REVISÃO DE VOCABULÁRIO CONTROLADO E CRITÉRIOS PARA A
SELEÇÃO DE LITERATURA: o caso da área de Estatística e
Probabilidade do ICMC/USP
Juliana de Souza Moraes1, Gláucia M. S. Cristianini2
1Mestrado em Ciência da Informação, Bibliotecária da Biblioteca Professor Achille Bassi, do Instituto de
Ciências Matemáticas e de Computação da Universidade de São Paulo, São Carlos, SP.
2Mestrado em Ciência da Informação, Diretora Técnica da Biblioteca Professor Achille Bassi, do Instituto de
Ciências Matemáticas e de Computação da Universidade de São Paulo, São Carlos, SP.
RESUMO
Trata sobre a manutenção de linguagens documentárias, em especial sobre a etapa de revisão da
terminologia da área de Estatística e Probabilidade do Vocabulário Controlado do SIBi/USP.
Pretendeu, além da revisão dos termos propriamente dita, compartilhar a experiência e o processo
metodológico aplicado. O método foi fundamentado no consenso ou endosso do usuário e na
garantia literária, sendo que para esse estudo houve um diferencial: foram emprestados da
Linguística de Corpus os critérios usados na construção de corpus e esses foram aplicados na
seleção da literatura representante da etapa garantia literária. Em decorrência disso, o Glossário
da Associação Brasileira de Estatística foi selecionado. Quatro pesquisadores da área foram
sorteados para serem os juízes na análise dos termos, representando a etapa endosso do
usuário. Como resultado da revisão houve pequena quantidade de alteração na terminologia
então existente, porém, acredita-se que representem significativa alteração qualitativa.
Palavras-Chave: Linguagens documentárias; Vocabulários controlados; Terminologia.
ABSTRACT
This is about the maintenance of documentary languages, especially on the step of revising the
terminology in the area of Statistics and Probability of Controlled Vocabulary SIBi/USP. Intended,
beyond the proper review of the terms, share the experience and the methodology applied. The
method was based on consensus or endorsement of the user and ensuring literary, and for this
study there was a difference: they were borrowed from the Corpus Linguistics criteria used in
building corpus and these were applied in the selection of literature representative of the literary
stage guarantee. As a result, the Glossary of the Brazilian Association of Statistics has been
selected. Four researchers from the area were randomly selected to be judges in the analysis of
the terms, representing the step endorsement of the user. As a result of the review there was a
small amount of change in existing terminology then, however, is believed to represent a significant
qualitative change.
Keywords: Documentary languages; Controlled vocabularies; Terminology.
1 INTRODUÇÃO
A atualização das linguagens documentárias é um ponto crítico conhecido para
quem administra sistemas de informação, para quem trabalha diretamente com as tarefas
de representação da informação e para os usuários. Quando se faz a opção pela
construção local dessas linguagens e não pela aquisição de exemplares disponíveis no
mercado imagina-se atenuar esse ponto crítico, atualizando-as com maior freqüência e
imprimindo nelas o contexto do próprio sistema de informação. A revisão da terminologia
utilizada nas linguagens documentárias é uma das etapas nesse processo de atualização
e a escolha de critérios para a seleção da terminologia passa a ser também uma questão
de importância.
Dando continuidade à revisão do Vocabulário Controlado do Sistema Integrado de
Bibliotecas da USP, a área de Estatística e Probabilidade foi revisada com o método
utilizado nas áreas de Ciência da Computação e de Matemática do mesmo vocabulário.
Pretendeu-se, além de revisar a área, compartilhar essa experiência, especialmente no
seu aspecto metodológico, visando apoiar iniciativas locais.
2 CONTEXTO: BREVE REVISÃO DA LITERATURA
As linguagens documentárias são instrumentos há muito conhecidos e utilizados
pelos bibliotecários no auxílio das tarefas de representação temática da informação.
Observa-se que além do conhecimento técnico do profissional tais linguagens têm grande
responsabilidade pela seleção dos pontos de acesso à informação de determinado objeto,
uma vez que têm a função primordial de orientar a seleção desses pontos de acesso
considerando n variáveis.
