A TERMINOLOGIA NA ERA DA INFORMÁTICA
Gladis Maria de Barcellos Almeida, Leandro Henrique Mendonça de Oliveira e Sandra Maria Aluísio
A terminologia e a informática não são independentes uma da outra. Desde 1960, em países desenvolvidos e com grande tradição em pesquisa terminológica, os dois campos de estudo estão ligados de forma a facilitar o armazenamento e a difusão de dados terminológicos na elaboração de grandes bases de dados especializados, denominados bancos de terminologia (1). A integração entre as duas áreas é tal que se cunhou o termo terminótica, dando origem a um novo conceito e inaugurando um novo paradigma metodológico nas pesquisas terminológicas.
A contribuição advinda da informática começa de fato a aparecer nas pesquisas terminológicas no Brasil nos últimos dez anos. O crescimento de estudos e pesquisas na área de lingüística computacional e lingüística de corpus e o conseqüente aprimoramento e desenvolvimento de ferramentas computacionais voltadas para o processamento de língua natural (PLN) do português passam a interferir diretamente na prática terminográfica.
Nesse sentido, a terminologia descritiva de viés lingüístico começa a ter um amplo desenvolvimento, já que a possibilidade de lidar com grandes corpora permite a observação e descrição de fenômenos lingüísticos recorrentes antes impossível de perceber, dado que os procedimentos de observação e descrição contavam apenas com recursos manuais.
Entendemos que fazer terminologia na era da informática significa criar um conjunto de procedimento automatizados ou semi-automatizados que dêem suporte às tarefas envolvidas no trabalho terminológico, quais sejam: 1. criação de corpora descartáveis; 2. extração automática de candidatos a termos desses corpora; 3. inserção dos termos numa ontologia (mapa conceitual); 4. elaboração e edição de fichas terminológicas; 5. elaboração e constante atualização da base definicional (2); 6. elaboração de definições; 7. edição de verbetes, 8. difusão dos dados para intercâmbio com outras aplicações ou usuários.
Nosso objetivo aqui é apresentar ambientes e/ou ferramentas que dão suporte às tarefas citadas acima, se não a todas, pelo menos a algumas delas e, sempre que possível, apontaremos os trabalhos referentes ao português.
]]> Desenvolvido pela Faculdade de Letras da Universidade do Porto (FLUP), o Corpógrafo (3, 4, 5) é um gestor de corpus que se encontra, atualmente, na versão 3.0 e é otimizado para pesquisas terminológicas, isto é, para a extração de termos e sua organização em bases de dados. Fornece um ambiente web integrado para o manejo de corpus, disponibilizando ferramentas para processamento de corpus. Dentre as ferramentas que possui, estão concordanciadores, contadores de freqüência e, também, ferramentas de pré-processamento de corpus, como as de limpeza e sentenciadores. Toda funcionalidade do corpógrafo está associada a um dos quatro ambientes de trabalho ou módulos: gestor de arquivos e de corpus, pesquisa em corpus, centro de conhecimento, centro de documentação, o que diminui a sobrecarga ao se trabalhar no ambiente. Nessa nova versão, o corpógrafo dá um bom suporte para a difusão dos produtos terminológicos, permitindo que se exporte bases terminológicas no formato XML para serem usadas em outras aplicações; que se gerem glossários em HTML usando uma base terminológica, além de se exportar o próprio corpus em XML para ser usado em outras aplicações ou por outros usuários.CORPORA DESCARTÁVEIS PARA PESQUISA TERMINOLÓGICA Embora já exista um número razoável de corpora genéricos (ou de referência, como são chamados) para várias línguas, o número de corpora específicos disponíveis para suporte à pesquisa terminológica ainda é deficiente. Essa deficiência dá-se pela própria especificidade de tais corpora que são muitas vezes construídos para serem utilizados por um período curto de tempo e somente em um projeto, daí se questionar o investimento de grandes esforços na sua compilação e anotação que visam a sua reutilização (ou reuso, como se costuma referir em lingüística computacional).
