Unha ferramenta informática para a análise dialectométrica da prosodia

Artículo recibido el día: 07/04/2015 Artículo aceptado definitivamente el día: 26/05/2015 Estudios de Fonética Experimental, ISSN 1575-5533, XXIV, 2015, pp. 289-303 UNHA FERRAMENTA INFORMÁTICA PARA A ANÁLISE DIALECTOMÉTRICA DA PROSODIA A COMPUTING TOOL FOR THE DIALECTOMETRIC ANALYSIS OF PROSODY A DELA M ARTÍNEZ C ALVO Universidade de Santiago de Compostela [email protected] E LISA F ERNÁNDEZ R EI Universidade de Santiago de Compostela elisa.fernan[email protected] Unha ferramenta informática para a análise dialectométrica… 291 EFE, ISSN 1575-5533, XXIV, 2015, pp. 289-303 RESUMEN Neste traballo preséntase unha ferramenta informática, desenvolvida co software estatístico R, que lle permite ao usuario realizar unha análise dialectométrica dos datos prosódicos do corpus fixo recollido no proxecto AMPER. Non se precisa coñecementos previos no uso do software R, polo que a ferramenta pode ser empregada por calquera usuario interesado neste tipo estudos. A análise dialectométrica realizada pola ferramenta inclúe o cálculo de correlacións entre curvas de F0 e a obtención das distancias prosódicas entre as distintas localizacións (falantes ou outra variable de interese) existentes no corpus. Unha vez construída a táboa de distancias prosódicas, o usuario pode aplicar mediante a ferramenta técnicas da estatística multivariante, como o escalado multidimensional (MDS) e a análise de conglomerados. Con esta última metodoloxía, o usuario pode detectar agrupamentos nas localizacións (falantes ou outra variable de interese) segundo a súa proximidade en termos de distancia prosódica. Palabras clave: análise de conglomerados, correlación, dialectometría, distancia prosódica, MDS, proxecto AMPER. ABSTRACT This paper presents a computing tool, developed with the statistical software R, which allows a user to perform a dialectometric analysis of the prosodic data in the fixed corpus collected in the AMPER project. Since no previous knowledge about using R is assumed, this tool can be used by any user interested in such studies. The dialectometric analysis that is performed includes calculation of correlations between F0 curves and of prosodic distances between different locations covered by the corpus (for speakers or any other variable). Once the table of prosodic distances has been generated, the user can then apply multivariate statistical techniques to it, such as multidimensional scaling (MDS) and cluster analysis. The latter allows the user to detect the existence of clusters of locations (by speaker or another variables) according to their closeness in terms of prosodic distance. Keywords: cluster analysis, correlation, dialectometry, prosodic distance, MDS, AMPER project. 292 Adela Martínez Calvo e Elisa Fernández Rei EFE, ISSN 1575-5533, XXIV, 2015, pp. 289-303 1. INTRODUCIÓN Nos últimos anos realizáronse diversas investigacións dirixidas a analizar e comparar os trazos prosódicos en distintas variedades lingüísticas. Un exemplo da importancia desta liña de traballo é o proxecto internacional AMPER que ten como obxectivo principal o estudo e a descrición da prosodia dentro do ámbito da Romania (AMPER s.d.). Como parte deste proxecto elaborouse un corpus fixo para cada unha das linguas románicas consideradas cunha metodoloxía común. Deste corpus, constituído por unha serie de estruturas sintácticas en que se controlan variables como o número de sílabas ou a posición acentual, extráense os valores de frecuencia fundamental (F0), duración e enerxía para permitir a comparación da entoación nas diferentes variedades lingüísticas. Neste traballo preséntase unha ferramenta informática para a análise dialectométrica deste tipo de datos prosódicos desenvolvida co software libre R (R Core Team, 