Corpora Comparáveis

(1)

Corpora Compar

á

veis

Belinda Maia

FLUP

Citações

de:

EAGLES EAGLES --Expert Advisory Group Expert Advisory Group

on Language Engineering

Standards

Guidelines Guidelines ––1996 1996 ––at:at:

http://www.ilc.pi.cnr.it/EAGLES96/brhttp://www.ilc.pi.cnr.it/EAGLES96/br

owse.html

Comparable corpora

-

definition

““A comparable corpus is one which A comparable corpus is one which

selects similar texts in more than

one language or variety. There is as

yet no agreement on the nature of

the similarity, because there are very

few examples of comparable

corpora”.

Comparable corpora

-

uses

““The possibilities of a comparable The possibilities of a comparable

corpus are to compare different

languages or varieties in similar

circumstances of communication, but

avoiding the inevitable distortion

introduced by the translations of a

parallel corpus”.

Corpora

Comparáveis

(CC)

TextosTextosquequereflectemreflectemas as convençõesconvenções

da

da culturaculturasubjacentesubjacente

TextosTextoslegaislegaisdo do sistemasistemalegal local legal local

TextosTextossocialmentesocialmenteconvencionadosconvencionados: :

participações

participaçõesde de falecimentosfalecimentos, ,

anúncios

anúnciosde de casascasasououempregosempregos

TextosTextosacadémicosacadémicos/ / científicoscientíficos––

convenções

convençõesdiferentesdiferentesememculturasculturase e domínios

domíniosdiferentesdiferentes

CC

–

Vantagens

DisponibilidadeDisponibilidadede de maismaistextostextos––e e

mais

maisvariedadevariedade

VersatilidadeVersatilidadeparaparainvestigaçãoinvestigaçãoemem::

•

•AnáliseAnálisedo do discursodiscurso •

•PragmáticaPragmática •

•PesquisaPesquisade de informaçãoinformação •

(2)

O que torna

textos/corpora

COMPARÁVEIS?

EAGLES

-

quote

s

““A comparable corpus is one which A comparable corpus is one which

selects similar texts in more than

one language or variety”.

Similar Similar ––ememmaismaisdo do quequeumaumalíngualíngua

E/OU

Similar Similar ––ememvariedadevariedade

“... circunstâncias

“... circunstâncias similaressimilaresde de

communicação

communicação..”..”

Similares

em

–

Forma/

conteúdo

?

FormaForma

•

•TamanhoTamanho> num. de > num. de palavraspalavras, , frasesfrases, , parágrafos

parágrafos •

•TamanhoTamanhodos textosdos textos •

•FormatoFormato--.txt, .doc, .html, .xml.txt, .doc, .html, .xml

ConteúdoConteúdo

•

•LinguagemLinguagemgeralgeral •

•DomíniosDomíniosespecializadosespecializados

Similares

em

–

Estrutura

/

Função

?

EstruturaEstrutura

•

•TextosTextosformaisformaise beme bemconstruídosconstruídos––ex. ex. Textos

Textoslegaislegais •

•DiscursoDiscursoinformal informal ––ex. ex. TranscriçõesTranscriçõesde de conversas conversas FunçãoFunção • •SocialSocial • •CulturalCultural

Similares

--

Registo

?

RegistoRegisto •

•‘Field’ ‘Field’ ––situaçãosituação, , assuntoassunto, etc, etc •

•‘Tenor’ ‘Tenor’ ––relaçõesrelaçõesinterpessoaisinterpessoais

ex. formal/informal, cortesiaex. formal/informal, cortesia, etc, etc

• •ModoModo

Falado: ex. Falado: ex. diálogodiálogoformal / informalformal / informal

Escrito: ex. Escrito: ex. livrolivro, , artigoartigo, manual de , manual de

instruções instruções

Multimedia: ex. Encarta, cinema, internetMultimedia: ex. Encarta, cinema, internet

Similar

-

Dialecto

?

