Language Corpus: Section Guide
Guide to the five files in the language corpus section, covering text and speech datasets, natural language processing, lexicography, descriptive grammars, and language pedagogy and policy.
introhigh·
Loading…
Guide to the five files in the language corpus section, covering text and speech datasets, natural language processing, lexicography, descriptive grammars, and language pedagogy and policy.
O yorùbá citado, os provérbios, os oríkì, os ẹsẹ Ifá, os verbetes do glossário, os nomes dos Odù e as citações são reproduzidos exatamente como o corpus os registra, em todos os idiomas.
A seção de corpus linguístico oferece uma referência exaustiva para a infraestrutura estrutural, computacional, lexicográfica e educacional da língua Yorùbá. Ela documenta os instrumentos históricos utilizados para analisar a fala e a escrita Yorùbá juntamente com recursos digitais contemporâneos, benchmarks de conjuntos de dados, modelos gramaticais e políticas linguísticas institucionais. Cinco arquivos examinam como o Yorùbá é registrado em arquivos textuais e sonoros, processado por sistemas computacionais, categorizado em dicionários, analisado na linguística formal e ensinado em sistemas escolares institucionais.
Esta seção serve como o complemento técnico de 02-language, fazendo a ponte entre a sociolinguística descritiva e os materiais empíricos necessários para a modelagem computacional, a análise acadêmica e o planejamento linguístico [S1, S2]. Dois arquivos têm peso fundamental em diversas subdisciplinas: Yorùbá: Dicionários e Lexicografia (03), que revela como os encontros missionários do século XIX introduziram vieses teológicos nas definições lexicais, e Ensino e Aprendizagem de Yorùbá (05), que traça o sucesso empírico e as lutas políticas da educação na língua materna desde o Projeto Primário de Seis Anos de Ifẹ̀ até as mudanças na política federal do final de 2025 [S3, S4].
| # | Arquivo | Resumo em uma linha |
|---|---|---|
| 01 | Yorùbá: Corpora de Texto e Fala | Conjuntos de dados paralelos, monolíngues e de fala disponíveis para pesquisa computacional e linguística, do JW300 e MENYO-20k ao NaijaVoices e Common Voice. |
| 02 | Yorùbá: Processamento de Linguagem Natural e Tecnologia de Fala | Métodos computacionais, restauração automática de diacríticos, desafios de tokenização, reconhecimento de fala e arquiteturas participativas de tradução automática. |
| 03 | Yorùbá: Dicionários e Lexicografia | Evolução histórica da lexicografia, desde as listas de palavras de Crowther em 1843 até o dicionário enciclopédico de Abraham de 1958 e os bancos de dados lexicais eletrônicos modernos. |
| 04 | Yorùbá: Gramáticas e Descrição Linguística | Modelos descritivos, de esboços missionários a modelos estruturalistas e gerativos, com foco em verbos seriais, verbos cindíveis, harmonia vocálica e tom. |
| 05 | Ensino e Aprendizagem de Yorùbá | História da política linguística na Nigéria, o Projeto Primário de Seis Anos de Ifẹ̀, currículos escolares, pedagogia na diáspora e a reversão da política de língua materna de novembro de 2025. |
Yorùbá: Corpora de Texto e Fala examina os corpora textuais de acesso aberto e proprietários, conjuntos de dados paralelos e arquivos de fala disponíveis para pesquisa [S1, S5]. Documenta a predominância de textos paralelos do domínio religioso, como o JW300 e corpora multilíngues da Bíblia, ao lado de conjuntos de dados multidomínio como o MENYO-20k, que introduziu benchmarks padronizados para notícias, provérbios, livros e localização digital [S1,]. No domínio da fala, o arquivo detalha coleções que vão do Mozilla Common Voice e BibleTTS a iniciativas recentes impulsionadas pela comunidade, como ÌròyìnSpeech e NaijaVoices [S5,]. O que permanece não documentado e contestado na linguística de corpus é a representação de variedades não padrão: os corpora de texto e de fala disponíveis privilegiam de forma esmagadora o Yorùbá padrão escrito e a fonologia Ọ̀yọ́, deixando o Yorùbá oriental, os dialetos periféricos do noroeste e as gírias urbanas informais gravemente sub-representados nos repositórios computacionais públicos [S1, S5].
