In this paper we present conceptual hierarchies automatically obtained from the popular newspaper Diário Gaúcho. The hierarchies were generated by means of ExATOlp tool through the extraction of noun phrases considered concept candidates by applying linguistic and statistic approaches. When accessed in a virtual learning environment, the hierarchies became a differentiated resource for vocabulary teaching and for the journalistic language patterns research in newspapers geared to audiences with lower education. Resumo. Neste artigo são apresentadas hierarquias de conceitos geradas automaticamente a partir do jornal popular Diário Gaúcho. As hierarquias são obtidas pela ferramenta ExATOlp através da extração de sintagmas nominais considerados candidatos a conceitos mediante combinação de técnicas linguísticas e estatísticas. Acessadas em um ambiente virtual de aprendizagem, as hierarquias oferecem recurso diferenciado para o ensino de vocabulário e pesquisa sobre padrões da linguagem jornalística voltada para públicos de menor escolaridade.
Este trabalho está assim organizado: na Seção 2, está a caracterização do quadro geral da pesquisa PorPopular, do corpus e do jornal DG; na Seção 3, descrevem-se a ferramenta ExATOlp, o processo de geração das hierarquias e traz-se uma pequena amostra de hierarquias obtidas; na Seção 4, exemplificam-se aplicações das hierarquias, apresentam-se limitações do trabalho e são indicadas possibilidades para trabalhos futuros.
A pesquisa PorPopular é de natureza linguística, centrada em aspectos lexicológicos e discursivo-gramaticais.
Adota a metodologia e ponto de vista da Linguística de Corpus (doravante LC) [
O DG impresso não oferece assinatura e é vendido apenas em bancas da cidade de Porto Alegre e
região metropolitana. Foi escolhido para estudo em função de sua grande tiragem (168 mil exemplares/dia) e
de sua longa existência (11 anos), além de já ter sido objeto de pesquisas na área do Jornalismo [
O processo de aquisição de hierarquias da ferramenta ExATOlp [
Em resumo, o processo de extração de termos aplicado consiste em considerar todos os termos
(multi-token) anotados como sintagmas nominais, ou tokens anotados pelo PALAVRAS como sujeito, objeto,
complemento de sujeito ou objeto de orações. Em seguida, aplica-se um conjunto de heurísticas propostas na
ferramenta ExATOlp. A aplicação dessas heurísticas foi comparada com uma abordagem estatística em
[
Hulk”; remover pronomes contidos nos termos, por exemplo, “Ele foi para sua casa de praia”, o sintagma salvo será casa de praia; criar termos implícitos detectados pelo uso de conjunções entre adjetivos, por exemplo, “As pessoas espertas ou sábias...”, nesse caso, dois termos serão salvos: “pessoas espertas” e “pessoas sábias”; criar termos genéricos pela remoção sucessiva de adjetivos, por exemplo, do sintagma “O perigo das doenças virais hemorrágicas”, cria-se mais três termos “perigo das doenças virais”, “perigo das doenças” e “perigo”; e replicar termos que são sujeitos de mais do que um predicado, por exemplo, “Pacientes idosos compram e tomam remédios caros” replica os termos, desdobrando a frase em duas: “Pacientes idosos compram remédios caros” e “Pacientes idosos tomam remédios caros”.
Os termos considerados segundo a aplicação das heurísticas são salvos em listas de acordo com o número de palavras que os compõem, ou seja, unigramas (uma palavra), bigramas (duas), trigramas (três), etc. Além da anotação sintática, o PALAVRAS realiza anotação semântica dos tokens de acordo com um conjunto de 16 categorias. Com base nessas etiquetas semânticas, os termos são organizados em uma estrutura de árvore hiperbólica, apresentada na Figura 1.
Figura 1. Visão geral do primeiro nível (categorias semânticas) da Hierarquia
Cada uma das categorias semânticas possui diversas etiquetas semânticas, totalizando 174 etiquetas distintas. Dessa forma, cada um dos termos extraídos (que correspondem às folhas da árvore) é relacionado a uma dessas etiquetas. A hierarquia baseada em categorias e etiquetas semânticas produz um primeiro nível qualificado. Em seguida, é feita uma nova estruturação a partir de cada etiqueta semântica, organizando o segundo nível da hierarquia. Nesse segundo nível, os termos (sintagmas nominais) são divididos em subgrupos que possuem o mesmo núcleo. Em seguida, é feita uma organização dos termos de cada subgrupo, considerando hiperônimo de um termo o termo que estiver contido nele.
Do corpus desta pesquisa, que possui 1.137.847 palavras, foram extraídos inicialmente 176.287 sintagmas nominais. Após aplicação das heurísticas de refinamento, 83.107 foram rejeitados. Os sintagmas aproveitados foram organizados em uma hierarquia em dois níveis: no primeiro, o nível das categorias semânticas; e, no segundo, nível hierarquia estrutural do termo. Por exemplo, o nodo mulher liga-se ao nodo humano num primeiro nível. Dessa forma, coloca-se hierarquicamente em relação a outros nodos semanticamente próximos, como homem, por exemplo. Partindo da estrutura lexical, são considerados filhos do nodo mulher os nodos que correspondem aos sintagmas mulher de minha vida – mulheres nascidas este dia – mulheres que vivem em Rio de Janeiro – mulheres escravas, etc.
