Neural Recovery of Historical Lexical Structure in Bantu Languages from Modern Data

Resumo Técnico: Recuperação Neural da Estrutura Lexical Histórica em Línguas Bantu

Título Original: Neural Recovery of Historical Lexical Structure in Bantu Languages from Modern Data
Autores: Hillary Mutisya, Thiomi NLP, John Mugane (Harvard University)

1. O Problema (Problem)

A reconstrução do Proto-Bantu (o ancestral comum de mais de 500 línguas da África subsaariana) é tradicionalmente realizada através do método comparativo da linguística histórica. Este processo é extremamente trabalhoso, exigindo décadas de análise manual de correspondências fonéticas regulares entre línguas descendentes.

O desafio central desta pesquisa é determinar se modelos neurais, treinados exclusivamente em dados morfológicos modernos, são capazes de recuperar estruturas lexicais translinguais que sejam consistentes com as reconstruções históricas estabelecidas, sem que tenham sido explicitamente treinados para fins de linguística histórica.

2. Metodologia (Methodology)

Os pesquisadores utilizaram uma abordagem baseada em representações vetoriais (embeddings) para identificar padrões de parentesco:

• Modelo Base: Utilizaram o BantuMorph v7, um transformer de nível de caractere (ByT5-small, 300M parâmetros) pré-treinado em paradigmas morfológicos de 16 línguas Bantu.
• Amostragem: O estudo focou em 14 línguas das zonas Oriental e Meridional de Guthrie.
• Processamento de Embeddings:
  • Extração de embeddings do codificador (encoder) com mean pooling.
  • Aplicação de centralização linguística (language centering): subtraiu-se a média de cada língua no espaço vetorial para remover vieses específicos do sistema de escrita e distribuição de tokens, isolando apenas a informação morfológica e semântica compartilhada.
• Descoberta de Cognatos: Identificação de léxicos que são "vizinhos mais próximos" no espaço vetorial centralizado, filtrando termos compartilhados por 5 ou mais línguas.
• Validação Cruzada:
  • Recursos Históricos: Comparação com o banco de dados BLR3 (reconstruções de Proto-Bantu) e o vocabulário básico ASJP.
  • Validação de Modelo Independente: Uso do modelo de tradução NLLB-600M para verificar se os padrões de cognatos e agrupamentos filogenéticos eram consistentes em arquiteturas diferentes.

3. Principais Contribuições (Key Contributions)

• Demonstração de Recuperação de Estrutura: Provar que modelos morfológicos modernos codificam, como subproduto, relações históricas profundas.
• Escalabilidade na Identificação de Cognatos: Propor um mecanismo de triagem (screening) que gera candidatos a cognatos em larga escala para avaliação de especialistas.
• Análise de Classes Nominais: Demonstração de que o sistema de classes nominais (característica central do Proto-Bantu) é preservado nos embeddings de forma que permite a generalização entre línguas.
• Mitigação de Artefatos Modernos: Discussão e métodos para distinguir cognatos reais de empréstimos adaptados (ex: "hospital") ou nomes próprios estrangeiros.

4. Resultados (Results)

• Cognatos de Substantivos: Dos 11 principais candidatos a substantivos de maior confiança, 90,9% (10 de 11) alinharam-se com formas reconstruídas do Proto-Bantu (ex: *ntU 'pessoa', *gombe 'vaca').
• Cognatos de Verbos: Foram identificados 12 verbos que coincidem com reconstruções históricas, como *-bon- ('ver') e *-jÍm- ('estar de pé'), com abrangência geográfica massiva.
• Sistema Numérico: O modelo recuperou com sucesso numerais altamente estáveis, como *tàtù ('três') e *kèndà ('nove'), presentes em diversas zonas linguísticas.
• Estrutura Filogenética: O agrupamento (clustering) dos embeddings recuperou com precisão as zonas de Guthrie. O modelo conseguiu distinguir sub-ramos finos (como a zona E) com alta significância estatística ($p < 0,01$).
• Classes Nominais: Todas as 13 classes nominais produtivas mantiveram uma similaridade de cosseno $> 0,83$, com similaridade dentro da mesma classe sendo significativamente maior do que entre classes diferentes ($p < 10^{-9}$).

5. Significância (Significance)

O estudo conclui que a inteligência artificial pode servir como uma ferramenta poderosa de apoio à linguística histórica. Embora o modelo não substitua o método comparativo (pois não realiza reconstrução fonológica formal), ele atua como um mecanismo de descoberta de alta eficiência.

A convergência entre o modelo morfológico (BantuMorph) e o modelo de tradução (NLLB) sugere que a estrutura histórica é um sinal robusto presente nos dados modernos. O trabalho abre caminho para o uso de modelos neurais na reconstrução de outras famílias linguísticas, desde que se tenha cuidado para distinguir entre retenções ancestrais, inovações regionais e difusão por contato.