Contents

• Objetivos
• Introdução
• Apresentação do AC/DC
  • A sintaxe de procura
  • O corpo Literateca
  • Outras formas de pesquisa
• O uso da linguagem R
  • Roupa na literatura
  • Diferenças entre as personagens femininas e masculinas
  • A localização na literatura portuguesa
  • O helenismo na literatura brasileira
• Observações finais
• Referências

Objetivos

Introdução

Esta lição ensina a utilizar o projeto Acesso a corpos / Disponibilização de corpos (AC/DC), mais especificamente a Literateca, para investigar textos literários em português: por exemplo para estudar diferenças entre autores, escolas, e géneros literários ao longo do tempo. Além disso, ensina a apresentar os resultados da pesquisa com vários tipos de visualização utilizando a linguagem R.

Para seguir a lição, tem de conhecer o que são folhas de registo (dataframes) em R, e estar familiarizado com as formas de produzir gráficos de barra (bar plots) e gráficos de caixa (boxplots) no R. Além de consultar as Noções básicas de R com dados tabulares, pode também seguir o curso Visualização básica de dados tabulares com R.

Os casos específicos discutidos são:

• A roupa na literatura lusófona
• Diferenças entre a caracterização de personagens femininas e masculinas ao longo do tempo
• A localização na literatura portuguesa
• O helenismo na literatura brasileira

Depois de aprender esta lição, estará

• familiarizado com o AC/DC para estudos literários
• mais familiarizado com as ferramentas básicas de visualização do R

Apresentação do AC/DC

O AC/DC é um projeto já antigo cujo objetivo era tornar disponíveis corpos para o português. Na presente lição vamos simplesmente usar o corpo Literateca, que contém mais de 900 obras escritas por mais de 280 escritores lusófonos.

Um corpo é um conjunto de textos (neste caso, obras literárias) compilado com um objetivo específico (neste caso o estudo da língua na literatura em português) e classificado (o que se chama geralmente metadata). Além disso, os corpos do AC/DC são anotados pelo analisador PALAVRAS¹ e também são objeto de mais anotação semântica, como descrito em Santos (2014)². Vários exemplos de uso do AC/DC foram também descritos em Santos (2021)³.

A procura nos corpos é feita usando o sistema Open CWB⁴, que é um sistema para gerir e interrogar grandes corpos anotados (contendo até dois biliões de palavras).

A sintaxe de procura

Ao criar um corpo, define-se um conjunto de atributos que cada unidade (palavra, número ou sinal de pontuação) tem, e durante a anotação, preenchem-se os valores desses atributos, que depois entram nas pesquisas.

O primeiro atributo é a unidade em si, depois temos atributos morfosintáticos (por exemplo o lema, a categoria gramatical, o género morfológico), semânticos (o campo semântico a que pertence, o grupo a que pertence), e extralinguísticos (o autor, o sexo do autor, a data de publicação, a variedade do português).

Isso é exemplificado na tabela seguinte:

Tabela 1: Esta tabela contém um exemplo do texto “Estou sem pilhas!” no formato AC/DC, com quatro atributos (word, lema, pos, temcagr). Na realidade, a Literateca tem 27 atributos.

Um sistema de interrogação de corpos tem dois modos:

• a identificação do que se procura em contexto (que no AC/DC é em geral uma frase), e se chama uma concordância;
• a distribuição quantitativa dos resultados do que se procurou

Assim, para a mesma procura eu posso escolher como resultado uma concordância, ou a distribuição segundo um dos muitos atributos.

Assim, o AC/DC permite fazer buscas nos textos, e tanto identificar em contexto o resultado (para leitura próxima) como produzir um resumo quantitativo (a chamada leitura distante).

A sintaxe da procura é muito mais poderosa – não permite apenas procurar por palavras, é possível procurar em todos os atributos, e através de expressões regulares.

