TERMINOLOGIA E ATUALIDADE

Rūta MARCINKEVIČIENĖ

Vytauto Didžiojo universitetas

TERMINOGRAFIA E CORPORA TEXTUAIS

A linguística de corpus, que surgiu com o primeiro corpus textual há mais de três décadas, revolucionou a lexicografia geral. Hoje, os dicionários explicativos são elaborados com base, em maior ou menor grau, em corpora. A terminografia, neste aspecto, continua até hoje esquecida nos países mais avançados em linguística de corpus — quanto mais em países recém-chegados como o nosso. Aqui tentaremos mostrar quão importante, de fato indispensável, é o corpus textual para a elaboração de dicionários de termos.

A era das tecnologias informáticas e, juntamente com elas, dos corpora textuais informáticos distinguiu claramente a terminologia e a terminografia tradicionais das novas. A perspectiva dos terminólogos sobre várias questões começou a divergir acentuadamente: a própria concepção de termo, as fontes de termos, os critérios para distinguir um termo de um não termo, as qualificações do terminólogo, a normalização dos termos e algumas outras. Com a enorme expansão e interligação das áreas das ciências especializadas, o volume de trabalho dos terminólogos aumentou muito, pois, trabalhando com métodos tradicionais, dificilmente é possível acompanhar o progresso científico e tecnológico. É precisamente por isso que os termos passaram a ser vistos de outra maneira: enfatiza-se mais o uso do que a norma.

A terminologia tradicional, surgida no início deste século em consequência do enorme avanço tecnológico, preocupava-se sobretudo em designar conceitos, organizar a grande variedade de termos surgidos num curto espaço de tempo e sistematizar e normalizar a terminologia de diferentes ramos e áreas científicas. Desde o próprio início da terminologia como ciência autónoma, os termos eram vistos de forma diferente das outras palavras. Wüster, pioneiro da terminologia (citado segundo Pearson 1998: 10), afirmava que os termos deveriam ser tratados de modo diferente das palavras da língua geral, pois a terminologia começa pela análise dos conceitos. E os conceitos, como se sabe, exis-

5

tem independentemente não só dos termos que os designam, mas também das diferentes línguas. Os termos não são outra coisa senão nomes de conceitos, idealmente em relação direta com os próprios conceitos da seguinte forma: um conceito — um termo. Os termos eram definidos sobretudo com base no lugar ocupado pelos conceitos que designavam no sistema hierárquico de conceitos e nas relações com outros conceitos. A base da terminologia era constituída por termos criados por especialistas da área e/ou normalizados e aprovados, com um significado claramente definido, estabelecido e, portanto, protegido. Por isso, não é de todo surpreendente que os terminólogos tradicionais que adotavam posições prescritivas (cf. Wüster, para quem Sein-Norm era muito mais importante do que Ist-Norm) não se interessassem minimamente pelo estado real da língua em diferentes ramos científicos nem pelo uso autêntico dos termos.

Ao partir do conceito para chegar ao termo e assim constituir a terminologia de cada ramo específico segundo o princípio onomasiológico, os terminólogos da época não enfrentavam — nem poderiam enfrentar — o problema da identificação do termo, apenas o da sua criação. Além disso, naquela época, os diferentes ramos científicos ainda eram bastante autónomos. Os terminólogos também se especializavam em áreas distintas e conheciam a terminologia de domínios relativamente isolados. Com o surgimento de temas comuns, os seus representantes começam a interessar-se pelos termos; além disso, chegam à terminologia pessoas novas, que não são necessariamente especialistas de uma área científica específica e/ou linguistas, isto é, programadores, criadores de bases de dados terminológicas e de dicionários eletrónicos, entre outros. Como o uso real da língua e o número de novos termos há muito ultrapassaram as listas de termos aprovados existentes, a terminografia dos ramos científicos em rápida transformação, que fica bastante aquém da realidade devido ao método tradicional de fichas, não permite que os recém-chegados confiem nos termos registados anteriormente. Estes começam a ser recolhidos em textos; é precisamente o texto que passa a ser o ponto de partida do trabalho do terminólogo (Rogers et al. 1994: 843). Além disso, observa-se o seu uso real, que muitas vezes difere muito do ideal pretendido pelos normativistas da língua. É aqui que se torna pouco claro o que deve ser considerado um termo, quando uma palavra se torna terminológica, que uso de uma palavra deve ser considerado terminológico e como distinguir um termo de um não termo. Assim, a terminologia deixa de ser uma parte do léxico tão claramente definida e isolada. Passa a constituir um grupo de palavras bastante difícil de delimitar, cujo centro é ocupado por membros prototípicos, sempre entendidos como

6

Depois dos termos centrais vêm aqueles que só adquirem estatuto de termo em determinadas circunstâncias e num determinado contexto. Na periferia encontram-se também palavras que, à primeira vista, não se assemelham a termos, mas que deveriam ser consideradas como tais. Por exemplo, isso se aplica às palavras do vocabulário geral encontradas em textos de divulgação científica. Por esta e outras razões, é muito importante que os terminógrafos identifiquem os termos, os extraiam de textos autênticos e os descrevam. É precisamente por isso que os corpora se tornam tão importantes, assim como o software que facilita o trabalho com eles. A atenção ao uso real orienta os terminólogos mais para a descrição do que para a normalização, enquanto a divisão entre prescritivismo e descritivismo separa a terminografia tradicional da contemporânea.

