corpus: definição e coleta tradução técnica 2008 stella e. o. tagnin

Corpus: definição e coletaCorpus: definição e coleta

Tradução Técnica 2008Tradução Técnica 2008

Stella E. O. TagninStella E. O. Tagnin

O que é um corpus? (cf. Aurélio O que é um corpus? (cf. Aurélio Eletrônico)Eletrônico)

(1) Conjunto de documentos, dados e informações

sobre determinada matéria.(3) Conjunto de materiais significantes

(enunciados lingüísticos, capas de revistas) constituído com vistas à análise

semiológica.

Uma coletânea de textos em formato eletrônico,

compilada segundo critérios específicos,considerada representativa de uma língua

(ou da parte que se pretende estudar),destinada à pesquisa

O que é um corpus hoje?

Critérios de compilaçãoCritérios de compilação

Origem: textos autênticosOrigem: textos autênticos

Objetivo: pesquisaObjetivo: pesquisa

População: seleçãoPopulação: seleção

Formato: eletrônicoFormato: eletrônico

Representatividade: de que, para Representatividade: de que, para quem?quem?

Extensão: de acordo com objetivosExtensão: de acordo com objetivos

A História dos CorporaA História dos Corpora

Década de 60 – corpora de Década de 60 – corpora de 1 milhão de palavras!1 milhão de palavras!

Brown – inglês americanoBrown – inglês americano– 200 textos de 5.000 palavras cada200 textos de 5.000 palavras cada– 15 categorias distintas15 categorias distintas

LOB (Lancaster/Oslo/Bergen) – LOB (Lancaster/Oslo/Bergen) – contrapartida em inglês britânicocontrapartida em inglês britânico

Os Corpora AtuaisOs Corpora Atuais

BNC – 1995 – 100 milhões de palavrasBNC – 1995 – 100 milhões de palavras– 90% língua escrita90% língua escrita– 10% língua falada10% língua falada

Bank of English (Cobuild)Bank of English (Cobuild)– Birmingham 1987 – 20 milhões de Birmingham 1987 – 20 milhões de

palavraspalavras– Hoje perto de 500 milhões de palavrasHoje perto de 500 milhões de palavras– corpus aberto – em constante atualizaçãocorpus aberto – em constante atualização

Qual a grande vantagem dos Qual a grande vantagem dos corpora?corpora?

Observação da Observação da linguagem em usolinguagem em uso

- natural - - natural -

contrapõe-se à introspecção contrapõe-se à introspecção ChomskyanaChomskyana

- gramatical- gramatical - -

Qual é a diferença?Qual é a diferença?

HallidayHalliday

DesempenhoDesempenho

Descrição Descrição lingüísticalingüística

EmpirismoEmpirismo

ObservaçãoObservação

ProbabilidadeProbabilidade

ChomskyChomsky

CompetênciaCompetência

Universais Universais lingüísticoslingüísticos

RacionalismoRacionalismo

Intuição - Intuição - introspecçãointrospecção

PossibilidadePossibilidade

Corpus linguist vs armchair linguistCorpus linguist vs armchair linguist

““... I don’t think there can be any ... I don’t think there can be any corpora, however large, that contain corpora, however large, that contain information about all of the areas of information about all of the areas of English lexicon and grammar that I English lexicon and grammar that I want to explore...”want to explore...”

Corpus linguist vs armchair linguistCorpus linguist vs armchair linguist

““... Every corpus [...] however small, ... Every corpus [...] however small, has taught me facts that I couldn’t has taught me facts that I couldn’t imagine finding out about in any imagine finding out about in any other way.”other way.”

(Fillmore, C.J. “Corpus linguistics” or “Computer-aided armchair (Fillmore, C.J. “Corpus linguistics” or “Computer-aided armchair linguistics”. In Svartvik, Jan (ed.) Directions in Corpus Linguistics, linguistics”. In Svartvik, Jan (ed.) Directions in Corpus Linguistics, Proceedings of Nobel Symposium 82, Stockholm, 4-8 August 1991, Proceedings of Nobel Symposium 82, Stockholm, 4-8 August 1991, Berlin/NY: Mouton de Gruyter, 1992, 35-60)Berlin/NY: Mouton de Gruyter, 1992, 35-60)

Lembrando...Lembrando...

Na tradução técnica o que se Na tradução técnica o que se almeja é um almeja é um

texto naturaltexto natural

fluentefluente

Para que servem os corpora?Para que servem os corpora?