2014). A ferramenta, actualmente na súa última fase de desenvolvemento, estará dispoñible na web do Instituto da Lingua Galega (http://ilg.usc.es/) a finais do ano 2015. Para a súa utilización a nivel usuario, non é necesario ter coñecementos previos no manexo do software R, xa que a ferramenta vai guiando ao usuario en cada paso da execución, e só se precisa instalar R no equipo (con certos paquetes adicionais) e cargar os arquivos *.R da ferramenta. A ferramenta informática permite: 1. Cargar os datos prosódicos do corpus fixo do proxecto AMPER e realizar unha análise descritiva das variables F0, duración e enerxía. 2. Obter e representar graficamente as correlacións (ponderadas pola enerxía) entre as curvas da F0 e as distancias prosódicas asociadas. 3. Calcular e representar graficamente o escalado multidimensional (MDS) derivado das distancias prosódicas. 4. Realizar unha análise de conglomerados baseada nas distancias prosódicas e representar nun dendrograma os agrupamentos detectados. A continuación descríbense con máis detalle cada unha das funcionalidades da ferramenta. Os exemplos de representacións gráficas das seccións seguintes corresponden á análise dialectométrica do corpus fixo recollido no proxecto AMPER-Galicia (AMPER-Galicia s.d.). Unha ferramenta informática para a análise dialectométrica… 293 EFE, ISSN 1575-5533, XXIV, 2015, pp. 289-303 2. CARGA DOS DATOS PROSÓDICOS O usuario pode cargar na ferramenta os datos prosódicos de forma rápida e sinxela a partir dos arquivos *.txt formatados segundo a estandarización do proxecto AMPER. Cada un destes arquivos contén a F0 (medida en Hz), a duración (medida en ms) e a enerxía (medida en dB) para cada vogal da estrutura sintáctica á que corresponden os datos prosódicos. Na figura 1 pode verse un exemplo de arquivo *.txt con este formato. Figura 1. Exemplo de arquivo *.txt formatado segundo a estandarización do proxecto AMPER (datos do AMPER-Galicia). Cómpre sinalar que, ademais de obter os datos prosódicos do contido dos arquivos, a ferramenta tamén é quen de extraer a información codificada no propio nome do arquivo, formado por nove caracteres onde: 1. Os caracteres 1 a 3 indican a localización do falante. 2. O carácter 4 é un número enteiro que indica o sexo do falante (par: home; impar: muller). 3. Os caracteres 5 a 7 indican a estrutura sintáctica e acentual da frase. 4. O carácter 8 indica a modalidade (a: afirmativa; i: interrogativa; n: negativa; m: negativa interrogativa). 5. O carácter 9 é un número enteiro que indica o número de repetición. 294 Adela Martínez Calvo e Elisa Fernández Rei EFE, ISSN 1575-5533, XXIV, 2015, pp. 289-303 Esta información adicional permite, por exemplo, que o usuario poida realizar a análise dos datos segundo a localización xeográfica dos informantes, o sexo do falante, a modalidade oracional, a estrutura acentual ou calquera outra variable de interese que poida ser identificada a partir da codificación dos nomes dos arquivos. Para poder traballar adecuadamente coas estruturas sintácticas presentes nos datos prosódicos a analizar, é preciso que a ferramenta teña acceso tamén a dous arquivos *.csv auxiliares relativos ás estruturas sintácticas e ás localizacións, respectivamente. O primeiro deles é un arquivo *.csv con tres columnas de datos que debe conter os códigos das estruturas sintácticas presentes nos datos (columna cod), a lingua á que corresponden os datos (columna ling) e o código ANEPVANE da estrutura sintáctica (columna anepvane). O código ANEPVANE dunha estrutura sintáctica constrúese indicando o número de sílabas que ten para cada elemento da estrutura básica das frases consideradas no corpus fixo do proxecto AMPER: (Determinante + Nome + Extensión) + (Partícula + Verbo) + (Determinante + Nome + Extensión). Por exemplo, no caso do