Visão geral da Lingüística de
Corpus
Discente: Flávia Orci FernandesDocente: Prof. Dr. Roberto Gomes
Camacho
IntroduçãoPrimeiro corpus lingüístico eletrônico: Brown University Standard Corpus of
Present-day American English 1964 1 milhão de palavras Primeiro corpus eletrônico de linguagem
falada: 220 mil palavras – atribuído a Sinclair
Objetivos do texto Apresentar uma retrospectiva da
Lingüística de Corpus
Apresentar os principais marcos de sua história
Discutir algumas questões teóricas e práticas subjacentes à área
1.1. A Lingüística de Corpus e seu histórico Ocupação: coleta e exploração de corpora
com o propósito de servirem para a pesquisa de uma língua ou variedade lingüística.
Exploração da linguagem por meio de evidências empíricas, extraídas por computador.
Sentido original de “corpus”: CORPO Grécia antiga: definição do Corpus
Helenístico por Alexandre, o Grande Antigüidade e Idade Média: produção de
corpora de citações bíblicas Século XX: corpus coletados, mantidos e
analisados manualmente, com ênfase no ensino de línguas
Corpus não-computadorizado que deu feição aos atuais:
SEU (Survey of English Usage) Londres, a partir de 1959 1 milhão de palavras Organizado em fichas de papel Base para o desenvolvimento dos
etiquetadores computadorizados contemporâneos
1989: London-Lund Corpus – parte falada computadorizada
Anos 50: teorias racionalistas da linguagem Críticas à LC: corpora “gigantescos” não
eram confiáveis Invenção do computador tornou possível a
compilação de maior quantidade de dados 1960: mainframe 1980: fitas magnéticas e
microcomputadores pessoais
Atualidade: Grã-Bretanha – um dos centros de
pesquisa mais desenvolvidos (Birminghan, Brighton, Lancaster, Liverpool, Londres)
Países escandinavos Fora da Europa a LC não está tão
desenvolvida EUA: força da lingüística gerativa-transformacional
EUA: desenvolvimento avançado na pesquisa em Processamento de Linguagem Natural (PLN)
Brasil: estágios iniciais voltados à PLN e à Lingüística Compuatacional
Parcerias entre empresas (finalidades comerciais) e universidades: pesquisas em LC ligadas à editoras
Pioneiro: Cobuild – Universidade de Birmingham com a editora Collins
1.2. Corpora de língua inglesa
Corpus Ano Palavras Composição
Corpus of Spoken American English
1991 2 milhões Inglês americano falado
BCN (British National Corpus)
1995 100 milhões Inglês britânico, escrito e falado
Longman Written American Corpus
1997 100 milhões Inglês americano escrito (jornais e livros)
Bank of EnglishBank of English 19871987 450 450 milhõesmilhões
Inglês Inglês britânicobritânico
1.3. Corpora de língua portuguesaCorpus Palavras Comp. Loc.
Corpus UNESP/AraraquaraUsos do Português
200 milhões
PB escrito UNESP,Araraquara
NURC (Projeto de Estudo da Norma Lingüística e Letras)
570 mil PB falado USP, UFRJ, UFBA, UFPE, UFRGS
PHPB (Projeto para a História do Português Brasileiro)
Não disponível
Port. Escrito
UFPE, UFPBA, UFMG, UFRJ, EFSC, UFPB, USP
Tycho Brahe Parsed Corpus of Historical Portuguese
1,o milhão Port. Antigo (1550 a 1850)
Unicamp
VARSUL (Variação Lingüística Urbana da Região Sul)
Não disponível
Port. Falado
UFSC, UFRGS, UFPR
Corpus Ano Palavras Composição
IBORUNAIBORUNA 20072007 Aprox.Aprox.
1 milhão1 milhãoPortuguês Português falado falado riopretanoriopretano
1.4. Corpora de outras línguas
Corpus Língua Palavras
COSMAS (corpus Access Storage and Maintenance System)
Alemão 1, 7 bilhão
Frantext Francês 3.500 obras, do século XVI ao século XX, 80% literatura
1.5. Marcos da Lingüística de Corpus “A história da Lingüística de Corpus está
condicionada à tecnologia, que permite não somente o armazenamento de corpora, mas também a sua exploração e, por isso, está relacionada à disponibilidade de ferramentas computacionais para análise de corpus, dentre as quais se destacam as seguintes.” (p. 15)
1.6. Definição de corpus Nem todo conjunto de dados é
considerado corpus Arquivo Biblioteca eletrônica Corpus: uma parte da biblioteca
eletrônica, construído a partir de um desenho explícito, com objetivos específicos
Subcorpus: uma parte do corpus
“Um conjunto de dados lingüísticos (pertencentes ao uso oral ou escrito da língua, ou a ambos), sistematizados segundo determinados critérios, suficientemente extensos em amplitude e profundidade, de maneira que sejam representativos da totalidade do uso lingüístico ou de algum de seus âmbitos, dispostos de tal modo que possam ser processados por computador, com a finalidade de propiciar resultados vários e úteis para a descrição e análise” (p. 18)
Origem Propósito Composição Formatação Representatividade Extensão
Quatro pré-requisitos para a formação de um corpus computadorizado:
1) O corpus deve ser composto de textos autênticos, em linguagem natural.