Yorùbá: Processamento de Linguagem Natural e Tecnologia de Fala examina as técnicas computacionais e os desafios de engenharia na aplicação de modelos de aprendizado de máquina a uma língua tonal e morfologicamente aglutinante [S2, S6]. Fornece um detalhamento técnico da Restauração Automática de Diacríticos (ADR), contrastando os primeiros métodos baseados em sílabas e n-gramas desenvolvidos por cientistas da computação nigerianos com as arquiteturas neurais contemporâneas sequência a sequência [S6,, S7]. O arquivo analisa os gargalos de tokenização, demonstrando como tokenizadores de subpalavras projetados para o inglês fragmentam vogais com diacríticos do Yorùbá em bytes desconexos, degradando o desempenho posterior no Reconhecimento Automático de Fala (ASR) e na Tradução Automática Neural (NMT) [S2,]. O que permanece sem resolução é se modelos fundacionais massivamente multilíngues aprendem genuinamente a semântica do Yorùbá ou dependem de correspondências lexicais superficiais que se deterioram sempre que trocadilhos tonais complexos, construções honoríficas ou provérbios idiomáticos são introduzidos [S2, S6].
Yorùbá: Dicionários e Lexicografia traça a linhagem histórica da compilação de dicionários ao longo de quase dois séculos [S3, S8]. Começando com o Vocabulary of the Yoruba Language de Samuel Àjàyí Crowther de 1843 e sua revisão de 1852, o arquivo avança pela compilação de 1858 de Thomas Jefferson Bowen, o dicionário da Church Missionary Society (CMS) de 1913 e o marco de Roy Clive Abraham, o Dictionary of Modern Yoruba de 1958 [S3, S8, S9]. Também faz um levantamento da lexicografia eletrônica contemporânea, incluindo o projeto de banco de dados lexical de várias décadas de Yíwọlá Awóyalé [S10]. O arquivo identifica como os primeiros lexicógrafos missionários distorceram termos culturais e cosmológicos ao enquadrar à força conceitos religiosos indígenas em categorias cristãs vitorianas, principalmente ao traduzir Èṣù como "Satanás" ou "diabo" e ẹbọ como "sacrifício pagão" [S3, S8]. O que permanece controverso na lexicografia contemporânea é a estrutura de lemas adequada para compostos sintagmáticos, ideofones e verbos cindíveis, bem como a representação lexicográfica padrão de variantes dialetais [S8, S10].
Yorùbá Gramáticas e Descrição Linguística detalha o desenvolvimento de descrições linguísticas teóricas e descritivas da sintaxe, fonologia e morfologia de Yorùbá [S11, S12]. Traça a progressão desde as gramáticas latinizadas do século XIX até os estudos fonéticos de Ida Ward em 1952, a obra estruturalista A Grammar of Yoruba (1966) de Ayọ̀ Bámgbóṣé's e Essentials of Yoruba Grammar (1978) de Ọladele Awóbùlúyì [S11, S12, S13]. Os principais debates teóricos são explorados em detalhes, incluindo a análise sintática formal de Construções Verbais em Série (CVS) versus verbos cindíveis (splitting verbs), as regras fonológicas de harmonia vocálica por Raiz da Língua Avançada (ATR) entre vogais médias (/e, o/ versus /ẹ, ọ/) e o estatuto dos clíticos de sujeito [S12, S14]. O que permanece teoricamente em disputa é se os verbos cindíveis constituem unidades morfológicas distintas ou sequências sintáticas de verbos independentes operando sob rígidas restrições de lexicalização [S11, S12].
