I Speak Kanoê: Engineering a Dataset for an Endangered Isolated Language
Resumo
Este artigo apresenta Eu Falo Kanoê, um conjunto de dados relacional para documentação, estudo e revitalização da língua Kanoê, isolada e em perigo crítico de extinção no sul de Rondônia (Brasil). Consolidando 18 fontes documentais (1992–2025) em um esquema PostgreSQL normalizado com cinco tabelas, o recurso contém 1.684 entradas lexicais, 1.937 registros de pronúncia em IPA (90,8% de cobertura), 2.134 anotações de sentido e 612 sentenças contextualizadas, todas rastreáveis por chaves estrangeiras. A curadoria seguiu as diretrizes FAIR e CARE para governança de dados indígenas. Disponibilizado sob licença CC BY-NC-SA, oferece base replicável para PLN em cenários de baixo recurso e pesquisa linguística sobre línguas isoladas.
Palavras-chave:
Relational Dataset, Low-Resource Languages, Indigenous Data Governance, Kanoê Language, Natural Language Processing
Referências
Alves Gomes, G., De Sousa Aragão, I. (2025). I speak kanoê dataset. Available at [link].
Bacelar, L. N. (1992). Fonologia preliminar da língua Kanoê. Dissertação de mestrado, Universidade de Brasília.
Bacelar, L. N. (2004). Gramática da língua Kanoê: descrição gramatical de uma língua isolada e ameaçada de extinção, falada no sul do Estado de Rondônia, Brasil. Tese de doutorado, Radboud Universiteit Nijmegen.
Bacelar, L. N. (2010). Kapeãw Kanoé vararoé! “vamos falar Kanoé!” cartilha escolar da língua Kanoé, vol. I. PRODOCLIN/Museu do Índio.
Bacelar, L. N. (2012). DOCKANOÊ: Etnografia e documentação da língua Kanoê. Relatório PRODOCLIN/Museu do Índio.
Bacelar, L. N. (2013). Kapeãw Kanoé vararoé! “vamos falar Kanoé!” cartilha escolar da língua Kanoé, vol. II. PRODOCLIN/Museu do Índio.
Bacelar, L. N. (2014a). Cartilha médica Kanoé: Cartilha de apoio linguístico para assistência médico-odontológica. PRODOCLIN/Museu do Índio.
Bacelar, L. N. (2014b). Vamos ler e escrever em português. cartilha de alfabetização para a etnia Kanoé (vols. I–III). PRODOCLIN/Museu do Índio.
Bacelar, L. N. (2015). Vocabulário ilustrado Kanoê. PRODOCLIN/Museu do Índio.
Bacelar, L. N. and Canoê, J. A. (2011). Xamanismo e etnomedicina Kanoé. Relatório PRODOCLIN/Museu do Índio.
Bacelar, L. N., Canoê, J. A., and Silva, G. F. d. (2011). Indumentária, arte plumária e adereços Kanoé. Relatório PRODOCLIN/Museu do Índio.
Bacelar, L. N., Canoê, J. A., and Silva, G. F. d. (2012). Artesanato Kanoé. Relatório PRODOCLIN/Museu do Índio.
Bacelar, L. N. and Pereira, C. d. S. (2009). Aspectos morfossintáticos da língua Kanoê. Revista de Estudos da Linguagem.
Bacelar, L. N. and Silva Junior, A. R. d. (2003). Tipologia da negação em Kanoê. Signot́ica, 15(2):259–272.
Bird, S. (2020). Decolonising speech and language technology. In Proceedings of the 28th International Conference on Computational Linguistics (COLING), pages 3504–3519, Barcelona, Spain (Online). International Committee on Computational Linguistics.
Carroll, S. R., Garba, I., Figueroa-Rodríguez, O. L., Holbrook, J., Lovett, R., Materechera, S., Parsons, M., Raseroka, K., Rodriguez-Lonebear, D., Rowe, R., Sara, R., Walker, J. D., Anderson, J., and Hudson, M. (2020). The CARE principles for indigenous data governance. Data Science Journal, 19(1):43.
Cavalin, P., Domingues, P., Nogima, J., and Pinhanez, C. (2023). Understanding native language identification for Brazilian indigenous languages. In Proceedings of the Workshop on Natural Language Processing for Indigenous Languages of the Americas (AmericasNLP), pages 12–18, Toronto, Canada. Association for Computational Linguistics.
FUNAI (2022). Brasil registra 274 línguas indígenas diferentes faladas por 305 etnias. Available at [link].
