From Exposure to Expectation: Frequency, Surprisal, and Language Across Development in Spanish

A linguagem é um rio que flui através de nossas vidas, carregando-nos desde o primeiro balbucio da infância até as conversas complexas e rápidas da vida adulta. Durante décadas, cientistas tentaram entender como esse rio molda nossas mentes, fazendo duas perguntas distintas, mas relacionadas. A primeira é sobre o começo: por que as crianças aprendem algumas palavras, como "cachorro" ou "leite", muito antes de outras, como "justiça" ou "sussurro"? A segunda é sobre a jornada: uma vez que conhecemos uma palavra, por que às vezes parece fácil lê-la ou ouvi-la, e outras vezes parece um tropeço, mesmo quando a própria palavra não mudou?

Para responder a essas perguntas, os pesquisadores frequentemente buscam dois tipos diferentes de pistas estatísticas escondidas na linguagem que ouvimos. Uma pista é a frequência, que é simplesmente uma contagem de quantas vezes uma criança ouve uma palavra específica em sua vida cotidiana. Quanto mais a palavra aparece, mais familiar ela se torna. A outra pista é uma medida de surpresa. Imagine uma frase onde você está esperando pela próxima palavra. Se a frase faz você esperar por uma determinada palavra, essa palavra parece previsível. Se a frase o leva a esperar outra coisa, e uma palavra diferente aparece, essa palavra carre o alto valor de "surpresa". No mundo da ciência moderna, os pesquisadores usam programas de computador poderosos, conhecidos como modelos de linguagem de grande escala, para calcular essa surpresa. Esses programas são treinados em vastas quantidades de texto e conseguem adivinhar a próxima palavra em uma frase com uma precisão notável, permitindo que os cientistas meçam exatamente o quão inesperada uma palavra é em um determinado contexto.

Por muito tempo, assumiu-se que essas duas pistas — a frequência com que ouvimos uma palavra e o quão surpreendente ela é — trabalhavam juntas da mesma forma, quer estivéssemos falando de uma criança aprendendo seu primeiro vocabulário ou de um adulto lendo um romance. A ideia era que as mesmas regras de aprendizagem e processamento de linguagem se aplicavam de forma generalizada. No entanto, um novo estudo de Francisco Portillo López, da Universidad de Navarra, desafia essa suposição. Ao examinar a língua espanhola através de duas lentes diferentes, a pesquisa sugere que as regras para aprender uma palavra são fundamentalmente diferentes das regras para processar uma palavra uma vez que ela já é conhecida.

O pesquisador começou olhando para os estágios iniciais da linguagem, focando em 225 substantivos comuns em espanhol. Ele queria saber se a medida de surpresa do computador poderia ajudar a explicar por que algumas palavras são aprendidas cedo e outras tarde. Para fazer isso, ele reuniu dados sobre a frequência com que essas palavras apareciam na fala de cuidadores falando com crianças pequenas, uma fonte conhecida como fala dirigida à criança. Ele também utilizou três modelos de computador diferentes para calcular o valor de surpresa de cada palavra com base no contexto em que ela aparecia. Os resultados foram claros e consistentes: a frequência de uma palavra era um poderoso preditor de quando uma criança a aprenderia. Palavras que apareciam frequentemente no ambiente da criança eram aprendidas muito mais cedo. Em contraste, a medida de surpresa ofereceu quase nenhuma ajuda. Mesmo quando o computador calculava o quão inesperada uma palavra era em uma frase específica, essa informação não explicava por que uma criança aprendia aquela palavra em um determinado momento, uma vez levado em conta o simples fato de quantas vezes a palavra fora ouvida.

