Os corpora de teste servem de entrada para os métodos de alinhamento sentencial de textos paralelos e por serem utilizados com o intuito de analisar o desempenho desses métodos, ou seja, testá-los, receberam a denominação “corpora de teste”. Eles são compostos por 65 pares de textos paralelos que podem ser os originalmente redigidos (corpus autêntico) ou os pré- processados por um tradutor humano (corpus pré-editado).
Um ponto importante do processo de alinhamento está relacionado ao modo como o corpus de teste é fornecido ao sistema: de forma codificada ou não. A codificação implica a identificação do formato do texto e/ou de suas partes componentes; por exemplo, uma indicação de início de parágrafo, início de sentença etc. Alguns autores afirmam que esse processo enriquece o corpus, justamente porque revela detalhes sobre a estrutura do texto original.
Os corpora utilizados nesse trabalho foram codificados utilizando a linguagem XML (Extensible Markup Language)15. A XML é uma extensão da SGML (Standard Generalized
Markup Language)16 projetada com o intuito de permitir que textos codificados de acordo com as especificações XML possam ser servidos, recebidos e processados na web da mesma forma que os documentos HTML.
A XML foi desenvolvida pelo XML Working Group (originalmente conhecido como SGML Editorial Review Board) formado sob o comando do World Wide Web Consortium (W3C)17 em 1996.
A XML descreve uma classe de objetos denominada classe de documentos XML e especifica, parcialmente, o comportamento de programas que processam esses documentos. Por definição, os documentos XML estão em conformidade com os documentos SGML.
A XML foi preferida em relação à SGML por ser uma extensão desta última e, assim, possuir as mesmas vantagens dela e algumas outras decorrentes dos aperfeiçoamentos efetuados. Por exemplo, a facilidade de troca de documentos XML pode ser comparada à facilidade encontrada na troca de documentos HTML.
15 Em http://www.w3.org/XML/ (17/02/2003). 16 Em http://www.w3.org/MarkUp/SGML/ (17/02/2003). 17 Em http://www.w3.org (17/02/2003).
Dessa forma, a construção dos corpora de teste resumiu-se à codificação dos textos autênticos e pré-editados com etiquetas XML. Essa codificação limitou-se à marcação de fronteiras de texto, parágrafos e sentenças, inseridas automaticamente pela ferramenta de pré- processamento de textos desenvolvida no NILC, a TagAlign. As etiquetas inicial e final de parágrafos (<p> e </p>) e sentenças (<s> e </s>) foram inseridas de acordo com um algoritmo simples que leva em consideração os casos mais comuns para determinar as fronteiras de parágrafos e sentenças, como a existência de ponto final (.) e de letras maiúsculas.
A etiqueta <p> é inserida no início do texto ou imediatamente antes de uma letra precedida por um caractere de mudança de linha (Enter). A etiqueta </p>, por sua vez, é inserida antes um caractere de mudança de linha (Enter) ou antes do fim do arquivo. As fronteiras de sentença são determinadas de maneira similar. Uma etiqueta <s> é inserida quando uma letra (não necessariamente maiúscula) é precedida por espaços e um caractere finalizador de sentença (.?!); ou pelo início de um parágrafo (um caractere de mudança de linha) ou do texto. Já a etiqueta </s> é inserida quando um caractere finalizador de sentença for seguido de espaços e uma letra (não necessariamente maiúscula) ou antes de um caractere de mudança de linha (fim de um parágrafo) ou fim de arquivo.
Possíveis erros gerados em casos que não se enquadram nos descritos anteriormente, como abreviações do tipo “S. O. S.”, devem ser tratados em uma posterior verificação manual dos arquivos etiquetados.
Além das etiquetas de início e fim de parágrafos e sentenças, outras duas foram inseridas para a identificação do texto: a <text>, etiqueta inicial inserida na primeira linha do texto, e a </text>,inserida na última linha do texto. A etiqueta inicial possui dois atributos que indicam a língua na qual o texto foi escrito e o identificam. O primeiro atributo, lang,contém a abreviação da língua escolhida pelo usuário da TagAlign como aquela na qual o texto foi escrito. Na versão atual da TagAlign, o atributo lang pode receber os valores: en (inglês) ou pt (português). O segundo atributo, id, contém o nome do arquivo no qual o texto está armazenado, sem a extensão (.txt) nem o caminho.
Os corpora gerados nesse processo receberam as siglas de CAT (corpus autêntico de teste) e CPT (corpus pré-editado de teste). Um exemplo de um bitexto autêntico antes e depois do processo de marcação é mostrado na Figura 2 e na Figura 3, respectivamente.
Este trabalho apresenta os requisitos funcionais identificados no processo de Engenharia Reversa de Software que possam ser suportados por um Sistema Hipertexto. Por meio da modelagem conceitual e navegacional do domínio de informações relativas ao método de engenharia reversa Fusion-RE/I, foram estabelecidos os requisitos funcionais de um aplicativo hipermídia de suporte ao método, de forma a nortear o engenheiro de software responsável pelo processo de engenharia reversa e possibilitar o acompanhamento da evolução desse processo.
This paper presents the functional requirements of the reverse engineering process in order to be supported by
hypertext systems. These requirements were defined by a conceptual and navigation modelling of the information domain related to a reverse engineering method called Fusion-RE/I. Thus, the software engineer responsable for the reverse engineering process has the specific guidelines to be follow and these guidelines can be used during the process evolution.
Figura 2 – Bitexto autêntico antes da inserção de marcações de fronteiras.
<text lang=pt id=art3R>
<p><s>Este trabalho apresenta os requisitos funcionais identificados no processo de Engenharia Reversa de Software que possam ser suportados por um Sistema Hipertexto.</s><s>Por meio da modelagem conceitual e navegacional do domínio de informações relativas ao método de engenharia reversa Fusion-RE/I, foram estabelecidos os requisitos funcionais de um aplicativo hipermídia de suporte ao método, de forma a nortear o engenheiro de software responsável pelo processo de engenharia reversa e possibilitar o acompanhamento da evolução desse processo.</s>
</p> </text>
<text lang=en id=art3A>
<p><s>This paper presents the functional requirements of the reverse engineering process in order to be supported by hypertext systems.</s><s>These requirements were defined by a conceptual and navigation modelling of the information domain related to a reverse engineering method called Fusion-RE/I.</s><s>Thus, the software engineer responsable for the reverse engineering process has the specific guidelines to be follow and these guidelines can be used during the process
evolution.</s> </p>
</text>
Figura 3 – Bitexto autêntico depois da inserção de marcações de fronteiras (pertencente ao CAT).
O intuito desse processo de codificação efetuado seguindo-se o padrão XML foi produzir corpora padronizados que poderão ser utilizados em projetos futuros e até mesmo intercambiados com outros pesquisadores para a utilização em outros tipos de projetos.
Os corpora resultantes do processo de marcação (corpora de teste CAT e CPT) serviram de base para a construção dos demais corpora do projeto PESA: os etiquetados morfologicamente e os de referência apresentados nas próximas subseções (3.2 e 3.3, respectivamente).