Phonological Fossils: Machine Learning Detection of Non-Mainstream Vocabulary in Sulawesi Basic Lexicon

Este estudo demonstra que a aplicação de aprendizado de máquina a características fonológicas pode identificar eficazmente vocabulário não-herdado em línguas de Sulawesi, revelando uma alta taxa de formas de substrato, mas sem evidências de uma única língua pré-austronésia compartilhada, sugerindo múltiplas camadas linguísticas independentes.

O essencial

Imagine que as línguas são como grandes árvores familiares. A família Austronésia é uma dessas árvores gigantes, com mais de 1.200 "filhos" (línguas) espalhados da Madagascar até as ilhas do Pacífico. Os linguistas são como genealogistas: eles tentam reconstruir a árvore, descobrindo quais palavras vêm da "avó" original (a língua ancestral) e quais são novas.

Mas, na ilha de Sulawesi (na Indonésia), há um mistério. Algumas palavras básicas (como "comer", "andar", "grande") não parecem pertencer a essa família. Elas têm um "sotaque" ou uma estrutura estranha que não combina com as regras da família Austronésia.

A pergunta antiga dos linguistas era: "Essas palavras estranhas são restos de uma língua antiga que existia antes dos Austronésios chegarem (como um fantasma do passado), ou são apenas invenções independentes de cada povo?"

Até agora, ninguém conseguia responder isso de forma automática. Foi aí que os autores deste estudo usaram Inteligência Artificial (Machine Learning) para investigar.

A Metáfora do Detetive e a "Digital Fonológica"

Pense no estudo como um trabalho de detetive usando dois métodos diferentes para encontrar "intrusos" no vocabulário:

1. O Detetive Tradicional (Regras Manuais): Ele olha para cada palavra e diz: "Esta palavra tem um primo em outra língua? Se sim, é Austronésia. Se não, é suspeita."
2. O Detetive Robô (Aprendizado de Máquina): Este robô nunca viu as regras de parentesco. Ele só olha para a forma da palavra. Ele analisa coisas como:
   • É uma palavra longa ou curta?
   • Tem muitos grupos de consoantes juntos (como "str" ou "mpl")?
   • Usa sons de garganta (como o "glottal stop", aquele som de engasgo leve)?
   • Parece um verbo de ação?

O robô foi treinado para encontrar um padrão, uma "Digital Fonológica".

O Que Eles Descobriram?

O robô funcionou muito bem! Ele conseguiu identificar as palavras "estranhas" apenas olhando para a sua estrutura, sem precisar saber a história delas. A "digital" das palavras suspeitas era assim:

• São palavras um pouco mais longas.
• Têm mais aglomerados de consoantes.
• Usam mais sons de garganta.
• Têm menos prefixos típicos da família Austronésia.
• Frequentemente são verbos de ação (como "cortar", "atirar", "morder").

Isso sugere que, de fato, essas palavras têm uma "vibe" diferente, como se viessem de um lugar diferente.

O Grande Giro de Perspectiva (O Choque de Realidade)

Aqui está a parte mais interessante e surpreendente.

Se essas palavras "estranhas" fossem restos de uma única língua antiga que todos os povos de Sulawesi herdaram, elas deveriam ser parecidas entre si. Seria como se todos os primos tivessem herdado o mesmo sobrenome estranho.

Mas, quando os pesquisadores agruparam essas 266 palavras suspeitas para ver se elas formavam "famílias" (grupos de palavras relacionadas entre as diferentes línguas), nada aconteceu.

• O Resultado: As palavras não se agruparam. Elas não formaram famílias.
• A Analogia: Imagine que você tem 10 pessoas em uma sala. Todas estão usando um chapéu vermelho estranho (a "digital fonológica"). Você pensa: "Ah, elas devem ter comprado o chapéu na mesma loja antiga!" Mas, ao olhar de perto, você percebe que cada um comprou o chapéu em uma loja diferente, em épocas diferentes, e por motivos diferentes. O chapéu é o mesmo, mas a origem é diferente.

Conclusão do Estudo:
As palavras estranhas não vêm de uma única língua ancestral perdida. Em vez disso, cada povo de Sulawesi, independentemente, criou ou manteve palavras com essa estrutura "estranha" por conta própria. Foi uma inovação paralela.

Por Que Isso é Importante?

