Ir para o conteúdo principal

Soberania de Dados

Resumo Executivo. Esta página explica os princípios de soberania de dados OCAP®, CARE e Te Mana Raraunga e o que eles significam para desenvolvedores que criam métodos de tradução para línguas indígenas. Aborda quando o consentimento da comunidade é necessário, como a arquitetura do método api do champollion suporta soberania de dados, e as obrigações éticas de qualquer pessoa que trabalhe com dados linguísticos indígenas.

A tradução automática para línguas indígenas levanta questões que não existem para francês ou japonês. Quem é dono dos dados de treinamento? Quem controla como um modelo de linguagem fala? Quem decide se uma tradução é boa o suficiente para publicar?

A resposta é sempre a comunidade.

O champollion foi construído para apoiar isso. O método api mantém todos os recursos linguísticos no servidor sob controle da comunidade. O sistema de plugins separa o método da ferramenta. Mas a ferramenta não pode impor ética — esta página explica os princípios que você deve seguir.

Princípios OCAP®​

OCAP (Ownership, Control, Access, Possession) é um conjunto de princípios desenvolvido pelo First Nations Information Governance Centre (FNIGC) que estabelecem como os dados das Primeiras Nações devem ser coletados, protegidos, usados e compartilhados.

PrincípioO que Significa para Tradução
OwnershipA comunidade é dona de seus dados linguísticos — dicionários, gramáticas, textos paralelos, arquivos de coaching e qualquer tradução produzida a partir deles.
ControlA comunidade controla como seus dados de linguagem são usados, quem tem acesso e quais métodos de tradução são aceitáveis.
AccessMembros da comunidade têm o direito de acessar e gerenciar seus próprios recursos linguísticos independentemente de onde estejam armazenados.
PossessionOs dados físicos (arquivos de coaching, dicionários, pesos do modelo) devem residir em infraestrutura que a comunidade controla — não em nuvem de terceiros.

O que OCAP significa na prática​

  • Não publique traduções de uma língua indígena sem autorização explícita da comunidade.
  • Não treine modelos em dados linguísticos fornecidos pela comunidade sem um acordo de compartilhamento de dados.
  • Não faça scraping de recursos linguísticos da comunidade em sites, redes sociais ou materiais educacionais.
  • Use o método api para que prompts, dados de coaching e dicionários permaneçam em servidores controlados pela comunidade. O método api do champollion é um "cano burro" — envia chaves e recebe traduções de volta. Toda a propriedade intelectual linguística fica no servidor.
  • Documente a proveniência — o campo provenance no manifesto do plugin deve listar cada recurso usado, sua licença e sua origem.

:::warning OCAP® é uma marca registrada OCAP® é uma marca registrada do First Nations Information Governance Centre. Aplica-se especificamente às Primeiras Nações no Canadá. Os princípios têm relevância mais ampla, mas a marca registrada e a autoridade de governança pertencem ao FNIGC. :::

Princípios CARE​

Os Princípios CARE para Governança de Dados Indígenas foram desenvolvidos pela Global Indigenous Data Alliance (GIDA) como complemento aos princípios de dados FAIR. FAIR diz que dados devem ser Findable, Accessible, Interoperable e Reusable. CARE diz que isso não é suficiente — a governança de dados também deve centralizar os direitos indígenas.

PrincípioAplicação
Collective BenefitFerramentas de tradução devem beneficiar a comunidade linguística em primeiro lugar. Pontuações em leaderboards são um meio para melhorar métodos, não para extrair valor comercial de línguas comunitárias.
Authority to ControlComunidades têm autoridade para governar como seus dados de linguagem são coletados, usados e compartilhados. Uma pontuação alta no leaderboard não concede permissão para publicar traduções.
ResponsibilityPesquisadores e desenvolvedores que trabalham com dados de línguas indígenas têm responsabilidade de construir relacionamentos, obter consentimento e compartilhar benefícios.
EthicsOs direitos e bem-estar dos povos indígenas devem ser a preocupação primária. Métodos de tradução devem ser desenvolvidos com comunidades, não sobre elas.

Te Mana Raraunga — Soberania de Dados Māori​

Te Mana Raraunga é a Māori Data Sovereignty Network. Ela afirma que dados Māori — incluindo dados de linguagem — são um taonga (tesouro) sujeito aos princípios do Tratado de Waitangi e tikanga Māori (lei consuetudinária Māori).

Princípios-chave:

PrincípioSignificado
Rangatiratanga (Autoridade)Māori têm direito inerente de exercer autoridade sobre seus dados, incluindo dados de linguagem.
Whakapapa (Relacionamentos)Dados têm origens e conexões. Dados de linguagem carregam os relacionamentos e conhecimento das pessoas que os criaram.
Whanaungatanga (Obrigações)Aqueles que detêm ou processam dados Māori têm obrigações recíprocas com as comunidades de origem.
Kotahitanga (Benefício coletivo)Dados Māori devem ser usados para o benefício coletivo de Māori.
Manaakitanga (Reciprocidade)O uso de dados Māori deve envolver cuidado, respeito e reciprocidade.
Kaitiakitanga (Guardiania)Guardiões de dados têm dever de proteger os dados e garantir que sejam usados apropriadamente.

Esses princípios se aplicam a te reo Māori (a língua Māori) e a qualquer trabalho computacional envolvendo dados da língua Māori.

