Metodologia
Como este texto foi produzido: nossa metodologia
Este texto foi transcrito e traduzido com o uso central de modelos de linguagem (inteligência artificial), sob protocolos rígidos e verificáveis — e preferimos dizer isso na primeira linha a escondê-lo na última. Nossa premissa é que a confiança de uma edição não vem de um selo, e sim de um processo documentado: cada etapa do trabalho deixa um rastro de auditoria que publicamos junto com o texto, incluindo aquilo que não conseguimos resolver. Este projeto se entende como acesso, não autoridade: tornar acessível em português um texto que existe há séculos, declarando abertamente o grau de confiança de cada transcrição e de cada tradução.
A transcrição nunca depende de uma leitura só. Partimos de duas fontes independentes — um candidato de OCR e a imagem da própria página da edição-fonte (em regra a Patrologia de Migne, em domínio público) — e o modelo é instruído a comparar, nunca a transcrever de memória: a alucinação visual em grego politônico é um risco documentado, e por isso jamais geramos transcrição "do zero". Toda divergência entre o candidato e a imagem é registrada em uma de quatro categorias (provável erro de leitura; erro do próprio compositor tipográfico do século XIX; variante textual legítima; indecidível) e reprocessada por verificação de hipótese: pedimos ao modelo que relate o que a imagem mostra, nunca que "aplique uma correção" — pedir para aplicar produz confirmação automática; pedir para verificar produz leitura independente. A tradução latina paralela do próprio Migne, também em domínio público, serve de indício interno citável; edições críticas em domínio público (GCS, CSEL) e o corpus CGPG (Auwers, Vidal-Gorène, Kindt, Somers, CC BY 4.0) servem de referência e de gabarito de qualidade. O que não se resolve com evidências convergentes permanece como [ilegível] ou como dúvida documentada — nunca viramos uma "leitura provável".
A tradução segue o arcabouço TEaR (Translate, Estimate, Refine), proposto e validado academicamente para tradução automática com modelos de linguagem (Feng et al., 2024, NAACL 2025), em três papéis deliberadamente independentes. O Tradutor produz o rascunho integral da obra exclusivamente a partir da língua-fonte (grego, latim ou siríaco), preservando cada oração subordinada e aplicando um glossário terminológico fixado por autor — para que ἀγάπη, ἐπίσκοπος ou ὑπόστασις não mudem de tradução no meio do corpus. O Auditor, em contexto novo e com instrução deliberadamente adversarial, compara o rascunho cláusula por cláusula com a fonte à procura de omissões, distorções sintáticas e anacronismos de termo: ele diagnostica e cita evidência, mas nunca reescreve. O Revisor aplica somente as correções verificadas do dossiê do Auditor, mais um polimento de fluência que não altera termo nem sentido já fixados.
Essa arquitetura não é invenção nossa nem ato de fé: a literatura mostra que o refinamento iterativo com feedback estruturado melhora mensuravelmente a qualidade da tradução automática (Feng et al., 2024; Madaan et al., 2023), que modelos de linguagem estão entre os avaliadores automáticos mais fortes de qualidade de tradução (Kocmi & Federmann, 2023) — e também que avaliadores tendem a favorecer a própria produção (Panickssery et al., 2024), razão pela qual o papel de Auditor é preferencialmente exercido por um modelo distinto do Tradutor, ou em contexto isolado. Além dos papéis, nada depende de boa vontade: uma máquina de estados impede pular etapas (um texto só é publicável no estado auditado), validadores determinísticos barram defeitos estruturais, e o dossiê de auditoria fica amarrado por hash criptográfico à versão exata do texto auditado — se o texto mudar depois da auditoria, o sistema recusa o refino e exige nova auditoria.
Sobre fontes e direitos: traduzimos exclusivamente de edições em domínio público (Migne; edições críticas já livres de direitos; Bryennios/Funk para a Didaqué; Harris para as Odes de Salomão), sempre a partir da língua original — nunca de traduções modernas. Traduções protegidas (Sources Chrétiennes, Schaff, Paulus) não são copiadas nem parafraseadas em nenhuma etapa: quando consultadas, funcionam apenas como sinal de alerta para reexaminarmos a fonte. Quando nossa fonte diverge de uma edição crítica moderna, tratamos o caso como variante textual e o documentamos — não "corrigimos" silenciosamente o texto histórico que declaramos estar traduzindo.
Por fim, os limites, com franqueza: não há revisão humana de conteúdo neste projeto — nenhum de nós lê grego patrístico melhor que o processo descrito acima, e fingir o contrário seria a verdadeira desonestidade. É exatamente por isso que cada obra publicada traz a sua página de transparência: o número de correções de leitura aplicadas na transcrição, os achados da auditoria de tradução por categoria e severidade, e as dúvidas remanescentes impressas uma a uma, em vez de escondidas. Erros continuam possíveis; as edições são versionadas e corrigidas. Se você encontrar um problema, escreva para nós pelo site — a correção entra na edição seguinte, com o registro público de que um leitor a encontrou.
Referências
Feng, Z.; Zhang, Y.; Li, H.; Liu, W.; Lang, J.; Feng, Y.; Wu, J.; Liu, Z. (2024). TEaR: Improving LLM-based Machine Translation with Systematic Self-Refinement. arXiv:2402.16379 (NAACL 2025).
Madaan, A. et al. (2023). Self-Refine: Iterative Refinement with Self-Feedback. arXiv:2303.17651 (NeurIPS 2023).
Kocmi, T.; Federmann, C. (2023). Large Language Models Are State-of-the-Art Evaluators of Translation Quality. arXiv:2302.14520 (EAMT 2023).
Panickssery, A.; Bowman, S.; Feng, S. (2024). LLM Evaluators Recognize and Favor Their Own Generations. arXiv:2404.13076 (NeurIPS 2024).
Projeto CGPG — Calfa GREgORI Patrologia Graeca (Auwers, J.-M.; Vidal-Gorène, C.; Kindt, B.; Somers, V. et al.), Patrologia Graeca — OCR ground truth, Zenodo, CC BY 4.0.