2. Les enjeux et les défis de D+A
2.1 La valorisation des archives
2.1.2 Etat des lieux
2.1.2.1 La diffusion d’archives sur le web pour le grand public
Uma das características principais de um diálogo é a de que somente uma pessoa deve falar a cada momento. E para tal, deve possuir a palavra (turn). A posse da palavra é, assim, caracterizada pela produção de uma fala, ou sequência de falas, por um dado participante numa conversa, sem interrupção por parte de outros participantes. Embora tal situação possa sugerir vários atropelamentos em busca da palavra, estudos indicam que o total de sobreposição nos diálogos é inferior a 5% [Levinson, 1983].
A transferência da posse da palavra entre participantes num diálogo é designada como “tomada da palavra” (turn-taking). Para ilustrar isso, observe que o seguinte diálogo fictício possui 6 tomadas de palavra1:
Participante: Goog morning, Carl! (tomada 1 )
Carl: Good morning, how may I help you? (tomada 2 ) Participante: Where’s prof. Gustavo? (tomada 3 )
Carl: He is at the departament. (tomada 4 )
Carl: But prof. Ana, his assistant, is over there at her office. Participante: Thank you. (tomada 5 )
Carl: You’re welcome. (tomada 6 )
Existem ainda regras que orquestram a tomada de palavra num diálogo. Os estudos de Sacks et al [Sacks et al. , 1974] mostraram que existem pontos no diálogo que são mais susceptíveis a uma mudança de orador. Nesses pontos, a tomada de palavra ocorre de acordo com as seguintes regras:
1. Durante sua fala, o orador atual pode selecionar o próximo orador, por exemplo “Maria, não foi você que teve problemas com o notebook no mês passado?”
2. Se o orador atual não selecionar o próximo orador, então qualquer pessoa pode tomar a palavra. Isso pode acontecer com uma frase neutra, por exemplo: “Não sei como resolver o problema com meu notebook...”
3. Se ninguém tomar a palavra, o orador atual pode continuar.
Em um estudo sobre conversas telefónicas, pesquisadores mostraram que as pessoas adap- tam o comportamento de tomada de palavra ao longo do diálogo [Ten Bosch et al. , 2004].
2.1.2 Atos de Fala
John L. Austin em seu trabalho intitulado “How to Do Things with Words” [Austin , 1962] identifica a existência de dois tipos de frases. O primeiro deles, historicamente mais estudado, é o constativo, no qual as frases podem ser analisadas como falsas ou verdadeiras, por exemplo: “Esta camisa é branca” ou “O voo para São Paulo está atrasado”. Entretanto, Austin demonstra a existência de um segundo tipo de frases que não podem ser analisadas da mesma forma, como as seguintes:
• “Nomeio este barco Queen Elizabeth.”, falado ao quebrar uma garrafa no casco da em- barcação.
• “Aposto R$100 com você que o Brasil ganha a copa de 2014!”. • “Aceito”, dito durante uma cerimônia de casamento.
Essas frases não descrevem eventos ou coisas. Não faz sentido dizer que elas são falsas ou verdadeiras. Ao proferi-las, o orador está realizando uma ação. Austin propôs chamá-las de performativas. Com essa distinção, Austin foi de encontro ao pensamento anterior no qual dizer era simplesmente atestar algo.
Mais adiante, no mesmo livro “How to Do Things with Words” [Austin , 1962], que em sua versão brasileira recebeu o título “Quando Dizer é Fazer”, Austin elabora essas divisões de uma maneira um pouco diferente. Após uma tentativa frustada de listar todos os verbos performativos, ele realiza uma análise em três dimensões, três sentidos para o uso de uma locução: dizer algo é fazer algo, ao dizer algo fazemos algo, e ainda por dizer algo fazemos algo.
Assim, podemos identificar várias forças, vários atos envolvidos quando alguém pronuncia uma frase, nomeadamente:
• Ato locutório – ato de proferir as palavras, formando uma frase com um determinado sentido.
• Ato ilocutório – o que as palavras querem dizer, a intenção do orador em proferir tal frase, ou seja, o efeito pretendido.
• Ato perlocutório – o que foi provocado pela frase dita, o efeito obtido com a frase. Os conceitos devem ficar mais claros através de um exemplo, vejamos a frase:
Não beba mais!
