💬 NLP

Measuring cross-language intelligibility between Romance languages with computational tools

Este artigo apresenta uma nova métrica computacional baseada em similaridade lexical e semântica para medir a inteligibilidade mútua entre as principais línguas românicas, demonstrando resultados que corroboram as assimetrias linguísticas e correlacionam-se com testes humanos.

Autores originais: Liviu P Dinu, Ana Sabina Uban, Bogdan Iordache, Anca Dinu, Simona Georgescu

Publicado 2026-02-10

📖 3 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Liviu P Dinu, Ana Sabina Uban, Bogdan Iordache, Anca Dinu, Simona Georgescu

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

O "GPS" da Compreensão: Como as línguas românicas se entendem?

Imagine que você está em uma festa internacional. Você fala português, mas de repente alguém começa a falar espanhol, italiano ou francês. Você não sabe essas línguas "oficialmente", mas, de alguma forma, consegue pescar algumas palavras e entender o espírito da conversa. Isso é o que os cientistas chamam de inteligibilidade cruzada.

Um grupo de pesquisadores da Universidade de Bucareste decidiu criar um "GPS" digital para medir exatamente o quanto essas línguas (o grupo das línguas românicas: português, espanhol, francês, italiano e romeno) conseguem "conversar" entre si sem que ninguém precise de um tradutor.

1. O Problema: A "Assimetria" (O efeito espelho quebrado)

Muita gente acha que, se o espanhol entende o português, o português também entende o espanhol na mesma medida. Mas o estudo mostra que isso é um espelho quebrado.

A compreensão é assimétrica. É como se fosse uma estrada de mão dupla, mas uma das faixas fosse muito mais larga que a outra. Por exemplo, um falante de português pode entender muito de espanhol, mas o espanhol pode ter mais dificuldade em entender o português. O estudo usa computadores para medir exatamente o tamanho dessa diferença.

2. A Ferramenta: O "Teste do DNA" das Palavras

Para medir isso, os pesquisadores não usaram apenas listas de palavras soltas. Eles criaram um índice inteligente (chamado DLI) que analisa três camadas de uma palavra, como se estivessem fazendo um exame de DNA:

A Camada Visual (Ortografia): As palavras se parecem no papel? (Ex: Luna vs Lua).
A Camada Sonora (Fonética): Elas soam parecidas quando faladas? (Às vezes a escrita engana, mas o som é o que importa na conversa real).
A Camada do Significado (Semântica): Aqui é onde o bicho pega! Às vezes, duas palavras são "primas" (cognatas), mas cresceram em direções diferentes. É o caso dos "Falsos Amigos". Imagine que você ouve uma palavra que parece "comida", mas na verdade significa "veneno". O computador precisa saber que, embora o "DNA" da palavra seja parecido, o "sentimento" dela mudou.

3. As Descobertas: O Caso do Romeno e o "Efeito França"

O estudo trouxe algumas curiosidades fascinantes:

O Romeno é o "estranho no ninho": O romeno é a língua que mais cria "buracos" na comunicação. Quem fala romeno consegue entender as outras línguas com certa facilidade, mas é muito mais difícil para um italiano ou espanhol entender um romeno. Isso acontece porque o romeno tem muita influência de línguas eslavas (como o russo), que funcionam como um "ruído" para os outros.
O "Efeito França": Os pesquisadores notaram que o romeno entende muito bem o francês. Por quê? Porque, no passado, a cultura romena "bebeu muito da fonte" francesa, pegando emprestado milhares de termos de ciência e política. É como se o romeno tivesse um "chip" de francês instalado no cérebro.
Escrita vs. Som: O estudo provou que, hoje em dia, nós entendemos melhor o que lemos do que o que ouvimos. A escrita é como uma fotografia antiga: ela preserva a forma original das palavras. O som, por outro lado, é como um rio: ele muda o tempo todo, e essa mudança pode esconder o significado da palavra para um estrangeiro.

Resumindo...

Os cientistas criaram uma fórmula matemática que consegue prever, com grande precisão, o quanto um ser humano conseguiria entender uma língua vizinha apenas usando o "conhecimento de base". Isso ajuda a entender como o nosso cérebro processa a linguagem e como as línguas evoluem e se afastam umas das outras ao longo dos séculos.

