Corpus: definição e coleta Tradução Técnica 2008 Stella E. O. Tagnin O que é um corpus? (cf. Aurélio Eletrônico) (1) Conjunto de documentos, dados e informações sobre determinada matéria. (3) Conjunto de materiais significantes (enunciados lingüísticos, capas de revistas) constituído com vistas à análise semiológica. O que é um corpus hoje? Uma coletânea de textos em formato eletrônico, compilada segundo critérios específicos, considerada representativa de uma língua (ou da parte que se pretende estudar), destinada à pesquisa Critérios de compilação Origem: textos autênticos Objetivo: pesquisa População: seleção Formato: eletrônico Representatividade: de que, para quem? Extensão: de acordo com objetivos A História dos Corpora Década de 60 – corpora de 1 milhão de palavras! Brown – inglês americano –200 textos de 5.000 palavras cada –15 categorias distintas LOB (Lancaster/Oslo/Bergen) – contrapartida em inglês britânico Os Corpora Atuais BNC – 1995 – 100 milhões de palavras – 90% língua escrita – 10% língua falada Bank of English (Cobuild) – Birmingham 1987 – 20 milhões de palavras – Hoje perto de 500 milhões de palavras – corpus aberto – em constante Qual a grande vantagem dos corpora? Observação da linguagem em uso - natural contrapõe-se à introspecção Chomskyana - gramatical - Qual é a diferença? Chomsky Competência Universais lingüísticos Racionalismo Intuição introspecção Possibilidade Halliday Desempenho Descrição lingüística Empirismo Observação Probabilidade Corpus linguist vs armchair linguist “... I don’t think there can be any corpora, however large, that contain information about all of the areas of English lexicon and grammar that I want to explore...” Corpus linguist vs armchair linguist “... Every corpus [...] however small, has taught me facts that I couldn’t imagine finding out about in any other way.” (Fillmore, C.J. “Corpus linguistics” or “Computer-aided armchair linguistics”. In Svartvik, Jan (ed.) Directions in Corpus Linguistics, Proceedings of Nobel Symposium 82, Stockholm, 4-8 August 1991, Berlin/NY: Mouton de Gruyter, 1992, 35-60) Lembrando... Na tradução técnica o que se almeja é um texto natural fluente Para que servem os corpora? Detectar padrões lexicais – Fraseológicos (colocações): palavras que co-ocorrem em freqüência maior do que esperada: sweeping victory, high and low > search high and low – Terminológicos: lucros e perdas, controle de qualidade, plantas geneticamente modificadas (alteradas??) Compilação de dicionários e glossários Para que servem os corpora? Detectar padrões gramaticais –“coligações”: verbos seguidos de infinitivo ou gerúndio: –begin + to vs. start + -ing Detectar a prosódia semântica: cause vs causar Concordância family thinks Vicki Rock's former job at the plant caused her son's cancer. but he denies that the plant caused leukemia in families that have brought suits against the company One of two things could have caused this error: The Pobox.com user whose web site you Ok: BM caused TONS of problems over last few weeks…31: Holes that caused fuel leak on shuttle located in nozzle July 28: Columbia reduce deaths, injuries, property damage, economic losses and human suffering caused by natural disasters. ventos mais fortes do oeste e aumento de tempestades violentas, causou danos sem precedentes nas propriedades situadas na costa de 1992 na região central dos Estados Unidos. Por isso, causou grande impacto a descoberta do oceanógrafo americano Dudley Chelton membro do conselho executivo deve fazer é "A nossa empresa causou uma primeira boa impressão em consumidores potenciais suficientes para garantir de 1995, quando já assumira a presidência do Banco Central, causou repercussão na imprensa o fato de ter passado o carnaval fato teve não teve a repercussão equivalente ao prejuízo que causou a centenas de empresas que hoje dependem prioritariamente da rede Áreas de Pesquisa Lexicologia e lexicografia Estudos lexicais Compilação de dicionários Estudos contrastivos Tradução Naturalidade da língua Áreas de Pesquisa –Tradução –Normalização/ Simplificação/ Explicitação –Estratégias