💬 NLP

Wisdom in Unity: The Role of Multilingual Training in Figurative Language Identification in Proverbs

Este artigo demonstra que a supervisão multilíngue, particularmente ao incorporar formas figurativas diversas como provérbios de Cultura Específica e Morais/Consultivos, melhora significativamente o desempenho da identificação de linguagem figurada e sugere uma mudança em direção a estruturas multidimensionais de nível conceitual para além das abordagens centradas em metáforas.

Autores originais: Rama Alomair, Remas Alsubaie, Walaa Saifalislam, Rima Alsonbul, Mona Alnajjar, Razan Aldossari, Haya Alibrahim, Abeer Aldayel

Publicado 2026-08-11

📖 3 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Rama Alomair, Remas Alsubaie, Walaa Saifalislam, Rima Alsonbul, Mona Alnajjar, Razan Aldossari, Haya Alibrahim, Abeer Aldayel

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando ensinar um robô a entender piadas, enigmas e ditados populares humanos. Isso não é apenas traduzir palavras de uma língua para outra; trata-se de compreender o significado oculto por trás delas. No mundo da ciência da computação, isso é chamado de "linguagem figurada". Pense nisso como um código secreto onde "está chovendo cachorros e gatos" não significa que animais estão caindo do céu, mas que a chuva está forte. Os provérbios são o teste definitivo para esses robôs porque são curtos, repletos de sabedoria cultural e, muitas vezes, não fazem sentido se forem interpretados literalmente. Por muito tempo, os cientistas tentaram ensinar os computadores a identificar esses ditados usando apenas um idioma de cada vez, como estudar piadas em inglês em uma sala de aula apenas de inglês. Mas o mundo real é bagunçado e multilíngue, então os pesquisadores queriam saber: se mostrarmos um provérbio em várias línguas diferentes ao mesmo tempo, ele fica mais inteligente? Ver um provérbio em francês, japonês e árabe ajuda o robô a entender melhor o provérbio em inglês?

Este artigo, intitulado "Wisdom in Unity" (Sabedoria na Unidade), mergulha exatamente nessa questão usando uma coleção massiva de 742 conceitos de provérbios traduzidos para sete idiomas diferentes (árabe, inglês, francês, alemão, russo, japonês e espanhol), totalizando mais de 6.700 exemplos. Os pesquisadores não perguntaram apenas se um provérbio é "figurado" ou "literal"; eles o decomporam em quatro sabores específicos de significado: Metafórico (usando imagens ou símbolos), Moral/Consultivo (dando uma lição ou aviso), Causa–Efeito (conectando uma ação a um resultado) e Específico de uma Cultura (exigindo conhecimento local profundo para entender a piada). Eles testaram cinco modelos de computador diferentes, variando de codificadores padrão a modelos de linguagem de grande escala (LLMs) avançados e "ajustados por instrução", para ver o quão bem eles performavam quando treinados com diferentes quantidades desses exemplos traduzidos.

Aqui está o que eles descobriram, e é um pouco como encontrar a receita perfeita para um smoothie multilíngue. Primeiro, eles descobriram que você não precisa alimentar o robô com todos os provérbios traduzidos para obter ótimos resultados. Na verdade, alimentar os modelos com cerca de 50% dos dados de treinamento traduzidos foi o suficiente para atingir um desempenho quase perfeito. Adicionar mais dados além desse ponto (indo de 50% para 100%) não ajudou muito, sugerindo que os modelos atingiram um "ponto ideal" onde aprenderam o suficiente para generalizar.

Segundo, e de forma surpreendente, o tipo de provérbio importa muito. Os pesquisadores descobriram que os provérbios "Específicos de uma Cultura" — aqueles que são mais difíceis de entender porque dependem de história ou religião locais — na verdade tiveram o maior aumento de desempenho quando os modelos foram treinados com dados multilíngues. É como se ver o provérbio em diferentes contextos culturais ajudasse o robô a finalmente decifrar o código do que o torna único. Enquanto isso, os tipos mais comuns, como as metáforas, não tiveram um ganho tão grande com os idiomas extras.

Finalmente, o estudo mostrou que nenhum "sabor" de provérbio é suficiente por si só. Os modelos performaram melhor quando foram treinados em uma mistura de todos os quatro tipos. Acontece que, embora alguns modelos possam ser ótimos em detectar lições morais e outros em detectar causa e efeito, combinar todas essas diferentes perspectivas cria o entendimento geral mais forte. Os autores sugerem que, em vez de apenas procurar por metáforas, a IA do futuro precisa ser treinada para reconhecer essas diferentes e complementares camadas de significado para realmente compreender a sabedoria escondida em nossa coleção global de provérbios.

Resumo Técnico: Sabedoria na Unidade

Declaração do Problema
A interpretação de linguagem figurada, particularmente de provérbios, continua sendo um gargalo significativo para o Processamento de Linguagem Natural (PLN). Diferente do texto literal, a essência semântica de um provérbio é frequentemente "não composicional", o que significa que seu significado não pode ser derivado apenas dos significados individuais de suas palavras constituintes. Enquanto trabalhos anteriores trataram a figuratividade como um fenômeno linguístico focado em dispositivos retóricos específicos (ex: metáforas, símiles, expressões idiomáticas), há uma falta de compreensão sobre como a supervisão multilíngue traduzida contribui para a identificação de linguagem figurada. Além disso, abordagens existentes frequentemente dependem de dados de treinamento homogêneos em termos de idioma ou classificação binária, carecendo de um arcabouço matizado para analisar como diferentes dimensões do significado figurativo se transferem entre línguas.

