Informatividade, interatividade e narratividade na reunião de negócios – Análise
Multidimensional e palavras-chave i
Tony Berber Sardinha*
Pontifical Catholic University of São Paulo (PUCSP)
DIRECT Papers 52
2004
ISSN 1413-442x
Publicado por
LAEL, Pontifícia Universidade Católica de São Paulo, Brasil, e
AELSU, University of Liverpool, United Kingdom.
http://lael.pucsp.br/direct
1. Introdução
O objetivo deste trabalho é apresentar uma metodologia para análise de discurso por meio
de computador. A metodologia consiste da identificação de palavras-chave (Scott, 1998) e
da interpretação destas palavras segundo as dimensões de variação propostas por Douglas
Biber segundo o procedimento conhecido por Análise Multidimensional (Biber, 1988,
1995). O objeto de estudo é uma reunião de negócios, escolhida porque é um gênero que
embora tenha recebido considerável atenção na literatura, ainda não foi investigado
segundo a proposta delineada aqui. Primeiramente é apresentada uma revisão da literatura
voltada a reuniões de negócio, seguida de uma discussão acerca de palavras-chave e análise
multidimensional. Seguem detalhes sobre o corpus, os procedimentos de análise, a
apresentação e interpretação dos resultados e comentários finais.
2. Pesquisa em reunião de negócios
A reunião de negócios é um dos gêneros empresariais mais investigados. Vários trabalhos
foram publicados descrevendo a reunião por meio de uma ampla gama de métodos
(Bargiela Chiappini e Harris, 1997; Berber Sardinha, 1991; Collins e Scott, 1997;
Schwartzman, 1989; Williams, 1988; Barbara, 2000; Atkinson et al., 1978; Berber
Sardinha, 1993; Souza e Silva, 1994; Yamada, 1997; Grindsted, 1997). A reunião insere-se
num tipo mais geral de evento, a negociação oral. Assim, além desta literatura específica
voltada a reuniões, há ainda uma produção significativa centrada na análise da interação
oral em negociações (Boden, 1994; Fant, 1990; Graham, 1979; Graham e Andrews, 1987;
Graham et al., 1992; Yamada, 1992; Drew e Heritage, 1992; Kimura, 1998).
Apesar desta variedade, com algumas exceções, a tônica destes estudos é na aplicação de
*
Agradeço ao CNPq (Conselho Nacional de Desenvolvimento Científico e Tecnológico) pelo apoio mediante
a bolsa Produtividade em Pesquisa número 350455/2003-1.
metodologias de análise de discurso de cunho descendente. Há basicamente dois tipos de
orientação para análise de dados na investigação do discurso: descendente e ascendente. Na
primeira, o procedimento geral consiste da elaboração (ou adoção) de um repertório de
categorias que será aplicado aos dados, de tal modo que os dados devam ser encaixados
dentro destas categorias prévias. O procedimento básico do analista é a de buscar nos dados
exemplos que ilustrem e/ou validem as categorias previamente elencadas. Já no segundo
tipo de orientação, a ascendente, não há uma categorização a priori; a interpretação dos
dados segue outros procedimentos, tais como o estabelecimento de relações entre unidades
de análise, a observação de padrões recorrentes e a partição dos dados em unidades
maiores, coerentes.
A análise ascendente é menos freqüente do que a descendente. Dentre os trabalhos
disponíveis nesta linha, um que se destaca é Collins e Scott (1997). Eles analisaram cinco
reuniões, duas em português e três em inglês, totalizando um corpus de 26 mil palavras. A
análise centrou-se na descrição da temática (aboutness) e foi conduzida por meio da
identificação de palavras-chave (aquelas cuja freqüência é significativamente diferente em
relação a uma referência; vide discussão abaixo), as quais foram extraídas a partir do
contraste com corpora de referência. As palavras-chave foram depois filtradas, para
eliminar palavras gramaticais, interpessoais e deslexicalizadas (‘get’, ‘make’, etc.). As
palavras restantes então tiveram seus colocados identificados, o que permitiu aos autores
desenhar redes, chamadas de ‘paisagens lexicais’, que indicavam graficamente a
distribuição e inter-relação entre as palavras-chave em cada reunião. Os resultados
permitiram aos autores tecer generalizações acerca dos temas e das preferências de cada
reunião. Por exemplo, a paisagem lexical de uma reunião de negócios em português revelou
duas redes de palavras-chave, uma centrada na palavra ‘fornecedor’ e os participantes da
reunião, e a outra girando em torno de conceitos relacionados a ‘treinamento’ (suporte,
informação, qualidade, etc.).
A escassez de trabalhos na linha ascendente de análise de dados deve-se a vários fatores. O
principal deles refere-se à dificuldade em identificar de modo abrangente as unidades
iniciais da análise. Por exemplo, se as unidades iniciais de análise são os verbos modais, é
necessário um levantamento minucioso de todas as ocorrências deste tipo de verbo no
corpus. Se o corpus for grande, os problemas são evidentes.
Um aliado da análise de discurso ascendente é o computador. A contrário do analista
humano, o computador não se cansa; uma vez programado, ele fará a busca das unidades de
análise no corpus até que todas sejam encontradas, não importando a extensão dos dados
(descontados os problemas de memória e capacidade de processamento e armazenamento,
naturalmente). Há, contudo, vários problemas que concorrem para a falta de aplicações do
computador na Análise de Discurso, todos relacionados com o simples fato de que o
computador não entende a linguagem humana, e, portanto, não consegue interpretá-la.
Deste modo, o analista continua sendo indispensável, mesmo na análise de cunho
ascendente. Enquanto os computadores não entenderem a linguagem e serem capazes de
interpretá-la, o analista de discurso que quiser se valer de computadores terá de fazê-lo
através de ferramentas, entre as quais, uma das mais comuns é a lista de palavras. A lista é
comum porque é tida como fonte rica de informação e catalogação ordenada de dados
provenientes de textos escritos e transcrições de fala (Barnbrook, 1996). Também é comum
porque é produzida facilmente pelo computador com um mínimo de programação; a
arquitetura do computador torna a identificação, contagem, e listagem de elementos
discretos, tais como palavras, uma tarefa trivial. Para o ser humano, ao contrário, a
produção de listas ordenadas é uma tarefa laboriosa. Estudos anteriores à era computacional
chegavam a empregar milhares de pessoas na produção de listas de palavras (Thorndike,
1921). Mesmo sendo trivial para o computador, a lista de palavras não é inútil para o
analista de discurso. Ela permite acesso organizado às escolhas lexicais presentes no corpus
de estudo e, desse modo, é de valia para a investigação de vários aspectos discursivos (vide
discussão abaixo).
3. Palavras-chave
Um tipo de lista de palavras que demonstra grande potencial para a Análise de Discurso é a
lista de palavras-chave. Palavras-chave são aquelas cujas freqüências são estatisticamente
diferentes no corpus de estudo em relação ao corpus de referência. As palavras-chave são
escolhidas dentre as formas constantes do vocabulário total do corpus de estudo, ou seja,
nenhuma palavra é chave se não tiver ocorrido no corpus de estudo (mas pode não ter
ocorrido no corpus de referência). Um termo mais preciso seria ‘formas chave’, pois dois
itens (‘tokens’) da mesma forma (‘type’) apresentam-se como a mesma palavra chave.
As palavras-chave constituem-se num meio computacional de identificação das escolhas
lexicais relevantes presentes no corpus de estudo, e como estas escolhas permitem a
caracterização do mesmo. O conceito de escolha é vital para a caracterização textual,
conforme afirma Halliday (Halliday, 1975, p.123):
‘What are the essential properties of text? It is meaning, and it is choice’
A lista de palavras-chave é, portanto, um registro ordenado e extensivo das escolhas
lexicais estatisticamente significativas presentes no corpus de estudo, que podem levar a
uma caracterização do texto por meio da identificação das escolhas lexicais presentes nele.
