Plataforma da Diversidade Linguística Brasileira: Dados linguísticos para uma IA brasileira

Plataforma da Diversidade Linguística Brasileira: Dados linguísticos para uma IA brasileira | SciELO Preprints window.dataLayer = window.dataLayer || []; function gtag(){dataLayer.push(arguments);} gtag('js', new Date()); gtag('config', 'G-3TT8HYRH0Y'); Open Menu Registrar-se Acesso English Español Ir para o conteúdo principal Ir para o menu de navegação principal Ir para o rodapé Preprints Submissão Áreas do Conhecimento Ciências Agrárias Ciências Biológicas Ciências da Saúde Ciências Exatas e da Terra Ciências Humanas Ciências Sociais Aplicadas Engenharias Linguística, letras e artes Educação em Revista Memórias do Instituto Oswaldo Cruz 47º Encontro Anual da ANPOCS 48º Encontro Anual da ANPOCS 49º Encontro Anual da ANPOCS Sobre Sobre o Servidor Declaração de Privacidade Atualizações do Sistema Contato FAQ Ética no SciELO Preprints Avaliação de preprints Anotações em preprints (via Hypothesis) Avalie um preprint Notícias Início / Linguística, letras e artes O preprint foi publicado em outro meio. DOI do preprint publicado https://doi.org/10.25189/2675-4916.2025.v6.n4.id863 Preprint / Versão 1 Plataforma da Diversidade Linguística Brasileira: Dados linguísticos para uma IA brasileira article.authors6a11e3d475faf Raquel Meister Ko Freitag Universidade Federal de Sergipe image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-4972-4320 Marcia dos Santos Machado Vieira Universidade Federal do Rio de Janeiro image/svg+xml Juliana Bertucci Barbosa Universidade Federal do Triângulo Mineiro image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-1510-633X Miguel Oliveira Jr. Universidade Federal de Alagoas image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-0866-0535 Cleber Ataíde Universidade Federal de Pernambuco image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-9340-9977 Alana de Santana Correia Attenty Sistemas de Software Amanda Post da Silveira Universidade Federal de Jataí image/svg+xml André Britto de Carvalho Universidade Federal de Sergipe image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-6498-9706 Andréia Silva Araujo Universidade Estadual de Santa Cruz image/svg+xml Brayna Conceição dos Santos Cardoso Universidade Federal do Pará image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-9358-5145 Claudia Andrea Rost Snichelotto Universidade Federal da Fronteira Sul image/svg+xml Eduardo Cardoso Martins Universidade Federal do Amazonas image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0001-8018-218X Eliabe dos Santos Procópio Universidade Federal de Sergipe image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-9766-1686 Elisa Battisti Universidade Federal do Rio Grande do Sul image/svg+xml Elisângela Nogueira Teixeira Universidade Federal do Ceará image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0003-3924-3985 Fabiane Cristina Altino Universidade Estadual de Londrina image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-5987-2028 Hadinei Ribeiro Batista Universidade do Estado de Minas Gerais image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-3157-6366 Hendrik Teixeira Macedo Universidade Federal de Sergipe image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-6171-6948 Isabel de Oliveira e Silva Monguilhott Universidade Federal de Santa Catarina image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0001-6613-9142 Iury Cleveston Attenty Sistemas de Software .