Resumo Técnico: Medição da Inteligibilidade entre Línguas Romance com Ferramentas Computacionais

1. O Problema

O estudo aborda a inteligibilidade cruzada (ou intercompreensão) entre línguas da família Romance (Francês, Italiano, Português, Espanhol e Romeno). O problema central reside na assimetria da inteligibilidade: a capacidade de um falante da língua $L_1$ compreender uma língua $L_2$ nem sempre é igual à capacidade de um falante de $L_2$ compreender $L_1$ .

Tradicionalmente, a inteligibilidade tem sido estudada através de métodos manuais e conjuntos de dados limitados (como listas de palavras isoladas), que não capturam a complexidade do uso da língua em contexto ou as nuances entre a forma escrita e a falada. Além disso, há uma lacuna na quantificação de como a divergência semântica (falsos amigos) e a divergência fonética afetam essa compreensão.

2. Metodologia

Os autores propõem uma abordagem computacional inovadora que integra três camadas de análise:

Camada Lexical (Sobreposição): Utilizam a base de dados RoBoCoP, que contém cognatos e empréstimos entre as cinco línguas romance, permitindo uma análise exaustiva da relação lexical.
Camada de Superfície (Ortográfica e Fonética):
- Calculam a similaridade de strings usando a Distância de Levenshtein normalizada.
- A análise é feita tanto na forma ortográfica quanto na fonética (gerada automaticamente via biblioteca eSpeak), reconhecendo que a pronúncia pode ser uma barreira mesmo quando a escrita é similar.
Camada Semântica (Proximidade de Significado):
- Utilizam word embeddings (vetores de palavras) para medir a similaridade semântica.
- Testam tanto embeddings estáticos (FastText treinados no Wikipedia) quanto contextuais (Sentence-BERT), que permitem capturar múltiplos sentidos de uma palavra através de agrupamento (clustering) por Affinity Propagation.

O Índice de Inteligibilidade Lexical ($DLI$):
Os autores introduzem uma nova fórmula matemática para o $DLI$, que combina a similaridade formal ( $S_L$ ) e a similaridade semântica ( $S_S$ ) de forma ponderada, garantindo que o índice reflita a interdependência de ambos os fatores.

Corpora Utilizados:
Para analisar o uso em contexto, utilizam dois corpora paralelos: RomCro (textos literários) e EuroParl (discursos do Parlamento Europeu).

3. Principais Contribuições

Novo Índice Computacional ($DLI$): Um método quantitativo que integra ortografia, fonética e semântica para estimar a inteligibilidade.
Análise Multidimensional: Diferente de estudos anteriores que focavam apenas em cognatos, este modelo considera que a similaridade de forma é necessária, mas não suficiente, se o significado divergir (falsos amigos).
Uso de Contexto: A aplicação do índice em corpora paralelos permite observar como a inteligibilidade varia conforme o domínio (literário vs. político/econômico).
Benchmark para Línguas Romance: Fornece uma base de dados robusta para validar teorias linguísticas, como a "teoria das áreas laterais" de Bartoli.

4. Resultados

Confirmação da Assimetria: Os dados confirmam que a inteligibilidade é inerentemente assimétrica. Por exemplo, o espanhol é mais compreendido por falantes de português do que o inverso.
O Caso do Romeno: O romeno apresenta as maiores assimetrias. Falantes de romeno compreendem outras línguas romance com mais facilidade do que são compreendidos por elas. Isso é atribuído à influência do vocabulário eslavo e a divergências históricas (ex: o uso de lume para "mundo" em vez do cognato latino mundus).
Ortografia vs. Fonética: A inteligibilidade baseada na ortografia é consistentemente maior do que a fonética. A discrepância é menor no romeno, que é uma língua altamente fonética.
Impacto do Contexto/Domínio: No corpus EuroParl, a inteligibilidade tende a ser maior devido ao uso de neologismos internacionais e linguagem técnica padronizada.
Validação Humana: O índice $DLI$ mostrou uma correlação significativa (Spearman $\rho = 0.71$ ) com resultados de testes de preenchimento de lacunas (cloze tests) realizados com humanos, validando a eficácia da métrica.

5. Significância

Este trabalho é significativo por transformar um fenômeno qualitativo e subjetivo (compreensão linguística) em um modelo quantitativo e replicável. Ele oferece ferramentas para entender como a diversificação linguística ocorre e como fatores históricos (como o empréstimo de vocabulário francês pelo romeno no século XIX) moldam a capacidade de comunicação atual na Europa. Além disso, estabelece um padrão para estudos futuros de intercompreensão em outras famílias linguísticas.