Codiflcac;ao Fonol6gica Informatizada do Minidicionario Aurelio: um banco de dados para o estudo da fonologia portuguesa

Transcrição

1 Codiflcac;ao Fonol6gica Informatizada do Minidicionario Aurelio: um banco de dados para o estudo da fonologia portuguesa Adelaide H. P. Silva, Agnaldo A. Moreira, Maria Helena 1. Villa & Patricia A. de Aquino. l.aborat6rio de Fonetica Aeustica e PsicollngOistica Experimental IEL - UNICAMP o Projeto Grarnaticaliza~ao das Regularidades Fonicas (CNPq processos /90 e /91), desenvolvido no l.aborat6rio de Fonetica Aeustica do lnstituto de Estudos da linguagem da UNlCAMPtem 0 objetivo de, a medio prazo, criar urn sistema de codifica~o de propriedades e processos fonicos que seja titil tanto para a pesquisa pura como para a pesquisa aplicada em Fonetica e Fonologia do portugues. Uma das aplica~oes do instrumental que esta sendo elaborado pelo Projeto e a confec~ao de cq111ponentesde sistemas que convertam texto em fala e vice-versa. Para a confec~ao desses sistemas e necessario criar m6dulos de processamento de sinais e m6dulos de processamento lingoistico. Para tanto, fazem parte do Projeto dois grupos distintos. Um grupo e 0 de processamento do sinal aeustico da fala (ver Nagle, Stocco & Cyrillo 1992) eo outro e 0 de processamento de texto. A finalidade desta apresenta~ao e expor a metodologia que orientou 0 grupo de processamento de texto na elabora~ao de regras para a codifica~ao fonica do portugues, e descrever a confec~ao dos programas correspondentes, desenvolvidos de forma interativa com a Engenharia de Computa~o. Iniciou-se 0 trabalho com a digita~ao dos verbetes do Minidicionario Aurelio dentro de um editor de textos. As palavras foram digitadas, uma a uma, com sua classifica~ao grarnatical. Se uma palavra pertencesse a mais de uma classe, era repetida com suas vadas classifica~s, pois distinl;oes gramaticais podem agir sobre a prontincia. Para armazenar os dados foi criado urn arquivo com tres campos: urn para a

2 trariscri~llo ortogratica, outro para a c1assifica~llomorfol6gica e urn terceiro para a transcri~o fonemica. Esta Ultima ex.t&iaa utillza~llo dos caracteres do Alfabeto Fonetico Internacional (IPA). For i55o,optou-se por digitar os dados em urn editor de texto que permitisse a cria~llo de fontes com os caracteres desejados, no caso 0 Chi-Writer. A cada carater do IPA foi associado urn carater ASCII estendido, wna vez que nllo e possivei armazenar os primeiros em urn banco de dados. As fontes do IPA criadas dentro do Chi-Writer serviram somente para auxiliar os usuarios na digita~o dos dadcfs.0 que ficou de fato foram os caracteres ASCIIestendidos. Para a codifica~ao preferiu-se uma transcri~llo fon~ca larga a uma fonetica porque: 1) Uma transcri~o.fonetica estreita exigiria a escolha de urn diaieto-base, o que acabaria privilegiandouma parte da popula~llo falante da lingua. 2) A transcri~o fonanica e ligeirajl1ente mais abstrata que a transcri~llo fonetica larga e tern a vantagem de poderoperar com simbolos neutros (por exemplo, arquifonemas), facilmente substituiveis por regras. Os criterios que orientaram a transcri~llo foram estabeiecidos com base em autores como Mattoso camara Jr. (1953, 1976). Silo eies: 1) i e II foram transcritos como as semivogais Ijl e Iw/, respectivamente, quando essas vogais nllo fossem t6nicas e fizessem parte de urn ditongo dectescente. Em ditongos crescentes. 0 u. quando precedido de g ou q, foi transcrito como semivogal. 2) nos grupos constituidos por uma vogal nasal seguida por outra voga! como 110 e Oes, transcreveu-se uma vogal seguida de uma semivogal nasal, ficando, respectivamente: latnl e Id}'s/. 3) 0 I final de silaba foi transcrito como Ill, apesar do fato desta liquida ser produzid8:. na malor parte do Brasil, como uma semivogal, pretendendo-se urn tratamento via regras a curto prazo. 4) 0 n, tanto no final de silaba como de palavra, foi transcrito peio arquifonema N, o que facilita urn tratamento via regras. 5) os demais fonemas foram transcritos de acordo com 0 IPA, conforme ja mencionado, sendo que 0 criterio utilizado para a escolha do alofone representativo do fonema foi 0 da ocorrencia. Estllo incluidas na transcri~llo marcas de separa~llo shabica e de acentua~llo. As varia~oes alof6nicas foram ignoradas. Por elcemplo,oclusivas que travam siiabas foram transcritas sem as semivogais comurnente presentes Illllinguagem oral, porque e mais facil fazer uma transcri~llo por regras, posteriormente. Ao termino delta etapa, conferiram-se todos os dados a fim de localizar possiveis falhas, tanto de digita~llo, quanto de coerencia na transcri~llo fonemica. 0 trabalho predominautemente manual feito ate entllo serviu como exercicio para os bolsistas que, ficartci8 habeis em converter 0 sistema ortogratico portugues para 0 fonemico, tiveram facilidade para elaborar as regras para a conversllo ortograticofonemica.