Detectar padrões lexicaisDetectar padrões lexicais– FraseológicosFraseológicos (colocações): (colocações): palavras palavras

que co-ocorrem em freqüência maior do que co-ocorrem em freqüência maior do que esperadaque esperada: sweeping victory, high : sweeping victory, high and low > search high and lowand low > search high and low

– TerminológicosTerminológicos: lucros e perdas, : lucros e perdas, controle de qualidade, plantas controle de qualidade, plantas geneticamente modificadas geneticamente modificadas (alteradas??)(alteradas??)

Compilação de dicionários e Compilação de dicionários e glossáriosglossários

Para que servem os corpora?Para que servem os corpora?

Detectar padrões Detectar padrões gramaticaisgramaticais– ““coligações”: verbos coligações”: verbos

seguidos de infinitivo ou seguidos de infinitivo ou gerúndio:gerúndio:

– begin + to begin + to vs.vs. start + -ing start + -ing

Detectar a prosódia Detectar a prosódia semântica: semântica:

cause vs causarcause vs causar

Concordância

family thinks Vicki Rock's former job at the plant caused her son's cancer.

but he denies that the plant caused leukemia in families that have brought suits against the company

One of two things could have caused this error: The Pobox.com user whose web site you

Ok: BM caused TONS of problems over last few weeks…31: Holes that caused fuel leak on shuttle located in nozzle July 28: Columbia

reduce deaths, injuries, property damage, economic losses and human suffering caused by natural disasters.

ventos mais fortes do oeste e aumento de tempestades violentas, causou danos sem precedentes nas propriedades situadas na costa

de 1992 na região central dos Estados Unidos. Por isso,

causou grande impacto a descoberta do oceanógrafo americano Dudley Chelton

membro do conselho executivo deve fazer é "A nossa empresa causou uma primeira boa impressão em consumidores potenciais suficientes para garantir

de 1995, quando já assumira a presidência do Banco Central, causou repercussão na imprensa o fato de ter passado o carnaval fato teve não teve a repercussão equivalente ao prejuízo que causou a centenas de empresas que hoje dependem prioritariamente da rede

Áreas de PesquisaÁreas de Pesquisa

Lexicologia e lexicografiaLexicologia e lexicografiaEstudos lexicaisEstudos lexicaisCompilação de dicionáriosCompilação de dicionários

Estudos contrastivosEstudos contrastivosTraduçãoTraduçãoNaturalidade da línguaNaturalidade da língua

Áreas de PesquisaÁreas de Pesquisa

– TraduçãoTradução– Normalização/ Normalização/ Simplificação/ ExplicitaçãoSimplificação/ Explicitação

– Estratégias de traduçãoEstratégias de tradução– Normas de traduçãoNormas de tradução– Ensino e treinamentoEnsino e treinamento– Fontes de referênciaFontes de referência

Corpora OnlineCorpora OnlineInglêsInglês

BNC:BNC: http://sara.natcorp.ox.ac.uk/lookup.htmlhttp://sara.natcorp.ox.ac.uk/lookup.html

COBUILD:COBUILD: http://www.collins.co.uk/Corpus/Corpuhttp://www.collins.co.uk/Corpus/CorpusSearch.aspxsSearch.aspx

WebCorp:WebCorp: http://www.webcorp.org.ul/webcorp.htmlhttp://www.webcorp.org.ul/webcorp.html

Corpora OnlineCorpora Online Português Português

COMPARA:COMPARA:

http://www.linguateca.pt/COMPARAhttp://www.linguateca.pt/COMPARA

Lácio-Web:Lácio-Web:http://www.nilc.icmc.usp.br/laciowebhttp://www.nilc.icmc.usp.br/lacioweb

Dicionários baseados em Dicionários baseados em corporacorpora

Oxford English Dictionary (2nd ed.), Oxford English Dictionary (2nd ed.), 19891989

Longman Dictionary of Contemporary Longman Dictionary of Contemporary English (1980s)English (1980s)

Macmillan English Dictionary (2002)Macmillan English Dictionary (2002)

Os corpora quanto à línguaOs corpora quanto à língua

–monolíngüesmonolíngües–bilíngüesbilíngües–multilíngüesmultilíngües

Corpora monolíngüesCorpora monolíngües

língua geral: jornalísticos e literárioslíngua geral: jornalísticos e literários língua de especialidade: técnicoslíngua de especialidade: técnicos mistosmistos traduçõestraduções – TEC - Translation English CorpusTEC - Translation English Corpus

corpus de referênciacorpus de referência ( (depende da depende da pesquisapesquisa))– língua gerallíngua geral– variedade de gênerosvariedade de gêneros– variedade de registrosvariedade de registros

