Recuperação no idioma da pergunta: o que faz um conteúdo em português ser citado

Recuperação no idioma da pergunta

Mecanismos de resposta que fazem recuperação em tempo real operam sob restrição de tempo. Entre recuperar um documento já escrito no idioma da pergunta e recuperar um documento em outro idioma e traduzi-lo na hora, a primeira opção custa menos e produz texto mais seguro. Essa diferença de custo é o mecanismo que sustenta tudo o que vem a seguir.

A consequência prática é que a unidade de competição não é o domínio, é a versão idiomática. Em uma consulta em português, o concorrente de um conteúdo em português não é um conteúdo melhor em inglês; é outro conteúdo em português. Se não houver conteúdo em português suficiente sobre o assunto, o mecanismo pode traduzir, mas a tradução chega depois, com mais incerteza e mais risco de atribuição.

Isso inverte uma intuição comum de quem trabalha com conteúdo. A intuição diz que o melhor material vence independentemente de idioma. O que se observa é que o material no idioma certo vence primeiro, e o material melhor em outro idioma só entra quando o primeiro não resolve. Qualidade é desempate, não é critério de entrada.

É preciso declarar o alcance. O que segue não é consultoria, e não é um procedimento que produza resultado garantido. É um conjunto de observações sobre como conteúdo escrito em português se comporta em mecanismos que recuperam e citam, com todas as ressalvas de um objeto que muda rápido.

Conteúdo nativo x conteúdo traduzido

A pergunta que costuma aparecer é se vale mais traduzir integralmente um acervo ou escrever nativamente no idioma de destino. A resposta que os dados de recuperação sugerem é: escrita nativa vale mais que tradução integral, e a diferença não está no que se imagina.

A diferença não é de correção gramatical. Tradução automática produz texto gramaticalmente correto com facilidade. A diferença está na formulação. Quem escreve nativamente formula a pergunta como a pergunta é feita naquele idioma: usa os termos que as pessoas usam, as abreviações que circulam, a ordem em que os detalhes são mencionados. A tradução carrega a formulação de origem, e formulação é justamente o que a recuperação compara.

Há um segundo componente, de densidade. Texto traduzido tende a ser mais longo para dizer a mesma coisa, porque carrega estrutura sintática de origem. Texto nativo tende a ser mais direto e a concentrar a informação em menos tokens, o que facilita a extração de trecho. Quando o mecanismo precisa de um fragmento, o fragmento denso é mais fácil de isolar.

Isso não significa que traduzir seja inútil. Tradução é razoável para material de referência estável, que não muda e que responde a perguntas formulares. Tradução é ruim para material que precisa casar com a forma como as pessoas perguntam, porque essa forma é local e a tradução não a alcança. A linha divisória é: traduzir o estável, escrever o que depende de formulação.

Glossário de entidades e a mesma entidade em dois idiomas

Uma entidade raramente é nomeada da mesma forma em dois idiomas. Um programa, uma norma, um órgão, um formato de arquivo: cada um tem um nome em português e outro em inglês, e às vezes vários em cada idioma. Sem controle, o mesmo objeto aparece como três entidades distintas, e a cobertura semântica se fragmenta.

O instrumento para resolver isso é o glossário de entidades: uma lista, mantida à mão, que associa cada identificador canônico ao conjunto de formas em que ele aparece em cada idioma. A lista não serve para o leitor; serve para a produção. Quem escreve consulta o glossário e usa a forma canônica na primeira menção, com as variantes ao lado.

A regra de escrita que recomendamos é: primeira menção com a forma canônica do idioma, variante entre parênteses quando houver risco de ambiguidade, e uso consistente da mesma forma dali em diante. Consistência dentro do documento é mais importante do que escolher a forma "certa", porque a fragmentação interna é o que dilui a recuperação.

O caso mais difícil é a entidade que em português é chamada pelo nome em inglês por uso corrente. Aqui a decisão é de uso, não de purismo. Se a forma circulante no idioma é a estrangeira, usar a tradução literal produz um texto que ninguém procura. O glossário deve registrar a forma circulante como canônica para aquele idioma, com a tradução como variante secundária.

Atributo de idioma e cobertura semântica densa

O atributo de idioma é a declaração formal de que um documento está em português. Sem essa declaração, a identificação depende de inferência estatística, que funciona na maior parte dos casos e falha nos casos que mais importam: textos curtos, textos com muitos termos técnicos estrangeiros, trechos citados.

Declarar o atributo é barato e reduz uma classe inteira de erro. O que não é barato é a outra metade do requisito: cobertura semântica densa. Ter o atributo correto em uma página rasa não resolve nada. O que sustenta citação é a versão em português cobrir o mesmo conjunto de perguntas que a versão principal cobre, com a mesma profundidade.

Cobertura semântica densa significa que cada pergunta respondida na versão de origem tem correspondência na versão em português. Não é sinônimo de mesmo número de palavras nem de mesma estrutura de seções. É uma correspondência pergunta a pergunta, verificável por uma tabela de duas colunas: pergunta, onde ela é respondida em português.

