Estudo e desenvolvimento de métodos para detecção e correção automática de erros e inconsistências em corpora sintaticamente anotados

Resumo

Este projeto tem como objetivo central o estudo - para aplicação e avanço no desenvolvimento - de métodos computacionais utilizados para a detecção e correção automática de erros e inconsistências em corpora sintaticamente anotados (treebanks), tais como o algoritmo proposto por Kato & Matsubara (2010), baseado na Gramática Síncrona de Substituição de Árvore (Shieber & Schabes, 1990). Vinculada ao Projeto Temático "A língua portuguesa no tempo e no espaço: contato linguístico, gramáticas em competição e mudança paramétrica" (FAPESP 12/06078-9), esta pesquisa vem se somar aos esforços da frente de trabalho para ampliação e consolidação do Corpus Tycho Brahe (CTB), na medida em que o estudo será feito e aplicado sobre o corpus. Como resultado da pesquisa, espera-se (i) o desenvolvimento de um método de detecção e correção automática de inconsistências com resultados melhores que os propostos até o momento; (ii) a inclusão do método como parte do processo de anotação sintática e sua aplicação ao CTB para disponibilização de uma versão revisada do corpus (em sua extensão atual); e, finalmente, (iii) com base na análise dos principais tipos de erros recorrentes detectados pelo método, a atualização das orientações de anotação sintática para melhor preparação da equipe de revisores.