Polish phonology and morphology through the lens of distributional semantics

Título: Fonologia e Morfologia Polonesa sob a Lente da Semântica Distribucional

Autores: Paula Orzechowska & R. Harald Baayen
Instituições: Universidade Adam Mickiewicz e Universidade de Tübingen

---

1. Problema e Contexto

A linguística tradicional, baseada na dicotomia de Saussure e na articulação dupla de Martinet, postula que a relação entre forma (som) e significado é arbitrária e que os sistemas fonológico e sintático operam de forma independente. No entanto, evidências recentes sugerem que essa divisão é artificial, indicando que a semântica pode influenciar a realização fonética e que existem correspondências sistemáticas entre estrutura e significado.

O polonês apresenta um desafio único para essa investigação devido à sua complexidade fonotática (clusters de consoantes extensos e marcados) e morfologia rica (flexão complexa, alternâncias de vogais e prefixação). O problema central deste estudo é investigar se a estrutura fonológica e morfológica de palavras polonesas complexas (especificamente aquelas com clusters iniciais motivados morfologicamente) é refletida no espaço semântico. A questão é: é possível inferir funções gramaticais, decomposibilidade de morfemas e padrões fonotáticos a partir de vetores semânticos, sem consultar explicitamente a estrutura morfológica ou fonêmica das palavras?

2. Metodologia

Dados

• Corpus: O estudo utilizou uma lista de 456 palavras polonesas com clusters iniciais complexos, extraídas do Słownik Podstawowy Języka Polskiego dla Cudzoziemców.
• Expansão: A partir dessas lemas, foram extraídos 21.417 membros de paradigmas flexionais do National Corpus of Polish (NKJP300M). Após filtrar homógrafos e formas sincretas (mantendo apenas a forma mais frequente), o conjunto final consistiu em 8.015 formas únicas.
• Anotações: As palavras foram anotadas para propriedades morossintáticas (caso, número, gênero, pessoa, tempo, aspecto) e propriedades fonológicas/morfonológicas (tamanho do cluster, perfil de sonoridade, tipo de prefixo e grau de "parsabilidade" ou transparência morfológica).

Representação Semântica (Embeddings)

Dois tipos de vetores de incorporação de palavras foram utilizados para representar o significado:

1. fastText: Baseado em n-gramas sublexicais (substrings), capturando informações morfológicas internas.
2. Word2vec: Baseado em palavras inteiras como unidades indivisíveis.

Modelos Computacionais

• Discriminative Lexicon Model (DLM): Um modelo de aprendizado de máquina baseado em redes neurais simples (mapeamentos lineares) que prevê significado a partir da forma (compreensão) e forma a partir do significado (produção). O modelo foi treinado sem acesso explícito a raízes, morfemas ou regras gramaticais, apenas com vetores de forma (trigramas ortográficos) e vetores semânticos.
• Análise Discriminante Linear (LDA): Utilizada como um classificador supervisionado para prever categorias (ex: tempo, caso, tipo de prefixo) diretamente a partir dos vetores de embeddings.
• t-SNE (t-Distributed Stochastic Neighbor Embedding): Técnica não supervisionada de redução de dimensionalidade para visualizar a estrutura do espaço semântico em 2D, verificando a formação de clusters naturais.
• Análise de Componentes Principais (PCA): Utilizada para determinar em quantas dimensões do espaço semântico as diferentes características (morossintáticas vs. fonológicas) estão codificadas.

3. Contribuições Principais

1. Validação da Isomorfia Forma-Significado: O estudo demonstra empiricamente que o espaço semântico de palavras polonesas contém informações robustas sobre a estrutura fonológica e morfológica, desafiando a noção de arbitrariedade total do signo linguístico.
2. Modelagem sem Decomposição Explícita: O DLM conseguiu prever com alta precisão a compreensão e a produção de palavras complexas sem "saber" onde estão as fronteiras dos morfemas, sugerindo que a semântica codifica essas estruturas de forma distribuída.
3. Hierarquia de Predição: O estudo estabelece uma hierarquia clara: características morossintáticas (como tempo e pessoa) são mais fortemente refletidas no espaço semântico do que características fonotáticas (como tamanho do cluster), embora ambas sejam previsíveis.
4. Parsabilidade Morfológica no Espaço Semântico: Demonstrou-se que o grau de facilidade com que um prefixo pode ser separado da raiz (parsabilidade) é refletido na proximidade semântica das palavras, mesmo sem análise morfológica explícita.

