Miguel OLIVEIRA Jr.
Universidade Federal de AlagoasMaceió, Alagoas, Brasil miguel@fale.ufal.br
Resumo
O presente artigo descreve um projeto de pesquisa tem por objetivo central propor um modelo de informatização de um dos corpora mais influentes na pesquisa linguística do Brasil: o corpus do Projeto NURC. Partindo de recomendações de órgão internacionais especializados em práticas de codificação e transmissão de dados digitais, um corpus de dados representativos do Projeto NURC será organizado e apresentado aos coordenadores de todas as capitais brasileiras que sediam o Projeto NURC como possível modelo a ser adotado para a informatização, preservação e disponibilização de seu acervo, que atualmente se encontra em sério risco de deterioração devido à ação do tempo.
Palavras-chave: NURC; preservação; dados orais.
1. Introdução
O Projeto da Norma Urbana Linguística Culta teve seu início em 1969, tendo sido proposto como uma extensão do Proyecto de Estudio Coordinado de la Norma
Lingüística Culta de las Principales Cidades de Iberoamérica y de la Península Ibérica, de que
participavam países de língua espanhola da América Latina. A proposta inicial do Projeto era documentar e estudar a norma falada culta de cinco capitais brasileiras: Recife, Salvador, Rio de Janeiro, São Paulo e Porto Alegre. A seleção dessas capitais foi feita a partir dos seguintes critérios: ter a cidade pelo menos um milhão de habitantes e estratificação social suficiente para atender às exigências do projeto.
Os dados que fazem parte do acervo do Projeto NURC têm sido utilizados para a elaboração de um grande número de trabalhos acadêmicos, incluindo dissertações de mestrado, teses de doutorado, artigos publicados em periódicos nacionais e internacionais, e trabalhos apresentados em encontros científicos ao redor do mundo. A Gramática do Português Falado (Castilho, 1990; Castilho, 1993; Castilho & Basílio, 1996; Ilari, 1992; Kato, 1996; Koch, 1996; Neves, 1999; Abaurre & Rodrigues, 2002), grande e ambicioso projeto nacional que envolveu entre 1988 e 2002 cerca de cinquenta pesquisadores na área da linguística, resultou em uma série de volumes, todos contendo análises de materiais extraídos dos dados do Projeto NURC. É, pois, incontestável a importância do material pertencente ao arquivo do Projeto NURC.
Lamentavelmente, os registros magnéticos dos inquéritos do Projeto NURC, feitos em fita de rolo, estão em sério risco de deterioração. Na verdade, muitos desses registros já se encontram irremediavelmente destruídos pela ação do tempo. Assim, por exemplo, as chuvas de abril/maio de 2011 inundaram a sala do Projeto NURC/Recife, e ainda não se sabe a dimensão dos estragos que foram provocados por esse incidente, no que diz respeito ao material ali arquivado. É imprescindível, portanto, que este valioso material seja resgatado o quanto antes, mediante a transposição de seus dados analógicos para formatos digitais que garantam a sua preservação e
utilização no futuro.
O objetivo central do projeto de pesquisa aqui descrito é desenvolver uma metodologia e práticas específicas para gestão de registros sonoros resultantes das pesquisas do NURC, bem como de estratégias de migração para formatos digitais, curadoria e preservação digital do acervo. Esta pesquisa deve indicar meios que poderão ser utilizados pelo Projeto NURC em todas as capitais em que está sediado para a preservação e a disponibilização mais efetiva de seus corpora. Para isso, a iniciativa proposta pretende digitalizar e anotar um corpus representativo de inquéritos pertencentes ao acervo do NURC Recife, mediante técnicas de digitalização e de arquivamento recomendadas por órgãos internacionais especializados em arquivamento de dados digitais.
