minicurso b: introdução à linguística de corpus: começando ... · teorias de linguagem e lc...

Profa. Dra. Rozane R. Rebechi

UFRGS

IX EBRALC 15 e 16 de agosto de 2017

Minicurso B: Introdução à Linguística de

Corpus: começando do básico

Parte 1

Linguística de corpus


“[...] área que enfoca um conjunto de procedimentos ou

métodos para o estudo da língua [...].” (McEnery; Hardie,

2012: 1);

envolve a compilação e exploração de conjuntos de textos;

possibilita a pesquisa em textos autênticos da área de

interesse, a análise de grandes quantidades de dados, o

levantamento automático de padrões da língua ou variedade

linguística;

apresenta, de forma sistemática, dados que são

posteriormente validados (ou não) pelo pesquisador.

Teorias de linguagem e LC (Berber

Sardinha, 2004)

LC (Halliday) Cognitivismo (Chomsky)


Abordagem empirista:

observação

Linguagem como

probabilidade

Observação da linguagem

autêntica

Visão racionalista da linguagem: introspecção

Linguagem como possibilidade

Conhecimento a partir de princípios estabelecidos a priori

O que é um corpus?


Fonte: http://www.aulete.com.br/corpus

http://www.aulete.com.br/corpus

O que é um corpus para a LC?


Conjunto de dados autênticos (oral ou escrito):

coletado criteriosamente, de acordo com os objetivos da

pesquisa;

suficientemente extenso para representar uma língua ou

variedade linguística;

processável por computador.

Primeiros corpora


Década de 60 – corpora de 1 milhão de palavras!

Brown – inglês americano (1964)

- textos publicados em 1961

200 textos de 5.000 palavras cada

15 categorias distintas

LOB (Lancaster/Oslo/Bergen) – (1978) contrapartida em

inglês britânico

Corpora atuais


BNC (British National Corpus) – 1995 – 100 milhões de palavras – online 40 milhões• 90% língua escrita• 10% língua falada• corpus fechado• BYU-BNC (completo) - http://corpus.byu.edu/bnc/

Bank of English (Cobuild)• Birmingham 1987 – 20 milhões de palavras• Hoje 650 milhões de palavras• corpus aberto – em constante atualização• Collins WordBanks Online – 550 milhões de palavras - Pago!!! • http://www.collins.co.uk/page/Wordbanks+Online

COCA (Corpus of Contemporary American English)• BrighamYoung University• 520 milhões de palavras• Corpus aberto• http://corpus.byu.edu/coca/

http://corpus.byu.edu/bnc/

http://www.collins.co.uk/page/Wordbanks+Online

http://corpus.byu.edu/coca/

Tipos de corpus


Quanto à língua: monolíngue; bilíngue; multilíngue;

Quanto à linguagem: geral X especializado;

Quanto ao tempo: sincrônico (recorte) X diacrônico

(evolução);

Quanto à origem: original X tradução;

Quanto ao acesso: disponível X ‘sob medida’

Quanto à autoria: de aprendizes X de falantes nativos

Tipos de corpus


Comparável: conjunto de textos originais nos idiomas

envolvidos (Bowker; Pearson, 2002):

Chocolate cake

Tipos de corpus


Paralelo: conjunto de textos escritos originalmente em um idioma e

traduzidos para outro(s);

Tipos de corpus


Referência/contraste:

3 a 5 vezes maior do que o corpus de estudo;

de língua geral ou especializado;

salienta o que é estatisticamente mais recorrente no corpus de

estudo.

Coleta


Manual: textos impressos (digitalizados) ou em formato

eletrônico;

Em massa: offline browsers

Armazenamento


Para que servem os corpora?


Terminologia: levantamento semiautomático de termos e

fraseologias, contextos de uso;

Tradução: identificação de equivalentes, colocações;

Ensino de língua estrangeira: o conhecimento é

inferido.

Análise Crítica do Discurso

Lexicografia

Etc.

Padrões da língua


Colocação → associação entre itens lexicais:

Colocação


Idiom principle: o usuário da língua tem à disposição um

grande número de frases semi-pré-construídas que

constotuem escolhas únicas

X

• Open-choice principle: língua como resultado de um

grande número de escolhas complexas (Sinclair, 1991)

Palavras não ocorrem aleatoriamente!

Padrões da língua


Coligação → associação entre itens lexicais e gramaticais:begin start

Padrões da língua


Prosódia/preferência semântica/discursiva → associação entre itens

lexicais e conotação (negativa, positiva e neutra):caused causou

Convencionalidade (Tagnin, 2013)


O falante/tradutor ingênuo desconhece:

convenções morfológicas:

jailer vs. prisoner

carcereiro vs. prisioneiro

as convenções de ordem:

achados e perdidos vs. lost and found


convenções de coocorrência:

Merry Christmas vs. Feliz Natal

Happy New Year vs. Feliz Ano Novo

convenções semânticas:

kick the bucket X bater as botas

convenções pragmáticas

How do you do? X Muito prazer

Coligações


Regência:

verbal: depend on X depender de

nominal: instructor in (Psychology) X instrutor de;

good at X bom em

phrasal verbs: make up X inventar

Colocações


adjetivas: red onion X cebola roxa; red wine X vinho tinto

substantivas: slice of bread X fatia de pão; slice of pizza X

pedaço de pizza

Marcadores convencionais


Come to think of it,... — Por falar nisso,...

