LEVANTAMENTO DE BANCOS DE DADOS E SUA
CONTRIBUIÇÃO PARA O CONHECIMENTO E A
DIFUSÃO DO PORTUGUÊS
Edila Vianna da Silva
RESUMO
Este artigo apresenta alguns resultados do levantamen-to sobre bancos de dados constituídos sobre a língua portuguesa no Brasil, cujo objetivo maior é o de traçar um mapa das variedades transcontinentais do Português em suas modalidades oral e escrita. Assim, tem como uma de suas principais metas o interesse em fomentar estudos de natureza transnacional para a divulgação e fortalecimento do Português, com vista a garantir sua preservação e seu prestígio internacional.
PALAVRAS-CHAVE: Corpora linguísticos; política lin-guística; difusão do Português.
Descrição da pesquisa
A
composição e disponibilização de corpora do Português tem sidoponto amplamente discutido em vários encontros de linguistas, es-pecialmente, no âmbito dos congressos da ABRALIN e recentemente constituiu tema de discussões levadas a efeito no II Congresso Internacional da Língua Portuguesa, realizado em 2007, na UFRJ e no VI Congresso
internacional da ABRALIN, em João Pessoa, em 2009. Apesquisa que ora
se apresenta – em sua fase inicial – vem ao encontro dessas preocupações e pretende realizar um levantamento sobre bancos de dados já existentes, com o objetivo de traçar um mapa das variedades transcontinentais do Português em suas modalidades oral e escrita. Integra, assim, a agenda de trabalho da
AILP1, que tem como uma de suas principais metas o interesse em fomentar estudos de natureza transnacional para a divulgação e fortalecimento do Português, com vista a garantir sua preservação e seu prestígio internacional.
Os resultados desse trabalho vão ampliar a base de dados para a conse-cução do primeiro objetivo da AILP – associação transnacional, de natureza científica e cultural – qual seja, “Promover a investigação da linguística do Português, nas suas variedades européia, brasileira, africana e outras”2.
O mapeamento dos bancos de dados, com a devida descrição dos cri-térios de constituição dos corpora que os compõem e das vertentes de análise linguística que os tenham gerado, constituirá material valioso à disposição dos pesquisadores que desejarem elaborar estudos de natureza variada sobre a língua portuguesa, tais como, por exemplo, a evolução do português em contextos diversos; variação e mudança do português no mundo ou mesmo análises contrastivas em um número maior de variedades.
A elaboração desse registro assenta-se na crença de que a comunidade inter-nacional tem um conhecimento precário das investigações sobre a língua portu-guesa. Apesar de já ter sido realizado um número bastante significativo de traba-lhos, seus resultados não são adequadamente divulgados entre os estudiosos do Português. O compartilhamento de informações sobre o Português é necessário no sentido de facilitar a cooperação entre os estudiosos da língua e entre as asso-ciações de estudos da linguística portuguesa na sua tarefa de traçar os perfis socio-linguísticos das variedades faladas e identificar suas especificidades e similaridades.
O levantamento de bancos de dados nacionais e internacionais sobre o Português constitui a fase preliminar do diagnóstico da situação sociolin-guística da língua portuguesa, em que se pretende traçar a situação de ordem social, linguística e político-cultural do Português nos países lusófonos3 de modo que se associa à agenda de trabalho da AILP para o triênio 2007-2010. Esposamos a opinião de Raposo quando afirma:
1 Associação Internacional de Linguística do Português, entidade transnacional, fundada
em 2000, que se dedica ao estudo, ensino, à utilização comum e à divulgação da língua portuguesa.
2 Art.º 2.º alínea a dos Estatutos da AILP.
3 RONCARATI, Cláudia. Para uma agenda preliminar de cooperação e integração entre as
As-sociações de Linguística do Português. II CONGRESSO INTERNACIONAL DA LÍNGUA PORTUGUESA: identidade, difusão e variabilidade. UFRJ/ Faculdade de Letras, 2007.
