Pedro Ricardo Bin
Current Organizations / Institutes
The organizations/institutes from the scholar's latest article
Pedro Ricardo Bin has a total of 49 co-authors. Here are the top co-authors by number of shared publications:
- Mailce Borges Mota
Universidade Federal de Santa Catarina
4 shared publications - André Britto
Universidade Federal de Sergipe
2 shared publications - Brayna Conceição dos Santos Cardoso
Universidade federal do Pará
2 shared publications - Cleber Ataíde
Universidade Federal de Pernambuco
2 shared publications - Eduardo Cardoso Martins
Universidade Federal do Amazonas
2 shared publications - Eliabe dos Santos Procópio
Universidade Federal de Sergipe
2 shared publications
Latest Publications
- Open Access
- 19 December 2025
- Published by Associacao Brasileira de Linguistica in Cadernos de Linguística
- Vol. 6 (4) , e863
Plataforma da Diversidade Linguística Brasileira: dados linguísticos para uma IA brasileira
Generative artificial intelligence is based on large-scale language models (LLMs), which are trained with data most often collected without consent or in breach of copyright. LLMs are trained with billions of words and millions of parameters, but we don't know exactly which texts are selected in the training or which parameters are controlled. While unsupervised learning requires a large volume of data, demanding more and more computational costs and generating energy impacts, supervised learning with structured and tagged data can optimize this process; more than that: supervised learning with structured and tagged data resulting from language documentation projects can contribute directly to the National Artificial Intelligence Plan: “Develop advanced language models in Portuguese, with national data that encompasses our cultural, social and linguistic diversity, to strengthen sovereignty in AI.” In Brazil, in addition to Portuguese and its varieties, there are more than 250 other languages (indigenous, immigration, sign language), which are neglected in digital inclusion due to a lack of structured data. The consortium of laboratories and research groups in this INCT aims to prepare linguistic data for the training of LLMs, considering Brazil's linguistic diversity, with the development of a joint protocol for collecting linguistic data in the field, to be replicated in the groups and laboratories longitudinally, as well as transcription procedures, as well as procedures for transcribing, aligning and labeling linguistic data to create a data set that represents Brazilian linguistic diversity, and conducting studies on linguistic processing of diversity to fine-tune LLMs, helping to reduce asymmetries and prejudice resulting from training LLMs with translations from English. A inteligência artificial generativa é baseada em modelos de língua em larga escala (LLMs), que são treinados com dados na maioria das vezes coletados sem consentimento ou infringindo direitos autorais. LLMs são treinados com bilhões de palavras e milhões de parâmetros, mas não sabemos exatamente quais textos são selecionados no treinamento ou quais parâmetros são controlados. Enquanto o aprendizado não supervisionado requer um grande volume de dados, demandando cada vez mais custos computacionais e gerando impactos energéticos, o aprendizado supervisionado, com dados estruturados e etiquetados pode otimizar esse processo; mais do que isso: o aprendizado supervisionado com dados estruturados e etiquetados resultantes de projetos de documentação linguística podem contribuir diretamente para o Plano Nacional de Inteligência Artificial: “Desenvolver modelos avançados de linguagem em português, com dados nacionais que abarcam nossa diversidade cultural, social e linguística, para fortalecer a soberania em IA.” No Brasil, além do português e suas variedades, há mais de 250 outras línguas (indígenas, de imigração, sinalizadas), negligenciadas na inclusão digital por falta de dados estruturados. O consórcio de laboratórios e grupos de pesquisa neste INCT visa a preparação de dados linguísticos para o treinamento de LLMs, considerando a diversidade linguística brasileira, com o desenvolvimento de um protocolo conjunto de coleta de dados linguísticos em campo, a ser replicado nos grupos e laboratórios longitudinalmente, assim como procedimentos de transcrição, alinhamento e etiquetagem de dados linguísticos para a constituição de um conjunto de dados que represente a diversidade linguística brasileira, e a realização de estudos sobre processamento linguístico da diversidade para o ajuste fino dos LLMs, contribuindo para a redução de assimetrias e preconceito resultantes do treino de LLMs com traduções do inglês.