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-6010-4624 Kendra Dickinson Rutgers, The State University of New Jersey image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-2229-4017 Lilian Cristine Hübner Pontifícia Universidade Católica do Rio Grande do Sul image/svg+xml Luma da Silva Miranda Eötvös Loránd University image/svg+xml Mailce Borges Mota Universidade Federal de Santa Catarina image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-8674-2480 Marcus Garcia de Sene Universidade de Pernambuco image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-2715-5294 Marinete Rodrigues da Silva Universidade Federal do Acre image/svg+xml Marta Deysiane Alves Faria Sousa Instituto Federal de Educação, Ciência e Tecnologia de Sergipe image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-0480-0422 Monica Maria Guimarães Savedra Universidade Federal Fluminense image/svg+xml Pedro Ricardo Bin Universidade Federal de Santa Catarina image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-7547-3430 Ronice Muller de Quadros Universidade Federal de Santa Catarina image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0002-5152-8716 Sandro Marcío Drumond Alves Marengo Universidade Federal de Sergipe image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0003-4658-004X Silvana Silva de Farias Araújo Universidade Estadual de Feira de Santana image/svg+xml Túlio Sousa de Gois Universidade Federal de Sergipe image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0009-0000-5270-8033 Valéria Viana Sousa Southwest Bahia State University image/svg+xml Valter de Carvalho Dias Instituto Federal da Bahia image/svg+xml .st0{fill:#A6CE39;} .st1{fill:#FFFFFF;} https://orcid.org/0000-0001-9484-552X DOI: https://doi.org/10.1590/SciELOPreprints.11957 Palavras-chave: LLM, Inteligéncia artificial, Linguística, Dados linguísticos Resumo A inteligência artificial generativa é baseada em modelos de língua em larga escala (LLMs), que são treinados com dados na maioria das vezes coletados sem consentimento ou infringindo direitos autorais. LLMs são treinados com bilhões de palavras e milhões de parâmetros, mas não sabemos exatamente quais textos são selecionados no treinamento ou quais parâmetros são controlados. Enquanto o aprendizado não supervisionado requer um grande volume de dados, demandando cada vez mais custos computacionais e gerando impactos energéticos, o aprendizado supervisionado, com dados estruturados e etiquetados pode otimizar esse processo; mais do que isso: o aprendizado supervisionado com dados estruturados e etiquetados resultantes de projetos de documentação linguística podem contribuir diretamente para o Plano Nacional de Inteligência Artificial: “Desenvolver modelos avançados de linguagem em português, com dados nacionais que abarcam nossa diversidade cultural, social e linguística, para fortalecer a soberania em IA.” No Brasil, além do português e suas variedades, há mais de 250 outras línguas (indígenas, de imigração, sinalizadas), negligenciadas na inclusão digital por falta de dados estruturados. O consórcio de laboratórios e grupos de pesquisa neste INCT visa a preparação de dados linguísticos para o treinamento de LLMs, considerando a diversidade linguística brasileira, com o desenvolvimento de um protocolo conjunto de coleta de dados linguísticos em campo, a ser replicado nos grupos e laboratórios longitudinalmente, assim como procedimentos de transcrição, alinhamento e etiquetagem de dados linguísticos para a constituição de conjunto de dados que represente a diversidade linguística brasileira, e a realização de estudos sobre processamento linguístico da diversidade para o ajuste fino dos LLMs, contribuindo para a redução de assimetrias e preconceito resultantes do treino de LLMs com traduções do inglês. Downloads Os dados de download ainda não estão disponíveis. PDF Postado 21/05/2025 Como Citar Plataforma da Diversidade Linguística Brasileira: Dados linguísticos para uma IA brasileira. (2025). Em SciELO Preprints . https://doi.org/10.1590/SciELOPreprints.11957 Formatos de Citação ACM ACS APA ABNT Chicago Harvard IEEE MLA Turabian Vancouver Baixar Citação Endnote/Zotero/Mendeley (RIS) BibTeX Série Linguística, letras e artes