💬 NLP

LuxBorrow: From Pompier to Pompjee, Tracing Borrowing in Luxembourgish

O artigo apresenta o LuxBorrow, uma análise de 27 anos de notícias em luxemburguês que demonstra que, embora a prática multilíngue seja onipresente, o idioma mantém-se como matriz com inserções localizadas de empréstimos (majoritariamente do francês e adaptados morfologicamente), defendendo uma avaliação focada na assimilação lexical e não apenas em índices gerais de mistura.

Autores originais: Nina Hosseini-Kivanani, Fred Philippy

Publicado 2026-03-12

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Nina Hosseini-Kivanani, Fred Philippy

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 a língua luxemburguesa é como uma grande casa de família chamada "LuxBorrow". Esta casa é muito antiga e tem uma estrutura sólida (a gramática e o vocabulário original), mas, ao longo de 27 anos (de 1999 a 2025), os vizinhos (o Francês, o Alemão e o Inglês) começaram a deixar objetos na sala de estar.

O objetivo deste estudo foi entrar nessa casa, contar quantos objetos dos vizinhos estavam lá, ver como eles foram adaptados à decoração da casa e entender se a família estava a mudar de casa ou apenas a emprestar algumas coisas.

Aqui está a explicação simples do que os investigadores descobriram:

1. A Casa é Luxemburguesa, mas cheia de "Visitas"

Os investigadores analisaram mais de 259.000 artigos de notícias do Luxemburgo.

A Regra de Ouro: Em 100% dos casos, a "língua mãe" (o Luxemburguês) continua a ser a dona da casa. É a estrutura principal.
A Visita Constante: No entanto, é impossível entrar numa sala sem ver algo emprestado. Cerca de 77% dos artigos têm pelo menos uma palavra de outra língua. Em 65% dos casos, há uma mistura de três ou quatro línguas no mesmo texto!
A Analogia: Pense num prato de Jambon (carne) típico do Luxemburgo. O prato é luxemburguês, mas o sal, a pimenta e o molho podem vir da França, da Alemanha ou da Inglaterra. O prato continua a ser luxemburguês, mas o sabor é uma mistura.

2. A Diferença entre "Empréstimo" e "Troca de Idioma"

O estudo faz uma distinção muito importante, como se fosse separar o que é decoração fixa do que é móvel de visita.

Empréstimo (Borrowing): É quando o vizinho deixa um móvel (uma palavra) e a família luxemburguesa o "pintou" para combinar com a casa. A palavra muda de forma para se encaixar na gramática local.
- Exemplo: A palavra francesa pompier (bombeiro) entrou na casa e foi pintada de luxemburguês, tornando-se Pompjee. Ela agora tem um "chapéu" e "sapatos" luxemburgueses.
Troca de Código (Code-Switching): É quando alguém entra na sala e começa a falar em francês ou alemão por um momento, sem adaptar nada. É como um vizinho que entra, diz uma frase inteira na língua dele e sai.
O Descoberta: A maioria do que acontece é empréstimo adaptado. As palavras estrangeiras são "domesticadas" para se tornarem parte da família luxemburguesa.

3. Quem são os Vizinhos? (De onde vêm as palavras?)

O Vizinho Francês: É o mais generoso. A grande maioria das palavras emprestadas (especialmente as que foram adaptadas) vem do Francês. É como se a França tivesse deixado a maior parte dos móveis na sala.
O Vizinho Alemão: Também deixa coisas, mas em menor quantidade.
O Vizinho Inglês: Deixa muito poucas coisas, e quase nada que seja adaptado à casa.

4. Como as Palavras se Adaptam? (A "Maquiagem" das Palavras)

Quando uma palavra estrangeira entra, ela precisa de se vestir à moda luxemburguesa. O estudo descobriu que isso acontece de duas formas principais:

Mudança de Ortografia (36%): A palavra muda a escrita para parecer luxemburguesa.
- Exemplo: O som "on" em francês torna-se "oun" em luxemburguês.
Mudança Morfológica (64%): A palavra ganha "extensões" ou sufixos luxemburgueses.
- Exemplo: Adicionar o sufixo "-éieren" a verbos franceses para os fazer funcionar como verbos luxemburgueses.

É como se a palavra estrangeira tivesse de colocar um chapéu e um casaco típicos do Luxemburgo para poder entrar na festa.