Contudo, conforme dito acima, o analista desempenha um papel indispensável na Análise
de Discurso de cunho ascendente, pois cabe a ele interpretar os resultados oferecidos pelo
computador. Neste sentido, abordagens ascendentes envolvem tanto aspectos quantitativos
quanto qualitativos de análise, visto que a análise ascendente não se encerra com o
levantamento das características lingüísticas iniciais pelo computador. No caso das
palavras-chave, compete ao analista interpretar a lista em busca de regularidades, o que
inclui, entre outras, as seguintes operações:
classificar as palavras em categorias de certa natureza (estruturais, funcionais, discursivas,
etc.)
estabelecer relações entre as categorias
identificar padrões de co-ocorrência e recorrência
interpretar tais padrões à luz de uma ou mais teorias
Não há um modelo pronto que leve em conta as operações elencadas acima. No presente, os
analistas de discurso que se empenhem numa análise ascendente terão de desenvolver suas
próprias categorias. O resultado dessa diversidade é que torna-se difícil a comparação de
resultados e mesmo a cooperação entre analistas diferentes (Biber, 1988; Stubbs, 1996).
4. Análise Multidimensional
A Análise Multidimensional foi criada por Douglas Biber com o objetivo de permitir a
descrição de uma grande quantidade de textos objetivamente por meio estatísticos.
Anteriormente à Análise Multimensional, a tendência era de que se estudasse a coocorrência de poucos traços e que se fizesse a interpretação de modo intuitivo. A variação
entre registros era investigada comumente por meio de poucos parâmetros, por exemplo,
‘formalidade’ ou ‘planejamento’, e por conseguinte a distinção que se fazia entre textos era
incompleta pois privilegiava apenas uma das muitas diferenças que podem existir entre os
textos. Essa ênfase no emprego de poucos parâmetros também tinha o efeito de polarizar a
descrição de cada parâmetro; assim, havia uma tendência para se descrever textos através
de dois opostos, por exemplo, formal x informal, ou planejado x espontâneo. Por último, a
descrição da co-ocorrência feita através de meios intuitivos podia ser falha já que o analista
não oferecia uma descrição objetiva dos traços que supostamente ocorriam.
A análise Multidimensional propõe alternativas para esse cenário. Em primeiro lugar, ela
reconhece que a análise deve utilizar-se de uma quantidade maior de parâmetros para
permitir uma comparação mais abrangente. Características como formalidade,
planejamento, oralidade, referencialidade, entre outras, devem ser possíveis de serem
incluídas. Além disso, o analista deve dispor de um arsenal que inclua o maior número
possível de características lingüísticas, já que o aumento da quantidade parâmetros implica
em número maior de traços lingüísticos necessários para cobrir a maior gama de
parâmetros.
Segundo, as categorias a serem empregadas não necessitam ser limitadas. As categorias
podem exibir uma gama maior de possibilidades de variação, por exemplo através de uma
escala que vá, no caso da ‘formalidade’, de ‘mais formal’ para ‘menos formal’. Por fim, a
descrição dos textos dentro destes aspectos mais abrangentes é feita de maneira objetiva por
meio de técnicas estatísticas multivariadas, o que evita erros na especificação dos traços coocorrentes.
A abordagem Multidimensional possui várias características que no seu conjunto
distinguem essa metodologia de outros sistemas analíticos de descrição. Primeiramente, ela
baseia-se em corpora, isto é, ela pretende descrever um grande número de textos autênticos.
Outra característica é que ela é essencialmente computacional, fazendo uso de ferramentas
automáticas e semi-automáticas para rotulação das características de interesse nos textos.
Além disso, ela se presta à descrição de conjuntos de textos ou registros, ao invés de textos
individuais. Ela também tem um caráter essencialmente comparativo, pois promove o
contraste entre os textos ou registros. Como diz seu rótulo, ela é multidimensional, ao
reconhecer que a variação entre textos e registros pode ser mais adequadamente descrita
por meio de múltiplos parâmetros. Uma outra marca característica é a utilização de um
aparato quantitativo de descrição, o qual permite a especificação da co-ocorrência dos
traços lingüísticos de modo objetivo. Porém, a abordagem não descarta a utilidade de
técnicas qualitativas de interpretação, pois as dimensões são rotuladas seguindo a
interpretação qualitativa dos fatores. Por fim, a abordagem Multidimensional combina
análises de nível macro com análises de nível micro, já que a micro-descrição dos traços de
cada texto permite a indução dos macro-agrupamentos textuais ou genéricos.
Outra característica importantíssima da abordagem Multidimensional que vale ressaltar é
seu caráter cumulativo. A descrição de um corpus de uma certa variedade
multidimensionalmente permite a comparação desta descrição com a descrição de outros
variedades posteriormente, por exemplo, o contraste entre textos de negócio e textos
jornalísticos. A comparação posterior é feita por meio do contraste das dimensões finais
obtidas em cada análise separadamente, não havendo necessidade de se promover uma
outra análise por completo para fins comparativos. Além da comparação de variedades
diferentes, as análises individuais também se prestam para a comparação da descrição de
corpora de línguas diferentes, por exemplo, a comparação das características
multidimensionais de textos de negócios escritos em português e inglês. Desse modo, é
possível empreender-se uma análise de larga escala de um corpus fazendo-se descrições
individuais ao longo do tempo, combinando-se posteriormente as análises para fins
comparativos. Por isso, a abordagem Multidimensional se adequa perfeitamente a projetos
de descrição de bancos de dados em crescimento, ou seja, aquelas bases de dados
lingüísticas que estão em processo de coleta.
Por fim, a abordagem Multidimensional é flexível, podendo acomodar diversos tipos de
traços lingüísticos. Tradicionalmente, tem-se utilizado características lexicais e gramaticais
(Biber 1988, 1995), entretanto é possível incluir características de cunho mais discursivo
(Pacheco 1997) e funcionais (Shimazumi, 1998). Além disso, as próprias dimensões não
são definitivas, podendo ser modificadas com a inclusão de novas características
lingüísticas.
4.1.
Descrição Multidimensional da língua inglesa
O trabalho pioneiro de Douglas Biber se baseou na descrição das dimensões subjacentes à
língua inglesa. Para tanto, inicialmente ele selecionou um corpus de textos que
representasse a variedade de registros encontrada no inglês. Os corpora escolhidos foram o
LOB, de textos escritos em inglês britânico, e o London-Lund, de transcrições de eventos
falados, também da variedade britânica. Foram retiradas porções destes corpora e
adicionados outros dois registros (variedades de cartas), e obteve-se um total de 481 textos,
somando 960 mil palavras.
A seguir, foi feito um levantamento das principais características que, segundo a literatura
existente na época, seriam relevantes para a descrição da língua inglesa. Elencou-se 67
características, todas de cunho lexical e estrutural (vide seção ‘críticas’ abaixo). Todos os
481 textos foram codificados levando-se em conta estas variáveis. A codificação foi feita
tanto manual quanto automaticamente. Para a análise manual foram desenvolvidos
programas de computador interativos para facilitar a codificação.