Por que um corpus

O corpus, enquanto fonte de termos, é útil aos terminógrafos por muitas razões. Os autores que defendem a sua criação e utilização apontam as principais. Talvez o mais importante seja que, a partir de um único e mesmo corpus, obtêm-se de imediato três elementos necessários aos terminógrafos: os próprios termos, as suas definições, isto é, informação especializada sobre o próprio conceito, e exemplos de uso, bem como a frequência de uso, as combinações dos termos, etc. (Sager 1990, Meyer et al. 1996, Pearson 1998). Naturalmente, também podem utilizar o corpus investigadores que já disponham de uma lista prévia de termos. Nesse caso, obtêm do corpus informação especializada e linguística. Mas, quando os termos são extraídos do corpus, têm uma grande vantagem: são sistemáticos e relacionados entre si, pois textos individuais apresentam conjuntos de termos utilizados por autores específicos, em cada um dos quais os termos são cuidadosamente ponderados e se harmonizam uns com os outros. É precisamente por esta razão — para que os termos obtidos reflitam sistemas individuais — que textos completos, e não excertos, isto é, amostras, devem ser incluídos no corpus (Meyer et al. 1996: 268). Um corpus de textos completos também é necessário para obter informação especializada, que se perderia caso nos contentássemos com partes dos textos.

Hoje, os corpora criados pelos terminógrafos ainda são utilizados sobretudo para recolher informações sobre termos previamente conhecidos. Verifica-se,

7

se continuam a ser utilizados e, em caso afirmativo, como; se as suas características de uso se alteraram e, juntamente com elas, também o significado; se o âmbito dos conceitos por eles designados se modificou com o surgimento de novos termos. No entanto, o corpus é muito mais necessário para obter termos novos; talvez por isso a identificação de termos e a sua extração automática ou semiautomática sejam hoje alguns dos temas mais populares da terminografia eletrónica. A este respeito, o terminógrafo difere do lexicógrafo. Este último não se pergunta o que é uma palavra, mas apenas que palavras incluir em que dicionários; já o terminógrafo pergunta-se com bastante frequência o que é um termo. Os termos novos extraídos de um corpus e armazenados e tratados em bases de dados especializadas têm ainda outra característica: as suas fontes são indicadas com grande precisão e datadas, o que permite determinar o surgimento, a difusão e o desaparecimento dos termos.

Se imaginarmos o resultado final do trabalho do terminógrafo como uma base de dados eletrónica (DB), ou como um dicionário impresso elaborado com base nela, o corpus será importante em todas as etapas de preparação dessa DB. Os computadores abrangem todo o ciclo de trabalho do terminógrafo, desde os corpora informáticos, passando por programas especializados de pesquisa e identificação de termos, até à elaboração de bases de dados terminológicas, à descrição dos termos e à sua divulgação em formato eletrónico ou no formato tradicional de livro (Ahmad et al. 1994: 267).

O ciclo de trabalho do terminógrafo decorre da seguinte forma. Na primeira etapa, cria-se um corpus a partir de um arquivo de textos eletrónicos, segundo determinados princípios; em seguida, extraem-se dele os termos, que são transferidos para a DB e descritos, isto é, nos campos separados da DB apresentam-se exemplos típicos do seu uso, retirados do concordanciador, bem como definições obtidas da mesma fonte. Depois, com base na informação linguística e especializada obtida do corpus, indicam-se as palavras relacionadas com o termo descrito: sinónimos, antónimos, hipónimos e hiperónimos; fornecem-se referências cruzadas para as respetivas entradas, indica-se a pertença do termo a um domínio especializado e a sua posição no sistema geral de conceitos. Além disso, apresentam-se características gramaticais e pragmáticas, restrições de combinabilidade ou outras restrições de uso, informações sobre a recomendação do termo e, se assim se tiver decidido, equivalentes de tradução (para mais informações sobre as características da descrição terminográfica, ver Sager 1990: 142–163). Assim, o corpus é indispensável desde o início, isto é, desde o primeiro contacto com a própria

8

área científica até à fase final — o verbete de dicionário concluído. Os terminólogos atuais veem com grande ceticismo a informatização de dicionários impressos já existentes, elaborados sem recurso a corpora, isto é, a sua transferência para bases de dados (Sager 1990: 141).

Outra razão para os terminógrafos prepararem corpora especializados é que, para a terminografia, os exemplos de língua autêntica são ainda mais importantes do que para a lexicografia. São muito mais importantes do que a introspeção, pois o terminógrafo, ao contrário do lexicógrafo, não é especialista nem cria textos na variedade linguística que descreve. Perante um caso problemático, não pode perguntar: como utilizaria eu esta palavra?, mas apenas: o que significa esta palavra para um especialista da área e como a utilizaria um cientista, um tecnólogo ou um perito? Assim, devido à pouca utilidade do seu próprio sentido linguístico, os terminógrafos dependem muito mais do corpus do que os lexicógrafos. Atkins et al. dividem todos os utilizadores de corpora em três grupos: a) os que se interessam pela língua dos textos, b) os que se interessam pelo conteúdo dos textos e c) os que se interessam pelos textos enquanto textos, isto é, pela sua estrutura, criação, etc. (citado em Meyer et al. 1996: 269). Os lexicógrafos pertencem ao primeiro grupo, enquanto os terminógrafos pertencem aos dois primeiros, pois são importantes para eles tanto os conhecimentos linguísticos como os conhecimentos sobre o próprio domínio. Uma vez compreendida a importância do corpus para a terminologia e as possibilidades que oferece, é necessário definir como deverá ser o corpus terminográfico.

