Língua e conteúdo

Para pensar 

Das cerca de 7.000 línguas globais, apenas algumas prosperam digitalmente, sendo que meras 10 línguas representam 82% de todo o conteúdo da internet. Essa enorme disparidade de recursos é o principal desafio para a moderação de conteúdo em idiomas que não o inglês. Antes do surgimento dos grandes modelos de linguagem (LLMs), ferramentas de moderação e revisores humanos já enfrentavam dificuldades, muitas vezes falhando em capturar a complexidade linguística da transliteração, da alternância de códigos (code-switching) e do sofisticado algospeak, comum em conteúdos não ingleses.

A ascensão dos LLMs apresenta um paradoxo. Embora esses sistemas sejam frequentemente celebrados como independentes de idioma, pesquisas mostram que são construídos sobre uma base que favorece fortemente o inglês e alguns outros idiomas dominantes, criando uma espécie de câmara de eco tipológica. Isso gera um ciclo de “os pobres ficam mais pobres” no espaço digital. Idiomas com muitos recursos recebem as melhores ferramentas de moderação, os chatbots mais precisos, os filtros mais seguros e dominam rankings de desempenho. Enquanto isso, comunidades que falam línguas de “baixo recurso” ficam com ferramentas que não entendem suas gírias, nuances culturais ou riscos de segurança.

O tom do texto é pessimista. Mas eu vejo algo bastante positivo, pois os modelos LLMs permite um acesso rápido ao que está ocorrendo no mundo. Eu consigo ler um jornal italiano, por exemplo, sem precisar saber italiano. E um estrangeiro pode ler o que escrevemos por aqui, sem necessitar de anos para aprender o português. Esse ponto não pode ser esquecido.

Mas a crítica pode ser pertinente em algumas situações. Já tive a experiência de solicitar algo para IA e claramente sua resposta passou, primeiro, pelo inglês. Ocorre com frequência quando peço ajuda em aspectos tecnológicos, como resolver problemas no Linux. Há também aspectos culturais e novamente citando um exemplo que tive, em um determinado momento o GPT respondeu uma pergunta minha e usou o sinal de ok, que na nossa cultura tem outro significado.