Resumo Técnico: CoPiT – Tradução de Pivô Cognitivo para o Mongol de Baixo Recurso Digráfico

1. Declaração do Problema

A tradução automática (MT) para línguas de baixo recurso (LRLs) continua sendo um desafio significativo, particularmente para o mongol, uma língua digráfica escrita em dois sistemas de escrita distintos: Cirílico e Tradicional. Enquanto o sistema cirílico é relativamente bem dotado de recursos e fonemicamente consistente, o sistema Tradicional é severamente escasso em dados e ortograficamente ambíguo.

As principais dificuldades identificadas são:

• Desequilíbrio de Recursos: A vasta maioria dos dados textuais e das tecnologias de linguagem existe para o sistema cirílico. O sistema Tradicional, apesar de representar a mesma língua, sofre de um "desequilíbrio de recursos hierárquico", levando a um desempenho insatisfatório em tarefas de tradução direta.
• Ambiguidade Ortográfica: O sistema Tradicional é escrito verticalmente, com formas de letras que variam conforme o contexto posicional. Crucialmente, muitas distinções fonológicas e morfológicas (como a harmonia vocálica) não são explicitamente codificadas. Uma única forma escrita pode corresponder a múltiplas interpretações plausíveis, causando uma degradação substancial no desempenho da tradução direta.
• Limitações de LLMs: Os Grandes Modelos de Linguagem (LLMs) atuais têm dificuldade com o sistema Tradicional, frequentemente falhando em resolver essas ambiguidades ou até mesmo sinalizando conteúdos válidos como prejudiciais devido à complexidade do sistema de escrita.

2. Metodologia: Pipeline CoPiT

Os autores propõem o CoPiT (Tradução de Pivô Cognitivo), um pipeline de múltiplos estágios inspirado na forma como leitores fluentes de mongol processam o sistema Tradicional. Em vez de traduzir diretamente do ambíguo sistema Tradicional para a língua alvo, o CoPiT roteia a tradução através do sistema cirílico como uma representação intermediária. Esta abordagem resolve explicitamente a ambiguidade induzida pelo sistema de escrita antes que a tradução semântica ocorra.

O pipeline consiste em dois estágios primários:

Estágio 1: Pivô de Tradicional para Cirílico

Este estágio converte o texto em mongol Tradicional em uma representação cirílica desambiguada através de um processo estruturado e motivado linguisticamente:

1. Segmentação Morfológica:

   • O sistema de escrita Tradicional frequentemente insere espaços antes dos sufixos em vez de anexá-los aos radicais, tornando o espaço em branco um indicador de limite pouco confiável.
   • O sistema realiza uma divisão baseada em espaços em branco seguida por uma fusão guiada por dicionário de radicais e sufixos para criar segmentos morfologicamente coerentes.

2. Desambiguação de Escrita Multi-etapas:

   • Recuperação da Harmonia Vocálica: Infere a classe de harmonia vocálica (masculina ou feminina) para cada segmento com base na primeira vogal e nas regras fonológicas padrão. Isso elimina interpretações que violam restrições fonológicas.
   • Normalização Assistida por Latim: Mapeia as unidades segmentadas para uma representação intermediária baseada em Latim. Este passo torna explícitas as distinções fonológicas implícitas, aproveitando a harmonia vocálica recuperada para desambiguar formas mediais visualmente ambíguas.
   • Normalização Cirílica: Mapeia os segmentos normalizados em Latim para uma forma cirílica canônica. Guiado pela representação em Latim fonologicamente esclarecida, o modelo resolve as variações ortográficas restantes para selecionar uma realização cirílica única e bem formada.

3. Reconstrução de Sentença com Autorreflexão:

   • Os segmentos desambiguados são montados em uma sentença completa.
   • Um componente de autorreflexão revisa os segmentos localmente desambiguados para identificar e revisar escolhas que criem inconsistências semânticas ou gramaticais ao nível da sentença (ex: escolha de lemma, marcação de caso, tempo verbal). Isso garante a coerência global antes da tradução.

Estágio 2: Tradução

A representação cirílica desambiguada resultante é traduzida para a língua alvo (Inglês, Coreano ou Russo) usando um LLM com ajuste de prompt (prompt-tuned). Ao resolver a ambiguidade do sistema de escrita a montante (upstream), o modelo de tradução foca na transferência de significado translinguística em vez da interpretação da escrita.

