Apresentação
O Abralin em Cena é um evento científico itinerante, organizado pela Associação Brasileira de Linguística (ABRALIN) desde 2008, cujo objetivo é promover o intercâmbio acadêmico, dialogar sobre linguística em diferentes regiões do Brasil e destacar pesquisas locais, conectando especialistas brasileiros e estrangeiros. Na sua 17ª edição, Abralin em Cena 17 – Dados Linguísticos (https://abralin.org/abralin-em-cena-17/), realizado entre os dias 26 e 28 de junho de 2023 na modalidade remota e gratuita, a temática transversal foi a abordagem de dados linguísticos em interface com Ciência Aberta, Humanidades Digitais, ética e conformidade legal, patrimônio cultural, processamento de linguagem natural e políticas públicas. O evento foi promovido pela Comissão de Sociolinguística da ABRALIN, pelo Grupo de Trabalho de Sociolinguística da ANPOLL, para dar suporte ao projeto Plataforma da Diversidade Linguística Brasileira.
O que fazer com os dados que a pesquisa linguística brasileira acumulou ao longo de décadas? Projetos como o NURC, o VARSUL e o ALiB constituíram, entre as décadas de 1960 e 1990, acervos que moldaram gerações de pesquisadores e subsidiaram descrições do português brasileiro em múltiplos níveis (Freitag, a sair). Entretanto, esses acervos permanecem, em sua maioria, fragmentados em repositórios institucionais isolados, sem protocolos comuns de documentação, sem metadados padronizados e sem interoperabilidade (Freitag, 2022). O esforço de curadoria que sua constituição demandou é, paradoxalmente, invisibilizado na literatura: a referência à metodologia de um banco de dados costuma ocupar “duas a três linhas, quando muito um parágrafo” nos artigos, sem que o real dispêndio de tempo e recursos seja registrado (Freitag, Martins, Tavares, 2012). O Abralin em Cena 17 teve o papel de colocar esse diagnóstico na ordem do dia e de propor caminhos.
A programação do evento refletiu essa agenda de forma articulada. Na Mesa-redonda 1, Isabel Monguilhott, autora de um dos artigos deste dossiê, integrou o debate sobre planejamento, governança e curadoria das grandes tradições de documentação linguística brasileira. A Mesa-redonda 2, mediada por Juliana Bertucci Barbosa, aprofundou as boas práticas de organização e reuso de dados. A Mesa-redonda 3, mediada por Marcia dos Santos Machado Vieira, discutiu o conceito de ecossistema de dados segundo os princípios FAIR, com a participação de Raquel Meister Ko. Freitag, que apresentou evidências sobre a sub-representação do português brasileiro nas infraestruturas digitais (Freitag e Gois, 2024, Freitag 2024). A Mesa-redonda 4 confrontou os desafios éticos e legais decorrentes da disponibilização de dados de fala. A Mesa-redonda 5 projetou as interfaces transdisciplinares da sociolinguística com computação e ciência da informação. Além disso, a sessão de comunicações, também na modalidade remota, reuniu trabalhos e ações relacionados à coleções de dados linguísticos. As mesas foram transmitidas pelo canal do YouTube da ABRALIN:
● Sessão de Abertura e Mesa-redonda 1 – Bancos de dados linguísticos brasileiros: planejamento, construção, governança e curadoria de coleções de dados <https://www.youtube.com/live/YDeKCxw-p-A?si=ahtNXfG9lJvKpV0q>
● Mesa-redonda 2 – Boas práticas de documentação, organização, tratamento, gestão, exposição e (re)uso de dados linguísticos <https://www.youtube.com/live/KGsbta72bG4?si=Qz51M4ZHqxgVqN33>
● Mesa-redonda 3 – Ecossistema de dados sociolinguísticos: conceito, tipologia, segurança e impacto de banco de dados linguísticos em Ciência e Educação abertas e cidadãs guiados por princípios FAIR <https://www.youtube.com/live/_97maExD1vE?si=71nQz-CJOU5GSzTY>
● Mesa-redonda 4 – Direitos, Conformidade legal, Ética, Etnossensibilidade, Cidadania: Ciência e Educação <https://www.youtube.com/live/7kZ4TgUkcgY?si=2Sti6oveh7QGl5Q2>
● Mesa-redonda 5 – Saberes e fazeres transdisciplinares: Sociolinguística(s) em ação com (repercussão em) outras áreas do conhecimento <https://www.youtube.com/live/QdLBMYsC0KQ?si=L9vVKiE09qGqng9c>
Por ter sido realizado na modalidade online e ter ficado registrado em canal de acesso público, o evento teve alcance e capilaridade amplamente expandidos, permitindo que pesquisadores de diferentes regiões do Brasil e de outros países assistissem e interagissem com o conteúdo para além do período de realização. Esse alcance se refletiu na composição deste dossiê: além dos trabalhos apresentados no evento, outros foram incorporados com o objetivo de fortalecer a discussão, ampliando o escopo temático para envolver, de forma articulada, três grandes campos do conhecimento sobre a linguagem: a Sociolinguística, com sua tradição de documentação de variedades e construção de bancos de dados; a Psicolinguística, com seus estudos sobre aquisição e processamento de linguagem a partir de corpora naturalísticos; e o Processamento de Linguagem Natural (PLN), com suas ferramentas de análise automática de dados de fala e texto.