de tradução –Normas de tradução –Ensino e treinamento –Fontes de referência Corpora Online Inglês BNC: http://sara.natcorp.ox.ac.uk/lookup.html COBUILD: http://www.collins.co.uk/Corpus/Cor pusSearch.aspx WebCorp: http://www.webcorp.org.ul/webcorp.html Corpora Online Português COMPARA: http://www.linguateca.pt/COMPARA Lácio-Web: http://www.nilc.icmc.usp.br/lacioweb Dicionários baseados em corpora Oxford English Dictionary (2nd ed.), 1989 Longman Dictionary of Contemporary English (1980s) Macmillan English Dictionary (2002) Os corpora quanto à língua –monolíngües –bilíngües –multilíngües Corpora monolíngües língua geral: jornalísticos e literários língua de especialidade: técnicos mistos traduções – TEC - Translation English Corpus corpus de referência (depende da pesquisa) –língua geral –variedade de gêneros –variedade de registros Corpora multilíngüe comparáveis: –originais em duas ou mais línguas paralelos: originais + tradução/traduções COMPARA Extratos de Ficção Português Inglês Inglês Português Textos alinhados Português Inglês Total Originais 26 15 41 Traduções Palavras Originais Traduções Português Inglês Ptg & Ing 395244 456075 851319 452763 439083 891846 17 27 44 O &T 848013 895158 1743171 Then – Então – Aí – Daí - Depois EBJB1(1018): Then there are the three live parrots, two at Trouville and one at Venice; plus the sick parakeet at Antibes. Há depois os três papagaios vivos, dois em Trouville e um em Veneza; mais o periquito doente em Antibes. EBJB1(1033): Then the parrot, returning its master's gaze with an unflinching eye, would murmur the cabbalistic word, and Henri's soul would be filled with the memory of his lost happiness. Então o papagaio, retribuindo o olhar ao dono com um olho inflexível, murmurava a palavra cabalística e a alma de Henri enchia-se com a memória da sua felicidade perdida. ESNG1(496): Then there was the matter of her job. Daí vinha a questão do seu emprego Alguns sites úteis Corpus Linguistics: http://www.humcorp.bham.ac.uk/ Bibliography http://www.athel.com/corpus_bibliography.html Text Corpora http://www.athel.com/corpus.html David Lee’s Bookmarks for Corpus-based Linguists: http://devoted.to/corpora Projeto e Compilação de um Corpus 1. Objetivo do corpus perguntas de pesquisa 2. Projeto do corpus a. estático ou dinâmico b. falado ou escrito c. monolíngüe ou multilíngüe (comparável ou paralelo) d. gêneros e tipos de textos a serem incluídos Projeto e Compilação de um Corpus 2. Projeto do corpus e. f. g. h. i. j. k. domínios a serem incluídos proporção dos textos quantidade de textos completos ou trechos extensão dos textos fonte dos textos tamanho do corpus Projeto e Compilação de um Corpus 3. Cabeçalho • quais informações são relevantes para o projeto? • que outras informações poderiam interessar a outros pesquisadores? - reusabilidade Cabeçalho <Header> <title> <filename> </filename> </title> <author> <name></name> </author> <sourceText> <language></language> <mode>[mode of delivery of textual content]</mode> <publisher></publisher> <pubPlace>[place of publication]</pubPlace> <date></date> <copyright>[copyrights holder]</copyright> </sourceText> </Header> <text> <header> <title> <fileName> JO-IF-ESP-esp_01 </fileName> <corpus> futebol </corpus> <nPages> 2 </nPages> <nWords> 935 </nWords> <sample> íntegra </sample> </title> <sourceText> <titleOfText> Santos no caminho certo </titleOfText> <language> PB </language> <source> O Estado de São Paulo </source> <pubPlace> http://www.estado.com.br </pubPlace> <date> 03.08.2004 </date> <status> Original </status> </sourceText> <author> <name> Válter Casagrande Júnior </name> <gender> Masculino </gender> <type> Individual </type> </author> <textClassification> <textGenre> <genre> informativo </genre> </textGenre> <textType> Editorial </textType> <domain> <generalDomain defined="auto-def"> Generalidades </generalDomain> <specificDomain> Esporte </specificDomain> </domain> <distribution> Internet </distribution> </textClassification> </header> Projeto e Compilação de um Corpus 4. Código de nomeação (Manual Lácio-Web) Meio de Divulgação, Gênero