💬 NLP

A Computational Approach to Language Contact -- A Case Study of Persian

Este estudo investiga como o contato linguístico histórico influencia as representações intermediárias de um modelo de linguagem monolíngue persa, revelando que, embora a informação sintática universal permaneça amplamente inalterada, características morfológicas como Caso e Gênero são significativamente moldadas por mudanças estruturais induzidas pelo contato.

Autores originais: Ali Basirat, Danial Namazifard, Navid Baradaran Hemmati

Publicado 2026-01-29

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ali Basirat, Danial Namazifard, Navid Baradaran Hemmati

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você tem um robô muito inteligente que só leu livros escritos em persa. Ele nunca foi ensinado inglês, árabe, turco ou japonês. Na verdade, ele nem sabe que esses idiomas existem.

Agora, imagine que você entrega ao robô uma frase escrita em turco. Você pergunta a ele: "Ei, que língua é esta? E quais são as regras gramaticais aqui?"

Você poderia esperar que o robô dissesse: "Eu não sei, eu só li persa!" Mas este artigo faz uma pergunta mais profunda: O "cérebro" interno do robô (suas representações digitais) mostra sinais secretos de que ele entende a história do persa, mesmo sem ter sido ensinado diretamente sobre os outros idiomas?

Como o persa foi vizinho, comercializou e influenciou muitos outros idiomas por séculos, os autores se perguntaram se o "cérebro de persa" do robô teria absorvido algumas impressões digitais invisíveis de seus vizinhos.

O Experimento: Uma História de Detetive

Os pesquisadores usaram uma ferramenta chamada ParsBERT (um modelo de IA exclusivo para o persa) e alimentaram-na com frases de 8 idiomas diferentes, variando de árabe (um grande vizinho histórico) até o japonês (um estranho sem contato real).

Eles usaram duas principais "ferramentas de detetive" para espiar dentro do cérebro do robô:

O Medidor de Informação: Este mede o quanto o robô sabe sobre uma característica específica (como "Isto é um substantivo?" ou "Esta palavra é masculina?"). Pense nisso como verificar o quão alto é o sinal de um rádio.
O Holofote: Este tenta encontrar onde esse conhecimento está escondido no cérebro do robô. Está armazenado em um neurônio específico (uma única lâmpada) ou está espalhado por todo o quarto como um brilho difuso?

A Grande Descoberta: O "Universal" vs. O "Específico"

Os resultados revelaram uma divisão fascinante na forma como o robô pensa, o que os autores descrevem como uma diferença entre regras universais e hábitos locais.

1. As Regras Universais (O "Disco Rígido")

Quando os pesquisadores perguntaram ao robô sobre etiquetas de Partes do Discurso Universais (UPOS) — basicamente, "Isto é um substantivo, um verbo ou um adjetivo?" — o robô teve um desempenho consistente em todos os idiomas.

A Analogia: Imagine que o robô possui um dicionário universal de "tipos de palavras". Quer a palavra esteja em persa, inglês ou japonês, o robô sabe que um "verbo" é um verbo.
O Resultado: O rob em não se importou com o contato linguístico aqui. A história não mudou como ele vê os blocos básicos de construção das frases. Essas regras são profundas e universais demais para serem abaladas por séculos de empréstimo de palavras.

2. Os Hábitos Locais (Os "Móveis")

Quando os pesquisadores perguntaram sobre Morfologia (as formas específicas das palavras, como Caso ou Gênero), o comportamento do robô mudou drasticamente com base na história do idioma com o persa.

O Teste de "Caso" (Quem fez o quê a quem?):
- O Problema: O persa não utiliza "casos" (mudar as terminações das palavras para mostrar se alguém é o sujeito ou o objeto). Ele utiliza a ordem das palavras.
- O Resultado: Quando o robô analisou idiomas com sistemas de caso complexos (como o alemão ou o russo, que possuem muitas terminações de palavras), ele ficou completamente perdido. Ele não conseguiu encontrar a informação.
- A Exceção: Quando o robô analisou idiomas que também dependem da ordem das palavras ou de marcadores simples (como o inglês ou o francês), ele se saiu muito melhor.
- A Lição: O robô só "entende" a gramática de outros idiomas se essa gramática se parecer com a do persa. Se o outro idioma usa um sistema que o persa nunca usou (como terminações de caso complexas), o cérebro do robô não possui um mapa para isso.
O Teste de "Gênero" (Masculino vs. Feminino):
- O Problema: O persa não possui gênero gramatical (palavras não são "masculinas" ou "femininas").
- O Resultado: O robô teve dificuldades com idiomas que possuem sistemas de gênero complexos (como o russo com três gêneros). No entanto, ele se saiu bem com idiomas que possuem sistemas de gênero mais simples ou que dependem do sexo natural (como o árabe ou o francês), provavelmente porque o persa emprestou muitas palavras do árabe, e essas palavras emprestadas às vezes mantiveram seu "sabor".
- A Lição: A compreensão de gênero do robô é moldada pelo que ele realmente viu no persa. Ele não pode inventar um sistema de gênero complexo que nunca aprendeu.

