O Sistema de Anotação Sintática em um Corpus. Eletrônico do Português: propostas e desafios. Silvia Regina de Oliveira CAVALCANTE.

(1)

O Sistema de Anota¸c˜

ao Sint´

atica em um Corpus

Eletrˆ

onico do Portuguˆes: propostas e desafios

Silvia Regina de Oliveira CAVALCANTE

silviare@gmail.com

UFF / UNICAMP

V Congresso Internacional da ABRALIN

Fevereiro de 2007

(2)

1 Apresenta¸

c˜

ao

Este trabalho tem como objetivo apresentar o sistema de anota¸cão sintática adotado para o Corpus Tycho Brahe, bem como discutir os desafios inerentes ao processo de anota¸cão sintática, tanto do ponto de vista lingü´ıstico quanto do ponto de vista tecnológico. O pro-cesso de anota¸cão sintática consiste basicamente em duas fases (1) fase de anota¸cão manual dos dados e (2) treinamento do analisador sintático, o parser. O parser é um algoritmo que atribui uma determinada estrutura sintática à seqüência de palavras de um texto etiquetado morfologicamente. A partir das etiquetas morfológicas, o parser constrói uma estrutura sintática, em forma de sintagmas e via de regra preserva as etiquetas morfológicas. Atu-almente, o Corpus Tycho Brahe conta com um parser desenvolvido na Universidade da Pensilvânia por Daniel Bikel (cf. Bikel 2004) que é treinado com dados de várias l´ınguas, pois pretende dar conta de um maior número de l´ınguas poss´ıvel. É esse o algoritmo uti-lizado na anota¸cão sintática do Penn-Helsink Parsed Corpus of English, coordenado pelo Professor Antnhony Kroch, que colabora com o Projeto Temático Padrões R´ıtmicos Fixa¸cão de Parâmetros e Mudan¸ca Lingü´ıstica.

Numa l´ıngua morfologicamente rica como o português, as etiquetas recebem sub-etiquetas que indicam aspectos da morfologia, tais como flexão de número (plural), gênero (feminino) e os tempos e modos verbais (presente do indicativo, futuro do subjuntivo, etc.), como vimos com o trabalho de Namiuti. No caso do Corpus Tycho Brahe, não são etiquetadas ainda marcas de pessoa e número verbais, mas isso não impede que se possa marcá-las: no Cordial-Sin, Corpus Dialetal do Português, da Universidade de Lisboa, essas marcas são etiquetadas.

(3)

Assim, uma palavra como “viu” recebe no Corpus Tycho Brahe a etiqueta “VB-D”, que indica verbo no pret´erito perfeito, e no Cordial-Sin, recebe a etiqueta “VB-D-3S”, o que indica, al´em do tempo e modo verbais, a “terceira pessoa do singular”.

Na primeira fase do Projeto, também se decidiu marcar as contra¸cões por meio do sinal “+”, como por exemplo no caso de contra¸cão de preposi¸cão com determinante (P+D: “no”), ou no caso de ênclises (VB-P+SE: “vende-se”).

Com base numa senten¸ca etiquetada, como (1a), a anota¸cão sintática será algo como (1b):

(1) a. A/D-F menina/N-F viu/VB-D os/D-P meninos/D-P em/P casa/N b. (IP-MAT (NP-SBJ (DP (D-F A) (N-F menina))) (VB-D viu) (NP-ACC (DP (D-P os) (N-P meninos))) (PP (P em) (N casa)))

Pode-se ver nessa configura¸cão, que o sistema de anota¸cão sintática que adotamos é uma árvore em parênteses etiquetados cujos rótulos dos sintagmas obedecem, via de regra, `

as etiquetas morfológicas. Uma senten¸ca declarativa será um IP-MAT, um “IP matriz”, ao passo que uma subordinada será um CP, que seleciona um IP-SUB, um “IP subordinado”. Todos os sintagmas são diretamente ligados ao nó raiz: o sujeito (NP-SBJ), o verbo (VB-D), o objeto direto (NP-ACC) e o sintagma preposicional (PP).

