Validação estatística

Ao final da etapa de análise, foi implementada uma validação estatística dos resultados obtidos112. Devido ao valor reduzido da amostra e como os dados não apresentam distribuição normal113 optou-se por utilizar o teste de Wilcoxon-Mann-Whitney (cf. SPRENT &

112 _{Agradecemos a Marcelo Vieira pela orientação sobre os testes mais adequados a serem utilizados.} 113

Considera-se distribuição normal, em estatística, uma distribuição de probabilidade contínua geralmente utilizada como primeira aproximação para a descrição das variáveis casuais e os valores reais que se concentram em volta de um único valor médio.

SMEETON, 2001; CONOVER, 1999 entre outros), ideal para dados que não apresentam distribuição normal114.

3.2. Análise do vernáculo florentino

3.2.1. O Corpus Stammerjohann: a coleta original

O Corpus Stammerjohann é considerado o primeiro exemplo de corpus de fala espontânea em italiano. Antes mesmo da publicação das pesquisas sobres estudos sociolinguísticos de Labov, o pesquisador alemão Harro Stammerjohann esteve em Florença, de 29 de janeiro a 26 de fevereiro de 1965. Ali efetuou 30 gravações, num total de mais de quarenta horas115. O interesse do então doutorando em romanística era coletar dados para um estudo sobre o italiano falado em Florença. O então Presidente da Accademia della Crusca116, Giovanni Nencioni, introduziu o jovem pesquisador à comunidade de artesãos do bairro popular de Santo Spirito e a famílias e profissionais das redondezas. Os critérios de coleta, através de gravações de interações naturais da língua viva, produzida espontaneamente, buscando suas variações de uso mais significativas, eram algo totalmente inédito para a época. Esta é uma das grandes vantagens dos dados do corpus, o que permitiu também sua remodelagem sob uma ótica atual, comparável com dados recentes, como será visto adiante.

As gravações foram feitas com um equipamento muito sofisticado para a época117, o que garantiu sua preservação até o ano de 2001, quando foram remasterizadas. Metade do tempo de gravação é composto por gravações ambiente. O gravador foi posto em uma posição oculta dentro de uma barbearia em via Faenza118 enquanto os fregueses entravam e saíam: há diversas situações, diferentes temas de discussão e participantes variados, além de longos momentos de silêncio. O restante das gravações compõe-se cada uma por um texto, sem mudanças de situação ou falantes e temas. Foram efetuadas em ambiente familiar/privado ou

114

Este teste verifica, na presença de dados com distribuição contínua, se duas amostras estatísticas provêm da mesma população.

115

Pela precisão: 41 horas 15 minutos e 34 segundos

116

Considerada a maior instituição italiana para o amparo e estudo da língua italiana.

117 _{Um gravador Rk 34 da Philips com bobinas de quatro pistas e velocidade de 4,75 cm por segundo.} 118

público e tratam de vários assuntos. Os gêneros predominantes são a entrevista e a conversação em contexto familiar119.

Como é possível notar, apesar de não poder ser considerado um verdadeiro corpus, pois não possuía em seu planejamento originário tal objetivo ou arquitetura, os dados coletados mostram-se extremamente úteis e significativos para uma pesquisa como aquela aqui proposta, de estudo da língua espontânea, seja como quadro de uma situação, em sincronia, seja em uma análise diacrônica. A remasterização e a nova compilação dos dados efetuada pela equipe do Laboratório Lablita possibilitou esse tipo de trabalho.

3.2.2. O trabalho de remasterização, transcrição e etiquetagem

O corpus nunca chegou a ser completamente transcrito ou publicado120 pelo autor. Foi doado a Emanuela Cresti para que fosse arquivado junto aos corpora Lablita e utilizado pela comunidade científica.

A digitalização das bobinas ocorreu em 2001121: os arquivos foram tratados digitalmente e salvos em formato .wav PCM122. Este material de áudio foi ouvido integralmente e avaliado em seu conteúdo: desta forma, os pesquisadores envolvidos puderam subdividir os textos das gravações ambiente, e em geral fazer uma divisão com base na duração e no número de palavras de todos os textos, além de classificar os metadados.

O que é interessante para a finalidade de nossa pesquisa é que houve uma forte preocupação em redistribuir os textos com base nas variações sociolinguisticas e assegurar que houvesse um balanceamento em termos quantitativos. Isso significa que as características sociolinguisticas e as dimensões dos textos foram adequadas aos padrões do C-ORAL-ROM (informal: 1500 e 4500 palavras; formal: 3000 palavras), possibilitando comparações.

Foram transcritas cerca de 100.000 palavras do total de mais de 40 horas de gravação. Uma parte das transcrições feitas por Stammerjohann foi reaproveitada, após sua revisão e conversão no formato utilizado para todo o corpus, o CHAT, com anotação prosódica. Para a escolha dos textos houve a preocupação de encontrar trechos com boa

119

Uma descrição detalhada de todos os textos, participantes e duração das gravações encontra-se em: Scarano e Signorini (2003). As estudiosas foram também entre as responsáveis pela atualização do corpus, como será visto adiante.

120

Há somente uma publicação do autor: Stammerjohann (1970), na revista Studi di Filologia Italiana, em que aparecem algumas transcrições do corpus.