O "Fantasma" na Máquina

Uma das descobertas mais interessantes foi como essa informação era armazenada.

Para idiomas sem contato (como o japonês), o robô tinha algumas "lâmpadas" muito específicas que brilhavam apenas para o japonês. Era fácil de identificar.
Para idiomas com contato intenso (como o árabe ou o turco), a informação não estava em uma única lâmpada. Em vez disso, era um brilho difuso espalhado por todo o cérebro.
A Metáfora: Pense nisso como uma casa. Se você convida um estranho (japonês) para entrar, ele senta em uma cadeira específica. Se você convida um amigo de longa data da família (árabe) que viveu lá por séculos, ele não senta em uma única cadeira; ele tocou em tudo, moveu os móveis e deixou seu perfume por toda a casa. Você não pode apontar para um lugar e dizer: "Esta é a parte árabe". A influência está em todo lugar, mas está misturada com a estrutura do persa.

A Conclusão

O artigo conclui que um modelo de linguagem treinado em apenas um idioma (persa) de fato mostra traços de sua história, mas de uma forma muito seletiva.

Ele mantém as regras universais (como o que é um verbo) seguras e inalteradas.
Ele adapta as regras específicas (como gênero ou caso) apenas se elas combinarem com a "forma" da língua persa.

Se o contato linguístico tivesse mudado a estrutura profunda do persa (como adicionar terminações de caso complexas), o robô teria aprendido. Mas como o persa principalmente emprestou palavras e manteve sua própria estrutura de frase, o cérebro do robô reflete isso: ele conhece as palavras emprestadas, mas ainda pensa na gramática do persa.

Em resumo: o robô é um falante de persa que conhece muitas palavras estrangeiras, mas ainda pensa em persa. Ele não aprendeu a falar a gramática de seus vizinhos, apenas a reconhecer as formas das palavras que emprestou deles.

Resumo Técnico: Uma Abordagem Computacional ao Contato de Línguas – Um Estudo de Caso do Persa

Problema
O contato de línguas é um principal motor da diversificação e mudança estrutural, variando desde o empréstimo lexical até o profundo reestruturamento gramatical. Embora a linguística tradicional tenha documentado extensivamente esses fenômenos, particularmente no persa (farsi) — uma língua com milênios de contato com famílias turcomana, árabe e outras — permanece incerto se tais mudanças induzidas pelo contato são detectáveis, quantificáveis e interpretáveis dentro das representações internas de modelos de linguagem neurais monolíngues. Especificamente, desconhece-se se um modelo treinado exclusivamente em dados de persa codifica vestígios estruturais latentes de suas línguas de contato, ou se suas representações são moldadas apenas pela estrutura nativa da língua de treinamento e por propriedades sintáticas universais.

Metodologia
O estudo emprega um arcabouço computacional para sondar as representações intermediárias do ParsBERT, um modelo Transformer de codificador único (encoder-only), monolíngue, treinado em aproximadamente 3,9 bilhões de tokens de texto em persa. A metodologia envolve a passagem de sentenças de oito línguas de contato (árabe, inglês, francês, alemão, hindi, japonês, russo e turco) pelo modelo de persa e a análise dos embeddings resultantes.

A análise utiliza duas técnicas primárias:

Sondagem Teórico-Informacional: Utilizando a Informação Útil Variacional ( $\hat{IV}$ ), o estudo quantifica a quantidade de informação linguística codificada nas camadas intermediárias do modelo em relação a variáveis alvo ( $Y$ ) específicas, tais como identidade da língua, Etiquetas de Classe Gramatical Universal (UPOS), CASO e GÊNERO. A métrica é normalizada pela entropia marginal da característica alvo para refletir a proporção de incerteza recuperável da representação.
Análise de Atribuição: Utilizando a Entropia de Probabilidade de Ativação de Linguagem (LAPE), o estudo identifica quais elementos específicos (neurônios) dentro das representações contribuem mais fortemente para a codificação dessas características. Pontuações baixas de LAPE indicam alta seletividade (neurônios que respondem preferencialmente a condições específicas), enquanto pontuações altas sugerem ativação uniforme ou não discriminativa.