DialectoDialecto

•

•GeográficoGeográfico> ex. > ex. ÁreasÁreasurbanas/ruraisurbanas/rurais, , países

paísesdesenvolvidosdesenvolvidos/ em/ em desenvolvimento

desenvolvimento •

•Temporal > ex. Temporal > ex. PeríodoPeríodohistórico, histórico, grupos

gruposetáriosetáriosdiferentesdiferentes •

•Social > ex. Classes Social > ex. Classes sociaissociais, , níveisníveisde de educação

(3)

Comparabilidade

de Corpora

Muito

Grandes

Corpora Corpora MuitoMuitoGrandesGrandessãosão

comparáveis

comparáveisse:se:

•

•SimilaresSimilaresememtamanhotamanho •

•ConstruídosConstruídossegundosegundoososmesmosmesmos critérios

critérios> ex. quantidade> ex. quantidadee e qualidadequalidade de

de tipostiposde de textotexto

PorPorexemploexemplo? ?

•

•British National CorpusBritish National Corpus •

•MannheimerMannheimerCorpusCorpus

Comparabilidade

de corpora

jornalísticos

Corpora Corpora jornalísticosjornalísticosvariamvariamemem::

•

•TipoTipo: : qualidadequalidade/popular, /popular, conteúdoconteúdo geral/especializado

geral/especializado •

•Data de Data de publicaçãopublicação: o : o mesmomesmo dia/mês/ano

dia/mês/ano

•

•PorPorexemploexemplo? ?

•

•CETEMPúblicoCETEMPúblico––PortuguêsPortuguês •

•Corpus Corpus dadaReuter –Reuter –InglêsInglês

Comparabilidade

em

Corpora

Literários

PeríodoPeríodo::

•

•Medieval, Medieval, SéculoSéculoXVIII, PósXVIII, Pós--guerraguerra

EscolaEscola::

•

•RomantismoRomantismo, , RealismoRealismo, , PósPós- -modernismo

modernismo

GéneroGénero(Genre):(Genre):

•

•Romance, Romance, ficçãoficçãocientíficacientífica, , teatroteatro, , poesia

poesia

Comparabilidade

em

corpora

técnicos

e

científicos

-

forma

PanfletosPanfletos

ManuaisManuais

LivrosLivrosde de ensinoensino

ArtigosArtigose e comunicaçõescomunicações

DissertaçõesDissertações, , tesesteses

Comparabilidade

em

corpora

técnicos

e

científicos

-

conteúdo

InformaçãoInformaçãogeralgeral

InformaçãoInformaçãoenciclopédicaenciclopédica

InstruçõesInstruções

EducaçãoEducação

ComunicaçãoComunicaçãoentreentreperitosperitos

Construir CC

–

linguagem geral

Começar?Começar?

Corpora Corpora MuitoMuitoGrandesGrandescomparáveiscomparáveis

em 2 ou mais línguas >só a página

da Comissão Europeia!

Corpora gerais, cuidadosamente Corpora gerais, cuidadosamente

seleccionados

seleccionados ––ex. ICAME corpora ex. ICAME corpora

(

(BrownBrown, LOB , LOB etcetc) = possível mas ) = possível mas

limitado

(4)

Utilizar CC

de linguagem geral

Vantagens:Vantagens: •

•Investigação comparativa a todos os Investigação comparativa a todos os níveis

níveis •

•Úteis para investigação do léxico e das Úteis para investigação do léxico e das estruturas sintácticas

estruturas sintácticas

Desvantagens:Desvantagens:

•

•Dificuldades para análise mais Dificuldades para análise mais cuidadosa

cuidadosa •

•Desnecessários para certos tipos de Desnecessários para certos tipos de análise

análise

Construir CC

–

Textos de jornais

Fáceis de adquirirFáceis de adquirir

Grande variedade de temasGrande variedade de temas

Comparáveis a vários níveisComparáveis a vários níveis

Possível arranjar versões diferentes Possível arranjar versões diferentes

da ‘mesma’ notícia

da ‘mesma’ notícia ––‘‘concurrentconcurrent

corpora’

Utilizar CC

–

Textos de jornais

Comparação de tratamento de Comparação de tratamento de

notícias:

ex.ex.

