Aumento por Retro-Tradução

A ideia: Gerar dados paralelos sintéticos traduzindo texto existente em língua-alvo de volta para a língua-fonte, depois usar esses pares sintéticos para treinar ou fazer prompt de um modelo direto. Isso expande seu corpus paralelo de forma barata — mas com ressalvas sobre qualidade.

:::info Este é um guia prático, não uma implementação finalizada Este guia esboça a estratégia e seus riscos críticos. A retro-tradução é poderosa, mas pode amplificar erros se não for feita com cuidado. :::

Quando Usar Isso

• Você tem texto monolíngue em língua-alvo mas dados paralelos limitados
• Você quer expandir um corpus de treinamento para fine-tuning sem tradução manual
• Você precisa de mais exemplos few-shot mas não consegue traduções humanas rápido o suficiente
• Você está disposto a filtrar qualidade dos dados sintéticos agressivamente

Como Funciona

[Target-language text]          "awâsisak mêtawêwak"
        │
        ▼
[Back-translate to source]      "The children are playing"  (via LLM or MT API)
        │
        ▼
[Create synthetic pair]         ("The children are playing", "awâsisak mêtawêwak")
        │
        ▼
[Quality filter]                Keep only high-confidence pairs
        │
        ▼
[Use for training/prompting]    Expand your parallel corpus

1. Coletar texto monolíngue — livros, artigos, transcrições, mídia social em língua-alvo
2. Retro-traduzir — usar um LLM ou API de MT para traduzir cada sentença para a língua-fonte
3. Filtrar qualidade — fazer tradução de ida e volta (traduzir novamente) e comparar; manter pares onde a volta ≈ original
4. Usar o corpus sintético — para fine-tuning, exemplos few-shot ou dados de coaching

Filtragem de Qualidade: O Teste de Ida e Volta

# Pseudo-code for round-trip quality filtering
for target_text in monolingual_corpus:
    # Back-translate: target → source
    synthetic_source = translate(target_text, "crk", "en")
    
    # Forward-translate: source → target
    round_trip = translate(synthetic_source, "en", "crk")
    
    # Compare round-trip to original
    chrf_score = compute_chrf(target_text, round_trip)
    
    if chrf_score > 0.70:  # High similarity = high-quality pair
        parallel_corpus.append((synthetic_source, target_text))

Risco Crítico: Amplificação de Erros

:::warning A retro-tradução amplifica vieses existentes do modelo Se seu modelo de retro-tradução comete consistentemente os mesmos erros, seu corpus sintético codificará esses erros como "corretos." Isso cria um ciclo de feedback: treinar com dados ruins → produzir piores traduções → gerar piores dados sintéticos. Sempre filtre qualidade agressivamente e misture dados sintéticos com traduções humanas verificadas. :::

Onde Encontrar Texto Monolíngue

• Boletins comunitários, jornais e publicações
• Documentos governamentais em língua-alvo (ex: Hansard de Nunavut para inuktitut)
• Materiais educacionais e livros didáticos
• Textos religiosos (amplamente disponíveis para muitas línguas)
• Mídia social (com permissões apropriadas e filtragem de qualidade)
• Áudio/vídeo transcrito de programas de língua

Prós e Contras

✅ Expande dados de treinamento de forma barata	❌ Amplifica erros do modelo se não filtrado
✅ Usa texto monolíngue abundante	❌ Teto de qualidade limitado pelo modelo de retro-tradução
✅ Fácil de gerar em escala	❌ Filtragem de ida e volta é computacionalmente intensiva
✅ Complementa outras abordagens	❌ Dados sintéticos nunca são tão bons quanto tradução humana

Combina Bem Com

• Modelo Fine-Tuned — retro-tradução cria dados de treinamento para fine-tuning
• Criação de Corpus — dados sintéticos complementam corpora criados por humanos
• Coached LLM Prompting — exemplos sintéticos podem informar dicionários de coaching

Veja Também

• Datasets de Avaliação — dados sintéticos não devem sobrepor dados de avaliação
• Regras do Leaderboard — política de contaminação
• Suporte a Língua de Baixo Recurso