2. Justificativa
Entende-se por corpus, nos estudos linguísticos, uma “coletânea de porções de linguagem que são selecionadas e organizadas de acordo com critérios linguísticos explícitos, a fim de serem usadas como uma amostra da linguagem” (Percy et al., 1996: 4). O corpus do Projeto NURC é uma coletânea de dados de fala de informantes com formação universitária completa (chamados cultos), organizada para servir de estudo da modalidade oral da língua portuguesa culta falada no Brasil. O material do Projeto NURC foi – e tem sido – largamente utilizado para o estudo de diversas características da oralidade, que vão desde aspectos discursivos, tais como a análise de narrativas inseridas na conversação (Oliveira Jr., 1999) e de questões discursivas e ideológicas presentes nas diversas modalidades de gravações feitas pelo Projeto (Cunha, 2003), até aspectos mais formais, tais como a análise de elementos argumentativos e pragmáticos, da intertextualidade e da organização interacional e sintática presentes no texto oral (Sá, 2004).
A maior parte dos estudos desenvolvidos a partir dos dados do Projeto NURC deriva de uma série de publicações feitas com transcrições de material selecionado pelos grupos de pesquisadores atuantes em cada uma das capitais em que o Projeto era desenvolvido. Essas coletâneas de transcrições publicadas a partir da década de 80 ficaram conhecidas por Materiais Para o Seu Heliana Mello, Massimo Pettorino, Tommaso Raso (edited by), Proceedings of the VIIth GSCP International Conference : Speech and Corpora ISBN 978-88-6655-351-9 (online) © 2012 Firenze University Press.
Estudo: Castilho e Preti (1986, 1987), Preti e Urbano (1990), Callou (1992), Callou e Lopes (1993, 1994), Motta e Rollemberg (1994), Hilgert (1997), Sá et al. (1996, 2005). Os estudos feitos a partir dessas publicações desconsideravam, em sua grande maioria, o registro de áudio, baseando-se exclusivamente nas transcrições aí presentes. Essa não era, evidentemente, uma opção dos estudiosos. Tratava-se mesmo de uma questão de dificuldade de acesso aos dados gravados. Todas as gravações feitas pelo Projeto NURC utilizaram, como meio, fitas magnéticas de rolo, que, se por um lado garantia a qualidade das gravações, por outro dificultava o acesso às mesmas, uma vez que reprodutores de fita de rolo eram equipamentos caros e pouco comuns.
Uma outra dificuldade que a utilização do material do Projeto NURC apresentava aos estudiosos era – e continua sendo, em grande parte – a não disponibilização dos dados transcritos em formato digital. Assim, o processo de análise a partir dos textos publicados em formato impresso era – e continua sendo – necessariamente demorado e eventualmente falho, uma vez que não se podia contar com buscas automatizadas de fenômenos linguísticos particulares.
Com o advento da tecnologia, tem-se cada vez mais incentivado a disponibilização de dados linguísticos em formato digital, que possam ser acessados por humanos e máquinas. A simples digitação de dados é apenas um primeiro passo para a criação de um corpus digital. Há, na verdade, uma série de medidas recomendadas por especialistas na área da construção de corpora eletrônicos que precisam ser consideradas, se o objetivo for construir um corpus que seja também legível por máquinas (Sardinha, 2000). A vantagem de se construir um corpus com essa característica é mesmo a de facilitar as análises linguísticas feitas a partir dele, automatizando certos aspectos da análise. À análise linguística que toma por base corpora informatizados para deles fazer considerações probabilísticas tem-se comumente referido como linguística de corpus (Sardinha, 2000).
Já houve tentativas isoladas de informatização de dados do Projeto NURC (Castilho et al., 1995). Assim, por exemplo, muitos dos dados do Projeto NURC do Rio de Janeiro foram digitalizados e disponibilizados na internet (http://www.letras.ufrj.br/nurc-rj/home.htm). A despeito de ser essa uma empreitada louvável, a metodologia empregada para a disponibilização desses dados on line não levou em consideração uma série de recomendações metodológicas bastante importantes no processo de elaboração de bancos de dados digitais. Desse modo, apesar de agora pesquisadores interessados em aspectos da oralidade poderem ter acesso aos arquivos de áudio a que se referem algumas transcrições, e poderem fazer buscas bastante rudimentares no corpus disponibilizado pelo NURC-RJ, não poderão, entre outras coisas, proceder, por exemplo, a uma análise automatizada de frequência de ocorrência de traços linguísticos de várias ordens (lexicais, sintáticos, semânticos, discursivos, etc.), ou a uma possível análise acústica, devido à não-observação das já referidas
recomendações metodológicas.