Os vocabulários controlados são um tipo de linguagem documentária e construídos
para promover a organização e a busca da informação em sistemas de recuperação,
sistemas de navegação da internet e outros ambientes de pesquisa para identificação e
localização de conteúdos. Eles podem estar na forma de uma simples lista de termos,
uma taxonomia ou um extenso tesauro com complexa estrutura hierárquica e diversos
tipos de relacionamentos entre os termos (NATIONAL, 2005).
O Sistema Integrado de Bibliotecas da USP (SIBi/USP) há muito optou pela
construção do seu próprio vocabulário, com iniciativa considerada desafiadora em
meados dos anos 80 e inovando desde então, onde, atualmente, conta com seu próprio
sistema de gestão por meio da web. Através dele a comunidade de bibliotecários
indexadores colabora com a manutenção do repertório terminológico do Vocabulário a
partir da sugestão de alterações nos termos, sejam diferentes inserções (novos termos,
remissivas, notas de escopo) e até mesmo de exclusão. Já a revisão total das áreas de
conhecimento do Vocabulário é um trabalho contínuo, que conta com a participação de
integrantes do Grupo Gestor do Vocabulário e também de bibliotecários indexadores.
É justamente a preocupação com a manutenção, incluindo a etapa das revisões
terminológicas, que torna um vocabulário controlado atualizado com a área que pretende
representar e um instrumento auxiliar útil e coerente com o seu propósito. A esse respeito
Kobashi (2007) cita a manutenção das linguagens documentárias como um desafio
permanente, pois deve estar atualizada o bastante para que possa atender à sua função
de comunicação. E a terminologia aparece como matéria-prima das linguagens
documentárias e também como método na elaboração e sustentabilidade da estrutura das
mesmas, dependendo do seu enfoque, seja o concreto ou o teórico-metodológico,
respectivamente (BARROS, 2004).
Desde 2004 o Instituto de Ciências Matemáticas e de Computação da USP
(ICMC/USP) é responsável pela revisão terminológica total de duas áreas do Vocabulário
Controlado do SIBi/USP: a Ciência da Computação e a Matemática. Após estudos, para a
concretização das revisões, optou-se pela garantia literária e pelo consenso ou endosso
do usuário como formas de prospectar novos termos e relacionamentos bem como de
confirmar o efetivo uso dos mesmos.
Essa opção foi fundamentada nas teorias de Lancaster (1987) quando afirma que
esse procedimento metodológico, de coleta de termos a partir do usuário da informação, é
reconhecidamente uma das maneiras de compilação e validação da terminologia para a
elaboração de linguagens documentárias, e é denominado “garantia do uso comum,
endosso do usuário ou consenso”. E, ainda, que “um termo se justifica apenas se ocorre
dentro da literatura recente de um determinado assunto, e com algum grau de
freqüência”.
Com a experiência das revisões anteriores e a respeito da literatura citada por
Lancaster, observou-se que muitas variáveis estão presentes no momento da escolha da
literatura que atuará como a fonte de informação e validação dos termos de um
vocabulário. Não ter critérios para controlar tais variáveis passa a ser um problema no
fechamento do processo metodológico, pois além de dificultar a escolha propriamente dita
diante de muitas opções de literatura, ainda pode encaminhar tal escolha em função de
critérios subjetivos, não formalizados, portanto, tendenciosos. Nesse cenário a fonte de
informação seria selecionada já antevendo os resultados pretendidos, não sendo fonte de
validação íntegra e imparcial.
Nesse raciocínio a Linguística de Corpus foi consultada e introduzida ao contexto
da Ciência da Informação, da revisão terminológica para vocabulários controlados, com o
objetivo de orientar na seleção da literatura ou fonte de informação. Nesse estudo tratou-
se a literatura como um corpus a ser ‘construído’ para a etapa de consulta dos termos,
embora na prática tenha sido uma seleção e não construção.
A Linguística de Corpus ocupa-se da coleta e da exploração de conjunto de dados
linguísticos textuais como fonte para pesquisa de uma língua ou variedade linguística,
explica Sardinha (2004). O corpus é, assim, esse conjunto de dados linguísticos. É uma
coleção de partes de textos, num determinado idioma, armazenada de forma eletrônica,
selecionada de acordo com critérios externos para representar, na medida do possível,
uma língua ou variedade de língua, como fonte de dados para a pesquisa linguística
(SINCLAIR, 2004). Observando que a pesquisa pode ser um estudo de uso de formas
lingüísticas.