O ato locutório foi realizado quando o orador proferiu tais palavras para transmitir o seu pensamento. Poderia ter proferido outras, como “Chega de bebida por hoje!”. Note que o sentido mantém-se apesar de nenhuma palavra ser igual.
A frase expressa o ato ilocutório de dar uma ordem ou conselho para que alguém pare de beber. Quem a proferiu pode depois comentar algo do tipo “ao falar aquilo, eu estava dando um conselho de amigo”.
O efeito perlocutório de tal frase pode ser o de impedir que a pessoa continue a beber, mas pode acontecer exatamente o contrário e a pessoa beber ainda mais! Um novo comentário do orador pode ser “por ter falado aquilo, eu o convenci a parar”.
Apesar do próprio Austin também ter classificado os atos de acordo com sua força ilocu- tória, a taxonomia criada por John R. Searle tornou-se mais conhecida [Searle, 1975]. Searle propõe a divisão dos atos ilocutórios nas seguintes classes:
• Assertivos – o orador afirma algo e compromete-se com aquilo (afirmar, jurar, concluir) • Diretivos – o orador tenta fazer com que o ouvinte realize algo (perguntar, ordenar,
• Compromissivos – o orador compromete-se a agir de alguma forma (prometer, planejar, apostar)
• Expressivos – o orador expressa seus sentimentos (agradecer, desculpar, cumprimentar) • Declarativos – o orador muda o estado do mundo com suas palavras (despedir alguém,
nomear um barco, declarar casamento)
O termo ato de fala geralmente é associado aos atos ilocutórios acima descritos.
2.1.3 Ação Conjunta
Conhecimento comum (common ground [Stalnaker, 2002]) pode ser entendido como o con- junto de ideias, fatos, coisas nas quais duas ou mais pessoas acreditam. Durante a troca de atos de fala em um diálogo, existe a possibilidade de reafirmação e ampliação do conhecimento comum entre os envolvidos. Entretanto, para que isso ocorra, é necessário que cada partici- pante do diálogo deixe claro que entendeu a fala do outro, ou seja, é preciso que haja uma correta compreensão (grounding ) dos atos de fala [Clark e Brennan, 1991].
Uma ação é considerada conjunta quando é necessário que duas ou mais pessoas se coor- denem para executá-la com sucesso. [Clark, 1996]. Dessa forma, podemos classificar o diálogo como uma ação conjunta.
Clark e Schaefer dividiram a ação conjunta no diálogo em duas fases: apresentação e aceitação [Clark e Schaefer , 1989]. Em um diálogo que envolva os participantes A e B, a primeira fase acontece quando o orador A apresenta a locução l para consideração de B. Nesse momento, A assume que se B der uma evidência e ou mais forte, então A pode acreditar que B compreendeu o que ele disse ao falar l.
Na fase de aceitação, B aceita a locução l ao apresentar evidência e de que compreendeu o que A quis dizer com a locução l.
Ou seja, na primeira fase o locutor apresenta algo, e, na segunda, recebe uma evidência de que foi compreendido.
No mesmo trabalho, Clark e Schaefer apresentam cinco tipos de evidências de compreensão (grounding ), abaixo listados do mais fraco para o mais forte:
1. Atenção mantida – B demonstra que continua a prestar atenção e, portanto, segue satisfeito com a apresentação de A.
2. Próxima contribuição relevante – B inicia a próxima contribuição relevante. Por exemplo, uma resposta de B a uma pergunta realizada por A.
3. Reconhecimento – B acena com a cabeça, ou diz algo como “uh huh”, “yeah” ou algo parecido.
4. Demonstração – B demonstra tudo ou parte do que entendeu da fala de A. 5. Exibição – B mostra literalmente toda ou parte da fala de A.
2.1.4 Estrutura Conversacional
Iniciada por Sacks, Schegloff e Jefferson na década de 1960 [Goodwin e Heritage, 1990], a área conhecida como Análise de Conversação (Conversational Analysis) tem como objetivo estudar como ocorrem as interações durante uma conversação, como elas estão estruturadas. Esses estudos indicaram que as falas dos participantes tendem a aparecer em pares ao longo do diálogo. Esses pares foram chamados de pares de adjacência (adjacency pairs) [Hutchby e Wooffitt, 1998].
Schegloff e Sacks [Schegloff e Sacks, 1973] apontaram uma regra para os pares de adjacência que afirma que após uma produção reconhecível do primeiro do par, esse locutor deve parar e o próximo locutor deve então iniciar e produzir o segundo do par de acordo com o tipo do primeiro.
