Informação pormenorizada sobre os corpos

Projecto AC/DC, Linguateca


Esta página fornece a informação necessária sobre cada corpo, para que os utilizadores do nosso serviço o possam utilizar como instrumento válido de teste de hipóteses científicas.

Além de apontar para a informação original fornecida pelos compiladores e de apresentar uma contabilização sumária de todos os corpos em forma de tabela, descreve várias opções básicas tomadas na codificação dos corpos no ambiente escolhido, o CWB. Sem que estas opções sejam explicitadas, não é possível compreender os resultados quantitativos ou comparar com outros trabalhos sobre os mesmos corpos.

Todos os corpos foram anotados pelo PALAVRAS, o analisador sintáctico criado Eckhard Bick, Bick (2000). Veja-se a página de anotação para mais informações sobre essa anotação.


Identificação sumária

Informação original fornecida pelos compiladores de corpos, acessível na rede ou publicada. Apenas os identificadores foram atribuídos por nós. Para saber mais informação sobre cada corpo, clique no respectivo identificador.

AmostRA-NILC Seleção de textos do corpo NILC, em português brasileiro, contendo textos dos géneros didático, jornalístico e literário, anotada com classificação gramatical, criada no âmbito da tese de mestrado de Rachel Aires, orientada por Sandra Aluísio, no NILC
ANCIB Corpo de correio electrónico da lista ANCIB
Avante! Corpo de artigos da edição electrónica do Avante!, jornal semanal do Partido Comunista Português
CBRAS Um grande corpo de português brasileiro contendo muitos géneros diferentes, obtido da Rede
CDHAREM As colecções douradas usadas no HAREM
CETEMPúblico CETEMPúblico (Corpo de Extractos de Textos Electrónicos MCT/Público)
CHAVE Corpo de texto jornalístico usado no CLEF
COLONIA Corpo de textos históricos do século XVI ao XIX, de Portugal e do Brasil
C-ORAL-BRASIL Corpo oral de conversas informais no estado de Minas Gerais
CONDIVport Parte do corpo CONDIVport, contendo textos de jornais desportivos de Portugal e do Brasil
CoNECorpo de Correio Não-Endereçado, criado pela Linguateca
DiaCLAV Corpo de artigos da edição electrónica de jornais regionais da região centro de Portugal (Diário de Coimbra, Diário de Leiria, Diário de Aveiro e Viseu Diário)
Diáspora TL-PTCorpo de entrevistas a timorenses radicados em Portugal
ECI-EBR A parte do corpo Borba-Ramsey, contido no European Corpus Initiative, the Multilingual Corpus 1 (ECI/MCI)
ECI-EE A parte da apresentação do programa Esprit do European Corpus Initiative, the Multilingual Corpus 1 (ECI/MCI)
ENPCPUB Parte disponibilizável do subconjunto em português do English-Norwegian Parallel Corpus (ENPC) (traduções para português de originais em inglês)
Floresta Corpo relativo ao material da Floresta Sintá(c)tica
FrasesPP Corpo FrasesPP, desenvolvido no Grupo de PLN do INESC em 1990-93
FrasesPB Corpo FrasesPB, criado no âmbito do Projecto Processamento Computacional do Português
Mariano GagoNotícias sobre Mariano Gago e textos dele e sobre ele
MoçambulaCarta de leitores em jornais moçambicanos
Museu da PessoaCorpo de entrevistas portuguesas e brasileiras realizadas pelo Museu da Pessoa
Natura/Minho Corpo jornalístico Natura/Diário do Minho
OBrasCorpo de texto literário brasileiro
ReLiCorpo de resenhas de livros na Rede, criadas por alunos brasileiros, anotadas com polaridade e objeto de opinião
NILC/São Carlos Corpo NILC/São Carlos (parte corrigida), contendo texto jornalístico, didáctico e epistolar.
Tycho Brahe Corpo Tycho Brahe
TodosJuntos Todos os corpos combinados, evitando repetições.
Vercial Corpo de textos literários portugueses clássicos, disponibilizados pelo projecto Vercial.

Contabilização básica dos corpos

Todos os corpos foram processados de forma a serem codificados pelo IMS-CWB, o que significa que foram previamente transformados no formato de uma unidade por linha, e com um atributo estrutural (que delimita um conjunto de unidades) por linha também.

Este processo, que chamamos atomização, encontra-se descrito em Atomização, e inclui também a divisão em frases, obtida automaticamente na maior parte dos casos.

De forma a poder comparar os vários corpos numa única tabela, convém notar que os elementos classificados como títulos, legendas, etc. não foram considerados frases para efeitos desta contagem. Por outro lado, os parágrafos (geralmente curtos) sem pontuação final são marcados como frases, do tipo fragmento.

Esta contabilização é atualizada sempre que há criação de novas versões.

Corpo Nº de frases Nº de parágrafos Nº de palavras (formas) Nº de palavras (tipos) Nº de unidades
AmostRA-NILC4.9314.90498.63317.158128.203
ANCIB83.50960.1171.257.10973.6451.707.718
Avante!212.183108.4366.762.549119.8798.189.867
Corpus Brasileiro45.457.774137.127990.061.9555.070.7401.175.568.626
CD HAREM12.5587.276225.76630.985290.001
CETEMPúblico8.128.6063.613.331191.272.246926.187240.422.936
CHAVE4.682.3632.247.19297.884.763696.775124.095.306
Colonia216.8581.8115.027.908173.4436.433.679
CONDIVport318.776148.8925.576.547150.1457.159.916
CONDIVport24.3972.718117.09416.314142.594
CoNE31.36119.313675.46241.030922.920
C-Oral-Brasil30.64719.404263.64514.866436.444
DiaCLAV210.37324.4396.550.993107.9487.722.373
Diáspora TL-PT1.03824621.8555.08629.365
ECI-EBR44.38112.117723.99660.203922.439
ECI-EE83934027.1304.09132.133
ENPCPUB (parte em português)4.3711.69072.37412.87493.164
Floresta327.05006.046.541179.5207.252.306
FrasesPB65364819.1456.00823.186
FrasesPP67659416.2365.08620.222
Mariano Gago12.21659278.90418.918349.844
Moçambula2.32113558.26710.65071.399
Museu da Pessoa93.55434.8371.422.43442.5212.004.282
Natura/Minho69.09957.1491.748.64467.4502.208.211
OBras103.8156101.196.70978.6201.586.810
P'lo Norte2.3841.12240.9098.14053.703
Português Falado - Documentos Autênticos4.7353.13863.3526.185102.222
ReLi8.3928153.00214.354188.882
NILC/São Carlos1.988.621827.36332.461.815399.73142.914.452
todos juntos58.767.9995.745.3121.279.873.8655.746.3611.542.626.367
Tycho Brahe109.508592.669.268128.2003.188.752
Vercial950.980182.64914.712.157340.73420.605.532
Total63.118.9697.517.7241.367.507.408 --1.654.867.487


Frequência de formas e lemas por categoria gramatical nos corpos

Para obter as listas de frequências, clique na célula correspondente da tabela abaixo, que indica o número de tipos distintos. Tenha, contudo, em atenção as seguintes informações

CorpusFormas
NADJADVVNUMGRAMtodos
AmostRA64442721413596731144617193
ANCIB239458439989171495923122876847
Avante!31915184262098466135223981121489
CDHAREM102124228610888797962831180
CETEMPúblico1996178870068852165331104544955958788
CHAVE161617737305566174044863223801723395
Colonia484802633025688519214191415173992
ConDIVport3977123184238752857566021631152313
ConDIVport253012112348479971243816461
ConE14759485559487184264103044207
C-ORAL_Brasil53531962330481770372115022
DiaCLAV30518154381462392955604872110083
Diáspora TL-PT9803141501091883093078
ECI-EBR196761012711662409477672860400
ECI-EE135886920713012272604254
ENPC (parte pública)43881936447507113242712895
Floresta527152451923605420267461638182661
FrasesPB25729582141775672986020
FrasesPP20458762101479782755099
Mariano Gago55962707539696045753719034
Moçambula36591623383377218743710701
Museu da Pessoa1426360167341726759269742663
Natura/Minho2015210068107821744415371268997
OBras2292013587148539383571142379244
Plonorte2846118132025902553848204
PortFalDA23997841982411463166194
ReLi463727175745384174185215730
NILC/São Carlos100208462493608105894586721998420801
Vercial84598440883869159275315469815351005
34885515181210324391065183531988061564881

CorpusLemas
NADJADVVNUMGRAMPROPtodostodos/pos
AmostRA50591891327188931714314011089211027
ANCIB17724473376238055946298375417003470808
Avante!201799058169255275945290481008987490791
CDHAREM71502709459214598319169302025820567
CETEMPúblico14573051075577327209118085695106822214080041416789
CHAVE1124763989847772094390423591690567953439959675
Colonia33508144072142110271571400333919514596446
ConDIVport261361231718766754614135949876102478103459
ConDIVport239821379277139071214932031088711092
ConE10103270243522094316230174653703337459
C-ORAL_Brasil4332134922714096202212083988210241
DiaCLAV18910763411444877599827263495101455102330
Diáspora TL-PT8372301133638612725719292013
ECI-EBR136925785930407289722189993408734596
ECI-EE102656118449523110018627242783
ENPC (parte pública)35391371367144713714479476547799
Floresta3450412545201474646874840102666164698166906
FrasesPB21527441888336010721842064302
FrasesPP16926811846607110619735463591
Mariano Gago41141701434154546119040901235012535
Moçambula28651138298127518916091967396844
Museu da Pessoa99333508546290266623986952597226489
Natura/Minho12970545184937534395232304025745558052
OBras1577170621243545562041062183640136779
Plonorte221880724786724913884652825372
PortFalDA20445811997837814927440314108
ReLi347416403901499166178119182248538
NILC/São Carlos662052448128571459261341483301861468262471820
Vercial589062309131631763934936405794479248507264828
2666759393191295353119527364866169497023459552378180


Contabilização detalhada por corpo

A maior parte dos corpos requereu tratamento específico e opções dedicadas, que serão mencionadas na descrição de cada caso. Como opções gerais, mais detalhadas na página de atomização, temos:

Os dados quantitativos que apresentamos para cada corpo dividem-se em quatro grupos: Nota: em relação aos dados quantitativos, a categoria "pontuação" inclui todos as unidades que contenham sinais de pontuação e que não tenham sido considerados como abreviaturas (incluindo portanto números do tipo "3.876.210", abreviaturas com mais de um ponto como "S.O.S." ou "E.U.A", assim como erros de codificação ainda não depurados, como "primeiro-ministro.").