Os artigos deste dossiê mostram desde o problema concreto de abrir dados existentes até a infraestrutura que tornaria possível fazê-lo em escala nacional.
Em Os desafios para disponibilização e compartilhamento de dados linguísticos da Amostra Base VARSUL, Isabel de Oliveira e Silva Monguilhott, Izete Coelho e Claudia Brescancini relatam os desafios para a disponibilização da Amostra Base VARSUL, com 288 entrevistas sociolinguísticas coletadas entre 1989 e 1996, hoje em processo de anonimização para conformidade com a Lei Geral de Proteção aos Dados (LGPD) e com as diretrizes da Ciência Aberta. Os desafios relatados neste artigo ecoam o que outros acervos também constatam: temos dados valiosos, mas abri-los é difícil, exige curadoria ativa, protocolos éticos e infraestrutura tecnológica. O VARSUL é um caso emblemático, e sua trajetória ilustra o desafio que outros repositórios já constituídos de dados linguísticos precisará enfrentar.
Em contraponto, em Linha verbal infantil: 21 meses de expressão verbal de uma criança brasileira, Pedro Perini-Santos apresenta vinte e um meses de registros longitudinais da expressão verbal de uma criança brasileira integrante do corpus CIL (Corpus Infantil Longitudinal). A disponibilização de dados naturalísticos de aquisição desde a concepção do projeto relatada no artigo mostra como um dado pode nascer já planejado para o compartilhamento, com contribuição à psicolinguística e aos estudos de aquisição de linguagem pela via do reuso.
Em Construindo o Carolina: Metadados de Proveniência e Tipologia em um Corpus do Português Brasileiro Contemporâneo, Marcelo Finger, Maria Clara Paixão de Sousa, Cristiane Namiuti, Vanessa Martins do Monte, Aline Silva Costa, Felipe Ribas Serras, Mariana Lourenço Sturzeneker, Miguel de Mello Carpi, Mayara Feliciano Palma e Gabriela Alves Lachi descrevem o processo de construção do Carolina, grande corpus aberto de português brasileiro em desenvolvimento desde 2020, pela via do PLN. O artigo detalha os desafios de proveniência, tipologia e metadados segundo padrões internacionais, uma lição metodológica que outros repositórios nacionais também precisam aprender, e posiciona o projeto como resposta direta ao problema da escassez de recursos textuais representativos do português em sistemas de IA.
A perspectiva internacional é trazida em Sharing and Preserving Sociolinguistic Corpora on the U.S.-Mexico Border, de Katherine Christoffersen, Isabella Calafate, Julio Ciller, Ana Carvalho, Ryan Bessett, Brandon Martinez, Hannia Rojas Barreda, William Flores e Richard Quiroz, que apresentam dois corpora do espanhol na fronteira EUA-México – o CESA e o CoBiVa – como estudos de caso de compartilhamento por colaboração. O artigo mostra que os desafios da pesquisa brasileira são globais, e que a abertura de dados sociolinguísticos impacta diretamente acessibilidade, reprodutibilidade e democratização do conhecimento. A solução colaborativa que os autores propõem ecoa o modelo de articulação interinstitucional que a Plataforma da Diversidade Linguística Brasileira busca implementar.
Do plano da disponibilização, o dossiê passa para o plano do reuso e da comparabilidade. Em Meta-análise dos estudos de negação verbal nas Regiões Nordeste e Sudeste: investigação da relevância dos condicionamentos sociais, Pedro Henrique Sousa dos Santos e Elyne Giselle de Santana Lima Aguiar Vitório apresentam um estudo de uma meta-análise de trabalhos sobre negação verbal nas regiões Nordeste e Sudeste do Brasil. O artigo expõe as dificuldades de realizar este tipo de análise em função da falta de padronização metodológica entre os bancos de dados sociolinguísticos, o que limita as comparações regionais. No escopo do dossiê, o artigo mostra que, sem interoperabilidade entre coleções, a sociolinguística brasileira continuará produzindo ilhas de conhecimento. Ainda sobre a negação, em Negativas: um protótipo para a busca e classificação de negação sentencial em dados de fala,
Túlio Sousa de Gois e Paloma Batista Cardoso, que descrevem o negativas, ferramenta para identificação automática das três posições da negação verbal no português brasileiro em dados de fala transcritos, aplicada ao banco Falares Sergipanos com taxa de acerto de 93%. Apesar da alta taxa de acerto, o artigo evidencia que o avanço do PLN em língua portuguesa depende de dados linguísticos curados por especialistas; a contribuição da Sociolinguística ao PLN revela-se bidirecional e necessária.