Ensino e Aprendizagem de Yorùbá examina o planejamento linguístico, a pedagogia institucional e as políticas sociolinguísticas na Nigéria e na diáspora global [S4, S15]. Documenta a história da pesquisa sobre a educação em língua materna, com foco no Six-Year Primary Project (1970–1978) do Professor Aliu Babátúndé Fáfunwa em Ifẹ̀, que demonstrou empiricamente que alunos do ensino primário que tiveram todas as disciplinas ministradas em Yorùbá alcançaram maior desenvolvimento cognitivo e melhor desempenho acadêmico em inglês no ensino secundário em comparação aos alunos que passaram por imersão em inglês [S4, S15]. O texto descreve as disposições da National Policy on Education de 1977 e da National Language Policy de 2022 da Nigéria, e analisa a reversão de política anunciada em novembro de 2025 que descontinuou a obrigatoriedade da língua materna no ensino primário [S15, S16]. O que permanece em debate é a tensão pedagógica entre as evidências psicolinguísticas que favorecem a aquisição de conceitos na língua materna e o prestígio socioeconômico do inglês, que impulsiona a resistência dos pais nos centros urbanos [S4, S16].
Para linguistas computacionais e pesquisadores de PLN: Comece com Yorùbá Corpora de Texto e Fala para compreender a distribuição e os limites dos dados disponíveis, passe para Yorùbá Processamento de Linguagem Natural e Tecnologia de Fala para arquiteturas de modelagem e desafios de tokenização, e consulte Yorùbá Gramáticas e Descrição Linguística para dominar as restrições gramaticais que regem o tom e a serialização verbal.
Para linguistas teóricos e lexicógrafos: Comece com Yorùbá Gramáticas e Descrição Linguística para os argumentos estruturais centrais, passe para Yorùbá Dicionários e Lexicografia para avaliar a classificação lexical e os vieses missionários históricos, e consulte Yorùbá Corpora de Texto e Fala para verificação empírica entre gêneros textuais.
Para educadores, historiadores e analistas de políticas: Leia Ensino e Aprendizagem de Yorùbá primeiro para compreender a história política e pedagógica do planejamento linguístico na Nigéria, depois consulte Yorùbá Dicionários e Lexicografia para entender a codificação colonial da língua, e conclua com Yorùbá Processamento de Linguagem Natural e Tecnologia de Fala para examinar a preservação digital da língua.
Esta seção concentra-se estritamente na análise linguística, corpora de texto e fala, referência lexicográfica, ferramentas computacionais e políticas educacionais.
A literatura oral formal da tradição Yorùbá, como a poesia divinatória dos 256 Odù Ifá, a poesia de louvor oríkì, a oratura e os provérbios (òwe), pertence a 02-language, 05-ifa e 06-orisa. Os princípios metafísicos de orí (destino/cabeça interior), àṣẹ (força espiritual geradora) e ìwà (caráter) são tratados em 04-cosmology. As discussões sociolinguísticas sobre a família linguística Níger-Congo mais ampla e a migração dialetal histórica pertencem a 01-the-yoruba-language.
Todas as afirmações relativas a datas históricas, publicações de gramáticas, distribuições de corpora e mudanças em políticas oficiais fundamentam-se diretamente na literatura acadêmica documentada abaixo.