Um determinante seguido de um nome projeta um sintagma determinante (DP): Os/D-P meninos/N-P : (DP (D-P Os) (N-P meninos)); uma preposi¸c˜ao seguida de um nome

(4)

pro-jeta um sintagma preposicional (PP): em/P casa/N : (PP (P em) (N casa)). Não se pro-jeta, entretanto, um sintagma verbal, como VP. Da´ı decorre que se vale de uma estrutura plana (“flat”) – adapta¸cão da Teoria X-barra – em que todos os nós estão ligados ao IP-MAT. As rela¸cões entre os nós são de dois tipos: dominância e precedência. Em (1b), o IP-MAT domina imediatamente os nós NP-SBJ, VB-D, NP-ACC e PP. O nó NP-SBJ precede imediata-mente VB-D, e precede NP-ACC e PP. As buscas são feitas com base nessas rela¸cões. Para estudar a varia¸cão SV-VS em senten¸cas matrizes, com sujeito lexicais, por exemplo, deve-mos escrever um comando de busca do tipo: IP-MAT domina imediatamente NP-SBJ e VB-*. NP-SBJ domina imediatamente DP, e NP-SBJ precede VB-*, para termos as senten¸cas com ordem SV. Para capturarmos as senten¸cas VS, basta especificar que VB-* precede NP-SBJ.

Essa ramifica¸cão tem como base a Teoria X-barra (cf. Haegeman 1994, Mioto et al. 1999), sem ter como requisito ramifica¸cões binárias, mas sim eneárias, como vimos em (1b). Isso facilita tanto o parser, pois a estrutura arbórea fica “mais simples” para o algoritmo, bem como as buscas que serão feitas no corpus anotado sintaticamente. Além disso, numa estrutura com ramifica¸cão binária t´ıpica da Teoria X-barra, como vemos em (2a) a seguir, são representados resultado de movimento, categorias vazias, que numa ramifica¸cão em que não projetamos o VP, tornam-se desnecessárias, como em (2b):

(2) a. [IP Pedroi [I0 [_I ama_v [_VP [_V0 [_V t_v Maria ]]]]]]

b. [IP −MAT [NP −SBJ Pedro] [VB −P ama] [NP −ACC Maria]]

Como a estrutura se inspira na Teoria X-barra, alguns pressupostos são preservados, tais como “toda senten¸ca tem uma posi¸cão de sujeito”. Da´ı, numa senten¸ca com sujeito nulo, é

(5)

projetado um sintagma NP-SBJ, por´em com uma categoria vazia do tipo pro: (3) (IP-MAT (NP-SBJ *pro*)

(VB-D vimos)

(NP-ACC (NPR Maria)) (ADVP (ADV ontem)))

Da´ı se observa que a anota¸cão sintática não deve, e nem pretende, seguir as tendências de análise mais recente propostas pela Teoria Gerativa. Por exemplo, algumas análises dentro das versões mais recentes do Programa Minimalista, como a de Kato 1999, propõem que se tire a categoria pro do sistema, por razões de economia. A desinência verbal e o pro seriam categorias redundantes, por isso a tendência a não considerar pro no sistema. A inten¸cão em apresentar um corpus anotado sintaticamente é apresentar o maior número poss´ıvel de dados a serem analisados, e não apresentar uma análise dos dados. Por isso, se fez necessário estabelecer critérios sistemáticos de anota¸cão sintática. É com essa premissa que se propuseram algumas modifica¸cões no sistema de anota¸cão sintática implementado num primeiro momento para o Corpus Tycho Brahe (cf. Britto 2001).

Apresentarei agora algumas modifica¸cões do ponto de vista lingü´ıstico que foram reali-zadas no sistema de anota¸cão sintática para depois apresentarmos alguns desafios computa-cionais, ou operacomputa-cionais, que aparecem ao longo do trabalho de anota¸cão sintática.

(6)

2 Algumas Reformula¸

c˜

oes no Sistema de Anota¸

c˜

ao Sint´

atica

Nesta se¸cão, vou discutir algumas modifica¸cões que se fazem necessárias implementar no sistema de anota¸cão sintática do Corpus Tycho Brahe, para simplificar o sistema e apresentar maior uniformidade no tratamento de dados. A t´ıtulo de exemplifica¸cão, mostro como se decidiu marcar os cl´ıticos, principalmente os encl´ıticos, e as contra¸cões, a fim de que se obtivesse um certo paralelismo.

