Processamento linguístico de narrativas produzidas por crianças lusodescendentes e proposta de interface de pesquisa

1 abril de 2024 UMinho | 2024 João Vieira Antunes João Vieira Antunes Processamento linguístico de narrativas produzidas por crianças lusodescendentes e proposta de interface de pesquisa Processamento linguístico de narrativas produzidas por crianças lusodescendentes e proposta de interface de pesquisa Universidade do Minho Escola de Letras, Artes e Ciências Humanas 2 3 João Vieira Antunes Processamento linguístico de narrativas produzidas por crianças lusodescendentes e proposta de interface de pesquisa Dissertação de mestrado Mestrado em Estudos Luso-Alemães Mestrado de grau duplo, coordenado pela Universidade do Minho e pela Goethe Universität Frankfurt am Main Trabalho realizado sob a orientação da Professora Doutora Idalete Maria da Silva Dias da Professora Doutora Cristina Maria Moreira Flores e da Professora Doutora Esther Rinke-Scholl abril de 2024 Universidade do Minho Escola de Letras, Artes e Ciências Humanas i DIREITOS DE AUTOR E CONDIÇÕES DE UTILIZAÇÃO DO TRABALHO POR TERCEIROS Este é um trabalho académico que pode ser utilizado por terceiros desde que respeitadas as regras e boas práticas internacionalmente aceites, no que concerne aos direitos de autor e direitos conexos. Assim, o presente trabalho pode ser utilizado nos termos previstos na licença abaixo indicada. Caso o utilizador necessite de permissão para poder fazer um uso do trabalho em condições não previstas no licenciamento indicado, deverá contactar o autor, através do RepositóriUM da Universidade do Minho. Licença concedida aos utilizadores deste trabalho Atribuição CC BY https://creativecommons.org/licenses/by/4.0/ ii AGRADECIMENTOS A realização desta dissertação representa o culminar de vários meses de trabalho intenso, esforço e dedicação, que não seria possível sem a ajuda e contributo de várias pessoas. Nesse sentido, apraz-me começar por agradecer à minha família, pois sem eles eu não estaria onde estou hoje. Um agradecimento especial à minha mãe Elvira, pela mulher guerreira que é e por todos os ensinamentos que me transmitiu ao longo da vida, ao meu pai Hélder, pelo incentivo e por sempre acreditar nas minhas capacidades, aos meus irmãos Hélio e Paulo e ao meu sobrinho Simão, pelo apoio, leveza e descontração com que preenchem o meu dia a dia. Foram eles o meu porto de abrigo nas fases menos boas deste processo e os primeiros a dar-me ânimo e força para que continuasse esta caminhada. Obrigado por tudo! E porque a família vai mais além dos laços consanguíneos, aproveito para deixar, também, umas palavras de agradecimento à minha família de acolhimento (e do coração) argentina, que há 8 anos entrou na minha vida e desde então tem permanecido e manifestado todo o seu carinho e apoio ao longo deste percurso – Jadra, Cacho, Tami, Lea, Juanse e Cachi. Em segundo lugar, este trabalho não seria possível sem a orientação da Professora Doutora Idalete Dias, que rapidamente se prontificou a aceitar este desafio. A si, professora, o meu mais sincero agradecimento por ter sempre acreditado nas minhas capacidades, por todo o conhecimento transmitido e pelas orientações que foi dando, que em muito contribuíram para levar a bom porto este projeto. À Professora Doutora Cristina Flores por também ter acreditado na realização desta dissertação, pelas oportunidades que me brindou e que me possibilitaram a descoberta de novos horizontes e áreas de estudo, pelos conhecimentos transmitidos ao longo do mestrado, pelo apoio e incentivo e pela disponibilidade que sempre demonstrou, até mesmo fora de horas. À Professora Doutora Esther Rinke pela sua amabilidade, por ter sido um suporte fundamental durante o período de mobilidade em Frankfurt e por todos os conhecimentos transmitidos. A vós, caríssimas orientadoras, o meu mais sincero agradecimento. Quero, também, agradecer a todos os professores do mestrado em Estudos Luso-Alemães que tive o prazer de conhecer, tanto na UMinho como na Goethe Universität, e que contribuíram para a minha formação e gosto pelas relações interculturais e linguísticas luso-alemãs. Agradeço, ainda, a ambas instituições de ensino – UMinho e Goethe Universität – pelo acolhimento e por possibilitarem esta experiência tão enriquecedora. iii Um agradecimento aos meus colegas do mestrado pelo companheirismo e por todas as memórias e momentos vividos em Frankfurt e em Braga, em especial à Inês por todo o apoio e amizade. Agradeço à minha querida amiga de infância, Ana, por ter sido, ao longo destes anos, a luz nos meus dias cinzentos, pelas conversas, por ouvir os meus desabafos, pelos risos, pelo apoio e incentivo e pela sua visão pragmática da vida, que em muitos momentos me ajudaram a enfrentar os meus problemas com mais nitidez. À Rita, pelas conversas, pelas caminhadas, por me ouvir e pelas palavras de apoio e incentivo. À Joana e à Maria pelos longos anos de amizade, pela preocupação e pelas palavras de carinho que sempre se fizeram sentir, apesar da distância. Às amizades que Aveiro me deu e que hoje são parte essencial da minha vida – Leitão, Mel, Ana Costeira, Sara, Ana Nogueira, Diana e Francisco –, porque foi aí que tudo começou. A todos aqueles, que embora não estejam mencionados nesta folha de papel, mas que à sua maneira, sempre demonstraram carinho e preocupação e contribuíram para que, dia após dia, não me faltasse o ânimo para escrever esta dissertação. Por fim, e como escreveu outrora a ilustre artista Violeta Parra, ¡Gracias a la vida que me ha dado tanto! iv DECLARAÇÃO DE INTEGRIDADE Declaro ter atuado com integridade na elaboração do presente trabalho académico e confirmo que não recorri à prática de plágio nem a qualquer forma de utilização indevida ou falsificação de informações ou resultados em nenhuma das etapas conducente à sua elaboração. Mais declaro que conheço e que respeitei o Código de Conduta Ética da Universidade do Minho. v RESUMO Processamento linguístico de narrativas produzidas por crianças lusodescendentes e proposta de interface de pesquisa Este projeto conjugará duas importantes áreas de estudo da linguística e das humanidades digitais, nomeadamente o bilinguismo e a análise e tratamento de corpora. Para tal, foram transcritas e analisadas 40 narrativas retiradas de um projeto de investigação, coordenado pela Professora Doutora Cristina Flores, investigadora no Centro de Estudos Humanísticos da Universidade do Minho. O estudo centrou-se em crianças lusodescendentes, que vivem na Suíça (cantão alemão), tendo estas sido submetidas a dois instrumentos de recolha de dados em português europeu (PE) e em alemão padrão (AP). Numa das fases do projeto, os participantes ouviram uma história e tiveram de a recontar nas duas línguas, produzindo as narrativas que foram analisadas nesta dissertação. Com efeito, o presente projeto de dissertação tem como objetivo contribuir para a criação de um corpus eletrónico de narrativas produzidas em PE e AP por falantes de herança e o seu processamento. Através de técnicas de processamento de linguagem natural, o corpus foi lematizado e etiquetado ao nível morfossintático [ part-of-speech tagging ] com recurso ao Sketch Engine – uma ferramenta de análise e gestão dos corpora. Estas duas camadas de informação linguística permitiram identificar e analisar padrões linguísticos específicos dos informantes em questão e ainda de preservar as próprias narrativas e disponibilizar um recurso para a comunidade científica. Na segunda parte do projeto, é apresentada uma prova-conceito de um protótipo de interface de pesquisa, que tem como objetivo o armazenamento destes dados linguísticos na sua versão anotada e não anotada e a disponibilização deste recurso para toda a comunidade linguística, contribuindo, assim, para a sustentabilidade e preservação deste tipo de recursos. PALAVRAS-CHAVE: corpus de narrativas escritas, crianças bilingues, interface de pesquisa, português língua de herança, processamento de linguagem natural vi ABSTRACT Linguistic processing of narratives produced by children of Portuguese descent and proposal of a search interface This project will combine two important areas of study within linguistics and digital humanities, specifically heritage bilingualism and the analysis and electronic processing of corpora. To this end, 40 narratives from a research project coordinated by Professor Cristina Flores, a researcher at the Centre for Humanistic Studies at the University of Minho, were taken, transcribed, and analysed. This research focused on children of Portuguese descent living in Switzerland (German canton), who were given two data collection instruments in European Portuguese (EP) and Standard German (AP). In one of the stages of the project, the participants had to listen to a story and had to retell it in both languages, producing the narratives analysed in this dissertation. That said, this thesis aims to contribute to the creation and processing of an electronic corpus of narratives produced in EP and AP by heritage speakers. Through natural language processing techniques, the corpus was lemmatized and tagged at the morphosyntactic level [ POS-Tagging ] using Sketch Engine – a tool for analysing and managing corpora. These two layers of linguistic data allowed to identify and analyse the specific linguistic patterns of the informants in question, to preserve the narratives per se , and to make available the resource to the scientific community. The second part of this dissertation presents a proof of concept of a search interface prototype, which intends to store this linguistic data in its annotated and unannotated versions and make the resource available to the entire linguistic community, thus contributing to the sustainability and preservation of this type of resource. KEYWORDS: bilingual children, corpus of written narratives, natural language processing, search interface, Portuguese as heritage language xiii ÍNDICE DE ILUSTRAÇÕES ILUSTRAÇÃO 1: EXEMPLO DA SEQUÊNCIA DE IMAGENS UTILIZADA PARA A PRODUÇÃO DAS NARRATIVAS EM PE E AP. 34 ILUSTRAÇÃO 2: SEQUÊNCIA DE IMAGENS RETIRADAS DA HISTÓRIA “FROG, WHERE ARE YOU?” DE MARCER MAYER. . 36 ILUSTRAÇÃO 3: EXEMPLO DE UM CABEÇALHO TEI MINIMALISTA. EXEMPLO RETIRADO DO SÍTIO DA TEI. ................ 63 ILUSTRAÇÃO 4: PAINEL DAS FUNCIONALIDADES DISPONIBILIZADAS PELO SKETCH ENGINE. ................................. 87 ILUSTRAÇÃO 5: PÁGINA INICIAL DA BASE DE DADOS DO CROW. .................................................................. 132 ILUSTRAÇÃO 6: RESULTADOS OBTIDOS NA PESQUISA DO TOKEN “LANGUAGE” NO CORPUS CROW. ................... 133 ILUSTRAÇÃO 7: PÁGINA INICIAL DA INTERFACE COSMAS II. ....................................................................... 135 ILUSTRAÇÃO 8: SEPARADOR “ÜBERSICHT” (VISÃO GERAL) DA INTERFACE COSMAS II. ................................... 136 ILUSTRAÇÃO 9: APRESENTAÇÃO DA FUNCIONALIDADE DE PESQUISA POR PALAVRA (WORTFORMEN) NA INTERFACE COSMAS II. ............................................................................................................................... 137 ILUSTRAÇÃO 10: LISTA DE PALAVRAS OBTIDA ATRAVÉS DA PESQUISA DA PALAVRA “WILLKOMMEN” ONDE É POSSÍVEL OBSERVAR AS VÁRIAS FORMAS ORTOGRÁFICAS E SUA A FREQUÊNCIA. ...................................................... 137 ILUSTRAÇÃO 11: RESULTADO DA CO-OCORRÊNCIA OBTIDA ATRAVÉS DA PESQUISA DA PALAVRA “WILLKOMMEN” NA INTERFACE COSMAS LL. ............................................................................................................... 138 ILUSTRAÇÃO 12: RESULTADO DA PESQUISA DA PALAVRA “WILLKOMMEN” DE ACORDO COM O CONTEXTO, ATRAVÉS DA FUNCIONALIDADE KWIC. ............................................................................................................... 139 ILUSTRAÇÃO 13: PÁGINA INICIAL DA INTERFACE KONTEXT. ........................................................................ 140 ILUSTRAÇÃO 14: FILTROS PARA PERSONALIZAR A PESQUISA NA INTERFACE KONTEXT. .................................... 141 ILUSTRAÇÃO 15: FUNCIONALIDADES DE PESQUISA DISPONÍVEIS NA INTERFACE KONTEXT. ............................... 142 ILUSTRAÇÃO 16: APRESENTAÇÃO DA PÁGINA INICIAL DO PROTÓTIPO DE INTERFACE DE PESQUISA. ..................... 144 xiv LISTA DE SIGLAS E ABREVIATURAS 2L1 – Aquisição simultânea ANC – American National Corpus AP – Alemão padrão BFLA – Bilingual First Language Acquisition BNC – British National Corpus BoE – Bank of English BSLA – Bilingual Second Language Acquisition CAL2 – Corpus de Aquisição de L2 CHAT – Codes for the Human Analysis of Transcripts CHILDES – Child Language Data Exchange System CLAN – Computerized Language Analysis CLEG – Corpus of Learner German CLUL – Centro de Linguística da Universidade de Lisboa COBUILD – Collins Birmingham University International Language Database CRPC – Corpus de Referência do Português Contemporâneo IA – Inteligência Artificial ICLE – International Corpus of Learner English KWIC – Key Word In Context L1 – Língua materna/primeira língua L2 – Língua segunda L3 – Língua terceira LAD – Language Acquisition Device LC – Linguística de Corpus LE – Língua Estrangeira LH – Língua de Herança LLC – The London-Lund Corpus of Spoken English xv PC – Período Crítico PE – Português europeu PLH – Português Língua de Herança PLN – Processamento de Linguagem Natural QuesFEB – Questionário Sociolinguístico Parental para Famílias Emigrantes Bilingues SGML – Standard Generalized Markup Language STTS – Stuttgart-Tübingen-Tagset TEI – Text Encoding Initiative TTR – Type-Token Ratio XML – Extensible Markup Language 1 INTRODUÇÃO O bilinguismo representa uma das mais ricas heranças culturais que tem marcado presença acentuada nas sociedades contemporâneas, dado que a estimativa apontada por Crystal (2003) é de que metade da população mundial seja bilingue e que dois terços das crianças no mundo cresçam em ambientes bilingues (p. 17). Proveniente dos fluxos migratórios, o bilinguismo de herança designa a aquisição da língua de origem da família por parte do falante (Almeida & Flores, 2017). Este fenómeno em família com background migratório representa, por sua vez, uma forma de preservação da identidade cultural e das suas origens. No plano académico, a aquisição de línguas em contexto bilingue ganhou destaque e tem vindo a possibilitar a recolha de dados, ao longo dos anos, que têm servido de objeto de estudo a várias investigações no âmbito da linguística (Lynch, 2017, p. 46). Por conseguinte, o objeto de estudo desta dissertação apresenta semelhantes características, visto que se trata de um conjunto de narrativas produzidas por crianças lusodescendentes residentes em cantões alemães da Suíça. Assim, a interseção da linguística e das humanidades digitais torna possível explorar e integrar os domínios do bilinguismo de herança e da análise de corpus em dois mundos linguísticos distintos – o português europeu (PE) e o alemão padrão (AP). Com efeito, os avanços tecnológicos, aliados ao interesse crescente em utilizar recursos eletrónicos para complementar abordagens mais tradicionais da análise da língua e da literatura, permitiram que áreas de conhecimento da linguística, como a Linguística de Corpus (LC), se desenvolvesse e adquirisse relevância dentro da comunidade científica. Desta forma, e tirando proveito dos progressos no domínio do processamento de linguagem natural (PLN), que estabeleceu uma afincada relação entre as máquinas e a linguagem humana, a LC está intrinsecamente ligada ao uso do computador, uma vez que os dados recolhidos são, atualmente, manuseados no plano digital. Assim, esta área da linguística ocupa-se da recolha, compilação e análise de corpora eletrónicos, que surgiu da necessidade sentida por linguistas de se apoiarem em evidências reais do uso da língua, com o objetivo de explorar padrões recorrentes da linguagem e tecer teorias sobre o funcionamento linguístico. A presente dissertação de mestrado baseou-se na recolha e compilação de um corpus linguístico, constituído por 40 narrativas escritas, onde os informantes foram incumbidos de recontar uma história em PE e em AP, dando origem à criação de um corpus de aprendizagem bilingue. Depois 2 de recolhidas, as narrativas foram transcritas, transitando, assim, do formato físico (em papel) para o digital e posteriormente processadas, utilizando técnicas avançadas de PLN. Conservando a sua forma original, o corpus foi lematizado e etiquetado ao nível morfossintático, oferecendo um conjunto de dados linguísticos com várias camadas suscetíveis para análise. O seu processamento foi levado a cabo pela ferramenta Sketch Engine1 , que possibilitou a anotação dos textos, assegurando a preservação destes, enquanto constituem um recurso valioso para a comunidade científica. Na segunda parte desta dissertação, é apresentada uma prova-conceito de um protótipo de interface de pesquisa. Esta interface está idealmente concebida para armazenar os dados linguísticos nas suas versões anotada e não anotada compilados para esta dissertação, com o objetivo de democratizar o acesso a este recurso linguístico no panorama académico. Desta forma, procede-se a uma sucinta abordagem sobre conceitos, objetivos e funcionalidades que integram a interface de pesquisa, que, numa segunda instância, contribuirá para a sustentabilidade do corpus, assegurando a sua preservação e facilitando uma utilização mais ampla, sublinhando assim a profunda importância deste e outros recursos linguísticos. O trabalho encontra-se estruturado em 6 grandes capítulos, que, por sua vez, se subdividem em subcapítulos. No capítulo 1 é feita uma abordagem sobre o processo de aquisição da linguagem, onde são apresentados alguns períodos de investigação que contribuíram para o desenvolvimento das teorias mencionadas. Segue-se uma reflexão sobre a aquisição bilingue, que pretende explicar alguns conceitos subjacentes a essa área de investigação e fornecer um contexto detalhado sobre o perfil dos informantes que produziram as narrativas analisadas nesta dissertação. O segundo capítulo versa sobre o corpus como recurso para análise linguística, onde são exploradas características, a sua usabilidade como ferramentas de pesquisa, as várias tipologias, com um enfoque particular nos corpora de aprendizagem. É feita, ainda, uma exposição sobre a recolha das narrativas que permitiram a compilação do corpus em estudo. No capítulo 3 procede-se a uma análise sobre o tamanho do corpus e o processo de tokenização. O capítulo 4 aborda as várias etapas de anotação e processamento do corpus, onde são exploradas as características da metainformação, lematização e etiquetação morfossintática. 1 https://www.sketchengine.eu/ 3 No capítulo 5 são apresentados os resultados obtidos do processamento eletrónico do corpus em estudo com base na ferramenta Sketch Engine . São, também, discutidos os resultados segundo o cruzamento de variáveis do perfil sociolinguístico dos informantes. Por fim, no capítulo 6 procede-se à apresentação da prova-conceito do protótipo de interface de pesquisa. 4 CAPÍTULO I – ENQUADRAMENTO TEÓRICO 1.1. AQUISIÇÃO DA LINGUAGEM O campo da aquisição da linguagem infantil é um campo que, ao longo dos anos, foi passando por várias mudanças relativamente aos métodos e às abordagens teóricas utilizadas para estudar o processo de aquisição da linguagem (Ingram, 1989, p. 7). No seu livro First Language Acquisition: method, description and explanation , Ingram (1989) considera importante, primeiramente, que se se debruce sobre os períodos da história dos estudos da linguagem infantil, que considera serem três: (1) o período de estudos de diário (de 1876 a 1926), (2) o período de estudo de grandes amostras (de 1926 a 1957) e (3) o período de amostragem longitudinal de línguas (de 1957 até ao presente). Cada um destes períodos caracteriza-se pelo desenvolvimento e aprofundamento de vários métodos e teorias, que nesse então, procuravam estudar o processo de aquisição da linguagem em crianças. Nesta secção serão abordadas de forma sucinta as teorias e os autores mais importantes que contribuíram para o estudo da aquisição da linguagem infantil. 1.1.1. Baby biographies O primeiro período (de 1876 a 1926) é, como o próprio nome indica, caracterizado por estudos de diário, onde o observador (normalmente um dos cuidadores da criança) anotava num diário os comportamentos mais notórios da criança durante o seu crescimento, com foco no processo de aquisição da linguagem (Ingram, 1898, p. 7). Estes comportamentos podiam ser palavras, atitudes, primeiros passos, entre outras observações (Lorandi et al., 2011, p. 145). É de realçar, que durante este período, a criança ganha um foco particular, uma vez que se torna no objeto de estudo central para determinar a forma como se desenvolve (Ingram, 1989, p. 7). Esta metodologia bastante popular neste período viria a ficar conhecida como “baby biographies”, visto que fornecia uma base descritiva bastante rica para o campo da aquisição da linguagem infantil (Ingram, 1989, p. 8), assim como dados importantes sobre o desenvolvimento infantil analisado longitudinalmente, já que as crianças eram acompanhadas ao longo de vários anos (Ingram, 1989, p. 13). Não obstante, Ingram (1989) aponta que esta metodologia foi criticada por ser tendenciosa, pois sendo o progenitor o observador, embora conhecesse bem a criança, correr-seia o risco de que o próprio anotasse apenas os comportamentos que considerasse importantes 5 (p. 8). Ademais, muitos destes diários apresentavam alguns interregnos entre os registos, fazendo com que, muitas vezes, o estudo não fosse contínuo (Ingram, 1989, p. 8). Também o facto de que o número da amostra fosse consideravelmente reduzido durante este período e que estes estudos fossem, na sua maioria, meramente descritivos, carecendo de bases teóricas, impossibilitava a generalização de dados e conclusões sobre o processo de aquisição da linguagem em crianças (Ingram, 1989, p. 9). Ainda assim, os estudos de diários são considerados pelo autor uma base de dados importantíssima para o campo da aquisição da linguagem infantil pela vasta e rica literatura recolhida durante esse período. 1.1.2. Behaviorismo O segundo período (de 1926 a 1957) foi essencialmente influenciado por uma abordagem behaviorista (Ingram, 1989, p. 12). Do inglês “behaviourist”, o caráter desta teoria caracteriza-se por ser empirista, tendo como foco principal o estudo do comportamento [ behaviour ] (Ingram, 1989, p. 12). Em que é que este segundo período difere do primeiro acima descrito? A explicação é simples. Segundo Ingram (1989), o behaviourismo difere relativamente ao papel da criança na aprendizagem da língua e na medição do comportamento observável (p. 12). Isto é, segundo esta abordagem, a criança é passivamente controlada pelo seu ambiente, sendo os seus comportamentos influenciados pelo meio em que se insere e pela comunidade linguística envolvente, enquanto durante o primeiro período o papel ativo e espontâneo da criança era o foco principal. Um dos grandes estudiosos da teoria behaviourista foi B. F. Skinner, que influenciado pela filosofia da psicologia de John B. Watson, publicou, em 1957, o seu livro Verbal Behavior , onde viria a dar um grande contributo para esta abordagem. Skinner (1957) afirma sob esta perspetiva, que todo o comportamento – incluindo a linguagem – ocorre através de respostas dadas a uma série de estímulos (p. 31). Desde então e até aos anos 60, os estudos sobre a aquisição da linguagem eram fortemente determinados por uma abordagem behaviorista (Meisel, 2011, p. 3). Ao contrário do anterior, este foi um período em que os estudos realizados eram feitos de forma transversal, ou seja, estudos realizados a diferentes crianças de idades distintas (Ingram, 1989, p. 13). Também se diferenciou pela expressiva amostra analisada, já que o objetivo desta teoria não priorizava o acompanhamento da criança no seu processo de aquisição, mas sim a recolha do maior número de amostras e, consequentemente, traçar linhas concretas que 6 definissem um perfil padrão do comportamento das crianças durante o seu processo de aquisição da linguagem (Ingram, 1989, pp. 12-13). 