Resumo em Português:

Resumo Ao triangular a Linguística de Corpus com a Análise Crítica do Discurso, este trabalho procurou descobrir como a imprensa popular e a imprensa de qualidade britânica representam dois extremos polares da imagem corporal no que diz respeito ao peso, que são: o baixo peso e o excesso de peso. A representação discursiva das subcategorias de baixo peso (magro, tamanho zero, fino, esguio e esbelto) e excesso de peso (rechonchudo, curvilíneo, gordo, com excesso de peso e obeso), foi investigada exaustivamente para descobrir temas, argumentos e atitudes relacionados no corpus jornalístico construído a partir de notícias e colunas de opinião publicadas nos jornais Daily Mail, The Sun, The Guardian e The Times durante um período de três anos. Uma das conclusões mais significativas deste estudo é que independentemente do gênero de imprensa, as questões relacionadas com o peso foram identificadas com gênero. A elevada frequência de léxis que mostra o gênero feminino é uma prova de que o peso corporal é rotulado como uma questão feminina. Outra observação digna de nota é a relação estabelecida entre a massa corporal e o estatuto socioeconômico. Enquanto um estatuto socioeconômico mais elevado foi marcado pela magreza, o excesso de peso foi associado com o estatuto econômico mais baixo.

Resumo em Inglês:

Abstract By triangulating Corpus Linguistics with Critical Discourse Analysis, this paper sought to discover how the British popular press and quality press represented two polar ends of body image with respect to weight which are: underweight and overweight. The discursive representation of the subcategories of underweight (skinny, size zero, thin, slim, and slender) and overweight (plump, curvy, fat, overweight and obese) was investigated thoroughly to find out related themes, arguments, and attitudes in the newspaper corpus built from news and opinion columns published in the Daily Mail, The Sun, The Guardian, and The Times over a three-year period. One of the most significant findings of this study is that regardless of the press genre, the weight related issues were identified with gender. The high frequency of lexis showing females is proof that body weight is labelled as a feminine issue. Another noteworthy observation is the link established between body mass and socio-economic status. While higher socio-economic status was marked with thinness, fatness was associated with lower economic status.

Resumo em Português:

Resumo: Os estudos que focam no uso da linguagem formulaica na escrita acadêmica investigaram principalmente o uso de diferentes tipos de expressões formulaicas em artigos de pesquisa acadêmica em diversas disciplinas. Esses estudos revelaram variações marcantes no uso da linguagem formulaica entre disciplinas acadêmicas (por exemplo, Cortes, 2004; Hyland, 2008; Jalali; Moini, 2014; Shahriari, 2017). No entanto, há evidências de que a disciplina por si só pode não ser suficiente para descrever a variação linguística (Gray, 2015), uma vez que, dentro de uma disciplina, diferentes registros podem apresentar diferentes características linguísticas que refletem propósitos comunicativos específicos (Biber; Conrad, 2019). No caso do discurso médico escrito, diferentes registros médicos podem exigir a utilização de diferentes expressões formulaicas para transmitir diferentes intenções comunicativas. É o caso do artigo de pesquisa médica (APM) e do relato de caso clínico (RCC). Neste estudo, focaremos na identificação e análise de grupos lexicais no discurso médico, particularmente em APMs e RCCs. Os grupos lexicais (Biber et al., 1999) são grupos de três ou mais palavras que ocorrem frequentemente em um determinado registro. Os grupos lexicais foram identificados empiricamente graças a uma abordagem estritamente orientada pelo corpus, na qual foram utilizados programas de computador especialmente projetados para buscar e sinalizar nos textos as expressões de três ou mais palavras que se repetem frequentemente em um corpus linguístico (Cortes, 2015). Estas expressões foram posteriormente analisadas, conforme a sua estrutura e as funções que desempenham, para efetuar uma comparação entre os dois registros médicos, utilizando taxonomias adaptadas da literatura (Biber; Conrad; Cortes, 2004; Hyland, 2008).