Que tipo de corpus

Como mencionado, o terminógrafo precisa de duas coisas igualmente importantes do corpus: informação linguística e informação temática; por isso, é importante que seja possível obter ambas. Do ponto de vista linguístico, o corpus deve ser tal que os termos nele sejam apresentados de forma clara e correta e, de preferência, acompanhados de definições. É desejável que haja o maior número possível de termos e que sejam variados, idealmente todos os criados e usados por uma comunidade linguística específica. Também é importante que os termos sejam usados em contextos numerosos e diversificados. Do ponto de vista temático, devem ser incluídos no corpus textos que revelem o conteúdo dos conceitos designados pelos termos, bem como as relações e dependências entre eles. É muito importante que os termos sejam definidos nesses textos.

9

Pelas razões indicadas, os especialistas propõem incluir nos corpora toda a gama de textos possíveis, considerados nos aspectos comunicativo e pragmático, desde os mais simples até os mais complexos. Pearson divide os textos de linguagens especializadas em quatro grupos, de acordo com a probabilidade de encontrar termos neles: a) aqueles em que o destinatário do especialista é um parceiro com conhecimentos equivalentes aos seus — outro especialista, isto é, artigos em revistas científicas com revisão por pares e monografias; nesses textos, a densidade terminológica é a mais elevada; b) textos dirigidos pelo especialista a um profissional da mesma área, mas de nível inferior ao seu, por exemplo, vários tipos de instruções e manuais; neles há um pouco menos de termos; c) textos de divulgação científica, escritos para pessoas sem familiaridade com uma área especializada. Neles, evitam-se deliberadamente termos complexos ou quaisquer termos, preferindo-se explicar, reformular com outras palavras e usar analogias e comparações; assim, se quiser muito, o autor pode passar inteiramente sem termos; d) textos correspondentes à comunicação entre professor e aluno: manuais e materiais didáticos. Neles há termos, mas são usados de maneira um pouco diferente. Uma característica importante desses textos são os termos explicados (Pearson 1998: 36–40).

Não basta caracterizar os textos de um corpus terminográfico apenas pelo aspecto comunicativo-pragmático. Outros parâmetros e proporções dos textos são igualmente importantes para a qualidade e a representatividade do corpus. À pergunta sobre quantos textos é preciso reunir para que se possa confiar nos dados do corpus formado a partir deles, os especialistas respondem: «Ao contrário do que ocorre com corpora de caráter geral, aqui a qualidade é muito mais importante do que a quantidade» (Meyer et al. 1996: 268). Por razões compreensíveis, os corpora especializados costumam ser menores do que os de caráter geral. No entanto, embora menores, são constituídos por textos integrais, não abreviados. Além disso, devem abranger todo o ramo representado, com todos os seus sub-ramos, previamente escolhidos pelos terminógrafos. Muitas vezes é difícil traçar uma linha clara que separe diferentes ramos da ciência, sobretudo quando esse ramo está relacionado com questões gerais e os compiladores do corpus se sentem tentados a aprofundar-se, isto é, a incluir mais textos escritos por especialistas para especialistas, que indubitavelmente pertencem àquela área. Por isso, recomenda-se aos terminólogos que consultem especialistas da área descrita, para que estes aconselhem quais textos devem ser incluídos, de modo a formar um corpus representativo em todos os sentidos e evitar que, juntamente com os textos não incluídos, sejam deixados de fora

10

conceitos sistemicamente importantes e os termos que os designam; e, acima de tudo, para que não predominem as prioridades de um único compilador (Ahmad 1993: 60). No caso de um corpus terminográfico, não se aplica de modo algum o princípio por vezes usado por lexicógrafos na compilação de corpora gerais: «O que tenho, isso coloco».

Considerando a tipologia dos corpora e os principais tipos de corpus no que diz respeito à continuidade — fechado, contínuo e monitor (monitor) —, propõe-se compilar o corpus terminográfico como um conjunto de textos do segundo tipo, ou, melhor ainda, do último. Assim, o corpus será constantemente complementado com textos novos, mantendo-se os antigos (no caso de um corpus contínuo) ou transferindo-os para um arquivo, caso se trate de um corpus monitor. O corpus contínuo aumentaria constantemente, e os princípios de composição definidos de antemão não seriam necessariamente mantidos, pois, à medida que as tendências editoriais mudassem, os textos novos poderiam desequilibrá-lo numa ou noutra direção. As proporções do corpus monitor permaneceriam inalteradas, e os textos novos ocupariam apenas o espaço inicialmente destinado a textos daquele tipo. De qualquer modo, é necessário atualizar o corpus constantemente, pois os termos envelhecem muito mais depressa do que as palavras da língua corrente.