Os critérios adotados pela Linguística de Corpus e utilizados na seleção da
literatura foram representatividade dos textos, tempo, tamanho ou extensão, equilíbrio e
balanceamento, especificidade e homogeneidade. E embora Sinclair (2004) comente que
bom senso e intuição são elementos necessários na construção dos corpora uma vez que
os princípios norteadores não são tão bem delimitados, tais critérios certamente norteiam
com certa disciplina e coerência a escolha do corpus.
A representatividade está muito associada à questão do tamanho do corpus, da
sua extensão. Supõe-se que quanto maior o corpus, maiores são as chances de cercar as
possibilidades existentes da área estudada. Esse critério também está associado à outra
questão, a da amostra. A literatura selecionada precisa ser uma amostra real e satisfatória
do universo que ela pretende representar, mas é fato que não há números ou referenciais
para definição e posterior comprovação ‘científica’ da representatividade de um texto. O
critério tamanho e extensão tratam objetivamente sobre o número de palavras dos textos
escolhidos, assim como o critério tempo trata objetivamente sobre períodos de tempo
considerados, um ou vários, atuais ou históricos. O critério equilíbrio e balanceamento
está vinculado a corpus construído com diferentes tipos de textos, e para um corpus ser
pronunciado equilibrado deve haver proporções balanceadas entre os diferentes tipos de
texto, sempre considerando o que ocorre no universo real de estudo. A especificidade e
homogeneidade dizem respeito a textos de temas específicos, autores específicos,
gêneros específicos e assim por diante. Esse critério resulta em um corpus especializado
e muitas vezes muito representativo por trabalhar e estudar uma parcela restrita de todo
um universo de possibilidades (KENNEDY, 1998; SARDINHA, 2004; SINCLAIR, 2004).
A literatura sobre Linguística de Corpus é vasta e muitas são as aplicações e
vantagens do uso de corpora. Esse estudo, com o uso dos critérios acima citados, é um
pequeno e tímido início dessa aplicação para a área das linguagens documentárias.
Acredita-se que a Linguística de Corpus, sua teoria somada às ferramentas
computacionais existentes, tem muito a contribuir com a Ciência da Informação.
3 MÉTODO, MATERIAIS E ANÁLISE DOS DADOS
O método empregado está fundamentado na garantia literária e no consenso ou
endosso do usuário, já proposto por Moraes & Cristianini (2006, 2008) nas revisões das
áreas de Ciência da Computação e Matemática.
O consenso ou endosso do usuário, também chamado de garantia de uso, visa
privilegiar a abordagem temática adotada pelos usuários reais em situação de
recuperação da informação, segundo Moura et al (2005). A ideia é que o repertório
terminológico da linguagem documentária represente de maneira mais real e precisa
possível a forma como determinada comunidade busca a informação desejada.
Retomando as etapas do processo metodológico, tem-se: escolha de juízes
usuários da área em questão; seleção da literatura da área; checagem da literatura;
análise dos dados; elaboração da proposta; correções e alterações, elaboração da
proposta final e implementação.
Para a seleção da literatura representante da etapa garantia literária foram
utilizados os critérios representatividade dos textos, tempo, tamanho, equilíbrio e
balanceamento, especificidade e homogeneidade; todos emprestados da Linguística de
Corpus. Dentre as fontes disponíveis o Glossário da Associação Brasileira de Estatística1
(ABE) foi o selecionado, sendo características determinantes o texto estar redigido no
idioma Português do Brasil e a facilidade de pesquisa dos termos. Os bancos de dados
Current Index to Statistics (possui 160 periódicos da área e 11 mil livros) e MathSciNet
(possui o Mathematical Reviews, o Current Mathematical Publications e a Mathematics
Subject Classification) foram também apontados, mas não participaram da etapa da
garantia literária.
Para o consenso ou endosso do usuário foram selecionados por sorteio quatro
pesquisadores pertencentes ao Departamento de Matemática Aplicada e Estatística do
ICMC/USP. A partir do vocabulário existente os pesquisadores opinaram em conjunto
sobre todos os termos segundo os aspectos: desconhecimento do termo, qualidade da
tradução, organização hierárquica, desuso e necessidade de exclusão e, por último,
1 http://redeabe.org.br/abe.htm
sugestão de novos termos, conforme mostra a Tabela 1. Essas opiniões foram registradas
e confrontadas com a literatura de consulta.
