Not all ANIMALs are equal: metaphorical framing through source domains and semantic frames

Resumo Técnico: Not all ANIMALs are equal

1. Problema e Motivação

As metáforas são dispositivos poderosos de enquadramento (framing) que ajudam a compreender conceitos abstratos através de domínios concretos (domínios-fonte). No entanto, a teoria existente e as abordagens computacionais atuais focam-se predominantemente na identificação do domínio-fonte (ex: ÁGUA, ANIMAL, GUERRA) para analisar o discurso.

O problema central identificado pelos autores é que o domínio-fonte, por si só, não explica totalmente as associações específicas evocadas. Duas metáforas podem pertencer ao mesmo domínio-fonte, mas evocar significados opostos dependendo do frame semântico (estrutura de significado lexical) utilizado.

• Exemplo: No discurso sobre imigração, "inundar" (flood) pertence ao domínio da ÁGUA, mas o frame semântico de "Preenchimento" (Filling) sugere um desastre a ser controlado. Já "maré" (tide) ou "ondas" (waves), também no domínio da ÁGUA, podem evocar frames de "Massa Quantificada" ou "Característica Natural", sugerindo um fenômeno neutro ou positivo.

A lacuna na literatura é a falta de métodos computacionais que dissecem essa interação entre domínio-fonte e frame semântico para analisar diferenças finas no enquadramento discursivo, especialmente entre ideologias políticas opostas.

2. Metodologia: Framework ConceptFrameMet

Os autores propõem um framework computacional chamado ConceptFrameMet, que integra a Detecção de Metáforas, a Predição de Domínios-Fonte e a Identificação de Frames Semânticos, seguido de uma análise estatística de saliência.

O sistema consiste em duas partes principais:

A. Modelo de Predição (Baseado em RoBERTa)
O modelo é composto por três classificadores finetunados:

1. Classificador de Frame Semântico: Utiliza o FrameNet (797 classes). O modelo é treinado para prever o frame semântico de uma palavra-alvo. A configuração de entrada que separa a palavra do contexto (usando tokens [SEP]) mostrou-se superior.
2. Classificador de Domínio-Fonte: Utiliza o conjunto de dados LCC Metaphor Dataset (99 domínios). O modelo incorpora a informação do frame semântico predito como um vetor de características (via concatenação ou atenção) para melhorar a distinção entre domínios semanticamente próximos.
3. Classificador de Metáfora: Baseado no MelBert, mas aprimorado. Em vez de usar apenas o embedding da palavra, o modelo funde o embedding da palavra com o embedding do domínio-fonte predito (ponderado pela confiança), amplificando a diferença entre uso literal e metafórico.

B. Módulo de Saliência Estatística
Para distinguir entre metáforas discursivas (estáveis e frequentes em um tema) e figuras de linguagem locais, os autores utilizam a Razão de Verossimilhança Logarítmica (Log-Likelihood Ratio - LLR).

• Compara-se um corpus específico (ex: notícias sobre mudança climática) contra um corpus genérico de fundo.
• Identifica-se quais combinações de (Domínio-Fonte + Frame Semântico) são estatisticamente super-representadas no corpus-alvo, descartando o uso comum que não carrega enquadramento ideológico.

3. Contribuições Principais

1. Inovação Teórica: Primeira abordagem de NLP a utilizar frames semânticos (estilo FrameNet) para refinar a análise de metáforas, demonstrando que a interação entre domínio e frame define a associação específica.
2. Ferramenta Computacional: Desenvolvimento e liberação do ConceptFrameMet, um modelo leve e eficiente que detecta metáforas, prediz domínios-fonte e frames semânticos simultaneamente.
3. Corpus e Taxonomia: Criação de um novo corpus anotado de metáforas sobre mudança climática e uma proposta de usar frames semânticos como uma maneira principista para refinar taxonomias de domínios-fonte (resolvendo ambiguidades como "BATALHA" vs. "GUERRA").
4. Análise Ideológica: Demonstração de que liberais e conservadores, embora usem os mesmos domínios-fonte (ex: ANIMAL, ÁGUA), empregam frames semânticos sistematicamente diferentes para evocar associações distintas (vítima vs. ameaça).

4. Resultados e Descobertas

A. Enquadramento na Mudança Climática (News)

• Ao analisar notícias do New York Times, o framework identificou domínios-fonte salientes como "LUTA" (STRUGGLE) e "GUERRA" (WAR).
• Nuance dos Frames: Dentro do domínio "OBJETO MANIPULADO" (OBJECT HANDLING), o discurso climático foca em frames de ação intencional (Attempt_suasion: "empurrar por", "pressionar"), evitando frames passivos. No domínio "GUERRA", evita-se frames de "Revolução" ou "Invasão", focando-se em "Confronto Hostil". Isso revela que o enquadramento não é apenas "guerra", mas uma guerra específica de negociação e pressão.

B. Discurso sobre Imigração (Twitter/X)

• A análise comparou tweets de liberais e conservadores nos domínios ANIMAL, ÁGUA e GUERRA.
• Domínio ANIMAL:
  • Conservadores: Preferem frames de Agregação ("enxame", "ninho de ratos"), Partes do Corpo ("paws", "garra") e Abundância ("rampant"). Enquadram os imigrantes como uma massa descontrolada e ameaçadora.
  • Liberais: Preferem frames de Caça ("predadores", "presas"), Avaliação Moral e Animais (no sentido de desumanização sofrida). Enquadram os imigrantes como vítimas passivas ou caçadas.
• Domínio ÁGUA:
  • Conservadores: Frames de Preenchimento ("inundação", "transbordar") e Abundância ("saturado"), enfatizando o controle e o excesso.
  • Liberais: Frames de Massa Quantificada ("gotejamento"), Característica Natural ("correntes") ou frames de Morte/Remoção (enfatizando a violência do Estado contra famílias).

C. Desempenho do Modelo vs. LLMs

• O modelo ConceptFrameMet (baseado em RoBERTa) superou modelos de LLMs (Gemini 2.5, Claude Sonnet 4.0) em tarefas de detecção e predição de domínios/frames, especialmente em dados fora da distribuição (zero-shot).
• Os LLMs mostraram tendência a alucinar frames semânticos e a depender de conhecimento prévio (pre-training) em vez de analisar o corpus fornecido, falhando em distinguir nuances estatísticas entre ideologias.

5. Significado e Conclusão

O trabalho estabelece que a análise de metáforas em NLP deve evoluir além da simples classificação de domínios-fonte. A granularidade fornecida pelos frames semânticos é essencial para entender como o mesmo conceito metafórico (ex: "imigrantes como animais") pode ser usado para construir narrativas ideologicamente opostas.

O framework proposto oferece uma metodologia reprodutível e estatisticamente fundamentada para descobrir "metáforas de discurso" (discourse metaphors), permitindo uma análise mais profunda de como a linguagem molda a percepção pública em temas polarizados como clima e imigração. Além disso, o estudo serve como um benchmark crítico, mostrando as limitações atuais dos LLMs em tarefas de análise linguística fina e grounded (ancorada no texto), destacando a necessidade de abordagens híbridas que combinam modelos estatísticos com recursos linguísticos estruturados.