DEPARTAMENTO DE LETRAS
Pontifícia Universidade Católica do Rio de Janeiro
Rua Marquês de São Vicente, 255
Gávea
22453 ― Rio de Janeiro

ANAIS DO XI ENCONTRO NACIONAL DE LINGÜÍSTICA
1988

É proibida a reprodução total ou parcial desta publicação sem referência a este original.

FREQÜÊNCIA DOS CARACTERES GRÁFICOS EM LÍNGUA PORTUGUESA E O TECLADO DE MICROCOMPUTADORES

José Marcelino Poersch
Depto. de Letras, PUC-RS

Através do estudo da freqüência dos caracteres gráficos em língua portuguesa em combinação com o estudo dos reflexos dos dedos na digitação e do esforço para acessar as diversas teclas, são sugeridas mudanças no atual teclado QWERTY de microcomputadores e de outras máquinas eletrônicas de escrever com o objetivo de veicular, na digitação, o máximo de informação com o mínimo de custo.

1 - OS TECLADOS DE MICROCOMPUTADORES

Com o avanço da tecnologia, procuram-se instrumentos cada vez mais perfeitos, mais ágeis e mais fáceis de serem operados. Constata-se que os teclados de microcomputadores, em sua versão padrão, apresentam dificuldades para a produção de textos em português, principalmente no que se refere a caracteres gráficos específicos quais sejam o cedilha e as vogais acentuadas (em número de 12). Diversas tentativas de solução foram propostas, experimentadas e integradas aos editores de texto, programas responsáveis pelos recursos que um microcomputador pode oferecer para editorar um texto.

Uma firma californiana, sediada em Sunnyvale, recebeu da Apple Computer a autorização para produzir o “Diplomata®, programa especial que dota os editores de texto da possibilidade de produzir caracteres específicos de línguas diferentes do inglês. O “Diplomata® consiste num dispositivo eletrônico embutido na unidade central de processamento (CPU) dos microcomputadores Apple IIe, dotando-os, mediante o simples toque de uma tecla, da possibilidade de utilizar, instantaneamente, além do teclado padrão para o inglês (Standard ANSI Keyboard), teclados específicos para a edição de textos em línguas diferentes. A característica básica do “Diplomata® é a sua comutabilidade, qualidade que permite uma conversão instantânea entre dois ou mais conjuntos de caracteres. Esse dispositivo permite gerar todas as letras bem como os demais caracteres gráficos (como sinais de acentuação) mediante o simples toque de uma única tecla e exibi-los no visor com uma forma idêntica àquela com que deverão aparecer na versão impressa.

Analisando esse programa, verifica-se que a distribuição dos caracteres gráficos no teclado apresentam várias falhas ou deficiências. As deficiências do “Diplomata® trouxeram a idéia de proceder a um levantamento criterioso da freqüência dos caracteres gráficos em português para, mediante a eliminação de caracteres desnecessários ou de baixa produtividade na editoração de textos em língua portuguesa, abrir espaço para a inserção de outros caracteres específicos de nossa língua e dispô-los segundo sua freqüência de ocorrência.

Ao lado deste problema, verifica-se um outro: a disposição dos caracteres gráficos num teclado padrão.

Pergunta-se quais foram os critérios que nortearam os engenheiros de máquinas de escrever a distribuir os caracteres gráficos pelo teclado, na forma como eles se encontram atualmente. Sabe-se que essa disposição deve obedecer a certos critérios que levem em conta a distância em que as teclas se localizam dos dedos da mão em seu ponto de repouso, na parte central da segunda carreira de teclas, de baixo para cima, e a energia diferenciada que cada dedo possui. Partindo do pressuposto de que os caracteres mais produtivos devem corresponder às posições mais fáceis de serem acessadas, fácil se torna deduzir que o levantamento de freqüência dos caracteres gráficos muito pode contribuir para a elaboração dessa distribuição.

O teclado de um microcomputador é igual ao de uma máquina eletrônica padrão acrescido de alguns outros comandos. Essa disposição dos caracteres do teclado não foi a primeira a ser elaborada e utilizada e, como as outras disposições, levava em conta a freqüência de ocorrência dos caracteres da língua inglesa. Os outros teclados, contudo, não se perpetuaram porque as letras mais freqüentes e de ocorrência sucessiva (tais como D e E) estavam dispostas lado a lado no teclado e, devido à rapidez de toque dos datilógrafos, as teclas se acavalavam na hora de atingir a folha. Assim, para diminuir a rapidez de toque, bem como para evitar danos às máquinas de escrever, Glidden, Sholes et Soulé, três norte-americanos, separando justamente os caracteres de maior freqüência de ocorrência, criaram o conhecido teclado QWERTY.