O conjunto de dados consiste nos treebanks do Parallel Universal Dependencies (PUD), garantindo comparabilidade translinguística através de anotação consistente e estruturas de sentenças alinhadas. As línguas de teste selecionadas variam em seu grau e tipo de contato com o persa (histórico, moderno, regional ou mínimo).

Resultados Principais
A investigação revela uma assimetria distinta entre como categorias sintáticas universais e características morfológicas são codificadas na presença de contato linguístico:

Identificação de Língua: O ParsBERT codifica informações substanciais sobre línguas não persas, apesar do treinamento monolíngue. O ganho de informação atinge o pico após a terceira camada. Notavelmente, o modelo é mais informativo sobre o árabe, hindi e russo, provavelmente refletindo influência lexical significativa ou laços genealógicos. No entanto, a análise de LAPE mostra que os sinais específicos da língua raramente são localizados em características compactas e seletivas; em vez disso, estão distribuídos por representações compartilhadas, exceto pelo japonês, que apresenta alta seletividade, provavelmente devido ao descompasso ortográfico.
Sintaxe Universal (UPOS): A informação recuperável para as etiquetas UPOS permanece amplamente estável através das camadas e é insensível ao grau de contato histórico. Nem a similaridade tipológica nem a intensidade do contato impactam significativamente a codificação de categorias sintáticas universais, sugerindo que essas representações são robustas à variação induzida pelo contato.
Características Morfológicas (CASO e GÊNERO):
- CASO: O modelo exibe um forte viés para línguas com marcação de caso mínima ou residual (ex: inglês, francês, japonês), onde o ganho de informação é alto. Por outro outro lado, falha em codificar sistemas de caso flexional ricos (ex: alemão, russo, turco) que estão ausentes no persa. O árabe apresenta desempenho intermediário, provavelmente devido à sobreposição lexical e à realização limitada de caso no árabe contemporâano escrito. O caso pósposicional do hindi é mal capturado devido a descompasses estruturais.
- GÊNERO: O ParsBERT captura efetivamente pistas relacionadas à ausência de gênero gramatical (japonês, turco) e à realização marginal de gênero em pronomes (inglês). Para línguas com sistemas de gênero plenamente gramaticalizados, o desempenho é menor. Sistemas de dois gêneros (francês, hindi, árabe) mostram recuperabilidade moderada, enquanto sistemas de três gêneros mostram quase nenhuma. A seletividade do modelo concentra-se em características associadas a substantivos neutros, refletindo a diversidade semântica dessa categoria.

Principais Contribuições

Primeiro Estudo Computacional do Contato do Persa: Este trabalho apresenta a primeira investigação computacional do contato da língua persa ao nível das representações neurais.
Codificação Seletiva de Contato: O estudo fornece evidências de que modelos de linguagem monolíngues codificam vestígios seletivos e estruturalmente restritos do contato de línguas. Os efeitos de contato são mais prontamente refletidos em padrões morfológicos e construcionais alinhados com a língua de treinamento (analítica/configuracional) do que em categorias sintáticas universais.
Arcabouço Metodológico: Ao combinar a sondagem teórico-informacional com a análise de atribuição, o artigo oferece um arcabouço principológico para investigar questões clássicas da linguística de contato usando modelos neurais.

Significância e Alegações
O artigo alega que modelos de linguagem monolíngues não apenas refletem os dados de treinamento, mas codificam implicitamente vestígios do contato linguístico histórico, desde que esses vestígios se alinhem com as propriedades estruturais da língua de treinamento. Os achados sugerem que, enquanto as representações sintáticas universais permanecem robustas à variação induzida pelo contato, as características morfológicas são altamente sensíveis à estrutura específica da língua.

Os autores concluem que os efeitos de contato nesses modelos não são resultado da exposição direta às línguas de contato, mas surgem de:

Características estruturais do próprio persa que refletem o contato histórico.
A impressão estatística de empréstimos, decalques e construções híbridas.
Propriedidades linguísticas universais compartilhadas entre línguas.

O estudo destaca que os modelos neurais capturam alinhamentos superficiais ou semânticos (ex: empréstimo lexical, estratégias analíticas) em vez de reestruturação gramatical profunda (ex: transferência de paradigmas flexionais). Isso ressalta os limites e as possibilidades de usar modelos de linguagem neurais como ferramentas para estudar a mudança linguística, indicando que eles refletem as "restrições estruturais" da língua de treinamento ao processar fenômenos de contato.

Limitações
Os autores reconhecem que o conjunto de dados PUD exclui várias línguas cruciais para a história do persa, como o azeri, o turcomeno e o urdu, o que limita a capacidade de avaliar os casos mais fortes de bilinguismo sustentado e convergência estrutural. Consequentemente, a análise está restrita às línguas disponíveis no arcabouço PUD.