Resumo em Inglês:

Abstract: Studies that focus on the use of formulaic language in academic writing primarily investigated the use of different types of formulaic sequences in academic research articles in various disciplines. These studies revealed dramatic variations in the use of formulaic language across academic disciplines (e.g., Cortes, 2004; Hyland, 2008; Jalali; Moini, 2014; Shahriari, 2017). However, there is evidence that discipline alone may not be enough to determine linguistic variation (Gray, 2015), as different registers within one discipline may reflect different linguistic characteristics depending on specific communicative purposes (Biber; Conrad, 2019). In the case of medical written discourse, different medical registers may call for the use of different formulas to convey different communicative intents. This is the case of the medical research article (MRA) and the medical case report (MCR). In this study, we will focus on the identification and analysis of lexical bundles in medical discourse, particularly in MRAs and MCRs. Lexical bundles (Biber et al., 1999) are groups of three or more words that frequently occur in a given register. They are identified empirically, using specially designed computer programs that run through the texts in a language corpus and flag expressions of three or more words that repeat frequently, employing a strictly corpus-driven approach (Cortes, 2015). Using specially designed software, lexical bundles of 3+ words were identified in each corpus. These expressions were later analyzed according to their structure and the functions they performed to conduct a comparison across the two registers using taxonomies adapted from the literature (Biber; Conrad; Cortes, 2004; Hyland, 2008).

Resumo em Português:

Resumo: Observamos que a relação entre duas ou mais proposições textuais nem sempre é marcada por preposições ou conjunções, comumente denominadas por Marcadores Discursivos (MDs). Estudos recentes sobre a língua inglesa, baseados na Rhetorical Structure Theory (RST), elaboraram uma lista de pistas linguísticas e estruturais que facilitam a identificação manual e automática de relações de coerência. No entanto, há uma escassez de pesquisas similares para a língua portuguesa. A partir de um estudo no corpus jornalístico CSTNews, identificamos sinalizadores discursivos (SDs) das relações RST que transcendem os MDs. Assim, neste trabalho apresentamos a primeira proposta de taxonomia desses SDs, organizados nos tipos gráfico, semântico, sintático, morfológico e marcador discursivo, além de descrevermos a ocorrência de cada um deles conforme as relações identificadas.

Resumo em Inglês:

Abstract: We have observed that the relationship between two or more textual propositions is not always signaled by prepositions or conjunctions, commonly referred to as Discourse Markers (DMs). Recent studies in English, grounded in the Rhetorical Structure Theory (RST), have compiled a list of linguistic and structural cues that facilitate the manual and automatic identification of coherence relations. However, there is a scarcity of similar research for the Portuguese language. Through an analysis of the CSTNews corpus, we identified discourse signals (DSs) of RST relations that go beyond DMs. In this study, we propose a classification of these DSs into five categories: graphical, syntactic, morphological, and discourse markers, and we describe the occurrence of each category according to the identified relationships.

Resumo em Português:

Resumo: Nesse artigo, apresenta-se o DANTEStocks, um corpus com multicamadas de anotação pioneiro para subsidiar pesquisas de Processamento das Línguas Naturais (PLN) para conteúdo gerado por usuário. O corpus possui 4.048 tweets (posts X) sobre o mercado financeiro em português brasileiro, anotados com três camadas de informação de modo standoff, a saber, emoção (conforme a Roda das Emoções de Plutchik), categoria morfossintática e relação de dependência (segundo o modelo de Dependências Universais), e entidade nomeada (seguindo a taxonomia definida no segundo HAREM). O DANTEStocks tem sido construído no âmbito do Projeto POeTiSA, que visa aumentar os recursos linguísticos (lingwares) e desenvolver ferramentas e aplicações de PLN voltadas para o português brasileiro. Neste artigo, aborda-se o desenho das diversas anotações, reportando o trabalho já realizado.

Resumo em Inglês:

Abstract: This paper introduces DANTEStocks, a pioneer multi-layered-annotated corpus for fostering research in Natural Language Processing (NLP) of user-generated content in Portuguese. Comprising 4,048 tweets (X posts) from the stock market domain written in Brazilian Portuguese, the corpus was annotated with three standoff layers of information, that is to wit, emotion categories (following Plutchik’s wheel of emotions); part-of-speech and dependency relations (under the Universal Dependencies framework); and named entities (according to the second HAREM’s taxonomy). The DANTEStocks corpus has been constructed within the context of the POeTiSA Project, which aims at increasing the amount of linguistic resources (lingwares) and fostering the development of tools and NLP applications for Brazilian Portuguese. In this article, we address the design of the several annotation tasks carried out in DANTEStocks, reporting on the available annotation results.