Colocam-se, então, duas questões que devem merecer nossa consideração. Como pode um editor de textos para o português bem servir a um digitador se possuir um teclado baseado na freqüência dos caracteres da língua inglesa? E como pode-se aceitar o fato de tais caracteres estarem dispostos de forma a aumentar o espaço de tempo entre um toque e o toque imediatamente seguinte a fim de evitar o acavalamento das teclas, se um microcomputador funciona por impulsos elétricos, independente da seqüência ou proximidade de alavancas mecânicas?

Com base na problemática assim estabelecida supõe-se que o levantamento da freqüência dos grafemas do português, bem como a freqüência dos digramas (seqüência de dois grafemas) pode conduzir-nos à elaboração de uma disposição mais racional ou melhor, mais eficiente do teclado se se fizer corresponder às teclas mais rápidas de serem acionadas os caracteres gráficos mais produtivos da língua, de modo a permitir um ganho razoável de tempo.

2 - ESPECIFICAÇÃO DO PROBLEMA

2.1 - Estabelecimento dos objetivos

O objetivo operacional básico (imediato) é levantar, em textos escritos do português do Brasil, a freqüência dos caracteres gráficos e das digramas em posição inicial, medial e final de palavras.

Os objetivos aplicativos (mediatos) são os seguintes: sugerir mudanças no atual teclado padrão QWERTY de microcomputadores e de outras máquinas eletrônicas de escrever tomando em consideração a redução do esforço e o aumento de rapidez; reanalizar e reavaliar a afirmação de lingüistas que pressupõem que o tipo de texto não constitui variável (interveniente) na freqüência de grafemas e de digramas, visto estes não estarem relacionados com o significado; comparar os dados levantados no português com os dados encontrados em outros idiomas, notadamente no inglês, no francês e no alemão.

2.2 - Formulação das hipótese de trabalho

1. Os caracteres gráficos em texto de língua portuguesa apresentam percentagens de freqüência diferentes.
2. O tipo e o tamanho das amostras não influi na distribuição da freqüência dos caracteres gráficos.
3. Certos digramas são mais produtivos do que outros.

2.3 - Operacionalização das variáveis

A variável independente corresponde aos caracteres gráficos de textos em língua portuguesa, classificados como segue: caracteres grafêmicos, caracteres supragrafêmicos, caracteres intergrafêmicos, caracteres numéricos e outros caracteres.

A variável dependente corresponde à freqüência de ocorrência dos diversos tipos de caracteres. A freqüência relativa servirá para ordená-los, isto é, fornecer-lhes um número de ordem. A ordenação será analisada em diversos agrupamentos os quais serão selecionados de acordo com os objetivos propostos.

A variação interveniente corresponde ao tipo de texto, ao assunto tratado e ao tamanho da amostra. Para calcular a influência dessa variável interveniente, calcular-se-á o coeficiente de correlação dos dados de diversas amostras entre si, tomados dois a dois.

3 - IMPLEMENTAÇÃO

3.1 - Amostragem

O universo da pesquisa inclui todos os textos escritos em Língua Portuguesa no Brasil. Baseado em pesquisas correlatas (Malmberg, 1971); Guiraud, 1959; Herdan, 1966; Miller, 1951, sabe-se que uma amostra suficientemente significativa está por volta de duzentas mil palavras de texto corrido; isso corresponde, aproximadamente, a trezentos e trinta páginas datilografadas em espaço simples, com sessenta colunas. Em termos de caracteres corresponde a um milhão e duzentos mil.

Embora pesquisadores ligados a esse campo, baseados no pressuposto de que os grafemas e suas seqüências diádicas não estão relacionados com o significado, afirmem que não existem variáveis intervenientes a influir no resultado final das freqüências, pretende-se reavaliar essa afirmativa. Para tanto, a amostra global foi constituída de amostras parciais que cobriram os aspectos de: tipologia discursiva, estilo utilizado, assunto tratado, objetivo proposto e autor, entre outros.

A amostra global foi constituída de doze amostras parciais, totalizando 437.719 caracteres; portanto, um terço da amostra prevista acima. Se, no entanto, os coeficientes de correlação apresentados pelas freqüências de cada uma com as freqüências totais forem significativamente elevados, teremos comprovada a suficiência da amostra.