Ainda que seja possível construir tais corpora pela busca manual na web, esse processo consome muito tempo, se levarmos em conta os benefícios para pesquisas tão pontuais. Para atender a essa necessidade específica de criação e de pesquisa terminológica nesses tipos de corpora, existe pelo menos um projeto de nosso conhecimento para criação de corpus a partir da web e para extração automática de candidatos a termos. O BootCaT (6, 7) – extrator automático de corpus e de termos (do inglês "Bootstrapping Corpora and Terms") – propõe a montagem de corpus, de modo iterativo, a partir de textos obtidos na web. É composto por várias ferramentas escritas em Perl (8), que foram projetadas para executar pequenas partes do processo de montagem de corpus. Basicamente, o processo de montagem de corpus do BootCaT é composto de quatro passos: 1. construir um corpus automaticamente a partir de buscas ao Google (9), utilizando um pequeno conjunto de sementes (seed) (10); 2. extrair novas sementes desse corpus; 3. utilizar essas novas sementes para novas buscas ao Google, cujos textos recuperados serão concatenados ao corpus, aumentando-o; 4. extrair novas sementes desse corpus complementado, e assim por diante.
O BootCaT também dispõe de ferramentas para extração de termos com mais de uma palavra, ou termos multipalavra.
EXTRAÇÃO AUTOMÁTICA DE CANDIDATOS A TERMOS Como visto na seção acima, o BootCat também extrai candidatos a termos, tanto unigramas (lexias com apenas uma palavra) como multipalavras. Outro projeto de avaliação e implementação de métodos automáticos de extração foi desenvolvido no Núcleo Interinstitucional de Lingüística Computacional – NILC/USP (11), como resultado de um trabalho de mestrado. Denominado ExPortTer (12), esse projeto avaliou especificamente métodos das três abordagens (lingüística, estatística e híbrida) para o português. As medidas estatísticas utilizadas nesse trabalho foram quatro: freqüência, log-likelihood, informação mútua e coeficiente Dice, implementadas no pacote para a extração de n-gramas denominado N-gram Statistics Package – NSP (13), com objetivo de eleger a melhor medida estatística para a extração automática de unigramas, bigramas (lexias com duas palavras) e trigramas (lexias com três palavras). O método lingüístico implementado baseia-se em expressões lingüísticas e indicadores estruturais, bem como em padrões morfossintáticos dos termos de um dado domínio. Para a abordagem híbrida, foi gerado um conjunto de orações do corpus, aqui chamado de subcorpus, que apresentassem as expressões lingüísticas definidas no método lingüístico, de maneira que cada oração é impressa no subcorpus somente uma vez, independentemente do número de expressões que pode apresentar. Este procedimento representou a "parte lingüística" do método híbrido. O subcorpus de saída, constituído pelas orações que apresentaram alguma expressão lingüística, é tomado como entrada para o pacote NSP, representando, assim, a parte estatística desse método.
Esses métodos foram utilizados em outros três projetos desenvolvidos no NILC: o Bloc-Eco (14, 15), cujo objetivo foi a criação de uma base de conhecimento com informações ontológicas para termos em português da área de ecologia; o projeto de desenvolvimento de uma estrutura conceitual (ontologia) para a área de nanociência e nanotecnologia (16) e o projeto e-Termos, projeto de doutorado em andamento no NILC, que será explorado mais abaixo.
EDITOR E VISUALIZADOR DE ONTOLOGIAS Diversas linguagens, técnicas e ferramentas têm sido propostas para a organização do conhecimento e sua visualização na web. No que se refere a editores e visualizadores de ontologias, alguns bons exemplos são: Protégé 2001 (17), o OntoEdit (18), o Inxight StarTree (19), o TreeBolic Generator (20) e o HyperEditor (21). Uma característica comum entre eles é que são aplicações stand-alone que executam fora do ambiente web, impedindo sua utilização por vários usuários ao mesmo tempo. Entretanto, apesar dessa característica, os editores StarTree, TreeBolic Generator e HyperEditor foram construídos em Java e, portanto, sua migração para o ambiente web, na forma de applets, pode ser possível.