Alguns exemplos aqui:

• [lema=".*ver" & pos="V.*"] procurar casos de verbos acabados em ver
• [pos="N"] [pos="ADJ.*" & word="re.*"] procurar casos de substantivos imediatamente seguidos de adjetivos iniciados por re
• [lema="de"] [pos="DET.*"] [pos="N" & pessnum="S"] procurar casos da preposição de seguida por um determinante e por um ou mais adjetivos e um substantivo no singular
• [lema="gostar"] [pos!="[NV].*"]* [func="<PIV"] [func=">N"]* @[func="P<"] procurar casos do verbo gostar até obter o núcleo do seu objeto de preposição

Para uma descrição mais completa da sintaxe do AC/DC, ver o texto Santos (2012)⁵, assim como os exemplos e as perguntas já respondidas no sítio do AC/DC.

O corpo Literateca

Enquanto a informação morfossintática e semântica é a mesma para todos os corpos do AC/DC, cada corpo contém uma informação extralinguística própria, que depende da informação que foi possível – e pertinente – obter sobre cada texto.

Para a Literateca, temos os seguintes atributos, identificados pelo pedido de distribuição na figura 4.

O género de texto (atributo classe) está dividido entre Teatro, Prosa e Poesia, e em relação à Prosa, pode ter um dos seguintes valores: romance, novela, contos (livro de contos), conto, ensaio, cronica, historia, viagens, memorias, sermao, narrativaBiblica, autobiografia e cartas.

Para saber as obras ou autores incluídos, e qual a forma de os procurar, consulte a página lista de autores.

Outras formas de pesquisa

Além da interface de pesquisa direta, existem outras formas de pedir informação de distribuição ao AC/DC, nomeadamente o Comparador e o Distribuidor.

Enquanto o Comparador permite comparar duas distribuições com um único comando, o Distribuidor produz os resultados numa tabela que é facilmente utilizada em R.

Em primeiro lugar, é preciso escolher o corpo que se quer pesquisar. Neste caso,a Literateca.

Se, por exemplo, quisermos saber a quantidade de menções a roupa distribuídas pelas obras, autores e variante, basta pedir

?sema=/.*roupa.*/ obra autor variante

e, escolhendo a opção tsv para Tipo de resultado, obtém-se um ficheiro que pode ser lido depois diretamente pelo R. Chamamos-lhe distribuicaoRoupa.tsv. Para mais informação sobre roupa, consulte o artigo Santos (2021).⁶

Mostro aqui o princípio desse ficheiro:

A primeira coluna indica o nome da obra, a segunda o número de vezes que uma palavra marcada como sendo do campo semântico da roupa foi encontrada nessa obra, depois vem a coluna com o nome do autor e com o nome da variante. As próximas colunas não são relevantes, visto que não há variação da obra em relação ao autor ou à variante (por exemplo, a obra O primo Basílio é totalmente escrita por Eça de Queirós, na variante de português de Portugal…).

Para ter informação extralinguística sobre todas as obras da Linguateca, basta pedir no Distribuidor essa informação, por exemplo:

obra autor variante data decada

e guardá-la num ficheiro com um nome apropriado. Escolhemos distribuicaoObra.tsv: distribuicaoObra.tsv.

É importante esclarecer que algumas obras não têm data, apenas o século a que pertencem. Nesse caso, pode colocar-se uma data indicativa (como o ano 1650 para representar o século XVII) ou retirar-se essa obras do ficheiro, antes de invocar o R. ⁷

Convém também converter os ficheiros para UTF8.

O uso da linguagem R

Para descrever e visualizar os resultados, podemos incluir os ficheiros produzidos pelo Distribuidor no ambiente de programação R.

Roupa na literatura

Vamos primeiro observar quais os autores que têm mais menções a roupa.

roupa<-read.table("distribuicaoRoupa.tsv")
names(roupa)<-c("obra","roupa", "autor","variante", "lixo","lixo2")
obras<-read.table("distribuicaoObra.tsv")
names(obras)<-c("obra","tamanho", "autor","variante","data", "decada", "lixo","lixo2")
roupaObras<-merge(roupa, obras, by=c("obra","autor","variante"))
roupaObras$rouparel<-roupaObras$roupa/roupaObras$tamanho
roupaObrasOrdenada<-roupaObras[order(roupaObras$rouparel, decreasing=TRUE),]

Muito brevemente, as quatro primeiras linhas leem os ficheiros e dão o nome às colunas, a quinta junta a informação nas duas folhas de registo (dataframes) numa só, a sexta calcula a frequência relativa de roupa por número de unidades, criando uma coluna extra chamada rouparel, e a sétima obtém uma nova folha de registo ordenada pelo peso relativo do vestuário (que está na coluna rouparel).

