Corpus lexicográfico y visión por computadora: una metodología basada en IA para la recolección y anotación semiautomática a gran escala de signos y el análisis de la variación léxica (regionalismos) en la Lengua de Señas Brasileña

uma metodologia baseada em IA para a coleta e anotação semiautomática de sinais em larga escala e a análise de variações lexicais (regionalismos) em Libras

Resumen

El estudio cuantitativo de la variación léxica (regionalismos) en  Libras se ve metodológicamente obstaculizado por la ausencia de corpus lexicográficos a gran escala, anotados cherológicamente. Las metodologías tradicionales de anotación manual, como ELAN, son inviables para la construcción de corpus masivos (decenas de miles de horas), y la praxis del glosado conceptual (traducción) resulta en la pérdida de información articulatoria (significante), haciendo imposible el estudio de variantes cherológicas sutiles. Este artículo propone una arquitectura metodológica interdisciplinaria que resuelve este doble cuello de botella articulando Lingüística de Corpus, Visión por Computadora y Sociolingüística Computacional. El objetivo es detallar una cadena técnica y éticamente robusta para la recolección y anotación semiautomática a gran escala, enfocada específicamente en el descubrimiento y análisis de la variación sociolingüística. La metodología inicia con una revisión sistemática (PRISMA) que mapea el estado del arte (2018-2025), identificando la brecha central: la IA se enfoca casi exclusivamente en el reconocimiento (SLR) y la traducción (SLT), tratando la variación lingüística como ruido en lugar de objeto de estudio. La arquitectura propuesta emplea una cadena de dos fases. La Fase 1  utiliza la estimación de pose (MediaPipe optimizado), siguiendo la optimización de dos Santos et al. (2025), para convertir videos (recogidos "in-the-wild") en representaciones vectoriales (series temporales de puntos de referencia), reemplazando el glosado por una "transcripción cherológica" cuantificable. La Fase 2  utiliza modelos Transformer, entrenados sobre un corpus inicial, para generar sugerencias de etiquetas léxicas. Estas sugerencias son sometidas a una interfaz de validación con intervención humana, donde lingüistas Sordos validan o corrigen las anotaciones, con el modelo siendo reentrenado iterativamente. Como resultado, la metodología produce una base de datos relacional masiva que vincula formas articulatorias (vectores) con metadatos sociolingüísticos. Este corpus permite un análisis sociolingüístico computacional mediante técnicas de agrupamiento no supervisado, facilitando el descubrimiento de patrones y la identificación de variantes regionales, que se correlacionan posteriormente con datos geográficos para mapear la variación, posibilitando la creación de atlas lingüísticos cuantitativos para Libras. La conclusión es que esta arquitectura supera los cuellos de botella de la lexicografía tradicional y ofrece una vía viable para documentar la variación. El artículo discute críticamente los fundamentos éticos, posicionando la "Investigación dirigida por Sordos" como un pilar metodológico central para mitigar sesgos algorítmicos (como el tecno-ablismo) y asegurar que la tecnología funcione como herramienta de documentación y empoderamiento, no para la sustitución ni la erosión de los derechos lingüísticos.