Upload
internet
View
104
Download
0
Tags:
Embed Size (px)
Citation preview
Corpora Comparáveis Corpora Comparáveis
Belinda Maia Belinda Maia
FLUPFLUP
Citações de: Citações de:
EAGLES - EAGLES - Expert Advisory Group Expert Advisory Group on Language Engineering on Language Engineering Standards Standards
Guidelines – 1996 – at:Guidelines – 1996 – at: http://www.ilc.pi.cnr.it/EAGLES96/brohttp://www.ilc.pi.cnr.it/EAGLES96/bro
wse.htmlwse.html
Comparable corpora - definitionComparable corpora - definition
““A comparable corpus is one which A comparable corpus is one which selects similar texts in more than one selects similar texts in more than one language or variety. There is as yet language or variety. There is as yet no agreement on the nature of the no agreement on the nature of the similarity, because there are very similarity, because there are very few examples of comparable few examples of comparable corpora”. corpora”.
Comparable corpora - usesComparable corpora - uses
““The possibilities of a comparable The possibilities of a comparable corpus are to compare different corpus are to compare different languages or varieties in similar languages or varieties in similar circumstances of communication, but circumstances of communication, but avoiding the inevitable distortion avoiding the inevitable distortion introduced by the translations of a introduced by the translations of a parallel corpus”. parallel corpus”.
Corpora Comparáveis (CC)Corpora Comparáveis (CC)
Textos que reflectem as convenções Textos que reflectem as convenções da cultura subjacente da cultura subjacente
Textos legais do sistema legal local Textos legais do sistema legal local Textos socialmente convencionados: Textos socialmente convencionados:
participações de falecimentos, participações de falecimentos, anúncios de casas ou empregosanúncios de casas ou empregos
Textos académicos / científicos – Textos académicos / científicos – convenções diferentes em culturas e convenções diferentes em culturas e domínios diferentesdomínios diferentes
CC – VantagensCC – Vantagens
Disponibilidade de mais textos – e Disponibilidade de mais textos – e mais variedademais variedade
Versatilidade para investigação em:Versatilidade para investigação em:• Análise do discursoAnálise do discurso• PragmáticaPragmática• Pesquisa de informaçãoPesquisa de informação• Engenharia do conhecimento Engenharia do conhecimento
O que torna textos/corpora
COMPARÁVEIS?
EAGLES - quoteEAGLES - quotess
““A comparable corpus is one which A comparable corpus is one which selects similar texts in more than one selects similar texts in more than one language or variety”.language or variety”.
Similar – em mais do que uma línguaSimilar – em mais do que uma língua
E/OUE/OU Similar – em variedadeSimilar – em variedade
““... circunstâncias ... circunstâncias similares de similares de communicaçãocommunicação..”..”
Similares em Similares em – Forma/conteúdo?– Forma/conteúdo?
FormaForma• Tamanho> num. de palavras, frases, Tamanho> num. de palavras, frases,
parágrafosparágrafos• Tamanho dos textosTamanho dos textos• Formato - .txt, .doc, .html, .xmlFormato - .txt, .doc, .html, .xml
ConteúdoConteúdo• Linguagem geralLinguagem geral• Domínios especializadosDomínios especializados
Similares em Similares em – Estrutura / Função?– Estrutura / Função?
EstruturaEstrutura• Textos formais e bem construídos – ex. Textos formais e bem construídos – ex.
Textos legaisTextos legais• Discurso informal – ex. Transcrições de Discurso informal – ex. Transcrições de
conversasconversas FunçãoFunção
• SocialSocial• CulturalCultural
Similares Similares - Registo?- Registo?
RegistoRegisto• ‘‘Field’ – situação, assunto, etcField’ – situação, assunto, etc• ‘‘Tenor’ – relações interpessoaisTenor’ – relações interpessoais
ex. formal/informal, cortesia, etcex. formal/informal, cortesia, etc
• ModoModo Falado: ex. diálogo formal / informalFalado: ex. diálogo formal / informal Escrito: ex. livro, artigo, manual de Escrito: ex. livro, artigo, manual de
instruçõesinstruções Multimedia: ex. Encarta, cinema, internetMultimedia: ex. Encarta, cinema, internet
Similar - Dialecto?Similar - Dialecto?