As doze amostras parciais foram as seguintes:

1. Discurso dissertativo correspondendo a um artigo científico completo;
2. Discurso literário em verso;
3. Discurso literário, em prosa, parte final de um texto;
4. Discurso literário, em prosa, parte inicial de um texto;
5. Discurso literário, em prosa, parte medial de um texto;
6. Discurso dissertativo, parte de um texto técnico-científico;
7. Discurso literário, em prosa, dirigido a leitores infantis;
8. Discurso descritivo-expositivo, material instrucional (didático), sobre geografia;
9. Discurso expositivo, amostras feitas com minitextos, abordando os mais variados assuntos;
10. Discurso narrativo-jornalístico, informativo;
11. Texto técnico-científico (expositivo), sobre filosofia;
12. Discurso expositivo de idéias, produção infantil.

3.2 - Preparação do corpus e levantamento de dados

O corpus total foi constituído de doze corpora para atender às explicitações da segunda hipótese. Esse corpus foi digitado num Apple IIe e os dados foram levantados automaticamente, primeiro para cada amostra parcial, depois para o corpus total. Para tanto foi utilizado um programa especialmente elaborado em linguagem C.

3.3 - Tratamento estatístico

Os caracteres gráficos foram subdivididos em cinco categorias: caracteres grafêmicos, caracteres intergrafêmicos, caracteres numéricos, outros caracteres e espaços. Os caracteres supragrafêmicos não são computados nessa relação por se apresentarem acavalados com os caracteres grafêmicos (vocálicos). As freqüências percentuais e absolutas desses caracteres gráficos encontram-se na Tabela 1.

TABELA 1 - DISTRIBUIÇÃO GERAL DAS FREQÜÊNCIAS DOS CARACTERES GR�FICOS EM L�NGUA PORTUGUESA

Verifica-se que, entre os caracteres grafêmicos, as consoantes, embora tipicamente sejam mais numerosos do que as vogais (22 para 5), sua ocorrência total somente apresenta uma freqüência de 51,69% contra 48,31% das vogais.

As tabelas 2, 3 e 4, reunidas abaixo, num só quadro, fornecem as freqüências relativas e os respectivos postos dos caracteres grafêmicos, dos caracteres supragrafêmicos e dos caracteres intergrafêmicos.

TABELA 2

TABELA 3

TABELA 4

Estas tabelas bastam, por si só, para confirmar a primeira hipótese: os caracteres gráficos, em textos de língua portuguesa apresentam diferentes percentagens de freqüência. Devido a essa diversidade de freqüências, os caracteres podem ser relacionados em ordem decrescente. Entre os caracteres grafêmicos destacam-se os vocálicos pela sua alta freqüência: A (13,66%), E (12,45%), I (6,71%) e U (4,45%).

Os grafemas consonantais mais freqüentes são: S (7,79%), R (6,59%), N (5,14%), T (4,61%) e M (4,50%). Verifica-se que a freqüência dos grafemas estrangeiros (K, W e Y) é inexpressiva: 0,50%. Convém salientar que os dez grafemas mais freqüentes cobrem 73,37% do total das ocorrências e que os cinco mais freqüentes correspondem a 51,65%, isto é, mais do que a metade de todas as ocorrências grafêmicas.

Para avaliar a segunda hipótese, que pretende verificar a relação entre a distribuição das freqüências e as amostras, calculou-se, inicialmente, a correlação simples entre as freqüências dos caracteres grafêmicos e as amostras, duas a duas (TABELA 5).

TABELA 5 – COEFICIENTE DE CORRELAÇÃO

Os altos coeficientes de correlação evidenciam que a tipologia textual não constitui variável interveniente na distribuição da freqüência, o que queríamos provar. Isso, em outros termos, significa que a amostra global é suficientemente ampla, não necessitando de um corpus mais extenso. A significância desses dados fica abaixo do nível 0,01 visto que o valor crítico para esse nível é 0,48.

Finalmente, resta avaliar a última hipótese; esta se refere às freqüências dos digramas. As tabelas 6, 7 e 8, que nos listam os digramas em ordem decrescente de ocorrência, confirmam a hipótese em referência. Vale a pena observar que o digrama DE ocupa o primeiro posto nas três posições. Verifica-se, outrossim, que os primeiros postos, tanto na posição inicial quanto na medial, são ocupados pelos seguintes digramas: DE, CO, SE, PA, DO, ES, UM, DA. Estes encontros são realmente os mais produtivos. Também chama a atenção o fato de que, entre os encontros consonantais, listam-se os grupos PR, TR, GR, CR, CH, BR, FR, LH, PL, CL, e que estes grupos ocupam postos semelhantes, um em relação ao outro, nas duas posições onde eles têm condições de aparecer: posição inicial e medial. Os únicos grafemas consonantais que aparecem em posição final são: L, S, M, R, N, Z.