2.1 Coloca¸

c˜

ao Pronominal

As etiquetas morfológicas marcam além das classes gramaticais, marcas flexionais, e con-tra¸cões. Um cl´ıtico procl´ıtico, por exemplo, é marcado como uma palavra separada do verbo, ao passo que o cl´ıtico encl´ıtico é marcado como um “sufixo” ao verbo. Compare-se (4a) com (4b) a seguir:

(4) a. Jo~ao/NPR a/CL ama/VB-P b. Jo~ao/NPR ama-a/VB-P+CL

O resultado desse tipo de etiquetagem é que, para preservar a morfologia, a anota¸cão sintática teve que levar em conta categoria vazia gerada por movimento (representada por (CL *T*-1), o que faz com que a ênclise “desapare¸ca” dentro da senten¸ca, e também faz com que o paralelismo entre uma senten¸ca com objeto lexical e com cl´ıtico se perca. Compare-se a senten¸ca (5a) com (5b) a seguir: na primeira o cl´ıtico faz parte do sintagma do objeto, ao passo que no segundo, o objeto tem um vest´ıgio de movimento. A configura¸cão em (5c), em que há um objeto direto lexical não é paralela à senten¸ca com cl´ıtico:

(7)

(5) a. (IP-MAT (NP-SBJ (NPR Jo~ao)) (NP-ACC (CL a)) (VB-P ama))

b. (IP-MAT (NP-SBJ (NPR Jo~ao)) (VB-P+CL-1 ama-a) (NP-ACC (CL *T*-1))) c. (IP-MAT (NP-SBJ (NPR Jo~ao))

(VB-P ama)

(NP-ACC (NPR Maria)))

Ao contrário, se estabelecermos um sistema de anota¸cão sintática em que essas etiquetas morfológicas são separadas, a diferen¸ca entre próclise e ênclise, do ponto de vista da con-figura¸cão, é a ordem dos elementos na senten¸ca. Obviamente, que essa anota¸cão sintática não pressupõe qualquer análise sobre coloca¸cão pronominal, mas possibilita um acesso mais direto à diferen¸ca na coloca¸cão pronominal e também uma certa homogeneidade que facilita o aprendizado do parser. A sugestão pode ser vista a seguir com as senten¸cas em (6a) e (6b) a seguir:

(6) a. (IP-MAT (NP-SBJ (NPR Jo~ao)) (NP-ACC (CL a)) (VB-P ama))

b. (IP-MAT (NP-SBJ (NPR Jo~ao)) (VB-P ama)

(NP-ACC (CL a)))

No sistema de anota¸cão sintática, temos que pensar também em como as buscas vão ser implementadas. As configura¸cões em (6a) e (6b) diferem pela ordem dos cl´ıticos em rela¸cão ao verbo. Além disso, como há um paralelismo de representa¸cão entre a senten¸ca com objeto lexical (5c) e as com cl´ıtico (6), isso facilitaria uma pesquisa sobre a varia¸cão do objeto direto: lexical, cl´ıtico ou oracional, por exemplo.

(8)

Além das vantagens de ordem tecnológica, esse tipo de configura¸cão pode ser condizente com a varia¸cão de ortografia no que tange à coloca¸cão pronominal que ocorreu em per´ıodos anteriores do português: os pronomes tanto encl´ıticos quanto procl´ıticos poderiam aparecer junto ao verbo: medisse, disseme.

2.2 As contra¸

c˜

oes

Dadas as caracter´ısticas morfológicas do português, as contra¸cões marcadas na etiquetagem morfossintática causaram um problema para a anota¸cão sintática. Consideremos os exemplos a seguir: (7) mostra como fica a estrutura de um sintagma preposicional com contra¸cão da preposi¸cão com um determinante (P+D) e (8) mostra como fica o sintagma preposicional quando não há contra¸cão da preposi¸cão:

(7) a. Jo~ao/NPR sentou/VB-D no/P+D ch~ao/N b. (IP-MAT (NP-SBJ (NPR Jo~ao))

(VB-D sentou) (PP (P+D no)

(N ch~ao)))

(8) a. Jo~ao/NPR ficou/VB-D em/PP casa/N b. (IP-MAT (NP-SBJ (NPR Jo~ao))

(VB-D ficou) (PP (P em)

(N casa)))