DialectoDialecto• Geográfico > ex. Áreas urbanas/rurais, Geográfico > ex. Áreas urbanas/rurais,
países desenvolvidos / em países desenvolvidos / em desenvolvimento desenvolvimento
• Temporal > ex. Período histórico, Temporal > ex. Período histórico, grupos etários diferentes grupos etários diferentes
• Social > ex. Classes sociais, níveis de Social > ex. Classes sociais, níveis de educaçãoeducação
Comparabilidade Comparabilidade de Corpora Muito Grandesde Corpora Muito Grandes
Corpora Muito Grandes são Corpora Muito Grandes são comparáveis se:comparáveis se:• Similares em tamanhoSimilares em tamanho• Construídos segundo os mesmos Construídos segundo os mesmos
critérios > ex. quantidade e qualidade critérios > ex. quantidade e qualidade de tipos de textode tipos de texto
Por exemplo? Por exemplo? • British National CorpusBritish National Corpus• Mannheimer CorpusMannheimer Corpus
Comparabilidade Comparabilidade de corpora jornalísticosde corpora jornalísticos
Corpora jornalísticos variam em:Corpora jornalísticos variam em:• Tipo: qualidade/popular, conteúdo Tipo: qualidade/popular, conteúdo
geral/especializadogeral/especializado• Data de publicação: o mesmo Data de publicação: o mesmo
dia/mês/ano dia/mês/ano • Por exemplo? Por exemplo?
• CETEMPúblico – PortuguêsCETEMPúblico – Português• Corpus da Reuter – InglêsCorpus da Reuter – Inglês
Comparabilidade Comparabilidade em Corpora Literáriosem Corpora Literários
Período:Período:• Medieval, Século XVIII, Pós-guerraMedieval, Século XVIII, Pós-guerra
Escola:Escola:• Romantismo, Realismo, Pós-modernismoRomantismo, Realismo, Pós-modernismo
Género (Genre):Género (Genre):• Romance, ficção científica, teatro, Romance, ficção científica, teatro,
poesiapoesia
Comparabilidade em corpora Comparabilidade em corpora técnicos e científicos - formatécnicos e científicos - forma
PanfletosPanfletos ManuaisManuais Livros de ensinoLivros de ensino Artigos e comunicaçõesArtigos e comunicações Dissertações, tesesDissertações, teses
Comparabilidade em corpora Comparabilidade em corpora técnicos e científicos - conteúdotécnicos e científicos - conteúdo
Informação geralInformação geral Informação enciclopédicaInformação enciclopédica InstruçõesInstruções EducaçãoEducação Comunicação entre peritosComunicação entre peritos
Construir CC – linguagem geralConstruir CC – linguagem geral
Começar?Começar? Corpora Muito Grandes comparáveis Corpora Muito Grandes comparáveis
em 2 ou mais línguas >só a página em 2 ou mais línguas >só a página da Comissão Europeia!da Comissão Europeia!