4. Resultados

Desempenho do DLM (Compreensão e Produção)

• Compreensão: O modelo alcançou acurácias superiores a 97% em todos os conjuntos de dados (treino, teste e dados retidos), indicando que a forma prediz o significado com extrema precisão.
• Produção: A acurácia foi de 97,3% para dados completos, mas caiu para 77,8% em dados retidos (palavras com raízes conhecidas, mas formas não vistas). Isso reflete o padrão humano de compreensão superior à produção e sugere que o modelo generaliza bem, mas enfrenta desafios com formas não vistas.

Análise de Classificação (LDA) e Visualização (t-SNE)

• Categorias Morossintáticas:
  • Pessoa e Tempo: Acurácia de 99%. O t-SNE mostrou clusters muito bem definidos.
  • Aspecto (Perfeito/Imperfeito): Acurácia de 97%, embora o t-SNE mostrasse sobreposição significativa, indicando que a informação está distribuída em muitas dimensões.
  • Número e Caso: Acurácias de 96% e 89%, respectivamente.
• Propriedades Fonotáticas e Morfonológicas:
  • Tipo de Prefixo: Acurácia de 97%, surpreendentemente alta, apesar da sobreposição visual no t-SNE.
  • Parsabilidade (Transparência): Acurácia de 82%. A precisão diminui conforme a morfologia se torna menos transparente (prefixos ligados a raízes presas).
  • Marcabilidade e Tamanho do Cluster: Acurácias de 82% e 81%, respectivamente. Embora inferiores às categorias gramaticais, são significativamente superiores às baselines de maioria.
• Comparação fastText vs. Word2vec:
  • O fastText superou consistentemente o Word2vec (diferença média de ~10,5% de acurácia), especialmente para propriedades fonológicas e morfologia fina. Isso sugere que a informação sublexical (n-gramas) é crucial para capturar regularidades fonotáticas.
  • No entanto, o Word2vec (sem análise sublexical) ainda alcançou acurácias muito acima da baseline, provando que padrões de co-ocorrência de palavras inteiras também refletem a estrutura interna das palavras.

Análise PCA (Dimensões Latentes)

• Características como Pessoa, Tempo e Aspecto são capturadas principalmente nas primeiras 10 a 50 dimensões do espaço semântico (explicam grande parte da variância).
• Características fonotáticas como Tamanho do Cluster, Marcabilidade e Parsabilidade exigem 200 a 300 dimensões para serem bem classificadas, indicando que elas estão codificadas de forma mais sutil e distribuída por todo o espaço semântico, em vez de dominar as principais dimensões de variância.

5. Significado e Conclusão

O estudo fornece evidências robustas de que a relação entre forma e significado na língua polonesa não é arbitrária, mas sim isomórfica em grande escala. A semântica distribucional codifica não apenas o significado lexical, mas também informações estruturais profundas sobre a fonologia e a morfologia.

• Implicações Teóricas: Os resultados desafiam modelos linguísticos que tratam a fonologia e a morfologia como módulos completamente independentes da semântica. Sugere que a "arbitrariedade" do signo é um mito; a estrutura fonológica e morfológica contribui ativamente para a representação do significado no léxico mental.
• Implicações para IA e Processamento de Linguagem Natural (PLN): O sucesso do modelo DLM simples (mapeamentos lineares) e de embeddings pré-treinados sugere que modelos de linguagem modernos (como Transformers) podem aprender regras gramaticais e fonotáticas complexas apenas através da exposição a padrões de uso, sem necessidade de regras explícitas ou análise morfológica supervisionada. A semântica, por si só, carrega a "assinatura" da estrutura da palavra.

Em suma, o espaço semântico atua como um espelho da estrutura formal das palavras, permitindo que a computação infera propriedades fonológicas e morfológicas complexas a partir do significado, validando a hipótese de que a estrutura e o significado estão intrinsecamente ligados.