Corpo AmostRA-NILC

O corpus AmostRA-NILC (Corpus Amostra Rachel Aires - NILC) foi criado no âmbito da tese de mestrado de Rachel Aires, orientada por Sandra Aluísio, no NILC, para avaliar e comparar o desempenho de etiquetadores para o português brasileiro (Aires 2000).

Citando Aires 2000 (secção 4.1.1)

" Para compor nosso corpus de treinamento e teste selecionamos textos do corpora do Nilc pertencentes a três gêneros: didático, jornalístico e literário. Um dos objetivos deste trabalho é avaliar os etiquetadores por gêneros. A escolha destes três gêneros foi feita para se abranger em particular:

  1. textos simples, isto é, aqueles que seguem uma estrutura formal fixa, por exemplo a escrita técnica (didáticos);
  2. textos mais próximos da linguagem viva (jornalístico);
  3. textos com estrutura livre, isto é, com formas menos comuns como ordem inversa por exemplo, (literários).

(...) Além dos gêneros de texto que farão parte do corpus, temos também que decidir se serão ou não mantidos títulos, frases entre parênteses e resumos nos textos. No nosso caso não mantivemos os títulos, mas mantivemos os textos entre parênteses e não precisamos nos preocupar com resumos, que não apareciam nos textos escolhidos.

(...) em 20 de julho de 2000, obtivemos a última versão do nosso corpus de treinamento e teste contendo 104.962 palavras, que foi utilizada em todos os experimentos descritos neste trabalho. (...)

Tabela 1 - Corpus de treinamento e teste
Tipo de CorpusTamanho do corpus
D Didático 16.255 palavras
J Jornalístico 56.653 palavras
L Literário 32.054 palavras

(fim de citação)

Corpus AmostRA-NILC duplamente anotado, versão texto de 7 de Agosto de 2003 com primeira anotação do NILC (Rachel Aires), anotado em 8 de Março de 2011 pelo PALAVRAS, criado a 22 de Junho de 2013, v. 4.7

Agradecemos a Rachel Aires a disponibilização do corpus.

Estrutura do corpo

Os atributos estruturais usados são p (parágrafo) e s (frase). É também usado o atributo posicional pos2 (anotação gramatical original do corpus).

Dados quantitativos

Corpo AMOSTRA Número de formasNúmero de tipos
Unidades 12820317193
Total de palavras 9863317158
Palavras em minúscula 7839913532
Palavras com inicial maiúscula86352409
Palavras todas em maiúsculas 3717
Números 914190
Palavras com números7146
Palavras mistas3019
Pontuação627835

Número de unidades estruturais

Atributo Número
s 4928
p 4902
mwe 1812

Contabilização de multipalavras

Número de entidades Número de unidades
Nomes próprios 2985 4494
Locuções 1812 3830
Palavras gráficas 98633 98633
Palavras simples 90309 90309
Palavras 95106 98633

Distribuição por categoria gramatical

Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
Substantivos N|N[^U].* 23273 25,77%
Verbos V.* 14145 15,66%
Adjectivos ADJ.* 6422 7,11%
Pronomes pessoais .*PERS.* 2286 2,53%
Preposições PRP.* 16633 18,42%
Conjunções K.* 4112 4,55%
Advérbios ADV.* 5052 5,59%
Determinantes .*DET.* 17931 19,86%
Especificadores .*SPEC.* 1389 1,54%
Numerais NUM.* 1810 2,00%

^Voltar ao início da página

Corpo ANCIB

O corpus ANCIB foi criado a partir de uma série de ficheiros contendo as mensagens em português enviadas para a lista homónima da Associação Nacional de Pesquisa e Pós-Graduação em Ciência da Informação (até Novembro de 2003) e para a lista abarreto-l, após essa data.

Esta lista é gerida por Aldo Barreto, que gentilmente nos concedeu autorização para a criação deste corpus), que tem material entre Julho de 1998 e Junho de 2008, num total de 624 mensagens em formato Eudora, sendo o resto em formato Outlook, totalizando 2814 mensagens cuja língua foi identificada como portuguesa.

Corpus ANCIB, versão texto de Junho de 2009, anotado a 26 de Junho de 2014, criado a 22 de Junho de 2013, v. 7.7

Agradecemos a Aldo Barreto a autorização gentilmente cedida para uso dos textos da lista.

Estrutura do corpo

A parte inicial do corpus foi criado a partir do formato mbx do programa de correio Eudora; a seguinte a partir do formato Outlook.

Embora tenham sido excluídas as mensagens totalmente (ou quase) noutros idiomas, foram mantidas mensagens parcialmente noutras línguas, pelo que o corpus contém uma quantidade reduzida de texto em inglês e castelhano.

Foram removidas, na medida do possível, as assinaturas automáticas das mensagens.

Foram transformados alguns caracteres ['A==>À, e'==>é, etc].

O corpus está dividido em mensagens separadas, marcadas pelo atributo mens, com informação da data <mens dt=...> . Cada mensagem tem sempre os campos assunto e autor (a pessoa que enviou a mensagem para a lista). O corpo da mensagem está dividido em p [parágrafos], s [frases], e possivelmente li [elementos de listas] e titulo [títulos].

O corpus tem também o atributo cita que indica referência a uma mensagem anterior, citada no corpo da mensagem e indicada pelo sinal ">" no início de linha.

Dados quantitativos

Corpo ANCIB Número de formasNúmero de tipos
Unidades 170775876637
Total de palavras 125710973645
Palavras em minúscula 84066234803
Palavras com inicial maiúscula22670921842
Palavras todas em maiúsculas 191653503
Números 200821337
Palavras com números2715801
Palavras mistas2728628
Pontuação1159762978

Número de unidades estruturais

Atributo Número
p 60047
s 83189
mwe 14587
autor 3007
mens 3012
assunto 2978
li 0
titulo 0
cita 81

Contabilização de multipalavras

Número de entidades Número de unidades
Nomes próprios 97212 202649
Locuções 14587 31186
Palavras gráficas 1257109 1257109
Palavras simples 1023274 1023274
Palavras 1135073 1257109

Distribuição por categoria gramatical

Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
Substantivos N|N[^U].* 293306 28,66%
Verbos V.* 125785 12,29%
Adjectivos ADJ.* 72934 7,13%
Pronomes pessoais .*PERS.* 13845 1,35%
Preposições PRP.* 194505 19,01%
Conjunções K.* 59387 5,80%
Advérbios ADV.* 39981 3,91%
Determinantes .*DET.* 190701 18,64%
Especificadores .*SPEC.* 12427 1,21%
Numerais NUM.* 32620 3,19%

^Voltar ao início da página

Corpo Avante!

O corpus Avante! contém textos do semanário «Avante!», orgão oficial do Partido Comunista Português. O corpus contém cerca de 6 milhões de palavras, extraídas da versão na rede do jornal, correspondendo a um total de 8.515 artigos de 207 edições do dito jornal, de Abril de 1997 até Fevereiro de 2002.

Corpus Avante, versão de 6 de Março de 2006, anotado a 26 de Junho de 2014, v. 5.7

Estamos gratos à direcção do «Avante!», em especial ao seu director José Casanova, pela autorização gentilmente cedida para a elaboração deste corpus.

Estrutura do corpo

O corpus contém as etiquetas art (artigo), t (título), p (parágrafo), s (frase) e li (elemento de uma lista); os artigos não estão datados, sendo apenas indicado o número da edição, através da indicação <art ed= id=> .

