Contextual Embedding Evidence for Main--Light Verb Distinctions in Urdu

Resumo Técnico: Evidência de Embeddings Contextuais para as Distinções entre Verbos Principais e Verbos Leves em Urdu

Problema e Motivação
A gramática do urdu apresenta construções de verbos leves (LVCs), onde um verbo lexical (V1) combina-se com um segundo verbo (V2) que contribui com significado aspectual, completivo ou estrutural de evento, enquanto exibe conteúdo lexical reduzido. Embora a teoria linguística, particularmente o trabalho de Butt (1995, 2003, 2010) e Butt e Lahiri (2013), postule que os verbos leves são distintos de seus equivalentes verbos principais, mas retêm uma relação lexical específica, permanece incerto se os modelos de linguagem baseados em contexto codificam essa distinção. Especificamente, desconhece-se se a geometria representacional dos modelos baseados em codificadores reflete as previsões teóricas de que: (1) os usos principais e leves são sistematicamente diferenciados, (2) usos do mesmo lemma permanecem mais próximos entre si do que pares de lemmas incompatíveis e (3) os verbos leves individuais retêm perfis distinguíveis em vez de colapsarem em uma classe homogênea.

Metodologia
O estudo analisa 1.126 sentenças naturais em urdu contendo sete verbos leves canônicos (āyā, uṭhā, baiṭhā, paṛā, diyā, gayā, liyā). O conjunto de dados foi construído a partir de um corpus interno de 1,6 GB, com sentenças extraídas onde o verbo alvo aparecia na posição final da sentença. A anotação seguiu um protocolo rigoroso de concordância tripartite: o GPT-5.1 classificou primeiramente cada sentença usando prompts fundamentados nos critérios linguísticos de Butt, e então dois anotadores humanos especialistas revisaram independentemente os rótulos atribuídos pelo GPT. Apenas sentenças para as quais todas as três fontes (GPT-5.1, Anotador 1 e Anotador 2) estavam em total concordância foram retidas; qualquer sentença com um único desacordo foi descartada.

Três modelos baseados em codificadores foram avaliados:

1. UrduBERT: Um modelo BERT-base treinado do zero em um corpus de urdu deduplicado de 5,8 GB.
2. DunbaaBERT: Um modelo do tipo RoBERTa treinado em um corpus de urdu de 17 GB.
3. Multilingual BERT (mBERT): Um modelo multilíngue padrão não otimizado especificamente para o urdu.

A metodologia empregou três análises complementares em embeddings contextuais extraídos das camadas ocultas finais:

• Separação Representacional: Distância de cosseno e pontuações de silhueta (silhouette scores) foram calculadas entre os centroides de uso principal e de uso leve para cada verbo e modelo. A significância estatística foi avaliada via testes de permutação de rótulos.
• Relacionamento Lexical: A distância entre os centroides principal–leve do mesmo lemma foi comparada contra as distâncias entre pares de lemmas distintos para testar se os pares do mesmo lemma permanecem mais próximos.
• Estrutura Específica do Verbo: Uma tarefa de classificação de sete vias foi realizada para prever a identidade do verbo leve. Isso incluiu uma condição de "alvo mascarado" onde o verbo alvo foi substituído por um token de máscara, e uma avaliação de "forma precedente disjunta" para testar a generalização além de combinações repetidas de V1–V2.

Resultos Principais

• Diferenciação Sistemática: Todas as 21 comparações verbo–modelo mostraram separação representacional significativa entre usos principais e leves ($p < 0,001$). O UrduBERT demonstrou as maiores distâncias de centroide (média 0,177) e as maiores pontuações de silhueta (média 0,272), seguido pelo mBERT e DunbaaBERT.
• Recuperabilidade Linear e Não Supervisionada: A sondagem logística (logistic probing) alcançou alta precisão ao distinguir usos principais de leves em todos os modelos (F1 médio do UrduBERT: 0,997). No entanto, o agrupamento não supervisionado KMeans mostrou que, embora o UrduBERT tenha alcançado um Índice de Rand Ajustado (ARI) médio de 0,778, os outros modelos performaram próximo ao acaso, indicando que a alta separabilidade linear não garante a formação de dois clusters esféricos dominantes.
• Relacionamento Lexical: Centroides principal–leve do mesmo lemma foram consistentemente mais próximos do que pares de cross-lemma distintos em todos os modelos. A precisão de correspondência Top-1 foi de 1,0 para todos os modelos, apoiando a previsão de que os usos principal e leve retêm o relacionamento lexical apesar de sua diferenciação.
• Identidade do Verbo Leve: Na condição de alvo mascarado, o UrduBERT alcançou 0,866 de precisão e 0,852 de macro-F1 na previsão da identidade específica do verbo leve, superando significativamente o acaso. Sob a avaliação de forma precedente disjunta, o UrduBERT manteve 0,782 de precisão, sugerindo generalização além das coocorrências superficiais imediatas. O DunbaaBERT e o mBERT mostraram desempenho inferior, porém ainda significativo, nas condições de máscara.

Significância e Alegações
O artigo fornece evidência computacional consistente com a conta linguística de Butt sobre os verbos leves do urdu. Os achados demonstram que os embeddings contextuais diferenciam sistematicamente os usos principais e leves enquanto preservam a estrutura específica do lemma. Especificamente, os resultados apoiam a visão de que os verbos leves não são marcadores gramaticais semanticamente vazios, mas retêm contribuições específicas do verbo e um relacionamento com seus contrapartes verbais principais.

Os autores afirmam explicitamente que esses achados fornecem evidências para as consequências representacionais da análise de Butt sem estabelecer diretamente uma estrutura particular de entrada lexical ou via diacrônica. O estudo complementa trabalhos anteriores sobre verbos leves em inglês ao estender a investigação para o urdu e avaliar previsões específicas relativas ao relacionamento lexical e à especificidade do verbo que são centrais para a teoria linguística do urdu. Os resultados sugerem que os modelos baseados em codificadores, particularmente aqueles treinados em dados monolíngues de urdu, capturam a geometria representacional matizada das construções de verbos leves.