Ao tentar preservar as informa¸cões morfológicas (contra¸cão da preposi¸cão com o deter-minante) na anota¸cão sintática, acaba-se gerando um “braketing paradox”: como que a preposi¸cão mais o determinante vão projetar um sintagma preposicional? E há outros tipos de contra¸cões, como preposi¸cão mais cl´ıtico: pelos/P+CL fazer/VB; preposi¸cão mais

(9)

pro-nome: dele/P+PRO; preposi¸cão mais quantificador: n’algum/P+Q, etc. Desse modo, quando se tratar de um sintagma preposicional, cujo núcleo esteja contra´ıdo com um elemento deter-minante, a proje¸cão não vai corresponder ao núcleo. A sugestão que se dá é que se desfa¸cam todas as contra¸cões na etiquetagem morfossintática no arquivo a ser submetido ao parser. Assim, nossa árvore ficará da seguinte forma:

(9) a. Jo~ao/NPR sentou/VB-D em/PP o/D ch~ao/N b. (IP-MAT (NP-SBJ (NPR Jo~ao))

(VB-D sentou) (PP (P em)

(DP (D o)

(N ch~ao))))

Desse modo, ocorre um paralelismo em que todo PP será a proje¸cão de um P. A confi-gura¸cão em (9a) pode facilitar buscas para a pesquisa da varia¸cão no uso do artigo diante de possessivo, por exemplo. Em sintagmas preposicionais, anotados sintaticamente como em (7), o artigo “desaparece” diante do possesssivo. Ao contrário, numa versão editada, as buscas são facilitadas. A análise que virá dos contextos em que há a contra¸cão ficará a cargo de pesquisas espec´ıficas, e não do sistema de anota¸cão sintática.

Uma questão que se pode levantar é que com esse tipo de edi¸cão muitas informa¸cões relevantes sobre a morfologia poderão se perder na estrutura anotada sintaticamente. A´ı entra a integra¸cão entre os vários momentos de tratamento computacional de um mesmo texto. Como Paixão de Sousa expôs, as várias “camadas” de um mesmo texto estão ligadas por meio da codifica¸cão em XML.

(10)

Nesse formato, há várias edi¸cões: a edi¸cão original, a edi¸cão modernizada e o que cha-maremos de edi¸cão técnica.

Na edi¸cão original, o texto é apresentado com sua ortografia original, além de se preservar as contra¸cões, abreviaturas, etc., o que viabiliza estudos históricos. Na edi¸cão modernizada, ocorre a moderniza¸cão da ortografia, as abreviaturas são abertas, mas se preservam ainda algumas contra¸cões, como as que ainda vigoram hoje: “do”, “naquele”, “pelo”, “fazê-los”, etc., o que facilita a leitura dos textos por pessoas que não estão necessariamente interessadas nos aspectos históricos.

A edi¸cão técnica apresentará além da grafia modernizada, algumas modifica¸cões que viabilizem a anota¸cão sintática. Além de desfazer as contra¸cões de preposi¸cão com um outro elemento (pelo/P+D : por/P o/D; polos/P+CL fazer/VB : por/P os/CL fazer/VB), também vamos editar pronomes encl´ıticos, como mencionei na se¸cão 2.1 (lavou-se/VB-D+SE : lavou/VB-D se/SE).

Isso não significará de forma alguma perda nas informa¸cões dos textos, mas apenas prepara¸cão para submetê-los a ferramentas computacionais. Como os textos são tratados com a linguagem XML, como explica Paixão de Sousa (2004b, 2005), cada texto é apresentado em várias versões e cada senten¸ca é identificada, de modo que se pode ter acesso a todas as camadas de cada texto.

Assim, para fins de implementa¸cão das ferramentas computacionais, como o etiqueta-dor morfológico e o analisador sintático, são operadas determinadas transforma¸cões que só modificam esses textos e que viabilizam uma pesquisa sobre um tema espec´ıfico do ponto

(11)

de vista lingü´ıstico, como ordenamento de constituintes na senten¸ca, coloca¸cão pronominal, uso de determinadas preposi¸cões, etc.. O original está preservado para qualquer outro tipo consulta, lingü´ıstica ou histórica.

3 Desafios

Nesta se¸cão, apresento dois desafios à anota¸cão sintática que apareceram principalmente ao iniciar dos trabalhos com a anota¸cão sintática das Memórias do Marquês da Fronteira e d’Alorna (1802), em desenvolvimento. Discutirei aqui dois pontos importantes: a questão da precisão do parser (sua performance) e a questão das ferramentas computacionais utilizadas na anota¸cão sintática.