Dados quantitativos

Corpo AVANTE Número de formasNúmero de tipos
Unidades 8191783121476
Total de palavras 6762503119894
Palavras em minúscula 530114167952
Palavras com inicial maiúscula70159829348
Palavras todas em maiúsculas 736532307
Números 602271646
Palavras com números803296
Palavras mistas2189726
Pontuação3480701580

Número de unidades estruturais

Atributo Número
art 8843
t 30224
a 2
p 108385
li 45066
s 211975
mwe 136698

Contabilização de multipalavras

Número de entidades Número de unidades
Nomes próprios 298108 512482
Locuções 136698 290511
Palavras gráficas 6762503 6762503
Palavras simples 5959510 5959510
Palavras 6394316 6762503

Distribuição por categoria gramatical

Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
Substantivos N|N[^U].* 1511796 25,37%
Verbos V.* 810862 13,61%
Adjectivos ADJ.* 473025 7,94%
Pronomes pessoais .*PERS.* 95424 1,60%
Preposições PRP.* 1261305 21,16%
Conjunções K.* 340799 5,72%
Advérbios ADV.* 326580 5,48%
Determinantes .*DET.* 1315447 22,07%
Especificadores .*SPEC.* 110880 1,86%
Numerais NUM.* 108802 1,83%

^Voltar ao início da página

Corpo Corpus Brasileiro

O Corpus Brasileiro é uma coletânea de aproximadamente um bilhão de palavras de português brasileiro, resultado de projeto coordenado por Tony Berber Sardinha, (GELC, LAEL, Cepril, PUCSP), com financiamento da Fapesp. Devido a variados tipos de processamento automático, é possível que nem todo o material incorporado esteja disponível através do AC/DC.

Listas de frequências

As listas de frequência de palavras (unigramas) do corpus podem ser obtidas em:

Referências

Manual: Corpus Brasileiro.
Berber Sardinha, T. (2008). Léxico-gramática e corpus. II Ebralc - Escola Brasileira de Linguística Computacional, Unesp, São José do Rio Preto, SP, 6 e 7 de novembro de 2008.
Berber Sardinha, T., Moreira Filho, J. L., & Alambert, E. (2008). O Corpus Brasileiro. Comunicação apresentada em VII Encontro de Lingüística de Corpus, Unesp, São José do Rio Preto, SP, 6 e 7 de novembro de 2008.
Berber Sardinha, T. (2009). Applied Linguistics and Technology. Ames, Iowa State University, USA, January 20, 2009.
Berber Sardinha, T., Moreira Filho, J. L., & Alambert, E. (2009). The Brazilian Corpus: A one-billion word online resource. Comunicação apresentada em 5th Corpus Linguistics Conference, Liverpool, UK, July 21-23, 2009.
Berber Sardinha, T., Moreira Filho, J. L., & Alambert, E. (2009). The Brazilian Corpus. Comunicação apresentada em AACL 2009 - American Association for Corpus Linguistics, Alberta, Canadá, October 8-11, 2009.
Berber Sardinha, T., Moreira Filho, J. L., & Alambert, E. (2010). O Corpus Brasileiro. Comunicação apresentada em 13o Congresso Brasileiro De Língua Portuguesa e 4o Congresso Internacional De Lusofonia, PUCSP, São Paulo, SP, 30 de abril de 2010.
Berber Sardinha, T. (2010). Corpus Linguistics and Metaphor. Conferência plenária apresentada em 2nd International Conference on Corpus Linguistics (CILC), A Coruña, Spain, May 13-15, 2010.
Berber Sardinha, T. (2010). A Linguística de Corpus na Prática. Santiago de Compostela, Espanha: Universidade de Santiago de Compostela, Espanha, 2010.
Berber Sardinha, T. (2010). Corpus Linguistics. Murcia, Espanha: Universidade de Murcia, Espanha, 2010.

Corpus Brasileiro anotado, versão de 8 de março de 2017, v. 4.2

Tony Berber Sardinha, a quem estamos gratos pela autorização para a disponibilização deste corpus, agradece à Fapesp o financiamento do projeto.

Estrutura do corpo

O corpo está apenas dividido em frases (s).

Além disso, o Corpus Brasileiro contém os seguintes valores do atributo genero, em que o prefixo e indica português escrito e f português falado:

generoGêneroFonte
eiAcadêmicoArtigos
ejAcadêmicoTeses e dissertações
eqAcadêmicoAnais de congresso
enCinema e TVRoteiros
ee/efEducaçãoDiversos
ee/efEducaçãoDiversos
etEnciclopédiaWikipédia
faEsporteNarração de jogos de futebol
ekInformáticaManuais
edJornalismoRevistas
egJornalismoJornais
eoJornalismoHoróscopo
feJornalismoEntrevistas
em/exLegislaçãoDiversos
em/exLegislaçãoDiversos
ebLiteraturaContos
ecLiteraturaCrônicas
eh/ewLiteraturaVariados
eh/ewLiteraturaVariados
euLiteraturaBiografias
eaMedicinaBulas de remédio
epPolíticaAtas de assembléia legislativa
fbPolíticaDebates de TV
fcPolíticaPronunciamentos do presidente
fdPolíticaSessões do congresso
elReligiãoDiversos
evReligiãoBíblia
er/esTécnicoRelatórios e manuais diversos
er/esTécnicoRelatórios e manuais diversos

Como todos os corpos do AC/DC, o Corpus Brasileiro está também anotado sintacticamente pelo PALAVRAS, e contém alguma anotação semântica nos atributos sema e grupo.

GéneroUnidades
ea 114.270
eb 60.799
ec 161.009
ed 494.263
ee 73.704.749
ef 3.024.039
eg 250.700.829
eh 1.373.051
ei 260.931.229
ej 296.344.947
ek 526.155
el 909.857
em 237.707
en 254.352
eo 4.304
ep 3.896.654
eq 5.966.725
er 3.728.806
es 6.479.948
et 37.853.048
eu 578.678
ev 836.900
ew 6.156.028
ex 7.606.564
fa 86.466
fb 22.040
fc 1.805.774
fd 76.690.106
fe 4.004.892

Dados quantitativos

Corpo CBRAS Número de formasNúmero de tipos
Unidades 11755686265576618
Total de palavras 9900619555070740
Palavras em minúscula 6814542291339533
Palavras com inicial maiúscula1401525041139437
Palavras todas em maiúsculas 12318625297950
Números 22335162103914
Palavras com números2560607455972
Palavras mistas3018778226388
Pontuação65784288488437

Número de unidades estruturais

Atributo Número
p 97
s 42540575
mwe 14607557

Contabilização de multipalavras

Número de entidades Número de unidades
Nomes próprios 9503589 122378154
Locuções 14607557 30827399
Palavras gráficas 990061986 990061986
Palavras simples 836856433 836856433
Palavras 860967579 990061986

Distribuição por categoria gramatical

Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
Substantivos N|N[^U].* 226763250 27,10%
Verbos V.* 107486560 12,84%
Adjectivos ADJ.* 62719888 7,49%
Pronomes pessoais .*PERS.* 9262441 1,11%
Preposições PRP.* 158380276 18,93%
Conjunções K.* 39690029 4,74%
Advérbios ADV.* 34207779 4,09%
Determinantes .*DET.* 138933494 16,60%
Especificadores .*SPEC.* 11114109 1,33%
Numerais NUM.* 35983026 4,30%

^Voltar ao início da página

Corpo CD HAREM

O corpo CDHAREM contém as colecções douradas usadas no HAREM (avaliação conjunta de sistemas de Reconhecimento de Entidades Mencionadas), tanto no Primeiro (criadas em 2005 e 2006) como no Segundo (criada em 2008). A forma como este corpo foi criado encontra-se pormenorizadamente descrita em Rocha & Santos (2007).

Corpus Colecção Dourada do HAREM, a partir das versões das CD do Primeiro HAREM de 2007, anotado em 3 de Maio de 2010, criado a 15 de Maio de 2010, versão 3.2

Estrutura do corpo

  • Atributos estruturais:
  • Atributos posicionais relacionados com a anotação das entidades:

    Dados quantitativos

    Corpo CDHAREM Número de formasNúmero de tipos
    Unidades 29000131214
    Total de palavras 22576630985
    Palavras em minúscula 16561719241
    Palavras com inicial maiúscula327377956
    Palavras todas em maiúsculas 14001046
    Números 2887564
    Palavras com números12383
    Palavras mistas14995
    Pontuação15197229

    Número de unidades estruturais

    Atributo Número
    DOC 386
    TEXTO 386
    LOCAL 3494
    ORGANIZACAO 2621
    VALOR 1153
    COISA 640
    ACONTECIMENTO 501
    OBRA 863
    PESSOA 4014
    TEMPO 1970
    ABSTRACCAO 1195
    VARIADO 54
    OUTRO 110
    p 7262
    s 12530
    ALT 533
    EM 15908
    mwe 3913

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 12178 22866
    Locuções 3913 8318
    Palavras gráficas 225766 225766
    Palavras simples 194582 194582
    Palavras 210673 225766

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 45363 23,31%
    Verbos V.* 30984 15,92%
    Adjectivos ADJ.* 12191 6,27%
    Pronomes pessoais .*PERS.* 5198 2,67%
    Preposições PRP.* 35007 17,99%
    Conjunções K.* 10098 5,19%
    Advérbios ADV.* 13231 6,80%
    Determinantes .*DET.* 38627 19,85%
    Especificadores .*SPEC.* 3841 1,97%
    Numerais NUM.* 4667 2,40%

    ^Voltar ao início da página

    Corpo CETEMPúblico

    O CETEMPúblico contém cerca de 190 milhões de palavras extraídas do diário PÚBLICO. Veja-se a página oficial do CETEMPúblico para mais informação.

    Corpus CETEMPúblico anotado: versão 1.7 do texto, criada a 18 de Setembro de 2001, anotada em Abril-Julho de 2011, versão na rede criada a 23 de Junho de 2013, v. 7.6

    Estamos gratos ao Público pela gentil disponibilização dos textos.
    Estamos especialmente gratos a José Vitor Malheiros, director da versão electrónica, sem o qual este corpo não existiria, e a Paulo Almeida pelo apoio técnico com os ficheiros electrónicos.