1.1.3. Inatismo/nativismo Fortemente apontada pelos linguistas modernos como uma teoria “pouco sofisticada” (Ingram, 1989, p. 16), o behaviorismo foi perdendo força, cedendo espaço para novos investigadores que, insatisfeitos com esta abordagem, continuaram o seu trabalho na procura de explicações para o processo de aquisição da linguagem. A famosa revisão de Chomsky (1959) do livro de Skinner (1957), Verbal Behavior , representa uma reviravolta nas ciências linguísticas durante este terceiro e último período identificado por Ingram (1989). Nesta nova abordagem apresentada por Chomsky, a aquisição da linguagem começa a ser encarada como uma atividade mental que ocorre no sistema cognitivo do indivíduo (Meisel, 2011, p. 3), contrariamente ao que Skinner argumentava. De acordo com a tese defendida pelo autor, o ser humano nasce com uma faculdade inata que lhe permite adquirir e produzir linguagem desde que esteja exposto a um input linguístico2 (Chomsky, 1959, p. 42). Segundo a sua teoria inatista (Ingram, 1989, p. 25), o processo é biologicamente determinado: os circuitos neurais presentes no cérebro da espécie humana contêm informação linguística, sendo a predisposição natural da criança de aprender uma língua desencadeada pelo input linguístico a que é exposta desde a nascença (Chomsky, 1959, p. 42). Consequentemente, o cérebro da criança é capaz de interpretar o que ouve de acordo com as regras ou estruturas subjacentes que já contém (Chomsky, 1959, p. 42). Com isto, Chomsky (1959) não sugeriu que, por exemplo, uma criança nascida na China já nascesse a saber falar mandarim, mas sim que, uma vez que as línguas humanas partilham um certo conjunto de regras, é tarefa da criança estabelecer como a língua exprime essas regras subjacentes (p. 43). Com uma base teórica mais sólida, a Language Acquisition Device (LAD) proposta por Chomsky, como ficou conhecida na década de 60, conseguiu responder às inquietudes da comunidade linguística, tendo tido um enorme impacto na investigação da L1 e contribuindo para um número cada vez maior de publicações aplicando estas ideias ao estudo da aquisição da linguagem (Meisel, 2011, p. 3). 2 Entenda-se, neste contexto, por input linguístico a língua a que uma criança é exposta durante o período de aquisição (Hoff-Ginsberg & Shatz, 1982). O input pode incluir tanto linguagem falada como escrita, bem como gestos e linguagem corporal. Este termo é frequentemente utilizado em contraste com output , que corresponde à linguagem que o aprendente produz. 7 1.1.4. Construtivismo A investigação de Chomsky foi, de facto, uma alavanca que abriu horizontes nas áreas de estudo da linguística, psicolinguística e neurolinguística. Da teoria inatista, Ingram (1989) considera haver duas perspetivas que diferem ligeiramente uma da outra: a perspetiva maturacionista, visão que atribui a Chomsky e a perspetiva construtivista, visão viria a ser estudada e desenvolvida pelo psicólogo suíço Jean Piaget (p. 26). O trabalho desenvolvido por Piaget no âmbito da aquisição da linguagem destacou-se por várias razões, sendo as principais por consagrar um impressionante conjunto de factos sobre o desenvolvimento precoce da criança, por ir mais além da explicação dos factos e, mais importante, pelo seu próprio conteúdo (Ingram, 1989, p. 116). Piaget argumenta que o ser humano é capaz de criar conhecimento através da interação entre as suas experiências e ideias (Blumer, 1930, p. 151). Deste modo, durante o processo de aquisição da linguagem, a criança está no centro do processo de criação e aquisição do conhecimento. Na sua investigação, Piaget propõe quatro estágios de desenvolvimento da criança, sendo a aquisição da linguagem parte desse processo (Lorandi et al., 2011, p. 147). Acrescenta que, inerentes à aquisição da linguagem, estão os períodos sensório-motor (do nascimento ao segundo ano de vida) e o pré-operatório (dos dois aos sete anos de idade). A teoria de Piaget enfatiza, deste modo, a natureza inata dos três processos de assimilação, acomodação e de organização e como estes se baseiam em “reflexos inatos” para construir o conhecimento (Ingram, 1989, p. 117). Desta forma, para Piaget, o meio em que a criança vive contribui para que esta possa desenvolver e adquirir linguagem, assim como adquire qualquer conhecimento durante o seu processo de desenvolvimento. 1.1.5. Sociointeracionismo/Socioconstrutivismo Também relacionada com o meio, mas com particular foco na interação social, está a teoria desenvolvida pelo psicólogo russo Lev S. Vygotsky, que estabeleceu que o desenvolvimento de um individuo resulta de um processo sócio-histórico (Lorandi et al., 2011, p. 148). Na sua teoria sociointeracionista, Vygotsky defende que a aquisição de conhecimentos se dá pela interação do sujeito com o meio. Desta forma, a questão central para o processo de aquisição da linguagem prende-se na interação e relação estabelecida entre o falante e o interlocutor, do que propriamente no resultado dessa interação (Lorandi et al., 2011, p. 148). Na mesma linha de pensamento, Jerome S. Bruner, que inspirado pela teoria de Vygotsky, sublinha a importância do contributo 14 falantes se tenham tornado um grupo importante na linguística experimental, particularmente nas áreas de aquisição e na psicolinguística (Benmamoun et al., 2013, p. 131). Como mencionado acima, o falante de herança representa um grupo de falantes muito característico dentro do bilinguismo. Por conseguinte, a aquisição da LH é um tipo de aquisição bilingue precoce que tem lugar num ambiente sociolinguístico também muito específico (Montrul, 2015, p. 2). Este tipo de falantes bilingues são geralmente filhos de imigrantes que se estabeleceram num país diferente do seu país de origem, o qual é comummente designado neste tipo de estudos de país de acolhimento ou de emigração. O falante de herança, proveniente de famílias imigrantes que já nasceu no país de emigração ou que emigrou ainda na infância, é, então, emigrante de segunda ou terceira gerações (Almeida & Flores, 2017, p. 291). Este adquire, portanto, a sua LH em contexto familiar, uma vez que esta é a principal língua usada pela sua família – que representam a primeira geração de emigrantes. Conclui-se que o falante de herança é exposto à sua LH durante os primeiros anos de vida (até aos 3 anos de idade, senvivelmente), e só após a entrada no pré-escolar é que este começa a ter contacto com a língua do país de acolhimento, que se intensifica durante o seu crescimento (Almeida & Flores, 2017, p. 292). Por oposição, a LH é preferencialmente usada na comunicação diária com os pais, avós, tios ou outros imigrantes da mesma origem (Almeida & Flores, 2017, p. 292). Nesta dissertação, as narrativas utilizadas como objeto de estudo foram escritas por crianças lusodescendentes residentes na Suíça (cantão alemão), que adquiriram o PE e o AP como línguas maternas, em contexto migratório. Estas crianças correspondem ao perfil acima descrito, uma vez que são filhos de imigrantes portugueses, em que muitos nasceram na Suíça ou emigraram durante a infância. Assim sendo, o contacto com o PE deu-se nos primeiros anos de vida, tendo o AP sido introduzido mais tarde, aquando da entrada no infantário, em muitos dos casos. O contacto com a língua do país de acolhimento, a língua maioritária, é, mais tarde, intensificado na escola e também através das relações e interação social estabelecidas fora o seio familiar pelo falante de herança (Almeida & Flores, 2017, p. 292). Almeida e Flores (2017) realçam, ainda, que o falante de herança, exposto às duas línguas desde idade precoce, desenvolve conhecimento nativo de dois sistemas linguísticos (p. 292), que são independentes. Parte da investigação desenvolvida em torno da aquisição bilingue tem dado um grande destaque a este tipo de aquisição, em particular quando esta ocorre em contexto migratório (Flores & MeloPfeifer, 2014, p. 20). Flores & Melo-Pfeifer (2014) salientam que o background migratório tem 15 um papel fundamental por proporcionar o input a que a criança está exposta, permitindo que esta adquira as suas línguas a partir dessas evidências (p. 20). O facto é que se a aquisição da LH tiver apenas como suporte o meio familiar, esta pode desenvolver características muito próprias (Flores & Melo-Pfeifer, 2014, p. 21). Isto é, se determinadas estruturas linguísticas não existirem no input quotidiano a que a criança está exposta, por não serem tão usadas no registo oral, como é o caso, por exemplo, dos verbos no mais-que-perfeito do indicativo, a criança não irá adquirir este e outro tipo de estruturas linguísticas menos usadas na oralidade (Flores & Melo-Pfeifer, 2014, p. 20). O mesmo pode acontecer com a utilização de um vocabulário mais refinado ou mais específico, que caso a criança não esteja exposta a esse tipo de registo, o mais provável é que também não adquira esse tipo de conhecimento lexical. Quando assim sucede, é notório por parte dos falantes de herança que estão expostos apenas ao input doméstico, um maior à vontade com o registo coloquial e um menor domínio do registo formal. Por esse motivo, é aconselhável que os falantes de herança procurem infraestruturas fora do meio familiar, como aulas extracurriculares da língua de origem, que lhes permitam desenvolver um conhecimento linguístico mais rico e abrangente na sua LH (Flores, 2017, p. 281). As particularidades do conhecimento linguístico de falantes de herança na sua língua de origem, muitas vezes considerado desviante, também se pode atribuir ao facto de, após a entrada no préescolar, a língua do país de acolhimento assumir uma presença mais forte por ser a língua mais utilizada no quotidiano, pela sociedade e, em muitos casos, por ser a língua em que o falante de herança se sente mais confiante em usar (Flores & Melo-Pfeifer, 2014, p. 19). Por oposição, a língua minoritária resume-se a um meio social mais restrito, uma vez que tampouco aufere de qualquer estatuto político no país de acolhimento. Este fator acentua o facto da amplitude lexical e o domínio de algumas estruturas gramaticais possa ser mais limitado nos falantes de herança (Flores & Melo-Pfeifer, 2014, pp. 39-40). Para uma melhor análise do comportamento linguístico deste tipo de falantes, ter-se-á como objeto de estudo um corpus constituído por narrativas escritas por crianças lusodescendentes. No segundo capítulo, será feita uma introdução a este tipo de instrumento linguístico, às suas características e benefícios da sua utilização. 16 CAPÍTULO II – O CORPUS COMO RECURSO PARA ANÁLISE LINGUÍSTICA COM PARTICULAR ENFOQUE EM CORPUS DE APRENDIZAGEM 2.1. DEFINIÇÃO DE CORPUS E PRINCIPAIS CARACTERÍSTICAS O termo corpus (cujo plural se designa de corpora ) é amplamente utilizado em áreas de estudo da linguística, literatura, humanidades digitais, entre outras disciplinas que estudam matérias inerentes às línguas e ao seu processamento. Os linguistas, na sua definição mais geral, descrevem um corpus como um conjunto de textos escritos (ou excertos de textos) e transcrições de registos orais, geralmente utilizados para análise e estudos linguísticos (Fenlon & Hochgesang, 2022b; McEnery & Wilson, 2001; Mendes, 2016; Wallis, 2021). Porém, os avanços tecnológicos, em especial na área do PLN, trouxeram uma nova roupagem a este termo. De acordo com Hunston (2002a), o termo ‘corpus’ passou a ser utilizado para designar conjuntos de textos (ou partes de textos) que são armazenados e acedidos eletronicamente, dado que os computadores têm a capacidade de armazenar e processar grandes quantidades de informação (p. 2). Estes exemplares da língua natural, obedecem, por sua vez, a um conjunto de características que definem o seu objetivo. Fromm (2003) alerta que um corpus não deve ser equiparado a uma coletânea nem a uma antologia, sendo que este, de um modo geral, se refere a uma coleção de textos reunidos com um propósito específico de análise (p. 69). Por seu turno, e envergando uma perspetiva mais objetiva, Dash e Arulmozi (2018) apontam que um corpus constitui “a statistically sampled language database for the purpose of investigation, description, application and analysis relevant to all branches of linguistics” (p. 4). Os autores acrescentam que, devido à sua grande estrutura, composição variada, informação, autenticidade, ampla representação, facilidade de utilização e precisão, o uso dos corpora tornou-se um recurso indispensável em diferentes áreas da linguística (Dash & Arulmozi, 2018, p. 4). A constante evolução tecnológica desencadeou, assim, a utilização e manuseamento deste tipo de recursos linguísticos no plano digital. A LC é uma das áreas da linguística que “baseia o estudo da língua em ocorrências extraídas de um corpus” (Mendes, 2016, p. 224). Apesar da longa e interessante história, este termo é relativamente moderno e descrito por McEnery e Wilson (2001) como “the study of language based on examples of ‘real life’ language use” (p. 1). Nesse sentido, atualmente, esta área da linguística depende fortemente de equipamentos eletrónicos que possibilitem a procura de formas ou estruturas linguísticas específicas através do processamento 17 eletrónico do corpus (Sampson & McCarthy, 2004, p. 1). Sampson e McCarthy (2004) referem que, consequentemente, a LC é, nos dias de hoje, percecionada como “linguística de corpus eletrónica” (p. 1), assim como o termo ‘corpus’ “is now almost synonymous with the term machine readable corpus” (McEnery & Wilson, 2001, p. 17). Segundo Mendes (2016) “para além do trabalho de compilação de dados, a Linguística de Corpus preocupa-se ainda com a anotação de informação linguística sobre os textos que compõem o corpus” (p. 225), tema que será alvo de uma discussão mais aprofundada no quarto capítulo. Entenda-se, portanto, que devido aos avanços tecnológicos, e consequentemente a uma adequação e nova conotação semântica, o termo corpus é, atualmente, utilizado para designar conjuntos de textos ou partes de texto armazenados e acedidos eletronicamente, que são, posteriormente, objeto de uma investigação específica e mais aprofundada. Alguns investigadores (Fenlon & Hochgesang, 2022b; Gries & Berez, 2017; McEnery & Hardie, 2012; McEnery & Wilson, 2001; Mendes, 2016) consideram, assim, que um corpus deve possuir um certo conjunto de características, das quais, se destacam: § Representatividade: Segundo Hunston (2022), “representativeness is about the relationship between the corpus and the population (of texts) it is taken from” (p. 33). Nesse sentido, o corpus destina-se a ser representativo, por exemplo, de um tipo específico de registo, orador, variedade ou da língua como um todo (Gries & Berez, 2017, p. 380). Por conseguinte, Sinclair (2004) afirma que “the larger and more representative the corpus the greater the attestation that is possible” (p. 4). Não obstante, é importante clarificar que um corpus representa essencialmente uma amostra e que um dos principais desafios consiste em garantir que essa amostra capte com exatidão a diversidade e as características dos informantes ou da língua que pretende representar. McEnery e Wilson (2001) alertam que analisar “every utterance in such a language would be an unending and impossible task”, não só pela dimensão de textos existentes, mas também devido à continua evolução das línguas vivas (p. 30). No caso em que se pretenda analisar uma variedade inteira de uma língua em vez de um texto ou autor individual, só será possível, por exemplo, no caso de uma língua morta ou com poucos textos existentes (McEnery & Wilson, 2001, p. 29). Por conseguinte, Fenlon e Hochgesang (2022a) recomendam a constituição de um corpus com amostras selecionadas de acordo com critérios linguísticos específicos, que permitam que o perfil dos informantes sob análise seja o mais homogéneo possível (p. 3). Desta forma, quando um investigador descrever ocorrências de um 18 determinado fenómeno linguístico observado no seu corpus, poderá partir do princípio de que, com base na sua distribuição no corpus, haja uma distribuição semelhante numa comunidade mais alargada (Fenlon & Hochgesang, 2022a, p. 3). Por outro lado, Freitas (2015) realça a importância do reconhecimento do corpus como uma amostra, que é crucial para compreender as suas limitações e considerações em análises linguísticas (pp. 9-10). § Equilíbrio: um conceito que está intrinsecamente associado à representatividade, é o de equilíbrio, que se refere às proporções das diferentes amostras incluídas num corpus (Ädel, 2020, p. 5). Segundo Hunstone (2022), “balance refers to the relative number of texts or tokens in each component of a corpus” (p. 31). Desta forma, o equilíbrio num corpus envolve a manutenção de uma distribuição proporcional e representativa de textos em diferentes componentes do mesmo. Também McEnery e Hardie (2011) acrescentam que num corpus equilibrado, “the relative sizes of each of [the subsections] have been chosen with the aim of adequately representing the range of language that exists in the population of texts being sampled” (p. 239). De acordo com os autores, através do equilíbrio, assegura-se que o corpus reflita uma diversidade de conteúdos linguísticos de forma a evitar enviesamentos ou a sobre representação de categorias específicas, conduzindo a uma análise mais fiável e abrangente. § Machine-readable : o corpus é um recurso legível por máquina, isto é, deve estar disponível em formato digital, podendo ser pesquisado através de um computador. De acordo com McEnery e Wilson (2001), uma das vantagens de corpora legíveis por máquina é o facto de poderem ser pesquisados e manuseados de forma mais eficiente para obter resultados sobre a frequência das características linguísticas, o que não seria possível através de outro formato (p. 31). Ademais, uma vez em formato eletrónico, o corpus pode ser enriquecido com informação adicional (anotação) para efeitos de pesquisa linguística (McEnery & Wilson, 2001, p. 32). Essas anotações podem, pode sua vez, fornecer informações aos níveis fonológico, morfológico, sintático e discursivo (Fenlon & Hochgesang, 2022a, p. 3). § Autêntico: por fim, a autenticidade é outra característica que se aplica aos corpora, uma vez que contém dados linguísticos recolhidos em ambientes naturais (Gries & Berez, 2017, p. 380). Isto significa que os dados linguísticos, ao serem recolhidos para integrar um corpus, não foram produzidos apenas com essa finalidade e, por conseguinte, essa característica permite que estes representem com uma maior precisão o uso quotidiano da língua (Fenlon & Hochgesang, 2022a, p. 4). 19 2.2. USABILIDADE DO CORPUS COMO FERRAMENTA DE PESQUISA O estudo de corpora apresenta inúmeras vantagens. O uso de corpus para validar resultados de uma pesquisa é uma ferramenta utilizada há séculos, pese embora a ciência da LC seja relativamente recente (Fromm, 2003, p. 69). Como referido anteriormente, associado à utilização e estudo de corpora está a LC. Mendes (2016) explica que através da utilização de corpora é possível fundamentar análises linguísticas com base em contextos variados e num conjunto alargado de dados (p. 224). Dash e Arulmozi (2018) apresentam alguns benefícios referentes à utilização de um corpus linguístico. Segundo os autores, um corpus representativo, bem planeado e equilibrado constitui um padrão empírico, que atua como uma referência para a validação do uso de propriedades linguísticas existentes numa língua (Dash & Arulmozi, 2018, p. 11). Com efeito, através de um corpus, pode obter-se (a) informação detalhada sobre todas as propriedades, elementos e componentes utilizados numa língua, (b) informação gramatical e funcional de palavras, frases, orações e expressões idiomáticas, (c) informação baseada na utilização de segmentos, morfemas, palavras, compostos, locuções e frases utilizadas numa língua, (d) indicações textuais e contextuais de um texto através do fornecimento de informações relativas ao tempo, lugar e agente de um evento linguístico e (e) informações extralinguísticas relacionadas com o discurso linguístico (Dash & Arulmozi, 2018, pp. 11-12). Segundo os autores, através da investigação aprofundada de um corpus podem, também, obter-se informações inerentes ao tecido social e cultural da comunidade linguística em análise (Dash & Arulmozi, 2018, p. 12). A exploração dos fatores que compõe o tecido sociocultural representado numa amostra de linguagem terão uma componente importante para a compreensão e análise das amostras recolhidas e exploradas neste projeto de dissertação. 2.3. TIPOLOGIA DE CORPUS De acordo com Dash e Arulmozi (2018), “corpora can be of many types with regard to texts, languages, modes of data sampling, methods of corpus generation, manners of text processing, nature of text utilization, and so on” (p. 38). Desta forma, os corpora, para além de englobar uma grande variedade de textos, incluindo diferentes géneros, assuntos ou formatos, podem ser concebidos para diferentes línguas, divergir nos métodos utilizados para recolha e compilação das amostras, assim como variar no seu processamento e nos objetivos para os quais são utilizados. 20 Hunston (2002b) destaca, assim, a natureza multifacetada destes conjuntos de dados linguísticos, afirmando que os corpora revolucionaram o estudo da linguagem e das suas aplicações nas últimas décadas (p. 1). Os corpora linguísticos compreendem, assim, textos que, na sua forma original, podem ser escritos, falados ou gesticulados (no caso da linguagem gestual) (Hunston, 2022, p. 21). Dada a relevância para esta dissertação, far-se-á referência apenas aos corpora textuais e os corpora de fala. 1. Text Corpus ou corpus textual contém textos ou excertos de textos escritos, impressos, publicados ou provenientes de fonte eletrónica. Este tipo de corpus pode ser recolhido através de livros, jornais, revistas ou sítios da internet. Segundo Boulton (2017), o Brown Corpus3 (Kuc!era & Francis, 1967) foi o primeiro corpus moderno de inglês americano, composto por um milhão de palavras recolhidas de 500 excertos de textos publicados em 1961 (p. 183). Nesse período, quando se deu início à criação de corpora eletrónico, a tecnologia informática disponível não era tão avançada como nos dias de hoje, o que dificultava a recolha e compilação de corpora através de um computador. Dash e Arulmozi (2018) acrescentam que “in those early years of electronic corpus generation, the Brown Corpus, which contained just 1 million words, was considered to be a standard database, since, at that particular time, a collection of 1 million words in electronic form was unthinkable for most linguists” (p. 20). De acordo com Boulton (2017), o objetivo da criação deste corpus “was to introduce greater scientific rigor from a more systematic base” (Boulton, 2017, p. 183). Mais tarde, os corpora de pequenas dimensões começaram a ser substituídos por corpora de grandes dimensões, devido aos avanços tecnológicos subsequentes dos computadores, que já permitiam o armazenamento e processamento de grandes volumes de texto (Dash & Arulmozi, 2018, p. 20). Assim, o corpus Bank of English4 (BoE), um projeto internacional de corpus de língua inglesa, foi concebido para fins linguísticos e pedagógicos (Boulton, 2017, p. 183). O BoE representa uma enorme coleção eletrónica de amostras do inglês moderno, na sua versão escrita e falada, desenvolvido para análise da forma, significado, gramática e uso das palavras (Järvinen, 2003, p. 44). Foi lançado pela primeira vez em 1991 pelo Collins Birmingham University International Language Database (COBUILD) e pela Universidade de Birmingham, onde incluía cerca de 200 milhões de palavras (Järvinen, 2003, p. 43). O BoE é atualizado regularmente, fornecendo amostras objetivas do uso da língua inglesa no quotidiano. Muitas 3 http://icame.uib.no/brown/bcm.html 4 https://cqpweb.bham.ac.uk/ 21 destas primeiras referências internacionais de corpora textuais foram produzidas para criar dicionários e enriquecer os já existentes. Abeillé (2003) explica, por exemplo, que “the main motivation for the Bank of English project was to extend the Collins COBUILD dictionary, with new examples and new constructions for most of the English verbs”. Também o British National Corpus5 (BNC) é composto por uma coleção de mais de 100 milhões de palavras de amostras representativas de linguagem, tanto numa versão escrita como falada (Burnard, 2009). Segundo Abeillé (2003), o BNC foi dos primeiros corpora a ser construído para o inglês, tendo, por isso, contribuído para o desenvolvimento de ferramentas de PLN em inglês e da própria linguística de corpus inglesa. Este corpus foi cientificamente concebido para representar uma ampla secção transversal do inglês britânico, tendo a sua construção começado em 1991, ficando concluído em 1994 (Burnard, 2009). Não foram acrescentados novos textos após a conclusão do projeto, mas o corpus foi ligeiramente revisto antes do lançamento da segunda edição – BNC World (2001) – e da terceira edição – BNC XML Edition (2007) (Burnard, 2009). O projeto foi liderado pela Oxford University Press , com a participação da maioria dos editores de dicionários de Inglaterra (Burnard, 2009). A parte escrita do BNC (90%) inclui, por exemplo, extratos de jornais regionais e nacionais, periódicos e revistas especializadas para todas as idades e interesses, livros académicos e de ficção popular, cartas e memorandos publicados e não publicados, ensaios escolares e universitários, entre muitos outros tipos de texto (Burnard, 2009). De acordo com Taylor e Barker (2008), no final da década de 1990, para além das coleções de inglês britânico, estavam a ser criados corpora importantes de outras variedades, como o American National Corpus6 (ANC) (p. 243), que foi concebido e desenvolvido com o objetivo de reunir uma base de dados linguística representativa do inglês americano contemporâneo, que pudesse ser usada para contribuir para a investigação linguística, bem como para fornecer um recurso para o ensino (Reppen & Ide, 2004, pp. 105107). A análise do BNC demonstrou que, devido a várias diferenças na linguagem utilizada nos dois países, o BNC não podia ser utilizado como um recurso de referência para estudar a variedade do inglês americano. Desta forma, o objetivo do ANC centrou-se em obter uma grande base de dados de, pelo menos, 100 milhões de palavras, que se tornou suficientemente comparável em todos os géneros com o BNC. O corpus foi desenvolvido com a contribuição de um consórcio de editores de dicionários de inglês americano e com a contribuição de 5 http://www.natcorp.ox.ac.uk/ 6 https://anc.org/ 22 empresas com interesses na área da língua e da linguística (Reppen & Ide, 2004, p. 105). Uma vez que o projeto está em processo de desenvolvimento, apenas a primeira parte, que compreende uma base de dados de 10 milhões de palavras, foi, até agora, disponibilizada para acesso público. No PE, o Corpus de Referência do Português Contemporâneo7 (CRPC) representa um dos mais vastos e mais diversificados corpus de português europeu disponível online , que tem vindo a ser desenvolvido pelo Centro de Linguística da Universidade de Lisboa (CLUL) desde 1988 (Nascimento et al., 2014, p. 237). O CRPC constitui um recurso de “exploração de corpora essencial à comunidade científica para estudos nas áreas da linguística e do PLN” (Mendes et al., 2012, p. 466). A constituição deste corpus eletrónico teve como objetivo “fornecer informação abrangente sobre o português contemporâneo escrito e oral” (Mendes et al., 2012, p. 467), refletindo tanto as variedades regionais e nacionais do PE, onde estão incluídas amostras do português de Angola, Cabo Verde, Guiné-Bissau, Moçambique, São Tomé e Príncipe, Goa, Macau, Timor-Leste e do Brasil (Nascimento et al., 2014, p. 238). Nascimento et al . (2014) referem, ainda, que “the CRPC currently contains approximately 310 million words, searchable through a user-friendly interface, and it is envisaged as a monitor corpus (from which one can extract balanced subcorpora) that can serve as a sample of the Portuguese language” (p. 237). A plataforma oferece uma variedade de opções de pesquisa a vários níveis, permitindo aos utilizadores o manuseamento do corpus de acordo com os seus objetivos de investigação (Généreux et al., 2012, p. 114). Por seu turno, um exemplo de um corpus textual no AP é o corpus DEREKO (em alemão Deutsches Referenzkorpus ), conhecido em inglês, também, como o Archive of General Reference Corpora of Contemporary Written German (ISD, 2023). Segundo Kupietz et al . (2010), o corpus DEREKO “is one of the major resources worldwide for the study of the German language” (p. 1848), e em janeiro de 2020 contava com mais de 46,9 mil milhões de palavras (ISD, 2023). O corpus foi criado em 1964 com o principal objetivo de proporcionar uma base empírica para a investigação linguística (Kupietz et al., 2010, p. 1848). Contém textos de ficção, científicos e de jornais, assim como de outras fontes, e pode ser acedido gratuitamente através das plataformas COSMAS II8 e KorAP9 (Kupietz et al., 2010, p. 1848). 