Walk-through

Outro fator importante na pesquisa era definir como iniciar a descrição linguística dos textos. A melhor maneira seria ler os textos de cada gênero e anotar, simplesmente observar as palavras mais frequentes, ou observar que as palavras e as frases de um sermão são diferentes de um assento? Não obstante a importância de ler alguns textos e observar a sua formação, semelhante à proposta desta pesquisa, Biber e Finegan (1993) descreveram a variação diacrônica de três gêneros da língua inglesa, do século XVI até o presente e, posteriormente, Biber (1998) publicou os resultados de uma descrição ampliando para sete gêneros. No entanto, a metodologia usada para a identificação das dimensões diacrônicas de variação não foi explicitada. Assim, Berber Sardinha (2004) sugere que estudos de descrição diacrônica iniciam-se por meio de características sincrônicas, em que os textos históricos se encaixam, ou seja, em vez de iniciar com características compartilhadas de cada texto e partir para o agrupamento dessas características, inicia-se com a comparação dos textos históricos, com as características preexistentes relativas à descrição do português contemporâneo. Com base nisso,

Folio 13r [III] NOTICIA DE VARIOS AROMAS, Q' SE CONHECEM NO BRAZIL.

Ambar - Hé húa masa, q' se acha p^las praias do Mar de cores diferentes; br^co chamado Ambargri, pardo chamado Mexoeiro, e preto q' hé o infimo, todos cheios de fragrancia. Os Indios o vão pescar no fundo do Mar, e dizem q' são húas arvores nascidas no mesmo fundo do Mar com os troncos curtos e grosos esgalhados, a q' os mesmos brasos servem de folhas, brotão estas de si húa resina, q' despegada, e sahida nas praias hé o Ambargri q' os peixes comem, e q^to mais corrupto, mais negro. Acha-se tãobem pelas praias das Terras de Paria e Panamá, Golfo Mexicano, Costas de Florida, e Virginia.

Balsamo - Hé um arvoredo m^to alto e frondozo, chamado Caboreúba; engrosa o tronco athé 3 palmos, de 2 Castas, hum vermelho e outro pardo, ambos bons de lavrar, e m^to duraveis: tem ambos as folhas do comprim^to de 1 dedo, e largura de 2, a casca do páo toda reigada com seos intercascos. Desta lansa o precioso licôr nos mezes de Junho, Julho, Agosto e Setembro, com tanta abund^ca, q' ensopa a terra; entrando as aguas não estila mais: o licôr hé groso, como mel, e se apanha com húa colher; e não querendo q'q^r conservar a arvore, a corta, e mete-se húa ponta em húa fogueira, e a outra em húa vazilha p^r apanhar o balsamo, q' escorre em bica.

Cupaúba - Hé um tronco q' engrosa mais do q' o balsamo; há de 3 especies; hum chamado oleo pardo, p^r ser a madeira desta côr; os dois tem a madeira vermelhosa m^to duravel; hum de casca liza, e outro sarabulhenta, e intercascada; as folhas como de Limoeiro: Tem o oleo

Folio 14r [Está encadernado errado; deveria ser o Folio 13v]

no centro do madeiro, e p^a se-colher hade ser nos mezes de Junho athé Setembro, p^a o q' se dá hum furo no pé da arvore, q' chegue ao meio com trado ou machado, p^lo q' brota o oleo, q' das arvores velhas hé melhor, e mais abund^te. (...)

Texto 8: Exemplo de texto do gênero notícia Quadro 9: Exemplo de texto do gênero notícia Quadro 9: Exemplo de texto do gênero notícia

aplicou-se a tabela de traços linguísticos de Aires (2005)20 _{nesta pesquisa e,} posteriormente, foram realizadas as devidas adaptações.

Aires (2005) escreveu sua tese, intitulada Uso de marcadores estilísticos para a busca na Web em Português, com o objetivo inicial de investigar a utilização do PLN na Recuperação da Informação (RI) de textos em português provenientes da web. Por um lado, aplicar técnicas de PLN do português na RI, por outro, lançar alguma luz sobre as características, que se supõem diferentes, da web brasileira e dos usuários brasileiros e/ou em português. Foi a primeira tese que partiu dos problemas dos usuários em português em vez de aplicar técnicas já desenvolvidas para o inglês ou para a web em geral. Após alguns estudos preliminares, a autora optou por implementar um metabuscador e estudar a categorização das respostas em esquemas de classificação que fossem compreensíveis e úteis aos usuários. Assim, o principal objetivo de sua tese foi estudar para o português que categorizações dos textos e páginas web permitem uma forma mais fácil de organização dos resultados de uma busca e como obter automaticamente essa categorização. Para isso, investigou o uso de características estilísticas de um corpus de páginas web classificadas segundo as necessidades que satisfizessem os usuários.

Para a classificação automática dos textos em gêneros, utilizou os gêneros do corpus Lácio-Ref, um corpus aberto e de referência do português contemporâneo do Projeto Lácio-Web, composto por textos em português brasileiro escritos na norma culta. Utilizou o algoritmo da classificação J4821

, disponibilizado na coleção de algoritmos de aprendizado de máquina Weka, que é uma versão do algoritmo C4.5, usado para gerar uma árvore de decisão, que por sua vez pode ser usada para classificação.