A realidade da noção de língua portuguesa, aquilo que lhe dá uma dimensão qualitativa para além de um mero estatuto de repositório de variantes, pertence, mais do que ao domínio linguístico, ao domínio da história, da cultura e, em última instância, da política. Na medida em que a percepção destas realidades for variando com o decorrer dos tempos e das ge-rações, será certamente de esperar, concomitantemente, que a extensão da noção de língua portuguesa varie também.( RA-POSO, 1984, p. 592)4
O projeto, consequentemente, considera a existência de um conjunto de variedades linguísticas na grande comunidade de fala da língua portuguesa e procura definir as atitudes sociais dos falantes em relação ao Português, o que lhe atribui diferentes posições de acordo com os contextos sociais em que essas variedades são empregadas. Assim, baseia-se nos princípios da sociolinguística, uma vez que correlaciona os aspectos linguísticos e os sistemas sociais, no que se apoia na sociolinguística variacionista, especialmente de W. Labov.
Como se infere, tal estudo poderá definir o status do Português nas re-giões em que é utilizado: língua materna, segunda língua, língua estrangeira, língua oficial, língua de trabalho, língua de comunicação ou língua franca, situações que se pretende determinar por sua importância para o estudo e a difusão da Língua Portuguesa nos diversos contextos internacionais.
O levantamento dos corpora sobre a língua portuguesa que essa pesquisa pretende produzir, como já foi referido, vai-se constituir como fonte de con-sulta para o diagnóstico sobre a situação do Português no mundo, e, igual-mente, como instrumento de trabalho facilmente acessível para a descrição e comparação das variedades da língua baseada em dados empíricos. Com a disponibilização de dados quantitativos e qualitativos sobre o Português, objetiva-se contribuir para a implementação de estudos da língua em diversas áreas, notadamente, no que concerne à variação, por meio de possíveis análises comparativas cronológicas, geográficas, discursivas e contextuais, nas áreas do léxico e da gramática.
4 RAPOSO, Eduardo. Algumas observações sobre a noção de língua portuguesa. Boletim de
Filologia, n. 29, 1984, p.592, apud MATEUS, M. H. M.; VILLALVA, A. (Coord.). O essen-cial sobre linguística. Lisboa: Editorial Caminho, 2006. p. 22.
Considerando-se que grande parte dos bancos de dados não está dis-ponibilizado para consulta on line, o primeiro passo para o estabelecimento do acervo será o contato com Centros Universitários dos países lusófonos, intermediado – quando necessário – pelas associações representativas da co-munidade de linguistas do português: a APL (Associação Portuguesa de Lin-guística), a AILP (Associação Internacional de Linguística do Português) e a ABRALIN (Associação Brasileira de Linguística).
Serão, então, coletadas informações sobre
a) os projetos de pesquisa de diferentes áreas e de diferentes quadros teóricos, que disponham de amostras de dados;
b) bancos independentes, como, a título de ilustração, o Corpus de Re-ferência do Português Contemporâneo (CRPC), do Centro de Linguística da Universidade de Lisboa (CLUL), que se dedica à recolha e exploração de dados para o seu corpus dialectal e conta com 335 milhões de palavras.5
Faz-se necessário traçar o perfil desses corpora para não somente estabe-lecer o diagnóstico pretendido, mas também orientar o acesso dos pesquisa-dores, que, dentre as questões enfrentadas no trabalho com bancos de dados, devem lidar com uma das mais relevantes, qual seja, a opção metodológica que baseou a sua composição do corpus. São inúmeras as teorias que hoje norteiam os estudos que têm a língua como objeto e, embora essa variedade permita ao pesquisador uma riqueza de enfoques, por outro lado, exige consciência das restrições impostas pelos vários recortes analíticos.
Além disso, os pesquisadores que pretendam utilizar os corpora necessi-tam de informações precisas sobre os seus critérios e finalidade de constituição.
Antes do levantamento, será, portanto, imprescindível elaborar um do-cumento (um inquérito, para preenchimento on line) para a caracterização de cada um dos conjuntos de dados: parâmetros de constituição, posição teórica, pesquisas orientadas, sua representatividade e adequação etc.