A área da linguística que tem se preocupado em estabelecer bases teóricas para a construção de corpora linguísticos digitais é chamada linguística documentativa (Himmelmann, 2006). A linguística documentativa emergiu como uma resposta para uma necessidade urgente de se fazer registros duradouros de línguas em risco de extinção, utilizando-se o aparato tecnológico disponível na atualidade. Entretanto, a sua área de atuação hoje em dia vai além da documentação de línguas em risco de extinção. A linguística documentativa se ocupa em indicar métodos e ferramentas para a elaboração de registros de qualquer língua natural, ou de variedades de uma língua, que sejam representativos, duradouros e que permitam múltiplos usos. Para isso, é fundamental que um corpus seja acompanhado não apenas de uma transcrição, mas de metadados contendo informações relevantes acerca do contexto e do uso do material, e de anotações multiníveis que garantam o seu amplo uso.
Assim, os procedimentos estabelecidos para a construção de um corpus linguístico digital permitem a sua utilização não apenas em diversas áreas da linguística, tais como a fonologia, a fonética, a morfologia, a sintaxe, a semântica, a análise do texto e do discurso, a sociolinguística, a tipologia, etc., mas também em áreas afins, como a história (história oral), a antropologia (aspectos culturais, questões acerca da interação), a sociologia, a poética (aspectos musicais e métricos da literatura oral), e a educação (estudo de gêneros da oralidade em sala de aula), por exemplo.
Além disso, a observância desses procedimentos metodológicos garantirá a preservação do valioso material do Projeto NURC, de forma que o mesmo possa ser utilizado mais eficazmente não apenas no presente, mas por futuras gerações de pesquisadores.
3. Objetivos
O principal objetivo do presente projeto de pesquisa é propor uma metodologia de organização de um corpus representativo do acervo do Projeto NURC, em formato digital, que servirá como possível modelo a ser adotado para a informatização de todo o material pertencente ao arquivo do Projeto NURC. Para isso, serão levados em conta procedimentos internacionais estabelecidos para a construção de corpus linguístico digital. Este projeto representa, assim, um importante passo no processo de preservação do valioso acervo do Projeto NURC, que atualmente se encontra em sério risco de deterioração ocasionada pela ação do tempo. Além disso, os resultados provenientes da execução do projeto aqui proposto beneficiará diretamente a comunidade científica, que passará a ter disponíveis para consulta otimizada dados – anteriormente de difícil acesso – em formato digital de alta qualidade, devidamente catalogados, etiquetados e transcritos.
Como objetivos específicos, o projeto aqui proposto pretende:
i. contribuir para a formação de pesquisadores nas áreas da documentação linguística, da linguística
de corpus e da análise da oralidade;
ii. digitalizar todo o acervo do Projeto NURC/Recife, originalmente gravado em formato analógico, respeitando os padrões recomendados pelos órgãos internacionais de codificação e transmissão de dados digitais; iii. catalogar e armazenar em formato digital todas
as informações referentes ao material de áudio digitalizado;
iv. informatizar os dados de transcrição referentes a parte do material de áudio digitalizado (o corpus compartilhado do Projeto NURC/Recife, tornando-os alinhados, o que propiciará uma utilização mais proveitosa dos mesmos;
v. propor um sistema de anotação/etiquetagem multi-nível para os dados do Projeto NURC; vi. anotar / etiquetar um corpus representativo dos
dados do Projeto NURC, com informações multi-níveis;
vii. arquivar os dados informatizados em bancos de dados internacionais, assegurando assim a sua preservação;
viii. elaborar um documento com proposta de digitalização, preservação e anotação dos dados do Projeto NURC, elaborada a partir de discussão com todos os coordenadores do Projeto NURC, levando-se em conta as recomendações de órgão internacionais especializados em arquivamento de dados digitais;
ix. republicar os Materiais para o Seu Estudo em formato digital, contendo todos os dados do corpus compartilhado (transcrição, anotação e áudio);
x. editar um volume Estudos, composto de artigos feitos a partir do corpus compartilhado do NURC/Recife;
xi. disponibilizar o corpus compartilhado digitalizado e anotado para a elaboração de trabalhos os mais variados (artigos, capítulos de livro, dissertações e teses), dentro do âmbito do projeto.
