Plataforma da Diversidade Linguística Brasileira: repositório de dados linguísticos para uma inteligência artificial soberana

Marcia dos Santos Machado Vieira; Raquel Meister Ko Freitag; Juliana Bertucci Barbosa

doi:10.1590/SciELOPreprints.18232

article.authors6ac036fff3243

Marcia dos Santos Machado Vieira Universidade Federal do Rio de Janeiro https://orcid.org/0000-0002-2320-5055
- Conceptualization
- Data Curation
- Formal Analysis
- Project Administration
- Writing – Original Draft Preparation
- Writing – Review & Editing
Raquel Meister Ko Freitag Universidade Federal de Sergipe https://orcid.org/0000-0002-4972-4320
- Conceptualization
- Data Curation
- Formal Analysis
- Project Administration
- Writing – Original Draft Preparation
- Writing – Review & Editing
Juliana Bertucci Barbosa Universidade Federal do Triângulo Mineiro https://orcid.org/0000-0002-1510-633X
- Conceptualization
- Data Curation
- Formal Analysis
- Project Administration
- Writing – Original Draft Preparation
- Writing – Review & Editing

DOI:

https://doi.org/10.1590/SciELOPreprints.18232

Palavras-chave:

Repositórios digitais, Curadoria de dados, Diversidade linguística, Ciência aberta, Inteligência artificial.

Resumo

Objetivo: Apresentar a proposta da Plataforma da Diversidade Linguística Brasileira, iniciativa da Associação Brasileira de Linguística (ABRALIN) e do Grupo de Trabalho de Sociolinguística da Associação Nacional de Pós-Graduação e Pesquisa em Letras e Linguística (ANPOLL), e discutir sua contribuição para o desenvolvimento de modelos de linguagem em português previsto no Plano Brasileiro de Inteligência Artificial (PBIA) 2024-2028.

Método: Ensaio teórico-propositivo, fundamentado na análise documental do PBIA e em estudos sobre vieses linguísticos em modelos de linguagem e sobre a gestão de coleções de dados sociolinguísticos no Brasil.

Resultado: Os modelos de linguagem disponíveis são treinados com dados em que predomina o inglês e em que o português aparece sobretudo em registros escritos, formais e urbanos, o que repercute na reprodução de vieses, estereótipos e na invisibilização de variedades e falantes sub-representados; paralelamente, as coleções de dados linguísticos produzidas por especialistas permanecem fragmentadas e concentradas regional e institucionalmente. A Plataforma é proposta como repositório nacional de coleções de dados linguísticos, orientado pelos princípios FAIR e sustentado por uma rede colaborativa de laboratórios.

Conclusões: A Plataforma constitui ponte estratégica entre a ciência linguística, a ciência de dados, a ciência da informação e o desenvolvimento tecnológico, com impactos para o ensino, para as políticas linguísticas e para a soberania digital brasileira.