Seguindo os critérios de classificação de Berber Sardinha6, serão,
conse-5 NASCIMENTO, Maria F. II CONGRESSO INTERNACIONAL DA LÍNGUA
POR-TUGUESA. UFRJ/Faculdade de Letras, 2007.
6 BERBER SARDINHA, Tony. Linguística de corpus, histórico e problemática. D.E.L.T.A.,
quentemente, levantados dados sobre a composição dos corpora, além de sua origem, propósito, composição, representatividade e extensão, tais como:
(a) Pluralidade de autoria: os textos foram produzidos por um autor apenas ou mais?
(b) Origem da autoria: os textos foram produzidos por falantes nativos ou não-nativos?
(c) Meio: os textos foram escritos ou falados?
(d) Integralidade: os elementos do corpus são textos integrais ou frag-mentos?
(e) Especificidade: o corpus é composto de tipos variados de texto ou textos específicos?
(f) Dialeto: as variedades presentes no corpus são do tipo ‘padrão’ ou regionais / dialetais?
(g) Equilíbrio: as variedades do corpus são distribuídas equitativamente ou não?
(h) Fechamento: é permitida a inclusão de conteúdos novos ou não? (i) Renovação: o conteúdo do corpus reflete um período definitivo de
tempo ou se renova?
(j) Temporalidade: O corpus é planejado para retratar períodos históri-cos de tempo ou não?
Sabemos da existência de grande número de acervos, mas o último le-vantamento de que se tem notícia, de acordo com Brandão7, foi apresentado em 1994, na Universidade Federal do Espírito Santo, na 46ª Reunião Anual da SBPC, durante a qual se realizou um encontro sobre “Informatização de acervos de língua portuguesa”, em que Ataliba T. de Castilho, Giselle Ma-chline de Oliveira e Silva e Dante Lucchesi8 enumeraram algumas iniciativas no sentido de viabilizar o compartilhamento e a informatização das amostras e apresentaram um levantamento, ainda que parcial, dos corpora existentes, feito com base em ficha preparada por Rodolfo Ilari e enviada aos grupos de
7 BRANDÃO, S. F. Corpora linguísticos no Rio de Janeiro. In: Língua Portuguesa: identidade,
difusão e variabilidade. Rio de Janeiro: AILP/UFRJ, 2008, v. 1. p. 65-73.
8 CASTILHO, A; OLIVEIRA E SILVA, G.M.; LUCCHESI, D. Informatização de acervos
pesquisa pela ABRALIN. Nessa reunião, ainda segundo Brandão, já foi pos-sível identificar 51 acervos, constatando-se que: (a) as amostras institucionais (84%) predominavam sobre as particulares (16%) e que a maior parte delas estava sediada em universidades federais (67%); (b) que havia maior número de acervos de língua falada (74,5%) do que de língua escrita (20%) ou de ambas as modalidades (5.5%), e (c) que havia apenas cinco projetos na área do Português arcaico e clássico. Das conclusões originadas desse levantamento destacaram-se o fato de a maior parte dos acervos (54%) terem sido digitados e estarem disponíveis por meio de disquetes e o interesse quase categórico (90%) no compartilhamento de corpora.
Saliente-se também que, desde os anos 50, as pesquisas linguísticas já se baseavam em bancos de dados, que se organizaram inicialmente com a fina-lidade de elaboração de atlas linguísticos. Somente a partir da década de 70, passaram a ser formados acervos de perfil sociolinguístico, entre os quais os do projeto NURC, que se dedicou a descrever a fala das cinco capitais brasileiras que, em 1968 – início do projeto no Brasil – tinham mais de um milhão de habitantes e, pelo menos, cem anos de fundação.
Desde o encontro mencionado, apesar do interesse que o tema passou a despertar, não se produziu outro levantamento sistemático e com objetivos tão ambiciosos como os do trabalho que ora se expõe. Iniciada no final de 2008, esta pesquisa se encontra em sua fase preliminar, em que se determinaram os parâmetros para a composição do inquérito referido, que tem como uma de suas bases os estudos de Sardinha9. Atualmente, estamos com o inquérito pronto para aplicação.