In other words, ... — Em outras palavras,

You see, ... - Sabe, ...

Well,... — Bem,...

May I interrupt? — Posso interromper?

What do you think? — O que você acha?

That’s it. — É isso (aí).

I’m all ears. — Sou todo ouvidos.

Are you with me? — Está entendendo?

Mhm

Falante nativo


Desconhece as especificidades das linguagens especializadas;

possui apacidade limitada para análise do texto como um

todo;

nem sempre consciente da relação entre o comportamento

da língua e de que forma se dá esse comportamento.

Corpora disponíveis: livre acesso


MICASE (Michigan Corpus of Academic Spoken English)

https://quod.lib.umich.edu/cgi/c/corpus/corpus?c=micase;page=simple

≈ 1.850.000 palavras

oral: transcrições de interações acadêmicas

https://quod.lib.umich.edu/cgi/c/corpus/corpus?c=micase;page=simple



Língua inglesa

Coca (Corpus of Contemporary American English)


≈ 520 milhões de palavras

1990 – 2015 – 20 milhões para cada ano

linguagem falada

ficção

revistas

jornais

textos acadêmicos


Busca por padrão

[nn*] and [nn*]




Língua portuguesa

Corpus do Português

http://www.corpusdoportugues.org/hist-gen/2008/x.asp

• 45 milhões de palavras

http://www.corpusdoportugues.org/hist-gen/2008/x.asp

Busca por colocado

http://www.corpusdoportugues.org/


Lindolfo Rocha – Maria DusáIX EBRALC 15 e 16 de agosto de 2017



Corpus Brasileiro

• http://corpusbrasileiro.pucsp.br/cb/Acesso.html

• 1 bilhão de palavras

http://corpusbrasileiro.pucsp.br/cb/Acesso.html

www.linguateca.pt


www.comet.fflch.usp.brIX EBRALC 15 e 16 de agosto de 2017

1 selho Brasileiro de Turismo Sustentável (CBTS)

3 a as modalidades de turismo em nosso país. Amb

4 e especialistas em turismo de todo o país reun

5 de Certificação do Turismo Sustentável, para f

7 de intersetorial do turismo, apta a delimitar u

8 a a certificação do turismo Sustentável no Bras

9 de Certificação do Turismo Sustentável - Brasi

10 de certificação do turismo no Brasil. Este pro

11 de Certificação do Turismo Sustentável no Bras

12 selho Brasileiro de Turismo Sustentável e Coord

13 ador do Programa de Turismo e Meio Ambiente do

15 Mata Atlântica, "o turismo Sustentável é uma f

16 selho Brasileiro de Turismo Sustentável - CBTS

32 gócios Apostando no turismo ecológico, os hotéi

33 `Oferecemos o puro turismo ecológico ao nosso

34 sileiro de Guias de Turismo, na cidade de Salva

35 re as temáticas: - Turismo Sustentável - Um no

36 o perfil do guia de turismo - Jorge Glauco Nasc

38 nterface do Guia de Turismo com o mercado de tr

39 dente da BRAZTOA - Turismo Receptivo no Brasil IX EBRALC 15 e 16 de agosto de 2017

http://www.nilc.icmc.usp.br/cortec/resultados/ecoturismo_turismo.html#1




















Pesquisas em Tradução

• Comparação de traduções

• Peculiaridades de um tradutor• Corpus com textos do tradutor• Corpus de referência• Keywords = características do tradutorOU• Corpus com textos do tradutor 1• Corpus com textos do tradutor 2• Keywords = características do tradutor 1




Corpus bilíngue português-inglês

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

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

www.linguateca.pt/COMPARA




‘Corpus’ multilíngue

Como escolher o corpus de estudo?


Não existe um único corpus que atenda às necessidades de

todos os pesquisadores;

a escolha do corpus deve levar em conta os objetivos da

pesquisa.

falado?


Primeira pergunta: qual o propósito da pesquisa?

pequeno?

médio? grande?

escrito?

Características do corpus


• Falado escritoModo

• Monolíngue bilíngue multilíngue Língua

• Aberto fechadoConstrução

• Número de textos número de palavrasBalanceamento

• Completo excertoTexto

• Impresso digitalFonte

• Manual automáticaColeta

• Morfológica Morfossintática TextualEtiquetagem

• Sim nãoCabeçalho

• Txt Codificação: ANSI, UNICODE, UTF-8 etc.