TABELA 6 – OS TRINTA DIGRAMAS INICIAIS MAIS FREQÜENTES

TABELA 7 – OS TRINTA DIGRAMAS MEDIAIS MAIS FREQÜENTES

TABELA 8 – OS TRINTA DIGRAMAS FINAIS MAIS FREQÜENTES

4 - DISCUSSÃO DOS RESULTADOS

Embora o objetivo imediato — objetivo satisfatoriamente atingido — não extrapole o plano meramente descritivo, existem diversas contribuições no plano teórico. Será, no entanto, o plano aplicativo que merecerá maior atenção em etapas subseqüentes.

O objetivo imediato, vinculado à primeira e à terceira hipótese foi atingido, como demonstra a análise estatística da distribuição de freqüência. Tanto as freqüências percentuais dos caracteres grafêmicos quanto dos digramas puderam ser devidamente ordenados.

A segunda hipótese — aquela relacionada com a estrutura sintático-semântico-estatística — fornece dados suficientes para atingir o terceiro objetivo mediato. Chegou-se à conclusão de que o aspecto “estrutura textual” não constitui variável interviniente para alterar os dados gerais, no que se refere aos caracteres grafêmicos. Todos os coeficientes de correlação calculados entre os diversos tipos de amostras, dois a dois, apresentam-se muito fortes.

No entanto, chama a atenção o fato de as correlações estabelecidas no plano dos caracteres intergrafêmicos não apresentarem comportamento similar. Foram verificadas correlações moderadas entre algumas amostras. A análise do qui-quadrado mostrou ser significativa a influência do tipo da amostra na distribuição da freqüência desses caracteres. Faz-se, portanto, necessária uma melhor investigação desse campo. Talvez até se consiga encontrar, nos caracteres intergrafêmicos, determinantes capazes de discriminar diversas amostras entre si.

Por outro lado, os dados de freqüência aqui levantados e computados deverão oportunizar a comparação com os dados de freqüência de outros idiomas, dados já amplamente investigados e divulgados para o inglês, o francês e o alemão, entre outros.

Os resultados finais permitem partir para outras investigações e cálculos com os quais poderão ser alcançados os objetivos mediatos: contribuir na solução de problemas relacionados com editores de texto e com a disposição de caracteres em teclados de microcomputadores.

Uma das tarefas centrais será a maneira de aplicar os resultados da freqüência, em conjunção com a facilidade de acessamento dos dados às diferentes teclas, para um reordenamento dos teclados de máquinas eletrônicas de digitação. Além desse estudo de freqüência, com o auxílio de um fisiólogo, deverá ser avaliada a prontidão de reflexos dos diferentes dedos da mão e do esforço exigido aos mesmos para impulsionarem teclas diferentes daquelas onde normalmente se posicionam. Os caracteres mais freqüentes devem ocupar as teclas mais fáceis de serem acessadas; também devem ser tomadas em consideração as seqüências grafêmicas mais freqüentes. A cada letra deve ser fornecido um número de ordem segundo a rapidez com que puderem ser acessadas. Essa rapidez dependerá da capacidade de resposta de cada dedo a um estímulo enviado pelo cérebro e da distância que as teclas se encontram dos dedos escolhidos para acioná-las. No final desse estudo, procurar-se-á uma correlação positiva perfeita entre a freqüência de ocorrência e a facilidade de acessamento. Os caracteres mais freqüentes devem corresponder às teclas mais facilmente impulsionadas de modo a se obter o maior rendimento com o mínimo de custo.

O produto final desta pesquisa servirá de sugestão e não de imposição. Essa nova distribuição, por certo, enfrentará o conservadorismo exiagerado que obstaculiza a promoção dos avanços científicos e tecnológicos no mundo cultural de maneira muito semelhante à lei da inércia que dificulta mudanças de movimento no mundo físico. No entanto, se no dia de amanhã uma pesquisa experimental vier a provar que essa nova distribuição permite formar digitadores mais velozes do que o oportunizado pelo teclado QWERTY, é de se supor que a tecnologia, num futuro não muito distante, veja o alcance desta sugestão e dela faça o devido uso.