7 http://gamma.clul.ul.pt/CQPweb/ 8 https://www2.ids-mannheim.de/cosmas2/ 9 https://korap.ids-mannheim.de/ 23 2. Por seu turno, os corpora de fala, segundo Gut (2020), “contain spoken language, usually referred to as speech corpora (or speech databases) and spoken corpora respectively” (p. 236). Na prática, o que diferencia estas duas variantes de corpora de fala são, primeiramente, a grande quantidade de amostras de linguagem falada existente nos ‘ speech corpora ’, geralmente recolhida em condições experimentais e, em segundo lugar, as amostras são utilizadas para aplicações industriais e tecnológicas, como por exemplo na avaliação de sistemas de reconhecimento automático da fala (Gut, 2020, p. 237). Em contrapartida, os ‘ spoken corpora ’ são compilados para fins linguísticos, como no estudo do uso da língua e da comunicação humana e em aplicações linguísticas, como no ensino das línguas e na elaboração de gramáticas e dicionários (Gut, 2020, p. 237). Por outro lado, Dash e Arulmozi (2018) classificam os ‘ spoken corpora ’ como uma extensão dos ‘ speech corpora ’ (p. 35). Enquanto os ‘ speech corpora ’, para os autores, contêm amostras de texto obtidas a partir de interações verbais (textos que estão disponíveis em formato áudio), os ‘ spoken corpora ’ diferenciam-se por armazenar “the transcripted version of audio texts collected as speech corpus” (p. 35). Dash e Arulmozi (2018) acrescentam que “a Spoken Corpus is a different class of its own which has properties of both the text and the speech corpus but has evolved into a new type of corpus due to its nature of the composition” (p. 35). Não obstante, os corpora de fala tanto podem conter amostras da linguagem cuja produção se obteve de origem espontânea, ou seja, sem a intervenção do investigador, ou estes podem, ainda, conter amostras que foram intencionalmente produzidas e controladas pelo investigador. Geralmente, as amostras presentes nos corpora de fala versam sobre interações do quotidiano, como conversas, telefonemas, discursos, entre outros tipos (Dash & Arulmozi, 2018, p. 42). Por se tratarem de amostras da linguagem produzidas através do registo oral, possibilita a exploração e análise de outros fenómenos linguísticos, extraídos, por exemplo, através das anotações fonética, fonológica e prosódica (Gut, 2020, pp. 241-242). O corpus The London-Lund Corpus of Spoken English10 (LLC), iniciado por Jan Svartvik na Universidade de Lund (Suécia) em 1975, representa uma das mais importantes referências nos corpora de fala por se tratar do primeiro corpus de fala aberto legível por máquina a ser compilado (Põldvere et al., 2021, p. 459). Nesse sentido, o LLC representa um marco importante na elaboração de um corpus de fala, na medida em que estabeleceu alguns critérios que viriam a servir de referência para a compilação de outros corpora de fala. O LLC é constituído por transcrições de registos orais 10 https://varieng.helsinki.fi/CoRD/corpora/LLC/ 30 escrita contém 966 ensaios, constituindo um total de 156.691 tokens , produzidos por 424 estudantes entre 2010 e 2012 (Mendes et al., 2016, p. 3207). Os 483 alunos têm entre 18 e 40 anos de idade e representam 14 línguas maternas diferentes (Mendes et al., 2016, p. 3208). O corpus foi, por sua vez, digitalizado, transcrito e guardado em formato XML, para ser tokenizado, etiquetado morfossintaticamente e lematizado (Mendes et al., 2016, p. 3209). Mendes et al . (2016) fazem, também, referência a três corpora de aprendizagem do português. O corpus Recolha de dados de Aprendizagem do Português Língua Estrangeira23 , que contém 470 textos realizados por 397 informantes, falantes de 28 diferentes línguas maternas, é composto por 70.500 tokens (CLUL, 2019b). O corpus teve como principal objetivo recolher produções de aprendentes de português como LE com vista à criação de uma base de dados que possa apoiar a investigação na área da língua portuguesa (CLUL, 2019b). O corpus de Produções Escritas de Aprendentes de PL224 (PEAPL2), coordenado por Cristina Martins (C. Martins, 2013), integra, atualmente, três subcorpora pesquisáveis de movo autónomo, nomeadamente o subcorpus Português Língua Estrangeira25 (PEAPL2_PLE), subcorpus Timor26 (PEAPL2_Timor) e subcorpus Guiné-Bissau27 (PEAPL2_Guiné-Bissau) (Ferreira et al., 2023). O projeto teve como principal objetivo a recolha de textos produzidos por aprendentes não nativos, a fim de possibilitar o apoio à investigação em aquisição/aprendizagem da língua estrangeira, neste caso o português, bem como a formação de professores e a produção de materiais didáticos (Araújo & Trabulo, 2014, pp. 11-12). Por fim, o Corpus de Aquisição de L228 (CAL2), que contém produções de adultos e crianças, num total de 281.301 palavras (Mendes et al. 2016, p. 3207), reúne os dados de produção espontânea (escritos e orais) recolhidos no âmbito do projeto Morfologia e Sintaxe na Aquisição de L229 (Ferreira et al., 2023, p. 249). O projeto CAL2 está disponível mediante registo prévio. O L1 Português – L2 Espanhol é um subcorpus do Corpus Escrito del Español L230 (CEDEL2), que representa um recurso metodológico para a investigação de uma vasta gama de tópicos sobre aquisição de segunda língua, acessível online e gratuitamente (Lozano et al., 2021, p. 137). O 23 https://www.clul.ulisboa.pt/recurso/recolha-de-dados-de-ple 24 https://teitok2.iltec.pt/peapl2/#http://teitok.iltec.pt/peapl2/ 25 https://teitok2.iltec.pt/peapl2-ple/index.php?action=home 26 https://teitok2.iltec.pt/peapl2-timor/index.php?action=home 27 https://teitok2.iltec.pt/peapl2-gb/index.php?action=home 28 https://cal2.clunl.fcsh.unl.pt/ 29 https://clunl.fcsh.unl.pt/projetos/projetos-concluidos/morfologia-sintaxe-na-aquisicao-l2/ 30 http://cedel2.learnercorpora.com/ 31 corpus contém 21.662 palavras escritas por 164 participantes, com idades entre os 13 e os 53 anos, sendo que 98% dos participantes têm o PE como única L1 (Lozano et al., 2021, p. 146). O Corpus of Learner German (CLEG) é um corpus que compila redações de escrita argumentativa em forma de resumos, ensaios e críticas redigidas por estudantes universitários britânicos, tendo o alemão como sua L2 (Maden-Weinberger, 2015, p. 34). O corpus foi compilado entre 2003 e 2005, ao longo dos anos académicos de três grupos de alunos com idades compreendidas entre os 18 e os 24 anos (Maden-Weinberger, 2015, p. 35). O estudo procurou analisar o uso do condicional (em alemão ‘ Konjunktiv ’) em falantes L2 de alemão de diferentes níveis de proficiência, comparando-os com dados de falantes nativos (Maden-Weinberger, 2015, p. 25). Os informantes tiveram entre cinco e sete anos de aulas de alemão da escola secundária e os textos foram escritos em contexto de sala de aula, sem acesso a materiais de auxílio (Maden-Weinberger, 2015, p. 35). À semelhança do CLEG, o corpus Czech as a Second Language with Spelling, Grammar and Tags31 (CzeSL-SGT) também inclui transcrições de ensaios escritos por falantes não nativos da língua checa, recolhidos em 2013 (Rosen, 2014, p. 1). Segundo Rosen (2014), “word forms are tagged by word class, morphological categories and base forms (lemmas) (p. 1). Os autores do corpus procederam à verificação dos originais e correção de alguns erros, que foram, posteriormente, etiquetados com etiquetas de erro (Rosen, 2014, p. 1). O corpus está disponível para pesquisa online utilizando a interface de pesquisa do Corpus Nacional Checo32 (Rosen, 2014, p. 1). Como já foi mencionado ao longo deste capítulo, o projeto CHILDES consiste num vasto repositório, acessível através da internet, que disponibiliza corpora de linguagem infantil, recolhido por vários investigadores (Sokolov & Snow, 1997, p. 654). Este, assim como outros projetos, como o TalkBank33 (MacWhinney, 2019), utilizam um sistema normalizado para a produção de transcrições informatizadas, denominado de CHAT (em inglês Codes for the Human Analysis of Transcripts ) (MacWhinney, 1992, p. 14). Segundo MacWhinney (1992), “the system provides options for basic discourse transcription as well as detailed phonological and morphological analysis” (p. 14). Para além disso, os dados linguísticos transcritos de acordo com o sistema CHAT, podem, também, ser analisados pelos programas CLAN34 (em inglês Computerized 31 http://utkl.ff.cuni.cz/learncorp/ 32 https://www.korpus.cz/ 33 https://www.talkbank.org/ 34 “CLAN is designed specifically to analyze data transcribed in the CHAT format” (MacWhinney, 2019, p. 1921). 32 Language Analysis ) (MacWhinney, 1992, p. 14). A criação desta base de dados eletrónica teve início em 1984 por Brian MacWhinney e Catherine Snow, com o intuito de auxiliar investigações no âmbito da linguagem infantil (Weissenborn, 1989, p. 259). Atualmente a plataforma CHILDES contém milhares de dados, disponíveis em vários formatos, dos quais tratam temáticas como distúrbios da linguagem, aquisição de linguagem nos níveis sintático, semântico, fonológico, morfológico e lexical, bem como temas inerentes ao bilinguismo, estudos interlinguísticos e a aquisição de uma segunda língua (Higginson, 1990, p. 474). 2.4.3. Desafios de processamento do corpus de aprendizagem No que diz respeito à exploração de um corpus de aprendizagem, existem vários desafios associados dos quais se destaca, por exemplo, a anotação, em particular às tentativas de anotação automática (Gries & Berez, 2017, p. 391). Embora a compilação de corpora siga critérios expecíficos, Granger (2003) sublinha “extra care has to be taken in collecting the data for learner corpora given the large number of variables affecting the learning/acquisition process” (p. 538). Gries e Berez (2017) apontam que a probabilidade de encontrar, por exemplo, erros ortográficos, itens e estruturas gramaticais consideradas ‘não-nativas’ é mais elevada em corpora de aprendizagem do que noutros tipos de corpora (p. 391). Esta característica, por sua vez, dificulta a anotação automática do corpus por ferramentas, como etiquetadores ou lematizadores treinados. Com efeito, Gries e Berez (2017) apontam “Thus, such annotation efforts will likely require great care in choosing the right tagset and tagging algorithm, and more manual checking than is customary for native language use” (p. 391), a fim de contornar possíveis obstáculos durante o processamento do corpus. Não obstante, e devido à abundancia desse tipo de elementos em corpora de aprendizagem, “error tagging has been the most frequent type of annotation used in learner corpus research up to now” (van Rooy, 2015, p. 79). Van Rooy (2015) acrescenta “a substantial amount of research is directed at the development of automatic tools for the annotation of data, targeting linguistic properties such as word class, syntactic structure or semantic fields” (p. 79). Desta forma, a exploração mais recorrente nos corpora de aprendizagem incide na anotação de erros, sejam ortográficos ou, por exemplo, na identificação da utilização de expressões linguísticas ‘não-nativas’ presentes no corpus (Gries & Berez, 2017, p. 391). Contudo, o processamento levado a cabo para a exploração do corpus compilado para esta dissertação não se debruçará sobre a ortografia, nomeadamente identificação e análise de erros 33 ortográficos. Desta forma, a preservação dos dados linguísticos recolhidos permitirá que o corpus mantenha a sua estrutura original e permitirá, ainda, que se consiga percecionar, de forma mais autêntica, o processo de aquisição do PE e do AP pelos informantes. 2.5. METODOLOGIA E RECOLHA DE DADOS 2.5.1. Objetivos e recolha de dados O corpus que será objeto de estudo desta dissertação constitui dados que foram recolhidos no âmbito do projeto de investigação Competência bilingue de crianças lusodescendentes residentes na Suíça (Flores, Gonçalves, et al., 2022), coordenado pela Professora Doutora Cristina Flores, investigadora no Centro de Estudos Humanísticos da Universidade do Minho35. O referido projeto centrou-se em crianças lusodescendentes, residentes em vários cantões da Suíça (alemão, francês e italiano), com o objetivo de escrever o desenvolvimento da linguagem em falantes bilingues em contextos de migração em que o português é língua minoritária. A recolha dos dados decorreu através da aplicação de dois tipos de instrumento – (1) a elaboração de narrativas escritas e (2) a realização de um cloze-test (preenchimento de lacunas). Para além disso, foi distribuído um questionário de perfil linguístico, preenchido pelo encarregado de educação, a fim de recolher informações extralinguísticas sobre o tipo e a quantidade de contacto que os informantes têm com a língua portuguesa (Flores et al., 2022, p. 103). Os dados foram recolhidos entre março de 2019 e março de 2020. 2.5.2. Descrição do corpus em análise A recolha dos dados para o projeto supramencionado abrangeu cerca de 500 crianças, bem como os seus encarregados de educação (Flores et al., 2022, p. 107). Para a presente análise, foram tidos em conta apenas os dados de 20 crianças, que correspondem a 40 narrativas, dado que cada criança produziu duas narrativas. Assim, o corpus em análise nesta dissertação é constituído por 20 narrativas escritas em PE e 20 em AP. O processo de seleção das 40 narrativas que constituem o corpus em análise foi aleatório. 35 O projeto teve parecer favorável pela Comissão de Ética para a Investigação nas Ciências Sociais e Humanas da Universidade do Minho (CEICSH 016/2019). 34 Para a produção das narrativas, procedeu-se à apresentação de uma pequena história infantil em português com recurso a PowerPoint (dotado de imagens e sons)36. Após a apresentação da história, foi entregue às crianças uma folha com algumas imagens ilustrativas referentes à história e com algumas linhas em frente às imagens para que estas pudessem recontar a história pelas suas próprias palavras (ilustração 1). Este exercício teve a duração de 15 a 20 minutos. A repetição desta tarefa deu-se com um intervalo mínimo de 2 semanas, nas mesmas condições (em contexto de sala de aula), sendo que a mesma história foi apresentada em alemão e os informantes tiveram de a reescrever, também, dentro do tempo estipulado e com recurso à mesma folha com as imagens. Ilustração 1 Exemplo da sequência de imagens utilizada para a produção das narrativas em PE e AP. Depois de recolhidos, os originais manuscritos foram digitalizados, transcritos para um ficheiro Excel e posteriormente divididos em orações. 36 A apresentação do projeto de investigação e dos procedimentos adotados para a recolha dos dados foram abordados no âmbito da UC “Bilinguismo e Aquisição L2” do mestrado em Estudos Luso-Alemães (ano letivo 2019/2020) para a realização do projeto final dessa UC. 35 2.5.3. Perfil dos informantes As crianças em análise nesta dissertação, têm idades compreendidas entre os 8 e os 15 anos [média = 12.07 anos], residem no cantão alemão da Suíça, sendo, por isso, falantes de português e de alemão (padrão e variante suíça). Estes alunos encontravam-se integrados na Rede de Ensino de Português do Instituto Camões, frequentando aulas de Português Língua de Herança uma vez por semana. Por sua vez, constituem um grupo particular de falantes, uma vez que adquiriram o PE e o AP como línguas maternas, em contexto migratório, sendo, por isso designados de falantes de herança. 2.7. A NARRATIVA COMO INSTRUMENTO DE INVESTIGAÇÃO Muitos dos corpora disponíveis no repositório CHILDES visam a produção de narrativas por crianças bilingues. Roch et al . (2016) definem a competência narrativa como “the ability to comprehend and produce narratives, is a complex ability that involves the encoding and interpretation of information and organization of this information in a coherent mental representation” (p. 49). Por conseguinte, as narrativas produzidas por crianças refletem uma combinação de conhecimentos linguísticos e conceptuais (Tsimpli et al., 2016, p. 196). De acordo com Gagarina et al . (2016), a produção de narrativas é um bom instrumento para extrair dados e examinar as competências linguísticas em crianças bilingues, que pode ser feita de várias formas (p. 11). Para além de serem uma forma de comunicação presente na vida das crianças desde tenra idade e de estarem relacionada com o desenvolvimento da literacia e sucesso escolar, as narrativas são uma forma eficiente de obter informações não só sobre a estrutura da própria história, mas também sobre a linguagem da criança (Roch et al., 2016, pp. 49-50). Estas, para além adquirirem um formato oral ou escrito, enquadram-se geralmente em duas categorias: pessoal e ficcional, o que geralmente ocorre tanto em contextos espontâneos como em contextos de configurações da fala criadas para o efeito (Zen, 2020, p. 92). Quanto à sua tipologia, podem ser recolhidas através de story telling , recontar histórias ou contar uma história após ter ouvido uma história modelo (Gagarina et al., 2016, p. 12). Assim, muitos dos corpora que se encontram no repositório CHILDES baseiam a sua produção de narrativas na “ frog story ”37. 37 Em 1994, Berman e Slobin publicaram estudos sobre a produção de narrativas por crianças e adultos extraídas de um livro ilustrado do escritor estadunidense Mercer Mayer intitulado Frog, where are you? (Bennett-Kastor, 2002, p. 131). Desde então, as “histórias do sapo” (como passaram a ser conhecidas) serviram de base para muitos outros projetos de investigação sobre a aquisição de línguas baseados na produção de narrativas (Bennett-Kastor, 2002, p. 131). 36 A ilustração 2 mostra um exemplo de uma sequência de imagens retiradas do livro da história do sapo. Ilustração 2 Sequência de imagens retiradas da história “Frog, where are you?” de Marcer Mayer. De acordo com Fiestas e Peña (2004), “the limited studies of bilingual children suggest that they may produce different narratives in each of their two languages” (p. 155). Não obstante, as autoras referem que a investigação na área de produção de narrativas por crianças bilingues não é conclusiva quanto ao facto de estas diferenças serem uma questão de variação relacionada com a proficiência linguística bilingue, diferenças estruturais linguísticas e/ou diferenças culturais relacionadas com a aquisição de cada uma das duas línguas (Fiestas & Peña, 2004, p. 155). O facto é que existem indícios que revelam uma variação ou distinção no conteúdo, estilo ou estrutura das narrativas produzidas por informantes com este tipo de perfil nas suas diferentes línguas. Muitos dos estudos realizados sobre a produção de narrativas por crianças bilingues têm sido conduzidos, principalmente, nos EUA (inglês-espanhol) (Kapalková et al., 2016, p. 146), muito provavelmente devido à expressiva comunidade de hispanofalantes que aí residem. Com 37 efeito, a utilização de narrativas como instrumento de avaliação e investigação da proficiência linguística em crianças bilingues destaca-se por possibilitar a análise de vários níveis linguísticos numa única tarefa, nomeadamente ao nível microestrutural (por exemplo, análise da morfossintaxe ou léxico), bem como ao nível macroestrutural, ou seja, a organização global da narração da história (Kapalková et al., 2016, p. 146). Na presente dissertação, o corpus será apenas processado através do uso de técnicas de PLN, não obstante, importa mencionar a potencialidade deste recurso como instrumento de avaliação e a sua mais-valia no âmbito do bilinguismo. Estas narrativas não só constituem uma fonte rica de dados linguísticos, como também oferecem uma visão do processo de desenvolvimento da linguagem bilingue. No terceiro capítulo, o foco passará para uma avaliação quantitativa, debruçando-se sobre a dimensão do corpus em análise nesta dissertação e a aplicação de técnicas de PLN. Com efeito, pretende-se revelar padrões, nuances e características linguísticas significativas que podem melhorar a compreensão da aquisição de línguas em crianças bilingues. 38 CAPÍTULO III – ANÁLISE E REFLEXÃO SOBRE O TAMANHO DO CORPUS E O PROCESSO DE TOKENIZAÇÃO 3.1. A DIMENSÃO DO CORPUS Dos dados recolhidos no âmbito do projeto Competência bilingue de crianças lusodescendentes residentes na Suíça , o corpus que se propõe como objeto de estudo desta dissertação é constituído pelos dados de 20 crianças, sendo que esses correspondem a 40 narrativas produzidas pelas mesmas (20 em PE e 20 em AP). O tamanho do corpus é, por conseguinte, um dos principais aspetos que se tem em consideração quando se trabalha com linguística de corpus. Perguntas como: quão grande é/será o corpus? ou, quantas palavras tem/terá o corpus? são importantes desde a criação à análise do mesmo. Como em muitas áreas de estudo, a tecnologia informática e os seus avanços foram fundamentais para que estas se pudessem desenvolver. De igual forma, estes avanços permitiram, em especial a partir dos anos 60, que o armazenamento e acesso a corpora de dimensão cada vez maior fosse viável (Hunston, 2002, p. 25). Vários autores (Fromm, 2003; Sampson & McCarthy, 2004; Sinclair, 1991; Zipf, 1935) sugerem, assim, que quanto maior for o corpus, melhor, pois mais representativo se torna. Também em muitos estudos científicos, quanto maior for a amostra mais credíveis serão os resultados. Naturalmente, a dimensão do corpus necessária para explorar questões de investigação específicas depende da frequência e da distribuição das características linguísticas (Schembri & Cormier, 2022, p. 196). Segundo Schembri e Cormier (2022), corpora utilizados para análise de questões de investigação mais específicas, por exemplo, o estudo de propriedades semânticas e sintáticas de determinados itens lexicais ou construções gramaticais menos frequentes, necessitam ter um tamanho considerável para encontrar exemplos estatisticamente significativos (pp. 196-197). Pese embora a variedade de fatores, não existe um consenso quanto ao tamanho mínimo ou máximo aceite para a criação de um corpus, sendo que este dependerá dos objetivos de pesquisa e do seu tipo (Sarmento, 2010, p. 90). Teoricamente, o tamanho de um corpus refere-se à soma total dos seus componentes, tais como caracteres, palavras, frases, orações, entre outros (Dash & Arulmozi, 2018, p. 12). Não obstante, Sardinha (2000) propõe uma classificação dos corpora segundo o número de palavras que albergam (p. 347). Atente-se na tabela 1. 39 Tabela 1 Classificação de corpora quanto ao seu tamanho (Sardinha, 2000). N.