Manual. Corpus Brasileiro. Projeto: Buscas:

Transcrição

1 Manual Corpus Brasileiro Projeto: Buscas: Pesquisador Responsável: Tony Berber Sardinha Instituição Sede: PUCSP Setor: CEPRIL, LAEL Equipe de pesquisa: Tony Berber Sardinha, José Lopes Moreira Filho, Eliane Alambert Período de Vigência do Projeto: 1/5/2008 a 30/4/2010 1

2 1 Composição do corpus A composição e extensão gerais do corpus são as seguintes: Componente Tokens Escrito % Falado % Total % Quadro 1: Composição e extensão do corpus em termos dos componentes falado e escrito O conteúdo do corpus está dividido em dois níveis, ou subcorpora. Em termos do primeiro nível, temos 13 subcorpora, com a seguinte distribuição: Subcorpus Tokens 1. Academia ,0% 2. Cinema e TV ,0% 3. Educação ,2% 4. Enciclopédia ,2% 5. Esporte ,0% 6. Informática ,1% 7. Jornalismo ,7% 8. Legislação ,8% 9. Literatura ,9% 10. Medicina ,0% 11. Política ,6% 12. Religião ,2% 13. Técnico ,3% Total Quadro 2: Composição do corpus de acordo com os subcorpora de primeiro nível Em termos da segunda divisão, temos 25 subcorpora: Código Subcorpus Subcorpus Tokens (1 a divisão) (2 a divisão) ei Academia Artigos ,76% ej Academia Teses e dissertações ,58% eq Academia Anais ,64% en Cinema e TV Roteiros ,03% ee/ef Educação Diversos ,22% et Enciclopédia Wikipédia ,22% fa Esporte Narração de jogos de futebol ,01% ek Informática Manuais ,07% ed Jornalismo Revistas ,05% eg Jornalismo Jornais ,32% eo Jornalismo Horóscopo ,00% fe Jornalismo Entrevistas ,37% em/ex Legislação Diversos ,84% eb Literatura Contos ,01% ec Literatura Crônicas ,01% 2

3 eh/ew Literatura Variados ,80% eu Literatura Biografias ,05% ea Medicina Bulas ,01% ep Política Atas de assembléia legislativa ,37% fb Política Debates de TV ,00% fc Política Pronunciamentos do presidente ,17% fd Política Sessões do congresso ,09% el Religião Diversos ,08% ev Religião Bíblia ,08% er/es Técnico Relatórios e manuais diversos ,26% Total ,00 Quadro 3: Composição do corpus de acordo com os subcorpora de segundo nível A coluna de códigos mostra os rótulos dos sub-corpora utilizados na página de busca. 2 Buscas Estão disponíveis as buscas: de uma única palavra com POS (do inglês part of speech, ou classe grammatical) e contexto (opcional), de uma até três palavras sem POS e contexto. A busca por contexto é específica a uma posição do horizonte (N+1, N-1, N+5...). A busca diferencia acentos, a não será igual a á. Abaixo aparece uma tela mostrando os resultados da busca por jus : Em seguida, recebe os resultados da busca, na forma da quantidade de ocorrências e de um display em forma de tag clouds (vide explicação na seção Error! Reference source not found. mais a seguir): Figura 1: Tela inicial de resultados Clicando na frequência (logo abaixo de ocorrência ), o usuário pode visualizar os resultados 3

4 tanto no formato KWIC simples (as ocorrências não estão alinhadas pela palavra central) quanto no formato KWIC tradicional (com as linhas organizadas pela palavra central): Figura 2: Listagem simples de linhas de concordância Figura 3: Listagem de linhas de concordância com a palavras de busca centralizada e os colocados imediatos (primeiro à esquerda e à direita) realçados com cores diferentes Em cada linha da concordância, aparece uma indicação na forma de código da seção do corpus sobre a seção do corpus em que o texto está inserido. As seções e os códigos correspondem 4

5 aos informados no Quadro 3, acima Ordenação das linhas de concordância Não há, no momento, sistema de reordenação das linhas na própria tela do navegador, que pretendemos implementar futuramente. Atualmente, para reordenar as linhas, o usuário deve baixar um arquivo em formato CSV (clicando no link Export ) referente à sua busca (100 ocorrências de cada vez), abri-lo numa planilha do tipo Excel, dividir as linhas por palavras (inserindo uma marca de tabulação onde há espaços em branco) e reordenar as linhas pelos colocados (primeiro à direita/esquerda, segundo à direita/esquerda, etc.) na própria planilha, por meio dos comandos Sort A-Z e Sort Z-A, conforme mostrado na figura a seguir: Figura 4: Parte de planilha em Excel com concordância de atores exportada pelo corpus e modificada pelo usuária, mostrando ordenação A-Z pelo primeiro colocado à direita (coluna O). No arquivo exportado o usuário não tem acesso à classe gramatical ou lema dos colocados esperamos proporcionar essa funcionalidade numa versão posterior do corpus. Para cada busca, na exibição de resultados, são exibidos também, em forma de tag clouds (pacotes lexicais, ou lexical bundles, mostrados com fontes de tamanhos relativos à frequência do conjunto no corpus, de tal modo que quanto maior a frequência, maior o tamanho da fonte exibida na tela), os 100 trigramas mais freqüentes da palavra de busca (caso haja) de todo o corpus, na ordem do mais freqüente para o menos frequente: 5