Temos uma grande dificuldade a vencer, qual seja, o estabelecimento de contato com os centros universitários dos países lusófonos. Trata-se de ativida-de que ativida-demanda tempo consiativida-derável, pois há muitas entidaativida-des a serem conta-tadas e as respostas, via de regra, não são imediatas, por problemas locais. Pre-tendemos contar nessa etapa com o auxílio da AILP, da ABRALIN e da APL.
Com as respostas, que descreverão os corpora relacionados, com base nos critérios destacados pelo projeto, vamos catalogar e organizar os bancos em função dos quadros teóricos que os justificam, tarefa de alto custo, do ponto de vista financeiro, e que vai exigir o apoio de uma instituição oficial.
Por fim, pretendemos fazer a divulgação on line dos resultados dos re-gistros para os sócios das várias associações que congregam os estudiosos da linguística do Português.
Um corpus linguístico – o Varport
10Apenas a título de exemplificação da contribuição que esse trabalho pode fornecer, vamos descrever de modo sumário – por sua importância – um dos acervos linguísticos que integra um projeto resultante da cooperação entre Brasil e Portugal (CAPES-GRICES). Trata-se do Projeto VARPORT (Análise
Contrastiva de Variedades do Português), que criou para suas análises
conjun-tas um Corpus Compartilhado selecionado dos diferentes corpora organizados pelos pesquisadores responsáveis por esse projeto – no Brasil, localizado na UFRJ – e a seguir sucintamente caracterizados.
Em Portugal, dispõe-se do Corpus do Português Fundamental, do Corpus de Referência do Português Contemporâneo (CRPC) e das elocuções livres do
Corpus do Atlas Lingüístico-Etnográfico de Portugal e da Galiza (ALEPG), do
Centro de Linguística da Universidade de Lisboa (CLUL).
O Corpus de Referência do Português Contemporâneo (CRPC), do Centro de Linguística da Universidade de Lisboa é um corpus lingüístico, eletrônico, que contém atualmente 86,3 milhões de palavras, constituído por amostra-gens de diversos tipos de texto de discurso escrito (literários, jornalísticos, técnicos, científicos, didáticos, econômicos, jurídicos, parlamentares, etc.) e de discurso oral (elocuções informais e formais). Essas amostragens dizem res-peito a variedades nacionais e regionais do português (português europeu, português do Brasil, português dos cinco países africanos de língua oficial portuguesa e o português de Macau). Do ponto de vista cronológico, o corpus contém textos que vão desde a segunda metade do séc. XIX até 1998, mas, na sua maior parte, posteriores a 1970. Os recursos linguísticos específicos de cada norma do Português, em associação com tecnologias adequadas à extra-ção de dados e de conhecimentos, constituem pré-requisitos indispensáveis a um grande conjunto de trabalhos de investigação e a vários tipos de desenvol-vimento e aplicações.
