Quatro níveis que uma pesquisa pode comparar
- Imagem
- O aspeto visual dos caracteres numa fonte tipográfica.
- Codificação
- A sequência de pontos de código guardada pelo sistema.
- Grafia
- A forma convencionada numa língua ou tradição documental.
- Som
- A realização fonética numa variedade e contexto.
Uma igualdade num nível não garante igualdade nos outros. Caracteres de escritas diferentes podem ser visualmente parecidos; uma vogal acentuada pode ter mais de uma representação técnica; e a mesma letra pode corresponder a sons diferentes. O primeiro passo de uma análise é, portanto, nomear aquilo que foi comparado.
Equivalência canónica não é variante onomástica
Unicode admite que certos caracteres precompostos e certas sequências de letra mais marca combinante sejam canonicamente equivalentes. As formas de normalização, como NFC e NFD, permitem converter sequências equivalentes para uma representação consistente. [1]
Isto resolve um problema de processamento, não de etimologia. Se duas cadeias passam a ser idênticas depois de normalização canónica, o sistema pode tratá-las como a mesma representação abstrata. Se a comparação só coincide depois de remover acentos, trocar letras ou aplicar uma regra de pesquisa tolerante, já houve perda de informação: o resultado deve ser apresentado como aproximação, não como identidade.
Um diacrítico pode carregar informação
Acentos e outros sinais podem indicar tonicidade, qualidade vocálica, distinções ortográficas ou transliteração. Eliminá-los pode ajudar alguém a encontrar uma entrada num motor de pesquisa, mas não autoriza a substituir a grafia documentada. O valor do sinal depende da língua e do sistema de escrita.
Uma base de dados responsável conserva a forma de exibição, guarda uma forma normalizada para comparação técnica e regista separadamente os aliases documentados. Não transforma automaticamente qualquer resultado “sem acentos” numa variante legítima.
O que a pesquisa aproximada realmente demonstra
Distância de edição, prefixos comuns e sequências fonéticas são instrumentos de recuperação de informação. Produzem candidatos para revisão: nomes que o utilizador talvez procurasse ou que um investigador queira comparar. Não demonstram descendência comum, empréstimo, adaptação ou equivalência administrativa.
Uma interface deve rotular estes resultados como “grafias próximas”, explicar o critério e evitar verbos históricos como “deriva de” ou “é variante de”. Este limite é especialmente importante quando os nomes são curtos: uma única letra partilhada representa grande parte da forma, aumentando coincidências sem valor histórico.
Procedimento seguro para comparar duas grafias
- Conserve as duas formas exatamente como aparecem nas fontes.
- Verifique a escrita e os pontos de código quando houver caracteres ambíguos.
- Aplique NFC para resolver equivalência canónica, sem apagar distinções de compatibilidade.
- Registe à parte qualquer comparação sem diacríticos ou tolerante a erros.
- Procure uma fonte linguística antes de classificar a relação.
Se as formas pertencem a escritas diferentes, passe ao guia de transliteração e romanização. Se coincidem na forma mas não na história, consulte homonímia, homofonia e homografia.
Fontes consultadas
- Unicode Standard Annex #15: Unicode Normalization FormsUnicode Consortium · cobertura: equivalência canónica, composição e decomposição de caracteres · consultado em
- Handbook of the International Phonetic AssociationInternational Phonetic Association · cobertura: princípios e aplicação do Alfabeto Fonético Internacional · consultado em