º de palavras Classificação Menos de 80 mil Pequeno 80 a 250 mil Pequeno-médio 250 mil a 1 milhão Médio 1 milhão a 10 milhões Médio grande 10 milhões ou mais Grande Na primeira coluna encontram-se o número de palavras que um corpus poderá ter e na segunda coluna consta a respetiva classificação do tamanho do corpus. Por exemplo, um corpus com menos de 80 mil palavras é considerado pelo autor, um corpus pequeno quanto à sua dimensão. Embora a dimensão seja claramente uma vantagem importante em termos de representatividade dos dados e de generalização dos resultados, os corpora pequenos também têm um valor considerável (Granger, 2008, p. 2). Como salienta Ragan (2001), “the size of the sample is less important than the preparation and tailoring of the language product and its subsequent corpus application to draw attention to an individual or group profile of learner language use” (p. 211). Desta forma, um estudo longitudinal que tenha como objeto de estudo um único informante não perde valor pelo tamanho da sua amostra, em particular se o foco estiver na investigação do desenvolvimento individual interlinguístico (Granger, 2008, p. 3). Ademais, acrescenta Granger (2008), a dimensão de um corpus só é realmente útil se este tiver sido recolhido com base em critérios de conceção rigorosos (p. 3). Também outros autores argumentam que os corpora de pequena dimensão são úteis para estudos no âmbito da LC, como McEnery & Wilson (2001), que indicam exemplos de estudos sobre o discurso crítico em que foram utilizados corpora de pequena dimensão. Por seu turno, Anthony (2009) reforça a importância dos estudos com base em corpora de pequenas dimensões servindo-se da astronomia como analogia (p. 92). O autor refere que nesta ciência natural, alguns investigadores podem estar interessados em estudar galáxias e, a partir dessas análises, criar modelos do universo e de como este nasceu (Anthony, 2009, p. 92). Por outro lado, também existem investigadores que podem estar interessados em estudar uma única estrela, como o sol, e, assim, compreender o seu ciclo de vida, as épocas de erupção solar e padrões de emissão de radiação (Anthony, 2009, p. 92). Desta forma conclui-se que o valor de um corpus não depende do seu tamanho, mas do tipo de informação que se pode extrair do mesmo. 46 reduzido. Segundo o autor, outra limitação das ferramentas de terceira geração “is that publishers are becoming increasingly sensitive about allowing their data to be used for research purposes”, levando a que “collections of texts can no longer be compiled and distributed for analysis with corpus tools on a personal computer” (Anthony, 2013, p. 152). Em resposta a estas problemáticas, o autor sugere no seu artigo a utilização de ferramentas de quarta geração, tais como corpus.byu.edu (Davies, 2013), CQPweb (Hardie, 2012), Sketch Engine (Kilgarriff et al., 2014) e Wmatrix (Rayson, 2008) (Anthony, 2013, p. 152). Estas, por seu turno, “offer better scalability by storing the corpus in a Web server database and pre indexing the data to allow for fast searches. They also offer protection from copyright issues by preventing users from viewing the complete corpus” (Anthony, 2013, p. 152). Anthony (2013) continua: Rather, users must access the corpus through a user-interface that presents only a small frame of the corpus data at a single time. The interface does, however, usually allow users to search the entire corpus and generate standard results from the entire corpus, such as KWIC concordance lines and word frequency lists. (p. 152-153) Também através da página Tools for Corpus Linguistics41 é possível aceder a uma lista bastante variada que compila 275 pacotes de software, utilizados na criação e análise de corpora. Inclui, também, informações sobre preços e sistemas operativos que suportam. 3.3. DIMENSÃO DO CORPUS EM ANÁLISE Para averiguar o tamanho do corpus sob análise utilizou-se a ferramenta de gestão e análise de corpora Sketch Engine42 (Kilgarriff et al., 2014). As narrativas mantiveram o seu formato original, uma vez que todas as palavras foram transcritas tal e qual como estavam, mesmo contendo erros ortográfico. Segundo Chahine e Uetova (2023), “spelling is a part of linguistic command, and studies on native L1 spelling occupy an important place in pedagogical research” (p. 1). Sublinhando o papel integral da ortografia no domínio linguístico, entende-se a sua importância como uma componente-chave do domínio da língua, que, segundo as autoras, carece de atenção. Desta forma, apesar da vasta bibliografia dedicada à aquisição de uma língua estrangeira, poucos estudos se concentram na aquisição da ortografia (Chahine & Uetova, 2023, p. 1). Chahine e Uetova (2023) sublinham que “beyond its semiotic 41 https://corpus-analysis.com/ 42 https://www.sketchengine.eu/ 47 aspect, spelling itself represents a valuable material in understanding acquisitional processes of foreign languages. And in this respect, learner corpora open new perspectives for spelling studies” (p. 1). Apesar da análise ortográfica não constituir parte da investigação nesta dissertação, pretende-se reforçar a importância da mesma como um recurso valioso para a compreensão da forma como os indivíduos aprendem e adquirem proficiência noutras línguas que não a sua língua materna. Por conseguinte, as formas originais ortográficas das narrativas produzidas pelos informantes foram preservadas, como é possível observar pelo excerto representado na figura 4. Figura 4 Excerto de narrativa retirada do subcorpus em PE, onde constam erros ortográficos que foram mantidos no seu processamento. De acordo com Rogošić (2019), “although the concept of errors refers to the violation of the rules and/or norms of the target language, the view on errors should nonetheless be a positive one as errors reflect the fact that learning is taking place” (p. 83). Desta forma, os erros são uma parte inevitável e necessária do processo natural de aprendizagem, em particular quando produzidos por falantes de herança. Ademais, para além de serem uma fonte de informação inestimável, estes revelam, muitas vezes, informações valiosas sobre os mecanismos e os desafios envolvidos no processo de aprendizagem e de aquisição de uma segunda língua, que possibilitará ao investigador uma melhor compreensão do mesmo (Afiah, 2020, p. 38). Por sua vez, o ficheiro Excel com as narrativas foi transformado em formato .xml de forma a ser legível pelo software escolhido para se proceder ao processamento do corpus. O processo de tokenização dividiu-se em duas partes: numa primeira instância procedeu-se à tokenização de um corpus geral composto por 118 narrativas produzidas por 59 informantes e numa segunda parte, a tokenização do corpus em análise, que corresponde às 40 narrativas das 118 recolhidas, produzidas por 20 dos 59 participantes. A realização deste exercício de préprocessamento do texto constitui uma etapa fundamental do processamento do corpus e permitirá a aplicação com maior precisão das tarefas subsequentes, como a etiquetação morfossintática e 48 a lematização do corpus (Gamallo & Garcia, 2017, p. 22). As tabelas 3 e 4 mostram os resultados obtidos em ambos os processos de tokenização. Tabela 3 Resultados do processo de tokenização do corpus geral. Corpus geral Narrativas em PE Narrativas em AP Tokens Types Tokens Types 9 355 1 478 9 328 1 184 Total Tokens 18 683 Types 2 662 Tabela 4 Resultados do processo de tokenização do corpus em estudo. Corpus em estudo Narrativas em PE Narrativas em AP Tokens Types Tokens Types 3 780 614 3 698 603 Total Tokens 7 478 Types 1 217 Apesar de ser considerado um corpus pequeno, tendo em conta a divisão e classificação de Sardinha (2000) sobre o tamanho dos corpora, o corpus geral é composto por um total 18 683 tokens e 2 662 types (tabela 3). Por seu turno, o corpus em estudo nesta dissertação contém 7 478 tokens e 1 217 types (tabela 4). 3.3.1. Análise do Type-Token Ratio do corpus em estudo De acordo com Nasseri e Thompson (2021), a densidade e a diversidade lexicais, enquanto duas dimensões da complexidade lexical e aspetos do conhecimento lexical produtivo, continuam a ser dois dos indicadores mais fiáveis da proficiência lexical e linguística e do desenvolvimento dos falantes nas primeira e segunda línguas (p. 1). Se por um lado a densidade lexical representa “the proportion of lexical/content words to all words/tokens”, a diversidade lexical é apresentada pelos 49 autores como “the use of a range of diverse words (also known as unique word types) to convey meaning and is regarded as an indicator and predictor of lexical proficiency and development” (Nasseri & Thompson, 2021, p. 1). Não obstante, estes dois indicadores apesar de se interrelacionarem, podem divergir na medida em que a densidade lexical procura mostrar a densidade dos itens lexicais nas estruturas sintáticas, enquanto a diversidade lexical é representativa da variedade dos itens lexicais e gramaticais utilizados na produção linguística (Nasseri & Thompson, 2021, p. 2). Segundo Jarvis (2013), foram propostos, ao longo dos anos, diversos índices ou medidas para calcular a riqueza lexical, acabando por se destacar o Type-Token Ratio (TTR), proposto em 1939 por Wendell Johnson (pp. 90-91). O TTR consiste numa medida de desenvolvimento linguístico, amplamente utilizada para calcular a proporção entre types e tokens presentes numa amostra de linguagem (Read, 2000, p. 200). Esta medida constitui uma ferramenta útil de avaliação do vocabulário, permitindo a determinação da riqueza lexical presente num corpus (Kettunen, 2014, p. 223), sendo habitualmente utilizada na análise linguística, particularmente em estudos sobre o desenvolvimento da linguagem, a aprendizagem de uma segunda língua e a complexidade dos textos. O TTR resulta da divisão efetuada entre o número de palavras diferentes ( types ) e o número de palavras produzidas na amostra ( tokens ), multiplicado por 100. A multiplicação serve para transformar o resultado em percentagem. O TTR é representado pela seguinte expressão (Operstein, 2021, p. 155): 𝑇𝑇𝑅 =número*de*𝑡𝑦𝑝𝑒𝑠 número*de*𝑡𝑜𝑘𝑒𝑛𝑠*× *100 De acordo com Williamson (2009), quanto maior for o número de types em relação ao número de tokens , mais variado é o vocabulário, ou seja, maior é a variedade lexical (p. 2). Desta forma, um TTR alto indica uma maior diversidade lexical e consequentemente menor densidade lexical, enquanto um TTR baixo indica menor diversidade e maior densidade lexical (Williamson, 2009, p. 3). É, então, esperado que um falante com alto nível de proficiência possua um vasto conhecimento vocabular que o permita evitar repetições nas suas produções escritas através do uso de sinónimos e outro tipo de palavras relacionadas (Operstein, 2021, p. 200). Seguindo a medida proposta por Johnson, procedeu-se ao cálculo do TTR dos subcorpora em PE e AP com base nos valores obtidos e referidos na tabela 4, através do tokenizador Sketch Engine . 50 𝑇𝑇𝑅*𝑠𝑢𝑏𝑐𝑜𝑟𝑝𝑢𝑠*𝑃𝐸 =614 3*780*× *100 O resultado do TTR do subcorpus em PE foi de ≈ 16,24%, ligeiramente inferior ao resultado obtido com o subcorpus em AP, que foi de ≈ 16,30%, distando apenas 0,06%. 𝑇𝑇𝑅*𝑠𝑢𝑏𝑐𝑜𝑟𝑝𝑢𝑠*𝐴𝑃 =603 3*698*× *100 Em ambos os casos, obteve-se um resultado positivo, ainda que relativamente baixo, que se antecipava, devido à diferença do número de types e tokens dos subcorpora. Os resultados, por sua vez, evidenciam algumas características do perfil sociolinguístico dos informantes. Uma vez que se trata de um corpus bilingue, cujas narrativas foram produzidas por falantes de herança, estes valores mostram que os textos contêm um conjunto razoavelmente variado de palavras (ou itens lexicais). Por conseguinte, o vocabulário utilizado na produção das narrativas é pouco diversificado, uma vez que apenas 16% (em ambos os subcorpora) das palavras são únicas ( types ), enquanto as restantes » 84% das palavras são repetições. Os resultados mostram que, apesar de haver alguma diversidade lexical, existe, ainda, uma quantidade significativa de palavras repetidas no corpus, o que pode ser uma caraterística típica em narrativas escritas por falantes de herança, que denotam um texto menos rico ou variado em vocabulário. A utilização do TTR pode, ainda, ser de grande utilidade para investigadores, professores e outros membros da comunidade científica que trabalham ou investigam matérias relacionadas com falantes de herança, na medida em que esta constitui indicador do desenvolvimento e proficiência linguística deste grupo de falantes. Ademais, através destes resultados, pode-se, também, retirar algumas conclusões e obter informações sobre a complexidade do(s) texto(s): um TTR mais elevado indica, à partida, um texto mais sofisticado, enquanto um TTR mais baixo pode sugerir um texto mais simples e repetitivo. Neste caso, por se tratar deste grupo particular de informantes, com uma média de idades de aproximadamente 12,2, a história que serviu de base para a produção das narrativas foi um conto infantil. Desta forma, e como é característico deste género literário, o conto, para além de ser bastante curto, caracteriza-se pela presença de um enredo e personagens igualmente reduzidas. Não obstante, é importante sublinhar que o TTR constitui uma medida da 51 riqueza lexical, sendo que outros fatores, como a estrutura gramatical, a complexidade sintática e o conteúdo, também desempenham papéis cruciais na compreensão da qualidade e outras características dos textos produzidos pelos informantes. Desta forma, é essencial considerar o TTR em conjunto com outras análises linguísticas e informações contextuais a fim de obter uma compreensão mais minuciosa do uso da língua e do seu desenvolvimento por parte deste grupo de falantes. 3.4. REFLEXÃO SOBRE OS RESULTADOS DO PROCESSO DE TOKENIZAÇÃO DO CORPUS: COMPARAÇÃO ENTRE FERRAMENTAS Como referido anteriormente, o processo de tokenização do corpus envolve a tomada de várias decisões por parte do investigador, começando pela escolha da própria ferramenta que irá desempenhar essa tarefa. Devido à existência de uma grande variedade de softwares que possibilitam o pré-processamento dos corpora, é de extrema importância que se conheçam as regras de tokenização que cada um utiliza, pois estas podem tratar certas características linguísticas ou regras de tokenização de forma distinta, e assim, influenciar o processamento do corpus. Como tal, a tokenização do corpus com diferentes tokenizadores pode ser um bom exercício que ajude na eleição da ferramenta a utilizar, permitindo obter, ainda, várias perspetivas e conhecimentos sobre os dados em análise. Posto isto, procedeu-se à tokenização dos subcorpora em PE e AP utilizando distintas ferramentas de processamento de texto, nomeadamente Sketch Engine , spaCy , AntConc43 e Voyant Tools44 . Nas tabelas 5 e 6 constam os resultados obtidos através dos diferentes softwares relativamente ao número de tokens e types . 43 https://www.laurenceanthony.net/software/antconc/ 44 https://voyant-tools.org/ 52 Tabela 5 Resultados dos processos de tokenização do subcorpus em PE. O subcorpus foi tokenizado com recurso a diferentes ferramentas. Subcorpus com narrativas em PE Ferramenta Tokens Types Sketch Engine 3 780 614 spaCy 3 755 614 Voyant Tools 3 640 543 AntConc 3 440 542 Tabela 6 Resultados dos processos de tokenização do subcorpus em AP. O subcorpus foi tokenizado com recurso a diferentes ferramentas. Subcorpus com narrativas em AP Ferramenta Tokens Types Sketch Engine 3 698 603 spaCy 3 673 601 Voyant Tools 3 299 542 AntConc 3 296 540 O número de tokens em ambos os subcorpora varia substancialmente entre os tokenizadores, principalmente se se comparar o resultado obtido através do Sketch Engine com os resultados obtidos pelo Voyant Tools e o AntConc . Com a primeira ferramenta obteve-se um total de 3 780 tokens no subcorpus em PE e de 3 698 tokens no subcorpus em AP, enquanto o Voyant Tools e o AntConc ocupam os últimos lugares com uma diferença de quase 300 a 400 tokens . A disparidade do número de tokens pode ser fruto de estratégias diferentes para lidar com pontuação, espaços em branco ou caracteres especiais, como os hífenes, apóstrofes, entre outros (Palmer, 2010, pp. 11-13). Os tokenizadores podem tratar este tipo de caracteres como tokens separados ou combiná-los com palavras adjacentes, como referido por Tello (2021). Muitos destes softwares procedem, também, à remoção das stopwords (Savoy & Gaussier, 2010, p. 458). Uma vez que esta tarefa é maioritariamente desempenhada para que as máquinas processem a linguagem humana, é comum que se eliminem palavras e outro tipo de caracteres que possam criar ruído às várias ferramentas de processamento de texto. Para além disso, a remoção das stopwords , permite uma redução substancial do tamanho do armazenamento dos corpora em cerca de 30% a 50% (Savoy & Gaussier, 2010, p. 458). Não obstante, a presença deste e outro tipo de elementos são fundamentais para os linguistas, pois conferem propriedades únicas aos 53 textos. Assim, ferramentas como o Sketch Engine , desenvolvida por linguistas (Kilgarriff et al., 2014, p. 16), estão mais sensíveis a estas questões aquando do processamento de corpora, incluindo a pontuação e as stopwords no processo de tokenização. Relativamente ao número de types , a variação dos resultados com as diferentes ferramentas é ainda menor. No entanto, esta desigualdade sugere uma divisão das palavras de forma diferente pelas várias ferramentas. De igual forma, o não reconhecimento de determinados elementos linguísticos específicos ou contrações, afeta o número de types resultantes do processo de tokenização. No caso das narrativas, muitas delas contêm erros ortográficos, e como tal, no processo de tokenização de corpora, o tokenizador, embora não reconheça certas palavras, irá contabilizá-las como um único token , e não havendo repetições, estas aparecerão como types . É, portanto, crucial selecionar o tokenizador que se alinhe com os objetivos específicos da investigação e a natureza dos dados de texto que estão a ser analisados. Ademais, pode ser benéfico explorar as regras de tokenização subjacentes e as configurações de cada tokenizador para obter uma compreensão mais profunda de seus respetivos comportamentos. 54 CAPÍTULO IV – CARACTERIZAÇÃO DAS ETAPAS DE ANOTAÇÃO E PROCESSAMENTO DO CORPUS: METAINFORMAÇÃO, LEMATIZAÇÃO E ANOTAÇÃO MORFOSSINTÁTICA 4.1. FUNDAMENTOS EM PROCESSAMENTO DE LINGUAGEM NATURAL Os avanços tecnológicos das últimas décadas têm permitido, dentro de um vasto leque de ínfimas possibilidades, a criação de corpora eletrónicos, que através de ferramentas disponíveis no meio digital, possibilitam à comunidade científica tirar partido das suas potencialidades para fins de investigação. Assim, áreas de estudo como o PLN têm-se mostrado essenciais para o desempenho de tarefas como o processamento linguístico de textos. Segundo Puerta-Díaz et al . (2021), os estudos realizados no âmbito do PLN intensificaram-se desde o final da década de 1940, sendo que já nos anos 50, estes procuraram aliar a Inteligência Artificial (IA) à Linguística (p. 2). O facto é que nessa época, tanto a Linguística como a IA, ganharam mais relevância, cruzando, assim, conhecimentos num campo híbrido denominado de PLN. Esta área de estudo da IA, não só dispõe de ferramentas úteis para as ciências computacionais, como também constitui uma variedade de funções aplicáveis nas ciências que estudam matérias inerentes à linguagem, entre outras áreas do conhecimento. Por se tratar de uma área muito ativa de investigação e de constante desenvolvimento, Liddy (2001) afirma que “there is not a single agreed-upon definition that would satisfy everyone, but there are some aspects, which would be part of any knowledgeable person’s definition” (p. 2). Por seu turno, Joshi (1991) salienta que a investigação em PLN é altamente interdisciplinar, envolvendo conceitos do âmbito da informática, linguística, lógica e psicologia (p. 1242). Define, ainda, que o PLN é o estudo da modelação matemática e computacional de vários aspetos da linguagem e o desenvolvimento de uma vasta gama de sistemas (Joshi, 1991, p. 1242). Coughlin (1990), numa linha mais objetiva, classifica o PLN como uma área de IA que permite ao computador processar as mesmas linguagens que os humanos utilizam na sua comunicação escrita ou oral (p. 172). O autor sublinha a importância das estratégias do PLN para os linguistas, que se estão a tornar numa parte intrínseca dos sistemas “inteligentes”, desenvolvidos nas humanidades, incluindo as línguas estrangeiras (Coughlin, 1990, p. 172). Não obstante estas definições, é unânime por parte dos investigadores que um dos objetivos principais do PLN se prende em realizar um processamento da linguagem pelos computadores semelhante ao que ocorre no cérebro da espécie humana (Liddy, 2001, p. 3). Liddy (2001) refere, ainda, a existência de dois grandes focos no PLN, sendo eles (1) language processing e (2) language generation (p. 3). A autora explica que a tarefa do primeiro é equivalente ao papel do leitor/ouvinte, 55 enquanto a tarefa do segundo refere-se à do escritor/falante (Liddy, 2001, p. 4). Por outras palavras, o processamento de linguagem refere-se à análise da linguagem com o objetivo de produzir uma representação significativa, enquanto a geração de linguagem refere-se à produção de linguagem a partir de uma representação (Liddy, 2001, pp. 3-4). Segundo Liddy (2001), “the most explanatory method for presenting what actually happens within a Natural Language Processing system is by means of the ‘levels of language’ approach (...) also referred to as the synchronic model of language” (Liddy, 2001, p. 6). Como referido, estes níveis de conhecimento linguístico são utilizados para que um sistema de PLN desempenhe um processamento de linguagem natural o mais aproximado possível ao de um ser humano. De acordo com Greenberg (1998), os diferentes níveis de linguagem em PLN são (pp. 402-403): § fonológico, que envolve a interpretação e transformação de sons em documentação auditiva; § morfológico, que envolve a análise de segmentos de palavras tais como prefixos, sufixos, infixos, radicais e partes de palavras compostas; algumas das tarefas de PLN a este nível são a lematização (tópico abordado no ponto 4.7.) e a stemização45 ; § lexical, que envolve a determinação de significados de palavras (por exemplo, sinónimos, antónimos, ou outros tipos de relações semânticas) e pode incluir a criação ou utilização de ferramentas lexicais, tais como um glossário; § sintático, que envolve a identificação e análise de estruturas gramaticais em texto; neste nível de conhecimento pode-se proceder, por exemplo, à etiquetação morfossintática/anotação gramatical de palavras (tópico abordado no ponto 4.8.); § semântico, que envolve a interpretação do significado contextual de palavras, frases, orações e outras estruturas gramaticais num texto; § pragmático, que envolve a criação de uma base de conhecimentos para facilitar a desambiguação. Coughlin (1990) acrescenta que já em 1990, ano da publicação do seu artigo, o PLN era amplamente utilizado em sistemas de tradução, constituía um componente importante nos editores de texto ao nível de correções gramaticais e estilo de escrita e era, também, utilizado para o desenvolvimento de software de Aprendizagem Assistida por Computador (p. 172). 45 De acordo com Korenius et al . (2004), o processo de stemização (do inglês ‘ stemming ’) consiste na “normalização de tokens ” em que a ferramenta (conhecida por ‘ stemmer ’) reduz uma palavra flexionada ao seu radical (‘ stem ’) (p. 625). Este processo é bastante semelhante à lematização, não obstante, através da stemização, o radical resultante deste processo nem sempre é uma palavra válida ( non-word ) (Dash, 2021, p. 171). 