Aires (2005), ao elaborar uma tabela de traços linguísticos22

, sugere levantar estatísticas baseadas em palavras (itens lexicais diferentes, iniciados por letra maiúscula, tamanho das palavras, etc.), estatísticas baseadas no texto como um todo (número de caracteres, frases, tamanho do texto) e outras estatísticas, como: pronomes, advérbios, verbos, marcadores discursivos, operadores argumentativos e expressões específicas, totalizando 46 sugestões de traços linguísticos.

20 _{Essa tabela está explicitada no Apêndice A.}

21 _{Vale ressaltar que nesta pesquisa foi utilizado o mesmo algoritmo devido aos resultados satisfatórios}

que Aires (2005) obteve. Quem aplicou o algoritmo foi Arnaldo Cândido Jr., mestre em Ciências da Computação pelo ICMC – USP, São Carlos, e pesquisador do NILC.

Com base em sua tabela, é que se iniciou a investigação e levantamento de traços linguísticos recorrentes no português do Brasil dos séculos XVI, XVII e XVIII, passando por adaptações para o contexto histórico. A seguir, são mencionadas peculiaridades de algumas características sugeridas na tabela de Aires (2005).

4.3.1 Estatísticas baseadas em palavras

 estimativa de itens lexicais diferentes, dado pelo número de itens lexicais diferentes dividido pelo número de itens ( type/token ratio );

 estimativa de itens lexicais diferentes, porém, considerando-se apenas os itens iniciados por letra maiúscula (capital type token ratio);

 número de dígitos;

 tamanho médio das palavras em caracteres;

 número de palavras longas (com mais de 6 caracteres);

Nesta pesquisa, essas estatísticas foram levantadas automaticamente com o uso de uma ferramenta computacional denominada extrator de traços, descrita na Seção 4.7.1.

4.3.2 Estatísticas baseadas no texto como um todo

 número de caracteres;

 tamanho médio das frases em caracteres;  número de frases;

Há alguns casos de pontuação que poderiam gerar problemas, como os exemplificados abaixo:

1. vos inhonorastis me. . Mas

Entre uma frase e outra há o uso inadequado do ponto final. 2. perto uma da. Outra

Apesar desses casos problemáticos, o extrator de traços desenvolvido está preparado para ser executado nesse cenário.

Ainda referente às estatísticas baseadas no texto como um todo, a tabela sugere levantar um tamanho médio das frases em palavras e um tamanho do texto em palavras. Tais características também são fornecidas pelo extrator de traços.

4.3.3 Outras estatísticas

Outras estatísticas referem-se às características lexicais e morfossintáticas, além de expressões que podem ser específicas de um gênero ou domínio.

 número de ocorrências das expressões ―acho‖, ―acredito que‖, ―parece que‖ e ―tenho impressão (de) que‖;

 verbo SER (nas formas ―é‖ e ―são‖) (devem ser considerada as grafias como ―he‖, ―sao‖, entre outras);

 pronomes na primeira pessoa (eu, nós);  pronomes na segunda pessoa;

 pronomes na terceira pessoa (ele e ela, plural e singular) – a análise dos pronomes de primeira, segunda e terceira pessoa deve ser manual, após realizar a busca no Philologic23, para verificar as variações de grafia e depois no Unitex24, considerando as variações das grafias encontradas;

 frequência e tipo de pronomes demonstrativos;  frequência e tipo de pronomes indefinidos;  frequência e tipo de pronomes interrogativos;  frequência e tipo de preposições;

 advérbios (lugar, tempo e terminados em -mente);  frequência e tipo de interjeições;

 operadores argumentativos;

 marcadores discursivos ―agora‖, ―da mesma forma‖, ―de qualquer forma‖, ―de qualquer maneira‖ e ―desse modo‖.

Além dessas sugestões, dentre outras estatísticas, a tabela original contempla os seguintes traços:

23 _{O programa será detalhado na Seção 4.4.} 24 _{O programa será detalhado na Seção 4.5.}

 amplificadores (amplifiers) – alguns exemplos são: ―absolutamente‖, ―extremamente‖ e ―completamente‖;

 conjuncts – alguns exemplos são: ―além disso‖, ―consequentemente‖, ―assim‖ e ―entretanto‖;

 downtoners – alguns exemplos são: ―com exceção‖, ―levemente‖, ―parcialmente‖ e ―praticamente‖;

 enfáticos (emphasizers) – alguns exemplos são: ―definitivamente‖, ―é óbvio que‖, ―francamente‖ e ―literalmente‖;

 verbos suasivos (persuasivo) como aderir, crer e dar;  verbos privados como ter e guardar;

 verbos públicos como abolir, promulgar e mencionar;  contrações;

 conjunções causais, finais, proporcionais, temporais, concessivas, condicionais, conformativas, comparativas e consecutivas.

Todas as características elencadas em ―Outras estatísticas‖ podem ser consideradas as mais complexas para serem identificadas e quantificadas, pois há sempre que levar em consideração a variação de grafia, as abreviaturas e o fato de os processadores de corpus não possuírem desambiguadores lexicais para corpus histórico. Outro fator importante a ser ressaltado é que alguns traços, como a ocorrência das expressões ―acho‖, ―acredito que‖, ―parece que‖ e ―tenho impressão (de) que‖ deverão ser alterados para se adequarem ao contexto de uma descrição de textos antigos, assim como os verbos, pois serão identificadas outras expressões, adequadas a cada gênero e ao contexto histórico.