Resenha: Carmen Scherer. Korpuslinguistik. Heidelberg: Winter, 2006 (98 p.)

recebido em 27/07/2009 e aceito em 09/09/2009

Nascido Carmen Scherer, compiladora do Mainzer Zeitungskorpus, nos apresenta, nesta excelente “Einführung”, um panorama claro, preciso e muito didático da interessante área da linguística de corpus. A disposição do texto foi claramente concebida para um leigo na matéria, sem perder, no entanto, em rigor. O viés didático diz respeito não somente à disposição dos tópicos, como logo será exposto, mas também à presença, ao longo de todo o texto, de quadros-resumo, atividades práticas e uma bibliografia complementar para aprofundamento nos diferentes temas.

O primeiro capítulo do livro (“Korpuslinguistik – was ist das?”) começa com uma reflexão sobre a complementariedade entre o “theoretischer” e o “empirischer Ansatz” como fundamento da linguística. Carmen Scherer (doravante CS) refuta a aparente dicotomia que esses “Ansätze” representariam e salienta que eles perseguem o mesmo objetivo, “nämlich die Sprache zu beschreiben” (p.1). Amparada na pirâmide coseriana, CS considera que o “theoretischer Ansatz” lida com o sistema da língua, enquanto o “empirischer Ansatz” preocupa-se com o uso linguístico.

A autora define, a seguir, corpus como um conjunto de textos ou de excertos de texto [Textteilen] recolhidos e ordenados segundo determinados critérios linguísticos (p.3), salientando que os corpora podem ser escritos ou orais. Essa definição, aliás, é a que permitirá, no capítulo 5, uma aproximação ao controvertido papel da web como corpus. .

Segundo CS, os fatores que determinam a definição de um corpus são o tamanho, o conteúdo, a consistência e a representatividade. No que diz respeito à representatividade, Carmen Scherer a julga “oberstes Ziel” na compilação de um corpus. A condição fundamental para alcançá-la é uma definição clara do objeto da linguagem que se deseja pesquisar. A consistência, por sua vez, diz respeito aos tipos de texto e à proporcionalidade com que eles constituirão um corpus.

Ao referir-se ao tamanho, a autora se encarrega de abalar a crença segundo a qual há uma relação direta entre o tamanho de um corpus e a sua qualidade (“so hört man häufig, je gröβer ein Korpus ist, desto besser” (p.6)). Em sua opinião, o importante é ter clareza sobre o objeto e o objetivo de uma pesquisa com corpora, de maneira que corpora com um número entre 10.000 e 20.000 ocorrências [Textwörter] podem oferecer dados confiáveis. Junto ao número total de ocorrências, CS julga que o tamanho dos textos e dos excertos que os compõem são também fatores fundamentais.

O quarto fator que determina um corpus é o seu conteúdo. O conteúdo corresponde aos tipos e gêneros textuais empregados na constituição do corpus.

O capítulo I apresenta ainda vários parágrafos dedicados aos âmbitos de aplicação da linguística de corpus, tais como a linguística variacionista, a lexicografia, o ensino de línguas estrangeiras, a tradução e a linguística computacional. Especialmente interessantes são as considerações feitas sobre o uso de corpora na análise de erros e dificuldades como “feedback” no planejamento do ensino de línguas estrangeiras.

O capítulo II (“Arten von Korpora”) está reservado, como seu nome indica, à descrição dos diferentes tipos de corpora. CS elenca dois macroparâmetros de classificação. O primeiro é um critério quantitativo, que classifica os corpora segundo o seu tamanho. Assim, há corpora pequenos (com até 1.000.000 de ocorrências), corpora de tamanho médio (vários milhões de ocorrências) e corpora grandes (com mais de 100.000.000 de ocorrências). Muito mais interessante, no entanto, é a classificação baseada em critérios qualitativos. Com um total de nove traços em oposição binária, é possível classificar todas as opções de corpora possíveis.

A primeira distinção é entre corpora processados digitalmente (“computerlesbar”) e corpora não processados digitalmente (“nicht computerlesbar”). A autora lembra que a noção de corpus não está necessariamente atrelada ao meio digital, embora, nos últimos anos, um dos critérios empregados para definir corpus seja justamente o armazenamento e processamento digital. Na opinião de CS, corpus é um “Oberbegriff” que inclui ambas as acepções.