Em seguida, partiu-se para a Análise Fatorial, a qual identificou sete fatores como sendo a
melhor solução. Fez-se então o mapeamento de quais textos estavam presentes em cada
fator. Os fatores foram inspecionados um por um, e decidiu-se eliminar o sétimo fator
porque era composto de variáveis cujo peso era maior em outros fatores. Cada fator era
composto de variáveis que ocorriam positiva e negativamente. As primeiras são aquelas
que tendiam a co-ocorrer, enquanto as últimas são aquelas que tendiam a não ocorrer caso
as primeiras estivessem presentes. Por exemplo, as variáveis positivas de maior peso do
primeiro fator são: verbos ‘particulares’ (‘private verbs’, e.g. doubt, forget, guess),
apagamento de ‘that’, e contrações. E as principais negativas são: substantivos, palavras
longas, e proposições. Desse modo, nos textos em que ocorriam verbos ‘particulares’, e
apagamento de ‘that’, havia uma tendência de aparecimento também de contrações. Por
outro lado, nos textos em que havia verbos ‘particulares’, apagamento de ‘that’, e
contrações, havia uma tendência de escassez de substantivos, palavras longas, e
proposições.
A etapa seguinte consistiu da interpretação funcional do conjunto de características
lingüísticas de cada fator, levando ao estabelecimento das dimensões. Isto permitiu que se
fizesse a rotulação dos fatores de acordo com a função comunicativa que as características
lingüísticas pareciam exprimir. Os rótulos indicam uma polaridade entre dois traços
comunicativos complementares. Por exemplo, em relação ao fator 1, decidiu-se que as
características lingüísticas com peso positivo (vide tabela abaixo) tinham subjacente um
traço comunicativo que indicava ‘produção interativa’. Já o conjunto de características com
peso negativo revelavam um traço comunicativo comum que se poderia chamar de
‘produção informacional’. Por isso, o rótulo adotado para a dimensão 1 foi ‘produção com
interação ou produção informacional’. O mesmo procedimento foi levado a cabo em
relação aos outros fatores.
Mas embora as dimensões tenham rótulos que indiquem uma polaridade entre duas
características comunicativas básicas, as dimensões não são dicotômicas. Pelo contrário,
elas exprimem um contínuo. Em cada dimensão, os textos podem se situar ao longo de uma
escala que vai de ‘mais’ a ‘menos’ em relação a cada traço comunicativo. Assim, na
dimensão 1 podem haver textos que se situem em qualquer posição ao longo da escala entre
‘mais interativo’ e ‘mais informacional’ (ou ‘menos informacional’ e ‘menos interativo’).
Peso das variáveis que compõem o fator 1 – as de maior peso aparecem primeiro
Peso
Positivo
– Verbos pessoais
– Apagamento de ‘that’
– Contrações
– Verbos no tempo presente
– Pronomes pessoais da 2ª
pessoa
– ‘Do’ como verbo auxiliar
– Negação analítica
– Pronomes demonstrativos
– Enfatizadores em geral
Negativo
– Substantivos
– Tamanho das
palavras
– Preposições
– Razão forma /
palavra
– Adjetivos
atributivos
–
–
–
–
–
–
–
–
–
–
–
–
–
–
Pronomes de 1ª pessoa
Pronome ‘it’
‘Be’ como verbo principal
Subordinação causativa
Partículas discursivas
Pronomes indefinidos
‘Hedges’ em geral
Amplificadores
Pronomes relativos
Perguntas WH
Modais de possibilidade
Coordinação não-frasal
Orações WH
Preposições finais
O resultado da interpretação e nomeação dos fatores foi a identificação de seis dimensões.
As seis dimensões apontadas foram:
1.
2.
3.
4.
5.
6.
produção com interação vs. produção informacional;
preocupações narrativas vs. não-narrativas;
referências explícitas vs. referências dependente do contexto;
expressão explícita de persuasão vs. não-explícita;
informação abstrata vs. não-abstrata;
elaboração informacional ‘on-line’1.
Fez-se, então, a computação dos escores de cada texto em cada dimensão. Os escores
consistiam de somas relativas às quantidades das variáveis existentes em cada fator2. Desse
modo, cada texto possuía um valor que indicava sua participação em cada dimensão.
Depois fez-se o cálculo dos escores médios para cada registro em cada dimensão3. Os
escores médios de cada registro nas seis dimensões é apresentado no apêndice. Abaixo é
apresentado o elenco de registros ordenados de acordo com seus escores em cada
1
Termos traduzidos por Pacheco (1997:.66).
Para exemplificar o método de cálculo, tomemos o fator 2. Este fator inclui como variáveis de peso positivo
as seguintes características: verbos no tempo passado, verbos no aspecto perfeito, pronomes pessoais de
terceira pessoa, verbos ‘públicos’, orações reduzidas, e negações sintética. Supondo-se que um dos textos
tenha a seguinte contagem destas características: 113 verbos no tempo passado, 124 verbos no aspecto
perfeito, 30 pronomes pessoais de terceira pessoa, 14 verbos ‘públicos’, 5 orações reduzidas, e 3 negações
sintéticas, seu escore no fator 2 seria 289, isto é, a soma de 113 + 124 + 30 + 14 + 5 + 3. Na verdade, a
computação dos escores não foi feita por meio das contagens brutas, mas sim através de contagens
padronizadas com base na média e desvio padrão, a fim de se evitar que o tamanho diferente dos textos
influísse nos escores. Estes valores padronizados podem assumir valores negativos, pois indicam quão acima
ou abaixo da média cada valor está. Por isso, os escores dos textos podem ser negativos também.
3 Este cálculo é feito por uma média aritmética. Por exemplo, se houvesse três textos de um registro
específico na dimensão 2, e eles tivessem os escores 16, 12, e 11, somariam-se os três valores, o que
resultaria em 39, e dividiria-se este total por 3, o que daria 13. O valor 13 seria então o escore médio deste
registro na dimensão 2. É possível ter-se escores médios negativos. Isto acontece quando há uma maioria de
escores negativos de cada texto individual.
2
dimensão; os registros mais acima são os que obtiveram escore mais alto.
Finalmente, chegou-se à identificação de seis dimensões para a língua inglesa:
–
–
–
–
–
–
Dimensão 1 - produção com interação vs. produção informacional: os registros que
melhor representam o modo de produção com interação são as conversas, tanto ao
telefone quanto cara a cara; os registros que melhor representam a produção
informacional são documentos oficiais, reportagem jornalística, e prosa acadêmica.
Dimensão 2 - preocupações narrativas vs. não-narrativas: os registros que melhor
demonstram uma preocupação com a narração são os registros de ficção, enquanto que
os que melhor exprimem uma orientação não narrativa são os registros de rádio e TV,
passatempos, e documentos oficiais.
Dimensão 3 - referências explícitas vs. referências dependente do contexto: os registros
que apresentam referência explícita em maior grau são documentos oficiais, cartas
profissionais, resenhas jornalísticas, e prosa acadêmica. Já os registros de rádio e TV,
conversas telefônicas e cara a cara, e ficção romântica exprimem referência dependente
da situação.
Dimensão 4 - expressão explícita de persuasão vs. não-explícita: os registros de caráter
mais persuasivo são as cartas profissionais, os editorias, e a ficção romântica. Por outro
lado, os registros nos quais a persuasão é menos explícita são os de rádio e TV,
resenhas jornalísticas, e ficção de aventura.
Dimensão 5 - informação abstrata vs. não-abstrata: os registros que veiculam
informação mais abstrata são os acadêmicos, os documentos oficiais, e os religiosos. Já
as conversas telefônicas, face a face, e ficção romântica apresentam informação menos
abstrata.
Dimensão 6 - elaboração informacional ‘on-line’: os registros nos quais a elaboração da
informação é mais imediata são palestras preparadas, entrevistas, e palestras
espontâneas, enquanto que os registros nos quais a informação é elaborada de antemão
são os de ficção (mistério, aventura, científica, e geral.)
As dimensões mostram uma inter-relação entre registros escritos e falados. Alguns registros
escritos possuem características em comum com registros falados e vice-versa. Por
exemplo, de acordo com a dimensão 1, cartas pessoais, palestras espontâneas, e entrevistas
possuem como característica comum o fato de serem produzidas com interação entre
escritor ou falante de um lado e leitor ou ouvinte do outro.