    Estrutura do corpo

    Marcadores estruturais: ext [identificador do extracto, com informação sobre secção e semestre], s [frase], t [título ou subtítulo], a [identificação do autor], li [elemento de lista], marca.

    Além da palavra, o corpus tem mais dois atributos posicionais, sem [semestre em que o texto foi escrito ou enviado para o jornal]: e sec [classificação da secção a que o texto pertencia]. Veja-se a discussão em Rocha & Santos (2000) sobre a forma da atribuição deste último.

    semestretamanhocltclt-soccomdesecondopipolsoc
    91a743868765426918869608864215230102905212010109641270115
    91b142980451257934215680014424049510825770903021676092492433
    92a1537614025170775355710152891815327342105994039399183215928
    92b115489802228320439928013247851307012510736027160563022143
    93a152812873182036903110014990251691448601275034197843984609
    93b1219088822663545840050127798612736461084029025760303128838
    94a1541543430363998734910152435215885451478117033083933606137
    94b1489863227785498738380161442915858321735878029239143386192
    95a16679581277084110898060182384716227991935381030905874346320
    95b1571616522270519382000162166214307552070295032736994154503
    96a1197553716381960132981435401972402121290462849221436063931238
    96b116682311604184001553403799945124730762043419099103933048
    97a99413261368435017103132749067832592607662483116490993349967
    97b997515313616110245061124443565935794452456883118154363135898
    98a12955412146005903897671528837799921177215864587219845954374203
    98b899388410503120279008105651257221386160843030516522563091670
    Todos 31401627664232594423722689907179890262716239735187653958185654423242

    Dados quantitativos

    Corpo CETEMPUBLICO Número de formasNúmero de tipos
    Unidades 240529924958113
    Total de palavras 191322361927387
    Palavras em minúscula 144268222270858
    Palavras com inicial maiúscula24083648309215
    Palavras todas em maiúsculas 112977922117
    Números 184464310640
    Palavras com números26240216257
    Palavras mistas12125730001
    Pontuação1307880030644

    Número de unidades estruturais

    Atributo Número
    p 3614076
    s 8129979
    ext 1523041
    t 703075
    a 247703
    mwe 3753261
    marca 3839

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 10523676 18610452
    Locuções 3753261 7915312
    Palavras gráficas 191322361 191322361
    Palavras simples 164796597 164796597
    Palavras 179073534 191322361

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 39343419 23,87%
    Verbos V.* 24631947 14,95%
    Adjectivos ADJ.* 11658990 7,07%
    Pronomes pessoais .*PERS.* 2923383 1,77%
    Preposições PRP.* 33556524 20,36%
    Conjunções K.* 8100674 4,92%
    Advérbios ADV.* 10123326 6,14%
    Determinantes .*DET.* 34980733 21,23%
    Especificadores .*SPEC.* 3038874 1,84%
    Numerais NUM.* 4186444 2,54%

    ^Voltar ao início da página

    Corpo CHAVE

    O corpus CHAVE contém textos jornalísticos dos jornais Público e Folha de São Paulo dos anos de 1994 e 1995. Este corpus foi criado no âmbito da participação da língua portuguesa no CLEF. Para citar a colecção CHAVE, use Santos & Rocha (2005) ou uma descrição geral do CLEF em Rocha & Santos (2007). Pode obter o corpus completo em formato texto requerendo-o nesta página.

    Corpus CHAVE, anotado a30 de abril de 2014, v. 6.4

    Agradecemos ao PÚBLICO e à Folha de São Paulo a gentil autorização de disponibilização dos textos.

    Estrutura do corpo

    Marcadores estruturais: DOC [documento], s [frase], CATEGORY (secção do jornal), AUTHOR (autor do texto), NE (lista de nomes próprios contidos no documento, usando a anotação do PALAVRAS).

    Dados quantitativos

    Corpo CHAVE Número de formasNúmero de tipos
    Unidades 124095306722690
    Total de palavras 97884763696775
    Palavras em minúscula 72221133229100
    Palavras com inicial maiúscula12850848231949
    Palavras todas em maiúsculas 61892616698
    Números 10983277533
    Palavras com números1070749980
    Palavras mistas14808615018
    Pontuação678235225596

    Número de unidades estruturais

    Atributo Número
    s 4680462
    t 573249
    p 2246878
    mwe 1778731
    data 208390
    DOC 208390
    CATEGORY 208390
    EM 0

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 5430724 9428184
    Locuções 1778731 3762834
    Palavras gráficas 97884763 97884763
    Palavras simples 84693745 84693745
    Palavras 91903200 97884763

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 20699744 24,44%
    Verbos V.* 12745355 15,05%
    Adjectivos ADJ.* 5911581 6,98%
    Pronomes pessoais .*PERS.* 1484683 1,75%
    Preposições PRP.* 16746982 19,77%
    Conjunções K.* 4123231 4,87%
    Advérbios ADV.* 4937784 5,83%
    Determinantes .*DET.* 17460712 20,62%
    Especificadores .*SPEC.* 1472857 1,74%
    Numerais NUM.* 2272460 2,68%

    ^Voltar ao início da página

    Corpo Colonia

    O Colonia é um corpo eletrônico anotado compilado para pesquisa sobre a história da língua portuguesa, com textos escritos entre 1500 e 1936, desenvolvido pela Universidade de Colónia (Köln). A sua página principal é http://corporavm.uni-koeln.de/colonia/ onde todas as informações estão disponíveis. Veja também Zampieri & Becker (2013). (Nota: À versão do AC/DC faltam ainda cinco textos.)

    Corpus COLONIA, criado e anotado a 25 de setembro de 2017, v. 3.0

    Agradecemos a todos os que tornarem este projeto viável, por terem digitalizado e tornado públicas obras de autores brasileiros.

    Estrutura do corpo

    Utilizámos como marcadores estruturais para todas as obras obra (que contém o identificador original do projeto Colonia), tituloobra (o nome da obra), autor (o autor da obra) e dataobra. Também se encontram marcados, nas obras em que são relevantes, partes como parte, além dos marcadores estruturais comuns a todo o projeto AC/DC t (indicando título) e s [frase].

    Além disso, para todas as obras existem os atributos posicionais autor (valores e chave em lista de autores), obra (contendo o seu título), data, variante e seculo, contendo o século em que a obra foi publicada.

    Dados quantitativos

    Corpo COLONIA Número de formasNúmero de tipos
    Unidades 6433679173992
    Total de palavras 5027908173443
    Palavras em minúscula 3907421110443
    Palavras com inicial maiúscula46828429842
    Palavras todas em maiúsculas 3491498
    Números 70861056
    Palavras com números5238
    Palavras mistas72911834
    Pontuação367817414

    Número de unidades estruturais

    Atributo Número
    p 0
    s 207518
    texto 0
    parte 1728
    mwe 95076

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 177438 234323
    Locuções 95076 203912
    Palavras gráficas 5027908 5027908
    Palavras simples 4589673 4589673
    Palavras 4862187 5027908

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 934316 20,36%
    Verbos V.* 823632 17,95%
    Adjectivos ADJ.* 279323 6,09%
    Pronomes pessoais .*PERS.* 242079 5,27%
    Preposições PRP.* 695864 15,16%
    Conjunções K.* 288887 6,29%
    Advérbios ADV.* 334217 7,28%
    Determinantes .*DET.* 848977 18,50%
    Especificadores .*SPEC.* 121677 2,65%
    Numerais NUM.* 41179 0,90%

    ^Voltar ao início da página

    Corpo CONDIVport

    O corpus CONDIVport é o subcorpus de textos dos domínios do futebol, do vestuário/moda e da saúde das décadas de 50, 70 e 2000 de jornais e revistas portugueses e brasileiros do mais vasto corpus CONDIVport (Silva, 2008), criado para estudar a CONvergência e a DIVergência entre estas duas variantes do português. O sufixo port distingue-o do seu congérene neerlandês, também denominado CONDIV. Veja-se uma descrição mais detalhada.

    Este subcorpus contém 3981 extractos de textos de jornais desportivos portugueses e brasileiros, das décadas de 1950, 1970 e 2000; 4372 textos (agrupados em 82 extractos, ou seja, provenientes de 82 edições) de revistas de moda portuguesas e brasileiras, das décadas de 1950, 1970, e 1990-2000, assim como 1815 textos de revistas e jornais de saúde nos mesmos períodos.

    Corpus CONDIV, versão texto (futebol) de 15 de Fevereiro de 2006, versão texto (moda) de 18 de Dezembro de 2008, versão texto (saúde) de 2 de Fevereiro de 2010, anotado em 22 de Junho de 2013, v. 9.6

    Estamos gratos à equipa do projecto de investigação Convergência e Divergência no Léxico do Português, em especial ao investigador responsável Augusto Soares da Silva, pela autorização gentilmente cedida para a disponibilização deste corpus.

    Estrutura do corpo

    O corpo está dividido em extractos, assinalados pelo atributo ext; cada extracto está dividido em parágrafos (atributo p) e frases (atributo s). Nos casos da moda e da saúde, os extractos estão ainda subdivididos em textos, que correspondem a notícias completas. Além disso, o CONDIVport contém os atributos posicionais decada (valores: 50, 70, 2000), variante (valores: PT, BR), texto (valores:t1 a tN) e fonte. Como todos os corpos do AC/DC, o CONDIVport está também anotado sintacticamente pelo PALAVRAS, e contém alguma anotação semântica nos atributos sema e grupo, por enquanto referente apenas a cor e roupa.