galego, a estrutura sintáctica fwt (“o médico pequeno falaba co cabalo”) codifícase como A1N3E3 P0V3 A1N3E0. O segundo arquivo *.csv requirido debe conter, polo menos, dúas columnas de datos correspondentes ao código da localización (columna cod) e á lingua dos datos prosódicos rexistrados nese punto de enquisa (columna ling). Por outra banda, se o usuario posúe un mapa da zona na que se sitúan as localizacións dos datos prosódicos en formato multiarquivo shapefile, poderá cargalo a través da ferramenta e obter algunhas representacións xeográficas dos resultados obtidos durante a análise dialectométrica. O multiarquivo shapefile é un formato de arquivo desenvolvido pola compañía ESRI (ESRI, 1998) e de uso común para o almacenamento de datos espaciais e xeográficos. Este formato pode constar de varios arquivos informáticos, dos cales son imprescindibles tres con extensións *.shp, *.shx e *.dbf, respectivamente. Poden obterse mapas neste tipo de formato para uso non comercial en Internet. Por exemplo, a base de datos GADM (GADM, s.d.) recolle información de bases de datos espaciais de varios organismos gobernamentais e doutras organizacións, todos elas dispoñibles en Internet. Para as representacións xeográficas, ademais do mapa, é preciso que o arquivo auxiliar *.csv correspondente ás localizacións conteña dúas columnas de datos, a maiores das que se indicaron anteriormente, onde o usuario debe ter introducidas as coordenadas de lonxitude e latitude de cada localización (columnas lonx e lat) no mesmo sistema de referencia empregado no multiarquivo shapefile. Con esta información, a ferramenta é quen de obter os polígonos de Thiessen (tamén Unha ferramenta informática para a análise dialectométrica… 295 EFE, ISSN 1575-5533, XXIV, 2015, pp. 289-303 chamados diagramas de Voronoi ou teselación de Dirichlet). Estes polígonos veñen determinados polas interseccións das mediatrices dos segmentos que unen cada par de localizacións consideradas e constitúen un método de interpolación simple e empregado habitualmente na representación espacial de datos non cuantitativos. A combinación destes polígonos co mapa orixinal permite representar algúns dos resultados dialectométricos xerados mediante a coloración de cada polígono segundo a escala de cores de interese en cada momento. A figura 2 amosa un exemplo deste tipo de representacións gráficas. Figura 2. Exemplo de representación gráfica mediante a combinación dun mapa e os polígonos de Thiessen (puntos de enquisa do AMPERGalicia). Unha vez que todos os datos foron cargados na ferramenta, o usuario pode realizar unha análise descritiva das variables de interese e xerar un resumo estatístico para cada unha delas (mínimo, máximo, media…). Tamén ten a posibilidade de representar graficamente os datos, incluíndo nunha mesma figura, por exemplo, as distintas repeticións dunha estrutura para unha localización (falante ou outra variable de interese) concreta. Na figura 3 vemos todas as realizacións dos enunciados interrogativos seleccionados para a análise en Cariño (punto de enquisa oa1), tanto do informante masculino (oa14) como da informante feminina (oa11). Preséntanse as diferentes estruturas aliñadas pola posición do acento no núcleo do suxeito e na última palabra do complemento: núcleo do suxeito oxítono e última palabra do complemento paroxítona (ox-pa), núcleo do suxeito paroxítono e última palabra do complemento proparoxítono (pa-pr) etc. Así mesmo, resáltase co borde en negro a mediana de todas as realizacións para cada informante e cada estrutura. 296 Adela Martínez Calvo e Elisa Fernández Rei EFE, ISSN 1575-5533, XXIV, 2015, pp. 289-303 Figura 3. Curvas de F0 das distintas estruturas acentuais dos informantes (masculino e feminino) de Cariño, A Coruña (datos do AMPER-Galicia). 