62 – para apoiar e incentivar o desenvolvimento desta estrutura (Vanhoutte, 2004, p. 14). As diretrizes da TEI estão publicadas sob o nome de Text Encoding Initiative Guidelines for Electronic Text Encoding and Interchange50 e estabeleceram-se como uma norma internacional, amplamente utilizada por projetos de investigação e instituições nas ciências humanas para codificar todos os tipos de material textual (Piotrowski, 2012, p. 61). Dash (2021) aponta que “the application of TEI on corpora has been a huge success as it provides standards for corpus annotation as well as opens ways for building text interchanging facilities in machine-readable form” (p. 78). Através das diretrizes da TEI, investigadores, académicos, e outros utilizadores podem criar edições digitais de textos, compilar corpora e partilhar dados de forma mais eficaz. Gibson e Ruotolo (2003) sublinham, assim, três importantes características desta diretiva de etiquetação – “ stable, extensible and malleable ” (p. 57). A primeira refere-se à robusta estabilidade da TEI, cujo conteúdo anotado através das suas diretrizes não será afetado pela obsolescência de plataformas informáticas ou programas de software específicos; a segunda característica ressalta a capacidade da TEI em acompanhar a evolução da tecnologia e as necessidades de anotação dos utilizadores; e por último, os autores apontam a flexibilidade da TEI em permitir a reconfiguração e a reutilização de dados numa variedade de formatos e potenciais usos (Gibson & Ruotolo, 2003, p. 57). A TEI desempenha um papel crucial no domínio das humanidades digitais, permitindo a criação de textos bem estruturados, normalizados e acessíveis, garantindo, também, que os recursos textuais mantenham o seu valor académico e possam ser utilizados para uma vasta gama de fins de investigação. No plano mais operacional, as diretrizes da TEI traduzem-se num vasto conjunto de etiquetas definidas com o objetivo de codificar informação de vários tipos nos corpora. Todos os documentos TEI contêm, no início do documento, um bloco de metainformação – The TEI Header (Piotrowski, 2012, p. 61). No corpus em estudo, essa secção será de extrema importância, pois aí constarão, devidamente codificadas, as informações obtidas através dos questionários sociolinguísticos. Segundo Lange (2022), o cabeçalho TEI pode conter cinco partes principais, das quais apenas a primeira é obrigatória: (1) a descrição do ficheiro ( File Description ), que contém uma descrição bibliográfica completa do próprio ficheiro informático; (2) uma descrição da codificação ( Encoding Description ), que descreve a relação entre o texto eletrónico e a sua fonte ou fontes; (3) um perfil do texto ( Text Profile ), que contém informações classificatórias e contextuais sobre o texto, tais 50 https://tei-c.org/guidelines/ 63 como o seu assunto, o contexto da sua criação, os participantes, entre outros aspetos; (4) um Container Element para a inclusão de outros formatos de metainformação diferentes da TEI e (5) um historial de revisões ( Revision History ), que fornece um historial das alterações efetuadas durante o desenvolvimento do texto eletrónico (p. 109). Como referido, a secção obrigatória File Description (<fileDesc>) contém, por sua vez, três subsecções obrigatórias: Title Statement (<titleStmt>), Publication Statement (<publicationStmt>) e Source Description (<sourceDesc>), como é possível observar através da ilustração 3. Desta forma, acrescenta Piotrowski (2012), o cabeçalho TEI permite uma exposição muito pormenorizada do corpus codificado, podendo este, exceder em tamanho o próprio corpus (p. 61). Através da ilustração 3, pode observar-se um exemplo de um cabeçalho TEI minimalista, retirado do sítio da TEI. Ilustração 3 Exemplo de um cabeçalho TEI minimalista. Exemplo retirado do sítio da TEI. 4.4. METAINFORMAÇÃO Segundo Ädel (2020): Metadata can consist of different types of information. For example, the corpus compiler may include information based on interviews with participants or participant observation. A common way of collecting metadata is by asking corpus participants to fill out a questionnaire which has been carefully designed by the corpus compiler so as to include information likely to be relevant with respect to the specific context of the discourse included and the people represented. (p. 11) 64 No corpus em estudo, a metainformação é de extrema importância, pois através de questionários sociolinguísticos distribuídos pelos familiares dos informantes, possibilitou-se a recolha de dados que permitem o cruzamento de variáveis. Correia e Flores (2021) explicam: Para avaliação do efeito da experiência linguística sobre o desenvolvimento bilingue, os estudos recorrem, geralmente, a questionários sociolinguísticos, os quais permitem ao investigador traçar o perfil sociolinguístico dos sujeitos em análise, bem como obter informações cruciais sobre variáveis preditivas do desenvolvimento bilingue. (p. 76) No seu artigo, as autoras apresentam um questionário sociolinguístico – Questionário Sociolinguístico Parental para Famílias Emigrantes Bilingues51 (QuesFEB) –, desenvolvido com o objetivo de recolher dados sobre a experiência sociolinguística de crianças bilingues com background migratório (Correia & Flores, 2021, p. 76). Através desse questionário, que à data sofreu ligeiras adaptações, foi possível recolher os dados sociolinguísticos que serviram de base para o projeto de investigação Flores et al . (2022) e para esta dissertação. De acordo com Correia e Flores (2021): No caso específico de estudos centrados no desenvolvimento linguístico de crianças falantes de herança, os questionários sociolinguísticos tendem a ser aplicados, de forma direta ou indireta, ao cuidador da criança, sendo-lhe solicitado que forneça informações biográficas sobre o agregado familiar, bem como sobre a experiência sociolinguística não só da criança, mas também, de acordo com os objetivos de cada estudo, de outros indivíduos que contactem regularmente com a mesma. (p. 82) O QuesFEB constitui, assim, um questionário parental desenvolvido a partir do trabalho de doutoramento de Liliana Correia, que se destina à comunidade científica que pretenda realizar estudos sobre a aquisição de línguas de herança por crianças bilingues (Correia & Flores, 2021, p. 87). É um questionário que pode ser preenchido autonomamente (sem ser necessária a presença do investigador), por um dos encarregados de educação ou cuidadores da criança e demora aproximadamente 20 minutos a ser preenchido (Correia & Flores, 2021, p. 88). Desta forma, o QuesFEB é composto por três secções, sendo que as duas primeiras partes se destinam à recolha de informações biográficas e sociolinguísticas dos pais da criança e a terceira parte é centrada na criança. Através da figura 5, pode observar-se um levantamento (adaptado) das informações recolhidas através do questionário sociolinguístico para este projeto de dissertação. 51 https://doi.org/10.34622/datarepositorium/1JSLNQ 65 Figura 5 Levantamento dos itens do questionário sociolinguístico utilizado para a recolha de metainformação (adaptado). Questionário sociolinguístico PARTE I – Sobre o Encarregado de Educação 1. Idade 2. Grau de parentesco 3. País de nascimento 4. Há quantos anos vive na Suíça 5. País de nascimento dos pais 6. Região em PT da qual a família é originária 7. Profissão 8. Escolaridade 9. Domínio do PE (fala e compreensão) 10. Domínio do AP (fala e compreensão) 11. Domínio do CH (fala e compreensão) 12. Língua usada (na Suíça): a. Com familiares de PT que vivem na Suíça b. Com amigos de PT que vivem na Suíça c. No trabalho d. Na igreja e. No restaurante f. Nas compras g. Em clubes/associações de PT h. Para ver televisão i. Para ler livros/jornais/revistas j. Para ouvir música/rádio k. Na internet l. Outro 13. Importância do PE na vida do educando 14. Foi aconselhado a não falar PE com o seu educando a. Se sim, falou menos PE com o seu educando 15. Encoraja o seu educando a aprender/falar PE a. Se sim, indique as razões b. Se não, indique as razões para não encorajar o seu educando a aprender/falar PE Parte II – Sobre o/a pai/mãe 1. Idade 2. Grau de parentesco 3. País de nascimento 4. Há quantos anos vive na Suíça 5. País de nascimento dos pais 6. Região em PT da qual a família é originária 7. Profissão 8. Escolaridade Parte III – Sobre a criança (informante) 1. Nascimento 2. País de nascimento 3. Idade em que chegou à Suíça 4. Irmãos: a. Data e país de nascimento b. Idade em que chegou à Suíça 5. Problemas de saúde/desenvolvimento a. Audição b. Fala (perturbação da linguagem) i. Frequentou terapia da fala 6. Quando foi primeiro contacto com: a. PE b. CH c. AP 66 7. Como se deu o primeiro contacto com PE 8. Como/quando foi primeiro contacto com AP e CH 9. Outra língua que fale/ouça no dia a dia a. Primeiro contacto com essa língua b. Como se deu esse contacto 10. Proficiência em PE (compreensão e fala) 11. Proficiência em AP (compreensão e fala) 12. Proficiência em CH (compreensão e fala) 13. Agregado familiar 14. Regularidade com que fala PE e Alemão (AP ou CH) com o seu filho 15. Regularidade com que o seu filho fala PE e Alemão (AP ou CH) 16. Avós PT a viver na Suíça 17. Horas em contacto com PE e Alemão 18. Variante (AP ou CH) em que o seu filho realiza atividades 19. Tempo frequenta aulas de PE a. Horas na semana 20. Participa em atividades sobre língua e cultura PT 21. Vai de férias a PT 22. Como é a comunicação em PT nas férias 23. Comentários/observações Segundo Stoll e Schikowski (2020), “any corpus relies on metadata to correlate the speech of the child and her surroundings with social variables” (p. 315). Assim, foi possível obter informação relevante sobre os familiares, os contextos e os próprios informantes, tais como a idade, o nível de proficiência, qual a língua materna, contexto de aprendizagem da língua, formação académica, tempo de exposição a uma determinada língua, entre outros aspetos. Ademais, a metainformação possibilita o cruzamento de dados, através de comparações entre diferentes grupos de informantes, métodos de ensino ou níveis de proficiência linguística, que possibilitam a identificação de padrões e diferenças na utilização e desenvolvimento de competência linguística nas línguas em estudo. Ädel (2020) refere que “various types of metadata can be placed in a separate file or in a ‘header’, so that a computer script or web-based tool for example will be able to use the information in systematic ways when counting frequencies, searching for or displaying relevant data.” (p. 13). Ädel (2020) refere, ainda: In a language-learning context, some of the variables likely to be relevant include what the learner’s first language is, what the medium of instruction was in school, how much exposure the learner has had to the second language – whether through instruction in a school context or through spending time in a context where the second language is spoken. (p. 11) A autora aponta algumas variáveis de extrema importância, das quais, através do questionário sociolinguístico acima representado, se podem cruzar dados e, por exemplo, estudar potenciais diferenças entre informantes que já nasceram na Suíça ou que emigraram durante a infância; ou 67 até mesmo, consoante os níveis de exposição a que as crianças estão ao português, testar uma hipótese de investigação sobre a aquisição de uma segunda língua. No seguimento da recolha dos dados sociolinguísticos, segue-se a transformação das informações contidas no modelo do questionário (figura 5), bem como as respostas obtidas, num esquema de metainformação. Com efeito, apresenta-se uma proposta de um esquema de metainformação em formato XML, recorrendo às diretrizes implementadas pela TEI (figura 6). Importa referir que o questionário em questão é extenso, com variáveis específicas ao projeto para o qual foi criado e de vária ordem. Para além disso, foi concebido para o preenchimento em papel e não para o formato eletrónico. Assim, a transposição dos resultados do questionário para formato eletrónico e a respetiva anotação apresentou desafios nomeadamente ao nível dos itens de resposta aberta. Por conseguinte, adotou-se uma abordagem híbrida: utilização das diretrizes da TEI que se adequam ao tipo de informação e propostas próprias adequadas às informações específicas do questionário. Figura 6 Proposta de esquema de metainformação em XML com recurso às diretrizes implementadas pela TEI. <teiCorpus> <teiHeader> <!--Metainformação do Corpus PE--> </teiHeader> <TEI> <teiHeader> <!--Metainformação da narrativa 1--> <fileDesc> <titleStmt> <title>Elefantina, Girafo e o avião: versão eletrónica</title> </titleStmt> <publicationStmt> <authority> <name>Cristina Flores</name> <name>Idalete Dias</name> </authority> <availability status="free"/> </publicationStmt> <sourceDesc> <p>Uma folha com imagens ilustrativas referentes à história intitulada “Elefantina, Girafo e o avião” e a narrativa escrita por uma criança falante do Português Europeu como língua de herança.</p> </sourceDesc> </fileDesc> <encodingDesc> <projectDesc> <p>Narrativa recolhida no âmbito do projeto de investigação “Competência bilingue de crianças lusodescendentes residentes na Suíça”.</p> <p>O projeto centrou-se em crianças lusodescendentes, residentes em vários cantões da Suíça (alemão, 68 francês e italiano), com o objetivo de escrever o desenvolvimento da linguagem em falantes bilingues em contextos de migração em que o português é língua minoritária</p> </projectDesc> </encodingDesc> <profileDesc> <creation> <date from="2019-03" to="2020-03">Março 2019 - Março 2020</date> <place>Suiça</place> </creation> <langUsage> <language ident="PE">Português Europeu </language> </langUsage> <particDesc> <listPerson> < person xml:id="CH002_PTAL_CC_100519_M" ident="mother"> <age>38 anos</age> <relation>Mãe</relation> <country type="birth_mother"> <birthPlace type="mother">Portugal</birthPlace> </country> <residence type="duration" country="CH" value="20">Vive na Suiça há 20 anos</residence> <country type="birth_grandparents"> <birthPlace type="grandmother">Portugal</birthPlace> <birthPlace type="grandfather">Portugal</birthPlace> </county> <origPlace type="region_PT">Amarante</origPlace> <occupation>Limpeza doméstica</occupation> <education> <level>1.º ciclo (1.º-4.º ano)</level> </education> <langKnowledge lang="PT"> <langKnown type="spoken" level="master">Fluente (como uma língua materna)</langKnown> <langKnown type="comprehension" level="master">Perfeita (como uma língua materna)</langKnown> </langKnowledge> <langKnowledge lang="StandardDE"> <langKnown type="spoken" level="basic">Mais ou menos bem (consigo manter apenas uma conversação simples em Alemão Padrão)</langKnown> <langKnown type="comprehension" level="basic">Mais ou menos bem (consigo perceber apenas uma conversação simples e em ritmo lento)</langKnown> </langKnowledge> <langKnowledge lang="StandardDE_vs_CH"> <langKnown type="spoken" level="+StandardDE">Melhor Alemão Padrão do que Alemão Suíço</langKnown> <langKnown type="comprehension" level="+StandardDE">Melhor Alemão Padrão do que Alemão Suíço</langKnown> </langKnowledge> <listContext type="langUsage_DE_CH"> <context> <label>Com familiares portugueses a viverem na Suíça</label> <value>Apenas Português</value> </context> <context> <label>Com amigos portugueses a viverem na Suíça</label> <value>Apenas Português</value> </context> <context> <label>No trabalho</label> <value>Apenas Alemão</value> </context> <context> <label>Na igreja</label> <value>Apenas Português</value> </context> 69 <context> <label>No restaurante</label> <value>Português e Alemão em quantidades iguais</value> </context> <context> <label>Nas compras (padaria, supermercado, etc)</label> <value>Português e Alemão em quantidades iguais</value> </context> <context> <label>Em clubes e/ou associações portuguesas</label> <value>Mais Português do que Alemão</value> </context> <context> <label>Para ver televisão</label> <value>Apenas Português</value> </context> <context> <label>Para ler livros/revistas/jornais</label> <value>Mais Português do que Alemão</value> </context> <context> <label>Para ouvir música/rádio</label> <value>SR</value> </context> <context> <label>Para navegar na internet</label> <value>Mais Português do que Alemão</value> </context> </listContext> <relevance type="langknowledge" lang="PT" value="high"> <listReason> <reason n="1">Comunicar com a família alargada (avós, tios, primos, etc);</reason> <reason n="2">Ser vantajoso/bom para o sucesso escolar do(a) meu(minha) filho(a) (por exemplo, para ele/ela ter melhores resultados na escola, etc);</reason> <reason n="3">Ser vantajoso/bom para o sucesso profisisonal do(a) meu(minha) filho(a) (por exemplo, para conseguir emprego melhor no futuro, etc);</reason> <reason n="4">Regressar a Portugal no futuro;</reason> </listReason> </relevance> </person> <person xml:id=" CH002_PTAL_CC_100519_F" ident="father"> <age>39 anos</age> <relation>Pai</relation> <country type="birth_father"> <birthPlace type="father">Portugal</birthPlace> </country> <residence type="duration" country="CH" value="18">Vive na Suiça há 18 anos</residence> <country type="birth_grandparents"> <birthPlace type="grandmother">Portugal</birthPlace> <birthPlace type="grandfather">Portugal</birthPlace> </country> <origPlace type="region_PT">Amarante</origPlace> <occupation>Carpinteiro</occupation> <education> <level>3.º ciclo (7.º-9.º ano)</level> </education> </person> <person xml:id="CH002_PTAL_CC_100519" ident="child"> <birth when="2007-06-09">09-06-2007</birth> <country type="birth_child"> <birthPlace type="child"> Suíça</birthPlace> </country> 70 <siblings> <option value="no">Não</option> </siblings> <condition type="health"> <problem type="hearing">Não</problem> <problem type="speech">Não</problem> </condition> <firstContact lang="PT"> <when value="birth">quando nasceu</when> <contactPersons> <option value="mother">Mãe</option> <option value="father">Pai</option> <option value="grandparents">Avós</option> <option value="Uncles_Cousins">Tios e primos</option> </contactPersons> </firstContact> <firstContact lang="DE_CH"> <when value="5 years" >quando tinha 5 anos</when> <where value="pre-school">Pré-escola</where> </firstContact> <firstContact lang="StandardDE"> <when value="5 years">quando tinha 5 anos</when> <where when="pre-school">Pré-escola</where> </firstContact> <firstContact lang="other"> <option value="no">não</option> </firstContact> <langKnowledge lang="PT"> <langKnown type="speech" level="advanced">Muita fluência/Sem nenhuma dificuldade</langKnown> <langKnown type="comprehension" level="advanced">Compreende muito bem, com quase nenhuma dificuldade</langKnown> </langKnowledge> <langKnowledge lang="StandardDE"> <langKnown type="speech" level="intermediate">Bastante fluência/Com poucas dificuldades</langKnown> <langKnown type="comprehension" level="intermediate">Compreende bem, com poucas dificuldades</langKnown> </langKnowledge> <langKnowledge type="DE_CH"> <langKnown type="speech" level="advanced">Muita fluência/Quase nenhumas dificuldades</langKnown> <langKnown type="comprehension" level="advanced">Compreende muito bem, com quase nenhuma dificuldade</langKnown> </langKnowledge> <residence type="grandparents"> <country>Portugal</country> </residence> <listEvents type="langUsage_activities" lang="PT_vs_DE"> <event> <label>Ver televisão</label> <value>Sempre em Português, nunca em Alemão</value> </event> <event> <label>Ouvir música</label> <value>Metade em Português e metade em Alemão</value> </event> <event> <label>Ler livros/revistas</label> 71 <value>Metade em Português e metade em Alemão</value> </event> <event> <label>Falar com familiares/amigos de Portugal (telefone, Skype, Messenger, WhatsApp)</label> <value>Sempre em Português, nunca em Alemão</value> </event> <event> <label>Ver vídeos no YouTube</label> <value>Metade em Português e metade em Alemão</value> </event> </listEvents> <listEvents type="langUsage_activities" lang="StandardDE_vs_DE_CH"> <event> <label>Ouvir música</label> <value>Alemão Padrão</value> </event> <event> <label>Ler livros/revistas</label> <value>Alemão Padrão</value> </event> <event> <label>Ver vídeos no YouTube</label> <value>Alemão Padrão</value> </event> </listEvents> <studyHistory lang="PT"> <period value="5 years">Há 5 anos</period> <hours type="weekly">1h40 por semana</hours> </studyHistory> <particActivities type="culture_PT"> <activity value="no">Não</activity> </particActivities> <holidayPeriod where="Portugal"> <freq value="2" type="yearly">Duas vezes por ano</freq> <langUsage lang="PT" value="always">Sempre</langUsage> </holidayPeriod> </teiHeader> </TEI> <TEI> <!--Metainformação da narrativa 2--> </TEI> </teiCorpus> 4.5. LIMITAÇÕES DA ANOTAÇÃO AUTOMÁTICA Embora possa existir uma variedade de tipos e formas de anotação, como já fora referido, a anotação linguística é normalmente a mais comum, dado que permite inserir informação linguisticamente relevante nos corpora. Gries e Berez (2017) expõe os vários tipos de formatos de anotação, sendo o mais recorrente aquele que se designa por anotação em linha ou incorporada (do inglês ‘ inline or embedded annotation ’) (p. 393). Neste formato a anotação de um corpus ocorre no mesmo ficheiro e na mesma linha dos dados originais do corpus que está a ser anotado (Gries & Berez, 2017, p. 393). Segundo as autoras, este formato é bastante utilizado para a 78 Tabela 9 Etiquetação morfossintática do exemplo (a) com o etiquetador TreeTagger. Token POS-Tag Lema Designação A luta pelos direitos de as mulheres jamais será esquecida . DA0 NCFS SP+DA NCMP SPS DA0 NCFP RN VMI VMP Fp o luta por+os direito de o mulher jamais ser esquecer . Nome comum feminino singular Tabela 10 Etiquetação morfossintática do exemplo (b) com o etiquetador TreeTagger . Token POS-Tag Lema Designação O Pedro luta contra uma doença rara . DA0 NP0 VMI SPS DI0 NCFS AQ0 Fp o pedro lutar contra um doença raro . Verbo Principal Indicativo Nesse sentido, e como mencionado acima, é notório o papel desambiguador do etiquetador morfossintático durante o processo de etiquetação das palavras do corpus. Um dos principais desafios para os etiquetadores automáticos é a desambiguação. A qualidade dos resultados do processo de anotação morfossintática depende da qualidade do input utilizado para treinar o etiquetador, evidenciado a importância do fator língua. O seguinte exemplo mostra o primeiro parágrafo retirado de uma das narrativas escritas em AP. Eines Tages gingen Giraffo und Elefantina in das nahe gelegene Schwimmbad. Giraffo hatte ein Spielzeug dabei, ein Flugzeug. Er fing an damit zu spielen. Elefantina schaute ihm beeindruckt zu. Doch irgendwann wurde sie neidisch auf ihren Freund und nahm ihm das Flugzeug einfach aus der Hand. 79 Este excerto foi etiquetado morfossintaticamente utilizando a ferramenta TagAnt54 (Anthony, 2015), um software bastante intuitivo destinado à lematização e à etiquetação morfossintática através do pacote de anotação ( annotation package ) TreeTagger55 (Schmid, 1994). Atente-se no mesmo excerto etiquetado, abaixo representado: Eines_ART Tages_NN gingen_VVFIN Giraffo_NN und_KON Elefantina_NE in_APPR das_ART nahe_ADJA gelegene_ADJA Schwimmbad_NN ._$. Giraffo_NE hatte_VAFIN ein_ART Spielzeug_NN dabei_PROAV ,_$, ein_ART Flugzeug_NN ._$. Er_PPER fing_VVFIN an_APPR damit_PROAV zu_PTKZU spielen_VVINF ._$. Elefantina_NE schaute_VVFIN ihm_PPER beeindruckt_VVPP zu_PTKVZ ._$. Doch_KON irgendwann_ADV wurde_VAFIN sie_PPER neidisch_ADJD auf_APPR ihren_PPOSAT Freund_NN und_KON nahm_VVFIN ihm_PPER das_ART Flugzeug_NN einfach_ADV aus_APPR der_ART Hand_NN ._$. Através do TagAnt , é, também, possível a visualização dos resultados obtidos de forma vertical, tornando a sua leitura mais intuitiva (tabela 11). Na primeira coluna da tabela 11, observa-se cada token do parágrafo, seguida da etiqueta morfossintática resultante do processamento do excerto. Foi, ainda, adicionada uma terceira coluna com a forma base (lema) correspondente a cada token . Para consulta das etiquetas, recomenda-se o acesso à ligação disponível em rodapé56. Tabela 11 Processamento do excerto retirado do subcorpus em AP através da ferramenta TagAnt. Token POS-Tag Lema Eines Tages gingen Giraffo und Elefantina in das nahe gelegene Schwimmbad . Giraffo hatte ART NN VVFIN NN KON NE APPR ART ADJA ADJA NN $. NE VAFIN ein Tag gehen Giraffo und Elefantina in der nah gelegen Schwimmbad -- Giraffo haben 54 https://www.laurenceanthony.net/software/tagant/ 55 https://www.cis.uni-muenchen.de/~schmid/tools/TreeTagger/ 56 https://www.sketchengine.eu/german-stts-part-of-speech-tagset/ 80 ein Spielzeug dabei , ein Flugzeug . Er fing an damit zu spielen . Elefantina schaute ihm beeindruckt zu . Doch irgendwann wurde sie neidisch auf ihren Freund und nahm ihm das Flugzeug einfach aus der Hand . ART NN PROAV $, ART NN $. PPER VVFIN APPR PROAV PTKZU VVINF $. NE VVFIN PPER VVPP PTKVZ $. KON ADV VAFIN PPER ADJD APPR PPOSAT NN KON VVFIN PPER ART NN ADV APPR ART NN $. ein Spielzeug dabei -- ein Flugzeug -- er fing an damit zu spielen -- Elefantina schauen ihm beeindrucken zu -- doch irgendwann werden sie neidisch auf ihr Freund und nehmen ihm der Flugzeug einfach aus der Hand -- Neste excerto, verifica-se que o resultado do processo de etiquetação automático foi relativamente bem sucedido, uma vez que a produção escrita por parte do informante apresenta um nível avançado de competência escrita no AP. No caso de narrativas que apresentem mais erros gramaticais, o resultado do processo de etiquetação automático não apresentará este nível de sucesso. 