Depois de ponderadas as questões gerais relativas à dimensão, à natureza e aos limites temáticos do corpus e tomadas as decisões, é preciso determinar quais textos concretos incluir, para que o corpus seja representativo e equilibrado. Em cada caso específico, é necessário levar em conta o gênero do texto, a época em que foi escrito, o autor e o estatuto linguístico, buscando a maior diversidade possível. Afinal, é a variedade de gêneros e a ampla gama de textos, dos mais sérios aos mais populares, que permitem selecionar tanto termos científicos e formais, entre os quais abundam neologismos criados por autores, como termos populares, muito mais difundidos e consolidados na língua falada.

Ao avaliar a idade dos textos, dá-se preferência aos mais recentes; contudo, textos escritos há mais tempo também podem revelar-se valiosos, sobretudo se os considerarmos do ponto de vista temático. A autoria também deve ser muito diversificada, para que as características estilísticas de um autor fortemente representado não se tornem dominantes. Embora a diversidade estilística dos textos científicos não seja muito grande, se a compararmos, por exemplo, com a da literatura, o estilo próprio do autor é importante não apenas para o uso das unidades linguísticas, mas também para sua seleção. Por isso, não é de surpreender que diferentes pesquisadores, sobretudo se pertencerem a diferentes escolas de pensamento científico, usem di-

11

tais termos. Para fins de padronização e normalização terminológica, assim como para a busca de neologismos, é muito importante dispor da maior diversidade possível de termos no corpus. O último aspecto, mas não menos importante que os demais, é também o estatuto linguístico dos textos. Dá-se preferência a textos originais, e não traduzidos, escritos por autores falantes nativos e, além disso, revisados e editados.

Ferramentas de análise de corpus para terminógrafos

Na última década, foi criado software variado para facilitar aos lexicógrafos a busca de palavras e outras formas de análise de corpus. Embora, em geral, o trabalho dos lexicógrafos e dos terminógrafos seja diferente, eles utilizam praticamente os mesmos recursos de software, isto é: a) listas de frequência de palavras; b) concordâncias, isto é, todos os casos de ocorrência da palavra em estudo em contextos de determinado tamanho, geralmente de uma linha; e c) estatísticas de parceiros de coocorrência (Meyer et al. 1996: 274). Essas ferramentas ajudam a analisar o corpus sob o aspecto linguístico.

Além das ferramentas de software linguísticas usadas em comum com os lexicógrafos, vêm surgindo gradualmente programas especializados, adequados apenas aos terminógrafos. Eles diferem dos programas gerais não mais pelo caráter linguístico, mas pelo caráter temático, pois se destinam à análise das informações contidas no corpus. Nesse caso, o corpus deixa de ser considerado um conjunto de contextos de uso dos termos e passa a ser visto como fonte de conhecimento especializado de um determinado campo ou ramo da ciência. Podem-se mencionar aqui vários grupos desses programas: a) programas destinados a analisar o texto sob o aspecto das informações nele apresentadas — busca de palavras semânticas, trechos de texto ricos em informação, nos quais se indicam as relações e dependências entre conceitos, etc.; b) programas que selecionam trechos do corpus necessários ao terminógrafo, por exemplo, definições de termos; c) programas que ajudam a analisar os conceitos denominados por termos e facilitam a organização do conhecimento extraído do corpus (knowledge acquisition systems). Embora esse último grupo seja inteiramente novo e muito promissor, a literatura especializada ainda lhe dedica pouca atenção. Escreveu-se muito mais sobre a possibilidade de coletar semiautomaticamente definições de termos presentes no corpus (Pearson 1998: 121–204).

12

Tanto para coletar definições como termos compostos, é necessário um corpus anotado morfologicamente, isto é, um corpus em que todas as palavras estejam marcadas de acordo com suas classes gramaticais. A etapa inicial do trabalho deve ser realizada pelo próprio lexicógrafo: ele lê os textos e coleta os termos definidos. Com base nessas informações, posteriormente elabora modelos morfológicos de definições — todas as combinações de sequências de classes gramaticais que ocorrem nas definições. Em seguida, o computador procura combinações desse tipo de palavras em todo o corpus. Assim, obtém-se não uma lista de termos e suas definições, mas uma lista de candidatos a termos definidos. Ela é então apresentada a um especialista da área, que a examina e elimina as frases desnecessárias. Para reduzir a quantidade de combinações morfológicas desnecessárias e coincidentes por acaso, indicam-se ao computador as unidades lexicais que ocorrem com maior frequência nas definições — palavras frequentes nas definições. De modo semelhante, também se podem extrair termos compostos do corpus; essa é a essência dos programas de primeira geração para identificação automática de termos, LEXTER (Bourigault 1995) e TERMINO (Lauriston 1994).

É claro que o processamento do corpus dessa maneira levanta alguns problemas. Em primeiro lugar, nem todas as combinações de palavras selecionadas são termos. Esse problema é resolvido compilando-se e introduzindo no computador uma lista de palavras desnecessárias (stop-list), que não são incluídas nas listas de candidatos a termos. Além disso, muitas vezes não fica claro quais palavras pertencem ao próprio termo composto e quais fazem parte apenas do seu contexto. Mas essas questões nem sempre são claras quando os termos são coletados manualmente.