Conforme já foi mencionado, o parser utilizado para os textos do Corpus Tycho Brahe está na Universidade da Pensilvânia e foi desenvolvido, não para o português, mas para um grande número de l´ınguas. Advoga-se, inclusive, o objetivo do autor em desenvolver um parser universal. Desse modo, como os dados do português ainda não são tão numerosos – até agora só foram utilizadas 100.000 palavras para treinar o parser –, ainda estamos distantes de uma precisão como o etiquetador desenvolvido especialmente para o Corpus Tycho Brahe, o tagger de Finger, apresenta. Atualmente, o tagger apresenta em torno de 96% de acerto na sua etiquetagem, e o parser não chega aos 20%.

Um parser universal vai identificar padrões comuns entre várias l´ınguas, entre elas o Inglês e o Português, por exemplo. Isso pode diminuir o avan¸co da precisão para o português. Um exemplo desse problema é que o parser utilizado se baseia principalmente na ordem dos

(12)

constituintes da senten¸ca para fazer suas previsões sobre as categorias sintáticas a serem anotadas num texto. Uma l´ıngua como o português, principalmente o Português Clássico e Português Europeu apresenta a maioria dos seus sujeitos como uma categoria vazia (cf. Duarte (1995, 2000) e Paixão de Sousa (2004a)), contrariamente ao que ocorre com o Inglês (de diferentes fases). Assim, os resultados das anota¸cões sintáticas do parser estão, por enquanto, muito precários, pois na maioria das senten¸cas dos textos em português não ocorre um Sintagma Nominal precedendo o sujeito, o que poderia ser o fator desencadeador da marca¸cão do sujeito na senten¸ca.

Nos exemplos em (10) a seguir, retirados das Memórias do Marquês da Fronteira e d’Alorna, verificamos três exemplos de como Sintagma Nominal sujeito pode aparecer em português: em (10a), temos um sujeito nulo; em (10b) o sujeito aparece na posi¸cão pré-verbal e em (10c) o sujeito é pós-verbal:

(10) pro Darei princ´ıpio a estas minhas mem´orias pela minha genealogia. a. ( (IP (CODE <comment>[a_003_s_1]</comment>)

(NP-SBJ *pro* ) (VB-R Darei) (NP (N princ´ıpio)) (PP (P a) (NP (D-F-P estas) (PRO$-F-P minhas) (N-P mem´orias))) (PP (P por) (NP (D-F a) (PRO$-F minha) (N genealogia))) (. .)))

Ele e n´os vest´ıamos de seda de Fran¸ca com ramos de matiz e grandes rendas na camisa e punhos.

(13)

b. ( (IP (CODE <comment>[a_003_s_1067]</comment>) (NP-SBJ (NP (PRO Ele) (CONJP (CONJ e) (NP (PRO n´os))))) (VB-D vest´ıamos) (PP (P de) (NP (N seda) (PP (P de) (NP (NPR Fran¸ca))))) (PP (P com) (NP (N-P ramos) (PP (P de) (NP (N matiz))))) (CONJP (CONJ e)

(NP (ADJP (ADJ-G-P grandes)) (N-P rendas) (PP (P em) (NP (D-F a) (N camisa)) (CONJP (CONJ e) (N-P punhos))))) (. .))

Principiavam os nossos trabalhos, quase ao nascer do dia, por uma esp´ecie de coro na capela, capitulando o bom do padre.

c. ( (IP (CODE <comment>[a_003_s_1127]</comment>) (VB-D Principiavam) (NP-SBJ (NP (D-P os) (PRO$-P nossos) (N-P trabalhos))) (, ,))) ...

Nesses três casos, e também nas demais senten¸cas do texto, o parser não identificou o Sintagma Nominal sujeito das senten¸cas. O nosso desafio, no momento, é produzir um número suficiente de dados anotados para que o parser possa “aprender” que as senten¸cas do português sempre terão um NP sujeito, independemente de haver um Sintagma Nominal precedendo o verbo. Nessa fase de anota¸cão, portanto, todas as senten¸cas são revisadas e

(14)

reanotadas para ser inserida a categoria NP-SBJ, além de outras. Depois da fase de corre¸cão, o texto será submetido novamente ao parser, para treinamento. E a partir da´ı um outro texto é etiquetado.