Tabela 1 – Roteiro com os aspectos analisados e seus identificadores
Além da consulta ao Glossário da ABE, esses termos foram também consultados
em todo o Vocabulário Controlado do SIBi/USP, com o objetivo de verificar se já estavam
contemplados em outras áreas do conhecimento.
A análise dos dados foi qualitativa e a necessidade da presença do termo nas duas
etapas do método (consenso ou endosso do usuário e garantia literária) ficou relacionada
ao aspecto considerado.
Para os aspectos ‘exclusão’ e ‘termos desconhecidos’ foi considerada obrigatória a
presença do termo nas duas etapas para que a alteração fosse realizada no vocabulário.
Isso foi necessário visto que as alterações resultantes desses aspectos é a retirada dos
termos do vocabulário e por ser uma ação radical é essencial ter a máxima garantia de
que tais termos realmente não são mais necessários no universo que está sendo
revisado. Não estar presente na literatura da área e, paralelamente, no ambiente dos
juízes, sugere o pouco ou nenhum uso e importância do termo. Reforça essa ideia
Moreira e Moura (2006) quando dizem que mesmo necessária só a garantia literária não é
suficiente para legitimar a entrada de termos uma vez que aqueles utilizados na escrita
pelos autores nem sempre equivalem aos utilizados na recuperação da mesma
informação.
Por outro lado, para os aspectos ‘tradução’, ‘organização hierárquica’ e ‘novos
Identificador
Aspecto ou Problema identificado no termo
D
Desconhecimento do termo
T
Qualidade da tradução
L
Organização hierárquica, lugar no vocabulário
E
Exclusão e desuso
N
Novo termo; acréscimo
termos’ foi considerado necessário estar presente em pelo menos uma das etapas, pois a
alteração resultante desses aspectos é a inserção do novo termo ou da sua nova forma
ou local, o que ainda com certo trabalho é passível de nova alteração e retorno à
sistematização original.
Tabelas foram geradas para a organização dos dados resultantes, conforme
ilustrado abaixo.
Tabela 2 – Exemplo de tabela gerada com os dados resultantes
Aspecto / Exclusão
Termo
Código original
Endosso / Juízes
Glossário ABE
Modelos não lineares (Análise
de séries temporais)
CE631.1.7
Exclui
Modelo não-linear
Séries espaciais e direcionais
CE631.1.11
Exclui
Não existe
Sistemas não lineares
CE631.1.13
Exclui
Não existe
Análise de dados
CE631.2.4
Exclui
Análise de dados
Modelos aleatórios
CE631.2.20
Exclui
Não existe
Os termos que obedeceram as considerações necessárias para as etapas do
processo metodológico, conforme seu tipo de aspecto, foram separados para entrarem na
nova terminologia de Estatística e Probabilidade; os que não cumpriram foram separados
para comporem uma lista de candidatos a termos.
Terminada a consulta à literatura e tendo organizado os dados dela resultantes, a
estrutura do vocabulário foi reescrita em função das indicações dadas pelos juízes
pesquisadores, pelo Glossário da ABE e pelo Vocabulário Controlado do SIBi/USP. Foram
feitas as alterações a seguir: novas traduções, novas relações de sinonímia,
qualificadores para os termos homógrafos e duplicados no Vocabulário, realocação de
termos na hierarquia e acréscimo de termos. Os termos excluídos foram organizados e
separados em tabela para futuras consultas, se necessárias, e ainda para registro do
histórico e gerenciamento do vocabulário.
Até o presente momento a revisão da terminologia da Estatística e Probabilidade
está na fase de correção e aprovação por parte do Grupo Gestor do Vocabulário
Controlado do SIBi/USP. Após, será devolvido para esclarecimento de dúvidas e ajustes,
se houver, e será imediatamente implementado para uso no banco de dados bibliográficos
da USP – Dedalus.
4 RESULTADOS E ANÁLISE
A Tabela 3 apresenta os dados organizados e reunidos segundo as maiores
ocorrências e as etapas do processo metodológico realizadas.