4. Metodologia
O presente projeto de pesquisa tem por objetivo informatizar um corpus representativo do material do Projeto NURC, com o propósito de sugerir uma metodologia padrão, baseada em recomendações feitas por órgãos internacionais de codificação e transmissão de dados digitais, para ser adotada no Projeto NURC como um todo, preservando, assim, o seu precioso acervo, e permitindo que ele seja utilizado de maneira mais eficiente no futuro. Todo o acervo do Projeto NURC/Recife será digitalizado. Parte deste acervo será também anotado. O material a ser anotado corresponderá ao corpus compartilhado do Projeto NURC Recife. Justifica-se a escolha desse material pelo fato de ser o proponente deste projeto pesquisador do Projeto NURC Recife desde 1990, tendo, portanto, acesso ao acervo
daquela capital. Além disso, cumpre notar que a sala do Projeto NURC Recife foi recentemente inundada, devido às fortes chuvas de abril/maio de 2011 naquela região. Ainda não se tem ideia da proporção dos estragos causados por esse incidente no que diz respeito ao material ali arquivado. Entretanto, o incidente por si só já justifica a necessidade – e mesmo a urgência – de se estudar uma estratégia de arquivamento mais eficiente para o acervo do Projeto NURC em geral, e do acervo do Projeto NURC/Recife em particular.
Os dados de áudio do corpus compartilhado do Projeto NURC/Recife – material selecionado para compor o corpus representativo deste projeto – serão digitalizados observando-se as recomendações propostas pelo Open Archival Information System (OAIS), que é um modelo de referência, com padrão ISO (14721:2003), adotado pelos bancos digitais de dados linguísticos mais recentes, e pelo Comitê Técnico da IASA para objetos digitais (Bradley, 2009; Von Arb & Lars, 2005). As informações referentes aos arquivos de áudio e às transcrições (metadados) serão registradas seguindo o padrão Dublin Core e o protocolo da Open Archives
Initiative Protocol for Metadata Harvesting, também
adotados por bancos de dados internacionais. As transcrições dos dados serão registradas no aplicativo ELAN, que possibilita o seu alinhamento com os arquivos de áudio a que se referem, além de permitir que áudio, transcrições e metadados sejam pesquisáveis local e virtualmente. Durante toda a fase de digitalização e tratamento do material do Projeto NURC, backups regulares serão realizados em lugares diferentes do local onde os dados primários estarão custodiados, garantindo assim a preservação dos mesmos.
Os inquéritos do Projeto NURC foram gravados em condições variadas. Em geral, as gravações eram realizadas com microfones dinâmicos omnidirecionais, apoiados em uma mesa. Todos os inquéritos foram registrados em fita de rolo. A depender do tipo de inquérito, as gravações eram realizadas em salas específicas, em salas de aula, em auditórios e, em algumas casos, nas casas dos informantes. Portanto, a qualidade acústica das gravações do Projeto NURC é bastante heterogênea, não sendo possível descrever um perfil das gravações como um todo em termos de relação sinal-ruído. Diante deste cenário, não é viável que se aponte como objetivo do presente projeto disponibilizar arquivos sonoros com qualidade suficiente para análises acústicas sofisticadas, embora, em alguns casos, a depender das condições da gravação, isso será perfeitamente possível.