- 19 December 2025
- Published by Associacao Brasileira de Linguistica in Cadernos de Linguística
- Vol. 6 (4) , e863
Open AccessPlataforma da Diversidade Linguística Brasileira: dados linguísticos para uma IA brasileira
Generative artificial intelligence is based on large-scale language models (LLMs), which are trained with data most often collected without consent or in breach of copyright. LLMs are trained with billions of words and millions of parameters, but we don't know exactly which texts are selected in the training or which parameters are controlled. While unsupervised learning requires a large volume of data, demanding more and more computational costs and generating energy impacts, supervised learning with structured and tagged data can optimize this process; more than that: supervised learning with structured and tagged data resulting from language documentation projects can contribute directly to the National Artificial Intelligence Plan: “Develop advanced language models in Portuguese, with national data that encompasses our cultural, social and linguistic diversity, to strengthen sovereignty in AI.” In Brazil, in addition to Portuguese and its varieties, there are more than 250 other languages (indigenous, immigration, sign language), which are neglected in digital inclusion due to a lack of structured data. The consortium of laboratories and research groups in this INCT aims to prepare linguistic data for the training of LLMs, considering Brazil's linguistic diversity, with the development of a joint protocol for collecting linguistic data in the field, to be replicated in the groups and laboratories longitudinally, as well as transcription procedures, as well as procedures for transcribing, aligning and labeling linguistic data to create a data set that represents Brazilian linguistic diversity, and conducting studies on linguistic processing of diversity to fine-tune LLMs, helping to reduce asymmetries and prejudice resulting from training LLMs with translations from English. A inteligência artificial generativa é baseada em modelos de língua em larga escala (LLMs), que são treinados com dados na maioria das vezes coletados sem consentimento ou infringindo direitos autorais. LLMs são treinados com bilhões de palavras e milhões de parâmetros, mas não sabemos exatamente quais textos são selecionados no treinamento ou quais parâmetros são controlados. Enquanto o aprendizado não supervisionado requer um grande volume de dados, demandando cada vez mais custos computacionais e gerando impactos energéticos, o aprendizado supervisionado, com dados estruturados e etiquetados pode otimizar esse processo; mais do que isso: o aprendizado supervisionado com dados estruturados e etiquetados resultantes de projetos de documentação linguística podem contribuir diretamente para o Plano Nacional de Inteligência Artificial: “Desenvolver modelos avançados de linguagem em português, com dados nacionais que abarcam nossa diversidade cultural, social e linguística, para fortalecer a soberania em IA.” No Brasil, além do português e suas variedades, há mais de 250 outras línguas (indígenas, de imigração, sinalizadas), negligenciadas na inclusão digital por falta de dados estruturados. O consórcio de laboratórios e grupos de pesquisa neste INCT visa a preparação de dados linguísticos para o treinamento de LLMs, considerando a diversidade linguística brasileira, com o desenvolvimento de um protocolo conjunto de coleta de dados linguísticos em campo, a ser replicado nos grupos e laboratórios longitudinalmente, assim como procedimentos de transcrição, alinhamento e etiquetagem de dados linguísticos para a constituição de um conjunto de dados que represente a diversidade linguística brasileira, e a realização de estudos sobre processamento linguístico da diversidade para o ajuste fino dos LLMs, contribuindo para a redução de assimetrias e preconceito resultantes do treino de LLMs com traduções do inglês.
- Open Access
- 21 May 2025
- Published by FapUNIFESP (SciELO) in SciELO Preprints
Plataforma da Diversidade Linguística Brasileira: Dados linguísticos para uma IA brasileira
Generative artificial intelligence is based on large-scale language models (LLMs), which are trained with data most often collected without consent or in breach of copyright. LLMs are trained with billions of words and millions of parameters, but we don't know exactly which texts are selected in the training or which parameters are controlled. While unsupervised learning requires a large volume of data, demanding more and more computational costs and generating energy impacts, supervised learning with structured and tagged data can optimize this process; more than that: supervised learning with structured and tagged data resulting from language documentation projects can contribute directly to the National Artificial Intelligence Plan: “Develop advanced language models in Portuguese, with national data that encompasses our cultural, social and linguistic diversity, to strengthen sovereignty in AI.” In Brazil, in addition to Portuguese and its varieties, there are more than 250 other languages (indigenous, immigration, sign language), which are neglected in digital inclusion due to a lack of structured data. The consortium of laboratories and research groups in this INCT aims to prepare linguistic data for the training of LLMs, considering Brazil's linguistic diversity, with the development of a joint protocol for collecting linguistic data in the field, to be replicated in the groups and laboratories longitudinally, as well as transcription procedures, as well as procedures for transcribing, aligning and labeling linguistic data to create a data set that represents Brazilian linguistic diversity, and conducting studies on linguistic processing of diversity to fine-tune LLMs, helping to reduce asymmetries and prejudice resulting from training LLMs with translations from English.