Armazenamento

Etiquetagem textual e cabeçalho


Construção de corpora especializados

‘pequenos’ (Koester, 2010)


Ideal para pesquisas em Terminologia (bilíngue) e Tradução;

foco em registros e gêneros específicos;

possibilita uma ligação mais próxima entre o corpus e o contexto em que os textos foram produzidos;

permite a identificação de padrões da língua em uso;

o compilador, em geral, também é o analista maior familiaridade com a área;

as descobertas quantitativas são complementadas com análises qualitativas;

mais importante do que o tamanho é a representatividade critérios bem definidos.

Tradução especializada: recursos


Dicionários de língua geral – monolíngues, bilíngues não

abrangem muitos dos termos de áreas especializadas;

Glossários não são constantemente atualizados (ex.:

tecnologia); não englobam colocados e fraseologias; não

levam em consideração diferenças culturais;

Texto comparável disponível na internet nem sempre de

fonte confiável; não evidencia padrões;

Corpora especializados disponíveis não contemplam todas as

áreas.

LC e Tradução


O cotejo manual entre textos do mesmo domínio, escritos

em diferentes idiomas, e entre originais e suas respectivas

traduções, sempre fez parte da rotina do tradutor

especializado, valendo-se de soluções já encontradas por

outros profissionais em sua rotina de trabalho;

essa tarefa passou a ser automatizada com o advento do

computador, assim como das ferramentas computacionais.

LC na tradução


• Estudos contrastivos: naturalidade da língua

• Normalização/ Simplificação/ Explicitação

• Estratégias de tradução

• Normas de tradução

• Ensino e treinamento

• Convencionalidade

Auxilia na busca por equivalentes – termos e fraseologias –em textos autênticos;

ajuda o tradutor a se familiarizar com as convenções retóricas do gênero;

evidencia diferenças linguísticas e culturais.

Corpora direcionados pela tradução


conjuntos de textos criados e/ou usados para algum propósito relacionado à tradução (Zanettin, 2012);

envolvem a comparação de pelo menos dois conjuntos de dados: textos originais em diferentes idiomas – corpora comparáveis – ou textos originais juntamente com sua(s) respectiva(s) tradução(ões) – corporaparalelos (Bowker & Pearson, 2002);

possibilidades de análise em tradução,:

variação lexical;

levantamento de palavras que revelam o assunto do corpus (aboutness);

riqueza lexical (type/token ratio);

colocações;

semelhanças e diferenças entre original e tradução → universais da tradução.

Ferramentas de processamento de corpus:

WordSmith Tools

(http://www.lexically.net/wordsmith/)


Principais utilitários:

Concordanciador: colocados, clusters

Lista de palavras-chave: simples e compostas

Lista de palavras

Alinhador

Conversor

custa a partir de ₤ 50

http://www.lexically.net/wordsmith/

http://www.laurenceanthony.net/softw

are.html


http://www.laurenceanthony.net/software.html

AntConc


Software gratuito

Ferramentas para alinhamento e análise de

corpora paralelos


WordSmith Tools

(Scott, 2012)

ParaConc



alinhador e concordanciador para análise de corpora paralelos bilíngues ou

multilíngues (até três traduções);

Colocação


As palavras andam juntas (Firth, 1957);

Se duas palavras formam uma ‘colocação’, isso significa que

elas co-ocorrem (aparecem próximas uma da outra no texto)

de alguma forma, em geral com mais frequência do que seria

esperado;

Ferramentas como WS e AntConc oferecem diferentes testes

estatísticos – log likelihood, mutual information etc. Porém,

costumam considerar duas palavras por vez;

GraphColl (Brezina et al., 2015)


Download gratuito:

http://www.extremetomato.com/projects/graphcoll/

Permite a identificação de relações de colocações em

corpora;

Possibilita a análise de colocações entre múltiplas palavras,

além da colocação comum, entre duas palavras apenas (Baker,

2016).

http://www.extremetomato.com/projects/graphcoll/

Referências BERBER SARDINHA, Tony. Linguística de corpus. Barueri: Manole, 2004.

BOWKER, Lynne; PEARSON, Jennifer. Working with specialized language: a practical guide to using corpus. London/New York: Routledge, 2002.

KOESTER, Almut. Building small specialised corpora. In: O’KEEFFE, Anne; McCARTHY, Michael. (eds.) The Routledge handbook of Corpus Linguistics. New York: Routlege, 2010. p. 66-79.

McENERY, Tony; HARDIE, Andrew. Corpus Linguistics: method, theory and practice. Edinburgh: Cambridge University Press, 2012.

SCOTT, Mike. Wordsmith Tools version 6.0. Oxford: Oxford University Press, 2012.

SINCLAIR, J. Corpus Concordance Collocation. Oxford: Oxford University Press, 1991.

TAGNIN, Stella E. O. O jeito que a gente diz: combinações consagradas em inglês e português. São Paulo: Disal, 2013.



Obrigada!

[email protected]

mailto:[email protected]

minicurso b: introdução à linguística de corpus: começando ... · teorias de linguagem e lc...

Documents