Tabela 3 – Resultado do endosso dos usuários e indicação da obrigatoriedade das duas
etapas para as alterações dos termos
Aspecto
No. de termos Percentual (%) Endosso do
usuário
Garantia
Literária
Exclusão e desuso (E)
22
9,6
Obrigatório
Obrigatório
Qualidade da tradução
(T)
20
8,7
Obrigatório
Não obrigatório
Desconhecimento do
termo (D)
07
3
Obrigatório
Obrigatório
Organização hierárquica
(L)
02
0,9
Obrigatório
Não obrigatório
Novo termo (N)
02
0,9
Obrigatório
Não obrigatório
A partir dos dados do endosso do usuário sugere-se, primeiramente, que o então
vocabulário de Estatística e Probabilidade estava desatualizado e necessitando de
revisão, tendo em vista o número de sugestões de exclusões, que representaram 9,6%.
Os motivos apresentados para a exclusão foram a não pertinência à área em questão e
existência de remissivas desnecessárias. Para esse aspecto a etapa da garantia literária
foi considerada obrigatória e dos termos assinalados pelos juízes para exclusão 68%
deles não constam no Glossário da ABE. Esses termos foram retirados do Vocabulário.
O segundo aspecto relevante é a qualidade da tradução dos termos do vocabulário;
supõe-se que não sejam as traduções utilizadas e conhecidas da área uma vez que
houve significativa discordância das traduções presentes no vocabulário, 8,7% dos
termos. Além da tradução propriamente dita, mas utilizando esse aspecto, os juízes
fizeram observações a respeito da preferência de termos, das formas singular e plural e
da ortografia. Esse aspecto considerou obrigatória a presença dos termos em pelo menos
uma das etapas, assim, os termos marcados pelos juízes e as alterações sugeridas foram
integralmente implementadas no Vocabulário.
Em seguida, 3% dos termos pontuaram os termos desconhecidos, o que pode
trazer à tona o método utilizado para a primeira composição desse vocabulário e qual
referencial de usuário foi considerado. Para esse aspecto a presença na etapa garantia
literária é obrigatória, portanto, após consulta, dentre o percentual de termos
desconhecidos apenas 14% deles foi encontrado na literatura, o que corrobora com a
preocupação sobre a primeira composição dessa área para o Vocabulário. Os termos
assinalados pelos juízes como desconhecidos e não encontrados na literatura foram
retirados do Vocabulário.
O aspecto ‘novos termos’ foi citado pelos juízes em apenas 0,9%, de onde se pode
inferir que o Vocabulário existente está completo e sem necessidade de um volume
significativo de acréscimos. Porém, ainda sob a perspectiva do endosso dos usuários,
uma sugestão foi marcada pelos juízes apontando a necessidade de inserção de todos os
termos presentes no Glossário da ABE não contemplados no Vocabulário Controlado do
SIBi/USP. Esse aspecto não contou com a etapa da garantia literária e todos os termos
sugeridos formalmente (0,9%) foram implementados no Vocabulário.
O aspecto da organização hierárquica foi o menos mencionado pelos juízes, 0,9%,
o que sugere que a estrutura do Vocabulário está de acordo com a forma como a
comunidade da área compreende e visualiza seu universo. Os juízes indicaram o local
mais adequado na hierarquia existente para os termos assinalados nesse aspecto. A
garantia literária não foi etapa considerada obrigatória nesse aspecto, inclusive por não
poder contribuir uma vez que o glossário selecionado não oferece uma disposição
hierárquica dos termos além da lista alfabética e algumas remissões. As alterações de
hierarquia sugeridas foram implementadas no Vocabulário.
5 CONSIDERAÇÕES
A revisão do vocabulário de Estatística e Probabilidade foi concluída e pretendeu
atualizar o repertório terminológico da área bem como sua estrutura hierárquica e as
relações de sinonímia. Sob o ponto de vista quantitativo observou-se pequena mudança,
pouco mais de 20% do vocabulário foi alterado, estando esse número dentro do padrão
esperado. Entretanto, acredita-se que qualitativamente houve mudança significativa que
certamente trará melhorias para os profissionais que trabalham com as tarefas de
representação da informação e para os usuários.
