Translating LHCb's Documentation: First experiences and ensuring maintenance

O Grande Colisor de Hádrons, o acelerador de partículas mais poderoso do mundo, situa-se sob a fronteira entre a França e a Suíça, colidindo prótons para recriar as condições do universo logo após o Big Bang. Um dos experimentos ali alojados, conhecido como LHCb, foca-se em compreender por que razão o universo é feito de matéria em vez de antimatéria. Para o fazer, milhares de cientistas de todo o mundo devem trabalhar em conjunto, utilizando software complexo para filtrar biliões de eventos de colisão. No entanto, este software não é estático; ele muda constantemente à medida que a própria máquina é atualizada. Para os novos investigadores que se juntam à equipa, aprender esta paisagem digital em constante mudança tem sido tradicionalmente uma subida íngreme, dependendo de um conjunto de tutoriais online e de workshops anuais realizados em Genebra. À medida que o experimento entrou numa nova fase de operação, a equipa enfrentou um desafio prático: como manter estes materiais de formação vitais precisos, atualizados e acessíveis a um número crescente de colaboradores que falam línguas que não o inglês, particularmente aqueles na China.

A história de como a colaboração LHCb resolveu este problema começa com a perceção de que os seus materiais de formação existentes, conhecidos como Starterkit, precisavam de uma reformulação completa. O experimento tinha acabado de passar por uma atualização massiva, e o software utilizado para analisar dados tinha mudado de forma tão significativa que as lições antigas já não eram úteis. A equipa escreveu uma nova versão destas lições, mas também reconheceu uma realidade demográfica: a China acolhe o maior grupo de cientistas do LHCb fora da Europa. Muitos destes investigadores não podiam viajar facilmente para a Suíça para o workshop anual presencial devido à distância e aos requisitos de visto. Para garantir que estes cientistas não fossem deixados para trás, a equipa decidiu criar um evento de formação paralelo na China, o que exigiu a tradução de todo o novo conjunto de lições para mandarim.

Traduzir centenas de páginas de documentação técnica de física é uma tarefa assustadora, especialmente quando o texto contém código complexo e jargão especializado que as ferramentas de tradução padrão frequentemente interpretam mal. Os investigadores descobriram que, se simplesmente pedissem a uma inteligência artificial para traduzir o texto, o resultado era frequentemente impreciso, com a máquina a inventar termos técnicos ou a interpretar incorretamente conceitos de física cerca de 20 por cento das vezes. Para corrigir isto, construíram um sistema personalizado que combinava a velocidade da IA com a precisão de especialistas humanos. Primeiro, treinaram um modelo de IA local num dicionário verificado de termos de física, garantindo que a máquina compreendesse o vocabulário específico do experimento. A IA geraria então um rascunho da tradução, mas este rascunho nunca era publicado diretamente. Em vez disso, era encaminhado para um painel de físicos bilíngues que revisavam o trabalho, corrigindo quaisquer erros subtis e garantindo que o fluxo da linguagem parecesse natural para um falante nativo.

Para manter este sistema a funcionar sem problemas ao longo do tempo, a equipa desenhou um fluxo de trabalho de manutenção que impedia que a versão chinesa ficasse atrasada em relação à original em inglês. Eles perceberam que, se as lições em inglês fossem atualizadas, a versão chinesa teria de mudar imediatamente para continuar a ser útil. Estabeleceram um processo onde qualquer alteração no texto em inglês acionava automaticamente uma notificação para um elo de ligação dedicado na China. Esta pessoa utilizaria então as ferramentas assistidas por IA para traduzir o novo material e verificá-lo. Crucialmente, a equipa também separou os exemplos de código informático do próprio texto. Ao armazenar o código em ficheiros separados que eram inseridos automaticamente nas lições, garantiram que o código permanecesse idêntico em ambas as línguas. Isto permitiu-lhes executar testes automatizados no código sempre que uma alteração era feita, garantindo que os exemplos funcionariam realmente para um estudante que tentasse acompanhar o processo, independentemente de qual língua estivesse a ler.

O sucesso desta abordagem foi medido através do acompanhamento de quantas pessoas utilizaram os materiais traduzidos. Após o lançamento das lições em chinês, a equipa observou que aproximadamente 22 por cento de todas as visitas ao website do Starterkit envolviam um utilizador a aceder a pelo menos uma página em mandarim. Este uso constante indicou que a tradução não era apenas uma formalidade, mas um recurso vital para uma parte significativa da colaboração. Os dados também mostraram um padrão claro de interação, com uma queda notável no tráfego durante o feriado do Ano Novo Lunar, refletindo os ritmos do mundo real dos cientistas que utilizam o site. O projeto provou que era possível manter duas versões de um documento técnico complexo simultaneamente sem criar um estrangulamento, garantindo que a comunidade de língua chinesa pudesse participar plenamente no treino e na análise do experimento.

Este esforço abriu caminho para o primeiro workshop "gémeo" ser realizado na China, ensinado inteiramente em mandarim, complementando o evento tradicional na Europa. O sistema que a equipa construiu é suficientemente flexível para que, se outros grupos de cientistas, como os do Brasil, desejassem realizar os seus próprios eventos de formação locais, o mesmo quadro de tradução e manutenção pudesse ser adaptado para eles. Ao combinar ferramentas automatizadas com supervisão humana, a colaboração LHCb garantiu que a língua já não seja uma barreira à entrada para novos cientistas, permitindo que a equipa global trabalhe junta de forma mais eficaz enquanto continuam a explorar a natureza fundamental do universo.