Resumo em Português:

Resumo: Este artigo apresenta a Análise Multidimensional Aditiva (AMD) (Biber, 1988) do LEX-BR-Ius (Ferrari; Marques, 2022), um corpus de leis federais brasileiras. Primeiramente, contextualizamos nossa pesquisa e, na sequência, introduzimos a abordagem da AMD. Em seguida, descrevemos o corpus em estudo e o Corpus Brasileiro de Variação de Registro (Berber Sardinha; Kauffmann; Acunzo, 2014), ao qual nosso corpus foi adicionado, além de um passo a passo da metodologia adotada. Por fim, apresentamos e discutimos os resultados obtidos, os problemas que surgiram durante a pesquisa e suas possíveis explicações.

Resumo em Inglês:

Abstract: This article presents an additive Multidimensional (MD) analysis (Biber, 1998) of the LEX-BR-Ius (Ferrari; Marques, 2022), a corpus of Brazilian federal statutory laws. We first contextualize our research and, in sequence, introduce the MD approach. Subsequently, we present the corpus under study and the Brazilian Register Variation Corpus (Corpus Brasileiro de Variação de Registro - CBVR) (Berber Sardinha; Kauffmann; Acunzo, 2014), to which our corpus has been added, along with a step-by-step description of the methodology adopted. Lastly, we present and discuss the results obtained, the issues that emerged during the research, and their potential explanations.

Resumo em Português:

Resumo: Pesquisas sobre linguagem formulaica mostram que poucos pacotes lexicais ocorrem em diferentes disciplinas acadêmicas, sendo a escrita disciplinar caracterizada por estruturas específicas. Isso foi comprovado tanto em inglês (Hyland, 2008) quanto em espanhol (Cortes, 2008). O presente artigo explora o uso de pacotes lexicais na escrita acadêmica em português em dois grupos disciplinares: ciências biológicas e humanidades. Utilizando um corpus de artigos de pesquisa escritos por cientistas brasileiros, pacotes lexicais de quatro palavras foram extraídos e comparadas em relação à sua função semântica (Biber; Conrad; Cortes, 2004) e estrutura gramatical (Biber; Johansson; Leech; Conrad; Finegan, 1999). Os resultados deste estudo indicam que a escrita para ciências biológicas contém mais linguagem formulaica, com estruturas referenciais sendo usadas mais frequentemente para se referir a participantes da pesquisa e locais; e a escrita nas humanidades contém menos estruturas no geral e mais diversidade nos tipos de funções do que nas ciências biológicas. Os resultados deste artigo podem ajudar a entender o uso de estruturas léxicas em português e informar o desenvolvimento de materiais para o ensino de português como L1 e L2.

Resumo em Inglês:

Abstract: Research on formulaic language has shown that few lexical bundles overlap across disciplines in expert academic writing, with disciplinary writing being characterized by specific bundles. This was proven to be the case in both English (Hyland, 2008) and Spanish (Cortes, 2008). This paper explores the use of lexical bundles in Portuguese academic writing in two disciplinary groups, life sciences and humanities. Using a corpus of research articles written by Brazilian scientists, four-word bundles were extracted and compared for their function (Biber; Conrad; Cortes, 2004) and structure (Biber; Johansson; Leech; Conrad; Finegan, 1999). The results of this study indicate that writing for life sciences contains more formulaic language, with referential bundles being used more frequently to refer to research participants and places; and humanities writing contains fewer bundles overall and more diversity in function types than life sciences. The results of this paper can help us understand the use of lexical bundles in Portuguese and inform the development of materials for teaching Portuguese as both an L1 and L2.

Resumo em Português:

Resumo: Ter acesso à maneira como pesquisadores/as renomados/as escrevem seus textos acadêmicos pode nos ajudar com a desafiadora tarefa de escrever. Portanto, este artigo tem como objetivo desvendar o estilo metadiscursivo interativo de Douglas Biber, um dos estudiosos mais citados em nossa área. Uma estrutura metodológica da Linguística de Corpus é proposta usando o AntConc para compilar e comparar um corpus de estudo e um de referência. Os dados da pesquisa são avaliados seguindo o Modelo Estilístico-Metadiscursivo de Interação Interpessoal na Escrita Acadêmica. Os resultados contribuem para a compreensão de como Biber cria um estilo autoral que pode empoderar pesquisadores/as novatos/as e experientes a escreverem artigos que envolvam leitores/as em experiências significativas de leitura e escrita.