Metodologia
O estudo aborda essas lacunas por meio de uma avaliação abrangente da supervisão multilíngue na identificação de provérbios usando um conjunto de dados de 742 conceitos de provérbios únicos representados por 6.787 instâncias traduzidas em sete idiomas: árabe, inglês, francês, alemão, russo, japonês e espanhol.

Arcabouço de Anotação Multidimensional: Indo além da classificação binária figurativo-vs-literal, os autores introduzem um arcabouço de anotação refinado e fundamentado em teoria baseado na Teoria da Relevância. Este arcabouço caracteriza os provérbios através de quatro formas figurativas complementares e não exclusivas:
- Metafórica: Significado transmitido através de imagens, analogia ou entidades simbólicas.
- Moral/Advisória: Orientação, avisos ou julgamentos éticos.
- Causa–Efeito: Ligações entre ações e seus resultados.
- Específica de Cultura: Significados que requerem conhecimento cultural, religioso, histórico ou local.
  As anotações foram realizadas em um subconjunto de verdade fundamental (ground-truth) de 83 conceitos por anotadores humanos, alcançando concordância substancial (Cohen's $\kappa$ de até 0,622). O restante do conjunto de dados foi rotulado usando modelos de supervisão fraca (XLM-RoBERTa para classificação binária, embeddings E5 com Regressão Logística para multi-rótulo).
Configuração Experimental: Os autores avaliaram cinco modelos representando diferentes famílias arquiteturais: Regressão Logística (baseline), mBERT, XLM-RoBERTa Large, Aya-8B e Qwen2.5-3B (LLMs ajustados por instrução).
- Supervisão Progressiva (RQ1): Os modelos foram treinados com dados de língua de origem fixos enquanto aumentavam progressivamente a proporção de dados de treinamento multilíngues traduzidos (0%, 10%, 50% e 100%).
- Ablação de Seleção de Instância (RQ2): Para isolar o impacto de formas figurativas específicas, os autores treinaram modelos em subconjuntos de tamanho fixo (600 instâncias) contendo apenas formas figurativas específicas (ex: apenas Metafórica, apenas Específica de Cultura) combinadas com os dados de origem.

Principais Resultados

Impacto da Supervisão Multilíngue: O aumento da supervisão multilíngue melhora consistentemente o desempenho em todos os modelos e idiomas. No entanto, os ganhos exibem retornos decrescentes; aproximadamente 50% dos dados de treinamento multilíngues traduzidos são suficientes para atingir um desempenho próximo ao ideal, com ganhos menores observados entre 50% e 100% de supervisão.
Desempenho dos Modelos: LLMs ajustados por instrução (Aya-8B, Qwen2.5-3B) geralmente alcançam maiores melhorias com pequenas quantidades de supervisão adicional em comparação com modelos baseados em codificador (encoder). O Qwen2.5-3B alcançou o maior Macro-F1 em quatro dos sete idiomas (árabe, francês, alemão, russo), enquanto o mBERT teve o melhor desempenho em espanhol e o XLM-R Large em japonês.
Benefícios Diferenciais das Formas Figurativas: O estudo descobriu que diferentes formas figurativas se beneficiam de maneira desigual da supervisão multilíngue.
- Específica de Cultura: Apesar de ser a forma menos frequente (aprox. 6-14% dos dados) e ter a menor sobreposição com outras formas, exibe os maiores ganhos de desempenho sob supervisão multilíngue.
- Complementaridade: Enquanto formas individuais fornecem sinais específicos (ex: Moral/Advisória beneficia o Qwen2.5-3B, Causa-Efeito beneficia o XLM-R Large), a combinação de todas as diversas formas figurativas produz o desempenho global mais forte.
Preservação das Formas: A prevalência das quatro formas figurativas permanece relativamente estável através dos sete idiomas traduzidos, sugerindo que a distribuição do significado figurativo é geralmente preservada na tradução, mesmo que as interpretações individuais ao nível da instância possam variar.

Significância e Contribuições
O artigo reivindica três contribuições primárias:

Avaliação Empírica de Níveis de Supervisão: Fornece uma avaliação sistemática de como o aumento progressivo da supervisão multilíngue (0% a 100%) afeta a identificação de figuras de linguagem através de diversos modelos de arquitetura e sete idiomas alvo.
Arcabouço Teórico para Análise: Introduz um arcabouço de anotação multidimensional que vai além das taxonomias centradas em metáforas. Este arcabouço permite uma análise mais refinada de como as dimensões complementares do significado figurativo (Metafórica, Moral, Causa-Efeito, Específica de Cultura) se transferem entre línguas.
Insights sobre Transferibilidade: Os achados demonstram que a supervisão multilíngue beneficia as formas figurativas de maneira desigual. Especificamente, o estudo destaca que o conhecimento "específico de cultura", frequentemente considerado uma barreira na transferência cross-lingual, mostra os ganhos de desempenho mais significativos quando os dados multilíngues são introduzidos.

Conclusão
Os autores argumentam que esses achados motivam uma mudança na pesquisa de identificação de linguagem figurada multilíngue. Em vez de tratar a linguagem figurada como um fenômeno único ou depender exclusivamente de abordagens centradas em metáforas, os arcabouços futuros devem adotar modelos multidimensionais baseados em conceitos. Esses modelos devem considerar explicitamente formas complementares de significados figurativos que sejam representativas do contexto específico, reconhecendo que diferentes formas de conhecimento figurativo possuem características de transferência distintas.

Mais como este