Apesar disso, persiste uma diferenciação básica entre os registros falados e escritos na
metade das dimensões. Nas dimensões 1, 3 e 5, os registros escritos ocupam
majoritariamente um dos pólos e os registros falados o outro. O registro que predomina no
pólo onde se concentram os textos escritos é a escrita acadêmica. Já os registros que se
concentram no pólo falado destas dimensões são os conversacionais.
Em conclusão, a grande contribuição da Análise Multidimensional para a descrição textual
da língua inglesa é permitir uma visão mais abrangente da variação entre textos falados e
escritos. A classificação foi obtida com base na presença, ausência, e co-ocorrência de
traços lingüísticos, e não em categorizações a priori. Até então, as inter-relações entre
registros escritos e falados eram assumidas, mas não haviam sido descritas formalmente
com tanto rigor e abrangência. Os esquemas classificatórios existentes baseados em
categorias restritas como ‘fala’ e ‘escrita’ ou ‘oral’ e ‘letrado’ não comportam este cenário
amplo revelado pela Análise Multidimensional.
O mesmo arcabouço empregado para a descrição multidimensional do inglês foi aplicado a
uma série de outras línguas. Até o presente, foram descritas multidimensionalmente por
Biber e outros pesquisadores os seguintes idiomas: nukulaelae tuvalan, coreano, e somali.
Não existe ainda uma descrição abrangente da língua portuguesa. Pacheco de Oliveira
(1997), contudo, apresenta uma análise de um corpus de composições escritas em português
por alunos.
4.2.
Análise com Classificação Multidimensional
O tipo de Análise Multidimensional descrita acima refere-se à proposta original de Biber
(Biber, 1988), na qual os dados são submetidos a todas as etapas da análise com o objetivo
de se chegar às dimensões de variação existentes no corpus. Um outro tipo de análise é
possível, desta vez partindo-se das dimensões. Este tipo de análise, que é chamado aqui de
Análise com Classificação Multidimensional, tem-se as dimensões pré-existentes como
ponto-de-partida da análise. Assim, pode-se caracterizar um corpus por meio de referência
aos traços lingüísticos presentes na Análise Multidimensional. A Análise Multidimensional
neste caso funciona como um metro (‘yardstick’) para desenhar uma planta dos dados.
Alguns trabalhos já utilizaram-se deste procedimento. Tribble (1998) fez uma análise de
um sub-corpus de literatura de romance por meio de palavras-chave. Usando uma seleção
das dez primeiras palavras-chave, o autor fez uma classificação dessas palavras segundo as
dimensões que elas indicavam na classificação original de Biber (1988). As palavras-chave
obtidas por Tribble (1998) são:
N
WORD FREQ.
1
SHE
566
2
HER
559
3
I
656
4
HE
575
5
YOU
512
6
N'T
266
7
HAD
373
8
HIM
180
9
WAS
530
10
NIGEL
45
Segundo o autor, os pronomes de primeira e segunda pessoas (‘I’, ‘you’) remetem-se à
dimensão 1 de Biber ("Involved versus Informational Production"), indicando mais ênfase
nas relações interpessoais do que na apresentação de informação. Os pronomes de terceira
pessoa (‘she’, ‘her’, ‘he’, ‘him’), a negação sintética (“n’t”) e os verbos no passado (‘had’,
‘was’) associam-se à dimensão 2 ("Involved versus Informational Production"). Deste
modo, os dados analisados indicam uma relação com a dimensão 2, a qual não foi notada na
análise original de Biber. Tribble conclui que um traço predominante na literatura de
romance é a quantidade de diálogos, o que indica uma semelhança deste tipo de texto com a
linguagem oral.
A ênfase do trabalho de Tribble é na aplicabilidade da comparação com as dimensões de
Biber para fins pedagógicos, e não na descrição exaustiva de listas de palavras-chave.
Segundo ele:
‘A pedagogic procedure for writing instruction which focuses on these kinds of
linguistic features in the target texts can move from the identification of the
features, through to an account of the impact that they have on the reader, and
thence to practical exercises in text transformation and text editing (working with
the texts of other learners or their own texts). Such an approach can have a major
impact on apprentice writers' capacity to identify salient stylistic features of texts in
which they are interested and to address inadequacies in their own written
performance.’ii
Um outro trabalho que utilizou as dimensões de Biber para classificar dados foi Shimazumi
e Berber-Sardinha (1996). Os autores apresentam uma análise gramatical e lexical de um
corpus de escrita de pré-adolescentes britânicos, a qual inclui a identificação de palavraschave por comparação a um corpus de textos jornalísticos, representando a variedade
‘escrita adulta’. Os autores concluem que a dimensão mais representada nos dados é a
primeira ("Involved versus Informational Production"), mais especificamente na direção do
pólo ‘envolvido’. As características lingüísticas que se associaram a essa dimensão foram:
•
•
•
•
•
•
•
contrações ('don't', 'can't')
pronomes de primeira pessoa ('I' and 'I think')
pronomes de segunda pessoa ('you')
verbos no presente
‘be’ como verbo principal
subordinação causative ('because')
negação analítica ('not').
Outra dimensão representada nos dados foi a quarta ('Overt Expression of Persuasion'),
principalmente por causa de:
•
•
modal de necessidade ('should')
subordinação condicional ('if')
Os autores concluem que as composições dos alunos possuem orientação interpessoal e
afetiva (dimensão 1), além de teor argumentativo com vistas à persuasão do leitor
(dimensão 4).
4.3.
Resumo
Em resumo, foi sugerido que a orientação ascendente na análise de dados discursivos é
pouco utilizada, principalmente no estudo do gênero reunião de negócios, o qual, de outro
modo, é bem representado na literatura de análise de discurso, de gênero e da conversação.
Foi sugerido também que uma maneira de fazer análise ascendente é utilizando-se listas de
palavras-chave, o que, entretanto, esbarra no problema de classificação das palavras. Foi
proposto que uma classificação centrada nas dimensões de variação da Análise
Multidimensional (Biber, 1988) seria uma saída, pois as dimensões encerram uma
variedade ampla característica lingüísticas organizadas coerentemente segundo sua função
do ponto de vista textual e discursivo.
A seguir será apresentada a análise de uma reunião de negócios seguindo os princípios
descritos acima para combinação de análise por palavras-chave com a classificação
posterior das palavras segundo as dimensões apresentadas por Biber. Desta forma, o estudo
pretende oferecer um exemplo de condução de análise de discurso ascendente, por meio de
computador, com apoio interpretativo na Análise Multidimensional. A ênfase do trabalho é
portanto na apresentação e aplicação da metodologia e não na descrição detalhada do
evento. Para uma descrição mais detalhada, seria necessário um corpus maior, a fim de
garantir a representatividade dos dados.
5. Corpus
O corpus de estudo consiste de uma reunião de negócios, falada em português, gravada em
uma empresa brasileiraiii, com 5355 itens. Este total está abaixo do mínimo necessário
sugerido na literatura. Segundo Berber Sardinha (1999b), o valor mínimo para um corpus
especializado é de cerca de 91 mil palavras, abrangendo todas características
morfossintáticas. Em relação ao número de textos, o mínimo sugerido é 10 textos (Biber,
1993). O tamanho reduzido do corpus estudado aqui, tanto em quantidade de palavras
quanto de textos, implica na impossibilidade de generalização dos resultados para outras
reuniões.
