💬 NLP

Imperative Interference: Social Register Shapes Instruction Topology in Large Language Models

O estudo demonstra que o modo imperativo em prompts de sistema cria uma topologia de instrução dependente da língua devido a convenções de registro social, enquanto a reescrita para o modo declarativo reduz significativamente essa variação linguística ao tratar as instruções como fatos em vez de atos de autoridade.

Autores originais: Tony Mason

Publicado 2026-03-27

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Tony Mason

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 é um gerente de uma equipe muito inteligente, mas que fala várias línguas. Você escreve um manual de instruções para eles. Em inglês, esse manual funciona perfeitamente: as regras se ajudam, ninguém briga e todos obedecem. Mas, quando você traduz esse mesmo manual para o espanhol, algo estranho acontece: as regras começam a brigar entre si. Se você remove uma regra, a equipe fica melhor. Se você adiciona outra, elas se confundem.

É exatamente isso que o artigo "Interferência Imperativa: A Forma Social Molda a Topologia de Instrução em Grandes Modelos de Linguagem" descobre.

Aqui está a explicação simples, usando analogias do dia a dia:

1. O Problema: O "Tom de Voz" Muda Tudo

O estudo descobriu que os modelos de Inteligência Artificial (como o Claude ou o Gemini) não veem as instruções apenas como dados técnicos. Eles as veem como atos sociais.

Em Inglês: Quando o computador lê "NUNCA use esta ferramenta", ele entende como uma autoridade firme e clara. Várias ordens assim se empilham e funcionam juntas, como um maestro conduzindo uma orquestra. É uma rede cooperativa.
Em Espanhol: A mesma frase, traduzida perfeitamente, soa diferente. O "modo imperativo" (dar ordens) carrega um peso social diferente. O computador sente que está recebendo ordens de várias autoridades diferentes que estão gritando ao mesmo tempo. As regras começam a competir. É uma rede competitiva.

A Analogia do Maestro:
Imagine que você está em uma sala de música.

Em inglês, o maestro levanta a mão e diz: "Toquem forte, toquem suave". A orquestra entende que é um só comando e toca harmoniosamente.
Em espanhol, a mesma frase soa como se três maestros diferentes estivessem gritando ordens contraditórias ao mesmo tempo. A orquestra fica confusa e para de tocar bem. Se você tirar um dos maestros (uma instrução), a música fica melhor porque sobra menos confusão.

2. A Descoberta: Não é sobre o Tamanho, é sobre o Estilo

Os pesquisadores testaram se o problema era o tamanho do texto (o espanhol é um pouco mais longo que o inglês). Eles "encheram" o texto espanhol com palavras inúteis para ver se isso ajudava. Não ajudou. O problema não era o tamanho, era o registro social.

Eles descobriram que mudar o "tom" da instrução resolve o problema:

Imperativo (Ordem): "NUNCA faça X." (Soa como um chefe gritando).
Declarativo (Fato): "X: Desativado." (Soa como um aviso no painel de controle).

Quando eles reescreveram as instruções em espanhol, trocando as "ordens" por "fatos", a mágica aconteceu:

A confusão desapareceu.
As regras voltaram a trabalhar juntas (cooperar).
Efeito Dominó: Mesmo as instruções que não foram reescritas começaram a funcionar melhor! Foi como se, ao calar três pessoas gritando, o silêncio permitisse que as outras 8 pessoas ouvissem melhor.

3. O Custo: Um Café e Meio

O mais impressionante é que tudo isso foi descoberto gastando apenas 69 dólares (o preço de alguns cafés e um jantar). Eles usaram modelos de IA gratuitos ou baratos e fizeram testes simples, provando que você não precisa de supercomputadores para entender como a IA "pensa" socialmente.

4. O Que Isso Significa para o Futuro?

O artigo faz uma previsão ousada:
Se os modelos de IA aprendem a obedecer ordens de forma diferente dependendo do idioma, talvez eles também estejam aprendendo a ser "éticos" de forma diferente.

