Este estudo investiga o uso da transcrição fonética como ferramenta pedagógica no ensino de Português, com foco em falantes nativos de espanhol. A pesquisa parte do pressuposto de que dificuldades na pronúncia de determinados fonemas inexistentes na língua materna comprometem a aquisição da oralidade em português. O objetivo é avaliar em que medida a incorporação da transcrição fonética pode auxiliar na superação desses desafios, promovendo maior precisão na pronúncia e desenvolvimento da memória auditiva. A metodologia adotada foi qualitativa, de caráter descritivo e exploratório, com aplicação na Universidade de Sevilha (Espanha), entre 2022 e 2023. Participaram 46 estudantes espanhóis, distribuídos entre os níveis A2 e B1 do Quadro Europeu Comum de Referência para Línguas. Foram realizadas atividades com poemas, trava-línguas e textos literários, priorizando sons não existentes na língua materna dos alunos. A~transcrição fonética foi introduzida progressivamente, com foco em palavras-chave. Os resultados indicam que os alunos que utilizaram essa estratégia demonstraram avanços significativos na pronúncia e na consciência fonológica, embora obstáculos iniciais tenham sido observados quanto à familiarização com o Alfabeto Fonético Internacional. Conclui-se que a transcrição fonética, quando usada de forma direcionada e progressiva, é uma ferramenta eficaz para o ensino de português, especialmente no desenvolvimento da competência oral. Sugere-se sua ampliação em contextos didáticos semelhantes, respeitando a complexidade e o tempo de assimilação dos estudantes.
Els Models de Llenguatge Extensos influeixen cada cop més en la comunicació escrita, fet que planteja reptes per a llengües minoritàries com el català. Aquest estudi quantifica els biaixos lingüístics de sis models de llenguatge en català, analitzant-ne les preferències per construccions gramaticals normatives enfront de les no normatives, especialment sota la influència de la interferència del castellà. A partir d'un corpus propi de parelles mínimes, hem avaluat models tant monolingües com multilingües comparant les seves preferencies per a cada variant (no) normativa. Els resultats indiquen que no hi ha una diferència entre els models monolingües i multilingües en la seva preferència per les construccions normatives. Tanmateix, la possible interferència del castellà redueix de manera notable la preferència per les formes normatives en tots els models analitzats. Aquests resultats suggereixen que els biaixos dels models reflecteixen la prevalença d'usos no normatius en les seves dades d'entrenament, a causa d'influència del castellà. Això subratlla la importància d'avaluar aquestes tecnologies per a informar la política lingüística i comprendre'n l'impacte en l'evolució de la llengua.
The automatic readability assessment of texts is a growing field within Natural Language Processing, with significant implications in areas such as language teaching and learning and accessibility. In this context, this paper presents Corlega, the first corpus of Galician texts classified by readability level, consisting of 480 texts aimed at adult readers. The corpus covers 11 categories and 36 subcategories, including a variety of text types, genres and subgenres. The process of selection and compilation of documents, as well as classification, follows the standards of the iRead4Skills project, which develops resources and computational models for Portuguese, Spanish and French. To compile Corlega, this work defines six levels of readability in Galician and proposes a set of linguistic descriptors for each level. Using this taxonomy, we describe the compilation process of the corpus and its current distribution -across four of the six readability levels-,as well as the main features of this new resource. Additionally, we used the corpus to train and evaluate automatic readability classification tools by fitting monolingual and multilingual Transformer models, and the implementation of hybrid models. The results suggest that, with small training corpora, feature extraction from pre-trained models is an efficient method to achieve competitive results with supervised model fitting. However, combining corpora from different languages enables the fitting of multilingual models with better performance. Both the corpus and the models are available to the scientific community.
In this paper, we detail the methodology used to construct the Porttinari-base Propbank, a gold-standard Propbank with over 45,000 arguments annotated on the syntactic dependencies of the Porttinaribase treebank. We present the underlying challenges and the solutions adopted in the annotation of arguments and predicates, and report the results of an inter-annotator agreement study. Our goal is twofold: to present the Porttinari-base Propbank as a resource for NLP and, secondarily, to provoke reflections on the dialogues between NLP and linguistic theories.
Combining knowledge from the areas of computational linguistics and psycholinguistics, this paper explores the syntactic knowledge of neural language models, specifically the principle of subject-verb agreement in Galician and Portuguese. In order to study whether the models process this phenomenon in a similar way to humans, two datasets were created (one in Galician and one in Portuguese) with 16 sentences and 8 variants for each of them, taking into account grammaticality, the presence or absence of a distractor and the distance between the subject and the main verb. With these elements, surveys were carried out with speakers of these languages to check the acceptability of the sentences in relation to the variables referred to. Using an adapted version of the datasets, neural language models for Galician and Portuguese were evaluated. The results show that although both humans and models distinguish between grammatical and ungrammatical sentences, speakers exhibit greater accuracy and even benefit from distractors, while these confuse LMs, especially in long contexts.