Como corpus de referência, foi empregada uma coletânea de transcrições de conversas em
português (diálogos e entrevistas), provenientes dos projetos NURC-SP (63.044 itens),
PORCUFORT (Teresina, 489.515 itens), e VARSUL (Paraná, Santa Catarina e Rio Grande
do Sul, 2.478.518 itens), totalizando 3.031.074 itens. O tamanho do corpus de referência
excede o número mínimo igual a cinco vezes o tamanho do corpus de estudo, por isso pode
ser considerado adequado do ponto-de-vista da extensão (Berber Sardinha, 1999a). Quanto
à composição, o corpus de referência neutraliza o aspecto ‘oral’ do corpus de estudo, visto
que o mesmo é compartilhado pelos dois corpora (Berber Sardinha, 1999c), deixando mais
proeminentes aqueles traços indicativos da oralidade específica presente na reunião,
incluindo elementos topicais, organizacionais e estilísticos, e menos salientes os traços
relativos à oralidade em geral.
6. Procedimentos de análise
Primeiramente, foi feita a extração das palavras-chave do corpus de estudo, com o
programa KeyWords, do pacote WordSmith Tools, versão 3 (Scott, 1998). Os ajustes do
programa foram:
Ajuste
Valor
Procedimento Loglikelyhood
Max p. value
0.05
Max wanted
16000*
Min frequency 2
* máximo permitido
Foram retornadas 270 palavras-chave positivas. O ponto-de-corte geral sugerido para listas
de palavras-chave é de no mínimo 53% para probabilidade alta de inclusão de todas as
palavras-chave exclusivas do gênero (para max. p value=0.000000). Segundo esse valor, o
ponto-de-corte sugerido para a lista obtida neste estudo estaria na palavra de número 81,
numa lista classificada por chavicidade (‘keyness’). Optou-se, entretanto, por uma banda
maior, de tal modo que fossem abrangidas também palavras de max. p value=0.00001.
Chegou-se assim ao ponto-de-corte em 65% da lista, resultando em 100 palavras-chave (as
100 primeiras, por ordem decrescente de chavicidade).
As 100 palavras-chave extraídas para o estudo foram então categorizadas segundo um guia
de classificação que consistia de um elenco das categorias usadas por Biber (1988),
traduzidas para o português. O guia encontra-se nos anexos. A seguir foi feita a contagem
das categorias para se saber quais dimensões estavam mais representadas, o que permitiu,
por fim, partir para a interpretação dos dados segundo as dimensões mais representativas.
Em termos comparativos com a Análise Multidimensional em si, a Análise com
Classificação Dimensional proposta aqui funciona na direção oposta. A Análise
Multidimensional parte das características lingüísticas para a identificação das dimensões,
enquanto a proposta deste trabalho parte das dimensões pré-existentes para as unidades
lingüísticas, para classificar as palavras-chave, partindo daí para a observação das
dimensões existentes no corpus. Graficamente, os dois procedimentos podem ser resumidos
assim:
Análise
Multidimensional
Categorias → Fatores → Dimensões
Completa (Biber)
Análise com
Classificação
Dimensões → Categorias → Palavras-chave → Dimensões
Dimensional (proposta
deste trabalho)
Além disso, a presente proposta restringe-se a itens lexicais, mais especificamente à palavra
ortográfica, sem lematização. A Análise Multidimensional, por sua vez, usa estruturas
gramaticais e sintáticas, além de contagens de classes morfo-sintáticas.
7. Resultados
A relação das palavras-chave juntamente com a categorização feita segundo o guia de
classificação aparece na tabela abaixo. A lista está ordenada alfabeticamente para facilitar a
consulta. A coluna N indica a ordem original de chavicidade (1=mais chave, 100=menos
chave). As freqüências brutas em cada corpus aparecem nas colunas ‘Reunião’ e
‘Conversa’, enquanto as freqüências relativas ao total de palavras de cada corpus aparecem
nas colunas encabeçadas por %. Por fim, a coluna ‘Categorias’ indica a classificação da
palavra segundo o guia. As palavras classificadas como ‘?’ são aquelas que poderiam fazer
parte de mais de uma categoria no guia. Além das categorias presentes no guia, foram
empregadas ainda ‘Sigla’ e ‘Código’. A primeira indica uma abreviatura, e o segundo um
item usado na transcrição dos dados, mas não necessariamente utilizado pelos falantes
durante a reunião.
N
Palavra
58 A
Reunião %
201 3,75
Conversa %
Categorias
77.882 2,57 Referência explícita
35 ABORDAGEM
5 0,09
10
99 ABRANGENTE
2 0,04
2
75 AFETA
3 0,06
13
Verbo presente
41 ALCOOLISMO
4 0,07
4
Nominalização
15 AMBIENTAL
8 0,15
4
Adjetivo
5 AMBIENTE
30 0,56
99
18 ÁREA
30 ARTICULAÇÃO
11 BE
17 0,32
Nominalização
Adjetivo
Substantivo
489 0,02 Substantivo
4 0,07
1
Nominalização
?
12 0,22
17
86 CAPACITAÇÃO
2 0,04
1
50 CENTRAL
7 0,13
120
88 COLETIVOS
2 0,04
1
?
98 COLOCÁ
2 0,04
2
Infinitivo
72 COMPLEXA
3 0,06
10
Adjetivo
94 COMPLEXO
3 0,06
20
Adjetivo
38 CONCEITO
6 0,11
33
Substantivo
85 CONQUISTAS
2 0,04
1
Substantivo
96 CONTRATAR
3 0,06
21
37 COORDENADORIA
4 0,07
2
Substantivo
0
Sigla
68 COSIPA
13 DA
2 0,04
110 2,05
Nominalização
Adjetivo
Infinitivo
19.638 0,65 Preposição
82 DEMONSTROU
2 0,04
1
Verbo passado
84 DESCENTRALIZAÇÃO
2 0,04
1
Nominalização
24 DESENVOLVIMENTO
10 0,19
144
Nominalização
44 DESQUALIFICAÇÃO
3 0,06
0
76 DIREITOS
4 0,07
49
Substantivo
26 DIRETAMENTE
8 0,15
78
Amplificador
32 DISCUSSÃO
6 0,11
26
Nominalização
17 DISCUTIR
10 0,19
52
Infinitivo
45 DISCUTIU
3 0,06
0
21 DO
90 DOS
49 É
97 1,81
21 0,39
207 3,87
Nominalização
Verbo passado
22.261 0,73 Preposição
3.594 0,12 Preposição
75.609 2,49 Verbo ser presente
34 ECONOMIA
9 0,17
154
Substantivo
16 EIXO
9 0,17
25
Substantivo
25 ELÔ
4 0,07
0
89 EMPRESA
8 0,15
491 0,02 Substantivo
95 ENCONTRO
5 0,09
144
56 ENFOQUE
3 0,06
4
55 ESSA
30 0,56
4 0,07
11
97 EXPLORADA
2 0,04
2
64 IMCOMPREENSÍVEL
65 1,21
2 0,04
Substantivo
Nominalização
5.236 0,17 Demonstrativo
51 ETAPA
79 GENTE
Código
Substantivo
Particípio
19.330 0,64 Pronome 1 pessoa
0
Código
48 INDÚSTRIA
10 0,19
40 INDUSTRIAL
7 0,13
84
Adjetivo
81 INSTITUIÇÃO
3 0,06
15
Substantivo
46 INVESTIGAR
4 0,07
7
52 ISSO
52 0,97
368 0,01 Substantivo
Infinitivo
11.718 0,39 Demonstrativo
73 JORNADA
3 0,06
11
Substantivo
42 LEGISLAÇÃO
4 0,07
4
Substantivo
20 LITROQUÍMICA
5 0,09
0
Nome
30 0,56
14
Código
2 0,04
0
Código
3 LU
69 MAURICIO
78 MEIO
16
0,3
2.092 0,07 Substantivo
93 MESMO
30 0,56
6.492 0,21 Enfatizador
65 MONTORO
59 NÓS
2 0,04
33 0,62
0
Código
6.583 0,22 Pronome 1 pessoa
57 OBJETIVO
5 0,09
71
Substantivo
77 OBJETIVOS
3 0,06
14
Substantivo
83 OUVÍAMOS
2 0,04
1
Verbo Imperfeito
63 PAULINIA
2 0,04
0
Substantivo
62 POGRAFIA
2 0,04
0
?