Muitas vezes, ensinamos a IA a ser "boa" usando regras imperativas: "Seja útil", "Não seja prejudicial". Se essas regras são dadas em inglês, a IA pode ser "boa" de um jeito. Se traduzirmos essas regras para o espanhol ou mandarim sem mudar o tom, a IA pode se tornar "boa" de um jeito diferente, ou até confusa, porque o peso social da palavra "Seja" muda de cultura para cultura.

Resumo em uma Frase

As instruções para IAs não são apenas códigos; são conversas sociais. Se você falar com elas como um chefe gritando ordens (imperativo), elas podem brigar entre si em alguns idiomas. Se você falar como um painel de informações (declarativo), elas funcionam perfeitamente em qualquer lugar.

A lição para quem cria IAs é simples: Não dê ordens. Apresente fatos.

Título: Interferência Imperativa: O Registro Social Molda a Topologia de Instrução em Grandes Modelos de Linguagem

Autor: Tony Mason (Universidade da Colúmbia Britânica e Instituto de Tecnologia da Geórgia)
Data: Março de 2026

1. O Problema

Os prompts de sistema para agentes baseados em LLMs são frequentemente escritos como comandos imperativos (ex: "NUNCA use X", "SEMPRE prefira Y"). Embora funcionem bem em inglês, o artigo demonstra que, quando traduzidos para outras línguas (como espanhol, mandarim ou francês), essas instruções não apenas sofrem uma degradação uniforme de desempenho, mas experimentam uma inversão estrutural na topologia de interação.

Em Inglês: As instruções formam uma rede cooperativa. Remover qualquer instrução reduz a adesão geral ao prompt.
Em Espanhol: As mesmas instruções (semanticamente idênticas e corretamente traduzidas) formam uma rede competitiva. A remoção de certas instruções melhora a adesão geral, indicando que as instruções estão interferindo negativamente umas nas outras.

O problema central não é a tradução semântica, mas como o modo imperativo carrega diferentes forças de obrigação (registro social) em diferentes comunidades linguísticas, criando conflitos de autoridade que o modelo tenta resolver.

2. Metodologia

O estudo utilizou uma abordagem experimental rigorosa baseada em ablação e análise estatística:

Corpus: O prompt de sistema do Claude Code (v2.1.50), decomposto em 56 blocos. Desses, 22 blocos eram "livres" (podiam ser removidos sem quebrar definições de ferramentas) e usados para testes.
Tradução: O corpus foi traduzido para Mandarim, Francês e Espanhol usando o Gemini Flash 2.0 (evitando circularidade ao não usar o próprio Claude para traduzir suas instruções).
Modelos: Foram testados 4 modelos com vieses de treinamento diferentes:
- Haiku e Gemini (dominantes em inglês).
- DeepSeek (dominante em chinês).
- Mistral (dominante em francês).
Probes (Sondas): 22 sondas manualmente criadas para testar a adesão a cada bloco livre.
Design de Ablação:
- Fase 0: Remoção individual de blocos para medir efeitos principais.
- Fase 1: Uso de covering arrays (arranjos de cobertura) de força 2 para medir interações em pares e detectar topologias cooperativas vs. competitivas.
Intervenção (Rewriting): Reescrita de instruções do modo imperativo ("Faça X") para o modo declarativo ("X: desabilitado") para testar se a mudança de registro alterava a topologia.
Custo: O experimento total custou $69 USD, validado contra faturas da OpenRouter.