Resumo em Inglês:

Abstract: Having access to how prominent researchers write may enlighten how we deal with the challenging task of writing. Therefore, this article aims to unveil the interactive metadiscourse style of Douglas Biber’s style since he is one of the most cited scholars in our area. A Corpus Linguistics methodological framework is proposed by using AntConc to compile and compare a study corpus and a reference corpus. The data retrieved from this comparison is assessed following the Stylistic Metadiscourse Model of Interpersonal Interaction in Academic Writing. The results contribute to the understanding of how Biber crafts an authorial style that may empower novice and other expert writers to write research articles that involve readers in meaningful reading and writing experiences.

Resumo em Português:

Resumo: Este artigo apresenta os resultados de um curso sobre a Aprendizagem Movida por Dados (DDL) para professores brasileiros de língua inglesa. O objetivo foi auxiliá-los a aprimorar o ensino de línguas com o apoio de tecnologias digitais para promover um aprendizado autônomo com dados linguísticos autênticos por parte de seus alunos. Ao longo de dois meses, os professores concluíram sete módulos, cada um abrangendo uma ferramenta de DDL específica, e desenvolveram planos de aula integrando essas ferramentas ao seu conteúdo. Alguns dos professores participaram de entrevistas semiestruturadas. Uma avaliação do Instrumento de Observação de Integração de Tecnologia (TIOI) dos planos de aula e uma Tabela de Análises de Dados Principais das entrevistas mostram que, embora os professores considerassem importante o uso das ferramentas de DDL em suas aulas, eles não se sentiam completamente seguros para implementá-las. Este fator chama a atenção para a necessidade de um apoio contínuo ao desenvolvimento profissional quando se refere à integração do DDL na prática profissional.

Resumo em Inglês:

Abstract: This article discusses the results of a teacher training program on Data Driven Learning (DDL) for Brazilian teachers of English. The program’s main objective was to help teachers improve their language teaching practices through digital technologies to promote autonomous learning with authentic linguistic data. Over two months, English teachers completed seven modules of the program, each covering a DDL tool and a set of corpus skills. At the end of the program, five participating teachers developed lesson plans that integrated the tools and skills they had learned. Some of these teachers later participated in a semi-structured interview. Technology Integration Observation Instrument (TIOI) evaluation of the lesson plans and tabletop analysis of the interviews show that, although teachers considered it important to use DDL tools in their classes, they did not feel entirely confident implementing them. This highlights the need for continuous support and professional development when it comes to integrating DDL into language teaching.

Resumo em Português:

Resumo: Este artigo apresenta um estudo baseado em corpus do pronome “se” no português brasileiro, com o objetivo de desenvolver uma proposta de anotação dos diferentes usos deste pronome para fins de Processamento de Linguagem Natural (PLN). Analisamos 732 ocorrências de “se” extraídas do corpus Porttinari-base, um treebank anotado de acordo com as diretrizes das Universal Dependencies. Os resultados permitiram desenvolver uma proposta de anotação sintática e morfossintática que poderá tornar a anotação humana mais simples e consistente, auxiliar a anotação de papéis semânticos, e melhorar o desempenho de tarefas de PLN, como a extração automática de informações.

Resumo em Inglês:

Abstract: This article reports on a corpus-based study of the pronoun “se” in Brazilian Portuguese aimed at developing a proposal for annotating the different uses of the pronoun in corpora to be leveraged in Natural Language Processing (NLP). We analyzed 732 occurrences of “se” retrieved from Porttinari-base, a treebank annotated following the Universal Dependency guidelines. The results allowed us to develop a proposal for syntactic and morphosyntactic annotation, which is expected to make human annotation simpler and more consistent as well as aid supplementary annotation, as in thematic role annotation, and enhance the performance of NLP tasks, as in automatic extraction of information.

Resumo em Português:

Resumo: Filmes de terror/suspense/mistério são produzidos desde o início do cinema. No entanto, a literatura sobre a descrição da sua linguagem falada e sobre como essa linguagem contribui para apavorar, assustar e deixar os espectadores tensos é escassa. Trabalhos sobre o assunto tendem a centrar-se na forma de produzir um bom roteiro para o gênero ou na gênese do medo e/ou do suspense. O objetivo deste artigo é preencher esta lacuna, entrelaçando uma seção de dois estudos sobre a linguagem falada dos filmes (Veirano Pinto; Cortes, 2018; Veirano Pinto; Berber Sardinha, 2019), embasados na linguística de corpus, com suas narrativas típicas e considerações sobre a dimensão cognitiva dos sentimentos de horror e suspense. Os resultados mostram que os verbos de ato de fala, de comunicação e cognitivos, bem como advérbios e perguntas, são responsáveis pela expressão das emoções das personagens e pela tensão e medo gerado nos espectadores.