As causas apresentadas para a sugestão de alteração de termos no Vocabulário
existente foram, em ordem decrescente: não pertinência à área em questão, remissivas
desnecessárias, traduções impróprias, formas não preferidas, formas singular e plural não
utilizadas, ortografia errada, necessidade de novos termos, termos desconhecidos e
organização hierárquica. Essas causam sugerem que o vocabulário então existente
possui consistência em seu núcleo, tendo em vista sua organização hierárquica ser
minimamente alterada. Considerando a sugestão de inserção de grande número de
termos e de outros para exclusão pode-se sugerir que são alterações decorrentes do
próprio desenvolvimento e dinâmica da área. Sob outro ponto de vista, os números
indicaram que a revisão da área era mesmo necessária.
O método tem sido um elemento muito pontuado e defendido nas revisões
terminológicas realizadas pelos bibliotecários do ICMC para o Vocabulário Controlado do
SIBi/USP. Além das outras vantagens advindas do método, é oportuno lembrar que o
Vocabulário é uma linguagem documentária já em uso e com grande volume de termos.
Aos que iniciam suas linguagens documentárias deve haver ênfase no método, na adoção
de um padrão para sua construção e revisão.
Estando a garantia literária como uma das bases do método empregado, a seleção
da literatura a ser utilizada como fonte de informação para os termos é também um
elemento importante. Sugere-se, nesse ponto, maior conhecimento e estudo sobre a
construção de corpus, sobre suas vantagens para a área das linguagens documentárias,
inclusive como demonstração real da prática da interdisciplinaridade, tão presente na
Ciência da Informação.
6 REFERÊNCIAS
BARROS, L.A. Curso básico de terminologia. São Paulo: EDUSP, 2004.
KENNEDY, G. Introduction to corpus linguistics. Harlow, England: Addison-Wesley Longman,
1998.
KOBASHI, N.Y. Fundamentos semânticos e pragmáticos da construção de instrumentos de
representação de informação. Datagramazero – Revista de Ciência da Informação, v.8, n.6,
dez. 2007. Disponível em: <http://www.dgz.org.br/dez07/F_I_art.htm>. Acesso em: 29 jun. 2010.
LANCASTER, F.W. Construção e uso de tesauros: curso condensado. Brasília:
MCT/CNPq/IBICT, 1987.
MORAES, J.S.; CRISTIANINI, G.M.S. Terminologia em Ciência da Computação: revisão da área
implementada no Vocabulário Controlado do SIBi/USP. In: SEMINÁRIO NACIONAL DE
BIBLIOTECAS UNIVERSITÁRIAS, 15., 2006, Salvador. Anais... Salvador, BA: UFBA/SIBI, 2006.
MORAES, J.S.; CRISTIANINI, G.M.S. Terminologia de Matemática: revisão da área para o
Vocabulário Controlado da USP. In: SEMINÁRIO NACIONAL DE BIBLIOTECAS
UNIVERSITÁRIAS,
16.,
2008,
São
Paulo.
Anais...
Disponível
em:
<http://www.sbu.unicamp.br/snbu2008/anais/site/pdfs/3271.pdf>. Acesso em: 24 abr. 2010.
MOREIRA, M. P.; MOURA, M.A M. Construindo tesauros a partir de tesauros existentes: a
experiência do TCI - Tesauro em Ciência da Informação. DataGramaZero - Revista de Ciência
da Informação, v.7, n.4, 2006. Disponível em: http://dgz.org.br/ago06/Art_01.htm. Acesso em 29
jun. 2010.
MOURA, M. A et al. Linguagens de indexação em contextos cinematográficos: a experiência de
elaboração do tesauro eletrônico do cinema brasileiro. Perspectivas em Ciência da Informação,
v.
10,
n.1,
2005.
Disponível
em:
<http://portaldeperiodicos.eci.ufmg.br/index.php/pci/article/viewFile/302/105>. Acesso em 29 jun.
2010.
NATIONAL Information Standards Organization. Guidelines for the construction, format, and
management of monolingual controlled vocabularies, 2005. (ANSI/NISO Z39.19-2005).
SARDINHA, T. B. Linguística de corpus. Barueri, SP: Manole, 2004.
SINCLAIR, J. Developing linguistic corpora: a guide to good practice. Corpus and text – basic
principles. 2004. Disponível em: http://ahds.ac.uk/creating/guides/linguistic-corpora/chapter1.htm.
Acesso em 29 jun. 2010.