Linguística de Corpus
- Proposto por
- John Sinclair
- Ano
- 1980
- Tipo
- Empirical process pipeline
- Família
- Empirical Linguistics
Este texto é uma tradução automática e ainda não foi revisado. Ler o original em inglês
O que ele faz?
A Linguística de Corpus é o estudo da linguagem baseado em coleções grandes e representativas de textos (corpora) processadas por computador.
Pioneiro por John Sinclair e outros, o método utiliza análise estatística, concordanciamento e ferramentas computacionais para examinar padrões de uso real da linguagem. A linguística de corpus transformou nossa compreensão do inglês e de outras línguas, revelando padrões de frequência, preferências de colocação e variação de registro que antes estavam ocultos. Ela serve à linguística teórica, ao ensino de línguas aplicado e ao processamento de linguagem natural.
A intuição por trás do método
Um corpus linguístico é como uma grande biblioteca de fala e escrita reais, cuidadosamente selecionada e organizada. Em vez de confiar em sentenças inventadas ou observações isoladas, os linguistas de corpus pedem ao computador para encontrar todas as instâncias de uma palavra ou frase, contar frequências, medir quais palavras tendem a aparecer juntas e comparar padrões entre diferentes tipos de texto (jornais versus romances, fala formal versus casual). Padrões que emergem em milhões de palavras frequentemente derrubam suposições teóricas ou confirmam previsões com rigor quantitativo.
História
John Sinclair foi pioneiro na linguística de corpus nas décadas de 1960-1980, construindo o Survey of English Usage e, posteriormente, o projeto COBUILD. O armazenamento digital e o poder computacional permitiram um crescimento exponencial nas décadas de 1990-2000. Grandes corpora como o British National Corpus, Corpus of Contemporary American English e o dataset Google Books Ngram transformaram o campo. Hoje, os métodos de corpus são padrão em linguística, estudos de línguas aplicadas e PLN.
Quando usar
Utilizar a linguística de corpus para investigar padrões de uso real da linguagem, para testar hipóteses teóricas com dados empíricos, para entender a variação entre registros e dialetos, ou para desenvolver recursos de linguagem para aplicações de PLN. Corpora são essenciais para o estudo de fenômenos de alta frequência, variação dialetal, mudança linguística e semântica lexical. Eles complementam métodos experimentais e introspectivos.
Limitações e considerações
- Corpora são amostras finitas; fenômenos de baixa frequência podem não ser adequadamente representados, e a ausência em um corpus não prova que uma forma seja impossível.
- A anotação (POS tagging, parsing) introduz erros que se propagam a jusante. A anotação manual é cara; a anotação automática é imperfeita.
- Os resultados refletem a composição do corpus (por exemplo, corpora escritos podem não representar a linguagem falada igualmente); vieses na seleção afetam os achados.
- Padrões de frequência não revelam diretamente a competência; alta frequência pode refletir fatores de desempenho como convenções discursivas em vez de estrutura gramatical.
As condições da fonte não substituem a revisão científica independente nem a validação por um motor de análise.
Pontos fortes
- Fornece evidências empíricas para padrões linguísticos baseados no uso real, reduzindo a dependência da introspecção e de sentenças inventadas.
- Permite análise quantitativa de frequência, colocação e variação em grandes conjuntos de dados diversos.
- Facilita a comparação interlinguística e inter-registro utilizando corpora padronizados e comparáveis.
- Suporta a descoberta de padrões (por exemplo, preferências semânticas, marcadores de registro) que seriam difíceis de prever sem dados.
Aplicações
- Estudar padrões de frequência e uso de verbos frasais em inglês (por exemplo, 'put up with', 'run into') para desenvolver materiais didáticos graduados por frequência.
- Analisar padrões de colocação para melhorar a tradução automática, garantindo que a saída respeite as preferências naturais de coocorrência de palavras.
- Investigar a mudança linguística ao longo do tempo comparando frequências de palavras e colocações em corpora diacrônicos (por exemplo, Google Books Ngram Viewer).
- Documentar línguas ameaçadas construindo corpora pequenos e especializados e analisando-os para criar dicionários e gramáticas.
- Estudar a variação de registro em inglês (acadêmico, notícias, conversação) para entender como vocabulário e sintaxe diferem entre contextos sociais.