Corpora gerais, cuidadosamente Corpora gerais, cuidadosamente seleccionados – ex. ICAME corpora seleccionados – ex. ICAME corpora (Brown, LOB etc) = possível mas (Brown, LOB etc) = possível mas limitado limitado
Utilizar CCUtilizar CCde linguagem geral de linguagem geral
Vantagens:Vantagens:• Investigação comparativa a todos os Investigação comparativa a todos os
níveisníveis• Úteis para investigação do léxico e das Úteis para investigação do léxico e das
estruturas sintácticasestruturas sintácticas Desvantagens:Desvantagens:
• Dificuldades para análise mais cuidadosaDificuldades para análise mais cuidadosa• Desnecessários para certos tipos de Desnecessários para certos tipos de
análiseanálise
Construir CC Construir CC – Textos de jornais– Textos de jornais
Fáceis de adquirirFáceis de adquirir Grande variedade de temasGrande variedade de temas Comparáveis a vários níveisComparáveis a vários níveis Possível arranjar versões diferentes Possível arranjar versões diferentes
da ‘mesma’ notícia – ‘concurrent da ‘mesma’ notícia – ‘concurrent corpora’corpora’
Utilizar CC Utilizar CC – Textos de jornais– Textos de jornais
Comparação de tratamento de Comparação de tratamento de notícias: notícias:
ex.ex.• Política – campanhas eleitoriaisPolítica – campanhas eleitoriais• Futebol durante a Taça MundialFutebol durante a Taça Mundial
OU > estilos de jornalistas individuaisOU > estilos de jornalistas individuais
Construir CC – linguagem geral + Construir CC – linguagem geral + textos semelhantestextos semelhantes
Tipos de texto semelhante: ex. Tipos de texto semelhante: ex. Entradas em enciclopédias, Entradas em enciclopédias, publicidade turísticapublicidade turística
Textos literários do mesmo autor, Textos literários do mesmo autor, período, escola ou ‘genre’ período, escola ou ‘genre’
Textos técnicos e científicos com Textos técnicos e científicos com uma forma ou função semelhante – uma forma ou função semelhante – ex. Livros de ensinoex. Livros de ensino
Utilizar CC – linguagem geral + Utilizar CC – linguagem geral + textos semelhantestextos semelhantes
PragmáticaPragmática Análise do discursoAnálise do discurso Análise de ‘genre’Análise de ‘genre’ Análise sociolinguísticoAnálise sociolinguístico Análise culturalAnálise cultural
Construir CC – domínios Construir CC – domínios especializados especializados
Domínios especializados a níveis Domínios especializados a níveis diferentes – ex.diferentes – ex.• Geografia > demografia da população Geografia > demografia da população
> minorias étnicas ...> minorias étnicas ...• Engenharia > engenharia mecânica > Engenharia > engenharia mecânica >
tribologia ...tribologia ...• Medicina > oncologia > cancro da Medicina > oncologia > cancro da
mamamama
Utilizar CC – domínios Utilizar CC – domínios especializados especializados
Análise de ‘genre’Análise de ‘genre’ Extracção de terminologiaExtracção de terminologia Pesquisa de informaçãoPesquisa de informação Tecnologia de ‘browsers’Tecnologia de ‘browsers’ Engenharia do conhecimentoEngenharia do conhecimento
A construcção de CC - deveA construcção de CC - deve
Estabelecer uma política geral em Estabelecer uma política geral em relação: relação: • À forma – estrutura computacionalÀ forma – estrutura computacional• Ao conteúdo dos sub-corporaAo conteúdo dos sub-corpora• À possibilidade de partilhar os recursos À possibilidade de partilhar os recursos
com um público geral ou restritocom um público geral ou restrito Especificar os objectivos para a Especificar os objectivos para a
construção dos sub-corporaconstrução dos sub-corpora
A construção de CC - deveA construção de CC - deve
Respeitar os direitos de autor (‘copyright’)Respeitar os direitos de autor (‘copyright’) Lembrar factores contextuais e/ou Lembrar factores contextuais e/ou
exteriores ao textoexteriores ao texto• O estilo e particularidades do autor individualO estilo e particularidades do autor individual• As convenções da escrita numa situação As convenções da escrita numa situação
específica cultural/socialespecífica cultural/social• Efeito homogenizante da internacionalizaçãoEfeito homogenizante da internacionalização
‘‘Eurospeak’Eurospeak’ Anglicismos em terminologia científica e técnicaAnglicismos em terminologia científica e técnica
CC - limitaçõesCC - limitações
Qualquer corpus pequeno é Qualquer corpus pequeno é construído para um fim específico – construído para um fim específico – ex. extracção de terminologia, ex. extracção de terminologia, análise de ‘genre’, estudo análise de ‘genre’, estudo contrastivo de línguascontrastivo de línguas
Estes corpora têm um uso específico Estes corpora têm um uso específico e um ‘prazo de validade’e um ‘prazo de validade’
Corpógrafo - permiteCorpógrafo - permite
Construir CC em várias línguasConstruir CC em várias línguas Analisar a linguagem dos textos com Analisar a linguagem dos textos com
concordâncias, n-gramas, etcconcordâncias, n-gramas, etc Extrair terminologia semi-Extrair terminologia semi-
automaticamenteautomaticamente Criar bases de dados terminológicasCriar bases de dados terminológicas Extrair definições e relações semânticas Extrair definições e relações semânticas
semi-automaticamentesemi-automaticamente