    TamanhoFutebolModa/vestuárioSaúde
    PT333341116792903168531337268
    BR26493791367115801410480854
    Todos 304640511182731818122

    Dados quantitativos

    Corpo CONDIV Número de formasNúmero de tipos
    Unidades 7159365152218
    Total de palavras 5576544150160
    Palavras em minúscula 419526081380
    Palavras com inicial maiúscula65507838628
    Palavras todas em maiúsculas 136513380
    Números 729511741
    Palavras com números2500773
    Palavras mistas47681247
    Pontuação4064631982

    Número de unidades estruturais

    Atributo Número
    ext 4081
    texto 6223
    p 148171
    s 318359
    mwe 108370

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 240547 374521
    Locuções 108370 229017
    Palavras gráficas 5576544 5576544
    Palavras simples 4973006 4973006
    Palavras 5321923 5576544

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 1217922 24,49%
    Verbos V.* 752556 15,13%
    Adjectivos ADJ.* 387706 7,80%
    Pronomes pessoais .*PERS.* 103589 2,08%
    Preposições PRP.* 877885 17,65%
    Conjunções K.* 266812 5,37%
    Advérbios ADV.* 312359 6,28%
    Determinantes .*DET.* 963520 19,38%
    Especificadores .*SPEC.* 78340 1,58%
    Numerais NUM.* 132233 2,66%

    ^Voltar ao início da página

    Corpo CONDIVport2

    O corpus CONDIVport2 é o subcorpus de textos dos domínios da política e da sociedade da década de 2010 de jornais e revistas portugueses e brasileiros do mais vasto corpus CONDIVport (Silva, 2008), criado para estudar a CONvergência e a DIVergência entre estas duas variantes do português. O sufixo port distingue-o do seu congérene neerlandês, também denominado CONDIV. Veja-se uma descrição mais detalhada.

    Este subcorpus contém por agora 66150 unidades do Jornal do Brasil (brasileiro) e 57542 do Diário de Notícias (português), perfazendo 344 textos.

    Corpus CONDIV2, versão texto de 15 de maio de 2017, v. 1.0

    Estamos gratos à equipa do projecto de investigação Convergência e Divergência no Léxico do Português, em especial ao investigador responsável Augusto Soares da Silva, pela autorização gentilmente cedida para a disponibilização deste corpus.

    Estrutura do corpo

    O corpo está dividido em textos, assinalados pelo atributo texto; cada texto está dividido em parágrafos (atributo p) e frases (atributo s). Além disso, o CONDIVport2 contém os atributos posicionais variante (valores: PT, BR), id (valores: 1 a tN), tema, e fonte. Como todos os corpos do AC/DC, o CONDIVport está também anotado sintacticamente pelo PALAVRAS, e contém alguma anotação semântica nos atributos sema e grupo, por enquanto referente apenas a cor e roupa.

    TamanhoFutebolModa/vestuárioSaúde
    PT333341116792903168531337268
    BR26493791367115801410480854
    Todos 304640511182731818122

    Dados quantitativos

    Corpo CONDIV2 Número de formasNúmero de tipos
    Unidades 14259416461
    Total de palavras 11709416314
    Palavras em minúscula 8771811136
    Palavras com inicial maiúscula153303748
    Palavras todas em maiúsculas 771243
    Números 1492305
    Palavras com números11055
    Palavras mistas19728
    Pontuação6598131

    Número de unidades estruturais

    Atributo Número
    texto 344
    p 2714
    s 4373
    mwe 1948

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 7134 12866
    Locuções 1948 4087
    Palavras gráficas 117094 117094
    Palavras simples 100141 100141
    Palavras 109223 117094

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 25090 25,05%
    Verbos V.* 15215 15,19%
    Adjectivos ADJ.* 6193 6,18%
    Pronomes pessoais .*PERS.* 1195 1,19%
    Preposições PRP.* 21313 21,28%
    Conjunções K.* 4849 4,84%
    Advérbios ADV.* 4689 4,68%
    Determinantes .*DET.* 21135 21,11%
    Especificadores .*SPEC.* 1838 1,84%
    Numerais NUM.* 2998 2,99%

    ^Voltar ao início da página

    Corpo CoNE

    O corpus CoNE (Correio Não Endereçado) é um corpus de mensagens não-endereçadas em português.

    O corpus foi criado usando mensagens em português não endereçadas, recebidas por elementos da equipa da Linguateca entre 10 de Agosto de 2001 e 24 de Janeiro de 2006.

    Versão do corpus de 15 de Janeiro de 2006, anotado a 19 de Março de 2011, e criado a 22 de Junho de 2013, v. 4.6

    Estrutura do corpo

    O corpus está dividido em mensagens, marcadas pelo atributo mens, com informação da data . Cada mensagem tem sempre os campos assunto e autor (a pessoa que enviou a mensagem). O corpo da mensagem está dividido em p [parágrafos], s [frases], e possivelmente li [elementos de listas] e titulo [títulos].

    Dados quantitativos

    Corpo CONE Número de formasNúmero de tipos
    Unidades 92298043833
    Total de palavras 67546241030
    Palavras em minúscula 39422918492
    Palavras com inicial maiúscula15891813518
    Palavras todas em maiúsculas 119631998
    Números 14960867
    Palavras com números2871678
    Palavras mistas3408404
    Pontuação640392797

    Número de unidades estruturais

    Atributo Número
    p 19145
    s 31097
    mwe 8232
    autor 1939
    mens 1939
    assunto 1894
    div 0
    li 26523
    t 1285
    cita 0

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 58040 119833
    Locuções 8232 17419
    Palavras gráficas 675462 675462
    Palavras simples 538210 538210
    Palavras 604482 675462

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 158814 29,51%
    Verbos V.* 67774 12,59%
    Adjectivos ADJ.* 36669 6,81%
    Pronomes pessoais .*PERS.* 8971 1,67%
    Preposições PRP.* 93431 17,36%
    Conjunções K.* 31871 5,92%
    Advérbios ADV.* 23734 4,41%
    Determinantes .*DET.* 82091 15,25%
    Especificadores .*SPEC.* 5208 0,97%
    Numerais NUM.* 25828 4,80%

    ^Voltar ao início da página

    Corpo C-Oral-Brasil

    O corpo C-ORAL-BRASIL foi criado pelo projeto C-Oral-Brasil, que "se dedica ao estudo da fala espontânea do português brasileiro, através da compilação de um corpus de textos orais produzidos em contexto natural".

    O corpo foi criado simplesmente passando o material distribuído no CD-ROM em formato texto (extensão .txt) pelo conjunto de programas de processamento e anotação sintática e semântica do AC/DC.

    As hesitações e repetições foram (por enquanto) removidas, e as pausas longas foram convertidas em ponto de fim de frase, e as pausas curtas em vírgula. Para tornar o texto mais parecido com as convenções gráficas do português escrito, a primeira letra de cada frase foi passada para maiúscula.

    Corpus CoralBrasil, anotado a 31 de Maio de 2014, v. 3.2

    Estamos gratos a Heliana Mello e Tommaso Raso pela autorização de disponibilização do corpo através do AC/DC, e a toda a equipa do C-ORAL-BRASIL pela compilação do corpo.

    Estrutura do corpo

    O corpo está dividido em arquivos, marcados pelo atributo fich, contendo por sua vez falas, marcadas pelo atributo fala, com informação do nome ou identificação do falante . Além disso, sempre que começa um novo interveniente, está marcado através do atributo estrutural personagem. O corpo está além disso dividido em frases, s, obtidas através das pausas fornecidas pelos compiladores do C-ORAL-BRASIL.

    Dados quantitativos

    Corpo CORALBRASIL Número de formasNúmero de tipos
    Unidades 46451215022
    Total de palavras 26339614866
    Palavras em minúscula 16386010311
    Palavras com inicial maiúscula335733267
    Palavras todas em maiúsculas 16154254
    Números 2803483
    Palavras com números
    Palavras mistas3661141
    Pontuação2940711

    Número de unidades estruturais

    Atributo Número
    p 0
    s 30629
    fala 19399
    personagem 19384
    mwe 3177

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 25663 26401
    Locuções 3177 6691
    Palavras gráficas 263396 263396
    Palavras simples 230304 230304
    Palavras 259144 263396

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 37015 16,07%
    Verbos V.* 47598 20,67%
    Adjectivos ADJ.* 7645 3,32%
    Pronomes pessoais .*PERS.* 11444 4,97%
    Preposições PRP.* 18372 7,98%
    Conjunções K.* 19456 8,45%
    Advérbios ADV.* 24634 10,70%
    Determinantes .*DET.* 26521 11,52%
    Especificadores .*SPEC.* 5759 2,50%
    Numerais NUM.* 5849 2,54%

    ^Voltar ao início da página

    Corpo DiaCLAV

    O corpus DiaCLAV é composto dum total de aproximadamente 6,7 milhões de palavras, retiradas de 12.801 artigos da edições online de diversos jornais diários regionais do centro de Portugal, nomeadamente o Diário de Coimbra, Diário de Leiria, Diário de Aveiro e Viseu Diário. Os artigos correspondem ao período de 13 de Junho de 1999 a 18 de Setembro de 2000, e não representam a totalidade do texto dos jornais nesse período, mas apenas o texto disponibilizado na edição on-line. Os jornais em questão pertencem ao mesmo grupo editorial, o Grupo Editorial Adriano Lucas, pelo que alguns artigos neste corpus contêm textos semelhantes, embora não haja casos de artigos exactamente iguais.