Com os próximos comandos, podemos visualizar isso num gráfico de barras (Figura 5) e num diagrama de caixa (boxplot) (Figura 6), neste caso para dez autores que têm várias obras na Literateca.

par(mar=c(4,24,2,2)+0.1)
barplot(roupaObrasOrdenada$rouparel[1:25], names=paste(roupaObrasOrdenada$autor[1:25],"-",roupaObrasOrdenada$obra[1:25]),las=1, horiz=TRUE)
par(mar=c(4,4,2,2)+0.1)
dezautores<-subset(roupaObras,roupaObras$autor=="JulDin"|roupaObras$autor=="EcaQue"|roupaObras$autor=="RauBra"|roupaObras$autor=="CoeNet"|roupaObras$autor=="MacAss"|roupaObras$autor=="CamCBra"|roupaObras$autor=="AMBB"|roupaObras$autor=="JosdAle"|roupaObras$autor=="AlmGar"|roupaObras$autor=="AluAze",)
dezautores$autor<-dezautores$autor[drop=TRUE]
boxplot(dezautores$rouparel~dezautores$autor, xlab="",ylab="",las=2)

Vemos pelas duas visualizações que, embora as obras com mais menção relativa a roupa fossem contos de Machado de Assis (Figura 5), ao ver o conjunto das suas obras (Figura 6) é Eça de Queirós quem dá mais importância a esse campo semântico.

Por outro lado, também podemos observar a menção ao campo semântico do vestuário ao longo do tempo, usando para isso a data ou a década a que cada obra pertence, na Figura 7.

boxplot(roupaObras$rouparel~roupaObras$decada,las=2,xlab="",ylab="")

Diferenças entre as personagens femininas e masculinas

No AC/DC, marcamos todas as caracterizações como pertencendo a uma de quatro classes

• emoção
• carácter
• aparência
• social

Para explicação destas categorias e da forma de anotação, ver Freitas e Santos (2023)⁸.

Vamos agora ver que casos femininos e masculinos estão marcados com pred:aparencia, ao longo do tempo.

No distribuidor, pedimos a distribuição dos casos de aparência (no caso das obras literárias em prosa):

?sema=/.*pred:aparencia.*/ ?classe=/Prosa:.*/ ?decada=/[12].../ decada gen

e dos casos de predicação, seja ela qual for, em que se descreve uma pessoa (também no caso das obras literárias em prosa):

?sema=/.*pred.*/ ?classe=/Prosa:.*/ ?decada=([12].../ decada gen

Relembrando que

• escolhemos o corpo Literateca
• escolhemos a opção tsv

e temos de guardar os ficheiros com nomes descritivos. No caso em questão, chamei-lhes distribuicaoAparenciaDecadaGen.tsv distribuicaoAparenciaDecadaGen.tsv e distribuicaoPredDecadaGen.tsv distribuicaoPredDecadaGen.tsv.

No R, juntamos as duas informações, calculamos o peso relativo da aparência e depois produzimos uma figura ao longo do tempo:

apargen<-read.table("distribuicaoAparenciaDecadaGen.tsv")
names(apargen)<-c("decada","aparencia","gen","tamapargen","lixo")
predgen<-read.table("distribuicaoPredDecadaGen.tsv")
names(predgen)<-c("decada","pred","gen","tampredgen","lixo")
aparencia<-merge(apargen,predgen,by=c("decada","gen"))
aparencia$genrel<-aparencia$tamapargen/aparencia$tampredgen
barplot(xtabs(aparencia$genrel~aparencia$gen+aparencia$decada),beside=TRUE,las=2,legend.text=c("F","M"))

Vemos na Figura 8 que as mulheres têm quase sempre mais caracterização de aparência do que os homens, o que não deve constituir uma surpresa. Para muito mais informação sobre isto e sobre a construção social do género, veja-se o artigo Freitas & Santos (2023)⁸.