20 0,37
60
8 PRÁ
Contração
19 PROBLEMA
26 0,49
12 PROPOSTA
14 0,26
51
87 PROPOSTO
2 0,04
1
36 QUALIDADE
8 0,15
104
27 QUALIFICAÇÃO
5 0,09
6
80 QUERENDO
6 0,11
211
4 QUESTÃO
47 0,88
29 QUESTÕES
6 0,11
24
31 REGINALDO
4 0,07
1
Código
47 RITA
5 0,09
27
Código
1 RO
85 1,59
28
Código
6 0,11
93
Código
54 ROBERTO
7 SAÚDE
32
0,6
1.631 0,05 Substantivo
Substantivo
Particípio
Substantivo
Nominalização
Gerúndio
470 0,02 Substantivo
Substantivo
443 0,01 Substantivo
39 SECRETARIA
8 0,15
119
Substantivo
9 SEMINÁRIO
17 0,32
74
Substantivo
74 SERIA
11 0,21
70 SETOR
6 0,11
160
Substantivo
92 SOCIAL
6 0,11
235
Adjetivo
66 SONIA
2 0,04
0
91 SUGESTÃO
3 0,06
18
22 TÁ
34 0,63
923 0,03 Verbo Ser Futuro Imperfeito
Código
Substantivo
3.552 0,12 Contração
28 TEMA
9 0,17
144
Substantivo
23 TEMAS
7 0,13
29
Substantivo
53 TENDÊNCIA
6 0,11
91
Substantivo
23 0,43
86
Substantivo
57
Substantivo
6 TRABALHADOR
14 TRABALHADORES
13 0,24
10 TRABALHO
41 0,77
43 UNICAMP
71 VAI
3 0,06
2.051 0,07 Substantivo
0
Sigla
41 0,77
9.482 0,31 Verbo presente
60 VAMO
8 0,15
351 0,01 Verbo presente
61 VERSÃO
3 0,06
7
Substantivo
100 VINCULADA
2 0,04
2
Particípio
67 WORD
2 0,04
0
Código
33 ZE
5 0,09
9
Código
2 ZÉ
82 1,53
43
Código
A freqüência das 18 categorias presentes, por dimensão, aparece na tabela abaixo. A coluna
‘Freq’ mostra o total de palavras diferentes, e não o total das freqüências somadas para cada
categoria. Assim, por exemplo, o total de 37 informa que há 37 substantivos diferentes.
Dimensão Pólo
Produção
1
informacional
Produção
1
informacional
Produção
1
informacional
Produção
1
informacional
Produção
1
informacional
1
Envolvimento
Categoria
Freq. Função
Substantivo
37 Conteúdo informacional
Adjetivo
6
Preposição
3 Expansão ideacional
Sigla
2 Conteúdo informacional
Nome
1 Conteúdo informacional
Verbo presente
3 Relevância imediata
Elaboração / Expansão
informacional
1
Envolvimento
Pronome 1 pessoa
2 Envolvimento pessoal
1
Envolvimento
Amplificador
1 Ênfase
1
Envolvimento
Contração
2 Produção online
1
Envolvimento
Enfatizador
1 Ênfase
1
Envolvimento
Verbo ser presente
1 Expansão ideacional
2
Discurso narrado
Verbo passado
2 Ação narrativa
2
Discurso narrado
Gerúndio
1 Foco na ação (minha interpretação)
2
Discurso narrado
1 Ação narrativa / descritiva
3
Referência elaborada
11 Conteúdo informacional
4
Argumentação
Verbo Imperfeito
Nominalização e referência
explícita
Infinitivo
5
Estilo abstrato
Particípio
3 Integração da elaboração estrutural
6
Produção online
Demonstrativo
2 Referência imediata / coesiva
4 Expansão ideacional
8. Interpretação
A dimensão mais representada pelas palavras-chave é a primeira, ‘produção com interação
vs. produção informacional’, com 11 categorias (61%). A reunião apresenta traços variados
de ambos os pólos desta dimensão, ‘produção informacional’ e ‘envolvimento’. Isto sugere
a conclusão de que a reunião esteja numa posição intermediária na dimensão, não sendo,
portanto, estritamente informacional nem interacional. Esta caracterização faz sentido, pois
no pólo informacional encontram-se gêneros como documentos oficiais, reportagem
jornalística, e prosa acadêmica, enquanto no interacional aparecem as conversas presenciais
e por telefone. A reunião de fato apresenta aspectos de vários destes gêneros: a reunião é
uma interação face-a-face, mas seus participantes têm como objetivo lidar com
informações. Daí a grande concentração de substantivos, que indicam o nível alto de
conteúdo informacional, bem como os adjetivos e proposições, que expandem o grupo
nominal e tornam mais específica e densa a informação. Por outro lado, aparecem com
proeminência os pronomes de primeira pessoa, as marcas de ênfase, as contrações e o verbo
no tempo presente, indicando a ação imediata.
O trecho a seguir ilustra os pontos acima.
Ro: Então a proposta é que vamos discutir mesmo isto né, investigar como é que o
modo de produção e a qualidade do trabalho afeta diretamente a própria saúde do
trabalhador. Isto seria um objetivo 1 né, o segundo objetivo seria é investigar como
é que é como é que se dá a qualificação dos profissionais estão é atuando é, é, com
os diversos tipos de produção e, como é que tá a consciência dele em relação ah, ah,
como é que isso afeta diretamente a ele como é que tá a participação dele na gestão
dessas questão do meio ambiente né.
No exemplo, nota-se grande quantidade de substantivos (proposta, produção, ambiente, etc)
e de proposições ‘de’ (modo de produção, qualidade do trabalho, qualificação dos
profissionais), indicando ‘produção informacional’. Há ainda emprego de um amplificador
(diretamente), contrações (né, tá) e verbos no tempo presente (afeta, dá, é), que são marcas
indicativas de interação.
O grande número de substantivos poderia significar um peso maior para o pólo
informacional. Entretanto, é preciso lembrar que os substantivos são uma classe gramatical
numerosa, daí a probabilidade grande de figurarem na lista de palavras-chave. Segundo
Hudson, 1994, 37% das palavras são substantivos. Além disso, o procedimento de palavraschave por si só tende a tornar mais elegíveis os substantivos, pela própria natureza do
procedimento. Ao comparar dois corpora, há uma probabilidade grande de haver diferenças
de freqüência entre os substantivos de um corpus e de outro. Assim, muitos substantivos
tornam-se chave, provavelmente em proporção maior do que originalmente no corpus de
estudo.
A dimensão 2, ‘preocupações narrativas vs. não-narrativas’, é a segunda mais freqüente,
com quatro categorias (36%). Ao contrário da dimensão anterior, todas as categorias
situam-se no mesmo pólo desta dimensão, nomeadamente ‘discurso narrado’. Este aspecto
retrata um traço importante da composição lingüística da reunião, visto que os participantes
de fato narram eventos relacionados à empresa. A concordância abaixo mostra todas as
ocorrências das palavras-chave desta dimensão.