Corpora multilíngüeCorpora multilíngüe

comparáveis:comparáveis:– originais em duas ou mais originais em duas ou mais

línguaslínguas

paralelos:paralelos:originais + tradução/traduçõesoriginais + tradução/traduções

COMPARACOMPARA

Extratos de FicçãoExtratos de FicçãoPortuguês Português Inglês InglêsInglêsInglês Português Português

Textos alinhados Textos alinhados Originais Originais Traduções TraduçõesPortuguêsPortuguês 2626 1717InglêsInglês 1515 2727TotalTotal 4141 4444

PalavrasPalavras Originais Originais Traduções O &T Traduções O &TPortuguês 395244 452763 848013Português 395244 452763 848013Inglês 456075 439083 895158Inglês 456075 439083 895158Ptg & Ing 851319 891846 1743171Ptg & Ing 851319 891846 1743171

Then – Então – Aí – Daí - DepoisEBJB1(1018):ThenThen there are the three live parrots, two at Trouville and one at Venice; plus the sick parakeet at Antibes.Há depoisdepois os três papagaios vivos, dois em Trouville e um em Veneza; mais o periquito doente em Antibes.EBJB1(1033):ThenThen the parrot, returning its master's gaze with an unflinching eye, would murmur the cabbalistic word, and Henri's soul would be filled with the memory of his lost happiness.EntãoEntão o papagaio, retribuindo o olhar ao dono com um olho inflexível, murmurava a palavra cabalística e a alma de Henri enchia-se com a memória da sua felicidade perdida.ESNG1(496):ThenThen there was the matter of her job.DaíDaí vinha a questão do seu emprego

Alguns sites úteisAlguns sites úteis

Corpus Linguistics: http://www.humcorp.bham.ac.uk/

Bibliographyhttp://www.athel.com/corpus_bibliography.html

Text Corporahttp://www.athel.com/corpus.html

David Lee’s Bookmarks for Corpus-based Linguists:

http://devoted.to/corporahttp://devoted.to/corpora

Projeto e Compilação de um Projeto e Compilação de um CorpusCorpus

1. Objetivo do corpus1. Objetivo do corpusperguntas de pesquisaperguntas de pesquisa

2. Projeto do corpus2. Projeto do corpusa. a. estático ou dinâmico estático ou dinâmico b. falado ou escrito b. falado ou escrito c. monolíngüe ou multilíngüe c. monolíngüe ou multilíngüe

(comparável ou paralelo)(comparável ou paralelo)d. gêneros e tipos de textos a serem d. gêneros e tipos de textos a serem

incluídosincluídos


2. Projeto do corpus2. Projeto do corpus

e. domínios a serem incluídose. domínios a serem incluídosf. proporção dos textosf. proporção dos textosg. quantidade de textosg. quantidade de textosh. completos ou trechosh. completos ou trechosi. extensão dos textosi. extensão dos textosj. fonte dos textosj. fonte dos textosk. tamanho do corpusk. tamanho do corpus


3.3. CabeçalhoCabeçalho

• quais informações são relevantes quais informações são relevantes para o projeto?para o projeto?

• que outras informações poderiam que outras informações poderiam interessar a outros pesquisadores? - interessar a outros pesquisadores? - reusabilidadereusabilidade

CabeçalhoCabeçalho<Header>

<title> <filename> </filename>

</title> <author>

<name></name> </author> <sourceText>

<language></language> <mode>[mode of delivery of textual

content]</mode> <publisher></publisher> <pubPlace>[place of

publication]</pubPlace> <date></date> <copyright>[copyrights

holder]</copyright> </sourceText>

</Header>

<text><header><title>

<fileName> JO-IF-ESP-esp_01 </fileName><corpus> futebol </corpus><nPages> 2 </nPages><nWords> 935 </nWords><sample> íntegra </sample>

</title><sourceText>

<titleOfText> Santos no caminho certo </titleOfText><language> PB </language><source> O Estado de São Paulo </source><pubPlace> http://www.estado.com.br </pubPlace><date> 03.08.2004 </date><status> Original </status>

</sourceText><author>

<name> Válter Casagrande Júnior </name><gender> Masculino </gender><type> Individual </type>

</author>

<textClassification><textGenre>

<genre> informativo </genre></textGenre><textType> Editorial </textType><domain>

<generalDomain defined="auto-def"> Generalidades </generalDomain>

<specificDomain> Esporte </specificDomain></domain><distribution> Internet </distribution>

</textClassification></header>

Projeto e Compilação de um CorpusProjeto e Compilação de um Corpus

4.4. Código de nomeação Código de nomeação (Manual Lácio-Web)(Manual Lácio-Web)

Meio de Divulgação, Gênero Textual, Fonte, Data

JO-IF-FSP-mu-05fev99_01JO-IF-FSP-mu-05fev99_01Meio de divulgaçãoMeio de divulgação: jornal: jornal