Método semiautomático de seleção de termos

Para ilustrar as possibilidades oferecidas ao terminógrafo pelas ferramentas de software mais simples, escolhemos para análise a versão eletrônica de „Sintaksės“ de V. Labutis (T.I, V., 1994) e examinamos o texto com o pacote de ferramentas linguísticas de Mike Scott, WordSmith Tools, version 2.0 (Oxford, 1997). O objetivo da análise estatística era obter várias listas de palavras ou combinações de palavras, das quais se pudessem selecionar posteriormente candidatos a termos e os próprios termos.

Os indicadores estatísticos do texto analisado são os seguintes: o texto inteiro contém 37 319 palavras e formas de palavras; excluídas as repetições, restam

13

9.249 palavras e suas formas. O coeficiente de riqueza lexical (type/token ratio) é 24,78. O texto inteiro contém 2.364 frases, com um comprimento médio de 15,78 palavras por frase.

Em primeiro lugar, realizou-se a operação mais simples: elaborou-se uma lista de frequência de todas as palavras do texto, que permite esperar encontrar termos entre as palavras mais utilizadas. Como se pode ver no fragmento da lista apresentado, o texto é composto por palavras e formas de palavras ordenadas por frequência. Como o texto não contém etiquetas gramaticais que indiquem a pertença de cada forma de palavra às diferentes classes gramaticais, a lista não está lematizada; assim, as diferentes formas gramaticais da mesma palavra aparecem separadamente. Por uma questão de brevidade, tanto as palavras invariáveis como as diferentes formas flexionadas das palavras serão designadas simplesmente por palavras no restante do texto.

Tabela 1. As 20 palavras e formas de palavras mais frequentes no texto

N.º

Palavra e forma da palavra

Frequência no texto analisado

Parte ocupada do texto (%)

1.

IR

1,319

3.53

2.

SU

479

1.28

3.

AR

390

1.05

4.

FRASE

288

0.77

5.

ISSO

284

0.76

6.

PALAVRAS

258

0.69

7.

PODE

243

0.65

8.

O

229

0.61

9.

IŠ

206

0.55

10.

FRASES

196

0.53

11.

Į

194

0.52

12.

É

194

0.52

13.

COMO

187

0.50

14.

NE

182

0.49

15.

APENAS

171

0.46

16.

DE ACORDO COM

170

0.46

17.

SER

155

0.42

18.

JŲ

143

0.38

19.

FRASES

143

0.38

20.

COMBINAÇÕES

141

0.38

14

Como é habitual, o texto é composto por relativamente poucas palavras, que são usadas muitas vezes, e por muitas palavras usadas raramente. As palavras usadas uma única vez representam 62% de todas as ocorrências de palavras. Em geral, correspondem a metade do texto; depois de lematizada a lista, aparentemente continuariam a representar essa proporção, pois as formas derivadas das palavras seriam agrupadas sob as formas principais. As palavras usadas uma única vez e as raras, isto é, com 2 a 10 ocorrências, não interessam ao terminógrafo, pois a probabilidade de encontrar termos entre elas é baixa. Resta uma parte relativamente pequena da lista, apenas 6% das palavras do texto usadas com frequência, das quais já vale a pena recolher termos de uma só palavra.

Diagrama

Distribuição das palavras do texto e das suas formas segundo a frequência de uso (número de ocorrências)

Palavras e suas formas usadas mais de 10 vezes 6%

Palavras e suas formas usadas de 2 a 10 vezes 32%

Palavras e suas formas usadas 1 vez 62%

Se estes dados de uso fossem apresentados sob a forma de uma curva, e não de um diagrama, ver-se-ia que 10 ocorrências constituem um limite, um limiar muito claro, para lá do qual as palavras são usadas com muito mais frequência do que aquém dele. Uma análise mais aprofundada mostrou que, das 599 palavras usadas 10 ou mais vezes, nada menos que 239 são termos de uma só palavra ou partes de termos compostos; por outras palavras, palavras importantes para o terminógrafo. Incluem-se aqui denominações de classes de palavras, casos, fenómenos linguísticos, unidades e ramos da linguística.

A vantagem da lista geral de frequência das palavras é o limite de frequência de uso, já mencionado, que é muito claro; há, porém, várias desvantagens. Uma delas: a lista é composta por palavras isoladas, e, como se sabe, não há assim tantos termos de uma só palavra. Por outro lado, a maioria dos novos termos que não foram incluídos nos dicionários e, por isso, interessam particularmente aos terminólogos, são precisamente pluri-

15

palavras. A segunda desvantagem: uma grande parte da lista é ocupada por palavras gramaticais muito frequentes, que também são pouco úteis para os terminólogos. Esta última desvantagem pode ser eliminada preparando uma lista um pouco diferente, de palavras de conteúdo. As palavras de conteúdo são extraídas do texto de forma um pouco mais complexa, comparando o texto em análise com um corpus muito maior do que ele; neste caso, com o corpus computacional da Universidade Vytautas Magnus, com 55 milhões de palavras. Se uma palavra aparecer no texto em análise com uma frequência relativamente superior à média num corpus de grandes dimensões, então é considerada uma palavra de conteúdo desse texto. Em termos mais simples, se o texto é sobre cinema, essa palavra será mencionada com muito mais frequência no texto e, por isso, entrará na lista de palavras de conteúdo. Como se pode ver na tabela, aqui há muito menos palavras gramaticais, pois a sua frequência no texto e no corpus é aproximadamente igual. Assim, palavras mais específicas do texto em análise ocupam o primeiro lugar — no caso de um texto científico, os termos. Infelizmente, nesta lista, tal como na primeira, são apresentados isoladamente, e não em combinações.

