Criando corpora pessoais Corpógrafo – presente e futuro Belinda Maia

PRESENTE

Corpógrafo Um conjunto de ferramentas que permitem: Criar corpora Analisar corpora Extrair e catalogar itens linguísticos Armazenar o material estudado Exportar os resultados

Corpógrafo Versão online: Versão descarregável Tem todas as funções Cada pessoa ou grupo trabalha num espaço próprio O trabalho de cada espaço é privado Versão descarregável Tem de pedir licenças para certas funções Não compatível com Windows

Criar corpora Colecção de textos Limpeza de formatação – e.g. .doc, .pdf, .ps, .html Fraseamento do texto Dicionário Registo de metadata Referências bibliográficas, fontes, etc Classificação - ‘medium’, género, domínio Língua

Criar corpora Organização – e reorganização - de textos em corpora Registo de metadata Relacionar corpora Alinhamento de textos paralelos Criação de corpora paralelos Exportação de corpora

Analisar corpora Concordância frase – frase inteira Concordância Janela – até 15 átomos de cada lado Concordância KWIC – até 15 átomos ou 100 caráteres N-grams – até 15 – ordem alfabética / frequência

Concordâncias Pode ver Metadata do texto fonte Estatísticas do átomo / frase no corpus Outra forma de concordância Em concordância janela – pode reorganizar por colunas à esquerda ou direita

Tipos de pesquisa Por expressões regulares MySQL Por PoS NooJ – em Francês, Inglês ou Português Utiliza dicionários etiquetados Por sequências de expressões regulares ou gramáticas NooJ

Centro de conhecimento Bases de dados terminológicas Objectivo original – extracção de terminologia Bases de dados fraseológicas Objectivo mais recente – permitir extracção e classificação de Itens do léxico geral Expressões multi-palavras

Bases de dados terminólogicas BDs - multilingual Ferramentas: n-gram com filtros para extracção de ‘candidatos a termos’ Possibilidade de pesquisar definições e relações semânticas Escolha de termos > traz metadata do corpus Dados terminológicos – registo de informação Material multimedia

Informação em BD Geração de estatísticas dos termos Frequência Co-ocurrência em textos Ferramenta para ‘bootstrapping’ textos a partir de termos escolhidos Concordância de corpora comparáveis Criação de relações semânticas pelo pesquisador

BDs Fraseológicas Algumas funções iguais ou semelhantes às BDs terminológicas MAS Pesquisa com gramáticas NooJ – resultados > BD Relações discursivos (Rhetorical Structure Theory) Possibilidade de criar classificações do investigador

Exportação de dados Exportação de corpora Exportação de BDs

FUTURO

Funcionamento Acelerar processamento Tornar possível manuseamento de maior quantidade de dados Permitir mais interacção entre áreas privadas quando desejado Criar possibilidade de projectos em grupo mais sofisticados

Textos e corpora Ferramenta para ‘bootstrapping’ de textos na Net na área de ‘uploading’ textos Criar possibilidades de aceitar mais tipos de ficheiros - .docx, ppt, pptx, etc Criar possibilidade de utilizar Corpografo com línguas como polaco, russo, grego, e até árabe e chinês etc Melhorar sistema de limpeza de textos

Listas do léxico Actualmente podemos criar um ‘dicionário’ de cada texto ou corpus Criar ‘standard wordlists’ para comparação + sistema estatística relacionado Etiquetagem PoS automática + ferramentas de correcção

Pesquisa de corpora My SQL - aumentar possibilidades com mais exemplos e tutorial próprio – para linguístas  Possibilidades de utilizar vários sistemas (semi-)automáticos de anotação Integração de uma ferramenta que permite ao utilizador criar a sua própria anotação

Outras Ideias Aumentar possibilidades de criar relações Sintácticos Semânticos Criar possibilidades de visualizar as relações estabelecidos Usar métodos estatísticos para criar ‘word clouds’ para futuro estudo e análise por linguístas > melhores ferramentas para data mining

Aproveitar Wordnet – original e em PT Framenet – original e em PT Outros maneiras ‘linguísticas’ de analisar a linguagem …… Sistemas informáticos > word clouds

Por exemplo http://news.bbc.co.uk/2/hi/americas/7813432.stm What words did George Bush use most during this eight-year presidency?

Wortschatz – Univ. Leipzig http://corpora.informatik.uni-leipzig.de/?dict=uk Computational Linguistics Artificial Intelligence