9) Técnicas em software livre para exploração de corpora do português livremente disponíveis na WWW

Resumo

Inglês: This paper approaches corpus linguistics as a subfield in applied informatics which features among its main focuses automatic data extraction from corpora. For this purpose, we develop commands and scripts in the UNIX bash command language, illustrating its applicability in the investigation of the -vel suffix and of iterations of letters and words in two of the main corpuses of Portuguese. We argue that using free software tools with textual interface, whose mastering together with programming skills is a necessity in computational linguistics, is more advantageous in corpus linguistics in comparison to commercial and proprietary programs with graphical interface.
Keywords: suffixation, iteration, data extraction,regular expressions, Unix command line tools.


Tradução: Este artigo aborda a lingüística de corpus como subárea da informática aplicada que tem na extração automática de dados de corpora um de seus focos principais. Com esse propósito, desenvolvemos comandos escripts na linguagem de comandos bash do UNIX, exemplificando a sua aplicabilidade na investigação do sufixo -vele de repetições de letras e palavras em dois dos principais corpora do português. Argumentamos que a utilização de software livre com interface textual, cujo domínio, juntamente com a habilidade de programar, constitui uma necessidade na lingüística computacional, é mais vantajosa na lingüística de corpus em comparação com programas comerciais e proprietários com interface gráfica.
Palavras-chave :sufixação, repetição, extração de dados, expressões regulares, ferramentas de linha de comando do Unix.