O que Isso Significa para Usuários do champollion​

Para línguas padrão (francês, japonês, espanhol...)​

Use o champollion normalmente. Essas línguas têm grandes corpora publicamente disponíveis, APIs de tradução estabelecidas e nenhuma preocupação de soberania. Traduza, sincronize e publique como desejar.

Para línguas indígenas e de baixo recurso​

A situação é fundamentalmente diferente:

  1. Obtenha consentimento primeiro. Antes de construir um método de tradução para uma língua indígena, estabeleça um relacionamento com a comunidade. Um método construído sem envolvimento da comunidade — não importa quão tecnicamente impressionante — não deve ser publicado ou distribuído.

  2. Use o método api. Hospede o pipeline de tradução em infraestrutura controlada pela comunidade. O método api no champollion foi projetado para isso: envia chaves e recebe traduções de volta sem expor os prompts, dicionários ou dados de coaching que fazem o método funcionar.

    Community-controlled setup
    {
      "pairs": {
        "en:crk": {
          "method": "api",
          "endpoint": "https://api.community-server.example/translate"
        }
      }
    }

  3. Documente tudo. Use o campo provenance no seu manifesto de plugin para listar cada recurso, sua licença e se foi fornecido com consentimento da comunidade.

  4. Pontuações não são licenças. Uma pontuação alta no leaderboard prova que um método funciona bem tecnicamente. Não concede permissão para publicar traduções, distribuir o plugin ou comercializar o método. A comunidade decide.

  5. Compartilhe o método, não os dados. Se você desenvolver uma técnica que funciona bem (por exemplo, "LLM com gate FST e prompts coached"), compartilhe a arquitetura e abordagem no leaderboard. A comunidade retém controle sobre os dados linguísticos que a fazem funcionar para sua língua específica.

O Método api e Soberania​

O método de tradução api existe especificamente para apoiar soberania de dados. Aqui está o porquê:

AspectoOutros MétodosMétodo api
Onde prompts vivemNos arquivos de config do champollion (visíveis para todos os desenvolvedores)No servidor da comunidade (privado)
Onde dados de coaching vivemNo diretório .champollion/coaching/ (commitado no git)No servidor da comunidade (privado)
Onde dicionários vivemNo diretório do plugin (distribuído com o plugin)No servidor da comunidade (privado)
Quem controla o pipelineQuem executa champollion syncA comunidade que opera a API
O que champollion vêTudoChaves dentro, traduções fora

O método api é uma escolha arquitetônica deliberada. É um "cano burro" porque a propriedade intelectual — o conhecimento linguístico, as regras de gramática, os exemplos de coaching cuidadosamente curados — pertence à comunidade, não à ferramenta.

Veja Serving a Method via API para detalhes de implementação.

Estudo de Caso: OMT-1600 e Soberania de Dados​

O OMT-1600 da Meta (março de 2026) fornece um exemplo concreto de por que soberania de dados importa para línguas indígenas. O OMT-1600 treinou modelos de tradução para 1.600 línguas usando:

  • CC-2000-Web: Texto monolíngue coletado por web scraping de 2.000+ languoides — coletado sem consentimento da comunidade
  • Traduções da Bíblia: Textos religiosos usados como dados de treinamento paralelo e avaliação para as línguas com menor recurso
  • MeDLEy: Bitext manualmente curado — mas sem conformidade OCAP® ou CARE documentada
  • Dados sintéticos retrotraduzidos: ~270 milhões de sentenças paralelas sintéticas geradas pelos próprios modelos

Para línguas indígenas como Plains Cree (CRK), isso significa:

PrincípioPrática OMT-1600Impacto
OwnershipMeta é dona dos modelos e decide como liberá-losComunidade não tem participação na propriedade de como sua língua é modelada
ControlMeta controla seleção de dados de treinamento, arquitetura do modelo e cronograma de lançamentoComunidade não tem entrada em quais dados são usados ou como a língua é representada
AccessPesos do modelo não estão disponíveis atualmente — "não lançados devido a fatores fora do controle dos autores"Comunidade não pode acessar, inspecionar ou modificar o modelo que fala sua língua
PossessionTodos os dados e modelos residem em infraestrutura da MetaComunidade não pode hospedar, auditar ou deletar os dados usados para treinar o modelo

OMT-1600 é uma realização de pesquisa. É também um exemplo de prática extrativista de dados: dados linguísticos foram coletados da web e textos religiosos, processados em um modelo e publicados como um artigo — tudo sem envolvimento, consentimento ou compartilhamento de benefícios da comunidade.

Este é exatamente o padrão que a arquitetura de soberania do champollion previne. O método api mantém propriedade intelectual linguística em servidores controlados pela comunidade. Corpora de avaliação são fornecidos com consentimento da comunidade e armazenados sob custódia de chaves da comunidade. Métodos vencedores de prêmios são transferidos para propriedade da comunidade. A diferença não é técnica — é ética e estrutural.

:::note OMT-1600 não é uniquamente culpado Este padrão — web scraping seguido de treinamento de modelo sem consentimento da comunidade — é prática padrão em pesquisa de PNL massivamente multilíngue. OMT-1600 é um estudo de caso por causa de sua escala (1.600 línguas) e recência (março de 2026), não porque é uniquamente extrativista. A mesma crítica se aplica a NLLB-200, esforços multilíngues do Google e a maioria da pesquisa de MT em larga escala. :::

Leitura Adicional​

Veja Também​