Hedderich, M. A., Lange, L., Adel, H., Strötgen, J., and Klakow, D. (2021). A survey on recent approaches for natural language processing in low-resource scenarios. Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics (NAACL), pages 2545–2568.
Joshi, P., Santy, S., Budhiraja, A., Bali, K., and Choudhury, M. (2020). The state and fate of linguistic diversity and inclusion in the NLP world. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL), pages 6282–6293.
Mager, M., Gutierrez-Vasques, X., Sierra, G., and Meza-Ruiz, I. (2018). Challenges of language technologies for the indigenous languages of the Americas. In Proceedings of the 27th International Conference on Computational Linguistics (COLING), pages 55–69, Santa Fe, New Mexico, USA.
Mager, M., Oncevay, A., Ebrahimi, A., Ortega, J., Rios, A., Fan, A., Gutiérrez-Vasques, X., Chiruzzo, L., Giménez-Lugo, G., Ramos, R., Meza Ruiz, I. V., Coto-Solano, R., Palmer, A., Mager-Hois, E., Chaudhary, V., Neubig, G., Vu, N. T., and Kann, K. (2021). Findings of the AmericasNLP 2021 shared task on open machine translation for indigenous languages of the americas. In Proceedings of the First Workshop on Natural Language Processing for Indigenous Languages of the Americas, pages 202–217. Association for Computational Linguistics.
Marcon, I. N., Galucio, A. V., and Brito, S. (2023). Dicionário multimídia Kanoê-Português, versão 2.0. Museu Paraense Emílio Goeldi. Available at [link].
Moran, S. and McCloy, D. (2019). PHOIBLE 2.0. Available at [link].
Pinhanez, C., Cavalin, P., Storto, L., Finbow, T., Cobbinah, A., Nogima, J., Vasconcelos, M., Domingues, P., de Souza Mizukami, P., Grell, N., Gongora, M., and Gonçalves, I. (2024). Harnessing the power of artificial intelligence to vitalize endangered indigenous languages: Technologies and experiences. arXiv preprint arXiv:2407.12620.
UNESCO (2024). Languages, cultures, knowledge: UNESCO’s action for indigenous peoples. Available at [link].
Unternbäumen, E. H., Aquino, L. d. S., and Melo, L. B. d. (2025). Metáforas na língua Kanoé. LIAMES: Línguas Indígenas Americanas, 25:e025001.
Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J.-W., da Silva Santos, L. B., Bourne, P. E., et al. (2016). The FAIR guiding principles for scientific data management and stewardship. Scientific Data, 3(1):160018.
Bacelar, L. N. (1992). Fonologia preliminar da língua Kanoê. Dissertação de mestrado, Universidade de Brasília.
Bacelar, L. N. (2004). Gramática da língua Kanoê: descrição gramatical de uma língua isolada e ameaçada de extinção, falada no sul do Estado de Rondônia, Brasil. Tese de doutorado, Radboud Universiteit Nijmegen.
Bacelar, L. N. (2010). Kapeãw Kanoé vararoé! “vamos falar Kanoé!” cartilha escolar da língua Kanoé, vol. I. PRODOCLIN/Museu do Índio.
Bacelar, L. N. (2012). DOCKANOÊ: Etnografia e documentação da língua Kanoê. Relatório PRODOCLIN/Museu do Índio.
Bacelar, L. N. (2013). Kapeãw Kanoé vararoé! “vamos falar Kanoé!” cartilha escolar da língua Kanoé, vol. II. PRODOCLIN/Museu do Índio.
Bacelar, L. N. (2014a). Cartilha médica Kanoé: Cartilha de apoio linguístico para assistência médico-odontológica. PRODOCLIN/Museu do Índio.
Bacelar, L. N. (2014b). Vamos ler e escrever em português. cartilha de alfabetização para a etnia Kanoé (vols. I–III). PRODOCLIN/Museu do Índio.
Bacelar, L. N. (2015). Vocabulário ilustrado Kanoê. PRODOCLIN/Museu do Índio.
Bacelar, L. N. and Canoê, J. A. (2011). Xamanismo e etnomedicina Kanoé. Relatório PRODOCLIN/Museu do Índio.
Bacelar, L. N., Canoê, J. A., and Silva, G. F. d. (2011). Indumentária, arte plumária e adereços Kanoé. Relatório PRODOCLIN/Museu do Índio.
Bacelar, L. N., Canoê, J. A., and Silva, G. F. d. (2012). Artesanato Kanoé. Relatório PRODOCLIN/Museu do Índio.