6 Figura 5: Tag clouds de busca por jus No momento, os tag clouds são apenas um recurso gráfico de visualização dos dados: ao clicar neles, o usuário não é levado a uma listagem de suas ocorrências no corpus. Esperamos implementar essa funcionalidade posteriormente Limite das buscas Por enquanto, cada busca é limitada a de ocorrências. Quando são atingidos de registros para uma palavra de busca, o sistema encerra a busca e traz os resultados Velocidade das buscas Segue abaixo um quadro demonstrativo com diversas buscas e seu tempo de execução. N palavra tag contexto posição seção resultados velocidade (segundos) 1 boa * * * todos ,85 2 barco * * * todos ,44 3 beber * * * todos 848 0,17 4 bonito * * * todos ,29 5 alto * * * todos ,37 6 boa * alma N+1 todos 47 2,44 7 alma * boa N+1 todos 18 1,951 8 avaliação * alunos N+2 todos 120 5,82 9 atuar [ver] * * todos , berro [nom] * * todos 352 0,07 MÉDIA 1,7033 Quadro 4: Tempo gasto em buscas Como se percebe, a média de tempo para execução das buscas é 1,7 segundo, o que julgamos ser aceitável tendo em vista a extensão do corpus e as limitações de hardware do servidor. Todas as buscas da tabela foram realizadas como primeira busca, sem recuperação de resultados. Em buscas posteriores, o sistema apenas verifica se já foi feita a busca e recupera os resultados. O tempo de recuperação é muito menor, não ultrapassando 0,009 segundo. 6

7 3 Listas de frequências As listas de frequência de palavras (unigramas) do corpus podem ser obtidas em: Componente falado: Componente escrito: 4 Referências 4.1. Sobre o corpus Berber Sardinha, T., Moreira Filho, J. L., & Alambert, E. (2008). O Corpus Brasileiro. Comunicação apresentada em VII Encontro de Lingüística de Corpus, Unesp, São José do Rio Preto, SP, 6 e 7 de novembro de Berber Sardinha, T., Moreira Filho, J. L., & Alambert, E. (2009). The Brazilian Corpus: A onebillion word online resource. Comunicação apresentada em 5th Corpus Linguistics Conference, Liverpool, UK, July 21-23, Berber Sardinha, T., Moreira Filho, J. L., & Alambert, E. (2009). The Brazilian Corpus. Comunicação apresentada em AACL American Association for Corpus Linguistics, Alberta, Canadá, October 8-11, Berber Sardinha, T., Moreira Filho, J. L., & Alambert, E. (2010). O Corpus Brasileiro. Comunicação apresentada em 13º Congresso Brasileiro De Língua Portuguesa e 4º Congresso Internacional De Lusofonia, PUCSP, São Paulo, SP, 30 de abril de Nas apresentações seguintes, enfocamos a aplicação do corpus, já com o intuito de auxiliar o estudo da padronização léxico-gramatical (BERBER SARDINHA, no prelo) e da linguagem como sistema probabilístico (BERBER SARDINHA, 2004; HALLIDAY, 1991): Berber Sardinha, T. (2008). Léxico-gramática e corpus. II Ebralc - Escola Brasileira de Linguística Computacional, Unesp, São José do Rio Preto, SP, 6 e 7 de novembro de Berber Sardinha, T. (2009). Applied Linguistics and Technology. Ames, Iowa State University, USA, January 20, Berber Sardinha, T. (2009). Metáfora. III Ebralc - Escola Brasileira de Linguística Computacional, 7

8 UERJ, Rio de Janeiro, RJ, 11 e 12 de novembro de Berber Sardinha, T. (2010). Corpus Linguistics and Metaphor. Conferência plenária apresentada em 2nd International Conference on Corpus Linguistics (CILC), A Coruña, Spain, May 13-15, Berber Sardinha, T. (2010). A Linguística de Corpus na Prática. Santiago de Compostela, Espanha: Universidade de Santiago de Compostela, Espanha, Berber Sardinha, T. (2010). Corpus Linguistics. Murcia, Espanha: Universidade de Murcia, Espanha, Sobre Linguística de Corpus BERBER SARDINHA, T. Lingüística de Corpus. São Paulo: Manole, p.. Lexicogrammar. In: CHAPELLE, C. (Org.) The Encyclopedia of Applied Linguistics. Malden, MA: Wiley-Blackwell, no prelo. BESEK, J. M. Copyright Issues Relevant to the Creation of a Digital Archive: A Preliminary Assessment. Council on Library and Information Resources, Library of Congress. Washington, DC, 21 p., 2003 DAVIES, M. Creating and using multimillion-word corpora from web-based newspapers. In: SIMPSON, R. C.; SWALES, J. M. (Orgs.). Corpus Linguistics in North America: Selections from the 1999 Symposium. Ann Arbor: University of Michigan, p The advantage of using relational databases for large corpora: Speed, advanced queries, and unlimited annotation. International Journal of Corpus Linguistics, v. 10, n. 3, p , 2005a.. Alternative architectures for examining related words, register variation, and historical change. Podcast. In: AHRC ICT Methods Network Expert Seminar on Linguistics, 2005b, Lancaster University (Reino Unido). Disponível em:< The advantages of using relational databases for large historical corpora. Paper. In: Workshop on Historical Text Mining, 2006, Lancaster University. Disponível em:< Semantically-based queries with a joint BNC/WordNet database. In: FACCHINETTI, R. (Org.) Corpus Linguistics Twenty-Five Years On. Amsterdam: Rodopi, 2006a. p Word frequency in context: Alternative architectures for examining related words, register variation, and historical change. Palestra. In: AHRC ICT Methods Network Expert Seminar on Linguistics, 2006b, Lancaster University (Reino Unido). Disponível em:< HALLIDAY, M. A. K. Corpus studies and probabilistic grammar. In: AIJMER, K.; ALTENBERG, B. (Orgs.). English Corpus Linguistics: Studies in Honour of Jan Svartvik. London: Longman, p

9 9