Previous studies have reported that clitic interpolation and clitic climbing change according to three stages in the history of European Portuguese. In this paper we develop the idea that these phenomena are deeply intertwined in the diachrony of Portuguese once they are related through the notion “clitic position” and reflect a general strategy for clitics to stay outside the focus domain of the clause. In order to provide a unified explanation for interpolation and climbing, we follow a quantitative methodology using the Tycho Brahe Corpus of Historical Portuguese. Moreover, developing some ideas about the Force-Fin system, in the Generative Grammar framework, we put forward a formal approach to the diachronic change having taken place between Old Portuguese and Classical Portuguese. Considering that clitic position reflects the category hosting the clitic, we argue that the availability of XP interpolation and of obligatory clitic climbing in Old Portuguese are different consequences of more basic structural principles, such as the V-to-Fin movement, which is dependent on the role of left-peripheral elements in the Old Portuguese grammar. Therefore the clitic could occur either in Force or in Fin, in order to mark the relative presuppositional nature of clitics with respect to different left-peripheral elements. In Classical Portuguese, we defend that XP interpolation paved the way for Neg interpolation because of the loss of V-to-Fin movement in embedded contexts; by then clitic climbing started to reflect a number of criteria related to topicality. Finally, in Modern European Portuguese, the gradual loss of Neg interpolation and the marked status of clitic climbing can be seen as further consequences of the loss of V-to-Fin movement.

This paper presents the challenges of building Carolina, a large open corpus of Brazilian Portuguese texts developed since 2020 using the Web as Corpus methodology enhanced with concerns about provenance and typology (WaC-wiPT). The corpus aims to serve both as a reliable source for research in Linguistics and as an important resource for Computer Science research on language models. Above all, this endeavor aims at removing Portuguese from the set of “low-resource languages”. This paper details the construction methodology of Carolina, with special attention to the issue of describing provenance and typology according to international standards, while briefly describing its relationship with other existing corpora, its current state of development, and its future directions. Este artigo apresenta os desafios da construção do Carolina, um grande corpus aberto de textos em português brasileiro em desenvolvimento desde 2020 que usa a metodologia ‘Web as Corpus’ aprimorada com preocupações de proveniência e tipologia (WaC-wiPT). O corpus pretende ser utilizado tanto como fonte confiável para pesquisas em Linguística quanto como importante recurso para pesquisas em Ciência da Computação sobre modelos de linguagem. Acima de tudo, este esforço visa retirar o português do conjunto das línguas de poucos recursos. Este artigo detalha a metodologia de construção do Carolina, com especial atenção ao problema da descrição de tipologia e proveniência segundo padrões internacionais; descrevemos também brevemente a sua relação com outros corpora existentes, seu estado atual de desenvolvimento e seus rumos futuros.

Neste trabalho, apresentamos resultados da investigação do fenômeno do fronteamento de NPs acusativos não clíticos em orações subordinadas completivas em textos do século XII ao XIX. Foram analisadas as possibilidades de ordenação do objeto direto em relação ao verbo e ao sujeito a partir de dois corpora: o Corpus Informatizado do Português Medieval – CIPM, representativo dos séculos XII, XIII e XIV e o Corpus Histórico do Português Tycho Brahe – CTB, representativo dos séculos XVI a XIX. A pesquisa que envolveu os três primeiros séculos baseou-se na leitura dos textos, separação das sentenças segundo os critérios estabelecidos e, posteriormente, classificação, de acordo com a ordem do verbo, do objeto direto e do sujeito, em oito grupos distintos: VO, OV, SVO, VSO, VOS, SOV, OVS e OSV. Os dados do CTB foram extraídos seguindo a metodologia automática de busca Corpus Search e foram submetidos aos mesmos critérios adotados para os dados do CIPM. Os resultados apontam para uma baixa frequência do fronteamento do objeto direto (OV, SOV, OSV e OVS) em ambos os corpora no contexto das orações subordinadas completivas finitas. Constatou-se também baixa frequência no uso das inversões VSO e VOS nesse mesmo contexto oracional.

Apresentamos aqui, em perspectiva diacrônica, a descrição e análise do uso das formas possessivas de segunda pessoa em cartas de amor do século XX, escritas por dois casais de missivistas, de diferentes gerações, residentes no Sertão do Pajeú, em Pernambuco. Os resultados apontam para diferentes usos dos possessivos, registrando-se a preferência das formas ‘teu/tua’ nas cartas de amor dos missivistas que se corresponderam nos anos 50 (1956 a 1958), coexistindo com o uso do pronome você, em variação com o pronome tu, na função sujeito e com o pronome lhe em variação com te, expressando o dativo e o acusativo de segunda pessoa, enquanto que nas cartas do casal da década de 70 (1972 a 1977) atesta-se preferencialmente o uso das formas possessivas seu/sua coexistindo com o pronome você na função sujeito e o pronome ‘lhe’ como a única opção do dativo e acusativo de segunda pessoa. O artigo questiona a hipótese, amplamente aceita, de que as mudanças no sistema pronominal e de concordância do PB seriam consequências da gramaticalização de “Vossa Mercê” em pronome de segunda pessoa “você”, e ainda postula que as alterações no uso das formas possessivas para expressar a segunda pessoa nas cartas de amor do Sertão do Pajeú inserem-se em um quadro de outras alterações no sistema pronominal e de concordância, fatos que sugerem perda da marcação morfológica de traços morfossintáticos, morfossemânticos e discursivos.

Este artigo trata da identificação dos domínios discursivos Jurídico, Entretenimento, Jornalístico, Fórum Virtual e Instrucional do português brasileiro no nível sentencial, amostrados do corpus Carolina. Avaliamos propriedades gramaticais, lexicais e semânticas. Demonstramos que os domínios são discerníveis e se organizam em uma escala consistente que associamos à distinção oral-envolvido vs. literato-informacional a partir da comparação com outros trabalhos. Treinamos classificadores Transformer em um novo dataset de sentenças para identificação de domínios, alcançando alta performance. Os padrões de erro dos modelos correlacionam-se com a escala identificada, indicando a captura desta dimensão de variação. Disponibilizamos publicamente os datasets e modelos produzidos.