As demais dimensões são minoritárias e por isso não fornecem dados seguros para a
caracterização da reunião. De qualquer modo, vale interpretar a dimensão 3, ‘referências
explícitas vs. referências dependente do contexto’, visto que há muitas ocorrências do
artigo definido ‘a’, um traço indicativo desta dimensão. Em conjunto com o artigo, esta
dimensão é representada por meio da categoria de nominalização (e por extensão pela de
referência explícita, referente ao artigo ‘a’). O pólo em que se concentram as palavraschave é o ‘referência elaborada’. Este pólo indica uma preferência pelo uso de referências
que não são dependentes do contexto temporal imediato da reunião. As ocorrências das
nominalizações aparecem na concordância abaixo. Embora constem exemplos de referência
genérica (com o artigo ‘um/uma’), a grande maioria das nominalizações faz uso de
referência explícita, tais como ‘a qualificação’, ‘a discussão’, ‘a descentralização’, todas
entidades nomeadas.
Uma questão que se apresenta é se as dimensões são válidas para a caracterização da
reunião como um todo ou apenas parte dela. A resposta está no exame da distribuição das
palavras-chave de cada dimensão na reunião. Os gráficos abaixo foram produzidos com o
programa Concord (WordSmith Tools, Scott, 1998). Cada traço vertical representa a
ocorrência de pelo menos uma das palavras-chave da dimensão em questão.
Dimensão 1:
informatividade
Dimensão 1:
interatividade
Dimensão 2:
narratividade
Como se pode notar, as palavras-chave de cada dimensão estão distribuídas
consistentemente ao longo da reunião, não havendo lacunas significativas. Desta forma, não
há indícios de que certas partes da reunião sejam mais informativas enquanto outras mais
interativas, ou narrativas. Estas características estão integradas ao longo da reunião.
9. Discussão
As duas primeiras dimensões são as mais representativas para a caracterização da reunião.
Desse modo, os resultados indicam que a reunião pode ser caracterizada como sendo um
evento de cunho informacional e interativo, de essência narrativa. A reunião de negócios
investigada aqui poderia ser considerada, assim, distinta dos demais gêneros orais
investigados por Biber. Na dimensão 1, os gêneros orais concentram-se no pólo ‘interativo’
(‘involved’), enquanto os escritos aparecem consistentemente no pólo informacional. Na
dimensão 2, os gêneros orais aparecem distante de ambos os pólos, mas com maior
concentração do lado ‘não-narrativo’. Dessa forma, assumindo que a reunião de negócios,
numa análise multidimensional completa, ocuparia a posição intermediária entre os pólos
informacional e interativo, na dimensão 1, e uma posição polarizada em ‘narratividade’ na
dimensão 2, a reunião em questão quebraria o padrão encontrado por Biber.
Até que ponto a reunião de negócios descrita aqui pode ser considerada típica deste gênero
é uma questão em aberto. Se houvessem mais exemplares do gênero no corpus, a análise
seria mais robusta e portanto poderia-se fazer uma generalização mais segura para o gênero
como um todo. De qualquer modo, caso os resultados se mantivessem numa análise
multidimensional completa com um corpus mais amplo, isto significaria que a reunião de
negócios é um evento muito distinto da conversação, das palestras e dos programas de rádio
e TV (noticiários, entrevistas, etc.). A reunião é um evento interessante na medida em que
combina elementos da oralidade, da escrita e de estórias.
A Análise com Classificação Dimensional apresentada aqui permitiu localizar as dimensões
que mais se destacavam na reunião. A metodologia deu mostras de ser informativa, na
medida em que permitiu identificar os traços lingüísticos mais salientes, bem como
categorizar esses mesmos traços de modo consistente. Desta forma, o procedimento geral
de classificação de listas de palavras-chave segundo as categorias empregadas por Biber
(1988, 1995) na Análise Multidimensional completa parece satisfatória.
Há algumas limitações. Em primeiro lugar, obviamente, a Análise com Classificação
Dimensional não substitui uma análise multidimensional completa, a qual permite ao
analista extrair as verdadeiras dimensões existentes nos dados. O que se fez aqui foi utilizar
as dimensões previamente identificadas para classificação de palavras. Em segundo lugar,
as dimensões utilizadas haviam sido retiradas de um corpus variado. Provavelmente, a
análise multidimensional de um corpus somente de reuniões resultaria em dimensões
diferentes daquelas propostas para a língua em geral. Em terceiro lugar, a Análise com
Classificação Dimensional não é puramente ascendente. A fase de extração de palavraschave é um tipo de análise de discurso ascendente, entretanto a classificação das palavraschave segundo as categorias dimensionais é descendente. A presença de um sistema
classificatório posterior, como o empregado aqui, não invalida o procedimento, pois as
características identificadas inicialmente foram de fato fruto de uma análise ascendente,
muito embora as categorias de classificação fossem pré-existentes. Por fim, as dimensões
usadas para a análise da reunião foram extraídas do inglês, o que levanta a possibilidade de
as dimensões do português serem diferentes. Não há uma análise multidimensional
equivalente do português que pudesse ter servido de guia. Contudo, uma Análise
Multidimensional de um corpus variado de espanhol indica que os as dimensões desta
língua não diferem muito daquelas do inglês (Saiz, 1999). Assim, a julgar pelos resultados
do espanhol, possivelmente as dimensões de um corpus geral de português também não
estariam muito distantes daquelas do inglês, o que não afetaria muito a classificação
efetuada aqui.
10.Referências
ATKINSON, M. A. ET AL. (1978). The recommencement of a meeting as a member's
accomplishment. IN: J. SCHENKEIN (org.). Studies in the Organization of Conversational
Interaction. New York: Academic Press.
BARBARA, L. (2000). Reuniões de negócios entre Brasileiros e Portugueses: análise
preliminar. Trabalho apresentado no 10 InPLA. PUC/SP, São Paulo, 14 e 15 de abril de
2000.
BARGIELA CHIAPPINI, F. & S. J. HARRIS (Orgs.) (1997). Managing language - The discourse
of corporate meetings. Amsterdam/Philadelphia, PA: John Benjamins.
BARNBROOK, G. (1996). Language and Computers - A Practical Introduction to the Computer
Analysis of Language (Edinburgh Textbooks in Empirical Linguistics). Edinburgh:
Edinburgh University Press.
BERBER SARDINHA, A. P. (1991) A move analysis of an engineering project updating
meeting. The ESPecialist, 12: 1-18.
---. (1993). Mapa lexical de uma reunião de negócios em inglês. DIRECT Papers 3. CEPRIL,
PUC-SP, Brazil, and AELSU, Liverpool University, England.
BERBER SARDINHA, A. P. (1999a) A influência do tamanho do corpus de referência na
obtenção de palavras-chave. DIRECT Papers, 38.
---. (1999b). O que é um corpus representativo. Trabalho apresentado no IME, USP, maio de
1999.
---. (1999c) Usando WordSmith Tools na pesquisa linguistica. DIRECT Papers, 40.
BIBER, D. (1988). Variation across Speech and Writing. Cambridge: Cambridge University
Press.
---. (1993) Representativeness in corpus design. Literary and Linguistic Computing, 8: 243257.
--- (1995). Dimensions of Register Variation - A Cross-Linguistic Comparison. Cambridge:
Cambridge University Press.
BODEN, D. (1994). The business of talk - Organizations in action. Oxford: Polity Press.
COLLINS, H. & M. SCOTT. (1997). Lexical landscaping in business meetings. IN: F.
BARGIELA-CHIAPPINI & S. HARRIS (org.). The languages of business - An international
perspective. Edinburgh: Edinburgh University Press.
DREW, P. & J. HERITAGE (Orgs.) (1992). Talk at work: Interaction in institutional settings.
Cambridge: Cambridge University Press.
FANT, L. (1990) Conversational patters in Spanish and Swedish business negotiations.
International Business Communication, 2: 13-16.
GRAHAM, J. L. (1979) The influence of culture on the process of business negotiations: An
exploratory study. Journal of International Business Studies, 16: 81-96.