É fácil identificar a ocorrência desses pares em um diálogo. Quando alguém pergunta algo, é natural que a próxima contribuição seja uma resposta do ouvinte. Da mesma forma uma proposta é seguida por uma aceitação ou recusa, um pedido geralmente é acompanhado por uma concessão, uma saudação por outra, etc.
Também foi notado que além do diálogo ser organizado em pares de adjacência, parece existir uma preferência dentro dos pares. Por exemplo, um convite pode ser seguido de uma aceitação ou recusa, mas a aceitação tem uma preferência em relação a recusa. A análise de conversas identifica diferenças de interação nos dois caminhos. A aceitação tende a ser mais rápida, mais natural, enquanto a recusa tende a ser mais demorada, com hesitações e explicações [Pomerantz, 1984].
2.1.5 Implicatura Conversacional
Grice, em seu trabalho “Lógica e Conversação” [Grice , 1975], cria o termo implicatura conversacional para representar uma subclasse de inferências não convencionais utilizadas em diálogo. Para explicá-las, Grice sugere que as conversas seguem o princípio cooperativo.
Um diálogo não é constituído por uma série de falas aleatórias! Ao contrário, ele é formado por ações conjuntas, que possuem um objetivo ou direção comum. Ao longo do diálogo, podem ocorrer mudanças de direção. Entretanto, a cada etapa algumas serão consideradas inadequadas. Assim, Grice formula o princípio cooperativo que diz “faça sua contribuição tal como é requirida, no momento em que ocorre, pelo objetivo ou direção da conversa na qual você está inserido”.
Dentro desse princípio, Grice propôs a existência de quatro máximas: • Máxima de Quantidade:
1. Faça sua contribuição tão informativa quanto é requerido (para o atual objetivo). 2. Não faça sua contribuição mais informativa do que é requerido.
• Máxima de Qualidade: Tente fazer sua contribuição verdadeira. 1. Não diga o que você acredita ser falso.
2. Não diga algo sem evidência adequada. • Máxima de Relevância: Seja relevante. • Máxima de Modo: Seja claro.
1. Evite obscuridade de expressão. 2. Evite ambiguidade.
3. Seja breve (evite prolixidade desnecessária). 4. Seja ordenado.
2.2
Sistema de Diálogo
Um sistema de diálogo pode ser entendido como um programa capaz de estabelecer um diálogo com um ser humano. Podemos categorizá-los por aplicação, arquitetura interna, mo- dalidade e por diversas outras formas.
Quando os dividimos por aplicação, podemos categorizá-los em: sistemas genéricos, sis- temas de viagens, de telecomunicações, de comércio eletrônico, de busca de informação e sistemas robóticos, entre outros.
Por modalidade, eles podem ser classificados quanto ao uso de texto, de fala, de interface gráfica e de gestos. Quando mais de um desses modos são utilizados, diz-se que o sistema é multi-modal.
O ponto central de um sistema de diálogo, portanto, é a comunicação humano-máquina, bem mais simples do que a humano-humano, pelo menos por enquanto! A figura 2.1 mostra o diagrama geral de um sistema de diálogo, apresentando as cinco etapas principais desse processo de comunicação.
2.2.1 Reconhecimento de Fala
A primeira etapa de uma interação homem-máquina é o reconhecimento de fala – Automatic Speech Recognition (ASR) –, que recebe como entrada a voz humana e produz uma sequência de palavras. A dificuldade da tarefa do ASR varia muito em função do ta- manho do vocabulário que ele á capaz de entender. Obviamente, é mais fácil entender uma sequência de dígitos do que toda e qualquer frase de uma determinada língua. Também há
Figura 2.1: Diagrama geral de um sistema de diálogo
diferença entre sistemas treinados para funcionar somente com uma pessoa e outros que são independentes do locutor.
Um bom ASR deve ser rápido, permitindo respostas em tempo real, senão a usabilidade do sistema fica prejudicada. Ninguém gostaria de esperar vários segundos a cada interação.
Vale a pena ressaltar que muitos fatores influenciam o desempenho de um ASR, como por exemplo a existência de ruído no ambiente e o fato de os participantes serem ou não nativos na língua de interação. Diante dessas dificuldades, muitos ASR’s atribuem um nível de confiança às frases reconhecidas, indicando, assim, o quão certos estão acerca do que acabou de ser dito.