Sobre o CorBo

O CorBo é um corpus digital da língua Bororo (Boe), concebido como infraestrutura de documentação, pesquisa linguística, anotação computacional e desenvolvimento de recursos para a língua. A versão 0.8.0 reúne 10.268 unidades, 242.229 tokens e 17.026 formas gráficas distintas.

O corpus

O projeto reúne materiais de naturezas diferentes em uma arquitetura comum: textos documentais, narrativas e outros materiais provenientes de trabalho de campo e arquivo, textos com tradução, materiais bíblicos e dados preparados para análise linguística e computacional. As coleções não são tratadas como se tivessem o mesmo estado editorial. Cada unidade procura conservar a relação entre a fonte documental e as etapas posteriores de trabalho.

Por isso, o CorBo separa explicitamente a fonte documental, a forma revisada, a colação entre testemunhos, eventuais camadas de normalização e a anotação linguística. Uma correção editorial não substitui silenciosamente a fonte. Essa distinção permite usar o corpus tanto para investigação documental quanto para estudos gramaticais, quantitativos e computacionais.

Revisão e correção

A preparação do corpus envolve revisão manual contínua. Fabrício Ferraz Gerardi realiza a conferência das transcrições e formas Bororo, a correção editorial quando necessária, o alinhamento entre textos e traduções e a organização das unidades do corpus. Leituras duvidosas, lacunas, diferenças de numeração e particularidades das fontes são preservadas ou registradas em vez de serem automaticamente regularizadas.

Esse trabalho é cumulativo. A indicação de uma unidade como revisada significa que ela passou por uma etapa editorial do projeto; não significa que a documentação esteja encerrada. Novas conferências podem produzir versões posteriores do corpus.

Anotação CoNLL-U e Universal Dependencies

Outra camada do CorBo é a anotação linguística em formato CoNLL-U. O trabalho inclui segmentação em unidades sintáticas, formas e lemas, categorias gramaticais, traços morfológicos e relações de dependência, seguindo a arquitetura de Universal Dependencies quando aplicável ao Bororo. Informações lexicais e morfológicas adicionais podem ser mantidas em campos próprios, sem confundi-las com a transcrição documental.

As ferramentas do site permitem explorar formas, lemas, categorias, glossas e relações, além de visualizar por sentença as dependências registradas no CoNLL-U. Essas ferramentas apresentam a análise existente; não criam automaticamente uma análise para dados ainda não anotados.

Textos de campo, arquivo e versões futuras

O corpus inclui e continuará incorporando materiais provenientes de trabalho de campo, arquivos e documentação linguística. Esses textos são particularmente importantes porque ampliam o corpus para além de materiais previamente publicados e permitem representar gêneros, falantes e contextos de uso distintos. A incorporação é gradual: transcrição, conferência, tradução, revisão e anotação podem ocorrer em momentos diferentes.

Versões futuras do CorBo deverão acrescentar novos textos de campo e outras coleções documentais, ampliar traduções e metadados, aumentar a cobertura da anotação CoNLL-U e aperfeiçoar as ferramentas de busca e visualização. A numeração de versões registra esse desenvolvimento progressivo e torna possível citar um estado específico do corpus.

Responsabilidade

Projeto, organização, revisão editorial e anotação linguística: Fabrício Ferraz Gerardi.