10 Corpora de origem. Disponível em: <http://www.letras.ufrj.br/varport/corpora_orig.htm.>.
O CRPC tem sido utilizado em numerosos trabalhos acadêmicos (essen-cialmente dissertações de doutoramento e de mestrado) realizados em Portu-gal e no estrangeiro e em projetos de investigação. Destes, salientam-se:
·
Novo Dicionário da Língua Portuguesa, em execução na Academia dasCiências de Lisboa;
·
Dicionário de Combinatórias do Português (1994-1997), ProgramaLu-sitânia) - inventário das associações lexicais contínuas que ocorrem num sub-corpus do CRPC de 12 milhões de palavras;
·
Português Falado, Variedades Geográficas e Sociais (1995-1997, Programa europeu LÍNGUA/SOCRATES cuja instituição coordenadora é o CLUL em parceria com as Universidades de Toulouse-Le Mirail e de Aix-en-Provence). Contém 80 amostragens do português falado, nas suas variantes europeia, brasi-leira, africanas e de Macau, em CD-ROM, com a gravação sonora de produções autênticas e a correspondente transcrição ortográfica alinhada, e, ainda, três volu-mes de estudos lexicais, morfossintáticos, sintáticos, enunciativos e pragmáticos feitos com base no corpus de português falado (materiais em via de publicação);·
LE-PAROLE (1996-1998 – Programa Europeu Telematics Application ofCommon Interest – do qual participam instituições de todos os países da União
Europeia, em que a língua portuguesa é representada pelo CLUL, como par-ceiro principal, e pelo INESC, como parpar-ceiro associado). Trata-se de projeto de reutilização de recursos linguísticos e informáticos disponíveis nos países europeus. Foram constituídos corpora de 20 milhões de palavras, para cada lín-gua, harmonizados no que respeita à sua composição e codificação, incluindo 250.000 palavras anotadas morfossintaticamente. O léxico de cada língua con-tém 20.000 entradas acompanhadas de informação morfossintática e sintática;
·
Léxico Multifuncional Computadorizado do Português Contemporâneo (1997- Programa PRAXIS XXI) - Léxico de 30000 palavras, extraído de um subcorpus do CRPC, com frequências de ocorrência, transcrição fonética lata e classificação morfossintática;·
Simple (Semantic Information for Multifunctional Plurilingual Lexica (1998- Programa Europeu Telematics Application of Common Interest) - Anota-ção de 10000 unidades semânticas do léxico LE-PAROLE e respectiva ligaAnota-ção à sintaxe (este projeto é a extensão do LE-PAROLE);·
European Language Activity Network (ELAN) (1998 - Programa eu-ropeu MLIS - 121) - Disponibilização em rede de corpora com um formatocomum (corpora de 3 milhões de palavras para cada uma das 30 línguas euro-péias representadas); estabelecimento de uma linguagem comum de pesquisa.
No Brasil, conta-se com o Arquivo Sonoro do Projeto Norma Urbana
Culta (NURC), referente à fala de cinco capitais brasileiras, com a Amostra Censo (1980) e do Recontato (2000) do Projeto PEUL (UFRJ), com o Arquivo
Sonoro do Projeto do Atlas Etnolinguístico dos Pescadores do Estado do Rio de
Janeiro (APERJ), com o Corpus do Português Clássico e Moderno, no qual se
inclui o Corpus do Brasil Colônia.
O Projeto de Estudo Conjunto e Coordenado da Norma Urbana Oral
Cul-ta, mais conhecido como Projeto NURC, vincula-se ao “Proyecto de Estudio
Coordinado del Habla Culta de las Principales Cuidades de Iberoamérica y de la Península Ibérica”, em virtude de serem evidentes os pontos comuns à problemática do espanhol das Américas e do Português do Brasil. Assim é que
o Projeto NURC se desenvolve, desde 1970, em cinco das principais capitais
brasileiras, Porto Alegre, São Paulo, Rio de Janeiro, Recife e Salvador, centros urbanos irradiadores de usos linguísticos para vastas áreas que deles dependem culturalmente. O objetivo do NURC é caracterizar o uso urbano culto da lín-gua falada, com base no exame sistemático da pluralidade de normas e registros que refletem a variação regional, social e estilística do português falado, com vista ao ensino em todos os graus. O arquivo sonoro do Projeto está constituído por 1870 entrevistas com 1356 informantes num total de 1570 horas no Brasil, distribuído por tipo de inquérito, faixa etária e sexo dos informantes. Atual-mente, a database está sendo ampliada com a gravação através do recontato de falantes entrevistados na década de 70 e pela constituição de uma nova amostra complementar. Dentro do subprojeto de Fonética e Fonologia, vem operando o Laboratório de Fonética, que desenvolve pesquisas de ponta que incluem a par-ticipação de especialistas nas áreas de engenharia e música. O Projeto tem man-tido estreita relação com outros Projetos, apresenta produção expressiva na área e tem contribuído de forma significativa na formação de novos pesquisadores.
·
O Projeto do Atlas Etnolingüístico dos Pescadores do Estado do Rio deJaneiro (APERJ) possui um corpus com 178 horas de gravação no
Norte-Noroeste do Estado do Rio de Janeiro, correspondente a entrevistas com 78 informantes, realizadas em 13 localidades daquela região. O corpus vem sendo alargado para atingir as regiões das Lagunas Litorâneas, Metropolitana e Sul do Estado do Rio de Janeiro, prevendo-se a inclusão de 36 outras comunidades.