Gênero textualGênero textual: informativo: informativo

FonteFonte: nome do periódico: Jornal “Folha de São : nome do periódico: Jornal “Folha de São Paulo”Paulo”

Caderno: “Mundo”Caderno: “Mundo”

DataData: 05 de fevereiro de 1999: 05 de fevereiro de 1999

Primeiro texto (deste caderno, nesta data Primeiro texto (deste caderno, nesta data

de publicação)de publicação)


4.4. Código de nomeaçãoCódigo de nomeaçãoRE-IF-NE-cea-mar01_05RE-IF-NE-cea-mar01_05

Meio de divulgaçãoMeio de divulgação: revista: revista


FonteFonte: Revista “Nova Escola”: Revista “Nova Escola”

Caderno: “Cresça e Aconteça”Caderno: “Cresça e Aconteça”

DataData: mês de março de 2001: mês de março de 2001

Quinto texto (deste caderno, nesta data Quinto texto (deste caderno, nesta data



4.4. Código de nomeaçãoCódigo de nomeaçãoRE-IF-CI-#-nov00_03RE-IF-CI-#-nov00_03



FonteFonte: Revista “Cerâmica Industrial”: Revista “Cerâmica Industrial”

Caderno: não há subdivisões no periódicoCaderno: não há subdivisões no periódico

DataData: mês de novembro de 2000: mês de novembro de 2000

Terceiro texto (deste caderno, nesta data Terceiro texto (deste caderno, nesta data



4.4. Código de nomeaçãoCódigo de nomeaçãoRE-IF-CI-#-agodez01_02RE-IF-CI-#-agodez01_02



FonteFonte: Revista “Cerâmica Industrial”: Revista “Cerâmica Industrial”

Caderno: não há subdivisões no periódicoCaderno: não há subdivisões no periódico

DataData: período compreendendo os meses de : período compreendendo os meses de agosto a dezembro de 2001agosto a dezembro de 2001

Segundo texto (deste caderno, nesta data de Segundo texto (deste caderno, nesta data de publicação)publicação)


5. Etiquetagem5. Etiquetagem morfossintática morfossintática (POS-tagging)(POS-tagging)

sintática (parsing)sintática (parsing) semânticasemântica discursivadiscursiva terminológicaterminológica

Etiquetagem morfossintáticaEtiquetagem morfossintática

<s><s>

Foi_VAUXFoi_VAUX

cercada_PCPcercada_PCP

de_PREP|+de_PREP|+

o_ARTo_ART

maior_ADJmaior_ADJ

sigilo_Nsigilo_N

a_ARTa_ART

chegada_Nchegada_N

de_PREP|+de_PREP|+

a_ARTa_ART

agência=de=publicidade_N agência=de=publicidade_N

Saatchi_NPROPSaatchi_NPROP

$&_NPROP$&_NPROP

Saatchi_NPROPSaatchi_NPROP

a_PREP|+a_PREP|+

o_ARTo_ART

Brasil_NPROPBrasil_NPROP

._.._.

</s></s>

Etiquetagem semânticaEtiquetagem semânticaFor the soupFor the soup, preheat the oven to 160ºC (350ºF / moderate / , preheat the oven to 160ºC (350ºF / moderate /

Gas 4). <Gas 4). <cutcut>Cut>Cut</cut> <veg></cut> <veg>tomatoes</tomatoes</vegveg> > lengthwise, discard seeds, place in a medium heatproof dishlengthwise, discard seeds, place in a medium heatproof dish with <with <seasonseason>garlic</>garlic</seasonseason>, olive oil, >, olive oil, <<seasonseason>salt</>salt</seasonseason>, <>, <seasonseason>pepper</>pepper</seasonseason>, >, and <and <herbherb>parsley</>parsley</herbherb> and <> and <herbherb>basil</>basil</herbherb> > sprigs tied by the stems. <sprigs tied by the stems. <cookcook>>Bake</cook> Bake</cook> for for approximately 1 hour, until <approximately 1 hour, until <vegveg>tomatoes</>tomatoes</vegveg> are soft > are soft and fragrant, let cool and refrigerate for 2 hours, or up to 2 and fragrant, let cool and refrigerate for 2 hours, or up to 2 days. days. DiscardDiscard wilted herbs and blistered tomato skin and wilted herbs and blistered tomato skin and puree in a <puree in a <applappl>blender</>blender</applappl> until a smooth paste is > until a smooth paste is obtained (if you want a soup with a more delicate texture, obtained (if you want a soup with a more delicate texture, press mixture through a sieve). press mixture through a sieve). CompleteComplete with with cold water cold water as to obtain 1 L (1 qt) of soup, adjust as to obtain 1 L (1 qt) of soup, adjust <<seasonseason>salt</>salt</seasonseason> and > and <<seasonseason>pepper</>pepper</seasonseason>, correct the acidity by adding >, correct the acidity by adding a pinch of <a pinch of <seasonseason>sugar</>sugar</seasonseason>, and refrigerate for at >, and refrigerate for at least 1 hour, or overnight.least 1 hour, or overnight.