5. A Evolução no Tempo (De 1999 a 2025)

O estudo olhou para a história recente e viu que a mistura está a aumentar, mas de forma calma e constante.

Antes (1999-2007): Havia menos mistura.
Agora (2020-2025): A mistura aumentou cerca de 37%.
O Pico: Em 2020, durante a pandemia e a reforma ortográfica, a mistura atingiu o seu ponto mais alto.
A Tendência: A família luxemburguesa está a ficar mais confortável em aceitar objetos dos vizinhos, mas a estrutura da casa (a gramática) continua firme.

6. Por que é que isto importa? (Para os Computadores)

Os investigadores fizeram isto não só por curiosidade linguística, mas para ajudar a Inteligência Artificial (IA).

Se um computador tentar ler notícias luxemburguesas e não souber que "Pompjee" é uma palavra adaptada de "Pompier", ele pode ficar confuso.
Este estudo cria um "mapa" para ensinar os computadores a distinguir o que é a língua original e o que é um empréstimo adaptado. Isso ajuda a melhorar tradutores automáticos, assistentes de voz e corretores ortográficos para o Luxemburguês.

Resumo Final

O Luxemburguês é uma língua resiliente. Mesmo com tanta influência dos vizinhos (França, Alemanha, Inglaterra), a casa mantém a sua identidade. As palavras estrangeiras não "invadem" a casa; elas são recepcionadas, vestidas com trajes locais e integradas na família. O estudo mostra que, embora a mistura seja constante, a essência da língua permanece intacta e forte.

1. Problema e Contexto

O Luxemburgo é um ambiente multilíngue onde o luxemburguês (LU) coexiste intensamente com o alemão (DE), o francês (FR) e o inglês (EN). Neste contexto, a empréstimo lexical (borrowing) e a alternância de código (code-switching) são ubíquas na mídia escrita. No entanto, existem desafios significativos para a Linguística Computacional (NLP):

Distinção Difusa: É difícil distinguir entre empréstimos lexicalizados (palavras integradas na gramática e ortografia do LU) e alternâncias de código espontâneas (inserções temporárias de outra língua).
Falta de Recursos: Não existia um corpus anotado em grande escala focado especificamente na identificação de empréstimos no luxemburguês, dificultando o desenvolvimento de sistemas de NLP robustos (como corretores ortográficos, tradutores ou modelos de linguagem) que lidem com essa mistura linguística.
Limitações de Métricas Atuais: Métricas tradicionais de "mistura" (como o Índice de Mistura de Código - CMI) muitas vezes falham em capturar a intensidade real da mistura ou a natureza integrada dos empréstimos em textos editados.

2. Metodologia

Os autores desenvolveram o LuxBorrow, uma análise focada em empréstimos baseada em um corpus longitudinal de 259.305 artigos de notícias da RTL Luxembourg, cobrindo um período de 27 anos (1999–2025) e contendo 43,7 milhões de tokens.

A pipeline de processamento segue uma abordagem hierárquica e híbrida:

Identificação de Idioma (LID) em Nível de Frase:
- Utiliza o modelo OpenLID (baseado em FastText) para classificar a língua de cada frase (LU, DE, FR, EN).
- Implementa um limiar adaptativo baseado no comprimento da frase para evitar falsos positivos em frases curtas. Apenas frases classificadas como LU avançam para a próxima etapa.
Detecção de Empréstimos em Nível de Token (dentro de frases LU):
- Normalização e Lematização: Os tokens são normalizados ortograficamente e lematizados usando a ferramenta spellux.
- Registro de Empréstimos: Um dicionário curado de 7.796 entradas de palavras emprestadas (com tags de origem FR/DE/EN) é utilizado.
- Regras Morfológicas e Ortográficas: O sistema aplica padrões compilados para identificar adaptações (ex: pompier (FR) $\rightarrow$ pompjee (LU)).
- Análise Contextual: Para distinguir empréstimos de alternância de código, o sistema analisa o "comprimento de execução" de tokens estrangeiros e a densidade de tokens LU na janela local. Inserções curtas em contexto predominantemente LU são classificadas como empréstimos; sequências longas são tratadas como alternância de código.
Validação Humana e Refinamento:
- Após a detecção automática, um anotador humano revisou os resultados para corrigir falhas, como palavras compostas ausentes, variantes ortográficas comuns e falsos positivos (palavras herdadas de raízes germânicas comuns, não empréstimos modernos).
- O corpus final de empréstimos contém aproximadamente 3.632 origens alemãs, 3.201 francesas e 535 inglesas.
Métricas Analíticas:
- Cálculo de Taxa de Tokens Empréstimos e Taxa de Tipos Empréstimos.
- Cálculo de Entropia do Idioma Doador e Índice de Mistura de Código (CMI).
- Análise diacrônica (evolução temporal) e por domínio (política, esportes, etc.).