4.8.1. Conjuntos de etiquetas morfossintáticas Segundo Schmid (1999), grande parte do trabalho desenvolvido sobre etiquetação morfossintática concentrou-se na língua inglesa, uma vez que já existia muito material de treino com etiquetas manuais para o inglês e os resultados podiam ser comparados com os de outros investigadores (p. 13). Desta forma, partiu-se do princípio de que os métodos desenvolvidos para o inglês também 81 funcionariam noutras línguas (Schmid, 1999, p. 13). Porém, essa premissa viria a cair por terra durante o desenvolvimento de etiquetadores para outras línguas. De acordo com o autor, um dos problemas decorre da produtividade morfológica das línguas, que, no caso da língua alemã, resulta num grande número de formas diferentes de palavras, o que, por sua vez, conduz a um grande número de parâmetros lexicais (Schmid, 1999, p. 13). Outra problemática detetada pelo autor refere-se à falta de corpora de grandes dimensões que estejam anotados de forma fiável para efeitos de treino (Schmid, 1999, p. 13). Desta forma, a grande variedade de possibilidades entre línguas, dá origem à criação de vários conjuntos de etiquetas, onde cada um refletirá as características morfossintáticas da sua própria língua (Armstrong et al., 1999, p. 8). As etiquetas são escolhidas a partir de um conjunto pré-determinado, tais como categorias morfossintáticas (substantivo, verbo, preposição, etc.) e incluindo, entre outras, a declinação (por exemplo, nominativo, genitivo), a pessoa, o número ou o género (por exemplo, terceira pessoa, singular, feminino), o modo e o tempo (por exemplo, subjuntivo, imperfeito) (Armstrong et al., 1999, p. 8). Na língua alemã, o Stuttgart-Tübingen-Tagset (Schiller et al., 1999), frequentemente abreviado como STTS, evoluiu ao longo dos anos até se tornar no conjunto de etiquetas padrão para a anotação morfossintática em alemão (Neunerdt et al., 2013, p. 142). Foi desenvolvido como parte do TC Project57 pelas universidades de Stuttgart e Tübingen, mais especificamente pelo Institut für maschinelle Sprachverarbeitung der Universität Stuttgart e no Seminar für Sprachwissenschaft der Universität Tübingen , com o objetivo de padronizar e sistematizar a etiquetação gramatical das palavras em alemão (Neunerdt et al., 2013, p. 142). O STTS consiste num conjunto de 54 etiquetas morfossintáticas estruturado de forma hierárquica (Westpfahl, 2014, p. 2), que permite a análise computacional e a criação de corpora anotados para pesquisa linguística e PLN. Por sua vez, o conjunto de etiquetas é composto por 11 classes principais (refira-se a título exemplificativo ADJ para adjetivos), que se subdividem em subtipos (por exemplo, ADJD para adjetivo predicativo) (Zinsmeister et al., 2014, p. 4100). Observe-se a figura 8. 57 https://www.ims.uni-stuttgart.de/en/research/projects/textkorpora-werkzeuge/ 82 Figura 8 Representação das classes principais do conjunto de etiquetas STTS. Adaptado de Schiller et al. (1999). 1. Nomina (N) 2. Verben (V) 3. Artikel (ART) 4. Adjektive (ADJ) 5. Pronomina (P) 6. Kardinalzahlen (CARD) 7. Adverbien (ADV) 8. Konjunktionen (KO) 9. Adpositionen (AP) 10. Interjektionen (ITJ) 11. Partikeln (PTK) Como mencionado por Zinsmeister et al . (2014), através dos subtipos é possível capturar nuances gramaticais no corpus. Atente-se no excerto retirado do subcorpus em AP, que foi anotado ao nível morfossintático (tabela 12). Tabela 12 Excerto retirada do subcorpus em AP etiquetado ao nível morfossintático através da ferramenta TagAnt. Token POS-Tag Giraffo war überglücklich , weil er sein Spielzeug wieder hatte und Elefantina war glücklich weil ihr Freund wieder glücklich war . NE VAFIN ADJD $, KOUS PPER PPOSAT NN ADV VAFIN KON NE VAFIN ADJD KOUS PPOSAT NN ADV ADJD VAFIN $. Através dos resultados obtidos, é possível observar as várias categorias gramaticais resultantes do processo de etiquetação morfossintático. Um exemplo de uma das classes principais pode ser visível através da etiqueta “ADV” para Advérbio, atribuída ao token “wieder” ou através da etiqueta “NN” para Nome, atribuída ao token “Freund”. Por outro lado, um exemplo de uma subcategoria pode ser observada através da etiqueta “ADJD” para adjetivo predicativo atribuído ao token “überglücklich”. 83 Ainda sobre o processo de anotação, Zinsmeister et al . (2014) afirmam que “further morphosyntactic attributes can be added as a second layer that specializes the annotation on the basis of lexical information” (p. 4100). Por outras palavras, cada etiqueta pode ser representada por um par de “atributo-valor”, o que ajuda a descrever as características da palavra de maneira mais detalhada, como por exemplo a atribuição dos género e número nos substantivos, ou do modo e tempo nos verbos. Esta estrutura organizada permite fazer distinções precisas entre diferentes tipos de palavras e suas funções na língua alemã. De acordo com Schiller et al . (1999), as etiquetas “orientieren sich am “TEI Starter Set Of Grammatical-Annotation Tags” mit Ausnahme der Kardinalzahlen, die durch den Wert cardinal beim Merkmal numeral der Adjektive abgedeckt werden und der Konjunktionen, die dort von den zwei Kategorien subordinators und coordinators reprasentiert werden” (p. 4). Este conjunto de etiquetas morfossintáticas é amplamente utilizado em projetos de análise linguística, como a análise sintática, a identificação de padrões morfossintáticos e a extração de informações linguísticas de textos na língua alemã. 84 CAPÍTULO V – PROCESSAMENTO DO CORPUS EM ESTUDO 5.1. DESAFIOS DOS CORPORA DE APRENDIZAGEM PARA O PROCESSAMENTO ELETRÓNICO Realizar tarefas de PLN em corpora de aprendizagem pode ser um desafio, visto que os textos são produzidos por aprendentes de uma língua, e como tal, constituem um grupo de falantes com características particulares. Segundo van Rooy (2015), um corpus de aprendizagem oferece algumas vantagens quando comparado com as fontes de dados tradicionais utilizadas na investigação sobre a aquisição de uma segunda língua e o ensino de línguas estrangeiras, nomeadamente quanto à sua dimensão, variabilidade (podem ser incluídos mais indivíduos e uma gama mais vasta de tipos de texto) e automatização de vários aspetos da análise de dados (p. 79). Em contrapartida, existem, também, vários projetos de investigação que apontam para os desafios associados à anotação de corpora de aprendizagem (van Rooy, 2015, p. 103). Por conseguinte, o autor sugere que “Learner corpus researchers should therefore use annotation with awareness of the limitations, including the assumptions that are made when annotating data with tools that have been designed for native-speaker data in the first instance” (van Rooy, 2015, p. 103). Até à data, os tópicos mais abordados na investigação de corpora de aprendizagem são a identificação e anotação dos tipos de erros cometidos pelos informantes que produzem os corpora (Cardoso et al., 2014; Gries & Berez, 2017; Mendes, 2016). A presença de erros nos corpora de aprendizagem pode derivar de vários fatores, podendo estes estarem relacionados com os diferentes contextos linguísticos, níveis de proficiência ou pelos diferentes contextos de aprendizagem dos informantes (Mukherjee & Götz, 2015, p. 423). Essa instabilidade torna difícil o desenvolvimento de esquemas ou modelos de anotação de erros exatos e abrangentes, sendo considerado por van Rooy (2015) a principal e mais óbvia razão pelo fraco desempenho dos sistemas de anotação automática em corpora de aprendizagem (p. 89). Os lematizadores são ferramentas que utilizam o método de processamento da língua natural e, por conseguinte, a compreensão do computador depende em grande medida da qualidade da configuração da morfologia, sintaxe, semântica, fonética e gramática inserida no sistema (Kharis et al., 2021, p. 190). Por conseguinte, e a fim de assegurar consistência da anotação do corpus, é necessária uma retificação redobrada devido à falta de concordância entre anotadores, que podem diferir nas suas interpretações dos erros, resultando em incongruências no processo de anotação (Lu"deling & Hirschmann, 2015, p. 149). Os corpora de aprendizagem também apresentam frequentemente 85 ambiguidade linguística (Leacock et al., 2015, p. 573), o que torna difícil determinar, por exemplo, se uma expressão ou construção específica é um erro ou uma variação válida da própria língua. A ambiguidade é, como tal, uma das principais razões pelas quais o processamento da linguagem é difícil, uma vez que a língua é claramente ambígua em múltiplas formas. Em segundo lugar, os corpora de aprendizagem destacam-se pela presença de elementos únicos, características das tentativas dos aprendentes de transferir padrões e estruturas da sua L1 para a sua L2 (Durrant & Siyanova-Chanturia, 2015, p. 62). Estas características interlinguísticas, que são influenciadas pela sua língua materna e por experiências anteriores de aprendizagem de línguas, podem comprometer a análise linguística e dificultar a aplicação de técnicas de processamento linguístico normalizadas. Com efeito, van Rooy (2015) aponta a segunda razão pela qual os anotadores automáticos desempenham ineficientemente a sua tarefa, pois estes foram desenvolvidos com base num tipo específico de dados, geralmente dados de falantes nativos provenientes de registos como a escrita de jornais (p. 89). Também a presença de elementos ou estruturas gramaticais em algumas línguas podem resultar em desafios para os anotadores. No alemão, bem como em todas as línguas germânicas (Dehé, 2015, p. 611), os verbos de partícula separável (em alemão ‘ Trennbare Verben ’) constituem um obstáculo no domínio do PLN, sendo inclusive classificados por Sag et al . (2002) como “a pain in the neck” (p. 1). Foi demonstrado que este tipo de verbo representa um sério problema para a tecnologia da linguagem, devido à sua ambiguidade e ao seu comportamento aparentemente imprevisível em termos de significado (Sag et al., 2002, p. 6). Desta forma, as partículas podem facilmente ser confundidas com preposições ou vice-versa. Tenha-se por exemplo o verbo anfangen (em português ‘começar’), constituído pela forma base “fangen” e a partícula separável “an”. DE Heute fange ich an zu arbeiten. PT Hoje começo a trabalhar. [Tradução livre] Ao contrário das línguas românicas, a forma base do verbo anfangen foi conjugada na frase de acordo com a primeira pessoa do singular ( fange ) e a partícula “an” colocada na posição correspondente. Porém, as partículas resultantes dos Trennbare Verben podem ocorrer numa 86 posição muito mais afastada da forma base ou até mesmo no final da frase, e dessa forma, criar ambiguidade ao software no momento do processamento. Atente-se no seguinte exemplo: DE Heute kommt João von seiner Reise nach Madrid mit seinen Freunden zurück . PT O João regressa hoje da sua viagem a Madrid com os seus amigos . [Tradução livre] O verbo “zurückkommen” (em português ‘regressar’) é um verbo de partícula separável composto pela forma base “kommen” e a partícula separável “zurück”. Como se pode observar neste caso, a partícula ocorre no final da frase, estando suscetível de ser confundida com um advérbio, por exemplo. Por esse motivo, os Trennbare Verben requerem um tratamento especial no domínio do PLN. Pese embora esta amálgama de obstáculos às ferramentas de processamento linguístico, a verdade é que a presença deste tipo de elementos, como os erros, conferem riqueza aos corpora, fornecendo informações valiosas sobre o processo de aquisição das línguas, bem como uma visão global do processo de aprendizagem das mesmas. Ademais, é com base nestes elementos que muitas ferramentas de processamento do texto podem ser treinadas e melhoradas. 5.2. FERRAMENTA DE ANOTAÇÃO E ANÁLISE DO CORPUS: SKETCH ENGINE O método de anotação totalmente automática ( automatic tagging ) é o mais eficiente em termos de tempo e de custos, onde o software atribui etiquetas aos dados automaticamente, sem interagir com o utilizador (van Rooy, 2015, p. 86). Este método é frequentemente utilizado na etiquetação morfossintática. Rooy (2015) sugere, ainda, uma opção de etiquetação intermédia, denominada de etiquetação interativa ( interactive tagging ), na qual parte do trabalho é feito por um programa de computador, mas o utilizador tem de tomar certas decisões ou inserir certos marcadores e uma terceira opção de anotação, que seria totalmente manual ( manual annotation ) (p. 87). Esta última é desempenhada pelo utilizador, onde este insere todas as etiquetas diretamente no corpus. O processamento deste corpus foi desempenhado pelo sistema de gestão de corpora Sketch Engine (Kilgarriff et al., 2014), um web-based program que disponibiliza uma série de 87 funcionalidades para a criação, anotação e análise linguística do corpus. Esta ferramenta de gestão de corpora, amplamente utilizada na lexicografia, ensino de línguas, tradução, entre outras disciplinas, foi concebida pelo linguista, lexicógrafo e investigador Adam Kilgarriff em 2003. Inicialmente, o Sketch Engine foi desenvolvido para ser manuseado por lexicógrafos na compilação de dicionários, contudo, esta ferramenta tem vindo a ser amplamente utilizada em PLN devido às suas sofisticadas e variadas funcionalidades (Bonial et al., 2013, p. 2). De acordo com Albi (2019), “Sketch Engine is one of the most versatile, complete and user-friendly corpus tools that exists today” (p. 33). A autora acrescenta que “it contains some of the biggest monolingual and parallel corpora in many languages and allows users to easily create their own ad-hoc corpus. Furthermore, it offers a comprehensive set of search and concordance features in an easy-to-use interface” (Albi, 2019, p. 33). Hu e Yang (2015) acrescentam que o Sketch Engine “refers to two different things: the software, and the web service. The web service includes, as well as the core software, a large number of corpora pre-loaded and ‘ready for use’, and tools for creating, installing and managing users’ own corpora” (p. 32). O Sketch Engine disponibiliza corpora em diferentes línguas, desde o árabe ao inglês, grego, russo, vietnamita, galês, entre muitas outras, constituindo uma ferramenta muito interessante e dinâmica para explorar o funcionamento da língua. Esta dispõe de uma série de funcionalidades, tais como: Thesaurus , Wordlist , Concordance , N-grams , Word Sketch , Sketch-Difference , entre outras. Através da ilustração 4, pode ter-se uma perspetiva geral do aspeto e das funcionalidades oferecidas por esta ferramenta. Ilustração 4 Painel das funcionalidades disponibilizadas pelo Sketch Engine58 . 58 Acedido em outubro de 2023. 94 Figura 9 Representação do total de lemas e hápax legomenon gerados no subcorpus em PE. Por sua vez, a funcionalidade Concordance permite a visualização de um determinado item lexical tendo em conta o seu contexto no corpus, revelando, por exemplo, padrões de uso, significado e o comportamento deste no corpus. A figura 10 mostra a concordância do lema ficar , que foi o verbo com mais frequência no subcorpus em PE. Na figura é possível ver apenas algumas linhas de concordância (consultar Anexo II). Figura 10 Concordância do lema “ficar” no subcorpus em PE. Através destes exemplos, é possível observar algumas das várias formas que o lema adquire, nomeadamente ficou , ficaram , ficava e ficarão , assim como os contextos em que foi utilizado. Torna-se, assim, evidente que a estrutura [substantivo + ficar ], que ocorre 34 vezes, é a mais comum, visível, por exemplo, em “A Elefantina ficou ”. Atente-se na tabela 15. Foram, ainda, identificadas outras estruturas, tais como [ ficar + advérbio] e [ ficar + substantivo], ocupando as segunda e terceira estruturas com mais frequência no subcorpus em PE. Por oposição, a Total de lemas gerados 409 Hápax legomenon 208 Linhas 1 2 3 4 5 6 7 8 9 10 11 95 estrutura que menos ocorre são construções perifrásticas do tipo [preposição + infinitivo], visível em “ficava a olhar” na 6 linha da figura 10. Tabela 15 Estruturas com o lema “ficar” presentes no subcoprus em PE. Estrutura Exemplo Frequência substantivo + ficar o girafo ficou 34 ficar + advérbio ficaram muito felizes 29 ficar + substantivo ficaram amigos 19 sintagma preposicional (com/sem/por) ficou com inveja ficou sem ideias ficou triste por o seu avião 16 e_ou ficou zangado e ralhou 13 advérbio + ficar também ficou 4 preposição + infinitivo ficava a olhar 2 Wulff e Baker (2020) referem que uma das formas em que as linhas de concordância podem ser usadas de forma proveitosa é na identificação da prosódia semântica (p. 166). Isto é, através desta funcionalidade é possível perceber se um determinado lema, mediante o contexto em que se insere, está mais associado a aspetos positivos ou negativos, de acordo com o corpus em análise (Falchi, 2021, p. 20). 5.4. LEMATIZAÇÃO DO SUBCORPUS EM ALEMÃO PADRÃO Através da lematização do subcorpus em AP, foram gerados um total de 436 lemas, 27 lemas a mais que no subcorpus em PE. Através da tabela 16, observam-se os 50 lemas mais frequentes no subcorpus em AP (consultar Anexo III). 96 Tabela 16 Lista de 50 entradas com os lemas do subcorpus em AP e a respetiva frequência. À semelhança do subcorpus em PE, são visíveis, através da lista da frequência (tabela 16), algumas stopwords , como “sie”, “die” e “und” entre os lemas com mais frequência no texto. A primeira posição na tabela é ocupada pelo lema sie , que na língua alemã é utilizado tanto para se referir à terceira pessoa do singular (feminino) como à terceira pessoa do plural (masc./fem.). Este item lexical é, ainda, utilizado para a enunciação do registo formal nesta língua (por exemplo, Haben Sie verstanden? / Percebeu? [Tradução livre]). A forte utilização deste tipo de pronomes, evidenciam, também, o género literário em análise, pois como referido, o lema sie pode ser aplicado em diferentes contextos, e desta forma, utilizado para se referir a distintas pessoas e entidades na produção de diálogos e narrativas. As posições subsequentes são ocupadas por substantivos como “giraffo”, “elefantina” e “flugzeug”, em referência ao enredo do conto infantil, assim como por verbos básicos utilizados para a descrição de ações, como “kommen”, por verbos auxiliares, como “haben” ou “werden”, verbos modais, como “wollen” e, ainda, verbos que evidenciam a trama da narrativa, como “spielen”. Relativamente aos hápax legomenon , contabilizaram-se um total de 191 palavras, um número, ligeiramente inferior aos lemas com frequência igual a 1 presentes no subcorpus em PE (208 palavras). Esta diferença poderá, por um lado, indicar uma presença de menos erros ortográficos no AP, dada a elevada frequência de hápax legomenon baseados em tokens com erros 97 ortográficos. Atente-se na tabela 17, onde constam 50 entradas com os lemas com frequência igual a 1 no subcorpus em AP (consultar Anexo III). Tabela 17 Lista de frequência com 50 entradas de hápax legomenon presentes no subcorpus em AP. Para além da presença dos erros ortográficos, ressalta-se a presença de outro tipo de erros, por exemplo em ‘wegnimmte’ e ‘bleibte’. Nestes dois casos percebe-se que o(s) informante(s) estão a aplicar as terminações de verbos regulares no Präteritum (pretérito perfeito) a verbos irregulares. A recorrência deste tipo de erros é bastante comum durante a aquisição de uma língua. Segundo Elsen (2000), “Researchers agree that children acquiring inflection show U-shaped behaviour curves. At first they use irregular as well as regular forms correctly. Then comes a period of overregularization and variation until the correct forms prevail” (p. 31). Montrul foi pioneira no trabalho sobre a aquisição de estruturas gramaticais em falantes de herança, observando, desta forma, várias semelhanças entre falantes de herança e falantes L2, notando que ambos os grupos partilham dificuldades com a morfologia flexional (Fernández-Dobao & Herschensohn, 2021, p. 2). Como assinala Montrul (2015), “(…) heritage speakers of diverse languages with overt morphological markings show strikingly similar patterns of omission of obligatory inflectional morphology and regularization of irregular forms, processes leading to overall simplification of inflectional morphology in their heritage languages” (p. 54). Para além disso, muitos dos erros identificados no processo de lematização tiveram origem, por exemplo, na não utilização da inicial maiúscula em substantivos, como em “händ” ( Hand / Hände ), 98 “freunden” ( Freund / Freunde ), “nähen” ( Nähe ) e “wassern” ( Wasser ). Nestes três últimos exemplos, o lematizador como não reconheceu que eram substantivos, por não estarem escritos com a inicial maiúscula, assumiu que seriam verbos, propondo, por isso, lemas com a terminação em “n” (terminação comum no infinitivo em AP). De igual forma, a concordância absoluta grafemasom, que induzem o informante em erro na produção escrita, foram identificados, por exemplo, nos lemas “spilsüg” ( Spielzeug ), “erklert” ( erklärt ) e “flugsöig” ( Flugzeug ). De destacar que o token “Flugzeug” (em português avião ) foi um dos itens lexicais que mais variações ortográficas apresentou, de igual forma que o token “piscina” no subcorpus em PE. Um dos erros ortográficos comumente encontrados foi na omissão e/ou inclusão de grafemas, como em “kamm” ( kam ), “man” ( Mann ), “kapput” ( kaputt ), “geschaft” ( geschafft ), “bekamm” ( bekam ) e “herraus” ( heraus ). Por último, vários erros foram produzidos devido à criação de palavras compostas por parte do(s) informante(s), característica gramatical abundante no AP, dando origem, por exemplo, a lemas como “elefantendame”, “elefanten-junge” e “elefantenmädchen”. Em consequência, em vez de haver um só lema que agrupe as várias formas identificadas e derivadas, provavelmente, do nome “Elefantina”, foram gerados vários lemas pelo lematizador. O diagrama da figura 11 esquematiza os resultados obtidos. Figura 11 Representação do total de lemas e hápax legomenon gerados no subcorpus em AP. Por sua vez, o zu foi um dos lemas com maior frequência encontrado no subcorpus em AP. Este item lexical é crucial na gramática alemã, particularmente em construções infinitivas, dado que desempenha um papel importante na estrutura das frases. A sua funcionalidade tanto pode servir para construções infinitivas, indicando propósito, necessidade ou intenção, como também pode servir de preposição para indicar movimento, direção, propósito ou adição (Schallert, 2020, p. Total de lemas gerados 436 Hápax legomenon 191 99 72). Na figura 12 podem observar-se algumas linhas de concordância que demonstram o comportamento deste item no subcorpus em AP (consultar Anexo IV). Figura 12 Concordância do item “zu” no subcorpus em AP. Como se pode observar pela figura 12, este item lexical é utilizado, maioritariamente, como preposição, indicando, como referido, direção ou movimento para a um local ou alvo. O uso frequente deste item como preposição, visível na linha 5 através do excerto “Elefantina ging zu ihm”, reflete a utilização de contextos em que a informação espacial e/ou direcional é relevante no corpus. Este item é, também, usado para expressar propósito ou objetivo, revelando a presença de orações no corpus que exprimam a transmissão de intenções, objetivos ou razão por detrás de uma ação. Atente-se no excerto da linha 11, “Sie entschloss es ihm einfach zu entwenden”. Por fim, o seu uso também é bastante comum na formulação de orações infinitivas. A sua abundância como preposição sugere um uso significativo de construções infinitivas no corpus, indicando ações ou estados que visam ou estão relacionados com um objetivo específico, por exemplo em “Er fing an damit zu spielen”, na primeira linha. A utilização do zu como preposição pode sugerir que o corpus envolve níveis de proficiência linguística variados, uma vez que o uso adequado deste item lexical em contextos preposicionais requer uma boa compreensão da gramática alemã. Não Linhas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 100 obstante, o seu uso no subcorpus em AP, é também frequente como advérbio, como é visível na tabela 18. Tabela 18 Comportamento do item “zu” identificado no subcorpus em AP. Estrutura Exemplo Frequência zu como preposição objetos dativos de zu Elefantina rannte zum Elefant 5 objetos acusativos de zu Sie probiert mit den zum den flugzeug fangen 1 verbos com zu Elefantina kam sofort zu ihm gelaufen 8 zu como advérbio verbos modificados por zu Aber da kam ein anderer Elefant der zu wisse 5 Os resultados apresentados do processo de lematização de ambos os subcorpora fornecem informações relevantes sobre os usos e padrões linguísticos, assim como dos desafios no processo de aquisição de estruturas gramaticais pelos informantes. Desta forma, a identificação e a análise de alguns dos tipos de erros contribuíram para uma compreensão mais aprofundada do processo de aquisição da língua. Com base nestes conhecimentos, a secção 5.5. analisa sucintamente os resultados do processo de etiquetação morfossintática do corpus. De ressalvar que os erros preservados nas narrativas e que, de certa forma, influenciaram o processo de lematização, vão ser, de igual forma, observados nos resultados obtidos através do processo de etiquetação morfossintática do corpus. 5.5. ETIQUETAÇÃO MORFOSSINTÁTICA DO SUBCORPUS EM PORTUGUÊS EUROPEU Uma vantagem do Sketch Engine em comparação com outras ferramentas de gestão de corpora, é que a etiquetação morfossintática é feita a partir do momento em que o corpus é criado e compilado na plataforma, de acordo com o sistema gramatical da língua escolhida pelo utilizador aquando da inserção do corpus. Desta forma, este procedimento automático auxilia o investigador no processamento do corpus. Importa referir que as tarefas de PLN estão interligadas e que a natureza destas narrativas [erros ortográficos, morfossintáticos, etc.] induzem o anotador em erro. Como consequência, os resultados expressos no gráfico e tabelas abaixo representadas são produto da interpretação automática do anotador (pré-treinado). 