    Corpus DIACLAV, versão texto criada em Abril de 2002, anotado em Abril de 2011, v. 5.4

    Agradecemos à direcção do Grupo Editorial Adriano Lucas a autorização gentilmente concedida para a criação deste corpus.

    Estrutura do corpo

    O corpus contém as etiquetas art (artigo), a (autor), t (titulo), p (parágrafo) e s (frase). Cada parágrafo tem a identificação do jornal e da notícia além do número do parágrafo dentro da notícia. Por exemplo: DA-N0623-1 representa o primeiro parágrafo da notícia N0623 do Diário de Aveiro. O número de identificação da notícia é o o da edição electrónica do jornal.

    O atributo posicional fonte, que pode assumir os valores DA, DC, DL ou VD, indica de qual dos jornais do grupo é originário um determinado texto.

    Dados quantitativos

    Corpo DIACLAV Número de formasNúmero de tipos
    Unidades 7723448110094
    Total de palavras 6551019107961
    Palavras em minúscula 491059458847
    Palavras com inicial maiúscula84704628964
    Palavras todas em maiúsculas 395122141
    Números 587001330
    Palavras com números64521047
    Palavras mistas2331805
    Pontuação3809882132

    Número de unidades estruturais

    Atributo Número
    p 24439
    s 210363
    art 12802
    t 12802
    a 5726
    mwe 129533

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 352227 689552
    Locuções 129533 271993
    Palavras gráficas 6551019 6551019
    Palavras simples 5589474 5589474
    Palavras 6071234 6551019

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 1346249 24,09%
    Verbos V.* 865062 15,48%
    Adjectivos ADJ.* 353060 6,32%
    Pronomes pessoais .*PERS.* 85864 1,54%
    Preposições PRP.* 1144561 20,48%
    Conjunções K.* 284326 5,09%
    Advérbios ADV.* 337300 6,03%
    Determinantes .*DET.* 1179105 21,10%
    Especificadores .*SPEC.* 105583 1,89%
    Numerais NUM.* 127033 2,27%

    ^Voltar ao início da página

    Corpo Diáspora TL-PT

    O corpo Diáspora TL-PT (Diáspora Timor Leste - Portugal) é um corpo de 12 entrevistas semi-guiadas a membros da comunidade timorense em Portugal, perfazendo seis horas de gravação, compiladas e transcritas no âmbito do projeto Patterns of multilingualism among different generations of the East-Timorese diasporic community in Portugal liderado por Susana Afonso e Francesco Goglia da Universidade de Exeter, no Reino Unido, e financiado pela British Academy (Small Grant SG100616). Para mais informação veja-se Afonso & Goglia (2012).

    O corpo Diáspora TL-PT é composto por 12 ficheiros correspondendo cada um a uma entrevista.

    Os entrevistados, membros da comunidade timorense em Portugal, têm diferentes idades e foram escolhidos para, tanto quanto possível, representarem as diferentes vagas de migração para Portugal

    Como citar o corpo Diáspora TL-PT:

    • Goglia, Francesco e Afonso, Susana. 2012. "Multilingualism and Language Maintenance in the East Timorese Diaspora in Portugal". Ellipsis (Journal of the American Portuguese Studies Association), 10: 97-123.
    • Afonso, Susana e Goglia, Francesco. no prelo. "Linguistic innovations in the immigration context as initial stages of a partially restructured variety: evidence from SE constructions in the Portuguese of the East-Timorese diaspora in Portugal". Studies in Hispanic and Lusophone Linguistics.

    Corpus Diáspora TL - PT, anotado em outubro de 2013, criado a 13 de outubro de 2013, v. 1.4

    Susana Afonso e Francesco Goglia agradecem a João Barros e Hercus Pereira pela recolha dos dados e a todos os que aceitaram participar no projecto.

    Estrutura do corpo

    Marcadores posicionais: ent Marcadores estruturais: entrevista, pergunta, resposta, p [parágrafo], s [frase].

    Dados quantitativos

    Corpo DIASPORA Número de formasNúmero de tipos
    Unidades 293653078
    Total de palavras 218553051
    Palavras em minúscula 164772334
    Palavras com inicial maiúscula2295524
    Palavras todas em maiúsculas 2613
    Números 13455
    Palavras com números
    Palavras mistas33
    Pontuação183723

    Número de unidades estruturais

    Atributo Número
    pergunta 245
    s 1036
    v 0
    resposta 213
    entrevista 5
    mwe 347

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 711 908
    Locuções 347 750
    Palavras gráficas 21855 21855
    Palavras simples 20197 20197
    Palavras 21255 21855

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 3424 16,95%
    Verbos V.* 3768 18,66%
    Adjectivos ADJ.* 776 3,84%
    Pronomes pessoais .*PERS.* 727 3,60%
    Preposições PRP.* 2792 13,82%
    Conjunções K.* 1275 6,31%
    Advérbios ADV.* 2445 12,11%
    Determinantes .*DET.* 3023 14,97%
    Especificadores .*SPEC.* 518 2,56%
    Numerais NUM.* 283 1,40%

    ^Voltar ao início da página

    Corpo ECI-EBR

    O corpo ECI-EBR foi criado pela ECI (European Corpus Initiative; Thomson et al. 1994) , baseado no corpo Borba-Ramsey. É uma selecção de excertos de obras brasileiras, contendo pelo menos discurso literário, didáctico e oral cuidado (discursos políticos). O corpo contém pouco mais de 700 mil palavras, e estava codificado em SGML muito leve (além do cabeçalho, apenas continha marcas de parágrafos), cf. a informação da ELSNET.

    Em Outubro de 2009, foi levada a cabo pela Linguateca (Rosário Silva) uma análise do texto todo para distinguir entre diversos excertos diferentes, e indicar e identificar o género de texto a que pertenciam. Da mesma penada, foi associada a informação do assunto ou tema sobre que versavam, no caso de textos escritos não literários.

    Mais especificamente, o corpo foi classificado com categorias (correspondentes ao atributo posicional genero) pertencendo à seguinte grelha:

    Dentro do género jornalismo, incluímos as subdivisões: crónica, cultura, desporto, economia, entretenimento, generalidades, internacional, país, religião, reportagem, saúde, sociedade, título.

    Sempre que não foi possível identificar um género mais específico (por serem plausíveis várias hipóteses), optámos por dar apenas indicação de género informativo associando ao mesmo o tema genérico tratado no excerto. O conjunto de temas identificados foi: agricultura; arqueologia; arte; astronomia; biologia; botânica; ciência; clima; culinária; cultura; desporto; direito; ecologia; economia; edição; educação; enciclopédico; escutismo; estatística; filatelia; filosofia; física; fotografia; geografia; gestão; hidrografia; história; indústria; linguística; magia; maternidade; medicina; música; política; psicologia; religião; saúde; sociologia; turismo; zoologia.

    Por vezes foram atribuídos dois temas, por se considerar ambos igualmente adequados para caracterizar o excerto. Exemplos: economia_sociologia; história_economia; história_religião; religião_magia.

    Nos poucos casos em que não foi possível identificar nem o género nem o tema do excerto, usou-se a marca "indef" (de indefinido).

    O corpo ECI-EBR passou então a partir da sua versão 8.0 a incluir mais um atributo posicional tema, com os valores acima.

    Na tabela seguinte indicamos a distribuição do texto pelos diversos géneros, e no caso de texto informativo, qual o assunto versado:

    GéneroUnidadesTextos
    Literatura 384.961 157
    Informativo 203.436 288
    Jornalismo 89.086 537
    Oral 66.092 29
    Outros 16.419 33
    Indef 16.935 82
    AssuntosUnidadesTextos
    Agricultura 3458 8
    Arqueologia 1681 3
    Arte 4255 4
    Astrologia 1294 1
    Biologia 3662 3
    Botânica 6095 4
    Ciência 7402 9
    Clima 302 1
    Crónica 3761 11
    Culinária 1316 1
    Cultura 5795 44
    Desporto 8227 39
    Direito 1746 4
    Ecologia 326 2
    Economia 18441 60
    Edição 823 1
    Educação 1105 1
    Entretenimento 5084 31
    Entrevista 592 3
    Escutismo 424 1
    Estatística 1253 1
    Filatelia 1113 1
    Filosofia 3470 3
    Física 627 1
    Fotografia 1056 2
    Generalidades 5411 44
    Generealidades 120 1
    Geografia 3721 6
    Geologia 77 1
    Gestão 2247 2
    Hidrografia 1280 1
    História 35242 30
    Indef 484736 1
    Indústria 1375 3
    Internacional 8196 57
    Jornalismo 284 537
    Linguística 8066 11
    Literatura 8234 14
    Maternidade 344 1
    Medicina 16881 18
    Música 1717 3
    Oceanografia 302 1
    País 44860 206
    Política 19780 36
    Psicologia 2412 5
    Religião 21243 32
    Reportagem 1298 3
    Saúde 4615 19
    Sociedade 7399 58
    Sociologia 10432 15
    Título 174 12
    Turismo 188 1
    Zoologia 2987 15

    Corpus ECI-EBR, versão texto de Abril de 2002, anotado a 30 de Junho de 2014, criado a 7 de julho de 2014, v. 10.0

    Agradecemos aos compiladores do corpus por o terem criado e tornado público.

