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)