[S1] David Ifeoluwa Adelani et al., "MENYO-20k: A Multi-domain English-Yorùbá Corpus for Machine Translation and Domain Adaptation," Proceedings of the 3rd Workshop on African Natural Language Processing (AfricaNLP) (Association for Computational Linguistics, 2021), pp. 1-9. https://arxiv.org/abs/2103.08647
[S2] Masakhane Community et al., "Participatory Research for Low-resourced Machine Translation: A Case Study in African Languages," Findings of the Association for Computational Linguistics: EMNLP 2020 (Association for Computational Linguistics, 2020), pp. 2144-2160. https://aclanthology.org/2020.findings-emnlp.195/
[S3] Samuel Àjàyí Crowther, A Vocabulary of the Yoruba Language (London: Church Missionary Society / Seeleys, 1852), pp. 1-291. []
[S4] Aliu Babs Fáfunwa, Joel Iyanda Macauley, and J. A. Funso-Sokoya, eds., Education in Mother Tongue: The Ife Primary Education Research Project (1970–1978) (Ibadan: University Press Limited, 1989), pp. 1-196. [,]
[S5] Iroro Orife et al., "ÌròyìnSpeech: A Multi-purpose Yorùbá Speech Corpus," Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024) (ELRA and ICCL, 2024), pp. 8352-8362. []
[S6] Iroro Orife, "Attentive Sequence-to-Sequence Learning for Diacritic Restoration of Yorùbá Language Text," Interspeech 2018 (ISCA, 2018), pp. 2843-2847. https://doi.org/10.21437/Interspeech.2018-2457 []
[S7] Franklin O. Asahiah, H. A. Soriyan, and F. J. Ogwu, "Diacritic Restoration for Standard Yorùbá Text Using Syllable-Based Statistical Machine Translation," International Journal of Advanced Computer Science and Applications 8, no. 10 (2017), pp. 210-217.
[S8] Roy Clive Abraham, Dictionary of Modern Yoruba (London: University of London Press, 1958), pp. iii-xli, 1-776. []
[S9] Church Missionary Society, A Dictionary of the Yoruba Language (Lagos: C.M.S. Bookshop, 1913; reprinted Oxford University Press, 1937), pp. 1-243.
[S10] Yíwọlá Awóyalé, Global Yorùbá Lexical Database v. 1.0 (Initiative for Bicultural Studies / Linguistic Data Consortium, 2008).
[S11] Ayọ̀ Bámgbóṣé, A Grammar of Yoruba (West African Language Monograph Series, 5; Cambridge: Cambridge University Press in association with the West African Languages Survey, 1966), pp. 1-175. []
[S12] Ọladele Awóbùlúyì, Essentials of Yoruba Grammar (Ibadan: Oxford University Press Nigeria, 1978), pp. 1-158. []
[S13] Ida C. Ward, An Introduction to the Yoruba Language (Cambridge: W. Heffer & Sons, 1952), pp. 1-255. []
[S14] Diana Archangeli and Douglas Pulleyblank, "Yoruba Vowel Harmony," Linguistic Inquiry 20, no. 2 (1989), pp. 173-218. https://www.jstor.org/stable/4178624 []
[S15] Federal Republic of Nigeria, National Policy on Education (Lagos: Federal Ministry of Information / NERDC Press, 1977; revised 2004, 2013). []
[S16] Federal Ministry of Education, National Language Policy: Language Provisions and Implementation Guidelines (Abuja: Federal Ministry of Education, 2022). []
[S17] Abdulrosheed Fadipe, "The Federal Government of Nigeria Reverses Its 2022 National Language Policy," Global Voices Language Advocacy Report (December 2025). https://globalvoices.org/2025/12/11/nigeria-reverses-language-policy/ []
A comprehensive scholarly survey of documented Yorùbá lexical databases, parallel machine translation corpora, named entity benchmarks, and speech datasets.
A comprehensive scholarly survey of Yorùbá computational linguistics, covering automatic diacritic restoration, machine translation, speech recognition, speech synthesis, and community benchmarks.
The historical development of Yoruba dictionary-making from nineteenth-century missionary foundations through modern computational lexical databases.
A scholarly analysis of major reference grammars, foundational syntactic debates, and dialectological classifications in Yorùbá linguistics.
An analysis of Yorùbá language pedagogy, instructional materials, second-language tone acquisition research, and mother-tongue education policy in Nigeria.
An analysis of the Yorùbá three-level register tone system, demonstrating through minimal pairs and grammatical operations why tone is an essential phonemic component rather than optional decoration.