    Estrutura do corpo

    A partir da versão 7.0, existe também a marcação ext para separar diferentes excertos de textos, aos quais foi adicionado informação de género literário (e ou de tema).

    A partir da versão 2.0, introduzimos a anotação marca para sinalizar (conjuntos de) asteriscos que indicam notas de rodapé.

    Marcadores estruturais: s, p, ext e marca.

    Dados quantitativos

    Corpo ECI-EBR Número de formasNúmero de tipos
    Unidades 92245860399
    Total de palavras 72399560204
    Palavras em minúscula 56899642157
    Palavras com inicial maiúscula7342812232
    Palavras todas em maiúsculas 19246
    Números 1994459
    Palavras com números5340
    Palavras mistas193119
    Pontuação52933195

    Número de unidades estruturais

    Atributo Número
    ext 1107
    p 12116
    s 43543
    marca 3
    mwe 15154

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 19410 32991
    Locuções 15154 32557
    Palavras gráficas 723995 723995
    Palavras simples 658447 658447
    Palavras 693011 723995

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 149897 22,77%
    Verbos V.* 114484 17,39%
    Adjectivos ADJ.* 45310 6,88%
    Pronomes pessoais .*PERS.* 25054 3,81%
    Preposições PRP.* 108566 16,49%
    Conjunções K.* 35199 5,35%
    Advérbios ADV.* 46862 7,12%
    Determinantes .*DET.* 125972 19,13%
    Especificadores .*SPEC.* 13685 2,08%
    Numerais NUM.* 9136 1,39%

    ^Voltar ao início da página

    Corpo ECI-EE

    O corpus ECI-EE foi criado pela ECI (European Corpus Initiative, Thomson et al. 1994), e contém o anúncio do programa comunitário ESPRIT . O corpus usa uma codificação SGML leve, com parágrafos e secções/artigos numerados, o que produziu alguns problemas em relação à separação de notas de rodapé (apenas indicadas graficamente por linhas iniciadas por tabuladores, e que tiveram de ser reconstituídas e colocadas após o parágrafo respectivo).

    Pode também consultar a informação da ELSNET.

    Corpus ECI-EE, versão de Abril de 2002, anotado em 8 de Março de 2011, criado a 22 de Junho de 2013, v. 6.6

    Agradecemos aos compiladores do corpus por o terem criado e tornado publico.

    Estrutura do corpo

    Marcadores estruturais: s, p, titulo, nota, marca.

    Alterámos a posição das notas de rodapé, do meio do parágrafo para imediatamente a seguir ao parágrafo onde lhes era feita referência, mas mantivemos a informação dessa mesma posição no atributo marca, com o número igual ao número da nota correspondente.
    <marca num=3> <nota num=3>

    Dados quantitativos

    Corpo ECI-EE Número de formasNúmero de tipos
    Unidades 321344254
    Total de palavras 271304091
    Palavras em minúscula 217443332
    Palavras com inicial maiúscula1786391
    Palavras todas em maiúsculas 19541
    Números 459101
    Palavras com números22
    Palavras mistas1125
    Pontuação1229160

    Número de unidades estruturais

    Atributo Número
    p 340
    s 839
    t 0
    nota 27
    marca 27
    mwe 608

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 641 1008
    Locuções 608 1319
    Palavras gráficas 27130 27130
    Palavras simples 24803 24803
    Palavras 26052 27130

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 6929 27,94%
    Verbos V.* 2920 11,77%
    Adjectivos ADJ.* 2423 9,77%
    Pronomes pessoais .*PERS.* 414 1,67%
    Preposições PRP.* 5285 21,31%
    Conjunções K.* 1327 5,35%
    Advérbios ADV.* 960 3,87%
    Determinantes .*DET.* 4970 20,04%
    Especificadores .*SPEC.* 286 1,15%
    Numerais NUM.* 698 2,81%

    ^Voltar ao início da página

    Corpo ENPCPUB (parte em português)

    O corpus ENPCPUB é um corpus de traduções para português de textos literários em inglês (Johansson et al., 1996, 1999; Oksefjell 1999). Apenas recebemos autorização para dar acesso a uma pequena parte do corpus ENPC, nomeadamente extractos dos textos (identificação do ENPC):
    CódigoAutorObraEditoraAnoTradutor(a)Título original
    JB1PPJulian BarnesAmor & C.aQuetzal Editores, Lisboa1994Helena CardosoTalking It Over.
    BC1Bruce ChatwinUtzQuetzal Editores, Lisboa1991José Luís LunaUtz.
    AH1Arthur HaileyRemédio AmargoDistribuidora Record, Rio de Janeiros/dA.B.P. de Lemos. Strong Medicine.
    JH1Joseph HellerImaginem queDifusão Cultural, Lisboa1991Cristina Rodriguez. Picture This.
    NG1Nadine GordimerA história do meu filhoEditora Siciliano, São Paulo1992Geraldo Galvão FerrazMy Son's Story.

    O corpus ENPCPORT (do qual o ENPCPUB é a parte para cuja disponibilização obtivemos autorização) encontrava-se codificado em SGML, apenas com ligeiras alterações em relação à codificação sugerida pelo TEI (Text Encoding Initiative).

    Cada obra (extracto) encontrava-se em ficheiro separado, com frases e parágrafos identificados e numerados, e anotada a sua correspondência com o texto original (alinhamento).
    Não mantivemos a informação de formatação (por exemplo itálico), de revisão (correcção do revisor) e retirámos as notas (por serem poucas, e todas notas de tradutor e não de autor). No caso das obras não estarem divididas em partes, juntámos uma divisão "parte única".

    Corpus ENPCPUB, versão de 31 de Dezembro de 2001, anotado a 14 de maio de 2014, v. 7.7

    Estamos gratos a Stig Johansson e à equipa do ENPC pela colaboração na criação deste corpus, e aos detentores dos direitos de autor pela autorizações gentilmente cedidas.

    Estrutura do corpo

    Utilizámos como marcadores estruturais texto, parte, capitulo, p e s.
    Não mantivemos a informação de formatação (por exemplo itálico), de revisão (correcção do revisor) e retirámos as notas (por serem poucas, e todas notas de tradutor e não de autor). No caso das obras não estarem divididas em partes, juntámos uma divisão "parte única".
    O corpus inclui os atributos estruturais obra e variante (com os valores PT ou BR).

    Dados quantitativos

    Corpo ENPCPUB Número de formasNúmero de tipos
    Unidades 9316412895
    Total de palavras 7237412874
    Palavras em minúscula 5762110250
    Palavras com inicial maiúscula70771689
    Palavras todas em maiúsculas 4119
    Números 13778
    Palavras com números11
    Palavras mistas1613
    Pontuação536321

    Número de unidades estruturais

    Atributo Número
    p 1682
    s 4369
    texto 5
    parte 8
    capitulo 25
    mwe 1639

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 2542 3305
    Locuções 1639 3567
    Palavras gráficas 72374 72374
    Palavras simples 65502 65502
    Palavras 69683 72374

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 13273 20,26%
    Verbos V.* 12774 19,50%
    Adjectivos ADJ.* 3853 5,88%
    Pronomes pessoais .*PERS.* 3101 4,73%
    Preposições PRP.* 10737 16,39%
    Conjunções K.* 3963 6,05%
    Advérbios ADV.* 5434 8,30%
    Determinantes .*DET.* 12183 18,60%
    Especificadores .*SPEC.* 1562 2,38%
    Numerais NUM.* 775 1,18%

    ^Voltar ao início da página

    Corpo Floresta

    O corpo FLORESTA contém o material anotado criado no âmbito do projecto Floresta Sintá(c)tica , em particular o Bosque, a Floresta Virgem e a Amazónia. Informação detalhada sobre o conteúdo textual encontra-se aqui

    Corpus Floresta, a partir do material da Floresta de Junho de 2010, anotado semanticamente a 22 de Junho de 2013, v. 2.5

    Estrutura do corpo

  • Atributos estruturais:
  • Atributos posicionais:

    Dados quantitativos

    Corpo FLORESTA Número de formasNúmero de tipos
    Unidades 7252530182669
    Total de palavras 6046536179536
    Palavras em minúscula 452998488948
    Palavras com inicial maiúscula73825558232
    Palavras todas em maiúsculas 279753959
    Números 504011606
    Palavras com números3760935
    Palavras mistas58142248
    Pontuação3213013132

    Número de unidades estruturais

    Atributo Número
    ext 24398
    s 326667
    mwe 103159

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 284084 503417
    Locuções 103159 217445
    Palavras gráficas 6046536 6046536
    Palavras simples 5325674 5325674
    Palavras 5712917 6046536

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 1238732 23,26%
    Verbos V.* 846993 15,90%
    Adjectivos ADJ.* 350522 6,58%
    Pronomes pessoais .*PERS.* 117329 2,20%
    Preposições PRP.* 958823 18,00%
    Conjunções K.* 272888 5,12%
    Advérbios ADV.* 325270 6,11%
    Determinantes .*DET.* 1036508 19,46%
    Especificadores .*SPEC.* 106992 2,01%
    Numerais NUM.* 99122 1,86%

    ^Voltar ao início da página

    Corpo FrasesPB

    O corpus FrasesPB é um conjunto de frases em português brasileiro.

    O corpus foi criado em 1999 pelo nosso projecto no SINTEF, de forma a obter um sósia do corpus FrasesPP. Tendo como única compiladora Signe Oksefjell, a recolha de frases foi feita exclusivamente na rede (WWW).

