Methods, Data, and Conceptual Change: Reflections from Two Quantitative Diachronic Case Studies

Resumo Técnico: Métodos, Dados e Mudança Conceitual

Declaração do Problema
O artigo aborda uma lacuna metodológica crítica na linguística diacrônica: a suposição de que a análise quantitativa pode recuperar diretamente a mudança linguística "inerente" sem considerar como as propriedades dos conjuntos de dados moldam os padrões observáveis. Os autores argumentam que a mudança diacrônica não é meramente uma propriedade da língua a ser extraída, mas é co-constituída pela interação entre as propriedades estruturais dos conjuntos de dados históricos (por exemplo, variação ortográfica, heterogeneidade de gêneros, regularidade sintática) e os métodos analíticos empregados. Consequentemente, diferentes métodos aplicados a diferentes conjuntos de dados tornam visíveis diferentes dimensões da mudança semântica, enquanto obscurecem outras. O artigo busca esclarecer os limites das abordagens puramente lexicais baseadas em frequência e demonstrar como a estrutura do conjunto de dados condiciona a confiabilidade da detecção de tipos específicos de mudança semântica.

Metodologia
O artigo emprega uma abordagem comparativa baseada em exemplos, utilizando dois métodos quantitativos distintos aplicados a dois corpora históricos diferentes do inglês. Em vez de propor um novo algoritmo, os autores utilizam esses "exemplos práticos" para ilustrar as interações entre método e dados.

1. Estudo de Caso 1: Modelagem de Conceitos Baseada em Quadros (EEBO-TCP)

   • Conjunto de Dados: O corpus da Parceria de Criação de Textos dos Livros Ingleses Iniciais Online (EEBO-TCP) (c. 1470–1690; ~765 milhões de palavras). Este conjunto de dados caracteriza-se por alta heterogeneidade em gênero, registro e variação ortográfica substancial.
   • Método: Modelagem de conceitos baseada em quadros (do projeto Linguistic DNA). Esta abordagem identifica conjuntos de quatro lemas fortemente co-ocorrentes ("quadros") dentro de uma janela móvel (tipicamente 100 palavras).
   • Pré-processamento: O pipeline depende de normalização de texto e lematização para lidar com variações ortográficas típicas da impressão moderna inicial.
   • Operacionalização: Os conceitos são modelados como "constelações"—redes agregadas de quadros em torno de lemas focais. O significado é definido por padrões recorrentes de associação lexical em diversos ambientes textuais, em vez de relações sintáticas detalhadas.

2. Estudo de Caso 2: Análise SynFlow (Corpus da Royal Society)

   • Conjunto de Dados: Um subconjunto do Corpus da Royal Society (RSC) 6.0.4, especificamente escrita científica de 1750–1799 (~351 mil tokens). Este conjunto de dados representa um gênero mais coerente (prosa científica) com ortografia e estrutura sintática relativamente consistentes.
   • Método: SynFlow, uma ferramenta de análise baseada em dependência.
   • Pré-processamento: O corpus foi reanalisado usando o Stanza (um analisador de última geração para o inglês moderno) para gerar árvores de dependência, apesar de problemas conhecidos com ruído de OCR e ortografia histórica no texto fonte.
   • Operacionalização: Os conceitos são representados pela distribuição de preenchimentos lexicais em slots de dependência específicos (por exemplo, modificação adjetival, sujeito, objeto). O significado é operacionalizado através de padrões de co-ocorrência sintática e papéis funcionais dentro de ambientes linguísticos estruturados.

Principais Resultados
A análise comparativa produz achados específicos sobre como método e dados interagem:

• Achados do EEBO-TCP: No corpus heterogêneo EEBO-TCP, a modelagem baseada em quadros estabilizou com sucesso estruturas conceituais apesar do ruído ortográfico. A análise revelou que sinônimos próximos como liberty (liberdade) e freedom (liberdade), embora lexicalmente intercambiáveis, possuem "constelações" distintas de associação. Liberty agrupou-se em torno de discurso institucional e legal, enquanto freedom agrupou-se em torno de contextos morais e espirituais. Isso demonstra que a divergência conceitual é observável através de padrões discursivos agregados, e não através da frequência individual de palavras.
• Achados do RSC: No Corpus da Royal Society, o SynFlow capturou com sucesso a reorganização semântica de conceitos como air (ar), water (água) e acid (ácido) durante a Revolução Química. Especificamente, o conceito de air mudou de uma substância geral para um conjunto quimicamente diferenciado de "ares", evidenciado por uma mudança no slot adjetival de termos gerais para modificadores químicos específicos.
• Robustez dos Dados: Apesar da presença de ruído de OCR e variações ortográficas históricas no RSC, o uso de um analisador pronto (Stanza) produziu resultados confiáveis para itens de alta frequência e relações de dependência principais. No entanto, os autores observam que essa confiabilidade é contingente à proximidade linguística do texto do século XVIII com o inglês moderno; a abordagem pode não ser confiável para períodos anteriores com maior distância linguística.

Principais Contribuições
O artigo faz três contribuições metodológicas primárias:

1. Interdependência Método-Dado: Estabelece que a análise quantitativa não é neutra em relação ao método. A mudança "observável" é moldada pela forma como os conjuntos de dados codificam o contexto e como os métodos operacionalizam a estrutura. Métodos baseados em agregação adequam-se a dados heterogêneos e ruidosos, enquanto métodos baseados em dependência adequam-se a dados regulares e sintaticamente consistentes.
2. Operacionalização do Significado: O artigo contrasta duas operacionalizações distintas de "conceito": uma como uma rede distribuída de associações lexicais (baseada em quadros) e a outra como um perfil estruturado de relações sintáticas (SynFlow). Argumenta-se que essas abordagens revelam dimensões diferentes e complementares da mudança semântica.
3. Limites das Abordagens Baseadas em Frequência: O estudo destaca que abordagens puramente lexicais baseadas em frequência podem obscurecer a organização conceitual subjacente. Padrões de associação mais complexos (quadros) ou estruturas relacionais (dependências) são frequentemente necessários para detectar mudanças conceituais sutis.

Significado e Alegações
Os autores posicionam modestamente este trabalho como uma "reflexão metodológica" em vez de uma proposta para um novo método universal ou uma avaliação empírica completa. O significado do artigo reside em seu chamado por maior transparência metodológica e sensibilidade ao contexto na pesquisa diacrônica.

O artigo argumenta que os pesquisadores devem reconhecer explicitamente as suposições subjacentes ao pré-processamento de dados, anotação e modelagem analítica. Sustenta que as interpretações da mudança histórica devem ser compreendidas em relação à interação específica entre o método escolhido e as affordances e limitações do conjunto de dados. Ao colocar diferentes estratégias analíticas em paralelo, o artigo defende uma abordagem flexível onde os métodos são avaliados com base em sua adequação aos conjuntos de dados específicos que interrogam, em vez de buscar um único método "ótimo" para todas as investigações linguísticas históricas.