Como indicado acima, todos os cuidados metodológicos, recomendados por órgãos internacionais especializados em arquivamento de dados digitais serão considerados no processo de digitalização dos arquivos de áudio, procurando-se, na medida do possível, preservar as características originais do sinal analógico. Quando necessário, técnicas automatizadas de redução de ruído (como, por exemplo, ruídos de pitch fixo – hum e whistles –, associados geralmente a gravações analógicas em fitas magnéticas) serão empregadas. Entre as técnicas mais
comuns de redução de ruídos associados a fitas magnéticas estão a utilização de filtros de frequências.
Experiência prévia de digitalização de arquivos do Projeto NURC, como, por exemplo, a realizada pelo Projeto NURC do Rio de Janeiro, com apoio financeiro do CNPq, demonstra que a proposta aqui apresentada é exequível.
A anotação / etiquetagem do corpus compartilhado do Projeto NURC/Recife será feita a partir da utilização esquemas previamente utilizados com sucesso para o português brasileiro, como, por exemplo, o tagset proposto pelo Núcleo Interinstitucional de Linguística Computacional (NILC), o NILC Tagset (Aires et al., 2000), e o etiquetador morfossintático MXPOST (Ratnaparkhi, 1996).
5. Contribuições da Proposta
O corpus informatizado será arquivado localmente, nos servidores da Universidade Federal de Pernambuco e da Universidade Federal de Alagoas, em um site dedicado ao Projeto NURC/Recife, para livre consulta pela comunidade científica, e depositado em bancos internacionais, tais como o do IMDI (http://www.lat-mpi.eu/archive/), com o intuito de garantir a sua preservação.
Uma vez constituído e devidamente arquivado, o corpus digitalizado será apresentado aos atuais coordenadores do Projeto NURC, em todas as capitais, como modelo a ser discutido e, eventualmente, adotado, para a informatização e preservação de todo o material coletado por este importante projeto na área da linguística.
6. Referências
Abaurre M.B.M., Rodrigues, Â.C.S. (eDs.) (2002).
Gramática do português falado. Campinas: Editora da
Unicamp.
Aires, R.V.X., Aluísio, S.M., Kuhn, D.C.S., Andreeta, M.L.B. and Oliveira Jr., O.N. (2000). Combining
Multiple Classifiers to Improve Part of Speech Tagging: A Case Study for Brazilian Portuguese. (SBIA'2000)
Atibaia, SP, November, pp. 20--22.
Callou, D.M.I. (Ed.) (1992). A Linguagem Falada Culta
na Cidade do Rio de Janeiro. Materiais para seu estudo. Rio de Janeiro: UFRJ/FJB, vol. I, Elocuções
Formais.
Callou, D.M.I., Lopes, C.R. (Eds.) (1993). A Linguagem
Falada Culta na Cidade do Rio de Janeiro. Materiais para seu estudo. Rio de Janeiro: UFRJ/CAPES, vol. II,
Diálogo entre Informante e Documentador.
Callou, D.M.I., Lopes, C.R. (Eds.) (1994). A Linguagem
Falada Culta na Cidade do Rio de Janeiro.Materiais para seu estudo. Rio de Janeiro: UFRJ/CAPES, vol. III,
Diálogos entre dois informantes.
Castilho, A. (Ed.) (1990). Gramática do português falado. Campinas: Editora da Unicamp; São Paulo: Fapesp. Castilho, A. (Ed.) (1993). Gramática do português falado.
Campinas: Editora da Unicamp; São Paulo: Fapesp. Castilho, A. (2007). Fundamentos teóricos da Gramática
do português culto falado no Brasil. Alfa, São Paulo, 51 (1): pp. 99--135.
Castilho, A., Basílio, M. (Eds.) (1996). Gramática do
português falado. Campinas: Editora da Unicamp; São
Paulo: Fapesp.
Castilho, A. et al. (1995). Informatização de acervos da Língua Portuguesa. Boletim da Associação Brasileira
de Lingüística 17: pp. 143--154.
Castilho, A., Preti, D. (Eds.) (1986). A Linguagem Falada
Culta na Cidade de São Paulo. Materiais para seu estudo. São Paulo: TAQ/Fapesp, vol. I, Elocuções
Formais.