3. Contribuições Principais

Primeiro Estudo de Ablação em Nível de Instrução: Análise de prompts de produção em 4 modelos e 4 línguas, focando em interações entre instruções, não apenas em efeitos principais agregados.
Descoberta de Inversão Topológica: Evidência de que a topologia de interação inverte entre línguas (cooperativa em inglês, competitiva em espanhol).
Identificação do Registro Social como Mecanismo Causal: Demonstração de que o modo imperativo cria sinais de obrigação conflitantes em certas línguas, enquanto o modo declarativo (fato) é universalmente estável.
Efeitos de Transbordamento (Spillover): A reescrita de apenas 3 blocos imperativos para declarativos em espanhol não apenas corrigiu esses blocos, mas transformou a topologia de todo o sistema de competitiva para cooperativa, afetando blocos não reescritos.
Predição Testável: A hipótese de que princípios de IA Constitucional escritos em modo imperativo podem criar alinhamento dependente da língua durante o treinamento.

4. Resultados Chave

A. Topologia de Instrução e Interferência

Inglês: Todos os efeitos principais foram negativos (remover instruções piora o desempenho). As instruções cooperam.
Espanhol: A maioria dos efeitos principais foi positiva (remover instruções melhora o desempenho). As instruções interferem.
Correlação: As línguas inglesa e espanhola mostraram correlação anti-positiva ( $r = -0.274$ ) nos efeitos das instruções.

B. Redução de Variância via Reescrita Declarativa

Ao reescrever um bloco de instrução de "procedural/imperativo" para "declarativo", a variância cruzada entre línguas foi reduzida em 81% ( $p = 0.029$ ).
O modelo Haiku, que falhou completamente (score 0.00) em mandarim com a instrução original, atingiu score perfeito (1.00) com a versão declarativa.

C. Mudança de Topologia (E-TOPO)

Ao reescrever 3 blocos imperativos chave para o modo declarativo no corpus em espanhol:
- A topologia do espanhol mudou de competitiva para cooperativa.
- Blocos não reescritos sofreram um efeito de transbordamento, tornando-se cooperativos.
- Isso prova que o registro imperativo cria uma "carga de resolução de obrigação" em nível de sistema, não apenas por bloco.

D. Densidade de Informação

O estudo descartou a hipótese de que a diferença de tamanho (o corpus em mandarim era 57% menor) era a causa. Ajustes de densidade (padding) não explicaram as inversões topológicas, confirmando que o fator é linguístico/sociolinguístico, não de compressão de dados.

5. Significado e Implicações

Modelo de Atos Sociais vs. Especificações Técnicas

O artigo argumenta que os prompts de sistema devem ser entendidos como atos sociais, não especificações técnicas.

"NUNCA faça X" é um exercício de autoridade. A força dessa autoridade varia conforme a língua e o registro social.
"X: desabilitado" é uma descrição factual que não invoca autoridade, sendo, portanto, mais robusta na tradução.

Implicações para Alinhamento (Constitutional AI)

O artigo faz uma previsão ousada: se o registro social media a execução de instruções na inferência, ele provavelmente o faz também durante o treinamento.

Princípios de IA Constitucional escritos em modo imperativo ("Seja útil", "Seja honesto") podem criar alinhamento dependente da língua. Um modelo pode ser "alinhado" em inglês, mas comportar-se de forma diferente em outras línguas devido à carga social do imperativo, não ao conteúdo semântico.

Diretrizes de Design

Para prompts robustos multilíngues, o artigo recomenda:

Declarar fatos, não emitir comandos: Usar "Status: desabilitado" em vez de "NUNCA use".
Restrições autocontidas: Evitar cadeias condicionais complexas que se comprimem de forma ambígua na tradução.
Exemplos sobre conceitos: Exemplos de código traduzem melhor do que conceitos abstratos de jargão.

Conclusão

O estudo demonstra que a topologia de interação em prompts de LLM é mediada pelo registro social da língua. A inversão de cooperação para competição entre inglês e espanhol é um fenômeno real e corrigível. A solução não está em melhorar a tradução, mas em mudar a gramática da autoridade no prompt: substituir imperativos por declarações factuais. Isso tem implicações profundas para como construímos sistemas de IA seguros e alinhados globalmente, sugerindo que a escolha do registro linguístico é tão crítica quanto a escolha dos dados de treinamento.