Agent-Driven Corpus Linguistics: A Framework for Autonomous Linguistic Discovery

1. O Problema

A linguística de corpus tradicional enfrenta um gargalo significativo: embora as ferramentas computacionais (como concordanciadores e corpora anotados) permitam identificar regularidades, todo o ciclo de investigação — formulação de hipóteses, construção de consultas, execução de buscas, interpretação de resultados e refinamento — ainda depende inteiramente da intervenção humana.

• Barreiras Técnicas: Linguagens de consulta como CQP exigem treinamento especializado, limitando o acesso a pesquisadores sem formação técnica profunda.
• Restrições de Tempo e Atenção: Um pesquisador humano tem capacidade limitada para testar múltiplas hipóteses e cruzar dados (cross-tabulation) dentro de um único estudo, devido ao tempo disponível.
• Limitação de Modelos de Linguagem (LLMs) Atuais: Embora os LLMs possam gerar texto ou traduzir consultas, eles geralmente atuam como assistentes passivos ou geram alucinações baseadas apenas em seus dados de treinamento, sem acesso direto e verificável a evidências empíricas de um corpus específico.

2. Metodologia: A Abordagem "Agent-Driven"

O artigo propõe a Linguística de Corpus Impulsionada por Agentes, um quadro metodológico onde um Agente de IA (baseado em LLM) assume o ciclo cognitivo de investigação, enquanto o pesquisador humano define a direção e avalia o resultado final.

Arquitetura do Sistema

O sistema é implementado em três camadas:

1. Agente de IA: Um LLM (no estudo, o Claude Opus) operando em um ambiente de codificação interativo. Ele é responsável por gerar hipóteses, construir consultas, interpretar dados e iterar sobre suas descobertas.
2. Servidor MCP (Model Context Protocol): Uma camada intermediária que atua como ponte. Expõe ferramentas tipadas (funções) ao agente, como corpus_info(), cqp_query() (para linhas de concordância) e cqp_frequency() (para contagens quantitativas). Isso garante que o agente nunca "adivinhe" estatísticas, mas sim chame funções estruturadas.
3. Motor de Corpus (CQP/CWB): O motor de consulta de corpus (IMS Open Corpus Workbench) que processa as consultas e retorna os dados reais.

Fluxo de Trabalho Iterativo

O processo segue um ciclo de cinco estágios:

1. Direção (Humano): O pesquisador fornece um prompt natural (ex: "Investigue os intensificadores do inglês").
2. Hipótese (Agente): O agente gera hipóteses testáveis baseadas em seu conhecimento paramétrico.
3. Consulta (Agente): O agente constrói e executa consultas CQP via MCP.
4. Interpretação (Agente): O agente analisa os resultados, refina ou descarta hipóteses e decide se precisa de mais dados.
5. Revisão (Humano): O agente entrega um relatório estruturado para validação final.

3. Contribuições Principais

1. Definição de uma Nova Dimensão Metodológica: O artigo posiciona a "agência" (quem conduz a pesquisa: humano vs. IA) como uma dimensão complementar à distinção clássica entre "baseada em corpus" e "impulsionada por corpus" (que trata da relação epistemológica entre teoria e dados).
2. Implementação Funcional: Criação de um sistema real que conecta um LLM a um motor CQP via protocolo MCP, demonstrando a viabilidade técnica atual.
3. Estudo de Caso Autônomo: O agente investigou intensificadores do inglês (ex: very, really, utterly) sem intervenção humana intermediária, gerando hipóteses, executando análises diacrônicas e semânticas, e sintetizando descobertas.
4. Experimento Controlado de "Grounding" (Ancoragem): Comparação do mesmo LLM com e sem acesso ao corpus, isolando o valor da evidência empírica contra o conhecimento pré-treinado.
5. Validação Externa: Replicação bem-sucedida de dois estudos publicados (Claridge, 2025 e De Smet, 2013) em um corpus independente (CLMET), com concordância quantitativa próxima.

4. Resultados Chave

No Estudo de Caso (Intensificadores)

O agente descobriu autonomamente:

• Cadeia de Relé Diacrônica: Evidência de que so+ADJ foi substituído por very, que por sua vez está sendo substituído por really ao longo do tempo.
• Três Caminhos de Mudança Semântica:
  1. Deslexicalização completa: (ex: very) torna-se um marcador de grau puro.
  2. Fixação de Polaridade: (ex: utterly) especializa-se em contextos negativos/privativos, em vez de se tornar neutro.
  3. Restrição Metaphórica: (ex: deeply) mantém restrições baseadas na metáfora espacial original.
• Sensibilidade de Registro: O agente identificou sozinho que really é 20 vezes mais frequente em textos dramáticos do que em poesia, uma descoberta não solicitada explicitamente.

Experimento de Linha de Base (Com vs. Sem Corpus)

A comparação revelou três níveis de valor adicionado pela ancoragem no corpus:

1. Quantificação: Transforma afirmações direcionais vagas em números precisos (ex: "mais frequente em informal" vs. "352 pmw vs. 17 pmw").
2. Falsificabilidade: Permite que dados inesperados revisem hipóteses iniciais.
3. Síntese Responsiva aos Dados: Cria quadros analíticos novos (como o modelo de três caminhos) combinando conceitos teóricos com evidências quantitativas específicas, algo que o LLM sem acesso ao corpus não conseguiu fazer.

Replicação

O agente replicou com alta precisão os resultados de estudos sobre o declínio da palavra reader e a disseminação de complementos gerúndios, demonstrando que o framework não está limitado ao domínio dos intensificadores.

5. Significado e Implicações

• Acesso Democratizado: A abordagem reduz a barreira técnica, permitindo que pesquisadores com expertise teórica, mas sem domínio de linguagens de consulta complexas (CQP), realizem pesquisas de corpus robustas.
• Transparência e Auditoria: Cada passo do agente é registrado em logs estruturados, criando um rastro de auditoria completo que é difícil de manter manualmente em estudos complexos.
• Velocidade e Cobertura: O agente opera na velocidade da máquina, podendo cruzar dados com múltiplas dimensões de metadados (gênero, período, sentimento) que seriam proibitivas para um humano em um único estudo.
• Limitações e Desafios: O artigo reconhece que a geração de hipóteses ainda depende do conhecimento de treinamento do LLM (risco de viés/recall) e que a interpretação final ainda requer julgamento humano. A distinção entre "descoberta genuína" e "recuperação de padrões conhecidos" permanece um desafio epistemológico.

Em suma, o artigo propõe uma mudança de paradigma onde a IA não é apenas uma ferramenta de consulta, mas um investigador autônomo que opera dentro de um ciclo de evidência verificável, expandindo o escopo e a profundidade da pesquisa em linguística de corpus.