Tabela 2. As 20 palavras e formas de palavras de conteúdo mais frequentes

N.º | Palavra e forma da palavra | Frequência no texto em análise | Frequência no corpus | Coeficiente de relevância 1. | SAKINIO | 288 | 707 | 2,974.8; 2. | SAKINIAI | 196 | 370 | 2,108.4; 3. | ŽODŽIŲ | 258 | 6,504 | 1,554.3; 4. | SAKINIŲ | 143 | 386 | 1,453.6; 5. | JUNGINIAI | 141 | 405 | 1,418.4; 6. | DĖMENŲ | 103 | 130 | 1,171.5; 7. | JUNGINIŲ | 103 | 591 | 909.2; 8. | DĖMUO | 77 | 124 | 847.4; 9. | SAKINYJE | 85 | 310 | 819.6; 10. | DĖMENYS | 73 | 106 | 815.0; 11. | DĖMENS | 71 | 84 | 814.2; 12. | SAKINYS | 91 | 528 | 801.4; 13. | DĖMENIU | 69 | 78 | 795.8; 14. | SINTAKSĖS | 68 | 163 | 704.7; 15. | SAKINĮ | 73 | 634 | 588.1; 16. | SAKINIUS | 61 | 315 | 550.1; 17. | TARINIO | 44 | 60 | 495.3; 18. | SAKINIAIS | 49 | 205 | 460.5; 19. | SUDĖTINIO | 42 | 75 | 455.4; 20. | TARINIU | 36 | 36 | 421.4

16

A terceira possibilidade do software baseado em métodos estatísticos é extrair do texto em análise as combinações de palavras que aparecem no texto com forma idêntica duas ou mais vezes. O programa permite detetar sequências com até oito palavras. Naturalmente, não há muitas formações desse comprimento no texto. Há muito mais combinações fixas de quatro, três e, sobretudo, duas palavras. No texto de V. Labutis em análise, há 2 combinações de oito palavras que aparecem pelo menos duas vezes, 6 de sete palavras, 23 de seis, 65 de cinco, 211 de quatro, 756 de três e nada menos que 2695 combinações de duas palavras. Apresentam-se a seguir sequências de palavras de diferentes comprimentos; as combinações cujas partes poderiam ser consideradas termos compostos estão destacadas a negrito, e ao lado indica-se o número de ocorrências dessa sequência no texto.

