Trabalhando com variação linguística histórica na prática
O que é e como aplicar variação linguistica historica nos seus projetos
O conceito de variação linguística histórica trata da mudança na língua ao longo do tempo, observada através de diferentes formas de expressão, pronúncia, grafia e estrutura gramatical em textos de distintas épocas. Isso não é algo abstrato. Você pega dois documentos, um do século XVI e outro do século XX, e percebe que palavras como "vós" já haviam caído em desuso em grande parte do território lusófono muito antes do que muitos imaginam. Minha primeira experiência real com isso veio quando estava transcrevendo documentos notariais da Bahia datados de 1780 para um banco de dados. O problema era que a grafia era inconsistentíssima, especialmente em consoantes finais e ditongos. Nomes como "João" apareciam como "Ihão", "Joham", "Zhão". Achei que precisava automatizar o reconhecimento com regras fixas, mas perdi duas semanas com resultados terríveis.
O workaround foi mais simples: criei um mapeamento fonético aproximado usando a tabela IPA como ponte entre grafias arcaicas e modernas, em vez de tentar padronizar tudo antes. Assim, "Joham" e "Ihão" convergiam ambos para /w/, e a busca funcionou em menos de três horas. Esse tipo de normalização fonológica direta economiza muito tempo comparado ao processo manual. Um detalhe que poucos mencionam: a variação regional muitas vezes se confunde com variação temporal. Um documento mineiro do século XVIII pode parecer mais "atrasado" linguisticamente do que um paulista da mesma época, quando na verdade estão apenas usando convenções gráficas diferentes. Confundir isso leva a conclusões erradas sobre diacronia.
Outro ponto contra-intuitivo: corpus pequenos mal manejados geram viés severo. Se você analisar apenas documentos religiosos do período colonial, vai superestimar o uso de formas arcaicas como "quem" no lugar de "que" em contextos relatívos, simplesmente porque textos sacros preservavam registrso mais formal por décadas a mais do que correspondência pessoal ou registros comerciais. A recomendação é sempre triangular com múltiplos gêneros textuais, se possível. Aqui estão os passos que realmente funcionam:
👉 Clique no botão abaixo para saber mais sobre o assunto!
Primeiro, defina seu recorte temporal com precisão. Não diga "século XVIII" de forma genérica. Um documento de 1710 e outro de 1790 podem estar séculos de distância em termos de normas gráficas e escolha lexical em português brasileiro. Segure o período exato nos metadados desde o início. Segundo, selecione o corpus com critérios transparentes. Gênero, registro, autor, procedência geográfica — anote tudo. Fontes digitais como o CORPUS (UNICAMP) e o DICIONÁRIO HISTÓRICO DA LÍNGUA PORTUGUESA oferecem bases respeitáveis, mas nenhuma delas está livre de lacunas regionais significativas.
Terceiro, normalize graficamente com cautela. Use ferramentas como o `graphemizer` ou scripts personalizados baseados em tabelas de equivalência sílabica. Nunca confie cegamente em normalizadores automáticos prontos — eles frequentemente ignoram variações dialetais específicas de cada região e período. Quarto, extraia as formas variantes. Foque nos itens que realmente importam: pronomes, preposições contraídas, morfologia verbal, artigos e conectivos. Palavras funcionais são sensíveis à mudança e aparecem com frequência suficiente para gerar padrões estatisticamente relevantes.
Quinto, quantifique e compare. Frequência relativa (por 100 mil palavras) é mais informativa que contagem absoluta. Use medidas como T-tests ou modelos mistos se tiver amostras grandes o bastante. Para dados menores, uma análise qualitativa bem fundamentada vale mais do que números mal calculados. O principal problema que encontrei ao longo dos anos é que ferramentas populares de NLP simplesmente não foram treinadas para texto histórico português. O SpaCy com modelos em português padrão falha miseravelmente em segmentação e lematização de textos pré-modernos. A solução prática foi usar o `TreeTagger` com modelos específicos de português histórico ou recorrer a pipelines manuais com `CLTK`, que tem suporte razoável para variantes diacrônicas.
Se você está começando agora, recomendo seguir este fluxo: baixe o corpus do DICIONÁRIO HISTÓRICO DA LÍNGUA PORTUGUESA (disponível em portal.letras.up.pt), importe para um ambiente Python com pandas e matplotlib, aplique a normalização fonética descrita acima, e então construa gráficos de frequência temporal para as formas variantes de seu interesse. Leva cerca de uma tarde para montar um protótipo funcional. Há ainda o problema do viés de preservação documental. Textos administrativos e religiosos sobreviveram em quantidade muito maior do que correspondência privada, literatura popular e registros orais transcritos. Isso significa que suas conclusões sobre variação sempre estarão parcialmente limitadas ao que a história conseguiu guardar, não ao que realmente se falava. Seja honesto sobre essa limitação nos seus relatórios.