]]> Os dois primeiros editores citados acima são ferramentas que implementam a visualização de ontologias na forma folder-tree, aqui chamado de visualização arbórea. Nesse tipo de visualização, quando um nó é selecionado na árvore à esquerda, seu conteúdo é apresentado à direita da seleção, e assim sucessivamente até o ultimo nível da árvore (nó folha). Nesse caso, quando a estrutura da ontologia possui vários níveis de abstração, a visualização fica prejudicada.Os editores StarTree, TreeBolic Generator e HyperEditor apresentam a visualização da ontologia na forma de árvore hiperbólica (Hyperbolic Tree) (22). Segundo Freitas et al. (23), esta visualização representa hierarquias através de um layout radial disposto em um plano hiperbólico mapeado para um plano de duas dimensões (2D). Além disso, apresenta aspectos de construção – como o efeito fisheye (24) – aliados a mecanismo simples de navegação pela indicação de um nó de interesse, que é exibido no centro da representação em detalhe, cujo contexto é mantido pela exibição do restante da estrutura da ontologia com nós diminuindo de tamanho até serem suprimidos na borda do círculo radial. A abordagem do plano hiperbólico pode manipular uma estrutura em árvore usando o conceito de foco e contexto. Ou seja, o plano hiperbólico permite ao usuário navegar através dos nós e visualizar a relação da porção visível do plano com a estrutura inteira sobre uma única tela (25).
O efeito fisheye fornece um esquema que, em geral, é suficiente para lidar com a navegação e orientação de grandes redes de informação. Na movimentação dessa interface, os nós da ontologia aumentam e diminuem de tamanho, saindo e entrando em foco, podendo ser expandidos quando o usuário arrastar os nós com o mouse ou, ainda, por meio de pesquisa direta pelo nó. Esse recurso permite grande flexibilidade e agilidade na tela.
Na visualização hiperbólica, a expansão e poda dos nós na estrutura são operações que mantêm sempre uma subárvore visível reduzindo, para o usuário, a sensação de perda de contexto. Assim, as árvores hiperbólicas são uma representação dinâmica da estrutura hierárquica de uma ontologia e representa uma maneira eficiente de exibir árvores complexas com exatidão.
No contexto do projeto de desenvolvimento de uma ontologia para a área de nanociência e nanotecnologia (16) citado acima, foi desenvolvido o OntoEditor, uma ferramenta para edição de ontologias via internet, que implementa tanto a visualização arbórea (folder-tree) quanto a visualização hiperbólica (Hyperbolic Tree). As principais contribuições desse trabalho são: 1. a possibilidade de visualizar a estrutura de uma ontologia no formato de árvore hiperbólica; 2. a capacidade de converter a estrutura de uma ontologia no formato texto em estruturas de visualização (arbórea e hiperbólica) a partir de uma operação de upload; e 3. a flexibilidade de estar acessível, via internet, para o público geral e especializado, possibilitando que qualquer usuário crie e visualize suas ontologias a qualquer tempo. Ressalte-se que o OntoEditor foi incorporado pelo projeto e-Termos já citado e que será apresentado a seguir.
Amparado pelos pressupostos da terminologia de orientação descritiva de viés lingüístico, o e-Termos é um ambiente computacional que contempla as atividades de desenvolvimento de terminologias. Como uma aplicação Computer Supported Collaborative Work (CSCW), o e-Termos é um ambiente web colaborativo, composto por seis módulos de trabalho independentes, mas inter-relacionados, cujo propósito é automatizar ou semi-automatizar as tarefas de criação e gerenciamento do trabalho terminológico.
