer a poeira para debaixo do tapete").

O autor questiona se a linguística gerativa, ao se isolar de avanços computacionais e experimentais, perdeu sua capacidade de explicar a aquisição da linguagem e a competência linguística humana.

2. Metodologia

Chesi adota uma abordagem tripartite, integrando três perspectivas idealizadas para reavaliar os fundamentos da linguística gerativa:

• Perspectiva Computacional: Foca na eficiência algorítmica e na capacidade de gerar/recognizar sentenças com o menor custo computacional.
• Perspectiva Teórica: Examina a adequação descritiva (capturar generalizações genuínas com menos instruções) e a adequação explicativa (capacidade de explicar a aprendibilidade).
• Perspectiva Experimental: Enfatiza a coleta de dados empíricos robustos, incluindo julgamentos implícitos, dados on-line (tempo de leitura, EEG) e corpora naturalísticos, em vez de depender apenas de julgamentos de gramaticalidade binários e off-line.

Ferramentas e Conceitos Utilizados:

• Gramáticas Minimalistas (MGs): Baseadas na formalização de Stabler (1997) e Collins & Stabler (2016), que tentam tornar a operação Merge testável através de verificação de traços (feature checking).
• Benchmarks de Dados: Uso de conjuntos de dados como SyntaxGym, CoLA (Corpus of Linguistic Acceptability) e BLiMP (Benchmark of Linguistic Minimal Pairs) para comparar o desempenho de vLLMs e teorias formais.
• Princípio da PoS (Pobreza do Estímulo): Reavaliação da hipótese de que a linguagem não pode ser aprendida apenas a partir de dados positivos, confrontando-a com a capacidade de aprendizado de redes neurais (SRNs, LSTMs, Transformers) usando self-supervision.
• Critério de Adequação Descritiva (MDL): Uso do Minimum Description Length para medir a eficiência de uma teoria (quantos dados ela captura com o menor número de instruções).

3. Principais Contribuições e Argumentos

A. Reavaliação da Hipótese da Pobreza do Estímulo (PoS)

• Chesi argumenta que os vLLMs não refutaram a PoS, mas expuseram a necessidade de refinamento.
• Embora os modelos consigam aprender certas dependências não locais (como concordância sujeito-verbo) com dados positivos, eles falham em generalizações cruciais (como violações de ilhas sintáticas) sem um treinamento massivo ou fine-tuning supervisionado.
• O autor propõe o conceito de "Data Dust" (Poeira de Dados): dados que forçam o aumento do tamanho da teoria sem gerar novas generalizações. A linguística gerativa deve ser capaz de distinguir entre generalizações linguísticas essenciais e ruído de desempenho ou conhecimento de mundo.

B. A Crítica à Operação Merge e à Incrementalidade

• O autor critica a definição atual de Merge no Minimalismo como sendo excessivamente simples e incompatível com a incrementalidade (o processamento palavra por palavra durante a compreensão e produção).
• A operação Merge padrão gera estruturas de forma não incremental (do fundo para cima), o que contradiz a evidência experimental de que o processamento linguístico é incremental.
• Chesi sugere que uma formalização que incorpore a incrementality (tal como em redes neurais recorrentes ou abordagens de seleção/expectativa) seria mais adequada descritivamente e explicativamente.

C. A Necessidade de Formalização Rigorosa e Benchmarks

• O artigo defende que a linguística gerativa só pode sobreviver se adotar uma formalização completa (como as MGs de Stabler) que permita a execução computacional e a comparação direta com modelos estatísticos.
• É imperativo estabelecer conjuntos de dados compartilhados onde teorias formais e vLLMs sejam testados sob as mesmas condições. Sem isso, a comparação é impossível e a teoria gerativa torna-se não falseável.

D. Adequação Observacional vs. Explicativa

• vLLMs: São atualmente mais adequados observacionalmente (capturam mais dados, incluindo nuances de processamento e gradiente de aceitabilidade), mas carecem de adequação explicativa (são "caixas pretas" com bilhões de parâmetros, sem generalizações linguísticas transparentes).
• MGs (Linguística Gerativa): São mais adequadas explicativamente (inteligíveis, compactas, baseadas em princípios), mas falham em adequação observacional devido à incapacidade de lidar com a complexidade dos dados empíricos e à falta de formalização.

4. Resultados e Evidências

• Desempenho em Benchmarks: vLLMs superam modelos baseados em MGs em tarefas de SyntaxGym e BLiMP, especialmente em dados graduais e implícitos. No entanto, modelos menores (como os treinados no desafio BabyLM com 100M de tokens) ainda não alcançam a precisão humana em generalizações complexas (ex: inversão auxiliar em perguntas, violações de ilhas).
• Falhas dos vLLMs: Os modelos falham em generalizações estruturais profundas (ex: ilhas sintáticas fortes) quando treinados apenas com dados plausíveis de aquisição infantil, sugerindo que a PoS ainda tem validade, mas a arquitetura do modelo importa.
• Incompatibilidade Teórica: A separação estrita entre PF (Forma Fonética) e LF (Forma Lógica) no modelo "T" do Minimalismo é questionada por fenômenos como a extraposição de quantificadores, que afetam a ordem linear (PF) mas dependem de escopo (LF), indicando que a teoria precisa de integração, não de separação modular rígida.

5. Significado e Conclusão

O artigo conclui que a linguística gerativa, tal como praticada atualmente no Minimalismo, corre o risco de se tornar irrelevante ("o fim da linguística gerativa como a conhecemos") se não se adaptar.

Pontos Chave para o Futuro:

1. Atualização Formal: A teoria precisa de formalizações precisas, consistentes e completas que possam ser testadas computacionalmente.
2. Integração de Perspectivas: A linguística não pode mais ignorar dados experimentais (tempo de leitura, gradiente) nem avanços computacionais. A "competência" e a "performance" não devem ser tratadas como domínios totalmente separados.
3. Benchmarks Comuns: A comunidade deve adotar conjuntos de dados padronizados para avaliar a adequação descritiva de qualquer teoria, seja ela gerativa ou estatística.
4. Reconhecimento de Limites: A linguística gerativa deve abandonar a defesa de "julgamentos sujos" (dados ambíguos) e abraçar a complexidade empírica, reconhecendo que a simplicidade teórica não deve custar a precisão descritiva.

Chesi argumenta que a linguística gerativa possui a capacidade de definir a complexidade dos problemas linguísticos, mas precisa abandonar o isolamento e a "pseudo-formalização" para continuar sendo a disciplina central no estudo da linguagem, integrando-se com a ciência cognitiva computacional e experimental.