A localização na literatura portuguesa

Também está em curso um projeto de anotação de lugares, que distingue palavras que podem ser locais em alguns contextos e não noutros, que indica, no caso dos locais, qual o seu tipo e granularidade (cidade, país, rio, etc.) e, no caso de essas localidades serem reais, as suas coordenadas geográficas. Veja-se Viagem, assim como Santos & Bick (2021)⁹ para mais informações.

Dado isso, podemos identificar quais as cidades mais faladas na literatura portuguesa, usando simplesmente esta procura no AC/DC:

[sema="Local:cidade.*" & variante="PT"]

Assim como podemos investigar qual a cidade mais falada por obra, usando o Distribuidor e guardando o resultado por exemplo em distribuicaoCidadesObra.tsv.

?variante=/PT/ sema=/Local:cidade/ obra lema

Podem fazer um gráfico de barras que represente este resultado. Aqui, vamos comparar o número de locais empregues por autores diferentes, em romances e novelas, usando mais uma vez o Distribuidor e guardando o resultado em distribuicaoLocaisObra.tsv:

?variante=/PT/ ?classe=/Prosa:(romance|novela)/ ?sema=/Local:.*/ obra autor

Vamos visualizar isso através de um gráfico de caixa no R. De notar que reutilizaremos o distribuicaoObra.tsv que obtivemos anteriormente.

locais<-read.table("distribuicaoLocaisObra.tsv")
names(locais)<-c("tipo","lixo","obra","autor","num","lixo2")
obras<-read.table("distribuicaoObra.tsv")
names(obras)<-c("obra","tamanho", "autor","variante","data", "decada", "lixo","lixo2")
locaisObras<-merge(locais, obras, by=c("obra","autor"))
locaisObras$localrel<-locaisObras$num/locaisObras$tamanho
attach(locaisObras)
barplot(sort(tapply(localrel,obra,sum),decreasing=TRUE)[1:50],las=2)

As primeiras quatro linhas apenas leem e identificam as colunas das folhas de registo. A quinta junta ambas as informações, e a sexta calcula o número relativo de locais por número de palavras, para ser possível comparar obras de diferentes tamanhos.

A sétima linha apenas instrói o R para se considerar “dentro” da folha de registo locaisObras, para não ser preciso estar sempre a preceder o nome da coluna pelo nome da folha de registo. Tapply é um comando no R que aplica uma função repetidamente, e neste caso é a função sum (soma), porque queremos somar todos os locais, sem interessar o tipo.

Escolhi apresentar na Figura 9 o gráfico das cinquenta obras com mais locais relativos, calculado na oitava linha. (Depois de ordenar, pedi os casos de 1 a 50.)

É interessante constatar que são os romances históricos, e de ficção científica, os que mais dão nome a lugares.

Sugiro que façam também uma análise semelhante por autores, para ver (grandes) diferenças entre estes.

O helenismo na literatura brasileira

Finalmente, apresento aqui um estudo feito no âmbito da tese de mestrado de Marcus Vinicius Sousa Correia¹⁰, que estudou o helenismo na literatura brasileira.

O trabalho dele é um bom exemplo de como simples tarefas de anotação, em colaboração com o AC/DC, são fáceis de executar e produzem resultados interessantes.

De facto, Marcus apenas mandou um conjunto de lexemas que, segundo ele, estavam associados à cultura grega, e anotámos o OBras, o principal corpo de literatura brasileira no AC/DC, com essa informação (a marcação helen). Assim tornou-se muito fácil medir o peso destas palavras num conjunto de autores brasileiros com obras no OBras.

O leitor é convidado a reproduzir as figuras da tese, visto que todos os comandos são apresentados num anexo.

Observações finais

Nesta lição tentei apresentar o AC/DC, com duas formas de interação, a “Procura” e o “Distribuidor”, e depois, a partir dos resultados, obter gráficos agregadores usando o R.

O objetivo foi demonstrar várias potencialidades do estudo da história da literatura lusófona, através da leitura distante, usando o AC/DC e em particular o corpo Literateca, que contém textos literários em português e está em constante expansão.

Referências