Perfazendo desde a criação automática de corpora especializados (módulo 0) até a distribuição e intercâmbio do conjunto de verbetes (módulo 5), o principal diferencial do e-Termos está na característica colaborativa que esse ambiente computacional implementa. Baseado nos processos de apoio e cooperação de um conjunto diferenciado de profissionais, o e-Termos possibilita o trabalho, a produção em conjunto e a troca de informações para melhorar o trabalho de grupos de usuários com interesses e propósitos comuns. Além disso, o aspecto colaborativo permite a harmonização e o mapeamento do fluxo de atividades dos diversos profissionais envolvidos na criação de produtos terminológicos, produzindo resultados mais rápidos e fiáveis. Em outras palavras, o e-Termos permite que os diferentes integrantes de uma mesma equipe de pesquisa possam acessar, editar, atualizar, inserir e retirar informações de todos os módulos (corpus, ontologia, fichas terminológicas, base definicional, redação de definições, edição de verbetes), bastando conectar-se à internet, buscar a URL e utilizar uma senha de acesso. O mesmo procedimento pode ser utilizado para a interação com os especialistas do domínio, ou seja, especialistas previamente selecionados podem opinar, criticar, sugerir alterações, ratificar os dados (lista de termos, definições, etc) por meio de acesso à internet.
Outras vantagens do e-Termos são: 1. a possibilidade de análise qualitativa do corpus; 2. a categorização e visualização dos termos em uma ontologia; 3. a criação customizada das fichas terminológicas; 4. o gerenciamento da base definicional; 5. a redação assistida da definição terminológica; e, finalmente, 7. a edição de verbetes a partir dos campos previamente selecionados nas fichas terminológicas.
Como o e-Termos ainda está em fase de elaboração, nem todos os módulos estão implementados. O primeiro lançamento público deve acontecer em abril de 2006. A previsão é de que a versão final e oficial esteja pronta para utilização a partir de 2009.
Em vista do que foi apresentado, percebe-se que a associação entre terminologia e informática é viável e, sobretudo, necessária para as ações e pesquisa de soluções terminológicas assistidas por computador. Soma-se a isso a existência de ferramentas e/ou ambientes para o português, o que confere às pesquisas terminológicas em língua portuguesa um avanço evidente.
]]>Gladis Maria de Barcellos Almeida é lingüista e professora adjunta do Departamento de Letras da Universidade Federal de São Carlos (UFSCar). Coordena o projeto "Extração automática de termos e elaboração colaborativa de terminologias para intercâmbio e difusão de conhecimento especializado – TermEx". É líder do Grupo de Estudos e Pesquisas em Terminologia (GETerm) e orienta projetos de pesquisa em lexicologia e terminologia na linha de pesquisa "Linguagem humana e tecnologia".
Leandro Henrique Mendonça de Oliveira é mestre e doutorando do Instituto de Ciências Matemáticas e de Computação do (ICMC), USP-São Carlos, onde atua em pesquisas em terminologia na área de processamento de língua natural (PLN). É funcionário da Empresa Brasileira de Pesquisa Agropecuária (Embrapa).
Sandra Maria Aluísio é professora assistente no Departamento de Ciências de Computação e Estatística do ICMC-USP-São Carlos e uma das coordenadoras do NILC/ICMC-USP, desde sua fundação em 1993. Foi coordenadora do curso de bacharelado em informática do mesmo departamento de 2000-2002. Seu interesse em pesquisa envolve processamento de língua natural (PLN) e inteligência artificial na educação.
NOTAS E REFERÊNCIAS BIBLIOGRÁFICAS
1. Dubuc, R. Manual de terminologia. 3a. ed. Chile: Unión Latina/RiL editors, 1999.
2. A base definicional consiste num repositório de contextos definitórios compilados de diversas e variadas fontes, a partir das quais o terminólogo redige o texto final da definição que deverá integrar o verbete.