Resumo em Inglês:

Abstract: Horror/suspense/mystery movies have been produced since the inception of cinema. However, the literature on the description of their spoken language and how such language contributes to frighten, scare, and leave viewers hanging on the edge of their seat is scarce. Works on the subject tend to focus either on how to produce a good script for the genre or on the genesis of fear and/or suspense. The aim of this paper is to fill this gap by intertwining a section of two studies on the spoken language of movies (Veirano Pinto; Cortes, 2018; Veirano Pinto; Berber Sardinha, 2019), which used a corpus linguistics framework, with their typical narrative plots and considerations on the cognitive dimension of feelings of horror and suspense. Results show that communication, cognitive and speech act verbs, together with adverbials and questions, are responsible for the expression of characters’ emotions and the engagement and frightening of viewers.

Resumo em Português:

Resumo: Os estudos de corpora de aprendizes têm sido cada vez mais realizados sobre a interlíngua oral de alunos, graças à crescente disponibilidade de corpora orais de aprendizes, alguns dos quais incluem entrevistas com alunos de L2. Este artigo procura destacar a importância de se considerar cuidadosamente a composição e o contexto específicos da coleta de corpora de entrevistas de alunos. Com base nos insights obtidos com o uso do Louvain International Database of Spoken English Interlanguage (LINDSEI), o artigo se concentra nos três principais recursos dos corpora de entrevistas orais com aprendizes que não podem ser ignorados na pesquisa desse tipo de corpus: uma entrevista não é uma conversa que ocorre naturalmente, uma entrevista é conduzida por um entrevistador e uma entrevista geralmente é composta por mais de uma tarefa de fala. São discutidos possíveis desenvolvimentos futuros de corpora orais de aprendizes.

Resumo em Inglês:

Abstract: Learner corpus studies have increasingly been conducted on spoken learner interlanguage thanks to the growing availability of spoken learner corpora, some of which comprise interviews with L2 learners. This paper seeks to highlight the importance of carefully considering the specific make-up and context of collection of learner interview corpora. Drawing on insights from using the Louvain International Database of Spoken English Interlanguage (LINDSEI), the paper focuses on the following three key features of interview spoken learner corpora that cannot be overlooked in learner corpus research: an interview is not a naturally occurring conversation, an interview is led by an interviewer and an interview is often made up of more than one speaking task. Possible future spoken learner corpora developments are discussed.

Resumo em Português:

Resumo: Este artigo apresenta o CorCel - um corpus de textos escritos por examinandos do Celpe-Bras. O objetivo é compilar mais de 70.000 textos produzidos em resposta às tarefas do exame em quatro edições. Os textos manuscritos foram fornecidos digitalizados, e estão sendo digitados, revisados e anonimizados. O CorCel é atualmente composto por 15.315 textos digitados e revisados, totalizando cerca de 3 milhões de palavras. A classificação e análise do corpus serão realizadas utilizando Large Language Models baseados em transformadores multimodais e de última geração, como BERT, GPT e Gemini. Estudos preliminares mostraram que o CorCel pode listar índices lexicais relevantes para a caracterização de diferentes níveis de proficiência escrita, facilitando análises que contribuem para o processo de validação do exame, refinando as descrições dos níveis de proficiência certificados. A natureza inovadora do CorCel pode contribuir para aprimorar o ensino, a aprendizagem e a avaliação de proficiência em português.

Resumo em Inglês:

Abstract: This paper introduces CorCel - a corpus of written texts produced under exam conditions for the Celpe-Bras exam. The goal is to compile over 70,000 texts produced in response to Celpe-Bras written tasks in four editions. The texts were provided as digitized manuscript copies, which were manually transcribed, reviewed, and anonymized. CorCel now consists of 15,315 typed and revised texts, estimated to total around three million words. The corpus classification and analysis will be carried out using multimodal, state-of-the-art transformer-based large language models, such as BERT, GPT, and Gemini. Preliminary studies showed that CorCel can be used to list relevant lexical indices for the characterization of different proficiency levels in written tasks, enabling analyses that contribute to the validation process of the exam, strengthening and refining the descriptions for each of the certified proficiency levels. CorCel’s innovative nature can contribute to enhancing teaching, learning, and proficiency assessment through improved descriptions of proficiency levels in Portuguese.