•

•Política Política ––campanhas campanhas eleitoriaiseleitoriais •

•Futebol durante a Taça MundialFutebol durante a Taça Mundial

OU > estilos de jornalistas OU > estilos de jornalistas

individuais

Construir CC

–

linguagem geral +

textos semelhantes

Tipos de texto semelhante: ex. Tipos de texto semelhante: ex.

Entradas em enciclopédias,

publicidade turística

Textos literários do mesmo autor, Textos literários do mesmo autor,

período, escola ou ‘

período, escola ou ‘genregenre’ ’

Textos técnicos e científicos com Textos técnicos e científicos com

uma forma ou função semelhante

uma forma ou função semelhante ––

ex. Livros de ensino

Utilizar CC

–

linguagem geral +

textos semelhantes

PragmáticaPragmática

Análise do discursoAnálise do discurso

Análise de ‘Análise de ‘genregenre’’

Análise sociolinguísticoAnálise sociolinguístico

Análise culturalAnálise cultural

Construir CC

–

domínios

especializados

Domínios especializados a níveis Domínios especializados a níveis

diferentes

diferentes ––ex.ex.

•

•Geografia > demografia da população Geografia > demografia da população > minorias étnicas ...

> minorias étnicas ... •

•Engenharia > Engenharia > engenhariaengenhariamecânica > mecânica > tribologia

tribologia... •

•Medicina > oncologia > cancro da Medicina > oncologia > cancro da mama

(5)

Utilizar CC

–

domínios

especializados

Análise de ‘Análise de ‘genregenre’’

Extracção de terminologiaExtracção de terminologia

Pesquisa de informaçãoPesquisa de informação

Tecnologia de ‘browsers’Tecnologia de ‘browsers’

Engenharia do conhecimentoEngenharia do conhecimento

A

construcção

de CC

-

deve

Estabelecer uma política geral em Estabelecer uma política geral em

relação:

•

•À forma À forma ––estrutura computacionalestrutura computacional •

•Ao conteúdo dos Ao conteúdo dos subsub--corporacorpora •

•À possibilidade de partilhar os recursos À possibilidade de partilhar os recursos com um público geral ou restrito com um público geral ou restrito

Especificar os objectivos para a Especificar os objectivos para a

construção dos

construção dos subsub--corporacorpora

A construção de CC

-

deve

Respeitar os direitos de autor (‘copyright’)Respeitar os direitos de autor (‘copyright’)

Lembrar factores contextuais e/ou Lembrar factores contextuais e/ou exteriores ao texto

exteriores ao texto •

•O estilo e particularidades do autor individualO estilo e particularidades do autor individual •

•As convenções da escrita numa situação As convenções da escrita numa situação específica cultural/social

específica cultural/social •

•Efeito Efeito homogenizantehomogenizanteda internacionalizaçãoda internacionalização

‘‘EurospeakEurospeak’’

Anglicismos em terminologia científica e técnicaAnglicismos em terminologia científica e técnica

CC

-

limitações

QualquerQualquercorpus corpus pequenopequenoé é

construído

construídoparaparaum um fimfimespecíficoespecífico–– ex.

ex. extracçãoextracçãode de terminologiaterminologia, , análise

análise de ‘genre’, de ‘genre’, estudoestudocontrastivocontrastivo

de

de línguaslínguas

Estes corpora Estes corpora têmtêmum um usousoespecíficoespecífico

e um ‘

e um ‘prazoprazode de validadevalidade’’

Corpógrafo

-

permite

Construir CC em várias línguasConstruir CC em várias línguas

Analisar a linguagem dos textos com Analisar a linguagem dos textos com concordâncias,

concordâncias, nn--gramasgramas, , etcetc

Extrair terminologia semiExtrair terminologia semi- -automaticamente

automaticamente

Criar bases de dados Criar bases de dados terminológicasterminológicas

Extrair definições e relações semânticas Extrair definições e relações semânticas semi