Semantic Space of Parts of Speech
Este artigo desafia a visão tradicional das classes de palavras como categorias nítidas ao utilizar embeddings word2vec e redes neurais para mapear palavras em um espaço semântico tridimensional, revelando a imprecisão inerente e as relações de fronteira entre as classes de palavras em cinco idiomas.
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
A língua é frequentemente ensinada como um sistema de caixas organizadas. Aprendemos que uma palavra é ou um substantivo, um verbo ou um adjetivo, e que pertence a apenas uma dessas categorias de cada vez. Essa categorização nítida nos ajuda a construir dicionários e ensinar gramática, mas nem sempre corresponde à realidade desordenada de como as palavras realmente funcionam. Algumas palavras parecem pertencer a dois lugares ao mesmo tempo, ou situam-se exatamente na fronteira entre categorias, recusando-se a ser fixadas. Os linguistas há muito suspeitam que essas fronteiras são imprecisas, mas prová-lo tem sido difícil porque os métodos tradicionais dependem do julgamento humano e de regras rígidas. Agora, uma equipe de pesquisadores da Universidade Carolina de Praga e da Universidade de Potsdam, na Alemanha, utilizou uma abordagem diferente para mapear essa incerteza. Eles não pediram às pessoas para decidirem onde as palavras pertencem; em vez disso, deixaram que as palavras falassem por si mesmas, analisando como elas se comportam em milhões de sentenças.
Os pesquisadores começaram com uma ideia simples: palavras que aparecem em situações semelhantes tendem a ter significados semelhantes. Esse conceito, conhecido como semântica distributiva, sugere que, se você observar a companhia que uma palavra mantém, poderá entender o que ela é. Por exemplo, uma palavra que aparece frequentemente ao lado de "o" e "grande" é provavelmente um substantivo, enquanto uma que segue "irá" ou "pode" é provavelmente um verbo. Os computadores podem transformar esses padrões em mapas matemáticos, onde cada palavra é um ponto em um vasto espaço. Quanto mais próximos estão dois pontos, mais semelhantes são as palavras em sua forma de uso. A equipe foi além e pediu a um computador que aprendesse as regras das classes gramaticais por conta própria. Eles alimentaram o computador com uma coleção massiva de textos em cinco línguas diferentes: francês, tcheco, finlandês, russo e inglês. O computador recebeu as palavras e seus rótulos padrão, e foi solicitado a encontrar os padrões ocultos que as conectam.
Para dar sentido aos dados complexos, os pesquisadores construíram um tipo especial de programa de computador, uma rede neural, projetada para comprimir toda a informação em apenas três dimensões. Imagine uma sala repleta de milhares de pontos flutuantes, cada um representando uma palavra. Na mente do computador, esses pontos existem em um espaço com centas de direções, o que é impossível para um ser humano visualizar. Os pesquisadores forçaram o computador a achatar esse espaço em uma forma que possamos realmente visualizar: um mapa tridimensional. Nesse mapa, o computador posicionou as palavras com base em quão semelhantes são em significado e uso. O resultado não foi uma lista de regras, mas uma paisagem. Nessa paisagem, os tipos mais comuns de palavras formaram agrupamentos distintos, ou "tentáculos", que se estendiam a partir de um ponto central.
Quando os pesquisadores observaram esses mapas, viram que as categorias tradicionais de substantivos, verbos e adjetivos eram, de fato, os grupos mais fortes. Em todas as línguas estudadas, esses três grupos formaram formas claras e separadas. No entanto, o espaço entre eles não estava vazio. Os pesquisadores descobriram que muitas palavras não se situavam estritamente dentro de um tentáculo, mas sim no espaço onde as formas se tocavam ou se sobrepunham. Por exemplo, no francês, palavras que podem ser tanto verbos quanto adjetivos, como "esquecido", foram encontradas exatamente na fronteira entre os grupos de verbo e adjetivo. No inglês, palavras que podem ser tanto substantivos quanto verbos, como "rir" ou "cuidar", estavam localizadas onde os tentáculos de substantivo e verbo se misturavam. Isso confirmou que a imprecisão que os linguistas suspeitavam é real e mensurável. As palavras que causam mais confusão para a gramática tradicional são aquelas que naturalmente vivem nessas zonas de transição.
O estudo também revelou detalhes surpreendentes sobre línguas específicas. No russo, os pesquisadores notaram que formas curtas de adjetivos, que são usadas para descrever um estado como "o homem é jovem", agruparam-se mais perto dos verbos do que de outros adjetivos. Isso faz sentido porque, na gramática russa, essas formas curtas frequentemente funcionam como a ação principal de uma frase. No finlandês, uma língua com uma estrutura muito diferente das outras, o mapa mostrou que os advérbios não formaram seu próprio grupo distinto, mas estavam espalhados entre as outras categorias. Isso sugere que, no finlandês, a linha entre um advérbio e outras classes gramaticais é muito menos clara do que no inglês ou no francês. Mesmo em línguas onde as regras parecem rígidas, os dados mostraram que as palavras frequentemente derivam dependendo de como são usadas.
Uma das descobertas mais marcantes foi que os numerais, ou números, frequentemente formaram seu próprio grupo separado, embora a gramática tradicional às vezes os trate como um tipo de substantivo ou adjetivo. Nos mapas para o francês, tcheco e russo, os números destacavam-se dos principais agrupamentos, sugerindo que possuem uma identidade semântica única que os diferencia de outras palavras. Isso aconteceu mesmo que o computador não tivesse sido instruído a procurar por números; ele descobriu esse padrão puramente ao analisar como as palavras eram usadas em textos reais. Os pesquisadores também descobriram que a maneira como as palavras são agrupadas pode mudar dependendo do conjunto de dados específico, mostrando que as fronteiras não são fixas, mas fluidas.
Os pesquisadores não pretendiam criar um novo livro de gramática ou provar que uma língua é melhor do que outra. O objetivo deles era ver o que acontece quando deixamos os dados decidirem as categorias. Eles descobriram que, embora as categorias principais de substantivos, verbos e adjetivos sejam fortes e estáveis, as bordas são suaves. As palavras frequentemente pertencem a múltiplas categorias ao mesmo tempo, ou mudam dependendo do contexto. O estudo sugere que as caixas rígidas que usamos para ensinar gramática são ferramentas úteis, mas não capturam a imagem completa de como a linguagem funciona. A verdadeira natureza de uma palavra não é um rótulo único, mas uma posição em um espaço vasto e mutável onde ela pode estar próxima de muitas ideias diferentes.
Ao visualizar essas relações, os pesquisadores forneceram uma nova maneira de enxergar a estrutura da linguagem. Em vez de discutir se uma palavra é um substantivo ou um verbo, podemos agora ver exatamente onde ela se situa em relação a ambos. Essa abordagem não substitui as regras antigas, mas adiciona uma camada de profundidade que mostra a complexidade da comunicação humana. Os mapas mostram que a linguagem não é uma coleção de ilhas isoladas, mas uma paisagem contínua onde as palavras fluem umas para as outras. O estudo confirma que a imprecisão da linguagem não é um erro ou uma falha, mas uma característica fundamental de como usamos as palavras para descrever o mundo.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.