A segunda distinção diz respeito ao caráter dia- ou sinssitémico dos dados arrolados.

A terceira oposição é entre corpora de textos completos e corpora de excertos de textos (“Probenkorpora”).

A quarta distinção é entre corpora estáticos (”statische Korpora”) e corpora de monitoreamento. Os primeiros correspondem àqueles em que os critérios de seleção de textos permanecem inalterados. Nos corpora de monitoramento, esses critérios são modificados ao longo do tempo.

A quinta oposição é entre corpora de linguagem escrita e corpora de linguagem oral.

A sexta distinção é entre corpora de linguagem contemporânea e corpora históricos.

Uma oposição muito interessante pela qualidade dos dados que pode oferecer é feita entre corpora de referência e corpora especiais. Um corpus de referência objetiva representar uma língua na sua totalidade. Em termos coserianos, trata-se de um corpus diassitêmico, tal como o British National Corpus (BNC). Um corpus especial, por outro lado, preocupa-se com um eixo específico do diassitema. Nesse contexto, CS salienta o valor desse tipo de corpus para o ensino-aprendizagem de uma língua estrangeira, lembrando o caso específico do “Fehler-annotierter Lernkorpus des Deutschen als Fremdsprache” (FALKO).

A última distinção proposta pela autora está relacionada com o número de línguas. Os corpora são classificados como mono- ou multilingües. Entre os corpora multilíngues, por sua vez, é preciso distinguir entre corpora paralelos e corpora comparados [vergleichbare Korpora].

O capitulo III (“Analyse von Korpusdaten”), por outro lado, está dedicado à descrição dos procedimentos metodológicos no trabalho com corpora, apresentando conceitos-chave tais como “ocorrência” [Textwort], type / token, hapax legomena, “análise quantitativa”, “análise qualitativa”, “concordância”, etc. Destacam-se não somente a exposição clara e com abundante exemplificação, mas também a aplicação dos conceitos apresentados na análise de corpora já existentes. Esses exemplos de aplicação permitem compreender ainda melhor como avaliar os dados obtidos. CS recomenda que a comparação de dados seja feita utilizando-se, como base quantitativa da comparação,1.000.000 ocorrências em cada corpus. A autora, empregando os dados arrolados na comparação de três corpora do alemão (p.38), lembra que se deve observar uma relação entre as ocorrências do fenômeno sob análise e o tamanho do corpus.

Comentário à parte merecem os parágrafos dedicados à análise colocacional (p. 46-48), pela complexidade que esse fenômeno apresenta. Para a linguística de corpus, “colocação” é o padrão regular de palavras que acompanham uma determinada unidade léxica. A caracterização apresentada pela autora é muito parecida com a de outras teorias: “(...) palavras que aparecem tipicamente em combinação com uma unidade determinada” [Wörter die typischerweise in Verbindung mit einem Zielwort auftreten] (p. 46). Os exemplos arrolados pela autora, no entanto, permitem comprovar que não se trata exatamente do conceito de colocação adotado por teorias lexicológicas e/ou lexicográficas. CS oferece a seguinte listagem de “Kollokationspartnern” para Hund: Leine, bellen, Herrschen, Rassen, beiβen, Schwanz, wedelt, Gassi, Haustiere, Zucht, streicheln (p.47). Os exemplos se aproximam mais do que Coseriu chama de “solidariedades léxicas”. A autora parece reconhecer a dificuldade de compreender esse fenômeno linguístico, já que considera que essas unidades léxicas fazem parte do “conhecimento estereotipado de determinados conceitos” [stereotypisches Wissen über bestimmte Begriffe] (p.47). A sua análise projeta-se, assim, muito mais em direção a uma semântica de frames, embora não se aluda a ela ao longo da exposição.

A parte final do capítulo III está dedicada a considerações referentes aos índices de frequência, salientando-se as possíveis aplicações que esses dados podem ter.

O capítulo IV (“Arbeiten mit einem eigenen Korpus”) apresenta os procedimentos para montar um corpus. Segundo CS, há quatro passos que devem ser seguidos sequencialmente. Em primeiro lugar, formular de maneira precisa qual o objetivo da pesquisa; em segundo lugar, decidir entre compilar um corpus próprio ou procurar um corpus já existente; em terceiro lugar, levantar os dados a partir do corpus, e, finalmente, interpretá-los à luz do objetivo da pesquisa.