O Projeto está sendo desenvolvido não só por meio da recolha sistemática de dados (constituição do Arquivo Sonoro referente à fala de 49 localidades do Estado) e pela elaboração de cartas linguísticas, mas também pela realização de estudos nas linhas sociolinguística variacionista e especificamente dialectológi-ca, visando à descrição e análise de aspectos fonético-fonológicos, morfossin-táticos e léxicos da fala popular do Rio de Janeiro. Conta com a colaboração de bolsistas de Iniciação Científica e tem contribuído para a formação de alu-nos de Mestrado e Dourado. Foram defendidas dissertações e teses com base no corpus e orientações metodológicas do Projeto.
O Corpus do Português Clássico e Moderno, ainda em constituição, reúne (a) produção manuscrita no Brasil durante o Período Clássico (séculos XVI, XVII e XVIII) e (b) produção manuscrita e impressa no Brasil durante o Perí-odo Moderno (séculos XIX e XX).
Um importante produto do VARPORT – e que bem demonstra a ne-cessidade do compartilhamento de informações entre pesquisadores da língua – foi a publicação do livro Análise contrastiva de variedades do Português, orga-nizado pelas professoras Silvia Brandão, da UFRJ, e Maria Antónia Mota, do CLUL. Nas palavras das organizadoras:
Em ambos os países, então já detentores de um rico acervo de informações sobre suas variedades nacionais, foi crescendo o sentimento de que havia a necessidade de contrastá-las para também melhor compreender o que se passava em cada uma delas, o que redundou na formação da equipe que tivemos o prazer de coordenar. Consolidou-se, assim, em definitivo, a parceria binacional por meio do referido projeto, calcado em um Corpus Compartilhado, tornado público por meio do site www.letras.ufrj.br/varport e constituído de amostras referentes às modalidades Oral e Escrita (textos jornalísticos dos séculos XIX e XX) do Português do Brasil e do Português Europeu.11
Sobre os corpora existentes no Rio de Janeiro, Brandão(2007) organizou e apresentou no II Congresso Internacional da Língua Portuguesa um
levanta-11 BRANDÃO, S.; MOTA, M. A. (Org.). Análise contrastiva de variedades do Português:
mento feito desde 1968 até 2007, quando foi criado o Projeto Acervo das
Varie-dades Linguísticas Fluminenses – AVAL-RJ – de perfil geo-sociolinguístico – a ser
desenvolvido em duas vertentes, uma voltada para a modalidade falada, outra para a escrita, e para o qual, na época, já estavam programadas recolhas para a constituição de uma nova amostra que deveria abarcar, nos primeiros dois anos, dez municípios representativos das oito regiões do Estado do rio de Janeiro.
Considerações finais
É sabido pelos estudiosos que se dedicam à pesquisa linguística que uma ta-refa como a que se propõe enfrentará, além das dificuldades de ordem metodoló-gica, problemas de ordem prática, quais sejam, no caso presente, o tempo da pes-quisa, que deve restringir-se a um ano, para o cumprimento da agenda de trabalho da AILP, além da questão financeira, pois trata-se de um trabalho dispendioso.
O desafio é, no entanto, estimulante e o resultado que se persegue – o conhecimento mútuo do trabalho dos vários investigadores, que não ocorre com a devida sistematicidade entre brasileiros e portugueses e até mesmo entre pesquisadores das regiões brasileiras – propiciará uma visão ampla dos estudos sobre o Português no mundo e ainda constituirá um instrumento para que se estabeleçam projetos conjuntos.
ABSTRACT
The purpose of this paper is to present some preliminary results of the research of linguistic corpora in Portugue-se. It also intends to show the contribution of those
cor-pora to the knowledge and diffusion of transcontinental
varieties of the Portuguese language. The main theoreti-cal aspects in the area are presented and debated. KEY-WORDS: linguistic corpora; language police; di-ffusion of the Portuguese language.
Recebido em 05/03/2009 Aprovado em 24/08/2009