1. A IA é Útil: Mostra que podemos usar computadores para ajudar linguistas a encontrar padrões que o olho humano demoraria anos para ver. É como usar um filtro de spam para limpar a caixa de entrada de palavras "suspeitas".
2. Cuidado com as Conclusões: O estudo nos ensina a não ter pressa. Só porque uma palavra parece "estranha" ou "antiga", não significa que ela vem de uma única fonte mística compartilhada por todos. Às vezes, a natureza humana simplesmente inventa coisas parecidas de formas parecidas.
3. Uma Prova Extra: Os autores notaram algo curioso na história da escrita javanesa antiga. Quando os javaneses adaptaram um alfabeto da Índia, eles removeram exatamente os sons que o robô identificou como "estranhos" (como sons aspirados e retroflexos). Isso confirma que a "digital" detectada pelo robô é real e reflete como a língua Austronésia funciona de verdade.

Resumo em Uma Frase

Os pesquisadores usaram um robô para encontrar palavras "estranhas" nas línguas de Sulawesi e descobriram que, embora essas palavras tenham uma aparência similar, elas não são restos de uma única língua ancestral, mas sim invenções independentes de cada povo, provando que a IA pode ser uma grande aliada para desvendar mistérios linguísticos, mas que a história humana é mais complexa do que parece.

Resumo técnico

Título: Fósseis Fonológicos: Detecção de Vocabulário Não-Padrão no Léxico Básico de Sulawesi através de Aprendizado de Máquina

1. Problema de Pesquisa

Muitas línguas austronésias de Sulawesi (Indonésia) contêm uma proporção significativa de vocabulário básico que resiste à reconstrução para qualquer forma proto-linguística. Tradicionalmente, linguistas interpretam essas formas não conformes (que não seguem padrões fonológicos herdados ou carecem de cognatos plausíveis) como evidência de substratos pré-austronésios (línguas deslocadas pela expansão austronésia).

No entanto, essa interpretação assume que a não conformidade fonológica implica uma origem não-austronésia compartilhada. O estudo questiona se essa não conformidade representa realmente um substrato comum ou se pode ser resultado de inovações independentes paralelas em diferentes línguas. O desafio é testar computacionalmente essa hipótese sem cair em circularidade (usar dados de cognação para treinar um modelo que detecta não-cognatos).

2. Metodologia

Os autores utilizaram uma abordagem híbrida combinando métodos baseados em regras e aprendizado de máquina (ML) sobre um conjunto de dados de 1.357 formas lexicais de seis línguas de Sulawesi (Muna, Bugis, Makassar, Wolio, Toraja-Sa'dan e Tolaki), extraídas do Austronesian Basic Vocabulary Database (ABVD).

A. Abordagem de Duplo Modelo (Design Crucial):
Para evitar circularidade, o estudo empregou dois modelos distintos:

• Modelo A (Baseline Circular): Utilizou 31 recursos, incluindo propriedades distribucionais derivadas de cognação (tamanho do conjunto de cognatos, etc.). Este modelo serve apenas para validar que os dados de rótulo estão corretos (atingiu AUC ~1.0), mas não é cientificamente informativo para a hipótese de substrato.
• Modelo B (A Hipótese Científica): Treinado exclusivamente com 27 recursos fonológicos e semânticos, excluindo totalmente qualquer dado de cognação. Se este modelo conseguir distinguir vocabulário herdado de "não-padrão", prova-se que a própria estrutura fonológica carrega o sinal de não conformidade.

B. Engenharia de Recursos (Modelo B):
Os recursos incluíram:

• Fonológicos: Comprimento da forma (sílabas/caracteres), contagem de vogais, presença de oclusivas glotais (' ou P), contagem de clusters consonantais, presença de reduplicação superficial e ausência de prefixos canônicos austronésios.
• Semânticos: Domínio semântico (ex: ação, corpo, natureza) e pertencimento ao núcleo Swadesh-100.
• Controle: Identidade da língua e taxa de cobertura de cognação da língua (para controlar a profundidade da documentação).

C. Algoritmos e Validação:

• Classificadores: XGBoost, Random Forest e Regressão Logística.
• Validação: Validação cruzada estratificada (5-fold) e validação Leave-One-Language-Out (LOLO) para testar a generalização entre línguas.
• Interpretabilidade: Uso de SHAP (SHapley Additive exPlanations) para identificar quais características fonológicas impulsionam a classificação.
• Análise de Consenso: Cruzamento das previsões do modelo baseado em regras (subtração de cognatos) com o modelo ML para identificar candidatos de alta confiança.
• Agrupamento (Clustering): Teste de se os candidatos de consenso formam famílias de palavras coerentes entre línguas (usando distância de Levenshtein e algoritmos como Ward e DBSCAN).