Castilho, A., Preti, D. (Eds.) (1987). A Linguagem Falada
Culta na Cidade de São Paulo. Materais para seu estudo. São Paulo: TAQ/Fapesp, vol. II, Diálogos entre
dois informantes.
Cunha, D.A.C. (2003). A produção de sentido na fala e na escrita. Revista do GELNE. UFC. V.3. pp. 27--32. Hilgert, J.G. (Ed .) (1997). A Linguagem Falada Culta na
Cidade de Porto Alegre. Passo Fundo: Ediupf / Porto
Alegre: Ed. Universidade/Ufrgs, vol. I, Diálogos entre informante e documentador.
Himmelmann, N.P. (2006). Language documentation: what is it and what is it good for? In Essentials of
Language Documentation, eds. Jost Gippert, Nikolaus
P. Himmelmann and Ulrike Mosel. Berlin: Mouton de Gruyter, pp. 1--30.
Bradley, K. (2009). IASA Technical Committee, Guidelines on the Production and Preservation of Digital Audio Objects. International Association of Sound and Audiovisual Archives.
Ilari, R. (Ed.) (1992). Gramática do português falado:
níveis de análise lingüística. Campinas: Editora da
Unicamp.
Janssen, M., T. Freitas (2008). Spock – a spoken corpus client. In Proceedings of LREC VI, Marraqueche. Kato, M. (Ed.) (1996). Gramática do português falado:
convergências. Campinas: Editora da Unicamp; São
Paulo: Fapesp.
Koch, I.G.V. (Ed.) (1996). Gramática do português
falado. Campinas: Editora da Unicamp; São Paulo:
Fapesp.
Motta, J., Rollemberg, V. (Eds.) (1994). A Linguagem
Falada Culta na Cidade de Salvador. Materiais para seu estudo. Salvador: Instituto de Letras da UFBa, vol.
I, Diálogos entre Informante e Documentador.
Neves, M.H.deM. (Ed.) (1999). Gramática do português
falado. São Paulo: Humanitas; Campinas: Editora da
Unicamp.
Oliveira Jr, M. (1999). The Function of Self-Aggrandizement in Storytelling. Narrative Inquiry, 9 (1): pp. 25--47.
Percy, C.E. et al. (Eds.) (1996). Synchronic Corpus Linguistics. Papers from the sixteenth International
Conference on English Language and Research on Computerized Corpora (ICAME 16). Amsterdam/Atlanta, GA: Rodipi.
Preti, D., Urbano, H. (Eds.) (1990). A Linguagem Falada
estudo. São Paulo: TAQ/Fapesp, vol. III, Diálogos
entre o Informante e o Documentador.
Preti, D., Urbano, H. (Eds.) (1990). A Linguagem Falada
Culta na Cidade de São Paulo: Estudos. São Paulo: T.
A. Queiroz.
Sá, M.P.M. (2004). Estrutura e natureza da narrativa na conversação. Boletim Informativo, n.32. Maceió: UFAL. Apresentado no XIX Encontro Nacional da
Anpoll, na Universidade Federal de Alagoas.
Sá, M.P.M. et al. (Eds.) (1996). A Linguagem Falada
Culta na Cidade do Recife. Recife: Universidade
Federal de Pernambuco, Programa de Pós-Graduação em Letras e Lingüística, vol. I: Diálogos entre informante e documentador.
Sá, M.P.M. et al. (Eds.) (2005). A linguagem falada culta
na cidade do Recife: elocuções formais. Recife:
Universidade Federal de Pernambuco/Programa de Pós-Graduação em Letras e Lingüística.
Sardinha, T.B. (2000). Linguística de Corpus: Histórico e Problemática. In D.E.L.T.A., Vol. 16, No. 2, pp. Pp. 323--367.
Von Arb, J., Gaustad, L. Guidelines on the Production and Preservation of Digital Audio Objects – optimalizing quality access through digital preservation practice” in World Library and Information Congress: 71th IFLA General Conference and Council "Libraries - A voyage of discovery" June 17, 2005, Oslo, Norway. Available at: <http://www.ifla.org/IV/ifla71/Programme.htm>.