Etiquetagem Etiquetagem semântica/terminológicasemântica/terminológica

Caponata (1 hour and 30 Caponata (1 hour and 30 minutes) minutes)

1 onion1 onion2 <2 <termterm>celery stalks</>celery stalks</termterm>>1 <1 <termterm>red bell pepper >red bell pepper

</</termterm>>4 fully ripe tomatoes, peeled 4 fully ripe tomatoes, peeled

and seededand seeded1 small deep green zucchini 1 small deep green zucchini

(courgette) (courgette) 2 medium eggplants 2 medium eggplants

(aubergines)(aubergines)2 tablespoons <2 tablespoons <termterm>pine >pine

nuts</nuts</termterm>>2 garlic cloves, <2 garlic cloves, <termterm>finely >finely

chopped</chopped</termterm>>1 <1 <termterm>bay leaf</>bay leaf</termterm>>

1 teaspoon oregano1 teaspoon oregano¼ cup <¼ cup <termterm>red wine >red wine

vinegar</vinegar</termterm>>1 tablespoon sugar1 tablespoon sugar2 tablespoons capers2 tablespoons capers2 tablespoons <2 tablespoons <termterm>dark >dark

raisins</raisins</termterm>>½ cup slivered green olives½ cup slivered green olives1 cup flat-leaf parsley leaves 1 cup flat-leaf parsley leaves ½ cup basil leaves½ cup basil leavesolive oilolive oilsalt and black pepper salt and black pepper

<<termterm>to taste</>to taste</termterm>>

Etiquetagem discursivaEtiquetagem discursiva

<titRec><titRec> Pudim de Leite Condensado Pudim de Leite Condensado </titRec></titRec> <coment><coment> Pudim de leite condensado é uma sobremesa Pudim de leite condensado é uma sobremesa que dispensa elogios, ou qualquer palavra para definí-lo. É que dispensa elogios, ou qualquer palavra para definí-lo. É simplesmente o máximo!! simplesmente o máximo!! </coment></coment><ingr><ingr> Ingredientes: Ingredientes: 1 lata de leite condensado 1 lata de leite condensado 1 lata de leite 1 lata de leite 3 ovos 3 ovos essência de baunilhaessência de baunilha3 colheres de açúcar 3 colheres de açúcar </ingr></ingr><modFaz><modFaz> Modo de Preparo: Modo de Preparo: Coloque o açúcar numa forma própria para pudim e leve ao Coloque o açúcar numa forma própria para pudim e leve ao fogo brando para caramelizar a forma. Bater todos os outros fogo brando para caramelizar a forma. Bater todos os outros ingredientes no liqüidificador. Despeje o conteúdo na forma ingredientes no liqüidificador. Despeje o conteúdo na forma caramelizada. Levar ao forno em banho-maria. caramelizada. Levar ao forno em banho-maria. </modFaz></modFaz><coment><coment> Dica: para verificar se o pudim esta pronto, fure Dica: para verificar se o pudim esta pronto, fure o pudim com um palito de dente, se o palito sair limpo, é que o pudim com um palito de dente, se o palito sair limpo, é que esta pronto, espere esfriar, desenforme e sirva. esta pronto, espere esfriar, desenforme e sirva. </coment></coment>

Etiquetadores do Lácio-WebEtiquetadores do Lácio-Web

MXPOST (não está funcionando)MXPOST (não está funcionando)

TreeTaggerTreeTagger

Brill Brill

Corpora de AprendizesCorpora de Aprendizes

Aprendizes de Língua EstrangeiraAprendizes de Língua Estrangeira

Aprendizes de TraduçãoAprendizes de Tradução

Aprendizes de Língua MaternaAprendizes de Língua Materna

O Projeto ICLE (International Corpus of O Projeto ICLE (International Corpus of Learner English)Learner English)

http://cecl.fltr.ucl.ac.be/Cecl-Projects/Icle/http://cecl.fltr.ucl.ac.be/Cecl-Projects/Icle/icle.htmicle.htm

corpus: definição e coleta tradução técnica 2008 stella e. o. tagnin

Documents