Corpus lexicográfico e visão computacional

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

Resumo

O estudo quantitativo da variação lexical (regionalismos) na Língua Brasileira de Sinais (Libras) é metodologicamente obstaculizado pela ausência de corpora lexicográficos de grande porte com anotação querológica. Metodologias tradicionais de anotação manual, como o ELAN, são inviáveis para a construção de corpora massivos (dezenas de milhares de horas), e a práxis de glosagem conceitual (tradução) resulta na perda de informação articulatória (significante), tornando impossível o estudo de variantes querológicas sutis. Diante dessa lacuna, o objetivo geral deste artigo é propor uma arquitetura metodológica interdisciplinar que articule Linguística de Corpus, Visão Computacional e Sociolinguística Computacional para a construção de um corpus lexicográfico variacionista de Libras em larga escala. Como objetivos específicos, busca-se: (i) mapear o estado da arte na interseção entre IA e línguas de sinais por meio de revisão sistemática PRISMA; (ii) detalhar um pipeline bifásico tecnicamente robusto para coleta e anotação semiautomática; (iii) propor procedimentos de análise sociolinguística computacional para descoberta de variantes regionais; e (iv) estabelecer um framework ético centrado na Pesquisa Liderada por Surdos (Deaf-led Research). A metodologia inicia-se com revisão sistemática (2018-2025), identificando a lacuna central: a IA para línguas de sinais concentra-se quase exclusivamente em reconhecimento (SLR) e tradução (SLT), tratando a variação linguística como ruído a ser eliminado quando, para a Sociolinguística, essa variação constitui precisamente o objeto de estudo. A arquitetura proposta utiliza um pipeline bifásico. A Fase 1 (Extração de Características) emprega estimativa de pose (MediaPipe otimizado), seguindo a otimização de dos Santos et al. (2025), para converter vídeos (coletados "in-the-wild") em representações vetoriais (séries temporais de landmarks), substituindo a glosa por uma "transcrição" querológica quantificável. A Fase 2 (Anotação Semiautomática) utiliza modelos Transformers, treinados em um corpus semente, para gerar sugestões de rótulos lexicais. Essas sugestões são submetidas a uma interface de validação human-in-the-loop, onde linguistas surdos validam ou corrigem as anotações, com o modelo sendo re-treinado iterativamente. Como resultado, a metodologia produz um banco de dados relacional massivo que associa formas articulatórias (vetores) a metadados sociolinguísticos. Este corpus habilita a análise sociolinguística computacional por meio de técnicas de clustering não supervisionado, permitindo a descoberta de padrões e a identificação de variantes regionais que são, subsequentemente, correlacionados com dados geográficos para mapear a variação possibilitando a criação de atlas linguísticos quantitativos para a Libras. A conclusão é que esta arquitetura supera os gargalos da lexicografia tradicional e oferece um caminho viável para a documentação da variação. O artigo discute criticamente os fundamentos éticos, posicionando a pesquisa liderada por surdos" (Deaf-led Research) como pilar metodológico central para mitigar vieses algorítmicos (como o tecno-capacitismo) e garantir que a tecnologia funcione como ferramenta de documentação e empoderamento, e não de substituição ou erosão de direitos linguísticos.