- 21 May 2025
- Published by FapUNIFESP (SciELO) in SciELO Preprints
Open AccessPlataforma da Diversidade Linguística Brasileira: Dados linguísticos para uma IA brasileira
Generative artificial intelligence is based on large-scale language models (LLMs), which are trained with data most often collected without consent or in breach of copyright. LLMs are trained with billions of words and millions of parameters, but we don't know exactly which texts are selected in the training or which parameters are controlled. While unsupervised learning requires a large volume of data, demanding more and more computational costs and generating energy impacts, supervised learning with structured and tagged data can optimize this process; more than that: supervised learning with structured and tagged data resulting from language documentation projects can contribute directly to the National Artificial Intelligence Plan: “Develop advanced language models in Portuguese, with national data that encompasses our cultural, social and linguistic diversity, to strengthen sovereignty in AI.” In Brazil, in addition to Portuguese and its varieties, there are more than 250 other languages (indigenous, immigration, sign language), which are neglected in digital inclusion due to a lack of structured data. The consortium of laboratories and research groups in this INCT aims to prepare linguistic data for the training of LLMs, considering Brazil's linguistic diversity, with the development of a joint protocol for collecting linguistic data in the field, to be replicated in the groups and laboratories longitudinally, as well as transcription procedures, as well as procedures for transcribing, aligning and labeling linguistic data to create a data set that represents Brazilian linguistic diversity, and conducting studies on linguistic processing of diversity to fine-tune LLMs, helping to reduce asymmetries and prejudice resulting from training LLMs with translations from English.
- Open Access
Efeitos de priming estrutural no processamento de passivas em português brasileiro
Apresentamos dois experimentos que investigam os efeitos de priming estrutural no processamento de frases na voz passiva em português brasileiro. No experimento 1, 22 participantes leram 120 sentenças experimentais e 120 distratoras, divididas em duas condições: experimental, com repetição da estrutura alvo e repetição lexical do verbo principal entre sentença prime e sentença alvo, e controle, sem repetição estrutural, mas com repetição lexical do verbo entre sentenças prime e alvo. Os resultados mostram que a repetição da estrutura sintática da voz passiva e do verbo principal facilitaram o processamento do verbo da sentença alvo da condição experimental em comparação com a condição controle. No experimento 2, 38 participantes leram 160 sentenças experimentais e 160 distratoras, também divididas em duas condições: experimental, com repetição estrutural, mas sem lexical, e controle, sem repetição estrutural, nem lexical. Os resultados mostram que a repetição da estrutura sintática da voz passiva não facilitou o processamento do verbo da sentença alvo da condição experimental em comparação com a condição controle. Assim, a detecção de efeitos de priming somente no experimento 1 parece indicar que, ao menos para esta amostra de falantes adultos nativos de português, os efeitos de priming estrutural na compreensão são dependentes da repetição lexical.
Open AccessEfeitos de priming estrutural no processamento de passivas em português brasileiro
Apresentamos dois experimentos que investigam os efeitos de priming estrutural no processamento de frases na voz passiva em português brasileiro. No experimento 1, 22 participantes leram 120 sentenças experimentais e 120 distratoras, divididas em duas condições: experimental, com repetição da estrutura alvo e repetição lexical do verbo principal entre sentença prime e sentença alvo, e controle, sem repetição estrutural, mas com repetição lexical do verbo entre sentenças prime e alvo. Os resultados mostram que a repetição da estrutura sintática da voz passiva e do verbo principal facilitaram o processamento do verbo da sentença alvo da condição experimental em comparação com a condição controle. No experimento 2, 38 participantes leram 160 sentenças experimentais e 160 distratoras, também divididas em duas condições: experimental, com repetição estrutural, mas sem lexical, e controle, sem repetição estrutural, nem lexical. Os resultados mostram que a repetição da estrutura sintática da voz passiva não facilitou o processamento do verbo da sentença alvo da condição experimental em comparação com a condição controle. Assim, a detecção de efeitos de priming somente no experimento 1 parece indicar que, ao menos para esta amostra de falantes adultos nativos de português, os efeitos de priming estrutural na compreensão são dependentes da repetição lexical.
