PREMOVE: A multilayer manually annotated dataset of PREverbed MOtion VErbs in Ancient Greek and Latin

Resumo Técnico de PREMOVE: Um Conjunto de Dados Multicamadas Manualmente Anotado de Verbos de Movimento com Preverbos em Grego Antigo e Latim

Problema
Apesar da existência de corpora anotados robustos para o grego antigo e o latim (ex.: AGDT, LDT, PROIEL), nenhum recurso existente é especificamente desenhado para apoiar a análise comparativa cross-linguística sistemática de preverbos (prefixos que se ligam a bases verbais). Pesquisas anteriores basearam-se amplamente em análises qualitativas ou estudos isolados de preverbos individuais, carecendo de um framework baseado em corpus que capture a gama total de interações entre preverbos e bases verbais através de diferentes estágios históricos e gêneros. Além disso, a construção de corpora comparáveis para estas línguas enfrenta desafios metodológicos significativos, incluindo o desalinhamento cronológico (textos gregos começam no século VIII a.C., latinos no III a.C.), assimetrias de gênero (ex.: a abundância da tragédia grega versus a escassez da tragédia latina precoce) e a "falácia da verdade de Deus" (God's truth fallacy), onde amostras literárias limitadas podem representar erroneamente a língua como um todo.

Metodologia
O artigo apresenta o PREMOVE, um conjunto de dados construído sobre o PREMOVE Base Corpus (PBC), uma seleção curada de 35 textos por 29 autores abrangendo do século VIII a.C. ao século II d.C. O PBC foi desenhado para equilibrar a representação diacrônica e os gêneros literários (épico, lírico, historiografia, filosofia, oratória, teatro, romance) para mitigar as limitações dos registros históricos.

• Seleção de Alvos: O conjunto de dados foca em oito verbos de movimento de alta frequência por língua (ex.: eo/venio, baínō/gradior, trékhō/curro) combinados com 16 preverbos selecionados (16 latinos, 16 do grego antigo). Os preverbos foram selecionados com base na produtividade e clareza semântica, excluindo aqueles com baixa frequência ou equivalentes incertos (ex.: super-, huper-).
• Processo de Anotação: A anotação manual foi realizada utilizando a plataforma INCEpTION. O conjunto de dados compreende 2.835 ocorrências verbais manualmente anotadas através de 42 camadas.
• Esquema de Anotação: O esquema captura:
  1. Características morfossintáticas: Token, lema, análise morfológica (Universal Dependencies) e radical verbal.
  2. Características semânticas: Aspectualidade (classes de Vendler), telicidade, significado literal vs. figurado, e papéis semânticos (Figura, Solo/Ground) mapeados para synsets do WordNet (WN).
  3. Relações espaciais: Codificação de Origem (Source), Destino (Goal), Trajeto (Path) e Localização (Location), incluindo a expressão linguística (preposição, caso, advérbio) e o papel semântico.
  4. Metadados: Autor, título, gênero, século, período da língua e links para recursos externos (Perseus Digital Library, PHI Latin Texts, World Historical Gazetteer).
• Avaliação de Confiabilidade: O Acordo Inter-Anotador (IAA) foi calculado em um subconjunto de sentenças usando os coeficientes kappa de Cohen e Fleiss. A camada central de SEMÂNTICA DO PREVERBO alcançou concordância forte (Fleiss' κ = 0,80). Camadas objetivas (ex.: RADICAL DO VERBO, PREVERBO) atingiram concordância perfeita (κ = 1), enquanto camadas semânticas envolvendo verbos polissêmicos mostraram concordância moderada (κ ≈ 0,33–0,70), atribuída à complexidade inerente da interpretação semântica e à granularidade do WordNet.

Principais Contribuições

1. O Conjunto de Dados PREMOVE: Um conjunto de dados em formato CSV, de acesso público, contendo 2.835 instâncias de verbos de movimento preverbados com 42 camadas de anotação. É compatível com os princípios FAIR (Five Stars), depositado no Oxford Text Archive e vinculado à infraestrutura LiLa (Linking Latin) como Dados Abertos Conectados (LOD).
2. Interface PrevNet: Uma plataforma web interativa que permite aos usuários explorar a frequência dos preverbos, semântica, uso espacial e distribuição histórica sem navegar em dados tabulares brutos. Ela visualiza distribuições semânticas (ex.: gráficos de pizza de significados de preverbos) e vincula diretamente aos textos de origem.
3. Diretrizes de Anotação Padronizadas: Diretrizes abertas que garantem reprodutibilidade e extensibilidade para outras línguas e classes verbais.
4. Integração com Dados Conectados: O conjunto de dados é modelado usando o framework OntoLex-Lemon e a extensão FrAC, permitindo consultas SPARQL complexas para atestações ao nível de token vinculadas a synsets do WordNet e lemas do LiLa.

Resultados

• Consistência de Anotação: O estudo demonstra que, embora a interpretação semântica (ex.: Aspectualidade, Classe do Verbo) permaneça desafiadora para línguas históricas, a anotação central do preverbo é robusta (κ = 0,80).
• Acessibilidade de Dados: O conjunto de dados consegue unir a anotação linguística com dados geográficos (via WHG) e recursos lexicais (via LiLa e WordNet), facilitando pesquisas interdisciplinares.
• Utilidade Computacional: Aplicações preliminares mostram que o PREMOVE serve como um recurso valioso para o treinamento e avaliação de Grandes Modelos de Linguagem (LLMs). Modelos ajustados (fine-tuned) com os dados do PREMOVE apresentam desempenho melhorado em tarefas que exigem distinções semânticas finas e sensibilidade morfológica em comparação com configurações zero-shot ou few-shot.

Significância e Alegações
O artigo posiciona o PREMOVE como um recurso fundamental para o avanço do estudo empírico de verbos de movimento preverbados e semântica espacial. Sua significância reside em:

• Viabilizar Pesquisa Cross-Linguística: Fornecer o primeiro recurso sistematicamente anotado para comparar o comportamento de preverbos entre o grego antigo e o latim, preenchendo uma lacuna na linguística histórica e filologia computacional.
• Apoiar as Humanidades Digitais: Oferecer um conjunto de dados legível por máquina e compatível com os princípios FAIR, que se integra com infraestruturas digitais existentes (LiLa, Perseus), apoiando tarefas que vão desde o desenvolvimento de modelos até a análise diacrônica.
• Facilitar Estudos Interdisciplinares: Unir linguística, humanidades digitais e geografia histórica para investigar como o movimento e os conceitos espaciais são codificados e estendidos metaforicamente em textos clássicos.
• Extensibilidade: O design modular e as diretrizes abertas permitem que o framework seja estendido para línguas adicionais (ex.: italiano, atualmente em desenvolvimento no PrevNet) e classes verbais, suportando estudos comparativos de larga escala de processos de lexicalização e gramaticalização.

Os autores reconhecem limitações, incluindo a dependência de um único anotador primário para a maior parte dos dados e a subjetividade inerente da anotação semântica em línguas históricas. No entanto, argumentam que a alta precisão alcançada nas camadas centrais e a metodologia transparente e reprodutível fornecem uma base robusta para futuras expansões e esforços de anotação automatizada.