OITO PALAVRAS

É CONSTITUÍDO POR PELO MENOS DUAS PALAVRAS AUTÓNOMAS 2

CONSTITUÍDO POR PELO MENOS DUAS FORMAS DE PALAVRAS AUTÓNOMAS 2

SETE PALAVRAS

É CONSTITUÍDO POR PELO MENOS DUAS PALAVRAS AUTÓNOMAS 2

PELO MENOS DUAS FORMAS DE PALAVRAS AUTÓNOMAS 2

CONSTITUÍDO POR PELO MENOS DUAS PALAVRAS AUTÓNOMAS 2

APLICAÇÃO DE FORMAS DE PALAVRAS A OUTRAS FORMAS DE PALAVRAS 2

SEIS PALAVRAS

NO MÍNIMO DUAS PALAVRAS INDEPENDENTES 4

FORMAS DE VERBOS E PALAVRAS QUE FUNCIONAM COMO PREDICADOS 3

NA GRAMÁTICA ACADÊMICA DA LÍNGUA LITUANA LKG III 2

DUAS OU VÁRIAS FORMAS DE PALAVRAS INDEPENDENTES 2

APLICAÇÃO DE FORMAS A OUTRAS FORMAS DE PALAVRAS 2

E COM ALGUMAS CONSTRUÇÕES PREPOSICIONAIS 2

UMA PARTE DA FRASE OU UM MEMBRO DE UMA FRASE COMPLEXA 2

COM OUTROS CASOS E CONSTRUÇÕES PREPOSICIONAIS 2

COM CASOS E COM CONSTRUÇÕES PREPOSICIONAIS 2

A FORMA DA PALAVRA É APLICADA DE ALGUMA FORMA A 2

APLICAÇÃO DE FORMAS DE PALAVRAS A OUTRAS PALAVRAS 2

CINCO PALAVRAS

MENOS DE DUAS PALAVRAS AUTÓNOMAS 4

DE VERBOS E PALAVRAS QUE FUNCIONAM COMO PREDICADO 4

17

COM CASOS E CONSTRUÇÕES PREPOSICIONAIS 3

ESTRUTURAS PREDICATIVAS QUE FORMAM UMA FRASE COMPLEXA 3

OU VÁRIAS FORMAS DE PALAVRAS AUTÓNOMAS 2

UM ENUNCIADO INDEPENDENTE SOBRE UMA SITUAÇÃO DA REALIDADE 2

UMA PARTE OU UM MEMBRO DE UMA FRASE COMPLEXA 2

FUNCIONA COMO MODIFICADOR DE UM SINTAGMA NOMINAL 2

APLICAÇÃO DAS FORMAS A OUTRAS PALAVRAS 2

PODE FUNCIONAR TAMBÉM COMO FRASE COMPLEXA 2

E ENTRE AS ESTRUTURAS PREDICATIVAS DA FRASE COMPLEXA 2

E FORMAS DE PALAVRAS QUE FUNCIONAM COMO SUJEITO 2

COMO FORMAS DE DUAS PALAVRAS AUTÓNOMAS 2

COM OUTROS CASOS E CONSTRUÇÕES PREPOSICIONAIS 2

DO CASO OU DO CASO COM PREPOSIÇÃO 2

RELAÇÃO COM A CATEGORIA GRAMATICAL DE PESSOA 2

RELAÇÕES SINTAGMÁTICAS E SINTAGMAS 2

A CLASSIFICAÇÃO FOI CRITICADA MAIS DE UMA VEZ 2

COM UMA ORAÇÃO SUBORDINADA DE SEGUNDO GRAU 2

COM QUAIS CONSTRUÇÕES PREPOSICIONAIS 2

COM OUTROS CASOS E CONSTRUÇÕES PREPOSICIONAIS 2

COM O DATIVO E COM O INSTRUMENTAL 2

COM UMA ORAÇÃO SUBORDINADA DE ORAÇÃO COMPLETA 2

SÃO, NA MAIORIA, SINTAGMAS VERBAIS COM 2

APLICAÇÃO A OUTRAS FORMAS DE PALAVRAS 2

ORAÇÕES SUBORDINADAS DO MESMO GRAU 2

TÊM UM TERMO SECUNDÁRIO COMUM NA ORAÇÃO 2

PAPEL EM RELAÇÃO A TODA A ORAÇÃO SUBORDINANTE 2

A FORMA DA PALAVRA É APLICADA DE ALGUMA FORMA 2

APLICAÇÃO DE FORMAS DE PALAVRAS A OUTRAS 2

SINTAGMA OU OUTRA CONSTRUÇÃO 2

QUATRO PALAVRAS

E COM CONSTRUÇÕES PREPOSICIONAIS 5

E DE PALAVRAS QUE FUNCIONAM COMO PREDICADO 4

CUJO ELEMENTO PRINCIPAL É 4

MENOS DE DUAS PALAVRAS INDEPENDENTES 4

NÃO MENOS DE DUAS 4

FORMA DE PALAVRA QUE FUNCIONA COMO SUJEITO 4

QUE FUNCIONAM COMO SUJEITO E PREDICADO 4

FORMAS DE DUAS PALAVRAS INDEPENDENTES 3

COORDENATIVAS E SUBORDINATIVAS 3

CASOS E COM CONSTRUÇÕES PREPOSICIONAIS 3

DA PALAVRA QUE FUNCIONA COMO ELEMENTO PRINCIPAL 3

ESTRUTURAS PREDICATIVAS QUE FORMAM A FRASE 3

COM CATEGORIA GRAMATICAL DE PESSOA 3

MODO DE EXPRESSAR AS RELAÇÕES ENTRE PALAVRAS 3

ORAÇÃO SUBORDINADA DE SEGUNDO GRAU 2

SOBRE ESTES CONCEITOS, VER 2

18

SOBRE ISSO, NAS ATIVIDADES 2

OU UM CONSTITUINTE DA FRASE COMPLEXA 2

REVELA OUTRO CONSTITUINTE PREDICATIVO 2

UMA FUNÇÃO SINTÁTICA SECUNDÁRIA COMUM DA FRASE 2

QUALIDADE E QUANTIDADE DO MODO 2

O ADJETIVO FORMA UM SINTAGMA COM 2

COMO CONSTITUINTE DEPENDENTE DO SINTAGMA NOMINAL 2

TRYS ŽODŽIAI

PODEM SER 14

COM CONSTRUÇÕES PREPOSICIONAIS 11

MAIS OU MENOS 10

SINTAXE DA LÍNGUA LITUANA 9

AS FRASES PODEM SER 9

SINTAGMAS VERBAIS COM 8

OS CONSTITUINTES PODEM SER 7

CUJO CONSTITUINTE PRINCIPAL 7

SINTAGMAS NOMINAIS COM 6

NÃO MENOS DE 6

COORDENAÇÃO E SUBORDINAÇÃO 6

PODEM SER FRASES 6

FORMAS DE PALAVRAS AUTÓNOMAS 6

COM VERBOS E PREDICADOS 6

DE DUAS PALAVRAS AUTÓNOMAS 5

RELAÇÃO DE RECIPROCIDADE 5

DUAS PALAVRAS

PODE SER 118

E OUTROS 41

LÍNGUA LITUANA 36

FORMAS DAS PALAVRAS 35

TAMBÉM 34

ORAÇÃO COMPOSTA 32

PARTES DA ORAÇÃO 31

FORMAS DAS PALAVRAS 31

NÃO APENAS 29

COMBINAÇÕES DE PALAVRAS 26

COMBINAÇÕES COM 25

CONSTITUINTES PREDICATIVOS 24

PODE TER 23

NO ENTANTO 23

DOS ELEMENTOS PRINCIPAIS 21

O CENTRO PREDICATIVO 20

ELEMENTOS PREDICATIVOS 20

COMO SE 18

ORAÇÕES COMPOSTAS 18

19

PODE CONSTITUIR 17

ELEMENTO PRINCIPAL 17

COM CONSTRUÇÕES PREPOSICIONAIS 17

COM O GENITIVO 17

ASSIM COMO 16

SISTEMA LINGUÍSTICO 16

DO ELEMENTO DEPENDENTE 16

DE ORAÇÕES COMPOSTAS 16

ALÉM DISSO 15

E SEGUNDO 15

DO SINTAGMA 15

Como se pode ver pelos exemplos apresentados, as combinações de palavras mais longas lembram mais expressões ou frases, enquanto as mais curtas se assemelham a combinações sintáticas de palavras. O grau de fixidez também varia.