3. http://www.linguateca.pt/Corpografo/
]]>4. Sarmento, L.; Maia, B.; Santos, D. "The corpógrafo: a web-based environment for corpora research". In Proceedings of LREC 2004 . Lisboa, Portugal, 25 May 2004.
5. Sarmento, L.; Maia, B. "CG - An integrated environment for corpus linguistics". Pôster apresentado na conferência CL2003: Corpus linguistics 2003 - Lancaster University (UK., 28 - 31 March 2003.
6. http://sslmit.unibo.it/~baroni/bootcat.html
7. Baroni, M.; Bernardini, S. "BootCaT: Bootstrapping corpora and terms from the web". In: Proceedings of LREC 2004, 1313-1316.
10. Sementes são termos típicos em textos do domínio específico a partir do qual busca-se construir a amostragem.
11. O NILC está sediado no Instituto de Ciências Matemáticas e de Computação (ICMC) da USP, campus de São Carlos, SP (http://www.nilc.icmc.usp.br/nilc/).
12. Teline, M. F. "Avaliação de métodos para extração automática de terminologia de textos em português". ICMC-USP, São Carlos, Dissertação de mestrado, 2004.
13. http://www.d.umn.edu/~tpederse/nsp.html
]]> 14. http://www.nilc.icmc.usp.br/nilc/projects/bloc-eco.htm15. Zavaglia, C.; Oliveira, L.H.M.; Nunes, M.G.V.; Teline, M.F.; Aluísio, S.M. "Avaliação de métodos de extração automática de termos para a construção de ontologias". Relatório Técnico do NILC. NILC-TR-05-01. 13 p., São Carlos-SP, 2005.
16. Genovês Jr.; L. C.; Aluisio, S.M. "Avaliação de ambientes de suporte à montagem automática de corpus a partir de textos da Web e extração automática de termos", Relatório Técnico do NILC. NILC-TR-05-15. Relatório Técnico do ICMC No 266, 52 p., São Carlos-SP, 2005.
17. Noy, N.F.; Sintek, M.; Decker, S.; Crubezy, M.; Fregerson, R. W.; Musen, M. A. "Creating semantic Web contents with protégé-2000". IEEE Intelligent Systems, 16 (2.:60-71, 2002.
18. Staab, S.; Maedche, A. "Knowledge portals – ontologies at work", AI Magazine, Summer 2001, pgs. de 63-75.
19. Inxight Software Incorporated. Inxight Star Tree. Disponível em: http://www.inxight.com/products/oem/star_tree/
20. Disponível para download em: http://treebolic.sourceforge.net/en/home.htm
21. Atualmente, o HyperEditor é desenvolvido e distribuído pela Embrapa Informática Agropecuária (www.cnptia.embrapa.br).
22. Lamping, J.; Rao, R.; Pirolli, P. "A focus+context technique based on hyperbolic geometry for visualizing large hierarchies". In: Proceedings of ACM SIGCHI Conf. on Human Factor in Computing System, 1995, 401-408.
23. Freitas, C. M. dal S.; Chubachi, O. M.; Luzzardi, P. R. G.; Cava, R. A. "Introdução à visualização de informações". RITA, v. 8, n. 2, p. 1-16, 2001. Disponível em: http://www.inf.ufrgs.br/cg/publications/carla/Freitas-RITA2001.pdf
24. Furnas, G. "Generalized fisheye views". In: Proceedings of the ACM SIGCHI Conference on Human Factors in Computing Systems, 1986, pp 16-23.
25. Hao, M. C.; Hsu, M.; Dayal, U.; Krug, A. Visual mining large web-based hyperbolic space using hidden links. Palo Alto: HP Laboratories-Software Technology Laboratory, 1999. 9 p. HPL 1999-20. Disponível em: http://www.hpl.hp.com/techreports/1999/HPL-1999-20.pdf . ]]>