No que diz respeito à formulação de um objetivo de pesquisa, CS propõe as coordenadas que ajudam nessa tarefa: 1) o(s) ponto(s) do diassistema a ser(em) considerado(s), 2) o nível de organização da língua que será pesquisado e 3) o viés qualitativo ou quantitativo com que os dados serão analisados (p. 53).

Em relação ao emprego de corpora já existentes ou à necessidade de compilar um corpus próprio, a autora lembra que nem sempre essa última alternativa é a melhor opção. De fato, o capitulo V está reservado integralmente a apresentar a variada gama de recursos que corpora já existentes oferecem. Se se conclui, no entanto, que um corpus próprio é necessário, Carmen Scherer oferece uma detalhada explanação das questões que devem ser levadas em conta para essa tarefa. Curiosamente, começa salientando que nem sempre a digitalização dos dados é o melhor caminho, como acontece, por exemplo, quando se trabalha com materiais muito antigos redigidos em caligrafias, tais como a letra gótica [Fraktur], que, ao serem escaneados, apresentam um alto índice de erros de leitura.

O terceiro passo no processo de compilação corresponde ao etiquetamento. A autora fornece informações muito detalhadas sobre como proceder com tagging e parsing (p. 58-59).

Finalmente, o último passo, a interpretação dos dados, é a consequente aplicação dos três passos anteriores.

O quinto e último capítulo (“Arbeiten mit bestehenden Korpora”) é, talvez, um dos mais interessantes do livro para o germanista, pois apresenta, com grande luxo de detalhes e ótimos exemplos, todos os recursos disponíveis em três corpora do alemão, que, aliás, estão disponíveis livremente na internet. Carmen Scherer, no entanto, introduz o capítulo avaliando a validade da web como corpus. É bom lembrar que no nosso meio há uma aberta rejeição ao uso da rede como corpus. CS, em consonância com o espírito analítico dos alemães, examina a questão adotando como premissa a definição de corpus como conjunto de textos, e conclui que, sob essa perspectiva, a web é sim um corpus. No entanto, se corpus é definido como um conjunto de textos compilados segundo critérios linguísticos, então a resposta é negativa (p. 74). A autora considera que um grande empecilho ao se considerar a web como um corpus é o fato de que se desconhece o seu tamanho e, como já tinha sido explicado nos capítulos anteriores, esse parâmetro é essencial; posto que os resultados elencados de um corpus devem ser avaliados em relação ao seu tamanho. Sendo assim, não há como fazer uma análise quantitativa. Análises qualitativas, no entanto, são possíveis (p. 75). Por outro lado, Carmen Scherer lembra também que a web permite o acesso a uma enorme quantidade de dados linguísticos autênticos, sendo possível documentar a existência de unidades tais como expressões idiomáticas e palavras de baixa frequência, que, muitas vezes, constituem dados marginais em corpora existentes. Da mesma forma, os filtros de algumas search engines permitem buscar por domínios determinados. Julgamos que a análise feita pela autora é um “acerto de contas” equilibrado em relação à web. Concordamos plenamente com as suas palavras. O que a web pode efetivamente fazer é mostrar tendências da língua geral. No entanto, se o objetivo de um corpus é tirar conclusões quantitativas, conforme o exposto por CS, a web é, de fato, um corpus deficitário.

A parte final do capítulo V está dedicada à descrição detalhada de três corpora do alemão: o DWDS-Kernkorpus (Digitales Wörterbuch der deutschen Sprache), o conjunto de corpora do IDS, composto por cinquenta corpora, e o TIGER-Korpus, que tem como traço diferencial ser o único corpus etiquetado apto para pesquisas no nível da frase e não da palavra, como é o caso dos dois primeiros. A autora oferece abundante exemplificação de como esses corpora podem ser empregados para pesquisa, salientando que eles estão à disposição gratuitamente na internet.

Em síntese, Carmen Scherer nos oferece um panorama abrangente e rico em informações e exemplificações do interessante mundo da linguística de corpus. Uma leitura obrigatória para o linguista, seja ele germanista ou não.