Copyright (c) 2025 Raquel Meister Ko Freitag, Marcia dos Santos Machado Vieira, Juliana Bertucci Barbosa, Miguel Oliveira Jr., Cleber Ataíde, Alana de Santana Correia, Amanda Post da Silveira, André Britto de Carvalho, Andréia Silva Araujo, Brayna Conceição dos Santos Cardoso, Claudia Andrea Rost Snichelotto, Eduardo Cardoso Martins, Eliabe dos Santos Procópio, Elisa Battisti, Elisângela Nogueira Teixeira, Fabiane Cristina Altino, Hadinei Ribeiro Batista, Hendrik Teixeira Macedo, Isabel de Oliveira e Silva Monguilhott, Iury Cleveston, Kendra Dickinson, Lilian Cristine Hübner, Luma da Silva Miranda, Mailce Borges Mota, Marcus Garcia de Sene, Marinete Rodrigues da Silva, Marta Deysiane Alves Faria Sousa, Monica Maria Guimarães Savedra, Pedro Ricardo Bin, Ronice Muller de Quadros, Sandro Marcío Drumond Alves Marengo, Silvana Silva de Farias Araújo, Túlio Sousa de Gois, Valéria Viana Sousa, Valter de Carvalho Dias Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License . .citations-container { overflow-y: auto; overflow-x: hidden; max-height: 1000px; } Plaudit Declaração de dados Os dados de pesquisa estão contidos no próprio manuscrito Aviso de preprints Preprints são manuscritos não avaliados por um periódico científico ou já avaliados mas em processo de publicação. .block_announcements_article:not(:last-child) { padding-bottom: 1.5em; border-bottom: 1px solid; } .block_announcements_article { text-align: left; } .block_announcements #show-all{ font-style: italic; } Notícias SciELO Preprints adota obrigatoriedade de declaração de disponibilização de dados de pesquisa 19 agosto 2025 A partir de 1º de setembro de 2025 os manuscritos submetidos ao SciELO Preprints devem incluir uma declaração de disponibilidade de dados informando sobre onde e como os dados da pesquisa que deram origem ao artigo podem ser acessados. Atualização da Política Editorial e FAQ 21 maio 2025 Todos(as) os(as) autores(as) são solicitados(as) a consultarem a nossa Política Editorial e nossas FAQs antes de submeterem o seu manuscrito. Prêmio Ben Barres Spotlight: Inscrições abertas para 2024 20 maio 2024 Prêmios de até US$ 5.000 estão agora disponíveis para pesquisadores de origens sub-representadas ou países com financiamento limitado para apoiar sua pesquisa, carreira e comunidade. Preprints do SciELO Preprints nas ciências da vida ou biomédicas com pelo menos uma revisão disponível no Sciety são elegíveis! Show all announcements ... SciELO - Scientific Electronic Library Online Rua Dr. Diogo de Faria, 1087 – 9º andar – Vila Clementino 04037-003 São Paulo/SP - Brasil E-mail: [email protected] app = {"hypothesisHandlerUrl":"https:\/\/preprints.scielo.org\/index.php\/scielo\/$$$call$$$\/plugins\/generic\/hypothesis\/controllers\/hypothesis\/"}; var pkpUsageStats = pkpUsageStats || {};pkpUsageStats.data = pkpUsageStats.data || {};pkpUsageStats.data.Submission = pkpUsageStats.data.Submission || {};pkpUsageStats.data.Submission[11957] = {"data":{"2025":{"5":"39","6":"40","7":"83","8":"65","9":"61","10":"41","11":"42","12":"23"},"2026":{"1":"84","2":"39","3":"43","4":"29","5":"25"}},"label":"Todos os downloads","color":"79,181,217","total":614}; var pkpUsageStats = pkpUsageStats || {};pkpUsageStats.locale = pkpUsageStats.locale || {};pkpUsageStats.locale.months = ["Jan","Fev","Mar","Abr","Mai","Jun","Jul","Ago","Set","Out","Nov","Dez"];pkpUsageStats.config = pkpUsageStats.config || {};pkpUsageStats.config.chartType = "bar"; (function (w, d, s, l, i) { w[l] = w[l] || []; var f = d.getElementsByTagName(s)[0], j = d.createElement(s), dl = l != 'dataLayer' ? '&l=' + l : ''; j.async = true; j.src = 'https://www.googletagmanager.com/gtag/js?id=' + i + dl; f.parentNode.insertBefore(j, f); function gtag(){dataLayer.push(arguments)}; gtag('js', new Date()); gtag('config', i); }) (window, document, 'script', 'dataLayer', '3TT8HYRH0Y');