GRAHAM, J. L. & J. D. ANDREWS. (1987) A holistic analysis of Japanese and American
business negotiations. Journal of Business Communication, 24: 63-77.
GRAHAM, J. L. ET AL. (1992) An empirical comparison of Soviet and American business
negotiations. Journal of International Business Studies, 23: 387-418.
GRINDSTED, A. (1997). Joking as a strategy in Spanish and Danish negotiations. IN: F.
BARGIELA-CHIAPPINI & S. HARRIS (org.). The Languages of Business. Edinburgh:
Edinburgh University Press.
HALLIDAY, M. A. K. (1975). Learning How to Mean - Explorations in the Development of
Language. London: Edward Arnold.
HUDSON, R. (1994) About 37% of word-tokens are nouns. Language, 70: 331-339.
KIMURA, H. (Org.) (1998). International Comparative Studies of Negotiating Behavior.
Tokyo: International Research Center for Japanese Studies.
PACHECO DE OLIVEIRA, L. (1997). Variação intercultural na escrita: Contrastes
multidimensionais em inglês e português. Tese de Doctoral, PUC-SP, Sao Paulo.
SAÍZ, M. (1999). A cross-linguistic corpus-based analysis of linguistic variation. Tese de
Ph.D., Department of Language Engineering, UMIST, Manchester, UK.
SCHWARTZMAN, H. B. (1989). The meeting: Gatherings in organizations and communities.
New York/London: Plenum Press.
SCOTT, M. (1998). WordSmith Tools Version 3. Oxford: Oxford University Press.
SHIMAZUMI, M. & A. P. BERBER SARDINHA. (1996). Approaching the Assessment of
Performance Unit (APU) archive of schoolchildren's writing from the point of view of
corpus linguistics. Paper presented at the TALC96 Conference, Lancaster University,
UK, 11 August 1996.
SOUZA E SILVA, M. C. P. de. (1994). Une histoire sans fin: La reunion de travail. DIRECT
Papers 14. CEPRIL, PUC-SP, Brazil, and AELSU, Liverpool University, England.
STUBBS, M. (1996). Text and Corpus Analysis -- Computer-Assisted Studies of Language
and Culture. Oxford: Blackwell.
THORNDIKE, E. L. (1921). Teacher's Wordbook. New York: Columbia Teachers College.
TRIBBLE, C. (1998). Genres, keywords, teaching - towards a pedagogic account of the
language of Project Proposals. Paper presented at TALC98, Oxford, UK.
WILLIAMS, M. (1988) Language taught for meetings and language used in meetings: Is there
anything in common? Applied Linguistics, 9: 45-58.
YAMADA, H. (1992). American and Japanese business discourse: A comparison of
interactional styles (Advances in Discourse Processes: 45). Norwood,NJ: Ablex.
---. (1997). Organisation in American and Japanese meetings: Task versus relationship. IN: F.
BARGIELA-CHIAPPINI & S. HARRIS (org.). The Languages of Business. Edinburgh:
Edinburgh University Press.
11.Anexos
Guia de classificação: Elenco de características lingüísticas empregadas por Biber (1988)
para classificação das palavras-chave.
Observações:
• Tradução direta das características que se aplicam ao português. Por exemplo 'it
pronouns', 'that-deletion' e 'preposition stranding' não foram incluídas.
• Das 67 características lingüísticas, 7 foram eliminadas. O repertório abaixo
inclui, portanto, 60 traços lingüísticos
1. Tempo e aspecto verbal
1. Tempo passado
2. Aspecto perfeito
3. Tempo presente
2. Advérbios de lugar e tempo
1. Advérbios de lugar
2. Advérbios de tempo
3. Pronomes
1. Pronomes de 1ª pessoa
2. Pronomes de 2ª pessoa
3. Pronomes de 3ª pessoa
4. Pronomes demonstrativos como sujeito (isso é bom, esse fica ali, etc)
5. Pronomes indefinidos (alguém, ninguém, etc)
4. Perguntas
1. Total de orações interrogativas
5. Formas nominais
1. Nominalizações (...ção, ...mento, ...dade, etc)
2. Gerúndios com funções nominais
3. Total de substantivos
6. Passivas
1. Sem agente
2. Com agente
7. Formas 'stative'
1. 'Ser' como verbo principal
2. Haver como verbo principal
8. Subordinação
1. Complementação
1. Que + complementação de verbo (e.g. disse que iria)
2. Que + complementação de adjetivo (e.g. é importante que faça isso)
3. Relativas Qu (menos 'que': o que, onde, quando, por que,...: acredito
no que ele me disse)
4. Infinitivos
2. Particípios
1. Orações com particípio presente (achando que podia, ele...)
2. Orações com particípio passado (feito isso, ele...)
3. Orações com particípio passado e apagamento do pronome relativo
(e.g. a solução produzida pelo processo)
3. Relativas
1. Com 'que', na posição de sujeito (o cachorro que me mordeu foi
pego)
2. Com 'que', na posição de objeto (o cachorro que eu vi)
3. Com pronome Qu-, na posição de sujeito (? The man who likes
popcorn)
4. Com pronome Qu-, na posição de objeto (O lugar onde ele mora)
5. 'Pied-piping' (o modo pelo qual o assunto foi resolvido)
6. Relativas frasais (Ele gosta de manga frita, que é a coisa mais
horrível do mundo)
4. Orações adverbiais
1. de causa: porque
2. concessivas: embora
3. condicionais: se, a menos que
4. outros subordinadores adverbiais: já que, de modo que, contanto que
9. Sintagmas/Grupos ('phrases') preposicionais
1. Total de preposições
10. Adjetivos e advérbios
1. Adjetivos atributivos
2. Adjetivos predicativos
3. Total de advérbios
11. Especificidade lexical
1. Razão Forma/Item ('type-token')
2. Extensão média das palavras
12. Classes lexicais
1. Conjunções e locuções conjuntivas (conseqüentemente, por exemplo, etc)
2. Downtoners (quase, parcialmente, praticamente)
3. Neutralizadores* (hedges) (mais ou menos, quase, talvez, um tipo de, etc)
4. Amplificadores (absolutamente, completamente, totalmente, etc)
5. Enfatizadores (com certeza, muito, etc)
6. Partículas discursivas (bem, então, etc)
7. Demostrativos (este, esse, etc, excluindo-se os em posição de sujeito)
13. Modais
1. De possibilidade (ele pode passar no vestibular)
2. De necessidade (ele deve ir trabalhar)
3. De predição (ele deve assinar [assinará - ?] o contrato amanhã)
14. Classes verbais especializadas
1. Verbos públicos (admitir, concordar, argumentar, reclamar, declarar, negar,
explicar, insistir, mencionar, prometer, protestar, responder, relatar, dizer,
sugerir [='suasive'], escrever, jurar, xingar)
2. Verbos privados (** achar, acreditar, sentir, crer, entender, ver, garantir,
perguntar, pensar, etc)
3. Verbos 'suasive' (concordar, pedir, ordenar, mandar, insistir, instruir, propor,
recomendar, estipular, sugerir [=público])
4. Parecer
15. Formas reduzidas e preteridas
1. Contrações
16. Coordenação
1. Coordenação sintagmática ('phrasal') (casa e comida, etc)
2. Coordenação oracional (fiz isso e ela fez aquilo)
3. Negação sintética (nem isso nem aquilo; nenhum argumento vai me ajudar)
4. Negação analítica: não
* Pacheco de Oliveira, 1997, p.316
** Pacheco de Oliveira, 1997, p.318
i
Partes deste trabalho apareceram anteriormente em Berber Sardinha, A.P. (2000) Retrospectiva: Análise
Multidimensional. DELTA 21.
ii
Original em versão online, sem número de páginas
iii
Proveniente do corpus do projeto DIRECT