Entre rimas e algoritmos: uma investigação sobre tradução automática poética

AgradecimentosAgradeço, primeiramente, à minha mãe, Sueli, pelo amor e apoio incondicional, pela alegria sincera a cada uma de minhas conquistas, pelo orgulho visível em cada passo meu e por me ensinar, desde sempre, a ter resiliência.Ao Gustavo, pelo incentivo constante, pelo apoio, pela paciência em repassar comigo cada cenário, por comemorar comigo cada conquista e planejar os próximos passos sempre me incentivando a acreditar que consigo.À minha orientadora, Profa.Dra.Elaine Ribeiro de Faria Paiva, e ao meu coorientador, Prof. Dr. Paulo Henrique Ribeiro Gabriel, pelas orientações cuidadosas e pelas valiosas contribuições intelectuais, mas também pelo apoio nesse caminho acadêmico e, acima de tudo, por aceitarem se aventurar comigo entre os campos da poesia.Aos professores da Faculdade de Computação e ao Programa de Pós-Graduação em Ciência da Computação da Universidade Federal de Uberlândia, pelo apoio, pelas disciplinas ministradas, conhecimento compartilhado e pela infraestrutura e suporte oferecidos.À CAPES: o presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior -Brasil (CAPES) -Código de Financiamento 001."Numa meia-noite agreste, quando eu lia, lento e triste, Vagos curiosos tomos de ciências ancestrais, E já quase adormecia, ouvi o que parecia O som de alguém que batia levemente a meus umbrais.'Uma visita', eu me disse, 'está batendo a meus umbrais.É só isto, e nada mais.' " (Poe, 2017)Resumo A tradução poética é uma tarefa complexa que vai além da simples transferência semântica, exigindo a preservação de ritmo, rima, imagens, elementos estilísticos e nuances culturais.Apesar dos avanços na tradução automática, esses sistemas ainda apresentam limitações em contextos literários e poéticos.Este trabalho investiga as capacidades de modelos de tradução automática (TA) em seis pares de línguas (Português-Inglês, Inglês-Português, Português-Francês, Francês-Português, Inglês-Francês e Francês-Inglês), comparando modelos de tradução especializados, como Google Translate, MarianMT, mBART e OpenNMT usando Rede Recorrente Neural (RNN), incluindo fine-tuning com corpora de poemas e letras de música, com grandes modelos de linguagem (LLMs) como ChatGPT e Maritaca AI.Foi implementado um pipeline de avaliação em três fases, combinando (i) métricas automáticas (BLEU, METEOR, BERTScore, BARTScore) para medir similaridade lexical e semântica, (ii) modelagem de tópicos com BERTopic para avaliar a preservação temática, e (iii) avaliação humana especializada focada em estrutura poética, estilo, fluência e significado.Os resultados indicam que os LLMs e o Google Translate, superam consistentemente os modelos tradicionais de TA, enquanto o OpenNMT (RNN) apresentou desempenho inferior.O uso do prompt influenciou o desempenho dos LLMs: ChatGPT obteve maior fidelidade semântica com prompts gerais, enquanto Maritaca AI integrou melhor instruções poéticas explícitas em português.A avaliação humana confirmou melhores pontuações para LLMs em fluência e preservação do significado, embora todos os modelos tenham dificuldades em estrutura e estilo Poético.A modelagem de tópicos confirmou que esses modelos preservam melhor a consistência temática, muitas vezes alinhando-se mais às traduções humanas de referência do que aos poemas originais.Os efeitos do fine-tuning foram dependentes da arquitetura: mBART se beneficiou de poemas e letras de música, ao contrário do MarianMT e OpenNMT (RNN).