Estratégia de Treinamento

Os componentes do pipeline são treinados independentemente usando Ajuste Fino Supervisionado (SFT) com adaptação de eficiência de parâmetros (LoRA):

• Componentes de Nível de Palavra: A Recuperação de Harmonia Vocálica, a Normalização Assistida por Latim e a Normalização Cirílica são treinadas em um conjunto de dados lexical paralelo curado de Tradicional–Cirílico (14.125 entradas) derivado de dicionários.
• Componente de Nível de Sentença: O módulo de Autorreflexão é treinado em pares de revisão ciríclicos sintéticos (2.061 pares), construídos convertendo texto Tradicional para Cirílico via um LLM base e pareando hipóteses imperfeitas com contrapartidas cirílicas originais.

3. Principais Contribuições

1. Pipeline CoPiT: Um pipeline de tradução de múltiplos estágios, motivado cognitivamente, que resolve a ambiguidade induzida pela escrita no mongol Tradicional ao pivotar através do sistema cirílico, evitando a necessidade de corpora paralelos de larga escala para o sistema Tradicional.
2. Novo Conjunto de Dados: Lançamento de um corpus paralelo multissistema que alinha o mongol Tradicional e o Cirílico com Inglês, Coreano e Russo, abordando uma lacuna crítica de recursos para MT digráfica de baixo recurso.
3. Ganhos de Desempenho: Demonstração de que o CoPiT supera consistentemente a tradução direta em vários modelos de base (Qwen-3, Ministral-3) e línguas alvo.
4. Geração de Dados Sintéticos: Validação de que o pipeline pode gerar dados paralelos sintéticos de alta qualidade (8.034 pares de sentenças) a partir de fontes reais em sistema Tradicional, permitindo a tradução bidirecional e melhorando o desempenho em ambas as direções.

4. Resultados Experimentais

Os experimentos foram conduzidos para os alvos Inglês, Coreano e Russo usando métricas baseadas em referência (BLEU, chrF, COMET) e sem referência (COMETKiwi, avaliação humana).

• Melhoria de Desempenho: O CoPiT superou consistentemente a tradução direta.
  • Zero-shot: Mesmo sem ajuste fino, o CoPiT mostrou ganhos mensuráveis, particularmente para línguas tipologicamente distantes como Coreano e Russo.
  • Ajuste Fino (Fine-tuned): Com o ajuste fino dos componentes, os ganhos foram substanciais. Por exemplo, no modelo Ministral-3 (14B), as pontuações COMET aumentaram em +0,240 (Inglês), +0,279 (Coreano) e +0,255 (Russo) em comparação com a tradução direta.
  • Comparação de Benchmark: Os modelos CoPiT de código aberto ajustados igualaram ou excederam o desempenho de tradução direta do GPT-4.1.
• Estudo de Ablação:
  • A Autorreflexão foi identificada como o componente mais crítico; sua remoção levou a uma degradação substancial do desempenho em todas as línguas.
  • A Recuperação de Harmonia Vocálica e a Normalização Assistida por Latim forneceram ganhos complementares, com o pipeline completo beneficiando-se da interação de todos os componentes.
• Utilidade de Dados Sintéticos: Os 8.034 pares de sentenças gerados pelo CoPiT foram usados com sucesso para treinar modelos de tradução, melhorando tanto a direção Mongole Tradicional $\to$ Alvo quanto a direção Alvo $\to$ Mongole Tradicional.

5. Significância e Alegações

O artigo afirma que o CoPiT oferece uma solução prática para a tradução automática digráfica de baixo recurso ao alavancar a hierarquia interna de recursos de uma única língua. Ao resolver explicitamente a ambiguidade do nível da escrita através de um pivô de inspiração cognitiva, o método:

• Permite que modelos de código aberto robustos compitam com modelos proprietários (como o GPT-4.1) em cenários de baixo recurso.
• Mitiga a escassez de dados ao permitir a construção de dados paralelos sintéticos diretamente de fontes de sistema Tradicional sub-representadas.
• Fornece um framework que pode ser adaptado para outras línguas digráficas onde um sistema de escrita é significativamente mais dotado de recursos que o outro.

Os autores enfatizam que esta abordagem não requer corpora paralelos de larga escala para o sistema de escrita de baixo recurso, baseando-se, em vez disso, em uma pequena quantidade de dados para conversão de escrita e nas forças inerentes do sistema de escrita melhor dotado de recursos.