As simplificações são absolutistas: Como a linguagem simplificada reduz a consciência do sentido das palavras em definições geradas por LLMs

Modelos de Linguagem de Grande Escala (LLMs) podem fornecer definições e explicações precisas de palavras para qualquer contexto. No entanto, o escopo da definição muda para diferentes grupos-alvo, como crianças ou aprendizes de línguas. Isso é especialmente relevante para homônimos, palavras com múltiplos significados, onde a simplificação excessiva pode arriscar a perda de informações ao omitir sentidos-chave, potencialmente enganando usuários que confiam nas saídas dos LLMs. Investigamos como a simplificação impacta a qualidade da definição de homônimos em três grupos-alvo: Normal, Simples e ELI5. Utilizando dois novos conjuntos de dados de avaliação que abrangem múltiplas línguas, testamos o DeepSeek v3, Llama 4 Maverick, Qwen3-30B A3B, GPT-4o mini e Llama 3.1 8B através do LLM-como-Juiz e anotações humanas. Nossos resultados mostram que a simplificação degrada drasticamente a completude da definição ao negligenciar a polissemia, aumentando o risco de mal-entendidos. O ajuste fino do Llama 3.1 8B com a Otimização de Preferência Direta melhora substancialmente a qualidade da resposta de homônimos em todos os tipos de solicitações. Essas descobertas destacam a necessidade de equilibrar simplicidade e completude em NLP educacional para garantir definições confiáveis e sensíveis ao contexto para todos os aprendizes.