3 Enquanto se digitava e transcrevia 0 lexico criava-se tambem urn banco de dados para seu armazenamento. Para a implementa.;3.o do banco de dados utilizouse 0 software Clipper da Nantucket Software, pois este sistema oferece facilidades para a manipula.;3.o de arquivos de dados, como criar, organizar, classificar, copiar, selecionar e relacionar os conjuntos de arquivos. A transferencia de dados dos arquivos textos gerados pelo Chi-Writer para os arquivos (.DBF) do Clipper se deu mediante 0 desenvolvimento de urn programa especifico para tal fim. Este programa Ie linha a linha os arquivos do Chi-Writer e as decodifica em campos validos da base de dados. Depois de implantado 0 banco de dados, foi elaborado um programa que associa automaticamente, a cada registro, padroes fonol6gicos representados por casas e quadros (slots e frames), que analisam as palavras mediante informa.;oes do campo com a transcri.;3.o fonemica, onde foram indicados os limites silabicos e a acentua.;ao. Os quadros permitem identificar, classificar e referenciar as silabas de uma palavra conforme 0 seu conteudo, posi.;3.o e acentua.;3.o, enquanto as casas permitem realizar opera.;oes anaiogas com segmentos. Para determinar automaticamente a vogal tonica de cada verbete foram elaboradas, a partir da transcri.;3.o ortograflca, regras baseadas, principalmente, na observa.;3.o dos contextos fonol6gico e silabico em que 0 acento ocorre. Partiu-se sempre da direita para a esquerda pois a considera.;3.o da frequente incidendia de determinados ambientes fonol6gicos em final de palavra facilitou a constru.;3.o de um algoritmo. As palavras compostas foram tratadas da mesma forma, isto e, repetindo-se o algoritmo pode-se marcar 0 acento secundario. o programa de acentua.;3.o, elaborado em linguagem Clipper, consegue acentuar corretamente todas as palavras do lexico.

