Wiktionary as a Crowdsourced Lexicon for English Dialects

A língua não é um bloco único e sólido; é uma paisagem viva que se desloca e muda dependendo de onde você está. Uma palavra que significa uma coisa em Londres pode significar algo inteiramente diferente em Auckland, ou pode nem sequer existir em Mumbai. Durante décadas, as pessoas que mapeiam esses territórios linguísticos confiaram em dicionários tradicionais, livros compilados por equipes de especialistas que passam anos decidindo quais palavras são importantes o suficiente para serem incluídas. Mas o mundo da linguagem está se movendo mais rápido do que qualquer equipe de editores consegue acompanhar, especialmente para as muitas variedades de inglês faladas ao redor do globo. À medida que computadores e inteligência artificial se tornam mais comuns, há uma necessidade crescente de ensinar a eles como compreender essas diferenças locais. Se um computador não conseguir distinguir entre uma frase neozelandesa e uma americana, ele falhará em compreender as pessoas que a utilizam. Isso cria um problema para a equidade na tecnologia, pois sistemas construídos apenas com base no inglês padrão frequentemente têm dificuldade com as formas ricas e diversas como as pessoas realmente falam.

Para resolver isso, pesquisadores estão buscando novas maneiras de reunir dados linguísticos que sejam vastos e atualizados. Uma fonte promissora é o Wiktionary, um dicionário gratuito e on-line que qualquer pessoa pode editar. Diferente dos livros tradicionais, que são escritos por um pequeno grupo de especialistas pagos, o Wiktionary é um projeto de colaboração coletiva (crowdsourced) onde voluntários de todo o mundo adicionam entradas, definições e exemplos. A pergunta que os pesquisadores fizeram foi simples, mas difícil: Pode este dicionário aberto, construído pela comunidade, servir como um mapa confiável para as muitas variantes do inglês? Especificamente, eles queriam saber se o Wiktionary cobre palavras regionais tão bem quanto o famoso Oxford English Dictionary, e se as palavras encontradas lá realmente aparecem nas conversas reais que as pessoas mantêm nas redes sociais.

Os pesquisadores começaram comparando o conteúdo do Wiktionary com o Oxford English Dictionary para doze diferentes variedades nacionais de inglês, abrangendo desde o conhecido inglês britânico e americano até variedades da Índia, Quênia e Filipinas. Eles descobriram que, embora o dicionário tradicional ainda mantenha uma leve vantagem em tamanho para o inglês americano e britânico padrão, o Wiktionary na verdade cobre mais terreno para muitas outras regiões. Para variedades como o inglês canadense, irlandês e australiano, o Wiktionary continha significativamente mais entradas do que o dicionário tradicional. A diferença foi ainda mais marcante para o inglês falado em países fora do tradicional "círculo interno" das nações anglófonas. Enquanto o dicionário tradicional não possuía nenhuma entrada para o inglês queniano ou paquistanês, o Wiktionary tinha centenas de entradas para essas variedades. Isso sugere que o modelo impulsionado pela comunidade é notavelmente bom em capturar palavras que os editores profissionais podem negligenciar ou ainda não ter tempo de incluir.

Para testar se essas palavras estavam sendo realmente usadas no mundo real, a equipe recorreu às redes sociais. Eles analisaram milhões de postagens e comentários de comunidades específicas de países no Reddit, um fórum on-line popular. Eles trataram essas comunidades digitais como um substituto para a localização geográfica, assumindo que pessoas postando em uma comunidade da Nova Zelândia provavelmente estariam usando o inglês da Nova Zelândia. Eles então verificaram se as palavras listadas no Wiktionary para cada país apareciam com frequência na comunidade correspondente. Os resultados mostraram uma forte conexão. Ao observar as postagens principais que as pessoas escreviam, as palavras encontradas no Wiktionary apareciam exatamente onde eram esperadas. Por exemplo, palavras específicas da Nova Zelândia apareciam com mais frequência na comunidade da Nova Zelândia, e palavras da Índia apareciam com mais frequência na comunidade indiana. Esse alinhamento sugere que o Wiktionary não é apenas uma lista de palavras, mas um reflexo de como as pessoas realmente falam em suas vidas digitais diárias.

No entanto, o estudo também revelou que o tipo de texto importa muito. A conexão entre o dicionário e os dados das redes sociais era muito forte ao observar as postagens principais que as pessoas escreviam, mas tornou-se muito mais fraca ao observar os comentários que deixavam em resposta. Nas seções de comentários, a linguagem era mais conversacional e frequentemente misturada com palavras de outros idiomas. Por exemplo, na comunidade da Nova Zelândia, algumas palavras que pareciam ser do inglês da Nova Zelândia acabaram sendo palavras comuns do tagalo, a língua das Filipinas, porque as duas línguas compartilham algumas grafias semelhantes. Isso destacou um desafio: embora o dicionário seja útil, a maneira como as pessoas usam a linguagem em conversas rápidas e interativas pode ser desordenada e influenciada por muitos fatores diferentes. Os pesquisadores descobriram que o dicionário funcionava melhor quando o texto era mais formal ou estruturado, como uma postagem principal, em vez do vai e vem rápido de um tópico de comentários.

O estudo também analisou de perto como as palavras são formadas. Eles compararam os tipos de novas palavras encontradas no Wiktionary para o inglês da Nova Zelândia contra o dicionário tradicional. Eles encontraram um nível muito alto de concordância nos padrões usados para criar essas palavras, como combinar duas palavras ou alterar levemente o significado de uma palavra. Isso sugere que, embora o Wiktionary seja escrito por voluntários, a maneira como eles constroem as entradas segue as mesmas regras lógicas dos linguistas profissionais. Os pesquisadores observaram que o Wiktionary era particularmente bom em incluir frases e expressões idiomáticas — grupos de palavras que têm um significado específico juntas — que costumam faltar nos dicionários tradicionais. Isso torna o recurso colaborativo especialmente valioso para compreender o lado colorido e expressivo da linguagem que os livros formais às vezes deixam de fora.

Em última análise, o artigo conclui que o Wiktionary é uma ferramenta poderosa e viável para compreender os dialetos do inglês, especialmente para regiões que foram historicamente sub-representadas na tecnologia de linguagem. Ele não substitui a necessidade de dicionários profissionais, mas os complementa ao oferecer uma visão mais rápida, inclusiva e atualizada de como a língua está evoluindo. Os pesquisadores alertam que o uso desses dados exige cuidado, particularmente ao lidar com conversas on-line onde diferentes línguas podem se misturar ou onde o contexto da conversa altera o significado de uma palavra. Mas para o objetivo de construir ferramentas de linguagem justas e precisas que funcionem para todos, e não apenas para a maioria, este dicionário aberto e construído pela comunidade oferece uma peça crucial do quebra-cabeça. Ele mostra que, quando as pessoas se unem para documentar sua própria língua, criam um recurso que é tanto profundamente preciso quanto notavelmente amplo.