Como estamos fazendo pesquisa etimológica
Para nos aprofundar no pensamento chinês, viemos nos debruçando sobre a etimologia dos principais caracteres que usamos. O ponto de partida foi a Academia Sinica e os dois mil anos de etimologia, que dá acesso ao Shuowen Jiezi e ao comentário de Duan Yucai. A partir daí o material foi crescendo: o próprio Shuowen Jiezi, Richard Sears (hanziyuan) e o CantoDict para os caracteres cantoneses.
As fontes#
As sete, cada uma com um papel distinto:
- MDBG: definições e leituras modernas (pinyin, jyutping).
- chardb, da Academia Sinica: definições chinesas numeradas, verbatim.
- CantoDict (cantonese.org): leitura cantonesa com tons.
- hanziyuan.net, de Richard Sears: decomposição e formas antigas (osso oracular, bronze, selo).
- 小學堂 (Xiaoxuetang), da Academia Sinica: evolução das formas e fonologia (chinês médio pelo 廣韻, chinês antigo em cinco sistemas de reconstrução).
- shuowen.org: o Shuowen Jiezi e o comentário 段注 de Duan Yucai.
- 漢語多功能字庫, da Universidade Chinesa de Hong Kong: cruzamento e etimologia interpretativa.
Os caracteres são processados um de cada vez, nunca em paralelo. Disparar consultas simultâneas a todas as bases, para vários caracteres, sobrecarregaria serviços que uso de graça.
Uma ressalva sobre o MDBG. O dado que ele serve vem do CC-CEDICT, dicionário comunitário sob licença Creative Commons (CC BY-SA). O conteúdo é livre. O site, porém, pede que não se faça acesso automatizado à base: livre para ler, não para varrer com robô. Por isso a consulta é manual e uma de cada vez, não um crawler solto sobre o dicionário.
LLMs#
Um modelo de linguagem lê o que as sete fontes retornam e organiza: junta as definições, alinha as formas antigas, traduz os comentários, monta a tabela de fonologia. É trabalho de leitura e ordenação, e nisso ele rende.
O que ele não faz é separar o que é verdade do que apenas soa verdadeiro. Um LLM é treinado para prever a próxima palavra e seguir o texto de forma plausível; quando o dado falta, preenche com o que caberia ali. É o fenômeno que a literatura técnica chama de alucinação. Numa etimologia, uma glosa inventada tem a mesma cara de uma glosa atestada.
Os próprios crawlers que raspam essas fontes saíram do modelo também, e aí ele acerta com folga: código roda ou não roda, o erro aparece na hora. Uma glosa inventada não dispara erro nenhum, e é aí que entra a exigência de fonte.
A seção que importa#
Cada nota termina com as divergências entre as fontes: o registro de onde elas discordam, sem síntese que apare as arestas. As contagens de atestação (quantas formas em osso oracular, bronze, selo) variam entre o hanziyuan e a 小學堂, que costuma ser mais precisa. O significado primário do Shuowen nem sempre é o primeiro sentido do MDBG. A mesma decomposição pode ser lida como fonética numa fonte e semântica noutra.
A regra é não resolver a divergência por conta própria. A nota registra o desacordo e deixa o leitor vê-lo.
O papel criativo do modelo termina aqui: a partir do que as fontes atestam, sintetizar uma nota legível. Ele junta, traduz e organiza o que veio das sete bases, mas não é ele que responde pelo dado. Cada afirmação carrega a fonte que a sustenta.
Contra a paráfrase plausível#
Toda afirmação factual precisa de fonte inline. Etimologia, datação, glosa, leitura. Sem fonte atestada, a afirmação não entra.
Em etimologia, o erro mais enganoso é inventar um dado para fechar um vazio. Uma glosa que soa certa, uma datação “Ming–Qing” plausível, um comentário reconstruído de memória. São plausíveis, e verificáveis como falsos. Um modelo de linguagem preenche esse vazio por padrão; um filólogo com pressa faz o mesmo.
Quando uma fonte não retorna o dado, a nota diz isso, com o motivo:
段注 Duan Yucai: (não retornou dados — shuowen.org devolveu apenas a listagem do dicionário; o fallback zdic.net retornou 404)
Isso é de uma nota real, a de 分 (fēn, “dividir”). As fontes não retornaram o 段注 desse caractere no momento da escrita. A nota não fabrica um. Deixa o buraco à vista, com a causa, e quem vier depois sabe o que falta e onde procurar.