4 Depois da acentual;ao, foi elaborado urn programa para automatizar a divisao siliibica. Para tanto, consideraram-se dois fatores: 1- toda sfiaba possui urna vogal como nucleo; 2- os grupos consonantais anteriores a vogal-nucleo de cada silaba sao limitados, com excel;ao da primeira sfiaba da palavra, aos grupos CrY, ChVe CIV (onde C equivale a "consoante" e V a "vogal"). A partir dai confeccionouse urn algoritmo, baseado na busca e reconhecimento de determinadas consoantes e vogais. Da mesma forma que a acentual;ao, a separal;ao siliibica foi feita da direita para a esquerda, considerando-se principalmente 0 ambiente fonol6gico em que se encontra a vogal-nucleo. A partir dai, observou-se a ocorrencia de uma vogal ou de uma consoante, bem como a natureza desta ultima, isto e, se era liquida, fricativa ou nasal. Em seguida foram elaboradas as regras do algoritmo. Da me sma forma que 0 programa de acentual;ao, este consegue separar corretamente todos os vociibulos do lexico. Como se fez com a acentual;ao e a divisao siliibica, desenvolveu-se tambem urn conjunto de regras que faz a transcril;ao fonemica a partir da entrada ortogriifica de urn verbete. 0 algoritmo criado percorre todos os caracteres de urn verbete, substituindo-os, urn a urn, por seus correspondentes do IPA. Este programa, ao contriirio dos anteriores, nao atinge uma porcentagem de 100% de acerto; atualmente, estii na casa dos 96%. As maiores dificuldades, que comprometem 0 acerto total do programa sao a transcril;ao do x, e e o. No caso do x, 5 caracteres diferentes podem ser associados a ele- Is/, Iz/, Iks/, Ikz/, ifl- e no caso do e e do 0, existe a dificuldade em se determinar quando se transcreve a vogal aberta ou fechada. A etapa seguinte foi a separal;ao das palavras em seus morfemas. Para isso, 0 primeiro passo foi consultar listagens de morfemas fornecidas por tres gramiiticas destinadas ao ensino secundiirio, alem de Monteiro (1987). A seguir, com 0 auxilio do programa listas, que dii listagens de todo 0 lexico levantado com base nas informal;oes dos outros programas mencionados, foram feitas buscas de palavras que contivessem os morfemas (sufixos ou prefixos) arrolados para verificar aqueles que, devido a uma ocorrencia mais frequente, devessem ser considerados para a confecl;ao de urn novo algoritmo. Visa-se, com isso, a crial;ao de urn quarto campo, onde conste a separal;ao

5 1325 automatizada de cada verbete em seus morfemas. Essa etapa encontra-se, no momento, em fase deimplanta cio no ambiente computacional. AIffiI de possibilitar 0 levantamento de afixos, 0 programa Listas permite buscas de pares minimos que podem ser feitas tanto no campo ortograt'ico, como no fonemico. Pode-se, por exemplo, solicitar todos os pares minimos da palavra "dente", no campo fonemico, obtendo-se a seguinte lista: IdeN.'de/, l'den.ge/, I'des.te/, IJeN.te/, 1'leN.te/, l'men.te/, l'pen.te/, l'ken.te/, l'ren.te/. Estas buscas sao uteis para que se confeccionem situa~oes experimentais em fonetica acustica. Listagens exaustivas de difones sao essenciais para a elabora~ao de dicionarios em sistemas de sintese concatenativa de fala, assim como para testar 0 desempenho de conversores texto-fala em todas as combina~oes de sons que podem ocorrer na lingua. Uma vez que ainda existem falhas no programa, busca-se sua melhoria sem, contudo, ter a pretensao de atingir 100% de acerto, sendo que essa falhas, em muitos casos, ligam-se a etimologia das palavras, impedindo a elabora~ao de regras que deem conta de todos os casos. A divisao das palavras em seus morfemas pode ajudar nessa melhoria, pois o ambiente morfol6gico, em muitos casos, determina 0 ambiente fonol6gico, como no caso da transcri~o do e e do 0 nas formas verbals. as dados que, mesmo assim, nao se encaixarem as regras, serao tratados como exce~oese sua transcri~ao sera feita rnanualmente. Pretende-se implantar este item a curto prazo. Para isso, serao observadas regularidades na forma~ao de plural, bem como do genero feminino, que levem a formula~ao de regras para uma posterior flexao automatica. Quanto a flexao verbal, e algo que ja esta sendo feito: partlu-se da observa~ao da flexao de verbos regulares e foram feitas regras para as tres conjuga~oes. lsto devera ser colocado em ambiente computaeional brevemente.