Como funciona
Como funciona
Compilar uma coleção grande e representativa de textos (tipicamente milhões de palavras) em formato digital, garantindo diversidade entre gêneros, registros e falantes/escritores.
Tokenizar (dividir em palavras), anotar com etiquetas de classe gramatical (part-of-speech tags) e, opcionalmente, adicionar anotações sintáticas ou semânticas (parsing, reconhecimento de entidade nomeada).
Utilizar software de concordanciamento para extrair todas as ocorrências de palavras ou frases alvo, contar frequências, calcular colocações e gerar listas e distribuições de frequência.
Aplicar métodos estatísticos (análise de frequência, testes qui-quadrado, métricas de colocação) para identificar padrões, medir a força da associação e modelar a variação linguística.
Tirar conclusões sobre a estrutura da linguagem, padrões de uso, variação dialetal e de registro, e validar previsões teóricas contra evidências empíricas.
Erros comuns
- Assumir que a frequência no corpus reflete diretamente a aceitabilidade gramatical. Padrões ausentes podem ser marcados pragmaticamente em vez de agramaticais; baixa frequência pode refletir o contexto discursivo, não a impossibilidade linguística.
- Ignorar erros de anotação e tratar dados anotados automaticamente como padrão ouro. Validar anotações manualmente, especialmente para análises críticas.
- Generalizar excessivamente a partir de um corpus para a linguagem em geral. A composição do corpus importa; resultados do British National Corpus podem não se generalizar para o inglês falado em outras regiões.
- Confundir correlação com causalidade em padrões de colocação. Duas palavras podem coocorrer frequentemente devido ao tópico (por exemplo, 'neve' e 'inverno') em vez de dependência semântica ou gramatical.
Perguntas frequentes
Quão grande um corpus precisa ser?
Depende da sua pergunta de pesquisa. Para fenômenos de alta frequência (palavras comuns, tipos básicos de frases), dezenas de milhares de palavras são suficientes. Para fenômenos raros ou variação detalhada, milhões de palavras podem ser necessárias. Uma boa regra geral: você deve ter pelo menos 30-50 ocorrências do seu fenômeno alvo para análise estatística básica. No entanto, mesmo pequenos corpora especializados (milhares de palavras) são valiosos para a documentação de línguas ameaçadas.
O que é uma concordância?
Uma concordância é uma lista de todas as ocorrências de uma palavra ou frase alvo, tipicamente mostrada em contexto (geralmente uma ou duas linhas de cada lado). O alvo é centralizado para fácil escaneamento. Concordâncias revelam colocações (palavras que regularmente aparecem perto do alvo), variação de registro e padrões sintáticos. Software moderno de corpus gera concordâncias com contagens de frequência e opções de ordenação.
Como medir a força da colocação?
Várias métricas quantificam a força da colocação (associação). Informação Mútua (MI) mede o desvio da coocorrência aleatória; Razão de Verossimilhança Logarítmica (LLR) é um teste estatístico; T-score e Delta-P medem a associação de maneiras diferentes. Nenhuma métrica única é universalmente a melhor; métricas diferentes se adequam a diferentes perguntas de pesquisa. Inspecione frequências brutas juntamente com métricas para evitar artefatos onde colocações de baixa frequência mostram alta associação por acaso.
A evidência de corpus pode provar que uma frase é agramatical?
Não. A ausência em um corpus mostra que é infrequente ou ausente naquela coleção particular, não que seja impossível na língua. Frases podem ser raras devido a restrições pragmáticas ou discursivas, não gramaticalidade. Combine evidências de corpus com julgamentos de aceitabilidade, dados experimentais e raciocínio teórico para tirar conclusões sobre gramaticalidade.
Métodos relacionados
Fontes
Sinclair, J. M. (1991). Corpus, Concordance, Collocation. Oxford: Oxford University Press.
Abrir referência da publicaçãoCopiado.McEnery, T., & Hardie, A. (2012). Corpus Linguistics: Method, Theory and Practice. Cambridge: Cambridge University Press.
Abrir referência DOICopiado.Biber, D., Conrad, S., & Reppen, R. (2006). Corpus Linguistics: Investigating Language Structure and Use. Cambridge: Cambridge University Press.
Abrir referência da publicaçãoCopiado.