1 / 43

Corpus: definição e coleta

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)

Pat_Xavi
Télécharger la présentation

Corpus: definição e coleta

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Corpus: definição e coleta Tradução Técnica 2008 Stella E. O. Tagnin

  2. 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.

  3. 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

  4. Critérios de compilação • Origem: textos autênticos • Objetivo: pesquisa • População: seleção • Formato: eletrônico • Representatividade: de que, para quem? • Extensão: de acordo com objetivos

  5. 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

  6. 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 atualização

  7. Qual a grande vantagem dos corpora? Observação da linguagem em uso - natural - contrapõe-se à introspecção Chomskyana - gramatical -

  8. Halliday Desempenho Descrição lingüística Empirismo Observação Probabilidade Chomsky Competência Universais lingüísticos Racionalismo Intuição - introspecção Possibilidade Qual é a diferença?

  9. 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...”

  10. 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)

  11. Lembrando... Na tradução técnica o que se almeja é um texto natural fluente

  12. 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

  13. 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

  14. Concordância family thinks Vicki Rock's former job at the plant causedher son's cancer. but he denies that the plant causedleukemia in families that have brought suits against the company One of two things could have causedthis error: The Pobox.com user whose web site you Ok: BM causedTONS of problems over last few weeks…31: Holes that causedfuel leak on shuttle located in nozzle July 28: Columbia reduce deaths, injuries, property damage, economic losses and human sufferingcausedby natural disasters.

  15. ventos mais fortes do oeste e aumento de tempestades violentas, causoudanos sem precedentes nas propriedades situadas na costa de 1992 na região central dos Estados Unidos. Por isso, causougrande impacto a descoberta do oceanógrafo americano Dudley Chelton membro do conselho executivo deve fazer é "A nossa empresa causouuma primeira boa impressão em consumidores potenciais suficientes para garantir de 1995, quando já assumira a presidência do Banco Central, causourepercussão na imprensa o fato de ter passado o carnaval fato teve não teve a repercussão equivalente ao prejuízo que causoua centenas de empresas que hoje dependem prioritariamente da rede

  16. Áreas de Pesquisa • Lexicologia e lexicografia • Estudos lexicais • Compilação de dicionários • Estudos contrastivos • Tradução • Naturalidade da língua

  17. Áreas de Pesquisa • Tradução • Normalização/ Simplificação/ Explicitação • Estratégias de tradução • Normas de tradução • Ensino e treinamento • Fontes de referência

  18. Corpora OnlineInglês • BNC:http://sara.natcorp.ox.ac.uk/lookup.html • COBUILD:http://www.collins.co.uk/Corpus/CorpusSearch.aspx • WebCorp:http://www.webcorp.org.ul/webcorp.html

  19. Corpora Online Português • COMPARA: http://www.linguateca.pt/COMPARA • Lácio-Web: http://www.nilc.icmc.usp.br/lacioweb

  20. Dicionários baseados em corpora • Oxford English Dictionary (2nd ed.), 1989 • Longman Dictionary of Contemporary English (1980s) • Macmillan English Dictionary (2002)

  21. Os corpora quanto à língua • monolíngües • bilíngües • multilíngües

  22. 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

  23. Corpora multilíngüe • comparáveis: • originais em duas ou mais línguas • paralelos: • originais + tradução/traduções

  24. COMPARA Extratos de Ficção Português  Inglês Inglês Português Textos alinhados Originais Traduções Português 26 17 Inglês 15 27 Total 41 44 Palavras Originais Traduções O &T Português 395244 452763 848013 Inglês 456075 439083 895158 Ptg & Ing 851319 891846 1743171

  25. 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 anunflinching 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

  26. 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

  27. 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

  28. Projeto e Compilação de um Corpus 2. Projeto do corpus e. domínios a serem incluídos f. proporção dos textos g. quantidade de textos h. completos ou trechos i. extensão dos textos j. fonte dos textos k. tamanho do corpus

  29. Projeto e Compilação de um Corpus • Cabeçalho • quais informações são relevantes para o projeto? • que outras informações poderiam interessar a outros pesquisadores? - reusabilidade

  30. 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> 

  31. <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>

  32. <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>

  33. 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 de publicação)

  34. 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)

  35. 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)

  36. 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)

  37. Projeto e Compilação de um Corpus 5. Etiquetagem • morfossintática (POS-tagging) • sintática (parsing) • semântica • discursiva • terminológica

  38. <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 morfossintática

  39. 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 dishwith <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 withcold 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.

  40. Caponata (1 hour and 30 minutes) 1 onion 2 <term>celery stalks</term> 1 <term>red bell pepper </term> 4 fully ripe tomatoes, peeled and seeded 1 small deep green zucchini (courgette) 2 medium eggplants (aubergines) 2 tablespoons <term>pine nuts</term> 2 garlic cloves, <term>finely chopped</term> 1 <term>bay leaf</term> 1 teaspoon oregano ¼ cup <term>red wine vinegar</term> 1 tablespoon sugar 2 tablespoons capers 2 tablespoons <term>dark raisins</term> ½ cup slivered green olives 1 cup flat-leaf parsley leaves ½ cup basil leaves olive oil salt and black pepper <term>to taste</term> Etiquetagem semântica/terminológica

  41. 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 baunilha3 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>

  42. Etiquetadores do Lácio-Web • MXPOST (não está funcionando) • TreeTagger • Brill

  43. 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-Projects/Icle/icle.htm

More Related