A saída de todo o processo de geração de hierarquias realizado pela ferramenta ExATOlp são arquivos no formato XML. Arquivos desse tipo podem ser utilizados como formato de entrada de vários sistemas com diferentes aplicações. Uma delas é a visualização hiperbólica da hierarquia para analistas do discurso/texto, como nesta pesquisa com o DG. Nessa modalidade, é possível a manipulação dos termos por árvores interativas que facilitam tanto uma visão ampla dos nodos da hierarquia (Figura 2) quanto uma visão mais restritiva somente do segundo nível (Figura 3). Adicionalmente, as hierarquias possuem um terceiro nível, que corresponde aos verbos associados aos nodos, indicando-se a ocorrência do termo e seu respectivo contexto verbal. A Figura 4 traz a hierarquização do termo arroios e seus respectivos verbos. A hierarquia estabelece a seguinte ordem: hierarquia > concreto > inanimado > lugares > lugares aquáticos > arroios (que está relacionado com os verbos: limpar, alagar, ter, transbordar, encontrar, apresentar, ser). Note-se que o termo arroios possui hipônimos (arroio local, arroio que corta a restinga, etc.) que só aparecem quando não se observa seus contextos verbais (Figura 3).
Figura 2. Visão focada na etiqueta semântica <lugares> para o corpus DG Figura 3. Visão do segundo nível da Hierarquia para <lugares> no corpus DG
Figura 4. Visualização dos verbos na Hierarquia de conceitos do corpus DG
A aplicação mais direta das hierarquias produzidas pela ferramenta ExATOlp é a geração de dados para auxiliar a reconhecer padrões de organização de conteúdo de um corpus, o que permite também um aproveitamento para o reconhecimento de padrões vocabulares e textuais em diferentes cenários comunicativos e em distintas categorias de textos (redações escolares, textos jornalísticos, textos científicos, etc.) que conformem um dado corpus. No caso do jornalismo popular, um segmento ainda pouco estudado entre os pesquisadores de Comunicação Social/Jornalismo e de Letras/Linguística, o auxílio é bastante importante, sobretudo pelo tipo e desenho de informação que o recurso oferece ao investigador da linguagem em foco.
Como uma outra aplicabilidade futura associada também ao corpus DG, embora indireta, cita-se a construção de um dicionário on-line de português para estrangeiros, projeto em fase inicial ao Projeto TEXTECC <http://www6.ufrgs.br/letras/dicionarioportuguesle/>. Com novas hierarquias geradas desse corpus DG, segmentado por temáticas ou assuntos do jornal, esse dicionário on-line poderia dispor seus verbetes por nodos em vez de privilegiar uma ordem estritamente alfabética, ou até mesmo oferecer definições e verbetes dinâmicos, permitindo visualização da rede de relações estabelecida através da saída da ferramenta. Por meio da apresentação da hierarquia de conceitos, o usuário teria uma visão amplificada, por exemplo, de um determinado domínio semântico e que conseguiria estabelecer ou reconstruir as relações de forma mais dinâmica e proveitosa, construindo seu conhecimento de língua de forma mais concreta. Esse recurso também teria bom aproveitamento em dicionários para falantes nativos do português.
O trabalho realizado também poderia ser expandido para que as hierarquias incluam outras relações além da relação taxonômica “é um” representada na árvore hiperbólica. Assim, seria possível localizar termos que são sujeitos e objetos de verbos específicos e criar relações não-taxonômicas. Uma opção, por exemplo, seria extrair da ocorrência de uma frase tal como “Os alunos compram doces” e criar uma relação “comprar” entre o termo “aluno” e o termo “doce”. Este tipo de relação não-taxonômica seria fácil de extrair a partir da versão atual da ferramenta, mas seria necessário encontrar uma forma de escolher os verbos para criar as relações e o modo de visualização desse tipo de informação, pois uma árvore hiperbólica não se prestaria para isso, já que o conjunto de relações na maioria dos casos poderia gerar ciclos. Cabe salientar que o processo de aquisição de hierarquia de conceitos executado automaticamente pela ferramenta integra um trabalho de doutorado em andamento junto ao Grupo de Processamento da Linguagem Natural da Faculdade de Informática da PUCRS, de modo que novas configurações para a seleção dos sintagmas podem ser testadas.
A ferramenta ExATOlp gera representações de conteúdo dos textos que se prestam a um semnúmero de aplicações. Integrada a um ambiente virtual de aprendizagem que aproveita textos de um jornal popular, oferece uma visualização panorâmica sobre seu conteúdo em diferentes opções. Da integração entre o PLN, a geração de ontologias e os Estudos da Linguagem, especialmente com a LC, tem-se uma nova opção de leitura e de descobertas para os conteúdos e palavras postos nesse tipo de texto, sem contar que a amplitude e a dinamicidade das representações de conteúdo de textos e dos corpora tende a entusiasmar estudantes e pesquisadores.