121

O trabalho de remasterização e os estudos subsequentes fazem parte do projeto “L‟italiano orale in diacronia”, financiado pelo FIRB (Fondo per la Ricerca di Base), do governo italiano.

122 _{Tal operação foi bastante complexa, pois foi necessário encontrar um gravador da época ainda em função e}

submeter o material a dois tipos de tratamento, um para o estudo imediato e a formatação em corpus, e o outro para o arquivo do laboratório. Para os detalhes, cf. Signorini e Tucci (2004).

qualidade acústica, mas que, ao mesmo tempo, obedecessem aos critérios de correto balanceamento e representatividade diafásica. A divisão dos textos segue aquela da família C- ORAL-ROM:

I. textos informais subdivididos em familiar, privado e público; II. textos formais subdivididos em contexto natural e transmitido;

III. todos os textos obedecem à classificação do evento comunicativo (monólogo, diálogo e conversação)123.

Todos são alinhados ao som através do software WinPitch.

Pode-se observar que graças a estas características é possível pesquisar os dados gravados em 1965 utilizando os recursos atuais de busca. E ainda mais importante, é possível verificar facilmente o áudio através de uma pesquisa textual.

A escolha deste corpus, portanto, parece-nos óbvia, sobretudo pela ausência de pesquisas sobre a morfologia e aspectos prosódicos nele baseadas124.

Finalizando esta parte, apresentamos brevemente o corpus de forma mais detalhada125:

123 _{Maiores detalhes em: Scarano e Signorini (2003, p. 10).} 124

Até hoje há somente um trabalho publicado que utiliza este corpus, uma pesquisa de analise diacrônica sobre o léxico florentino (Moneglia et al., 2006).

125 _{A divisão entre regulado e não regulado responde à qualidade da interação: regulada, quando há normas}

sociais que determinam a troca de turno entre os falantes, como em situações familiares ou de trabalho; não regulada quando não há como se prever a resposta do outro falante e a troca de turno acontece de forma casual.

CONTEXTO TIPO INTERAÇÃO NÚMERO DE TEXTOS FAMILIAR 22.517 palavras NÃO-REGULADO 22.517 palavras MONÓLOGO: 0 palavras 0 DIÁLOGO: 9.310 palavras 2 CONVERSAÇÃO: 13.207 palavras 4 PRIVADO 36.817 palavras NÃO-REGULADO 25.606 palavras MONÓLOGO: 0 palavras 0 DIÁLOGO: 0 palavras 0 CONVERSAÇÃO: 25.606 palavras 8 REGULADO 11.211 palavras MONÓLOGO: 3.023 palavras 1 DIÁLOGO: 8.188 palavras 4 CONVERSAÇÃO: 0 palavras 0 PÚBLICO 23.196 palavras NÃO-REGULADO 16.278 palavras MONÓLOGO: 0 palavras 0 DIÁLOGO: 0 palavras 0 CONVERSAÇÃO: 16.278 palavras 4 REGULADO 6.918 palavras MONÓLOGO: 1.561 palavras 3 DIÁLOGO: 5.357 palavras 4 CONVERSAÇÃO: 0 palavras 0 TELEFÔNICO 3.722 palavras 3.722 palavras 2 TOTAL 86.252 PALAVRAS 32

Quadro 6: Estrutura do corpus Stammerjohann, com número de palavras e textos para cada campo da estrutura.

Da gravação original foi retirada toda a parte de registro de emissões radiofônicas, por não serem representativas da fala espontânea, e menos ainda daquela do vernáculo florentino. Do restante das gravações, algumas estavam em condições não recuperáveis. Daquelas que responderam aos critérios apresentados acima, foram extraídos os textos mostrados na tabela, que se referem ao corpus Stammerjohann recuperado pelo laboratório Lablita.

O corpus compõe-se, desta forma, por 86.252 palavras: está subdividido hierarquicamente em três contextos: familiar, privado e público. Estes são por sua vez divididos com base no tipo de interação: regulada e não regulada, cada qual subdividida com base na estrutura do evento comunicativo: monólogo, diálogo e conversação.

O contexto familiar apresenta cerca de um quarto do corpus, com 22.517 palavras, sendo todas as interações não reguladas e divididas entre dois diálogos (para um total de 9.301 palavras) e quatro conversações (para um total de 13.207 palavras).

O contexto privado é o maior de todos, com 36.817 palavras: a parte não regulada contém somente conversações, oito no total, para um montante de 25.606 palavras. As interações reguladas dividem-se entre um monólogo, de 3.023 palavras, e quatro diálogos, somando 8.188 palavras.

O contexto público perfaz 23.196 palavras: a parte não regulada é composta por quatro conversações, totalizando 16.278 palavras. A parte regulada divide-se entre três monólogos, que juntos somam 1.561 palavras, e quatro diálogos, para um total de 5.357 palavras.

No final foram transcritos, e fazem parte do corpus, dois diálogos telefônicos que perfazem 3.722 palavras.

Quanto aos participantes, há profissionais liberais, artesãos, professoras, crianças, donas de casa entre outros: todos pertencentes à comunidade local de um dos bairros mais tradicionais de Florença.

Estas características são primordiais para este tipo de pesquisa: como se vê, a estrutura do corpus privilegia diálogos e conversações, sendo os monólogos uma parte menor do total. Isto garante maior interação e espontaneidade da fala gravada.