101 A figura 13 mostra um gráfico de barras onde é possível observar resultado global do processo de anotação morfossintática, através do total de frequências em cada uma das principais classes de palavras no subcorpus em PE. Os Verbos foram a classe de palavras que mais ocorreu no subcorpus, contabilizando 161 itens lexicais e uma frequência de 828, sendo que ficar , brincar , estar , tirar e ter foram os cinco verbos mais utilizados pelos informantes, respetivamente. Seguemse as classes de palavras dos Nomes, com 118 itens e uma frequência total de 664, as Preposições com 27 itens e uma frequência de 403, os Adjetivos com 37 itens que ocorreram 230 vezes, os Pronomes que registaram 16 itens e uma frequência total de 224, os Advérbios com 44 itens e 219 frequências totais, as Conjunções com apenas 7 itens e uma frequência de 218 e por último, os Numerais, onde foi identificado apenas 1 item lexical com uma frequência total de 8. Figura 13 Gráfico representativo das várias classes de palavras presentes no subcorpus em PE e respetiva frequência. 5.5.1. Verbos De acordo com Rühlemann (2014), as narrativas, independentemente de serem “grandes histórias” ou “pequenas histórias”, contêm elementos no seu discurso, que se relacionam com a evidência linguística das histórias relatarem sequências de eventos que aconteceram numa situação remota da situação presente da narração da história (p. 317). Na maioria dos casos, esta 230 403 219 218 664 8 224 828 0 100 200 300 400 500 600 700 800 900 Adjetivos Preposições Advérbios Conjunções Nomes Numerais Pronomes Verbos FREQUÊNCIA CLASSES DE PALAVRAS 102 característica manifesta-se no uso de verbos no passado, itens lexicais que têm uma referência clara ao passado (esta manhã, ontem, etc.), referência a locais afastados do local de fala e referentes (tipicamente pessoas) não presentes na situação de narração (Rühlemann, 2014, p. 317). No subcorpus em análise, o recurso a verbos no passado é bastante marcado, pois a descrição sucessiva de acontecimentos neste género literário assim o exige. Através do processamento de anotação morfossintática automático, foram identificadas 28 diferentes classes de palavras, representadas na tabela 19. Desta forma, é possível observar as etiquetas correspondentes aos vários tempos e modos verbais identificados no subcorpus em PE, assim como o género e o número, seguidos da quantidade de vezes em que ocorreram nos textos (frequência) e um exemplo de uma palavra etiquetada retirada do subcorpus. Tabela 19 Etiquetação morfossintática da classe de palavra “Verbos” no subcorpus em PE. Posição Etiqueta Designação Frequência Exemplo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 VMIS3S0 VMN0000 VMII3S0 VMP00SM VMIP3S0 VMII1S0 VMIS3P0 VMP00SF VMII3P0 VMIS1S0 VMIP1S0 VMIM3P0 VMIP2S0 VMIP3P0 VMSP3S0 VMSI3S0 VMG0000 VMIS2S0 VMN03P0 VMIF3P0 VMP00PM VMIM1S0 VMIP1P0 VMIC3S0 VMSP2S0 VMSP3P0 VMN03S0 VMM02P0 Pretérito perfeito simples Infinitivo Pretérito imperfeito Particípio Presente do indicativo Pretérito imperfeito Pretérito perfeito simples Particípio Pretérito imperfeito Pretérito perfeito simples Presente do indicativo Pretérito mais-que-perfeito Presente do indicativo Presente do indicativo Presente do subjuntivo Pretérito imperfeito do subjuntivo Gerúndio Pretérito perfeito do indicativo Infinitivo Futuro do indicativo Particípio passado Pretérito mais-que-perfeito Presente do indicativo Condicional Presente do subjuntivo Presente do subjuntivo Infinitivo Imperativo 3.ª pess. sing. - 3.ª pess. sing. Masc. 3.ª pess. sing. 1.ª pess. sing. 3.ª pess. pl. Fem. 3.ª pess. pl. 1.ª pess. sing. 1.ª pess. sing. 3.ª pess. pl. 2.ª pess. sing. 3.ª pess. pl. 3.ª pess. sing. 3.ª pess. sing. - 2.ª pess. sing. 3.ª pess. pl. 3.ª pess. pl. Pl. masc. 1.ª pess. sing. 1.ª pess. pl. 3.ª pess. sing. 2.ª pess. sing. 3.ª pess. pl. 3.ª pess. sing. 2.ª pess. pl. 323 219 99 38 36 26 19 12 10 6 4 4 4 4 3 3 3 2 2 2 2 1 1 1 1 1 1 1 viu brincar estava trazido tirou-le* tinha começaram espantada olhavam consegui consigo encontraram-se ajuda-los* são contente abaijouse* entre-gou-o* fizeste pensarem ficarão animados fora pâs* poderia ciumes* bambem* esticar-se consegui 103 Na tabela 19, destaca-se, na primeira posição, as construções verbais no Pretérito Perfeito Simples, na 3.ª pessoa do singular, com uma frequência total de 323, seguido do Infinitivo, com uma frequência, também, bastante significativa, de 219. Na coluna “etiqueta” encontram-se as POS-Tags atribuídas às palavras do subcorpus, seguida da coluna “designação”, onde explica o significado de cada etiqueta atribuída. Relativamente às etiquetas, estas são compostas por sete caracteres, que definem, no caso dos verbos, a categoria da palavra (se é verbo), o tipo (se é um verbo principal, auxiliar ou semiauxiliar), o modo, o tempo, a pessoa, o número e o género. Sempre que não existir um valor atribuído a um elemento, este é preenchido com um zero. Por exemplo, a etiqueta “VMIS3P0” (posição 7) corresponde a um verbo no pretérito perfeito simples na terceira pessoa do plural. Estas formas verbais ocorreram 19 vezes, como se observa na coluna, onde está designada a frequência. Como mencionado, algumas etiquetas referentes a tempos verbais foram geradas com base em palavras que continham erros ortográficos, que são facilmente identificadas na tabela com o sinal de asterisco (*), como em tirou-le , ajuda-los , abaijouse , entre-gou-o , pâs , ciumes e bambem . De ressalvar que foram, também, identificadas palavras com erros ortográficos noutros tempos verbais, embora não apareçam designados na tabela 19. Em relação ao processo de anotação automático, que como já fora discutido, tem o objetivo de etiquetar o corpus de acordo com a definição e o contexto de cada palavra. No entanto, esse processo é, por vezes, falível. Atente-se no exemplo consigo (posição 11 da tabela 19), cujo tempo verbal atribuído foi o presente do indicativo. Note-se, agora, o contexto global através da frase completa retirada do subcorpus, que diz “O girafo tinha um brinquedo consigo ”. Neste caso, o anotador etiquetou a palavra consigo como se fosse um verbo, sem ter em consideração o contexto em que esta palavra se inseria. Desta forma, o etiquetador falhou na atribuição da etiqueta aquando do processo de desambiguação da palavra. Casos semelhantes foram, também, detetados no processo de anotação com as palavras contente59 (posição 15), animados60 (posição 21) e fora61 (posição 22), cujas frases se encontram em nota de rodapé para uma melhor contextualização. Por outro lado, identificou-se a presença da utilização de tempos verbais, como o uso do condicional, e construções frásicas elaboradas, que denotam um nível de proficiência linguístico 59 “O Girafo esta muito contente ele e a Elefantina voltão a ser amigos”. 60 “Os dois estavam muito animados e contentes”. 61 “Fácilemente ela tirou o avião fora da água”. 110 5.6. ETIQUETAÇÃO MORFOSSINTÁTICA DO CORPUS EM ALEMÃO PADRÃO No subcorpus em AP, a diferença dos resultados ao nível dos itens e frequência das várias classes em relação aos resultados obtidos na etiquetação morfossintática do subcorpus em PE é pouco significativa. Atente-se no gráfico da figura 14, onde se expressam ao nível da frequência as várias classes de palavras etiquetadas no subcorpus em AP. Figura 14 Gráfico representativo das várias classes de palavras presentes no subcorpus em AP e respetiva frequência. Como é possível observar, os Verbos contabilizam 139 itens e uma frequência total de 754, sendo que sein , haben , spielen , wollen e kommen ocupam as cinco primeiras posições na tabela dos verbos mais usados pelos informantes. Seguem-se as classes dos Nomes com 88 itens e uma frequência de 616, os Adjetivos com 101 itens e uma frequência total de 257, os Advérbios com 52 itens e uma frequência de 235 e as Conjunções, onde foram identificados 17 itens lexicais e uma frequência total de 231. Por último, a classe de palavras dos Numerais contém 4 itens lexicais e uma frequência total igual ao subcorpus em PE, que foi de 8. Foram, ainda, identificadas várias classes de palavras que contêm itens lexicais com erros ortográficos, nomeadamente nos adjetivos, preposições, advérbios, conjunções, nomes e verbos. 257 203 235 231 616 8 437 754 0 100 200 300 400 500 600 700 800 Adjetivos Preposições Advérbios Conjunções Nomes Numerais Pronomes Verbos FREQUÊNCIA CLASSES DE PALAVRAS 111 Notou-se, no entanto, uma maior utilização de preposições por parte dos informantes na elaboração das narrativas em PE, quando comparados os resultados do subcorpus em AP. A classe das Preposições do subcorpus em AP teve uma frequência de 203, 200 a menos que no subcorpus em PE. A tabela 26 apresenta os níveis de frequência das várias classes de palavras resultantes do processamento automático de etiquetação morfossintática nos dois subcorpora. Por outro lado, o reverso aconteceu com a classe de palavras dos Pronomes, onde se registou uma maior frequência no subcorpus em AP, 213 itens a mais que no subcorpus em PE. Tabela 26 Comparação dos resultados obtidos no processamento de etiquetação morfossintático dos subcorpora em PE e AP. Os resultados apresentam o nível de ocorrências (frequência) em cada classe de palavras. Subcorpus em PE Subcorpus em AP VERBOS 828 (+74) 754 ADJETIVOS 230 257 (+27) PREPOSIÇÕES 403 (+200) 203 ADVÉRBIOS 219 235 (+16) CONJUNÇÕES 218 231 (+13) NOMES 664 (+48) 616 PRONOMES 224 437 (+213) NUMERAIS 8 8 Com esta informação, pretende-se apenas apresentar e constatar factos com base nos resultados obtidos, não havendo, por isso, meios para indagar sobre o porquê da diferença acentuada entre a utilização de preposições e pronomes nas duas línguas. Não obstante, uma análise pormenorizada destes resultados poderá ser relevante para futuras investigações. 5.6.1. Verbos A categoria de verbos mais utilizada pelos informantes na redação das suas narrativas em AP foram os verbos na terceira pessoa do pretérito perfeito do indicativo, como em “Er fing an damit zu spielen”. Seguiram-se os verbos auxiliares também na terceira pessoa do pretérito perfeito do indicativo, como em “Als sie es aus dem Wasser gefischt hatte , gab sie es sofort Giraffo” e as construções com recurso ao infinitivo, como por exemplo em “Da fing Giraffo an zu weinen (...)”. A tabela 27 mostra as 26 categorias verbais usadas nas narrativas em AP. 112 Tabela 27 Etiquetação morfossintática da classe de palavra “Verbos” no subcorpus em AP. Posição Etiqueta Designação Exemplo Frequência 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 VFIN.Full.3.Sg.Past.Ind VFIN.Aux.3.Sg.Past.Ind VINF.Full VPP.Full.Psp VFIN.Aux.3.Sg.Pres.Ind VFIN.Full.3.Sg.Pres.Ind VFIN.Mod.3.Sg.Past.Ind VFIN.Full.3.Pl.Past.Ind VIMP.Full.2.Sg VFIN.Aux.3.Pl.Past.Ind VFIN.Full.3.Sg.Pres.Subj VFIN.Aux.3.Sg.Past.Subj VFIN.Aux.3.Sg.Pres.Subj VFIN.Aux.3.Pl.Pres.Ind VFIN.Full.3.Pl.Pres.Ind VINF.Aux VFIN.Mod.3.Sg.Past.Subj VFIN.Aux.2.Sg.Pres.Ind VIMP.Full.2.Pl VFIN.Mod.3.Sg.Pres.Subj VFIN.Mod.3.Sg.Pres.Ind VFIN.Full.1.Pl.Past.Ind VINF.Full.zu VFIN.Full.2.Pl.Pres.Ind VFIN.Full.1.Sg.Pres.Ind VFIN.Mod.3.Pl.Past.Ind Pretérito perfeito do indicativo, 3.ª pess., sing. Verbo auxiliar no pretérito perfeito do indicativo, 3.ª pess., sing. Infinitivo Particípio passado Verbo auxiliar no presente do indicativo, 3.ª pess., sing. Presente do indicativo, 3.ª pess., sing. Verbo modal no pretérito perfeito do indicativo, 3.ª pess., sing. Pretérito perfeito do indicativo, 3.ª pess., pl. Imperativo, 2.ª pess., sing. Verbo auxiliar no pretérito perfeito do indicativo, 3.ª pess., pl. Presente do subjuntivo, 3.ª pess., sing. Verbo auxiliar no pretérito perfeito do subjuntivo, 3.ª pess., sing. Verbo auxiliar no presente do subjuntivo, 3.ª pess., sing. Verbo auxiliar no presente do indicativo, 3.ª pess., pl. Presente do indicativo, 3.ª pess., pl. Auxiliar no infinitivo Verbo modal no pretérito perfeito do subjuntivo, 3.ª pess., sing. Verbo auxiliar no presente do indicativo, 2.ª pess., sing. Imperativo, 2.ª pess., pl. Verbo modal no presente do subjuntivo, 3.ª pess., sing. Verbo modal no presente do indicativo, 3.ª pess., sing. Pretérito perfeito do indicativo, 1.ª pess., pl. Infinitivo com partícula “zu” Presente do indicativo, 2.ª pess., pl. Presente do indicativo, 1.ªpess., sing. Verbo modal no pretérito perfeito do indicativo, 3.ª pess., pl. fing hatte helfen passiert ist kommt wollte spielten wasser* waren nähe* würde sei sind/haben traffen* haben könnte hast nehmt könne* kann spielten* anzuschimpfen nehmt urhein* wollten 256 124 117 44 40 38 35 21 18 11 8 6 5 4 4 4 3 3 2 2 2 2 2 1 1 1 Relativamente às etiquetas, estas são compostas por seis elementos, separados por um ponto final. Atente-se no exemplo “VFIN.Full.3.Sg.Past.Ind”. O primeiro elemento (‘VFIN’) indica, neste caso, a categoria do verbo (verbo finito), o segundo elemento (‘Full’) indica o tipo de verbo (se é principal, auxiliar ou modal), o terceiro elemento (‘3’) indica a pessoa, o quarto elemento (‘Sg’) indica o número, o quinto elemento (‘Past’) indica o tempo e o sexto elemento (‘Ind’) indica o modo do verbo. Quando alguns dos elementos não são preenchidos por falta de informação, é colocado um asterisco, como por exemplo em “N.Name.Nom.Sg.*” (ver tabela 28). Foram identificadas algumas lacunas no processo de etiquetação morfossintático, nomeadamente na posição 9 e 10 da tabela. A maioria dos verbos etiquetados automaticamente com a categoria “VIMP.Full.2.Sg” (verbo imperativo, segunda pessoa do singular), correspondem a substantivos que os informantes não escreveram com a inicial maiúscula. Alguns exemplos dos tokens etiquetados são “wasser”, “netz”, “freunde”, “spiel” e “erfolg”. 113 Para além disso, nem todas as ocorrências do verbo sein na figura 15 correspondem à função de verbo auxiliar. Veja-se, por exemplo, as ocorrências de sein nas linhas 7 e 9, onde este é utilizado como verbo principal. Figura 15 Concordância dos verbos etiquetado com a etiqueta “VFIN.Aux.3.Pl.Past.Ind”. Por último, atente-se nos exemplos das posições 19 e 24 da tabela 27, cujo verbo conjugado “nehmt” foi etiquetado de duas maneiras diferentes, de acordo com o contexto em que foi utilizado pelos informantes. Na posição 19 observa-se que a etiqueta atribuída corresponde à forma do Imperativo na 2.ª pessoa do plural (‘VIMP.Full.2.Pl’) e na posição 24, a etiqueta atribuída corresponde à forma do Presente do indicativo na 2.ª pessoa do plural (‘VFIN.Full.2.Pl.Pres.Ind’). Desta forma, é percetível, como já fora referido, o papel desambiguador que o etiquetador morfossintático tem durante o processamento do corpus. 5.6.2. Nomes Ao analisar os tokens que foram etiquetados como Nomes, a primeira posição é ocupada maioritariamente pelos tokens “Giraffo” e “Elefantina”. Estes são derivados dos nomes comuns em alemão Giraffe (girafa) e Elefant (elefante), que no contexto das narrativas correspondem aos nomes próprios das personagens da história. Desta forma, é natural que estes ocorram com bastante frequência no corpus. A tabela 28 mostra as categorias de nomes identificados no subcorpus em AP, verificando-se uma forte utilização de nomes comuns por parte dos informantes nas suas produções escritas. Linhas 1 2 3 4 5 6 7 8 9 10 11 114 Tabela 28 Etiquetação morfossintática da classe de palavra “Nomes” no subcorpus em AP. Posição Etiqueta Designação Exemplo Frequência 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 N.Name.Nom.Sg.* N.Reg.Acc.Sg.Neut N.Reg.Dat.Sg.Neut N.Reg.Nom.Sg.Masc N.Reg.Nom.Sg.Neut N.Reg.Nom.Sg.Fem N.Reg.Gen.Sg.Masc N.Name.Nom.Sg.Masc N.Reg.Dat.Sg.Fem N.Reg.Acc.Sg.Masc N.Name.Dat.Sg.* N.Name.Dat.Sg.Neut N.Reg.Acc.Sg.Fem N.Name.Nom.Sg.Neut N.Name.*.*.* N.Reg.Dat.Sg.Masc N.Name.Acc.Sg.* N.Name.Acc.Sg.Neut N.Reg.Acc.Pl.Masc N.Name.Nom.Sg.Fem N.Reg.Dat.Pl.Masc N.Reg.Nom.Pl.Masc N.Reg.Acc.Pl.Neut N.Reg.Dat.Pl.Fem N.Name.Dat.Sg.Fem N.Reg.Nom.Pl.Fem N.Reg.Gen.Sg.Fem N.Name.Gen.Sg.* N.Reg.Gen.Sg.Neut N.Reg.Acc.Pl.Fem N.Name.Gen.Sg.Neut Nome próprio, nominativo, sing. Nome comum, acusativo, sing., neutro Nome comum, dativo, sing., neutro Nome comum, nominativo, sing., masc. Nome comum, nominativo, sing., neutro Nome comum, nominativo, sing., fem. Nome comum, genitivo, sing., masc. Nome próprio, nominativo, sing., masc. Nome comum, dativo, sing., fem. Nome comum, acusativo, sing., masc. Nome próprios, dativo, sing. Nome próprio, dativo, sing., neutro Nome comum, acusativo, sing., fem. Nome próprio, nominativo, sing., neutro Nome próprio Nome comum, dativo, sing., masc. Nome próprio, acusativo, sing. Nome próprio, acusativo, sing., neutro Nome comum, acusativo, pl., masc. Nome próprio, nominativo, sing., fem. Nome comum, dativo, pl., masc. Nome comum, nominativo, pl., masc. Nome comum, acusativo, pl., neutro Nome comum, dativo, pl., fem. Nome próprio, dativo, sing., fem. Nome comum, nominativo, pl., fem. Nome comum, genitivo, sing., fem. Nome próprio, genitivo, sing. Nome comum, genitivo, sing., neutro Nome comum, acusativo, pl., fem. Nome próprio, genitivo, sing., neutro Giraffo/Elefantina [ein] Spielzeug [aus dem] Wasser Elefant Flugzeug Elefantin*(e) Tages Giraffo/Elefantina(?) [in der] Hand Erfolg [von] Giraffo [von] Elefantina Idee Giraffo dan* [zum] Elefant Elefantina [für] Giraffo Freunde Elefantina Freunden Freunde Kinder Händen Badi* Giraffen Badi* Giraffos Schwimmbads Vorkenntnisse hats* 146 112 54 46 35 28 21 19 19 17 16 16 14 12 10 9 8 8 3 3 3 3 2 2 2 2 1 1 1 1 1 Observa-se, também, que as palavras de Elefantina e Giraffo , foram etiquetadas de diferentes maneiras durante o processo automático de anotação, correspondentes aos contextos em que apareciam. Alguns exemplos são visíveis nas posições 8, 11, 12 e 14 da tabela 28. Para uma exploração dos resultados através da ferramenta Sketch Engine , procedeu-se, ainda, ao manuseamento das funcionalidades disponibilizadas, a fim de observar o comportamento dos informantes na redação das suas narrativas em AP. Desta forma, com a adição de filtros de pesquisa que incidiam sobre os casos gramaticais (nominativo, acusativo, dativo e genitivo), conseguiu-se averiguar uma elevada frequência de nomes próprios no nominativo (frequência de 180), seguido de nomes comuns no acusativo (frequência de 149) e na terceira posição, com uma frequência de 115, de nomes comuns no nominativo. Estes resultados não se encontram 115 expressos em nenhuma tabela nesta dissertação, uma vez que foram obtidos através do processamento automático de etiquetação morfossintática, que já se encontra exposto na tabela 28. Quanto à combinação [caso gramatical+número+género], a primeira posição, com uma frequência de 146, é ocupada por nomes no nominativo, singular e sem género identificado. Na segunda posição observa-se a utilização de nomes no acusativo, singular e género neutro, com uma frequência de 120 e na terceira posição, com uma frequência de 70, encontram-se os nomes no dativo, singular e género neutro. Percebe-se, também, que houve uma elevada frequência de nomes no singular em comparação com os nomes no plural. 5.6.3. Pronomes Relativamente ao uso de pronomes, constatam-se, através da tabela 29, as categorias de pronomes identificadas pelo etiquetador morfossintático, uma utilização generalizada de pronomes pessoais na elaboração das narrativas em AP, que tiveram uma frequência de 291. Pese embora uma diferença considerável, os informantes recorreram, também, ao uso de pronomes possessivos (frequência de 43), indefinidos (frequência de 42), demonstrativos (frequência de 24), reflexivos (frequência de 21), relativos (frequência de 12) e interrogativos (frequência de 4). Tabela 29 Etiquetação morfossintática da classe de palavra “Pronomes” no subcorpus em AP. Posição Etiqueta Designação Exemplo Frequência 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 PRO.Pers.Subst.3.Nom.Sg.Masc PRO.Pers.Subst.3.Nom.Sg.Fem PRO.Pers.Subst.3.Acc.Sg.Neut PRO.Refl.Subst.3.Acc.Sg.* PRO.Pers.Subst.3.Nom.Sg.Neut PRO.Pers.Subst.3.Nom.Pl.* PRO.Pers.Subst.3.Dat.Sg.Masc PRO.Pers.Subst.3.Acc.Pl.* PRO.Dem.Subst.Acc.Sg.Neut PRO.Poss.Attr.Acc.Sg.Neut PRO.Pers.Subst.3.Acc.Sg.Masc PRO.Pers.Subst.3.Dat.Pl.* PRO.Indef.Subst.*.*.Neut PRO.Indef.Subst.Nom.Pl.* PRO.Poss.Attr.Acc.Sg.Masc PRO.Dem.Subst.Nom.Sg.Neut PRO.Poss.Attr.Acc.Sg.Fem Pronome pessoal substituto, 3.ª pess., nom., sing., masc. Pronome pessoal substituto, 3.ª pess., nom., sing., fem. Pronome pessoal substituto, 3.ª pess., acus., sing., neutro Pronome reflexivo substituto, 3.ª pess., acus., sing. Pronome pessoal substituto, 3.ª pess., nom., sing., neutro Pronome pessoal substituto, 3.ª pess., nom., pl. Pronome pessoal substituto, 3.ª pess., dativo, sing., masc. Pronome pessoal substituto, 3.ª pess., acus., pl. Pronome demonstrativo substituto, acus., sing., neutro Pronome possessivo atributivo, acus., sing., neutro Pronome pessoal substituto, 3.ª pess., acus., sing., masc. Pronome pessoal substituto, 3.ª pess., dativo, pl. Pronome indefinido substituto, neutro Pronome indefinido substituto, nom., pl. Pronome possessivo atributivo, acus., sing., masc. Pronome demonstrativo substituto, nom., sing., neutro Pronome possessivo atributivo, acus., sing., fem. er sie es sich es sie ihm sie das sein/mein/ihr ihn ihnen was/nichts (1) alle ihren das seine 81 80 28 17 16 15 14 14 13 13 12 12 9 9 7 6 5 116 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 PRO.Poss.Attr.Dat.Sg.Neut PRO.Pers.Subst.3.Dat.Sg.Fem PRO.Poss.Attr.Nom.Sg.Neut PRO.Inter.Subst.Nom.Sg.Neut PRO.Indef.Subst.Dat.Sg.Fem PRO.Indef.Subst.Nom.Sg.* PRO.Pers.Subst.3.Acc.Sg.Fem PRO.Indef.Subst.Nom.Sg.Neut PRO.Pers.Subst.2.Nom.Sg.* PRO.Poss.Attr.Nom.Sg.Masc PRO.Dem.Subst.Dat.Sg.Neut PRO.Pers.Subst.1.Dat.Sg.* PRO.Refl.Subst.3.Acc.Pl.* PRO.Rel.Subst.Nom.Sg.Masc PRO.Rel.Subst.Nom.Sg.Fem PRO.Rel.Subst.Dat.Sg.Neut PRO.Indef.Subst.Acc.Sg.Neut PRO.Indef.Attr.*.*.Neut PRO.Indef.Attr.Dat.Sg.Fem PRO.Poss.Attr.Dat.Pl.Fem PRO.Pers.Subst.1.Nom.Pl.* PRO.Indef.Subst.*.*.* PRO.Poss.Attr.Dat.Sg.Masc PRO.Dem.Subst.Nom.Sg.Fem PRO.Indef.Subst.Acc.Sg.Masc PRO.Indef.Attr.*.*.* PRO.Indef.Attr.Nom.Sg.Neut PRO.Rel.Subst.Acc.Sg.Masc PRO.Rel.Subst.Nom.Sg.Neut PRO.Poss.Attr.Dat.Pl.Neut PRO.Dem.Subst.Dat.Sg.Fem PRO.Pers.Subst.3.Dat.Sg.* PRO.Rel.Subst.Dat.Sg.Fem PRO.Refl.Subst.3.Dat.Pl.* PRO.Rel.Subst.Acc.Sg.Neut PRO.Rel.Subst.Dat.Sg.Masc PRO.Pers.Subst.3.Dat.Sg.Neut PRO.Poss.Attr.Gen.Sg.Masc PRO.Poss.Attr.Dat.Sg.Fem PRO.Indef.Subst.Nom.Pl.Masc Pronome possessivo atributivo, dativo, sing., neutro Pronome pessoal substituto, 3.ª pess., dativo, sing., fem. Pronome possessivo atributivo, nom., sing., neutro Pronome interrogativo substituto, nom., sing., neutro Pronome indefinido substituto, dativo, sing., fem. Pronome indefinido substituto, nom., sing. Pronome pessoal substituto, 3.ª pess., acus., sing., fem. Pronome indefinido substituto, nom., sing., neutro Pronome pessoal substituto, 2.ª pess., nom., sing. Pronome possessivo atributivo, nom., sing., masc. Pronome demonstrativo substituto, dativo, sing., neutro Pronome pessoal substituto, 1.ª pess., dativo, sing. Pronome reflexivo substituto, 3.ª pess., acus., pl. Pronome relativo substituto, nom., sing., masc. Pronome relativo substituto, nom., sing., fem. Pronome relativo substituto, dativo, sing., neutro Pronome indefinido substituto, acus., sing., neutro Pronome indefinido atributivo, neutro Pronome indefinido atributivo, dativo, sing., fem. Pronome possessivo atributivo, dativo, pl., fem. Pronome pessoal substituto, 1.ª pess., nom., pl. Pronome indefinido substituto Pronome possessivo atributivo, dativo, sing., masc. Pronome demonstrativo substituto, nom., sing., fem. Pronome indefinido substituo, acus., sing., masc. Pronome indefinido atributivo Pronome indefinido atributivo, nom., sing., neutro Pronome relativo substituto, acus., sing., masc. Pronome relativo substituto, nom., sing., neutro Pronome possessivo atributivo, dativo, pl., neutro Pronome demonstrativo substituto, dativo, sing., fem. Pronome pessoal substituto, 3.ª pess., dativo, sing. Pronome relativo substituto, dativo, sing., fem. Pronome reflexivo substituto, 3.ª pess., dativo, pl. Pronome relativo substituto, acus., sing., neutro Pronome relativo substituto, dativo, sing., masc. Pronome pessoal substituto, 3.ª pess., dativo, sing., neutro Pronome possessivo atributivo, genitivo, sing., masc. Pronome possessivo atributivo, dativo, sing., fem. Pronome indefinido substituto, nom., pl., masc. seinem ihr sein was einen man sie anderes du ihr/sein (1) dem mir sich der die dem alles/was nichts einiger/aller ihren/seinen wir mehr ihrem diese einen viel alles den was seinen der ihm der einander das dem ihm ihres seiner beide 5 5 4 4 4 4 4 4 3 3 3 3 3 3 2 2 2 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 No que concerne à frequência da combinação [caso gramatical+pessoa], os pronomes pessoais na 3.ª pessoa do nominativo ocorreram 192 vezes, revelando uma elevada utilização por parte dos informantes nas narrativas em AP em comparação com outros casos gramaticais. Por um lado, este resultado poderá sugerir uma tendência na utilização de estruturas mais simples e claras, em contrapartida, poderá indicar, também, um menor nível de proficiência linguística por parte dos informantes na utilização correta deste tipo de estruturas mais complexas e que exigem outro tipo de conhecimento. A dependência excessiva de pronomes na 3.