- Open Access
- 23 March 2022
- Published by Associacao Brasileira de Linguistica in Cadernos de Linguística
- Vol. 3 (1) , e616
Pré-registro de estudos na linguística experimental
A linguística e suas subáreas apresentam diferentes metodologias para pesquisar a capacidade humana para linguagem. Nesse sentido, linguistas têm dedicado esforços para compreender como a área pode fortalecer ainda mais o rigor de suas investigações e a robustez de seus resultados a partir das proposições e reivindicações da ciência aberta. A ciência aberta surge no recente cenário da chamada crise na confiabilidade e reprodutibilidade das investigações científicas. Esse cenário tem promovido intensos debates na comunidade científica com o intuito de contornar a crise de confiabilidade e adotar práticas científicas que fortaleçam a reprodutibilidade de estudos. Um exemplo de prática que pode ser adotada para fortalecer a reprodutibilidade da pesquisa científica é o pré-registro de estudos. Nossos objetivos neste trabalho são (i) discutir como a prática de pré-registro de estudos surge no contexto da ciência aberta, (ii) apresentar o que é o pré-registro de estudos e explicar porque ele deve ser feito, (iii) sugerir como ele pode ser feito e, por fim, (iv) argumentar como essa prática pode fortalecer o rigor e a reprodutibilidade da pesquisa na linguística experimental.
- 23 March 2022
- Published by Associacao Brasileira de Linguistica in Cadernos de Linguística
- Vol. 3 (1) , e616
Open AccessPré-registro de estudos na linguística experimental
A linguística e suas subáreas apresentam diferentes metodologias para pesquisar a capacidade humana para linguagem. Nesse sentido, linguistas têm dedicado esforços para compreender como a área pode fortalecer ainda mais o rigor de suas investigações e a robustez de seus resultados a partir das proposições e reivindicações da ciência aberta. A ciência aberta surge no recente cenário da chamada crise na confiabilidade e reprodutibilidade das investigações científicas. Esse cenário tem promovido intensos debates na comunidade científica com o intuito de contornar a crise de confiabilidade e adotar práticas científicas que fortaleçam a reprodutibilidade de estudos. Um exemplo de prática que pode ser adotada para fortalecer a reprodutibilidade da pesquisa científica é o pré-registro de estudos. Nossos objetivos neste trabalho são (i) discutir como a prática de pré-registro de estudos surge no contexto da ciência aberta, (ii) apresentar o que é o pré-registro de estudos e explicar porque ele deve ser feito, (iii) sugerir como ele pode ser feito e, por fim, (iv) argumentar como essa prática pode fortalecer o rigor e a reprodutibilidade da pesquisa na linguística experimental.
- 27 June 2020
- Published by Associacao Brasileira de Linguistica in Revista da ABRALIN
- Vol. 19 (2) , 1-6
O cérebro pronto para a linguagem
Pesquisadores têm se interessado pelas bases neurobiológicas do processamento da linguagem há séculos. Assim, a conferência do professor Peter Hagoort no evento Abralin Ao Vivo contribuiu ricamente para o debate acerca das bases neurobiológicas da linguagem. A presente resenha fornece ao leitor um resumo detalhado das principais questões abordadas na conferência. Discutem-se o Modelo Clássico de produção e compreensão da linguagem (também conhecido como o modelo Wernicke-Lichtheim-Geschwind) e suas limitações, assim como o Modelo Memória, Unificação e Controle (MUC), proposto por Hagoort (2005, 2013, 20016), e suas contribuições para o estudo da neurobiologia da linguagem. Além disso, nessa resenha são feitas relações pertinentes sobre o paradigma de priming, os processos de unificação sintática e semântica e o recrutamento de circuitarias de domínio geral para a plena operação da linguagem.
- 27 June 2020
- Published by Associacao Brasileira de Linguistica in Revista da ABRALIN
- Vol. 19 (2) , 1-6
O cérebro pronto para a linguagem
Pesquisadores têm se interessado pelas bases neurobiológicas do processamento da linguagem há séculos. Assim, a conferência do professor Peter Hagoort no evento Abralin Ao Vivo contribuiu ricamente para o debate acerca das bases neurobiológicas da linguagem. A presente resenha fornece ao leitor um resumo detalhado das principais questões abordadas na conferência. Discutem-se o Modelo Clássico de produção e compreensão da linguagem (também conhecido como o modelo Wernicke-Lichtheim-Geschwind) e suas limitações, assim como o Modelo Memória, Unificação e Controle (MUC), proposto por Hagoort (2005, 2013, 20016), e suas contribuições para o estudo da neurobiologia da linguagem. Além disso, nessa resenha são feitas relações pertinentes sobre o paradigma de priming, os processos de unificação sintática e semântica e o recrutamento de circuitarias de domínio geral para a plena operação da linguagem.