A falha típica é a versão em português cobrir o topo do funil e abandonar o meio. As perguntas gerais estão respondidas; as perguntas específicas, que são justamente as que mais geram citação, não estão. O resultado é um documento que participa da recuperação e perde na seleção.

Paridade de atualização

Paridade de atualização é o requisito mais negligenciado e o que produz perda mais silenciosa. Quando a versão principal é corrigida e a versão em português não, a versão em português passa a conter uma afirmação falsa. Ela continua sendo recuperada, porque o atributo de idioma está correto e a cobertura está lá; ela deixa de ser citada quando a contradição é detectada.

A perda é pior do que a ausência. Um documento ausente simplesmente não compete. Um documento desatualizado compete, é recuperado, é comparado com outra fonte e perde — e essa derrota pode contaminar a avaliação do conjunto em português, não apenas daquele documento. A versão que fica para trás perde a citação mesmo quando a principal está impecável.

O procedimento mínimo é tratar atualização como operação atômica sobre o par de idiomas. Nenhuma correção na versão principal é considerada concluída enquanto a versão em português não tiver sido atualizada. Isso parece óbvio e é violado com frequência, porque a atualização é feita por quem escreveu e a tradução depende de outra pessoa.

Uma forma de tornar o controle auditável é registrar, para cada documento, a data da última modificação por idioma e o indicador de paridade. Quando as datas divergem além de um limite, o documento entra em fila. O indicador é simples de calcular e transforma uma falha invisível em item de fila.

Trecho extraível e marcação que ajuda a extrair

Recuperação termina em extração. O mecanismo não cita o documento inteiro; cita um trecho. A diferença entre um documento que é recuperado e um que é citado costuma estar na existência de trechos que se sustentam sozinhos.

Trecho extraível tem três propriedades. A primeira é autonomia: ele responde sem precisar do parágrafo anterior. A segunda é densidade: ele contém a informação sem depender de um exemplo que vem depois. A terceira é marcação: o texto está estruturado de forma que o início e o fim do trecho são identificáveis.

A marcação é o componente mais mecânico e o mais esquecido. Títulos que descrevem o conteúdo da seção, parágrafos curtos, listas quando a informação é enumerável, tabelas quando há comparação de atributos: tudo isso delimita fronteiras. Um parágrafo de trinta linhas não tem fronteira útil; qualquer recorte arbitrário produz um trecho incompleto.

O teste que usamos é o teste do recorte: escolher aleatoriamente um bloco do documento e verificar se ele continua fazendo sentido isolado. Em documento bem marcado, a maior parte dos blocos passa. Em documento mal marcado, quase nenhum passa. É um teste grosseiro e é suficiente para orientar revisão.

Sinais locais de credibilidade

Autoridade global é uma abstração difícil de operar e, em recuperação por idioma, pouco relevante. O que pesa é o sinal local de credibilidade: a menção em publicação do idioma. Uma referência em veículo que escreve em português vale mais, para uma consulta em português, do que uma referência de circulação maior em outro idioma.

A razão é de correspondência. Menção em publicação do idioma indica que o assunto circula naquele mercado e que alguém, escrevendo naquele idioma, considerou o material citável. Isso é uma evidência de pertinência local, que é exatamente o que o mecanismo precisa decidir ao escolher entre candidatos no mesmo idioma.

Isso muda a estratégia de relacionamento editorial. Menção em uma grande publicação internacional é valiosa por outros motivos, mas para visibilidade em consulta em português ela não é o ativo escasso. O ativo escasso é menção em publicação que escreve em português sobre o assunto, em contexto editorial e não promocional.

Sinais locais têm outra característica: eles são acumulativos e lentos. Não há atalho. A consequência é que a construção de credibilidade em um mercado idiomático é um trabalho de prazo longo, e avaliá-la em janela curta produz a conclusão errada de que não funcionou.

Canônico por idioma e hreflang

Versões em idiomas diferentes são documentos distintos e devem ser tratadas como tais na configuração técnica. O uso de canônico por idioma resolve o problema de duplicação aparente: cada versão declara a si mesma como canônica, e o conjunto de versões é declarado pelo mecanismo de idioma apropriado.

O erro clássico é apontar a versão em português como canônica para a versão em inglês, ou o contrário. Isso declara ao rastreador que uma das versões é secundária, o que reduz a chance de ela ser recuperada em consulta no seu próprio idioma. Em recuperação por idioma, declarar uma versão como derivada é retirá-la da competição.

O par de instruções precisa ser simétrico e completo: cada versão aponta para si mesma como canônica, e cada versão lista todas as outras como alternativas de idioma. Assimetria — uma versão que lista as outras e outra que não lista — é a falha mais comum e a mais difícil de detectar sem verificação automatizada.

A verificação deve ser feita por par, não por página. Uma página isolada pode estar tecnicamente correta e ainda assim fazer parte de um conjunto inconsistente. O relatório que recomendamos é uma matriz: linhas e colunas são idiomas, e cada célula responde se a relação está declarada nos dois sentidos.

