A fim de exemplificar as EMs de domínio, iremos analisar os TMs em um corpus da área biomédica. Trata-se do corpus Genia, um conjunto de dois mil resumos de artigos científicos da área biomédica extraídos da base de artigos Medline com base nas palavras-chave “humano”, “célula sanguínea” e “fator de transcrição” (OHTA; TATEISI; KIM 2002). Ele contém 18,5 mil frases e 490,7 mil palavras, anotados com informação de classe morfossintática. Além disso, os resumos também foram anotados por especialistas com relação a uma terminologia do domínio. Que contém conceitos como nomes de doenças (tumor fibroblástico) e células (linfócito T primário).
Tabela 3 – Dimensões do corpus de biomedicina analisado (Genia).
Resumos 2000
Frases 18519
Palavras (tokens) 490752
Número médio de palavras por frase 26,5
Termos anotados 97876
TMs anotados 55487
Número médio de termos por frase 5,29 Número médio de TMs por frase 3
Número médio de palavras por termo 2,06 tokens Número médio de palavras por TM 2,86 tokens
A Tabela 3 resume algumas das dimensões do corpus, que permitem uma análise superficial dos seus TMs. Em primeiro lugar, nota-se que, dos 97876 termos anotados no corpus, 55487 são multipalavras, ou seja, em torno de 57%, em conformidade com as estimativas apresentadas anteriormente (entre 50% e 70%). É igualmente interessante perceber que o número médio de palavras por frase é superior ao que se espera em um corpus genérico de língua inglesa (que fica em torno de 22 palavras). Além disso, essas frases contém um número surpreendentemente grande de termos e de TMs: cada frase tem em média 5,29 termos, dos quais 3 possuem mais de uma palavra. Na tentativa de caracterizar esses termos de acordo com o número de palavras, percebe-se que se os termos são considerados de forma homogênea, têm um comprimento médio de 2 palavras, enquanto que os TMs têm um comprimento médio de quase 3 palavras. Isso significa que não somente os TMs são muito presentes nesse corpus, como também eles são relativamente longos (podendo chegar a termos anotados com 22 palavras). Uma explicação possível para essa onipresença dos TMs é o aninhamento de termos.
46 PERNA, C. L.; DELGADO, H. K.; FINATTO, M. J. (Orgs.)
Figura 1 – Exemplo de frase extraída do corpus Genia e sua anotação de termos.
O exemplo apresentado na Figura 1 ilustra bem esse aninhamento, por exemplo, o termo alpha A está contido na expressão alpha A-gene product. Da mesma forma, alpha B-encoded isomers é um TM aninhado que contém outro TM. Dessa forma, a frase acima contém oito TMs, o que explica de alguma forma o grande número de TMs por frase. Por outro lado, o uso da terminologia em qualquer domínio é outro fator que se reflete nessa dimensão de análise.
Dessa forma, uma rápida análise para caracterizar o corpus mostra alguns dos desafios que devem resolver não somente terminógrafos e lexicógrafos mas também sistemas de PLN que realizam a identificação de TMs e EMs em domínios especializados.
Além da questão da onipresença e grande número de construções multipalavras, adicionam-se tantos outros como a normalização da grafia (em biomedicina, alguns autores hifenizam T-cell enquanto outros separam as palavras T cell), o uso massivo de acrônimos, abreviaturas e elipses (HIV1, IL2). Finalmente, existem ainda aqueles problemas relacionados com o próprio tratamento linguístico- computacional dos textos, sejam eles de domínio ou genéricos, como a resolução da ambiguidade semântica e/ou sintática, a interpretação de anáforas e correferências, a análise sintática, etc. Em resumo, um dos grandes desafios na área de PLN consiste na adaptação de sistemas e recursos para tratar um domínio ou domínios especializados e para auxiliar especialistas a automatizar parte do trabalho de criação de recursos linguísticos como as terminologias.
Referências
Dimitra Anastasiou, Chikara Hashimoto, Preslav Nakov, and Su Nam Kim (eds). ACL/IJCNLP 2009 Workshop on Multiword Expressions:
Identification, Interpretation, Disambiguation and Applications, Singapore.
Timothy Baldwin. The deep lexical acquisition of English verb-particles.
Computer Speech and Language, Special Issue on Multiword Expressions, 19(4): 398–414, 2005.
Timothy Baldwin. Compositionality and Multiword Expressions: Six of One, Half a Dozen of the Other? Invited Talk. In Proceedings of the ACL-2006 Workshop on Multiword Expressions: Identifying and Exploiting Underlying Properties, Sydney, Australia, 2006.
Cristina Cacciari. A psycholinguistic point of view: are idioms really relevant for theories of language comprehension and production?
Presented at Collocations and idioms 2003: linguistic, computational, and psycholinguistic perspectives. 2003.
Nicoletta Calzolari, Charles Fillmore, Ralph Grishman, Nancy Ide, Alessandro Lenci, Catherine MacLeod, and Antonio Zampolli. Towards best practice for multiword expressions in computational lexicons. In Proceedings of the 3rd International Conference on Language Resources and Evaluation (LREC 2002), pages 1934–1940, Las Palmas, Canary Islands, 2002.
Gael Dias, Sylvie Guilloré and José Pereira Lopes. Multilingual Aspects of Multiword Lexical Units. In Proceedings of Workshop on Language Technologies, Ljubljana, Slovenia, pages 11—21, 1999.