Depois da fase da corre¸cão da anota¸cão sintática, o texto está pronto para ser utilizado como fonte de pesquisas lingü´ısticas. Para obter os dados de um texto anotado sintatica-mente, deve-se obedecer às rela¸cões que são estabelecidas entre os constituintes da árvore. Atualmente, o sistema de buscas conta com uma ferramenta desenvolvida especificamente para a configura¸cão árborea apresentada neste trabalho: o CorpusSearch (Randall 2000) está na sua segunda versão e foi desenvolvido para atender, primeiramente, às necessidades de busca dos textos anotados de dois corpora: o Penn-Helsinki Parsed Corpus of Middle English (Kroch e Taylor 2000) e o Penn-Helsinki Parsed Corpus of Early Modern English (Kroch e Santorini in preparation), supervisionados por Kroch.

O CorpusSearch permite que se escrevam expressões regulares de busca espec´ıficas para a configura¸cão arbórea das senten¸cas. O arquivo de entrada pode ser o corpus inteiro, e não um arquivo de cada vez, ou então os arquivos de sa´ıda de buscas anteriores. Um outro recurso dessa ferramenta o é que ela ainda pode codificar as senten¸cas por meio de uma seqüência de códigos que poderá ser utilizada como input para programas probabil´ısticos, como o VARBRUL (cf. Pintzuk 1988).

Isso nos leva a um segundo desafio que se mostra na atual fase de anota¸cão sintática: as dificuldades computacionais ou operacionais. Esse processo de anota¸cão sintática descrito aqui enfrenta algumas dificuldades operacionais principalmente no que tange ao alcance das

(15)

ferramentas computacionais: para corrigir um texto anotado sintaticamente, é necessária uma configura¸cão espec´ıfica nas máquinas para que essas ferramentas possam funcionar. Além disso, essas ferramentas (tanto as ferramentas de corre¸cão da anota¸cão quanto de buscam) foram desenvolvidas exclusivamente para esse tipo de arquivo e de configura¸cão sintática.

Atualmente, discute-se muito sobre o limite de alcance de determinadas técnicas que são adotadas para processamento de textos. Com o trabalho de Paixão de Sousa, vemos que se pode utilizar uma linguagem universal, que obedece a padrões internacionais, acess´ıvel a um maior número de máquinas de configura¸cões computacionais: estou me referindo à lingua-gem XML – EXtensible Markup Language, que tem um alcance maior e um sistema de buscas universal. Como o Corpus Tycho Brahe está sendo modificado e reconfigurado em XML, o objetivo é construirmos uma “gramática” baseada em XML para poder fazer as anota¸cões sintáticas. Dois estudos pilotos já foram desenvolvidos: Paixão de Sousa, no primeiro se-mestre de 2006, desenvolveu uma anota¸cão sintática em XML da HIstória da Prov´ıncia de Santa Cruz, de Pêro Magalhães de Gândavo (século XVI, 15??) e Cavalcante, no segundo semestre de 2006, desenvolveu uma anota¸cão-piloto para um corpus de crônicas de Lu´ıs Fernando Ver´ıssimo (século XX), como atividades docentes. Nesses dois casos, os resultados foram satisfatórios, uma vez que a codifica¸cão em XML poderia ser feita utilizando-se qualquer máquina com qualquer configura¸cão, sem necessidade de programas espec´ıficos, produzidos especialmente para aquela anota¸cão sintática.

(16)

de Sousa, permite que se crie uma “gramática” do texto, definindo-se as categorias a serem utilizadas, pode-se criar a “gramática” com base em categorias gramaticais estritas, como Sintagma Nominal Sujeito, Verbo, Sintagma Nominal Objeto Direto, etc. Com base nas categorias gramaticais que temos do processo de etiquetagem morfológica, podemos realizar uma anota¸cão sintática utilizando-se uma codifica¸cão em XML.

A t´ıtulo de exemplifica¸cão, vejamos uma senten¸ca já apresentada, retirada das Memórias do Marquês da Fronteira e d’Alorna, anotada em XML.