Bacelar, L. N. and Pereira, C. d. S. (2009). Aspectos morfossintáticos da língua Kanoê. Revista de Estudos da Linguagem.
Bacelar, L. N. and Silva Junior, A. R. d. (2003). Tipologia da negação em Kanoê. Signot́ica, 15(2):259–272.
Bird, S. (2020). Decolonising speech and language technology. In Proceedings of the 28th International Conference on Computational Linguistics (COLING), pages 3504–3519, Barcelona, Spain (Online). International Committee on Computational Linguistics.
Carroll, S. R., Garba, I., Figueroa-Rodríguez, O. L., Holbrook, J., Lovett, R., Materechera, S., Parsons, M., Raseroka, K., Rodriguez-Lonebear, D., Rowe, R., Sara, R., Walker, J. D., Anderson, J., and Hudson, M. (2020). The CARE principles for indigenous data governance. Data Science Journal, 19(1):43.
Cavalin, P., Domingues, P., Nogima, J., and Pinhanez, C. (2023). Understanding native language identification for Brazilian indigenous languages. In Proceedings of the Workshop on Natural Language Processing for Indigenous Languages of the Americas (AmericasNLP), pages 12–18, Toronto, Canada. Association for Computational Linguistics.
FUNAI (2022). Brasil registra 274 línguas indígenas diferentes faladas por 305 etnias. Available at [link].
Hedderich, M. A., Lange, L., Adel, H., Strötgen, J., and Klakow, D. (2021). A survey on recent approaches for natural language processing in low-resource scenarios. Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics (NAACL), pages 2545–2568.
Joshi, P., Santy, S., Budhiraja, A., Bali, K., and Choudhury, M. (2020). The state and fate of linguistic diversity and inclusion in the NLP world. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics (ACL), pages 6282–6293.
Mager, M., Gutierrez-Vasques, X., Sierra, G., and Meza-Ruiz, I. (2018). Challenges of language technologies for the indigenous languages of the Americas. In Proceedings of the 27th International Conference on Computational Linguistics (COLING), pages 55–69, Santa Fe, New Mexico, USA.
Mager, M., Oncevay, A., Ebrahimi, A., Ortega, J., Rios, A., Fan, A., Gutiérrez-Vasques, X., Chiruzzo, L., Giménez-Lugo, G., Ramos, R., Meza Ruiz, I. V., Coto-Solano, R., Palmer, A., Mager-Hois, E., Chaudhary, V., Neubig, G., Vu, N. T., and Kann, K. (2021). Findings of the AmericasNLP 2021 shared task on open machine translation for indigenous languages of the americas. In Proceedings of the First Workshop on Natural Language Processing for Indigenous Languages of the Americas, pages 202–217. Association for Computational Linguistics.
Marcon, I. N., Galucio, A. V., and Brito, S. (2023). Dicionário multimídia Kanoê-Português, versão 2.0. Museu Paraense Emílio Goeldi. Available at [link].
Moran, S. and McCloy, D. (2019). PHOIBLE 2.0. Available at [link].
Pinhanez, C., Cavalin, P., Storto, L., Finbow, T., Cobbinah, A., Nogima, J., Vasconcelos, M., Domingues, P., de Souza Mizukami, P., Grell, N., Gongora, M., and Gonçalves, I. (2024). Harnessing the power of artificial intelligence to vitalize endangered indigenous languages: Technologies and experiences. arXiv preprint arXiv:2407.12620.
UNESCO (2024). Languages, cultures, knowledge: UNESCO’s action for indigenous peoples. Available at [link].
Unternbäumen, E. H., Aquino, L. d. S., and Melo, L. B. d. (2025). Metáforas na língua Kanoé. LIAMES: Línguas Indígenas Americanas, 25:e025001.
Wilkinson, M. D., Dumontier, M., Aalbersberg, I. J., Appleton, G., Axton, M., Baak, A., Blomberg, N., Boiten, J.-W., da Silva Santos, L. B., Bourne, P. E., et al. (2016). The FAIR guiding principles for scientific data management and stewardship. Scientific Data, 3(1):160018.
Publicado
08/09/2026
Como Citar
GOMES, Gabrielly A.; ARAGÃO, Iago S.; SILVA, Martony D.; DRUMOND, Patricia M. L. de; DA SILVA, Martony Demes.
I Speak Kanoê: Engineering a Dataset for an Endangered Isolated Language. In: DATASET SHOWCASE WORKSHOP (DSW), 8. , 2026, São Carlos/SP.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2026
.
p. 1-12.
DOI: https://doi.org/10.5753/dsw.2026.249409.