3. Principais Contribuições

1. Metodologia de Detecção Não-Circular: Introduz um framework que isola sinais fonológicos puros para detectar vocabulário não-padrão, separando a detecção de dados de cognação.
2. Identificação de uma "Impressão Digital Fonológica": Define um perfil fonológico específico associado a vocabulário não-padrão em Sulawesi.
3. Refutação da Hipótese de Substrato Único: Demonstra empiricamente que, embora existam formas não-padrão, elas não compartilham uma origem etimológica comum, sugerindo inovação paralela em vez de um substrato pré-austronésio unificado.
4. Convergência com Evidências Históricas: Conecta os achados computacionais com a adaptação histórica do script Hanacaraka (Javanês), que eliminou exatamente as distinções fonológicas (aspiração, retroflexão) que o modelo identifica como "não-austronésias".

4. Resultados Chave

• Desempenho do Modelo: O Modelo B (apenas fonológico) alcançou um AUC de 0.763 (± 0.007), distinguindo vocabulário herdado de não-padrão com confiabilidade moderada, sem usar dados de cognação.
• A "Impressão Digital" Fonológica: As formas classificadas como não-padrão tendem a ter:
  • Maior comprimento (mais sílabas).
  • Maior frequência de clusters consonantais.
  • Maior taxa de oclusivas glotais.
  • Menor presença de prefixos canônicos austronésios.
  • Predominância no domínio semântico de verbos de ação.
• Consenso Inter-método: A intersecção entre o método baseado em regras e o ML identificou 266 candidatos de alta confiança (Cohen's κ = 0.61).
• Falha no Agrupamento (Resultado Negativo Crítico):
  • O agrupamento fonológico desses 266 candidatos não revelou famílias de palavras coerentes (silhouette score = 0.114).
  • O teste de cognação cruzada mostrou que formas para o mesmo conceito em diferentes línguas não são mais semelhantes entre si do que palavras aleatórias (p = 0.569).
  • Conclusão: As formas não-padrão não derivam de uma única camada de substrato pré-austronésio, mas representam inovações independentes paralelas (lacunas lexicais preenchidas de forma independente).
• Padrão Geográfico: A aplicação do modelo a 16 línguas adicionais mostrou que as línguas de Sulawesi têm taxas preditas de vocabulário não-padrão significativamente maiores (média Psub = 0.606) do que as línguas do oeste da Indonésia (0.393).
• Robustez: Os resultados foram robustos a conversões aproximadas de ortografia para IPA e à remoção de recursos de confusão (como a cobertura de cognação da língua).

5. Significado e Implicações

• Para a Linguística Austronésia: O estudo desafia a interpretação tradicional de que qualquer vocabulário não reconstruível é necessariamente um remanescente de um substrato pré-austronésio compartilhado. Sugere que a diversidade fonológica em Sulawesi pode ser fruto de processos independentes de inovação e contato local, e não de uma "língua mãe" pré-austronésia única.
• Método Computacional: Demonstra que o ML pode complementar, e não substituir, o método comparativo tradicional. O ML atua como uma ferramenta de triagem escalável para identificar anomalias fonológicas que merecem investigação filológica profunda.
• Validação Histórica: A descoberta de que o script Hanacaraka (derivado do sânscrito) eliminou sistematicamente as mesmas distinções fonológicas que o modelo ML identifica como "não-austronésias" fornece uma validação externa poderosa, sugerindo que o modelo detecta restrições fonotáticas reais do sistema fonológico austronésio, e não artefatos de classificação.

Limitações: O estudo baseia-se em formas ortográficas (não IPA puro), tem um tamanho de amostra limitado (Swadesh-210) e não realiza decomposição morfológica profunda, o que pode confundir clusters consonantais derivados de morfologia (como infixos) com raízes não-austronésias.

Em suma, o artigo estabelece que a não conformidade fonológica é um sinal detectável, mas que não é equivalente a uma origem de substrato compartilhado, reorientando a investigação sobre a história linguística de Sulawesi para processos de inovação paralela.