Charles Fillmore, Paul Kay, and Mary C. O’Connor. Regularity and idiomaticity in grammatical constructions. Language, 64:501–538, 1988.
Charles Fillmore. Multiword Expressions: An Extremist Approach.
Presented at Collocations and idioms 2003: linguistic, computational, and psycholinguistic perspectives. 2003.
Alexandre Gil and Gael Dias. Efficient Mining of Textual Associations. In Proceedings of the International Conference on Natural Language Processing and Knowledge Engineering, Beijing. China, pages 549—
555, 2003.
Caroline Hagège, Agnes Sándor, and Anne Schiller. Linguistic processing of biomedical texts. In Elisabete Ranchod and Nuno J.
48 PERNA, C. L.; DELGADO, H. K.; FINATTO, M. J. (Orgs.)
Mamede, editors, PorTAL, volume 2389 of LNCS, pages 197–208, Faro, Portugal, June, Springer, 2002.
Ray Jackendoff. The Architecture of the Language Faculty. MIT Press, Cambridge, USA, 1997.
John S. Justeson and Slava M. Katz. Technical terminology: Some linguistic properties and an algorithm for identification in text. Natural Language Engineering, 1(1):9–27, 1995.
Graham Katz and Eugenie Giesbrecht. Automatic identification of non- compositional multi-word expressions using latent semantic analysis. In Proceedings of the ACL-2006 Workshop on Multiword Expressions:
Identifying and Exploiting Underlying Properties, pages 28–35, Sydney, Australia, 2006.
Anna Korhonen. Current trends and future challenges in computational linguistic research on multiword expressions. Presented at Collocations and idioms 2006: linguistic, computational, and psycholinguistic perspectives. 2006.
Chris Manning and Hinrich Schütze, Foundations of Statistical Natural Language Processing, MIT Press. Cambridge, MA, 1999.
Diana McCarthy, Bill Keller, and John Carroll. Detecting a continuum of compositionality in phrasal verbs. In Proceedings of the ACL2003 Workshop on Multiword Expressions: analysis, acquisition and treatment, pages 73–80, Sapporo, Japan, 2003.
Diana McCarthy. Automatic methods for detecting the compositionality of multiwords. Presented at Collocations and idioms 2006: linguistic, computational, and psycholinguistic perspectives. 2006.
Rosamund E. Moon. Fixed Expressions and Idioms in English: A Corpus-based Approach. Oxford University Press, Oxford, UK, 1998.
Geoffrey Nunberg, Ivan A. Sag, and Tom Wasow. Idioms. Language, 70:491–538, 1994.
Andrew Pawley. Developments in the study of formulaic language since 1970: A personal view. In Paul Skandera (ed.) Phraseology and Culture in English, pages 3–48 Mouton de Gruyter, 2007.
Darren Pearce. Synonymy in collocation extraction. In Proceedings of the NAACL 2001 Workshop on WordNet and Other Lexical Resources:Applications, Extensions and Customizations, pages 41–46, Pittsburgh, USA, 2001.
Susanne Riehemann. A Constructional Approach to Idioms and Word Formation. PhD thesis, Stanford University, 2001.
Ivan A. Sag, Timothy Baldwin, Francis Bond, Ann Copestake, and Dan Flickinger. Multiword expressions: A pain in the neck for NLP. In Proceedings of the 3rd International Conference on Intelligent Text Processing and Computational Linguistics (CICLing-2002), pages 1–15, Mexico City, Mexico, 2002.
Antoine Tremblay, Bruce Derwing, Gary Libben and Chris Westbury. Are Lexical Bundles Stored and Processed as Single Units? In Proceedings of the 25th UWM Linguistics Symposium on Formulaic Language.
Milwaukee, Wisconsin, 2007.
Aline Villavicencio and Ann Copestake. On the nature of idioms. LinGO Working Paper No. 2002-01. 2002.
Alison Wray. Formulaic language in learners and native speakers.
Language Teaching, 32:213—231, 1999.
Alison Wray. Formulaic Language and the Lexicon. Cambridge:CUP, 2002.
O TEXTO JURÍDICO EM TRADUÇÃO E VERSÃO:
PROBLEMAS E SOLUÇÕES NA LINGUAGEM DOS CONTRATOS
Cristina Lopes Perna1 Resumo: A linguagem jurídica apresenta peculiaridades entre textos jurídicos de duas culturas, dado o seu caráter técnico e específico. A tradução de um texto jurídico de um idioma a outro resulta em tarefa árdua para o tradutor, visto que os documentos legais exigem um tipo especial de tradução e o tradutor desse tipo de linguagem especializada fica mais restrito do que em outros tipos de textos. Ao traduzir um texto jurídico, o tradutor deve manter a precisão deste, encontrando equivalentes legais que em sua relevância, correspondam tanto ao texto original da língua fonte como ao texto traduzido da língua alvo. É indiscutível que há conceitos culturais que designam elementos peculiares a cada língua. Essa crença nos permite afirmar que é inevitável certa perda de sentido no processo de tradução de textos jurídicos, especialmente por pertencerem a diferentes sistemas legais.
No caso do presente texto, discutiremos as dificuldades em se traduzir e verter contratos internacionais em português- inglês-português, visto que os sistemas jurídicos do Brasil e EUA são de naturezas diferentes, a saber, o brasileiro é originário do Civil Law ao passo que o Estadunidense, do Common Law.