Para garantir que isso não fosse apenas uma peculiaridade de como o computador foi solicitado a adivinhar as palavras, o pesquisador testou o computador de diferentes maneiras. Ele tentou usar estruturas de frases padronizadas, onde cada palavra era colocada na mesma estrutura simples, e também tentou usar conversas reais e naturais entre pais e filhos. Em ambos os casos, o padrão se manteve. O senso de surpresa do computador, projetado para medir o quão bem um contexto prevê uma palavra específica, não pareceu importar para o tempo de aprendizagem da palavra inicial. A única coisa que previa de forma confiável quando uma criança adquiria uma nova palavra era quantas vezes ela a havia encontrado antes. Esse achado apoia uma visão de aprendizagem onde a repetição e a exposição cumulativa são os principais motores, em vez do resolução de problemas momento a momento de prever o que vem a seguir.

A história dá uma guinada brusca quando o pesquisador muda o foco das crianças para os adultos. Na segunda parte do estudo, ele examinou como adultos falantes de espanhol leem textos. Usando dados de um estudo de rastreamento ocular (eye-tracking), onde câmeras registraram exatamente onde e por quanto tempo as pessoas olharam para as palavras em uma página, ele testou a medida de surpresa do mesmo modelo de computador. Desta vez, os resultados foram completamente diferentes. Para leitores adultos, a medida de surpresa foi um preditor forte e confiável de quanto tempo eles pausavam em uma palavra. Quando uma palavra era menos previsível dado o que veio antes dela, os adultos passavam mais tempo olhando para ela, indicando que seus cérebros estavam trabalhando mais para processar a entrada inesperada. Esse efeito permaneceu forte mesmo após considerar a frequência da palavra e o seu comprimento. No mundo adulto da leitura proficiente, o valor de surpresa de uma palavra importa profundamente.

O contraste entre esses dois achados revela uma divisão significativa em como a linguagem funciona. Para uma criança construindo um vocabulário do zero, o volume bruto de exposição a uma palavra é o que a consolida na memória. O contexto em que a palavra aparece importa menos do que o fato de a criança tê-la ouvido muitas vezes. É como se a criança estivesse coletando pedras e, quanto mais vezes ela pegasse uma pedra específica, mais familiar ela se tornaria. Para um adulto, no entanto, a mente já está cheia dessas pedras, organizadas em uma vasta rede. Quando um adulto lê, ele está constantemente fazendo previsões sobre o que vem a seguir. Se o texto quebra essa previsão, o cérebro registra um momento de fricção e os olhos desaceleram para resolver o descompasso.

Essa distinção sugere que os modelos de computador usados para estudar a linguagem não estão falhando; pelo contrário, eles estão capturando diferentes aspectos da experiência humana dependendo da fase da vida que está sendo observada. A mesma medida matemática de surpresa que é quase inútil para prever quando uma criança aprende uma palavra é essencial para entender como um adulto a lê. Isso implica que o cérebro não utiliza um método único e estático para lidar com a linguagem. Em vez disso, a importância das pistas estatísticas muda conforme nos desenvolvemos. No início, o cérebro depende da acumulação de experiência. Mais tarde, uma vez que um sistema robusto está em vigor, o cérebro torna-se altamente sensível ao contexto imediato e às expectativas que ele gera.

O estudo também oferece uma nota de cautela sobre como avaliamos a inteligência artificial. Um programa de computador pode ser excelente em imitar os padrões de leitura de um adulto, fazendo-o parecer um modelo perfeito da linguagem humana. Mas esse mesmo programa pode falhar em capturar a mecânica de como uma criança realmente aprende. Se testarmos esses modelos apenas contra o comportamento adulto, podemos perder o fato de que eles não refletem o processo de aprendizagem de uma mente em desenvolvimento. A pesquisa sugere que, para compreender verdadeiramente a linguagem, devemos olhar tanto para a criança quanto para o adulto, reconhecendo que as regras do jogo mudam conforme o jogador cresce. A jornada da exposição para a expectativa não é uma linha reta onde os mesmos fatores se aplicam em cada etapa; é um caminho onde o peso da frequência e o poder da previsão mudam, definindo diferentes capítulos na história de como aprendemos a falar e ler.