Textual, Fonte, Data JO-IF-FSP-mu-05fev99_01 Meio de divulgação: jornal Gênero textual: informativo Fonte: nome do periódico: Jornal “Folha de São Paulo” Caderno: “Mundo” Data: 05 de fevereiro de 1999 Primeiro texto (deste caderno, nesta data Projeto e Compilação de um Corpus 4. Código de nomeação RE-IF-NE-cea-mar01_05 Meio de divulgação: revista Gênero textual: informativo Fonte: Revista “Nova Escola” Caderno: “Cresça e Aconteça” Data: mês de março de 2001 Quinto texto (deste caderno, nesta data de publicação) Projeto e Compilação de um Corpus 4. Código de nomeação RE-IF-CI-#-nov00_03 Meio de divulgação: revista Gênero textual: informativo Fonte: Revista “Cerâmica Industrial” Caderno: não há subdivisões no periódico Data: mês de novembro de 2000 Terceiro texto (deste caderno, nesta data de publicação) Projeto e Compilação de um Corpus 4. Código de nomeação RE-IF-CI-#-agodez01_02 Meio de divulgação: revista Gênero textual: informativo Fonte: Revista “Cerâmica Industrial” Caderno: não há subdivisões no periódico Data: período compreendendo os meses de agosto a dezembro de 2001 Segundo texto (deste caderno, nesta data de publicação) Projeto e Compilação de um Corpus 5. Etiquetagem morfossintática tagging) (POS- sintática (parsing) semântica discursiva terminológica Etiquetagem morfossintática <s> Foi_VAUX cercada_PCP de_PREP|+ o_ART maior_ADJ sigilo_N a_ART chegada_N de_PREP|+ a_ART agência=de=publicidade_N Saatchi_NPROP $&_NPROP Saatchi_NPROP a_PREP|+ o_ART Brasil_NPROP ._. </s> Etiquetagem semântica For the soup, preheat the oven to 160ºC (350ºF / moderate / Gas 4). <cut>Cut</cut> <veg>tomatoes</veg> lengthwise, discard seeds, place in a medium heatproof dish with <season>garlic</season>, olive oil, <season>salt</season>, <season>pepper</season>, and <herb>parsley</herb> and <herb>basil</herb> sprigs tied by the stems. <cook>Bake</cook> for approximately 1 hour, until <veg>tomatoes</veg> are soft and fragrant, let cool and refrigerate for 2 hours, or up to 2 days. Discard wilted herbs and blistered tomato skin and puree in a <appl>blender</appl> until a smooth paste is obtained (if you want a soup with a more delicate texture, press mixture through a sieve). Complete with cold water as to obtain 1 L (1 qt) of soup, adjust <season>salt</season> and <season>pepper</season>, correct the acidity by adding a pinch of <season>sugar</season>, and refrigerate for at least 1 hour, or overnight. Etiquetagem semântica/terminológica Caponata (1 hour and 30 1 teaspoon oregano minutes) ¼ cup <term>red wine 1 onion vinegar</term> 2 <term>celery stalks</term> 1 tablespoon sugar 1 <term>red bell pepper 2 tablespoons capers </term> 2 tablespoons <term>dark 4 fully ripe tomatoes, peeled raisins</term> and seeded ½ cup slivered green olives 1 small deep green zucchini 1 cup flat-leaf parsley leaves (courgette) ½ cup basil leaves 2 medium eggplants olive oil (aubergines) salt and black pepper 2 tablespoons <term>pine <term>to taste</term> nuts</term> 2 garlic cloves, <term>finely chopped</term> 1 <term>bay leaf</term> Etiquetagem discursiva <titRec> Pudim de Leite Condensado </titRec> <coment> Pudim de leite condensado é uma sobremesa que dispensa elogios, ou qualquer palavra para definí-lo. É simplesmente o máximo!! </coment> <ingr> Ingredientes: 1 lata de leite condensado 1 lata de leite 3 ovos essência de baunilha 3 colheres de açúcar </ingr> <modFaz> Modo de Preparo: Coloque o açúcar numa forma própria para pudim e leve ao fogo brando para caramelizar a forma. Bater todos os outros ingredientes no liqüidificador. Despeje o conteúdo na forma caramelizada. Levar ao forno em banho-maria. </modFaz> <coment> Dica: para verificar se o pudim esta pronto, fure o pudim com um palito de dente, se o palito sair limpo, é que esta pronto, espere esfriar, desenforme e sirva. </coment> Etiquetadores do Lácio-Web MXPOST (não está funcionando) TreeTagger Brill Corpora de Aprendizes Aprendizes de Língua Estrangeira Aprendizes de Tradução Aprendizes de Língua Materna O Projeto ICLE (International Corpus of Learner English) http://cecl.fltr.ucl.ac.be/Cecl-