3. CORRELACIÓNS PONDERADAS E DISTANCIAS PROSÓDICAS Para cada par de curvas entoativas coa mesma estrutura e modalidade, a ferramenta informática calcula a medida de correlación entre curvas de F0 ponderada pola enerxía do sinal, definida por:  i w(i)(f 1 (i) – m 1 )(f 2 (i) – m 2 ) corr(f 1 , f 2 ) = ¥ i w(i)(f 1 (i) – m 1 ) 2  i w(i)(f 2 (i) – m 2 ) 2 onde f 1 e f 2 son as curvas de F0 para cada unha das frases, m 1 e m 2 os valores medios de F0 para f 1 e f 2 , e w a media dos valores de enerxía das dúas curvas (Hermes, 1998; d’Alessandro et al, 2011, Moutinho et al, 2011). Esta medida de correlación avalía de forma cuantitativa a similitude perceptiva entre dúas curvas de F0. Unha ferramenta informática para a análise dialectométrica… 297 EFE, ISSN 1575-5533, XXIV, 2015, pp. 289-303 Aplicando esta medida de correlación ponderada a pares de curvas orixinadas na mesma localización (falantes ou outra variable de interese) pode obterse unha medida da variabilidade asociada a cada localización (falantes ou outra variable de interese). Na figura 4 amósanse, en forma de boxplots, os resultados obtidos para esta medida de variabilidade intra-localización no caso das frases interrogativas. Neste caso, os rexistros asociados a Cangas (on1) semellan ser os que presentan unha maior variabilidade. Figura 4. Exemplo de representación gráfica da variabilidade intralocalización (datos do AMPER-Galicia). Por outra banda, a aplicación da medida de correlación a pares de curvas orixinadas en localizacións (falantes ou outra variable de interese) distintas permite definir unha distancia prosódica entre cada par de localizacións (falantes ou outra variable de interese). A ferramenta informática obtén a mediana das correlacións ponderadas entre cada par de curvas coa mesma estrutura e modalidade de dúas localizacións (falantes ou outra variable de interese) diferentes e permite ao usuario xerar a táboa de correlacións correspondente á proximidade prosódica entre as diferentes localizacións e representala graficamente. Na figura 5 vemos un exemplo das correlacións que presentan as interrogativas absolutas en todos os puntos de enquisa do AMPER-Galicia. Como se indica na lenda, a escala de cores indica a correlación (canto máis cálida sexa a cor, máis proximidade; canto máis fría, menor proximidade). Deste xeito, podemos comprobar que hai un importante grupo de puntos de enquisa, os que se corresponden co denominado galego común, 298 Adela Martínez Calvo e Elisa Fernández Rei EFE, ISSN 1575-5533, XXIV, 2015, pp. 289-303 que presentan entre eles unha alta correlación (desde oa1 ata ov1); un segundo grupo, os das Rías Baixas, que presenta unha correlación tamén bastante alta entre eles (om1, on1 e oo1), pero máis baixa con respecto ao galego común (especialmente Oia, oo1); e, finalmente, un punto de enquisa, Camelle (ok1), con menor correlación cos puntos de enquisa do galego común, pero tamén con baixa correlación coas variedades das Rías Baixas. Figura 5. Exemplo de representación gráfica da táboa de correlacións ponderadas (datos do AMPER-Galicia). A partir da táboa de correlacións ponderadas, a ferramenta permite construír a táboa de distancias prosódicas asociada empregando algunha das medidas dispoñibles: euclidiana, supremo, Manhattan, Canberra ou Minkowski. Entre elas, a máis empregada é a distancia euclidiana, que é a distancia cadrática usual entre dous vectores de datos numéricos. Nese caso, para cada par de localizacións (falantes ou outra variable de interese), a distancia prosódica entre elas calcúlase como: dist (x,y) =¥ ni=1 (x i – y i ) 2 , onde os vectores x = (x 1 ,...,x n ) e y = (y 1 ,...,y n ) conteñen, respectivamente, as correlacións ponderadas de dúas seleccionadas con todas as n existentes no conxunto de datos prosódicos. Unha vez xerada a táboa de distancias prosódicas,