(11) pro Darei princ´ıpio a estas minhas mem´orias pela minha genealogia. <IP-MAT> <comment>[a_003_s_1]</comment> <NP-SBJ> *pro* </NP-SBJ> <VB-R> Darei</VB-R> <NP> <N> princ´ıpio</N></NP> <PP> <P> a </P> <NP> <D-F-P> estas</N-F-P> <PRO$-F-P> minhas</PRO$-F-P> <N-P> mem´orias </N-P> </NP> </PP> <PP> <P> por</P>

<NP> <D-F> a</D-F> <PRO$-F>minha</PRO$-F> <N>genealogia</N> </NP>

</PP> </IP-MAT>

Observa-se que foram preservadas as categorias que apareciam no primeiro tipo de anota¸cão sintática, como IP-MAT, NP-SBJ, PP, entre outras. A diferen¸ca entre uma anota¸cão e outra está relacionada à maneira de “fechar” os sintagmas (com parênteses na primeira, e com colchetes etiquetados na segunda), obtendo-se uma mesma hierarquia, e, principalmente, às configura¸cões necessárias para realizar uma e outra. O próximo passo na consolida¸cão do

(17)

sis-tema de anota¸cão do Corpus Tycho Brahe está relacionado na transposi¸cão de uma anota¸cão em XML para uma anota¸cão em parênteses etiquetados, que será submetida ao parser para treinamento. Finalmente, com rela¸cão ao sistema de buscas, pode-se utilizar as ferramentas que já são dispon´ıveis no mercado para executar buscas em XML, como X-query.

(18)

Referˆ

encias

Bikel, Daniel M. 2004. On the Parameter Space of Generative Lexicalized Statistical Parsing Models. Tese de Doutorado, Computer and Information Science, University of Pennsylva-nia, Philadelphia, PA.

Britto, Helena de Souza. 2001. Syntactic Annotation System: Basis for an automated par-sed for written and spoken Portuguese data. Relat´orio t´ecnico, FAPESP/UNICAMP, Campinas, SP.

Duarte, Maria Eugênia Lamoglia. 1995. A Perda do Princ´ıpio ‘Evite Pronome’ no Português Brasileiro. Tese de Doutorado, Universidade Estadual de Campinas, Campinas, SP. Duarte, Maria Eugênia Lamoglia. 2000. The loss of the ‘Avoid Pronoun’ Principle in

Brazi-lian Portuguese. Em BraziBrazi-lian Portuguese and the Null Subject Parameter , ed. Mary A. Kato e Esmeralda V. Negr˜ao, volume 4 de Ling¨u´ıstica, 17–36. Frankfurt: Vervuert-Iberoamericana.

Haegeman, Liliane. 1994. Introduction to Government and Binding Theory. Cambridge, Mass.: Blackwell, 2 edi¸c˜ao.

Kato, Mary. 1999. Strong and weak pronominals in the Null Subject Parameter. PROBUS 11:1–37.

Kroch, Anthony, e Beatrice Santorini. in preparation. Penn-Helsinki Parsed Corpus of Early Modern English. University of Pennsylvania.

Kroch, Anthony, e Ann Taylor. 2000. Penn-Helsinki Parsed Corpus of Middle English. University of Pennsylvania.

Mioto, Carlos, Maria Cristina Figueiredo Silva, e Ruth Elisabeth Vasconcellos Lopes. 1999. Manual de sintaxe. Florian´opolis, SC: Insular.

Paixão de Sousa, Maria Clara. 2004a. L´ıngua Barroca: Sintaxe e História do Português nos 1600. Tese de Doutorado, Instituto de Estudos da Linguagem, UNICAMP, Campinas, SP. Paixão de Sousa, Maria Clara. 2004b. Memórias do texto: aspectos tecnológicos na cons-tru¸cão de um corpus histórico do português. Projeto de Pós-Doutorado, FAPESP, Processo no. 04/03462-4. Instituto de Estudos da Linguagem / UNICAMP.

Paixão de Sousa, Maria Clara. 2005. Memórias do Texto: aspectos tecnológicos na constru¸cão de um corpus histórico do português. Relatório Técnico 1, FAPESP, Instituto de Estudos da Linguagem / UNICAMP, Campinas, SP. Relatório de Pós-Doutorado (Processo no. 04/03462-4).

(19)

Randall, Beth. 2000. CorpusSearch User’s Manual . Departa-ment of Linguistics, University of Pennsylvania, Philadelphia, PA. http://www.ling.upenn.edu/˜dringe/CorpStuff/Manual/Contents.html (acesso em 25 de setembro de 2002).