5- CONCLUSÃO

O objetivo operacional básico — levantar, em textos escritos em português do Brasil, a freqüência dos caracteres gráficos e dos digramas em posição inicial, medial e final de palavras — foi satisfatoriamente atingido. Foi confirmado que os caracteres gráficos em textos de língua portuguesa apresentam percentagens de freqüência diferentes, que a tipologia das amostras não influi na distribuição dos caracteres grafêmicos e que certos digramas são mais produtivos do que outros.

O atingimento dos objetivos aplicativos constituirá uma etapa posterior, uma investigação e um estudo aditado à presente pesquisa. Nesse estudo deverá receber atenção especial o primeiro desses objetivos: sugerir mudanças no atual teclado padrão QWERTY de microcomputadores e de outras máquinas eletrônicas de processamento de textos (editoração). Para alcançar esse objetivo, os resultados aqui apontados deverão ser cotejados com levantamentos ergométricos — reflexos dos diferentes dedos da mão e quantidade de trabalho exigido para acionar as diferentes teclas do teclado.

BIBLIOGRAFIA

BARRANOW, Ulf Gregor. Perspectivas na contribuição da lingüística e de áreas afins à Ciência da Informação.Ciência da Informação, Brasília, CNPq/IBICIT, 12 (1): 23-25, 1983.

CHERRY, Collin.A comunicação humana. São Paulo, Cultrix, 1971.

COSTA, Miriam Solange. O computador no ensino de línguas: retrospecto e perspectivas.Interação, São Paulo, Difusão Nacional do livro, 3 (18): 17-20, abril 1986.

FEIGENBAUM, Edward and MacCourduck, Pamela.The fifth generation artificial inteligence and Japan’s Computer challenge to the world. New American Library. New York, 1984.

GRUPO EDUCAÇÃO E CULTURA. “O texto perfeito”.Software, Rio, Rio Gráfica, 1984.

————. “Problemas no teclado”.Chips & Bytes. Rio, Rio Gráfica, 1984.

GUIRAUD, Pierre.Problèmes et methodes de la statistique linguistique. Dordrecht, D. Reibel publishing company, 1959.

HALLER, Johann. “Análise lingüística e indexação automática de textos”.Veritas, Porto Alegre, PUCRS, 31 (123): 393-414, 1986.

HJELMSLEV, Louis.Prolegômenos a uma teoria da linguagem. São Paulo, Perspectiva, 1975.

HERDAN, Gustav.The advanced theory of language as choice and chance. Heidelberg, Springer – Verlag. 1966.

INTERNATIONAL SOLUTION.The Diplomat: installation manual. Fifth edition. Saratoga (Ca), International Solution, 1983.

LEPSCHY, Giulio C.A lingüística estrutural. São Paulo, Perspectiva, 1971.

MALMBERG, Bertil.As novas tendências da lingüística. São Paulo. Nacional, 1971.

MAZZOCO, Alexis (entrevista). “Opportunities for linguistics in the field of computers”.The linguistics reporter. sep. 1979.

MILLER, George.Language and communication. New York, McGrawHill Company, 1951.

POERSCH, José Marcelino. O lingüista e a informática: relato de uma contribuição.I Congresso Brasileiro de Lingüística Aplicada: resumos. Campinas, IEL, 1986.

————.Versão do Diplomata para a língua portuguesa: contribuição da lingüística para a ciência da computação. PUCRS, Centro de Pesquisas Lingüísticas, 1986. Relatório de Pesquisa.

————.Freqüência dos caracteres gráficos em língua portuguesa e o teclado de microcomputadores. Porto Alegre, PUCRS, 1987. Relatório de Pesquisa.

SCHANK, Roger & CHILDERS, Peter.The cognitive computer: on language, learning and artificial inteligence. Menlo Park, Addison-Wesley Publishing Company, 1984.

SERVAN-SCHREIBER, Jean-Jacques (entrevista). Informática e Informação. Veja. São Paulo, Editora Abril, (900): 3-5, 4 dez. 1985.

VISÃO (autor não citado). “Inteligência artificial: o Brasil entra na corrida”.Visão, pág. 34-38, 22 jan. 1986.

VOTRE, Sebastião Josué.Um léxico para cartilha. Rio da Janeiro, Universidade Gama Filho, MEC/INEP, 1983.

ZIPF, G. K.Human behavior and the principle of least effort. Cambridge (Mass.), Addison-Wesley Publishing Company, 1949.