2) Autenticidade dos textos subentende textos escritos por falantes nativos.
3) O conteúdo do corpus deve ser escolhido criteriosamente.
4) Representatividade.
1.7. Tipologia de Corpus MODO: falado; escrito TEMPO: sincrônico; diacrônico; contemporâneo;
histórico SELEÇÃO: de amostragem; monitor; dinâmico ou
orgânico; estático; equilibrado CONTEÚDO: especializado; regional ou dialetal;
multilíngüe AUTORIA: de aprendiz; de língua nativa DISPOSIÇÃO INTERNA: paralelo; alinhado FINALIDADE: de estudo; de referência; de
treinamento ou teste
Pluralidade de autoria Origem da autoria Meio Integralidade Especificidade Dialeto Equilíbrio Fechamento Renovação Temporalidade Tradução Intercalação
1.8. Representatividade de corpus “Não há critérios para a determinação da
representatividade.” (p. 23) “A representatividade está ligada à
questão da probabilidade.” (p. 23) Número de palavras Número de textos Número de gêneros
1.9. Extensão do corpus Abordagens: 1) Impressionística 2) Histórica 3) Estatística
1.10. Especificidade do corpus “Um modo de atingir a representatividade
total de um corpus é incluir nele toda a linguagem.” (p. 27)
“Os corpora gerais podem ser usados como fonte para criação de corpora especializados.” (p. 28)
“(...) normalmente, corpora compilados em pequena escala por pesquisadores individuais acabam sendo mais representativos do que os respectivos subcorpora dos corpora gerais.” (p. 28)
1.11. Adequação do corpus “A adequação do corpus é tomada como
dada. Assume-se que o corpus com o qual se esteja lidando e as perguntas feitas sejam adequados aos propósitos da investigação. Sem isso, a pesquisa não tem sentido.” (p. 29)
Questionamento da validade de corpora gerais.
1.12. Teorias de linguagem e Lingüística de Corpus Lingüística Empírica = Abordagem
empirista + linguagem como sistema probabilístico
Oposição entre Halliday (probabilidade) e Chomsky (possibilidade)
“A visão da linguagem como sistema probabilístico pressupõe que, embora muitos traços lingüísticos sejam possíveis teoricamente, ocorrem com a mesma freqüência.” (p. 31)
Padronização
1.12. Teorias de linguagem e Lingüística de Corpus Lingüística de Corpus x lingüística
chomskyana: Foco no desempenho lingüístico, em vez
de competência Foco na descrição lingüística, em vez de
universais lingüísticos Foco numa visão mais empirista do que
racionalista da pesquisa científica
1.13. Estatuto da Lingüística de Corpus A LC é uma disciplina ou uma
metodologia? Não se dedica a um assunto definido e não
se resume a um conjunto de ferramentas: assim poderíamos classificá-la como PERSPECTIVA:
“(...) é uma maneira de se checar a linguagem, e faz alusão ao conceito de teoria lingüística como janela que molda como enxergamos a linguagem.” (p. 37)
1.14. Tipos de pesquisa privilegiados São empíricos e analisam os padrões reais
de uso em textos naturais. Utilizam coletâneas grandes e criteriosas
de textos naturais, conhecidas por corpus, como a base da análise.
Fazem uso extensivo de computadores na análise, empregando técnicas automáticas e interativas.
Dependem de técnicas quantitativas e qualitativas.
1.14. Tipos de pesquisa privilegiados 1) Compilação de corpus 2) Desenvolvimento de ferramentas 3) Descrição da linguagem 4) Aplicação de corpora
1.15. Padrões de linguagem Quais os padrões lexicais dos quais a
palavra faz parte? Em que estruturas ela aparece?
Padronização como regularidade expressa na recorrência sistemática de unidades coocorrentes de várias ordens (lexical, gramatical, sintática, etc). Podem ser formalizados em colocação, coligação, prosódia semântica.
1.16. Comentários finais Painel geral do campo de investigação da
Lingüística de Corpus Dificuldades: quantidades de trabalhos
novos e debate de cunho teórico Proposta da Psicologia Cognitiva de
Langacker – alternativa para explicação da padronização
“todo corpus me ensinou coisas sobre a linguagem que eu não teria descoberto de nenhum outro modo” (FILLMORE, p. 35)