Umm... With Transformers? Insights from Filled Pause Use across Four Slavic Parliaments

Resumo Técnico: Insights sobre o Uso de Pausas Preenchidas em Quatro Parlamentos Eslavos

Definição do Problema
As pausas preenchidas (FPs - filled pauses), como "uh" e "um", são características universais da fala espontânea, mas a pesquisa empírica sobre sua produção tem sido limitada pela dependência de corpora pequenos e de uma única língua. Essa limitação restringe o poder estatístico e a generalização dos achados entre contextos linguísticos e culturais. Além disso, a literatura existente frequentemente confunde traços estáveis do falante com variações de estado dentro das enunciados, tornando difícil distinguir entre estilos de fala habituais e demandas de planejamento momentâneas. Este estudo aborda essas lacunas analisando aproximadamente 4.000 horas de discurso parlamentar em quatro línguas eslavas relacionadas (croata, tcheco, polonês e sérvio) para investigar os preditores das taxas de FP em um cenário de grande escala e linguisticamente diverso.

Metodologia
A pesquisa utiliza o dataset ParlaSpeech, composto por 6.000 horas de discurso parlamentar, filtrado para incluir 1.001.787 enunciados de 1.561 falantes (membros regulares do parlamento) com enunciados de pelo menos 3 segundos e 10 palavras.

• Detecção Automática: As pausas preenchidas foram identificadas usando um modelo baseado em transformer (wav2vec2-bert) treinado em dados eslovenos e testado nos quatro idiomas alvo, alcançando uma pontuação F1 de nível de evento de aproximadamente 0,92.
• Extração de Características: Metadados do falante (gênero, idade, orientação política, status de poder) foram obtidos de registros oficiais. O sentimento foi previsto usando XLM-R-ParlaSent, e a taxa de fala foi calculada como a contagem de vogais silábicas dividida pela duração do áudio.
• Modelagem Estatística: O estudo emprega Equações de Estimativa Generalizada (GEE) com uma distribuição Binomial Negativa para modelar as contagens de FP, utilizando log(duração do áudio) como um offset para expressar os resultados como taxas.
• Estratégia de Decomposição: Um componente metodológico crucial é a aplicação de modelos corrigidos por Mundlak. Esta abordagem decompõe os preditores que variam no tempo em dois componentes:
  1. Efeitos entre falantes (between-speaker): Tendências estáveis de um falante (ex: a idade média de um falante ou seu sentimento habitual).
  2. Efeitos dentro do falante (within-speaker): Desvios da própria linha de base do falante durante enunciados específicos (ex: um falante falando de forma mais positiva do que o habitual em uma sessão específica).
     Esta decomposição permite aos autores distinguir associações de nível de traço de variações de nível de estado. Dez modelos foram ajustados: especificações de linha de base e corrigidas por Mundlak, estimadas tanto globalmente (agrupadas/pooled) quanto separadamente para cada parlamento.

Principais Resultados
A análise produz achados distintos em relação a preditores estabelecidos e novos de taxas de FP:

• Gênero: Contrariando grande parte da literatura prévia que relata taxas de FP mais altas em homens, este estudo descobre que, globalmente, os falantes do sexo masculino produzem significativamente menos FPs do que as falantes do sexo feminino (Razão de Taxa de Incidência [IRR] = 0,636). Este efeito é robusto e impulsionado inteiramente pelos parlamentos eslavos do sul (Croácia e Sérvia), onde a redução é substancial. Nos parlamentos eslavos ocidentais (República Tcheca e Polônia), as diferenças de gênero não foram significativas.
• Idade: Foi confirmada uma associação negativa entre a idade e a taxa de FP. Globalmente, cada década adicional de idade corresponde a uma redução de 13,8% nas FPs. Isso contrasta com alguns corpora conversacionais que relatam aumento de FPs com a idade, reforçando a dependência de domínio dos efeitos da idade.
• Taxa de Fala: Existe uma forte correção negativa entre a taxa de fala e a taxa de FP. O componente dentro do falante é o preditor mais forte no dataset, indicando que as demandas de planejamento momento a momento (desacelerar e hesitar) impulsionam a produção de FP mais do que o ritmo habitual do falante.
• Sentimento: Foi encontrada uma associação positiva consistente entre o sentimento e a taxa de FP. Os falantes utilizam mais FPs quando expressam um sentimento mais positivo. Este efeito é estável dentro dos falantes em todos os quatro parlamentos, sugerindo que as demandas comunicativas positivas aumentam a hesitação, independentemente do estilo de base do falante.
• Orientação Política: Não foi encontrada nenhuma associação global confiável entre a posição ideológica habitual de um falante e a produção de FP. No entanto, a análise dentro do falante revelou que, na Croácia e na Polônia, sessões onde a filiação partidária de um falante era mais à direita do que sua linha de base usual foram associadas a taxas de FP mais altas. Este efeito esteve ausente na República Tcheca e na Sérvia.
• Status de Poder: Falantes da oposição globalmente tendem a produzir menos FPs do que membros da coalizão governante (IRR = 0,792). Este efeito foi significativo na República Tcheca e na Croácia. Notavelmente, a Sérvia mostrou uma tendência positiva limítrofe (oposição falando com mais FPs), sugerindo dinâmicas políticas únicas naquele contexto.

Significância e Contribuições
O artigo reivindica várias contribuições significativas para o campo da paralinguística computacional:

1. Escala e Generalização: Ao analisar quase 4.000 horas de fala em quatro línguas, o estudo demonstra que muitos efeitos relatados em estudos menores de uma única língua (especialmente em relação a gênero e idade) não são universais, mas sim dependentes de linguagem ou de domínio.
2. Rigor Metodológico: A aplicação de modelos GEE corrigidos por Mundlak fornece um framework robusto para separar os traços estáveis do falante da variação do enunciado. Os resultados destacam que o componente dentro do falante (variação de nível de estado) é frequentemente um preditor mais forte da produção de FP do que os traços entre falantes, particularmente para a taxa de fala e o sentimento.
3. Preditores Inovadores: O estudo estabelece o sentimento como um preditor consistente das taxas de FP, uma relação raramente explorada em trabalhos quantitativos prévios. Também fornece a primeira evidência quantitativa de grande escala sobre o impacto da orientação política e do status de poder na disfluência, revelando padrões complexos e específicos de cada parlamento, em vez de simples tendências lineares.
4. Especificidade de Domínio: Os autores enfatizam que seus achados são específicos do domínio parlamentar. A reversão dos efeitos de gênero nos parlamentos eslavos do sul e a modulação específica das taxas de FP pelo status de poder sugerem que gêneros de fala formais e orientados a tarefas podem neutralizar ou inverter padrões observados na conversação informal.

O artigo conclui que corpora de grande escala, anotados por modelos transformer e multilingues, são essenciais para compreender a produção de FP e que é necessária cautela ao generalizar achados de estudos de pequena escala para contextos linguísticos ou culturais mais amplos.