Niniejszy referat stanowi kompleksowe omówienie aktualnego stanu badań nad polszczyzną brazylijską oraz prezentację autorskiej procedury budowy repozytorium cyfrowego. Polonia brazylijska, licząca około 1,5 miliona osób, stanowi trzecią co do wielkości wspólnotę polonijną na świecie, a jej dorobek piśmienniczy z lat 1892–1999 jest unikatową skarbnicą śladów językowo-kulturowych. Głównym celem wystąpienia jest przedstawienie procesu przekształcania rozproszonych faktów językowych w uporządkowany korpus tekstowy, przy wykorzystaniu instrumentarium humanistyki cyfrowej oraz modeli sztucznej inteligencji.

Podstawę materiałową projektu stanowi imponujący zbiór ok. 35 tysięcy stron prasy polonijnej, której fizyczne przetrwanie jest zagrożone ze względu na postępującą degradację tzw. kwaśnego papieru. W obliczu ryzyka nieodwracalnej utraty tych źródeł, zespół badawczy opracował wieloetapowy model dygitalizacji i przetwarzania danych. Kluczowym wyzwaniem jest tu przejście od obrazu cyfrowego do przeszukiwalnej wersji znakowej. Tradycyjne narzędzia optycznego rozpoznawania pisma (OCR) często zawodzą w starciu z XIX-wieczną ortografią, specyficzną leksyką oraz uszkodzeniami fizycznymi oryginałów, co skutkuje powstaniem tzw. „brudnego OCR-u”.

Aby zapewnić najwyższą jakość danych, w referacie zaproponowano hybrydowy model korekty. Pierwszy etap obejmuje automatyczne przetwarzanie języka naturalnego (NLP), polegające na konfrontacji tekstu z historycznymi słownikami i maszynowym wychwytywaniu błędów. Drugi etap to ekspercka korekta manualna, w której redaktor weryfikuje niepewne propozycje systemu w oparciu o podgląd oryginału. Tak przygotowany, „oczyszczony” tekst staje się fundamentem do prowadzenia zaawansowanych, interdyscyplinarnych badań nad wielojęzycznością, rozwojem kulturowym i ewolucją języka polskiego w Brazylii. Prezentowana infrastruktura badawcza, obejmująca powstające repozytorium oraz narzędzia analizy ilościowej, otwiera nowe perspektywy dla polonistyki światowej w erze cyfrowej.

*Referat przygotowany w ramach grantu „Polszczyzna polonijnej wspólnoty komunikatywnej w Brazylii na podstawie prasy polskojęzycznej wydawanej w Brazylii w XIX i XX wieku (w stanie Paraná i w innych regionach)” (nr projektu badawczego: 2024/53/B/HS2/00810) finansowanego przez Narodowe Centrum Nauki w Polsce.