Algoritmos de aprendizagem e variação linguística: a aquisição da nasal velar por aprendizes de inglês

Algoritmos de aprendizagem e variação linguística: 
 Athany Gutierres (UFRGS) a aquisição da nasal velar por aprendizes de inglês 
 Roberta Quintanilha (IFSUL) como língua estrangeira

Introdução ✴

✴

✴

Sob a perspectiva de modelos baseados em restrições, tais como a Teoria da Otimidade e a Gramática Harmônica, adquirir uma língua significa ranquear as restrições que compõem a Gramática Universal de acordo com a hierarquia específica dessa língua. No decorrer da aquisição, seja de LM/L1 ou de LE/L2, as diferentes hierarquias apresentadas pelas crianças e/ou adultos correspondem aos diferentes estágios de aquisição/desenvolvimento. É tarefa de um algoritmo de aprendizagem dar conta dessa movimentação, de maneira lógica e pré-estabelecida, no âmbito da Linguística Formal.

Introdução ✴

✴

Logo, - um algoritmo de aprendizagem é o que guiará o aprendiz para a hierarquia de restrições específica de uma língua; - pode-se pensar no algoritmo como o cerne do funcionamento das funções da GU (GEN e EVAL). A tarefa do algoritmo é deduzir a hierarquia das restrições da qual uma dada forma de superfície emerge como output ótimo de uma dada forma de input (Kager, 1999, p.301).

Apresentação ✴

Representação formal da aquisição variável da nasal velar através de dois algoritmos de aprendizagem harmônicos: - GLA-HG (Boersma; Hayes, 2001); - ORTO Ajuste Paramétrico (Dornelles Filho, 2014).

✴

A harmonia dos candidatos é verificada através de um cálculo probabilístico das possibilidades de fala, ponderando todas as violações que cada candidato incorre.

✴

Os algoritmos são associados à: - Gramática Harmônica (Legendre; Miyata; Smolensky, 1990); - Teoria da Otimidade (Prince; Smolensky, 1993).

Apresentação ✴

Nos algoritmos, pesos numéricos são atribuídos às restrições.

✴

Diferem-se de propostas anteriores por modelarem a variação linguística.

✴

Dados: fala semi-espontânea, coleta sociolinguística e ARV (Gutierres, 2016) - nasal velar [ŋ] (37%); nasal palatal [ɲ] (63%), em coda final - candidatos a output: [ŋ], [ɲ], [ŋg], [ŋgi] - restrições: *StopCoda, AgreePlaceVN, IdentNasal, Dep

Terminologia GLA - HG - valor de ranqueamento - valor de desarmonia - valor de harmonia ( DEP

Valores de referência C1 > C2

Matriz de dominância

C2 > C4

C4 ≥ C3

Formalização ORTO

Tableau

Escala contínua XXXX

Formalização GLA-HG Ordenamento

Valores de ranqueamento

Formalização GLA-HG

Tableau Valor de Harmonia = Disharmony x Nº violações

Escala contínua

Semelhanças entre os algoritmos ✴

✴

✴

Eficazes quanto ao modelamento da aquisição fonológica variável, em termos de cálculo probabilístico da harmonia dos candidatos. Adequados na seleção dos outputs variáveis e no ordenamento das restrições (M>>F, característica típica de gramáticas de interlíngua): hipóteses de representação mental da aquisição de LE que refletem realizações linguísticas atestadas empiricamente. Ordenamentos iguais para a mesma seleção de candidatos harmônicos em variação; ambos convergiram para o candidato mais harmônico (nasal palatal [ɲ]).

Diferenças entre os algoritmos ✴

✴

✴

O ORTO executa o cálculo de harmonia a partir de um único script, o GLA-HG, a partir de dois; aparentemente, as informações do script do ORTO são mais acessíveis ao linguista/analista do que as do GLA-HG. Tanto o ORTO quanto o GLA-HG são softwares livres disponíveis gratuitamente na Internet; entretanto, para a execução do ORTO, é necessária a instalação da linguagem MATLAB. O ORTO possui funcionalidades adicionais: matriz de dominância, ajuste de valores de FE e FO.

Considerações Finais ✴

✴

✴

Embora a ‘aprendibilidade’ da gramática seja uma condição necessária para uma ‘gramática empírica’ adequada, não é uma condição suficiente: a gramática ainda deve ter uma descrição adequada. Os algoritmos probabilísticos demonstram lidar bem com a variação e com os estágios desenvolvimentais exemplificados nos dados de fala semi-espontâneas apresentados. Entretanto deve-se levar em conta, também, as diferenças propostas pelo modelo de gramática o qual está associado o algoritmo; enquanto a OT é caracterizada pela dominância estrita, a gramática harmônica leva em consideração o conjunto das restrições.

Referências BOERSMA, P.; HAYES, B. Empirical Tests of the Gradual Learning Algorithm. 2001. Disponível em: http:// www.linguistics.ucla.edu/people/hayes/GLA/gla.pdf, acesso: 12-11-16. DORNELLES FILHO, A.A. Algoritmo para ordenação de restrições na teoria da otimidade. TCC de especialização em métodos quantitativos: Estatística e matemática aplicadas, PUC-RS, Porto Alegre, RS, 2014. Orientador: Filipe Jaeger Zaballa. Disponível em https://sites.google.com/site/aadornellesf/, acesso: 12/11/16. GUTIERRES, A. Variação na aquisição fonológica: análise da produção da nasal velar em inglês (L2). 206 f. Tese Doutorado em Letras. Universidade Federal do Rio Grande do Sul, Porto Alegre, 2016. KAGER, R. Optimality Theory. Cambridge, England: Cambridge University Press, 1999. LEGENDRE, G.; MIYATA, Y.; SMOLENSKY, P. Can connectionism contribute to syntax? Harmonic Grammar, with an application. In: ZIOLKOWSKI, M.; NOSKE, M. DEATON, K. (Org.). REGIONAL MEETING OF THE CHICAGO LINGUISTIC SOCIETY, 26, 1990, Chicago. Proceedings... Chicago: Chicago Linguistic Society, 1990. p.1-16. PRINCE, A.; SMOLENSKY, P. Optimality Theory: constraint interaction in generative grammar. 1993. In: McCARTHY, J. Optimality Theory in Phonology. Oxford: Blackwell Publishing, 2004.