O dossiê se encerra com a apresentação da Plataforma da Diversidade Linguística Brasileira como proposta submetida à chamada do CNPq para Institutos Nacionais de Ciência e Tecnologia (INCTs). A proposta assume a diversidade linguística do Brasil como patrimônio científico e cultural – mais de 250 línguas, além do português e de suas variedades – à necessidade de dados estruturados e etiquetados por linguistas para modelos de língua em larga escala (LLM) representativos, e o papel de uma infraestrutura nacional integrada para transformar o esforço disperso de documentação em recurso estratégico para a soberania digital. A Plataforma da Diversidade Linguística Brasileira é a resposta institucional a uma demanda formulada desde as décadas de 1960 a 1990 (Freitag, a sair) e construída coletivamente desde 2018 pelo GT de Sociolinguística da ANPOLL e pela Comissão de Sociolinguística da ABRALIN, com marcos no 1º Fórum Internacional em Sociolinguística (2019), no 12o InterAb (Machado-Vieira et al., 2022), no Festival de Conhecimento da UFRJ (2021) e no Abralin em Cena 17 (2023) que deu origem a este dossiê.
Tomados em conjunto, os artigos deste dossiê mostram que a abertura, o compartilhamento, a salvaguarda e a reutilização de dados linguísticos são condições para que a diversidade linguística brasileira não seja invisibilizada na era dos algoritmos. A relevância deste dossiê transcende os limites da comunidade linguística.
O Plano Brasileiro de Inteligência Artificial 2024-2028 define como uma de suas metas estratégicas o desenvolvimento de LLMs em português, “com dados nacionais que abarcam nossa diversidade cultural, social e linguística, para fortalecer a soberania em IA”. Assim, os dados linguísticos produzidos pela pesquisa científica brasileira são insumos estratégicos para o desenvolvimento tecnológico nacional. A linguística, com sua longa tradição de documentação rigorosa da diversidade linguística, tem a responsabilidade de liderar a curadoria especializada sem a qual nenhum LLM representará adequadamente o Brasil.
O protagonismo das associações científicas é central nesse processo. A ABRALIN e o GT de Sociolinguística da ANPOLL se posicionam como agentes institucionais que articulam a comunidade, pautam a agenda científica e constroem pontes com órgãos governamentais, agências de fomento e redes de infraestrutura de pesquisa. A trajetória que levou ao Abralin em Cena 17, desde o 1º Fórum Internacional em Sociolinguística (2019) à proposta à chamada CNPq/SECTICS/CAPES/FAPs Nº 46/2024 – Programa Institutos Nacionais de Ciência e Tecnologia – INCT (aprovada no mérito, mas fora da faixa de financiamento), é o resultado da organização coletiva da comunidade científica para enfrentar um desafio que nenhuma instituição isolada poderia resolver. Sem iniciativas como essa, os dados linguísticos brasileiros continuarão dispersos; a Plataforma da Diversidade Linguística Brasileira estrutura um projeto nacional de salvaguarda e compartilhamento de dados. É esse protagonismo associativo, ainda raro no cenário científico brasileiro, que este dossiê também registra e celebra.
Por fim, este dossiê cumpre também uma função formativa. Grande parte da comunidade linguística brasileira ainda não está familiarizada com os procedimentos e protocolos da Ciência Aberta, que envolve planos de gestão de dados, esquemas de metadados, licenças de uso, identificadores persistentes, pré-registro de análises e repositórios abertos. A publicação na revista Cadernos de Linguística também cumpre um papel educativo, contribuindo para a formação de uma cultura de Ciência Aberta na área de Linguística, e preparando pesquisadoras e pesquisadores para as exigências crescentes das agências de fomento, dos editores científicos e das políticas de dados de pesquisa. Assim, publicar sobre compartilhamento de dados linguísticos em um periódico que é, ele mesmo, um exemplo de prática aberta é uma escolha propositiva: os artigos reunidos neste dossiê não apenas discutem a Ciência Aberta, como também a colocam praticam. A Plataforma da Diversidade Linguística Brasileira é o projeto que propõe tornar esse caminho infraestrutura permanente.