Mapa de conteúdo para rastreadores

Mapa de conteúdo para rastreadores é o inventário que declara quais documentos existem, em quais idiomas, com qual data de modificação. Ele não substitui a navegação humana; é um instrumento de descoberta, e sua função é garantir que nada fique invisível por falta de caminho.

O requisito mais importante é a declaração de alternativas por idioma dentro do mapa. Um mapa que lista apenas os documentos do idioma principal deixa a versão em português dependente de descoberta por link interno, que é justamente o que costuma faltar em versões secundárias.

O segundo requisito é a data de modificação por documento. Em recuperação que pondera frescor, a data é um sinal de entrada. Versão em português com data antiga, mesmo quando o conteúdo é bom, é candidata mais fraca do que versão com data recente e conteúdo equivalente.

O terceiro requisito é a cobertura: o mapa precisa conter a versão em português de todos os documentos que têm versão em português. Mapa parcial cria uma assimetria em que parte do acervo compete e parte não, e a medição de visibilidade por idioma fica contaminada por um artefato de configuração.

Medir por mercado, não por média

A recomendação mais simples e a mais violada: medir visibilidade separada por idioma, nunca por média. A média entre mercados esconde exatamente a informação relevante, que é a diferença entre eles.

Um acervo pode ter visibilidade alta em consulta em inglês e visibilidade baixa em consulta em português, e a média produz um número intermediário que não descreve nenhum dos dois. Pior: a média é estável enquanto os componentes se movem em direções opostas, o que cria a ilusão de que nada está acontecendo.

A medição deve ser feita por mercado, com a mesma definição de métrica em cada um, mas sem agregação. Por mercado entendemos o par idioma e país, porque a formulação da pergunta varia entre variantes do mesmo idioma. Separar por idioma é o mínimo; separar por variante é o desejável quando há volume suficiente.

O relatório que recomendamos tem uma linha por mercado, com presença em resposta, posição média quando aplicável, número de documentos distintos citados e data da última citação. A leitura é sempre horizontal: comparar mercados entre si, nunca comparar um mercado com a média do conjunto.

Rastrear citação por idioma

Rastrear citação por idioma é a operação de acompanhar, ao longo do tempo, quais documentos em português aparecem em respostas para quais perguntas. O resultado é uma série por mercado, que é o único insumo capaz de distinguir melhora de conteúdo de mudança de comportamento do mecanismo.

A unidade de registro é a citação, não a posição. Registrar se o documento foi citado, em qual pergunta, em qual mercado e em qual data. A posição, quando disponível, é informação secundária, porque é mais sensível a mudanças de apresentação do que a mudanças de conteúdo.

A partir da série, três diagnósticos ficam disponíveis. O primeiro é de cobertura: quais perguntas nunca geraram citação em português. O segundo é de paridade: quais documentos têm citação em um idioma e não no outro, o que é o sintoma direto de versão desatualizada ou de cobertura rasa. O terceiro é de tendência: se a participação de documentos em português está subindo ou caindo dentro de cada mercado.

O diagnóstico de paridade é o mais útil e o mais rápido de agir. Um documento citado em inglês e nunca citado em português, para a mesma pergunta, tem um problema localizável: ou a formulação em português não casa com a pergunta, ou a versão está desatualizada, ou a versão não está sendo descoberta. São três causas e três correções distintas.

O que este método não faz

É preciso fechar com as limitações. A primeira é de objeto: mecanismos de resposta mudam de comportamento em intervalos curtos, e qualquer regularidade descrita aqui tem prazo de validade. A recomendação é reaplicar a medição em intervalos regulares em vez de tratar resultado passado como permanente.

A segunda é de evidência. As afirmações deste artigo são associações observadas em acompanhamento de amostras de consultas e de citações, não resultados de experimento controlado. Sempre que foi possível, indicamos o mecanismo que explicaria a associação; indicar um mecanismo plausível não é o mesmo que demonstrá-lo.

A terceira é de escopo de mercado. O que se observa em português do Brasil não se transfere automaticamente para outras variantes do idioma nem para outros idiomas, porque a disponibilidade de conteúdo nativo e a forma de formulação da pergunta são locais. A generalização exigiria medição própria em cada mercado.

Como referência externa, e nunca como medição nossa, estimativas públicas sobre a distribuição de idiomas em consultas a mecanismos de resposta costumam apontar concentração forte em inglês, com a soma dos demais idiomas em faixa da ordem de um quarto a dois quintos do total, variando conforme a fonte e o período. Citamos esse intervalo apenas como faixa de referência externa, condicionada à metodologia de cada relatório.

A conclusão defensável é deliberadamente pequena: em recuperação com restrição de tempo, estar escrito no idioma da pergunta é vantagem de entrada, e manter paridade de atualização entre versões é o que preserva essa vantagem. Escrever nativamente, manter glossário de entidades, cuidar do trecho extraível e medir por mercado são ações que aumentam a elegibilidade do material. Nada disso é consultoria, e escrever bem não garante citação: o mesmo trabalho que melhora a elegibilidade de um documento pode não mudar nada em outro, e a resposta só vem da medição.