6 AS verbos irregulares serao estudados a seguir. a primeiro passo sera observar quais ocorrem com maior freqiiencia na lingua portuguesa, com auxilio de listagens da freqiiencia dos vocabulos tomando-se por base inqueritos do NURC/SP. Muitas flexoes, com certeza, deverao ser acrescentadas manualmente, pois ha muitas formas verbais que nao seguem um paradigma. Uma vez conduido 0 1evantamento dos afixos da lingua portuguesa, sera criado um novo campo no programa onde conste a divisao de cada item lexical em seus componentes morfol6gicos (radical e afixos). Pretende-se que essa divisao seja feita de forma derivacional, isto e, deve haver, no campo, urna represental;:ao que mostre 0 radical como nudeo de onde derivam os afixos. A forma como essa represental;:ao sera feita ainda est<!em discussao. Pretende-se tambem, a curto prazo, criar um outro campo com a freqiiencia relativa dos vocabulos do portugues. Como subsidio para esse estudo foi tomada uma pesquisa realizada na Universidade de Usboa sobre 0 h:>xicodo portugues europeu. Para se verificar a ocorrencia mais ou menos freqiiente de dad06 do portugues do Brasil, fazendo um levantamento seme1hante ao da universidade portuguesa, serao tomadas como base as graval;:oesdo projeto Norma Urbana Culta (NURC),que se insere dentro do projeto Gramatica do Portugues Falado Recodifical;:ao dos fonemas nos termos da Fonologia de Atos e Efeitos Esta etapa est<!prevista para ser realizada a 10ngo prazo e pretende, tambem de forma automatica, recodificar cada verbete em termos de atos e efeitos, conforme Albano (1992). A Fonologia dos Atos e Efeitos e urn modelo fono16gico em elaboral;:ao que substitui a nol;:aode tral;:o distintivo por duas outras nol;:oeselementares: a de ato, que representa os aspectos motores da produl;:ao de fala, e a de efeito, que representa os seus aspectos aerodinamicos e acusticos. o papel da Fonologia dos Atos e Efeitos no Projeto Gramaticalizal;:ao de Regularidades Fonicas est<!explicado em Albano (1992).

7 Os resultados ate aqui obtidos nos permitem afirmar que 0 sistema implantado cobre, de forma satisfatoria, 0 corpus levantado. As falhas aparentes constituem uma pequena porcentagem que nao compromete 0 andamento das pesquisas. Pesquisas no banco de dados sao feitas tanto pelos membros do projeto em busca de informa<;oes para os algoritmos elaborados, quanto pelos demais uslllirios do Laborat6rio de Fonetica no auxilio a experimentos em fonetica acllstica. Logicamente, como 0 projeto esta em andamento, ainda nao e possivel preyer se as regras implantadas darao conta de novos dados, como por exemplo, alguns provenientes da linguagem oral. Visa-se, portanto, a verifica<;ao dessas regras tambem para palavras que nao constem no dicionario utilizado, sempre com 0 intui'l:o de melhoni-ias, para chegar a urn sistema que atenda aos requisitos da pesquisa em Fonetica e Fonologia, e da aplica<;ao, prevista para as areas tecnologicas (conversao ortografico-fonetica para fins de sintese de fala). 7 - Palavras-chave Fonetica Fonolo~ia Banco de Dados Lexico Automatiza<;ao ALBANO, Eleonora C. A Codificap!lo F6nica Automatizada de urn Lexico Informalizado como Instnunento de Pesquisa. Apresentado no IV Encontro National de Fonetica e Fonologia, Niteroi, UFF,dezembro de ANDRE,Hildebrando A. de Gramatica Ilustrada. SP, Editora Moderna, 1991, 4a. CAMARAJR., Joaquim Mattoso. Para 0 Estudo da Fonemica Portuguesa. RJ, Organiza<;ao Simoes Problemas de Lingtiistica Descritiva. Petropolis, Editora Vozes, 1976, 7a. FARACO,Carlos E. & MOURA,Francisco Marto de. Gramatica. SP, Editora Atka, 1990, 4a FERREIRA, Aurelio Buarque de Holanda. Minidicionario da Lingua Portuguesa. RJ, Editora Nova Fronteira, MONTEIRO, Jose Lemos. Morfologia Portuguesa. Fortaleza, EDUFC, 1987, 2a. NAGLE,E. J., STOCCO,M. A. & CYRILLO,M. Analise, Sintese e Reconhecimento de Sinais de Fala. Apresentado no IV Encontro Nacional de Fonetica e Fonologia, Niteroi, UFF,dezembro de SAVIOLI,Francisco Plati1o. Gramatica em 44 Li<;oes.SP, Editora Atica, 1990, 16a.