3. Principais Contribuições

Corpus LuxBorrow: O primeiro corpus anotado em nível de token focado especificamente em empréstimos no luxemburguês, cobrindo quase três décadas de dados.
Pipeline de Detecção Híbrida: Uma abordagem que combina LID em nível de frase com detecção baseada em regras e léxico em nível de token, superando as limitações de modelos puramente estatísticos em contextos de baixa recursos.
Distinção Empírica: Uma metodologia clara para separar empréstimos integrados (com adaptação morfológica/ortográfica) de alternâncias de código, validada por dados reais.
Novas Métricas para Avaliação: Proposta de focar em taxas de tokens/tipos emprestados, entropia de doadores e taxas de assimilação, em vez de depender apenas de índices de mistura de documentos.

4. Resultados Chave

Dominância do LU: O luxemburguês permanece a língua matriz em 100% dos documentos. Embora 77,1% dos artigos contenham pelo menos um idioma doador, a intensidade da mistura é baixa (CMI mediano de 5,25).
Padrão de Mistura: A mistura é "ampla, mas rasa". A maioria dos artigos usa 3 ou 4 idiomas, mas o CMI mediano aumenta apenas ligeiramente (de 3,90 para 7,00) à medida que o número de idiomas aumenta, indicando inserções localizadas em vez de texto bilíngue equilibrado.
Tipos de Adaptação: Das 25.444 instâncias de empréstimo identificadas:
- 63,8% sofreram adaptação morfológica (ex: ajuster $\rightarrow$ ajustéieren).
- 35,9% sofreram adaptação ortográfica (ex: on $\rightarrow$ oun, eur $\rightarrow$ er).
- Apenas 0,3% são empréstimos puramente lexicais (sem adaptação).
- As regras ortográficas individuais mais frequentes são on→oun e eur→er.
Evolução Diacrônica (1999–2025):
- A taxa de alternância de código aumentou consistentemente, subindo de um CMI de 6,1 (1999–2007) para um pico de 8,4 em 2020 (+38%).
- O volume absoluto de empréstimos morfológicos cresceu 13,2 vezes entre os períodos iniciais e finais, embora ainda represente uma fração pequena da mistura total.
Origem dos Empréstimos: O Francês é o doador dominante (97–99% dos empréstimos adaptados morfologicamente), seguido pelo Alemão (crescimento modesto) e Inglês (insignificante em termos de adaptação morfológica).

5. Significado e Implicações

Para NLP: O estudo demonstra que a simples identificação de idioma (LID) é insuficiente para processar o luxemburguês. Sistemas de NLP (como ASR, MT e normalização de texto) devem incorporar mecanismos específicos para lidar com formas híbridas integradas e regras de adaptação, em vez de tratar todas as palavras não-luxemburguesas como erros ou alternâncias de código.
Para a Linguística de Contato: Os resultados validam a "Visão Simples" de empréstimo e alternância de código, mostrando que, em textos editados, o empréstimo é lexicalmente listado e gramaticalmente integrado, enquanto a alternância de código é mais esporádica.
Método de Avaliação: O artigo argumenta contra o uso exclusivo de métricas de mistura de documentos (como CMI) para avaliar a complexidade linguística em textos editados, propondo métricas focadas no empréstimo (taxas de assimilação, entropia de doadores) como indicadores mais precisos da dinâmica linguística.

Em resumo, o LuxBorrow fornece uma base de dados e metodológica crucial para entender como o luxemburguês evolui em contato com outras línguas, oferecendo ferramentas práticas para melhorar a robustez de sistemas de processamento de linguagem natural em ambientes multilíngues de baixa recursos.