ª pessoa pode sugerir, ainda, um vocabulário mais limitado e consequentemente pouca variação, levando a uma escrita 117 monótona e repetitiva. Não obstante, importa referir que muitas destas narrativas foram produzidas por crianças e, por conseguinte, a prevalência de pronomes na 3.ª pessoa pode refletir padrões específicos de desenvolvimento na aquisição da linguagem, indicando uma fase do processo de aprendizagem e não uma característica permanente do seu conhecimento linguístico. 5.6.4. Adjetivos Com uma diferença considerável, observa-se uma forte utilização de adjetivos superlativos ( superlative adjectives ) por parte dos informantes nas suas produções em AP. A tabela 30 mostra as categorias de etiquetação identificadas. Não obstante, e ainda que em menor frequência, foram identificados adjetivos declinados de acordo com o caso, número e género. Tabela 30 Etiquetação morfossintática da classe de palavra “Adjetivos” no subcorpus em AP. Posição Etiqueta Designação Exemplo Frequência 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 ADJD.Pos ADJA.Pos.Nom.Sg.Masc ADJA.Pos.Nom.Sg.Neut ADJA.Pos.Acc.Sg.Neut ADJA.Pos.Acc.Pl.Fem ADJA.Pos.Acc.Sg.Fem ADJA.Pos.Nom.Sg.Fem ADJA.Pos.Dat.Sg.Masc ADJA.Pos.Acc.Pl.Neut ADJA.Comp.Nom.Sg.Fem ADJA.Pos.Acc.Pl.Masc ADJA.Pos.Dat.Sg.Fem ADJA.Pos.Dat.Pl.Masc ADJA.Sup.Nom.Sg.Masc ADJA.Pos.Dat.Sg.Neut ADJA.Pos.Acc.Sg.Masc ADJA.Comp.Nom.Sg.Neut ADJA.Sup.Nom.Pl.Masc Adjetivo superlativo Adjetivo superlativo, nom., sing., masc. Adjetivo superlativo, nom., sing., neutro Adjetivo superlativo, acus., sing., neutro Adjetivo superlativo, acus., pl., fem. Adjetivo superlativo, acus., sing., fem. Adjetivo superlativo, nom., sing., fem. Adjetivo superlativo, dativo, sing., masc. Adjetivo superlativo, acus., pl., neutro Adjetivo comparativo, nom., sing., fem. Adjetivo superlativo, acus., pl., masc. Adjetivo superlativo, dativo, sing., fem. Adjetivo superlativo, dativo, pl., masc. Adjetivo positivo, nom., sing., masc. Adjetivo superlativo, dativo, sing., neutro Adjetivo superlativo, acus., sing., masc. Adjetivo comparativo, nom., sing., neutro Adjetivo positivo, nom., pl., masc. traurig/kaputt/böse anderer fröhliches freches bemerkte nette kluge abgefalen* hilfe* weitere gute einen gestreckten bester neuen tauchenden* grösseres beste 200 12 7 7 5 5 5 3 2 2 2 1 1 1 1 1 1 1 Os resultados sugerem uma preferência pela utilização de adjetivos superlativos, dado que estes seguem, frequentemente, um padrão mais fixo em comparação com os adjetivos declinados, que requerem concordância com o género, número e caso, na língua alemã (Stocker, 2012). Ainda assim, os adjetivos superlativos no nominativo e género masculino foram os que mais ocorreram, com uma frequência de 12. Esta utilização menos frequente de adjetivos declinados, pode advir 118 de vários fatores que não serão devidamente aprofundados. Apenas se pretende comentar os resultados obtidos. Posto isto, a pouca utilização de formas adjetivais declinadas pode indicar, por um lado, falta de proficiência, e assim, evitar erros de concordância ou um uso estratégico por parte dos informantes em optar intencionalmente por adjetivos superlativos (não declinados) para transmitir ênfase ou exagero nas suas produções escritas. A pouca utilização de adjetivos declinados pode, também, advir do facto de os informantes se encontrarem numa fase específica do seu desenvolvimento de aquisição linguística, e não dominarem características gramaticais mais complexas, como a declinação correta de adjetivos. 5.6.5. Advérbios A categoria dos advérbios foi uma das que teve menos frequência no subcorpus em AP. A tabela 31 mostra os resultados obtidos e onde constam alguns exemplos dos advérbios utilizados pelos informantes. Tabela 31 Etiquetação morfossintática da classe de palavra “Advérbios” no subcorpus em AP. Posição Etiqueta Designação Exemplos Frequência 1 ADV Advérbio an , da , zu , nach , auch , einfach , aber , sofort , vorbei , wieder , dort 235 Apesar de que estes possam ser classificados de diferentes maneiras, por exemplo, quanto ao tempo ( gestern , um 7 Uhr , manchmal ), lugar ( in die Stadt , dort , überall ), grau ( sehr , ziemlich , äußerst ), entre outras (Stocker, 2012, p. 73), essa distinção não foi feita pelo etiquetador morfossintático aquando do processamento, resultando na atribuição de apenas uma etiqueta (‘ADV’) para todos os advérbios presentes no subcorpus em AP. 5.6.6. Conjunções Ao contrário da etiquetação no subcorpus em PE, observa-se, através da tabela 32, mais variedade relativamente às conjunções presentes no subcorpus em AP. No entanto, é percetível a preferência dos informantes pelo uso de conjunções coordenativas nas suas narrativas. 119 Tabela 32 Etiquetação morfossintática da classe de palavra “Conjunções” no subcorpus em AP. Posição Etiqueta Designação Exemplo Frequência 1 2 3 4 CONJ.Coord CONJ.SubFin CONJ.Comp CONJ.SubInf Conjunção coordenativa Conjunção subordinativa finita Conjunção comparativa Conjunção subordinativa com verbo no infinitivo und , doch , denn weil , dass , ob wie um 155 61 9 6 Como já fora referido também noutras categorias, esta preferência por conjunções coordenativas sugere uma presença de estruturas frásicas mais simples, revelando, talvez, alguma dificuldade nos informantes em dominar outras competências de sintaxe mais complexas. Não obstante, observa-se uma frequência considerável de conjunções subordinativas finitas (posição 2 da tabela 32). 5.6.7. Preposições As preposições constituem a classe de palavras com menos frequência no subcorpus em AP. Na tabela 33 encontram-se os resultados obtidos através do processamento automático de etiquetação morfossintática. Tabela 33 Etiquetação morfossintática da classe de palavra “Preposições” no subcorpus em AP. Posição Etiqueta Designação Exemplo Frequência 1 2 3 4 5 6 APPR APPRART.Acc.Sg.Neut APPRART.Dat.Sg.Masc APPRART.Dat.Sg.Neut APPRART.Dat.Sg.Fem APPRART.Dat.Sg.* Preposição Preposição+artigo, acus., sing., neutro Preposição+artigo, dativo, sing., masc. Preposição+artigo, dativo, sing., neutro Preposição+artigo, dativo, sing., fem. Preposição+artigo, dativo, sing. in , auf , aus , an ins zum vom zur Zum 170 19 7 4 2 1 Como se pode observar, a utilização de preposições, como in , auf , aus , an , entre outras, obteve uma frequência de 170. Não obstante, identificou-se a utilização de preposições em articulação com artigos, dando origem a outras formas, como é o caso do exemplo da posição 2, cuja frequência foi de 19 e denota a utilização da contração da preposição com o artigo definido no acusativo do género neutro no singular ( in + das Þ ins ). Também nos exemplos das posições 3, 126 Tabela 35 Resultado do processamento linguístico das narrativas em PE e AP do informante B. Narrativa em PE Narrativa em AP Tokens / Types 215 / 109 137 / 80 Lemas 89 65 POS-Tagging Categorias Frequência Categorias Frequência Verbos 11 48 8 25 Nomes 5 38 13 24 Preposições 3 29 2 10 Advérbios 2 11 1 12 Pronomes 8 18 11 15 Adjetivos 1 6 3 8 Conjunções 2 16 4 10 Numerais - - A classe dos verbos é a classe que mais discrepância apresenta relativamente ao número de ocorrências quando comparadas as narrativas em PE e AP. Na narrativa em PE foram identificadas 11 conjugações verbais diferentes e registada uma frequência de 48, sendo que na narrativa em AP, o número de conjugações verbais diferentes foi ligeiramente mais baixo, nomeadamente 8, enquanto a frequência foi de 25. Por conseguinte, e sem grande margem para dúvida, tanto na narrativa em PE como na narrativa em AP, a conjugação verbal mais utilizada pelo informante B foi o pretérito perfeito do indicativo na 3.ª pessoa do singular. Também na classe dos nomes se notou uma diferença considerável, tendo sido identificada uma frequência de 38 nomes na narrativa em PE e uma frequência de 24 na narrativa em AP. Relativamente às categorias, na narrativa em PE identificaram-se 5 categorias de nomes diferentes e 13 na narrativa em AP. Já a frequência da classe dos nomes em PE foi de 38 e de 24 na narrativa em AP. Outra classe de palavras onde também se notou uma grande discrepância ao nível do número de ocorrências foi na classe das preposições. Na narrativa em PE foram identificadas 29 preposições e 10 na narrativa em AP. Quanto às diferentes categorias de preposições, a diferença foi relativamente baixa, tendo sido identificadas 3 categorias na narrativa em PE e 2 na narrativa em AP. Os resultados obtidos nas restantes classes de palavras mantiveram-se, de certa forma, semelhantes a nível das proporções entre categorias e ocorrências em ambas as narrativas. 127 Relativamente à presença de erros ortográficos, foram identificados apenas erros pontuais na classe de palavras dos nomes e pronomes na narrativa em PE e na classe dos verbos na narrativa em AP. Por último, de referir que não foram identificados erros na classe de palavras dos verbos na narrativa em PE. 5.7.3. Discussão de resultados Numa primeira instância, os informantes A e B apresentam características muito semelhantes quanto ao seu processo de aquisição linguística. Primeiramente, em ambos os casos, o contacto com a língua e cultura do país de acolhimento ocorreu numa fase precoce, tendo o informante A emigrando durante a infância com apenas 2 anos, e o informante B nascido na Suíça. Apesar desta exposição precoce à língua e cultura do país de acolhimento, em ambas situações, o PE foi a primeira língua à qual foram expostos, tendo sido mais tarde, no pré-escolar e na primária, respetivamente, que tiveram o primeiro contacto mais intensivo com o AP. De igual forma, ambos encarregados de educação referiram utilizar a língua de herança na comunicação diária, com exceção do informante B, que por vezes também comunica em alemão suíço com o seu irmão mais velho. Não obstante, apesar dos informantes não participarem em atividades culturais em associações portuguesas na sua área de residência, o contacto com a língua e cultura de herança, para além de ser mantido no seio familiar e com amigos e familiares portugueses à distância, ambos informantes frequentam aulas extracurriculares de PE e deslocam-se duas vezes por ano a Portugal. Para além disso, também em vários momentos de lazer, como ver televisão, ler ou ouvir música, é mantido por estas crianças um contacto com o PE. Dada esta conjuntura de fatores, percebe-se que, embora tenham emigrado há vários anos, o contacto com Portugal e a língua e cultura portuguesas nunca deixou de existir, fazendo, inclusive, parte do quotidiano destas crianças. Ademais, esta exposição diária a que estão sujeitos os informantes contribui bastante para que tivessem adquirido e consigam manter um determinado nível de proficiência equiparado ao de um nativo, como aliás, se percebe através das suas produções escritas. No que concerne às narrativas, é, também, percetível através dos dados recolhidos, que ambos informantes conseguiram demonstrar um nível de proficiência linguística muito idêntico em ambas as línguas, fruto de todos os fatores que contribuem para que a exposição à língua de herança permaneça e seja constante. Também Flores, Rinke et al . (2022), através do seu estudo sobre a produção da morfologia verbal e da posição dos verbos num corpus produzido por 60 informantes 128 bilingues (português-alemão), concluíram que os informantes apresentam conhecimentos sintáticos e morfológicos estáveis em ambas as línguas. Os dados recolhidos para o estudo de Flores, Rinke et al . (2022) são os mesmos utilizados no âmbito desta dissertação. Os autores apontam, ainda, que apenas foram identificadas diferenças de desempenho entre o corpus português e o alemão ao nível da ortografia. Relativamente às narrativas produzidas pelos informantes A e B, existe um melhor desempenho na narrativa em AP, como é de esperar, tendo em conta que o AP é a língua de escolarização dos informantes e tem um peso significativo no país de acolhimento, nomeadamente nas instituições de ensino, apesar de no registo oral, a variante suíça ser a mais utilizada. Ainda assim, a diferença que se fez sentir através dos resultados é ligeira. Por outro lado, apesar de terem sido identificados alguns erros ortográficos, estes também não têm um peso significativo na análise global do desempenho dos informantes nas suas produções escritas, demonstrando, uma vez mais, que os níveis de proficiência linguística entre o PE e o AP são bastante equiparáveis. Neste sentido, também os resultados obtidos nesta dissertação vão de encontro aos resultados do estudo de Flores, Rinke et al . (2022). 129 CAPÍTULO VI – PROTÓTIPO DE INTERFACE DE PESQUISA Este capítulo representa a segunda parte desta dissertação, uma vez que se destina à apresentação de uma prova-conceito de um protótipo de interface de pesquisa e constituirá um exercício de reflexão sobre o papel fundamental que este tipo de recurso tem nas investigações linguísticas. Com a crescente disponibilidade e importância de (grandes) corpora em vários domínios da linguística, o papel das ferramentas, como softwares e interfaces de pesquisa, passou a ser considerado como um instrumento científico parte integrante dos processos de investigação (Geyken & Kupietz, 2016). Não obstante, devido a limitações de tempo e recursos, não se procederá à elaboração de uma interface de pesquisa, mas sim à exposição de alguns aspetos, tais como conceitos, objetivos, público-alvo, funcionalidades, entre outros elementos relevantes para uma futura elaboração e implementação de um protótipo de interface, que colmate as necessidades deste e outros projetos de investigação. 6.1. OBJETIVOS DA PROVA-CONCEITO Como fora já mencionado, o recurso a amostras de linguagem, através da criação e compilação de corpora, tem crescido ao longo dos anos. Nesse sentido, pretende-se que este e outros tipos de recursos semelhantes não fiquem restringidos aos projetos para os quais foram criados, contribuindo para a sua sustentabilidade e eficácia no âmbito da linguística. Soehn et al . (2008) referem que “the process of building a language resource is expensive, time-consuming, and it includes aspects such as corpus sampling and linguistic annotation on multiple levels” (p. 27). Desta forma, a questão da sustentabilidade e da preservação de corpora tem vindo a ganhar visibilidade dentro da comunidade científica, mostrando, cada vez mais, um certo cuidado com a otimização destes recursos, principalmente findados os projetos para os quais foram recolhidos e/ou criados. Como Soehn et al . (2008) afirmam, dada a morosidade, a mobilização de recursos e os custos associados à recolha de dados linguísticos, em particular aos dados utilizados neste projeto de dissertação, recolhidos por investigadoras portuguesas a informantes que vivem na Suíça, torna-se pertinente a questão da sustentabilidade, preservação e do reaproveitamento deste tipo de recursos para outros fins investigativos. Desta forma, a criação deste protótipo de interface de pesquisa tem como objetivo principal o armazenamento do corpus criado para este projeto de dissertação. Assim, pretende-se que, numa primeira instância, esta interface funcione como um 130 repositório e/ou base de dados, que possa ser disponibilizada e acessível à comunidade científica, professores, familiares dos informantes, entre outros utilizadores que possam ter interesse por esta área de conhecimento e investigação. Pretende-se, assim, que o armazenamento do corpus na interface de pesquisa esteja disponível para visualização e/ou download nos formatos .txt e .xml, tanto na sua versão não anotada, como também na sua versão anotada. Para a visualização dos dados, almeja-se que o utilizador possa aceder ao corpus e às respetivas camadas de anotação sem a necessidade de o ter de descarregar, bem como a realização de pesquisas no próprio corpus (por exemplo, efetuar uma pesquisa através de um lema e verificar as flexões associadas ao mesmo). A preservação do corpus na sua versão não anotada, possibilitaria, numa segunda instância, que outros utilizadores, ao descarregarem os ficheiros do corpus, possam utilizar essas amostras para fins de investigação, explorando, por exemplo, outros níveis de anotação, como o ortográfico, dado que os erros produzidos pelos informantes foram preservados. Por outro lado, a versão anotada do corpus ao nível morfossintático e a sua lematização, possibilitam, também, uma panóplia de características e padrões suscetíveis para análise e futuras investigações, diferentes das que foram indagadas nesta dissertação. Para além do objetivo da sustentabilidade e reaproveitamento dos dados linguísticos, também a metainformação recolhida no âmbito dos questionários sociolinguísticos seria disponibilizada e acessível através da interface, dado a relevância que apresenta nesta área de estudos, possibilitando o cruzamento de variáveis e apresentação de novas conclusões. Relativamente ao tamanho do corpus, perspetiva-se que este possa ser alargado, uma vez que neste projeto de dissertação foram utilizadas apenas 40 narrativas das cerca de 500 recolhidas no âmbito do projeto Competência bilingue de crianças lusodescendentes residentes na Suíça . Desta forma, as restantes narrativas poderiam, também, ser etiquetadas ao nível morfossintático e lematizadas, ou ainda, processadas a outros níveis com recurso a uma ferramenta de processamento de corpora. A criação desta interface de pesquisa possibilita não só a preservação de amostras da linguagem recolhidas em contexto real, como a sua difusão, e ainda, que estes dados, ao serem reutilizados e reaproveitados, possam servir de objeto de estudo para futuros trabalhos de pesquisa. Para a apresentação da prova-conceito do protótipo de interface não serão tidos em consideração detalhes direcionados ao aspeto visual, pois nesta primeira fase, pretende-se a apresentação de 131 um protótipo acima de tudo funcional, centrado nas opções de pesquisa e que cumpra com os requisitos estabelecidos. A sua estrutura manter-se-á, portanto, numa linha objetiva e minimalista quanto aos detalhes gráficos. Para ajudar ao processo de reflexão e apresentação da prova-conceito do protótipo de interface de pesquisa, apresenta-se, no ponto 6.2., alguns projetos com exemplos de interfaces de pesquisa de relevância, onde serão mencionadas as principais características. 6.2. INTERFACES DE PESQUISA DE CORPORA EXISTENTES De acordo com Huang e Li (2010), “a well-designed user interface entails carefully considering the particular user group of the application and delivering an application that works effectively and efficiently” (p. 352). Os autores realçam a importância de uma conceção cuidadosa na criação de uma interface de pesquisa, afirmando que se deve ter sempre em consideração o grupo de utilizadores e compreender as suas necessidades, preferências e comportamentos, de forma a proporcionar uma boa experiência e que esta corresponda às expectativas dos mesmos. Huang e Li (2010) sublinham que na criação de uma interface de pesquisa, “one needs to make sure that the interface matches the way users want to accomplish a task. One also needs to use the most appropriate modality at the appropriate time to assist users to achieve their goals” (p. 352). Neste sentido, apresentam-se alguns projetos que levaram a cabo a criação de interfaces de pesquisa e/ou repositórios, com o objetivo de contribuir para a reutilização de recursos linguísticos de forma acessível a grupos de utilizadores específicos. Os exemplos que se encontram abaixo mencionados dispõem de características e funcionalidades que se pretendem incluir no protótipo de interface de pesquisa descrito nesta dissertação. Desta forma, destacam-se projetos que contribuem para o reaproveitamento dos vários recursos linguísticos numa base de dados, que estes estejam disponíveis através de uma interface intuitiva e que permita ao utilizador efetuar pesquisas tanto nos corpora como através dos metadados. 6.2.1. CROW O Corpus & Repository of Writing68 (CROW) consiste numa base de dados de acesso livre que alberga um corpus de aprendizagem composto por mais de 10.000 textos produzidos por 68 https://crow.corporaproject.org/ 132 estudantes universitários oriundos de mais de 50 países diferentes (Yaylali et al., 2021, p. 2). À semelhança do corpus criado para esta dissertação, também os dados disponíveis no CROW correspondem a dados de aprendentes de uma L2. A criação do projeto ocorreu em 2014 na Universidade de Purdue (EUA), tendo-se expandido para mais cinco instituições de ensino superior nos EUA (Lan et al., 2019, p. 106), com o objetivo de apoiar a investigação e o desenvolvimento profissional em linguística aplicada e em retórica e composição. Lan et al . (2019) explicam “the learner corpus in Crow consists of writing assignments written by L1 and L2 students in first-year composition courses” (p. 106). Para aceder ao CROW, o utilizador tem de se registar na plataforma e efetuar um pedido de acesso para a visualização dos dados e manuseamento da interface. A ilustração 569 mostra a página inicial do CROW, depois de autorizado o acesso e colocando as credenciais ( user e palavra-passe) escolhidas pelo utilizador aquando do registo. Ilustração 5 Página inicial da base de dados do CROW. Como é possível observar através da ilustração 5, depois de ingressar na página inicial do CROW, o utilizador pode aceder diretamente ao corpus para efetuar pesquisas e/ou proceder ao download 69 O acesso à base de dados CROW realizou-se em janeiro de 2024 e, por conseguinte, as capturas dessa interface que se encontram nesta dissertação foram obtidas também nesse período. 133 do mesmo. Através do download , os dados (não anotados) são disponibilizados em formato .txt, com a devida metainformação referente ao informante e encontram-se organizados por pastas de acordo com o nível de proficiência e tipo de produção escrita. No repositório, o utilizador tem, ainda, acesso a materiais de apoio à sua investigação, como atividades, tipos de exames, rúbricas, entre outros documentos relevantes à pesquisa linguística. Relativamente à pesquisa no corpus, a ilustração 6 mostra os resultados obtidos aquando da pesquisa da palavra “language”. Ilustração 6 Resultados obtidos na pesquisa do token “language” no corpus CROW. Como é possível visualizar através da ilustração 6, encontra-se, na parte superior da plataforma, uma barra de pesquisa onde é possível introduzir a palavra que o utilizador pretenda pesquisar. Por sua vez, do lado esquerdo, a cinzento-escuro, aparecem vários filtros, como a instituição de ensino, o ano em que o texto foi produzido, o país de onde o informante é oriundo, qual a sua L1, entre outros elementos, que o utilizador pode selecionar se pretender efetuar uma pesquisa mais específica. Na parte central da plataforma são visíveis os resultados obtidos através da pesquisa. Na pequena tabela, logo abaixo da barra de pesquisa, aparecem alguns números referentes à 134 quantidade de vezes que a palavra pesquisada aparece nos textos de acordo com os critérios selecionados e também por milhão de palavras no corpus, e ainda, a quantidade de textos que contém a palavra pesquisada. Mais abaixo, é possível uma visualização dos resultados em linhas de concordância, para que o utilizador tenha acesso ao contexto em que a palavra se insere. Para além disso, o utilizador pode ter acesso à metainformação, que aparece abaixo da linha de concordância. É possível, ainda, a realização de pesquisas mais avançadas, as quais não se encontrarão descritas nesta dissertação e ficarão suscetíveis de uma indagação ao critério do utilizador. Pretende-se apenas mostrar, de forma sucinta, as principais característica desta e das restantes interfaces, que são relevantes para esta dissertação. 6.2.2. COSMAS II O Corpus Search, Management and Analysis System II70 (COSMAS II) foi desenvolvido pelo LeibnizInstitut für Deutsche Sprache (IDS), sucedendo ao sistema anterior COSMAS I (1991-2003), e constitui uma interface de pesquisa, que possibilita a consulta de grandes quantidades de dados textuais tendo em conta a anotação baseada em palavras (Soehn et al., 2008, p. 28). Assim, através desta interface, o utilizador pode efetuar pesquisas em subcorpora por via de metainformação ou extrair dados que contenham expressões ou palavras previamente pesquisadas (Soehn et al., 2008, p. 29). Os resultados são apresentados sob a forma de linhas de concordância. O utilizador pode, também, obter informações sobre o TTR e informação estatística sobre as colocações. A ilustração 771 mostra a página inicia da plataforma COSMAS II. 70 http://www2.ids-mannheim.de/cosmas2/ 71 O acesso ao sistema COSMAS ll realizou-se em janeiro de 2024 e, por conseguinte, as capturas dessa interface que se encontram nesta dissertação foram obtidas também nesse período. 135 Ilustração 7 Página inicial da interface COSMAS II. Ao ingressar na página inicial do COSMAS II (ilustração 7) é possível, através do menu disponível do lado direito, o acesso a uma visão mais pormenorizada da página ao clicar no separador “COSMAS II – Übersicht” (ilustração 8). Desta forma, é fornecido ao utilizador um panorama da interface, do projeto (desenvolvimento, características e organização) e dos sistemas de pesquisa disponíveis para a exploração e análise do corpus COSMAS II.