Decolonizing Linguistic Policies in Automated Speech Recognition: A Framework for Cross-Culturally Competent Speech AI

Resumo Técnico: Descolonizando Políticas Linguísticas em Reconhecimento Automático de Fala

Problema
O artigo argumenta que as falhas persistentes no Reconhecimento Automático de Fala (ASR) e em interfaces de voz mediadas por ASR para variedades linguísticas de baixos recursos, indígenas e não padronizadas não são meramente erros técnicos ou escassez de dados. Em vez disso, essas falhas são os resultados previsíveis de políticas linguísticas implícitas incorporadas no design, avaliação e implementação do ASR. Essas políticas reproduzem hierarquias linguísticas coloniais ao definir quais vozes são "legíveis pela máquina" e quais são ininteligíveis. Os regimes de avaliação atuais, dominados pela Taxa de Erro de Palavra (WER), falham em capturar a natureza estrutural dessas falhas, que variam desde o acesso negado a serviços públicos e saúde até a indignidade de ser tornado ininteligível. O artigo postula que os sistemas de ASR operacionalizam o capital linguístico (valorizando variedades de prestígio sobre as marginalizadas) e as ideologias raciolinguísticas (julgando a fala através da identidade percebida do falante) por meio de três camadas técnicas: curadoria de dados, seleção de métricas e priors do modelo.

Metodologia e Estrutura Teórica
O artigo emprega uma síntese teórica em vez de uma nova arquitetção experimental. Ele integra quatro tradições intelectuais para analisar a arquitetura política do ASR:

1. Teoria do Capital Linguístico: Explica como o poder institucional atribui valor a variedades linguísticas específicas.
2. Ideologia Raciolinguística: Analisa como julgamentos sociais sobre raça e identidade moldam as práticas de escuta e o treinamento do sistema.
3. Pesquisa de Política Linguística: Examina como as instituições gerenciam o uso da linguagem, adaptada aqui para a "política linguística computacional".
4. Computação Decolonial: Critica como a infraestrutura técnica estende as relações e epistemologias coloniais.

Utilizando essa síntese, os autores propõem duas ferramentas analíticas primárias:

• O Modelo de Situacionalidade de Sete Camadas: Um mapa diagnóstico (Figura 1) que se move do nível superficial de "Linguagem" (rótulos suportados) passando por "Nação", "Região", "Identidade Étnico-linguística" e "Ideologia Sociolinguística", até chegar a "Correlações de Justiça Social" e "Implicações Sociotécnicas". Este modelo ilustra como os sistemas de ASR frequentemente ignoram práticas de fala situadas (ex: alternância de código/code-switching, variações tonais, dialetos regionais) em favor de normas padronizadas.
• A Taxonomia dos Três Danos (3M): Uma classificação de modos de falha que vai além da precisão da transcrição:
  • Erro de Reconhecimento (Misrecognition): Transcrições incorretas, palavras omitidas ou recusa total em reconhecer uma variedade linguística.
  • Desalinhamento (Misalignment): Saída plausível que interpreta erroneamente significados culturalmente situados (ex: perda de honoríficos, má leitura de pragmática ou falha ao lidar com a alternância de código).
  • Desconfiança (Mistrust): O dano relacional onde os usuários se desengajam devido à percepção de falta de confiabilidade, desrespeito ou riscos de vigilância.

Principais Contribuições
O artigo apresenta três contribuições integradas:

1. Relato Teórico: Reenquadra as falhas de ASR como políticas linguísticas estruturais aplicadas através de dados, métricas e priors de modelos. Demonstra como decisões técnicas (ex: diretrizes de transcrição, composição de benchmarks, comportamentos de fallback) funcionam como política mesmo sem documentação formal.
2. Taxonomia 3M e Protocolo de Auditoria: Introduz a estrutura de Erro de Reconhecimento, Desalinhamento e Desconfiança como um diagnóstico operacional. Crucialmente, propõe um Protocolo de Auditoria Mínima 3M que inclui:
   • Definir contexto e risco.
   • Construir conjuntos de teste culturalmente fundamentados (incluindo idiomas, honoríficos e alternância de código).
   • Especificar papéis de avaliadores (exigindo avaliadores da comunidade fluentes).
   • Anotar modos de falha usando um código compartilhado.
   • Adjudicar disputas via avaliadores da comunidade, em vez de votos majoritários externos.
   • Também defende métricas além da WER, como a Taxa de Erro de Tom (TER) para línguas tonais e taxas de erro específicas de cliques para línguas como Xhosa e Zulu.
3. Estrutura Participativa para ASR Culturalmente Competente: O artigo propõe uma estrutura de quatro pilares (Figura 2) que reatribui a autoridade de design e avaliação às comunidades afetadas:
   • Auditoria Participativa: As comunidades lideram a identificação de falhas usando a taxonomia 3M.
   • Co-design Comunitário: As comunidades definem o comportamento "correto", diretrizes de anotação e governança de dados (incluindo o direito de retirar dados).
   • Implementação Equitativa: As comunidades determinam condições de implementação, regras de fallback e salvaguardas de risco.
   • Integração de Feedback: Um ciclo onde falhas identificadas pela comunidade acionam obrigações de reparo e atualizações do sistema.

Resultos e Descobertas
Como um artigo conceitual e metodológico, ele não reporta novos resultados experimentais ou pontuações de benchmark. Em vez disso, seus "resultados" são a identificação de mecanismos específicos através dos quais o dano ocorre:

• Curadoria de Dados: A seleção de dados de treinamento reflete hierarquias coloniais, tratando línguas de "baixos recursos" como inerentemente pobres em recursos, em vez de politicamente marginalizadas.
• Métricas: Mostra-se que a WER é insuficiente para línguas tonais (onde o tom carrega significado lexical) e línguas com ortografias não padronizadas, muitas vezes colapsando características fonológicas distintas em pontuações de erro únicas.
• Priors do Modelo: Modelos de linguagem penalizam a alternância de código e sequências não padronizadas, forçando efetivamente os falantes a se adaptarem às normas de prestígio para serem reconhecidos.
• Evidência de Caso: O artigo cita literatura existente (ex: Koenecke et al. sobre Inglês Afro-Americano, Mensah et al. sobre ASR de Akan) para demonstrar que o descompasso de domínio leva a erro de reconhecimento, desalinhamento e desconfiança, validando a necessidade do quadro proposto.

Significância e Alegações
O artigo reivindica significância não ao oferecer uma nova arquitetura de ASR, mas ao fornecer um framework de avaliação centrado no ser humano para identificar danos culturalmente situados que regimes centrados em WER subespecificam.

• Argumenta que a competência cultural não pode ser reduzida à precisão agregada ou cobertura de nível de linguagem; requer abordar o alinhamento pragmático e a confiança.
• Posiciona a recusa e o não-reconhecimento como resultados de design legítimos. Os autores argumentam que as comunidades devem ter a agência para decidir quando sua fala não deve ser legível por máquina (ex: para privacidade, protocolo cultural ou resistência à vigilância), enquadrando a "inteligibilidade seletiva" como uma forma de governança, e não como uma falha técnica.
• O trabalho serve como um chamado para mudar o desenvolvimento de ASR da coleta extrativa de dados para a governança participativa, onde as comunidades afetadas atuam como co-designers, avaliadores e parceiros de governança para reparar a "relação de legitimidade falha" entre sistemas de fala e falantes marginalizados.

O artigo conclui que, para o ASR cumprir sua promessa de conexão transcultural, ele deve confrontar os legados coloniais que determinam quem tem o direito de falar, quem é compreendido e quem constrói os sistemas que ouvem.