O grau de fixidez também varia, como se evidencia pelo número de ocorrências; por exemplo, algumas combinações de duas palavras ocorrem 118 vezes até mesmo num texto tão curto. Além disso, algumas cadeias de palavras coincidem inteiramente com termos compostos, por exemplo: oração subordinada de segundo grau, relação de ligação bidirecional, sistema linguístico; de outras, porém, é preciso extrair esses termos, por exemplo: revela outro constituinte predicativo, a forma da palavra é de algum modo aplicada ao constituinte principal, etc. Embora devam ser abreviados, são informativos à sua maneira, pois as palavras predicativas (destacadas nos exemplos), que não pertencem ao próprio termo, mas ao seu contexto, fornecem informações importantes sobre a combinabilidade e as características do uso.

A lista mais recente, assim como as anteriores, não está lematizada; por isso, o mesmo termo polilexical repete-se em diferentes formas gramaticais. Além disso, repete-se também em cadeias de palavras de diferentes comprimentos — da mais longa à mais curta: é constituído por formas de pelo menos duas palavras autónomas, formas de pelo menos duas palavras autónomas, formas de palavras autónomas, formas de palavras. Seja como for, as ocorrências frequentes não dificultam, antes ajudam a identificar os termos compostos mais importantes e mais usados. Mesmo que os meios de software semiautomáticos mencionados não extraiam todos os termos do texto em estudo, permitem ainda assim identificar os mais importantes; e o facto de os terminógrafos lerem e tratarem as listas compiladas pelo computador garante a qualidade do resultado final.

20

Conclusão

A terminologia contemporânea, que procura recolher, descrever e normalizar os termos de vários ramos da ciência, não pode prescindir de um corpus informatizado e das outras etapas da preparação de um banco de termos informatizado a ele associadas: software de uso geral ou especializado, bases de dados lexicais, etc. O corpus deve ser preparado de modo a abranger a maior variedade possível de textos e, assim, representar a língua do ramo científico descrito. Mesmo recorrendo a software de uso geral destinado a lexicógrafos, é possível gerar automaticamente listas de palavras e combinações de palavras candidatas a termos, a partir das quais se selecionam os termos conhecidos e os novos.

Recebido em 21/06/1999

Literatūra

1. A h m a d 1994 – Ahmad, K., Davies, A., Fulford, H., Rogers, M. What is a term? The semi-automatic extraction of terms from text. In: M. Snell-Hornby, F. Pochacker, K. Kaindl (eds.). Translation Studies: An Interdiscipline. Amsterdam – Philadelphia, 1994, P. 267–278.

2. A h m a d 1993 – Ahmad, K. Pragmatics of Specialist Terms: The Acquisition and Representation of Terminology. In: Petra Steffens (ed.). Machine Translation and the Lexicon. Thirds International EAMT Workshop. Heidelberg, Germany, April 26–28. 1993. Proceedings. Berlin – Heidelberg, 1995, P. 51–76.

3. B o u r i g a u l t 1996 – Bourigault, D., Gonzalez-Mullier, I., Gros, C. LEXTER, a Natural Language Processing Tool for Terminology Extraction. In: Euralex ’96 Proceedings II, Goteborg, 1996, P. 771 – 780.

4. L a u r i s t o n 1994 – Lauriston, A. Automatic Recognition of Complex terms: Problems and the TERMINO solution. In: Terminology. Vol 1(1), 1994, P. 147–170.

5. M e y e r 1996 – Meyer, I., Mackintosh, K. The Corpus from a Terminographer’s Viewpoint. In: International Journal of Corpus Linguistics. Vol. 1(2), 1996, P. 257–285.

6. P e a r s o n 1998 – Pearson, J. Terms in Context. Amsterdam – Philadelphia, 1998.

7. R o g e r s 1994 – Rogers, M., Ahmad, K. Computerised Terminology for Translators: the role of text. In: M. Brekke, O. Andersen, T. Dahl, J. Myking. Applications and Implications of Current LSP Research. Proceedings of the 9^th European Symposium on LSP, Bergen, Aug. 2–6, 1993. Vol. II. Bergen, 1994. P. 840–851.

21

8. Sager 1990 – Sager, J.C. A Practical Course in Terminology Processing. Amsterdam – Philadelphia, 1990.

TERMINOGRAPHY AND CORPUS

Summary

The paper deals with role of a corpus in terminology in general and terminology in particular. It argues for the necessity to use not only corpus but also general purpose and specific tools for the extraction of terminology and compilation of terminological databases. Peculiarities of the terminographer’s corpus such as its contents, size and specificity are also discussed. In addition, a wide range of possible general purpose and specific tools for term extraction are presented here. Some of them, based on statistical analyses of a text, were applied for one Lithuanian text on syntax in order to show how different tools can produce different semi-automatic lists of terms.

22