    Corpus FrasesPB, versão texto de 17 de Abril de 2002, anotado a 6 de Março de 2011, criado a 22 de Junho de 2013, v. 5.6

    Estrutura do corpo

    Cada frase, correspondente a uma origem diferente, foi numerada. Para compatibilização com os outros corpora, considerou-se que cada frase correspondia exactamente a um parágrafo. Em dois casos, contudo, o algoritmo separador de frases ainda conseguiu detectar unidades mais pequenas, dando origem pois a dois parágrafos com duas frases cada.

    Marcadores estruturais: s, p.

    Dados quantitativos

    Corpo FRASESPB Número de formasNúmero de tipos
    Unidades 233556020
    Total de palavras 191626008
    Palavras em minúscula 164225265
    Palavras com inicial maiúscula1051526
    Palavras todas em maiúsculas 1414
    Números 4935
    Palavras com números
    Palavras mistas55
    Pontuação73112

    Número de unidades estruturais

    Atributo Número
    p 648
    s 653
    mwe 430

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 251 410
    Locuções 430 923
    Palavras gráficas 19162 19162
    Palavras simples 17829 17829
    Palavras 18510 19162

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 4622 25,92%
    Verbos V.* 2893 16,23%
    Adjectivos ADJ.* 1429 8,02%
    Pronomes pessoais .*PERS.* 358 2,01%
    Preposições PRP.* 3269 18,34%
    Conjunções K.* 1015 5,69%
    Advérbios ADV.* 1051 5,89%
    Determinantes .*DET.* 3639 20,41%
    Especificadores .*SPEC.* 347 1,95%
    Numerais NUM.* 166 0,93%

    ^Voltar ao início da página

    Corpo FrasesPP

    O corpus FrasesPP é um conjunto de frases em português de Portugal, compilado para o teste de uma gramática computacional, desenvolvido no Grupo Científico IBM-INESC (depois Grupo de Linguagem Natural do INESC) de 1990 a 1992. (Santos (ed.) 1992; Medeiros et al. 1993). Encontrava-se em texto simples e em formato LaTeX.

    Corpo FrasesPP, anotado a 8 de Março de 2011, criado a 22 de Junho de 2013, v. 7.6

    Estrutura do corpo

    Cada frase, correspondente a uma origem diferente, foi numerada. Para compatibilização com os outros corpora, considerou-se que cada frase correspondia exactamente a um parágrafo.

    Marcadores estruturais: s, p.

    Os valores da anotação original encontram-se no atributo posicional pos2. Os valores deste atributo (A, N, V, VPP, PF, PONT e CL) foram atribuídos automaticamente e depois revistos manualmente nos casos em que as palavras obtiveram mais do que uma categoria.

    Dados quantitativos

    Corpo FRASESPP Número de formasNúmero de tipos
    Unidades 202185099
    Total de palavras 162365086
    Palavras em minúscula 135024243
    Palavras com inicial maiúscula1088569
    Palavras todas em maiúsculas 96
    Números 9750
    Palavras com números22
    Palavras mistas
    Pontuação74013

    Número de unidades estruturais

    Atributo Número
    p 594
    s 675
    mwe 351

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 262 431
    Locuções 351 759
    Palavras gráficas 16236 16236
    Palavras simples 15046 15046
    Palavras 15659 16236

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 3698 24,58%
    Verbos V.* 2285 15,19%
    Adjectivos ADJ.* 1289 8,57%
    Pronomes pessoais .*PERS.* 408 2,71%
    Preposições PRP.* 2784 18,50%
    Conjunções K.* 823 5,47%
    Advérbios ADV.* 981 6,52%
    Determinantes .*DET.* 3115 20,70%
    Especificadores .*SPEC.* 313 2,08%
    Numerais NUM.* 205 1,36%

    ^Voltar ao início da página

    Corpo Mariano Gago

    O corpus JMG contém artigos e notícias associadas a José Mariano Gago: obituários; testemunhos por ocasião da sua morte a 17 de abril de 2015; textos escritos por ele: discursos, cartas, outros textos; entrevistas; artigos sobre ele e a sua política; depoimentos de homenagem. Todos os textos em questão foram retirados da internete. Veja a página sobre o corpo para mais informação.

    Sobretudo em relação às notícias do óbito, pode haver muito material repetido.

    Corpus JMG, criado em 16 de maio de 2016, v. 3.1

    Agradecemos profundamente ao Professor José Mariano Gago a sua atuação em prol da ciência e da investigação em torno do processamento da língua portuguesa.

    Estrutura do corpo

    O corpus contém as etiquetas texto (documento), t (titulo), p (parágrafo) e s (frase).

    O atributo posicional fonte indica a que texto cada palavra pertence (ver lista das fontes).

    Os valores de classe estão por enquanto marcados da seguinte forma: noticia, se é uma notícia de jornal (ou texto publicado num blogue) após a sua morte; discurso se é um discurso (ou outro texto escrito por Mariano Gago), entrevista se é uma entrevista feita a Mariano Gago. outros marca textos escritos com menção a Mariano Gago antes da sua morte, e vão de críticas a reportagens a simples descrições de acontecimentos. Finalmente, sitiohomenagem contém todos os textos colocado em marianogago.org.

    Prevemos para breve uma classificação mais fina dos textos, assim como alguma limpeza do material.

    Distribuição por tipo de texto

    A sua distribuição, correspondendo à versão 3.0, é a seguinte:

    TipoDescriçãoTamanho
    noticia texto noticioso 142.544
    discurso discursos 11.888
    entrevista entrevistas 30.598
    outros outros 76.908
    sitiohomenagem sítio de homenagem 32.536

    Dado o número considerável de diferentes fontes, colocamos a origem de cada texto em ficheiros separados

    Mais textos (de Mariano Gago) previstos:

    Dados quantitativos

    Corpo JMG Número de formasNúmero de tipos
    Unidades 37931619034
    Total de palavras 27890318917
    Palavras em minúscula 20120012876
    Palavras com inicial maiúscula450773855
    Palavras todas em maiúsculas 2503374
    Números 3599212
    Palavras com números12640
    Palavras mistas13160
    Pontuação1557195

    Número de unidades estruturais

    Atributo Número
    p 7211
    s 12004
    texto 660
    t 572
    mwe 4382

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 21134 39611
    Locuções 4382 9252
    Palavras gráficas 278903 278903
    Palavras simples 230040 230040
    Palavras 255556 278903

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 52832 22,97%
    Verbos V.* 32601 14,17%
    Adjectivos ADJ.* 16452 7,15%
    Pronomes pessoais .*PERS.* 3605 1,57%
    Preposições PRP.* 48701 21,17%
    Conjunções K.* 13809 6,00%
    Advérbios ADV.* 12686 5,51%
    Determinantes .*DET.* 48634 21,14%
    Especificadores .*SPEC.* 5186 2,25%
    Numerais NUM.* 5532 2,40%

    ^Voltar ao início da página

    Corpo Moçambula

    O corpus Moçambula foi criado no âmbito da tese de mestrado de Torun Reite na Universidade de Oslo, Reite (2013), e contém cartas de leitores publicadas em 2012 em vários jornais moçambicanos.

    Os jornais incluídos, e marcados no atributo posicional fonte são: Diário de Moçambique, Jornal A verdade, Notícias, O País e Savana.

    TipoDescriçãoTamanho
    DdM Diário de Moçambique 24.331
    VerdJornal A verdade 11.253
    Not Notícias 15.640
    PaísO País 7.250
    Sav Savana 2.719

    Corpo MOÇAMBULA, versão texto de novembro de 2012, anotado a 22 de junho de 2013 com moçambicanismos, revisto em 19 de outubro de 2013, v. 3.4

    Estrutura do corpo

    Os textos foram transcritos manualmente ou obtidos através do sítio do jornal.

    O corpo está dividido em mensagens/textos separados, marcadas pelo atributo texto, com informação do identificador do mesmo.

    Os textos têm também os marcadores estruturais adicionais p [parágrafo] e s [frase].

    Como atributos posicionais adicionais temos o fonte que indica em que jornal o texto foi publicado.

    Dados quantitativos

    Corpo MOCAMBULA Número de formasNúmero de tipos
    Unidades 7139410701
    Total de palavras 5826410650
    Palavras em minúscula 474228393
    Palavras com inicial maiúscula46281462
    Palavras todas em maiúsculas 15185
    Números 405110
    Palavras com números1614
    Palavras mistas7633
    Pontuação292649

    Número de unidades estruturais

    Atributo Número
    p 118
    s 2223
    texto 93
    mwe 1224

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 1728 2892
    Locuções 1224 2645
    Palavras gráficas 58264 58264
    Palavras simples 52727 52727
    Palavras 55679 58264

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 12343 23,41%
    Verbos V.* 8960 16,99%
    Adjectivos ADJ.* 3359 6,37%
    Pronomes pessoais .*PERS.* 1019 1,93%
    Preposições PRP.* 9580 18,17%
    Conjunções K.* 3154 5,98%
    Advérbios ADV.* 3459 6,56%
    Determinantes .*DET.* 10621 20,14%
    Especificadores .*SPEC.* 1385 2,63%
    Numerais NUM.* 766 1,45%

    ^Voltar ao início da página

    Corpo Museu da Pessoa

    O corpus Museu da Pessoa é um corpus de cento e sete entrevistas transcritas pelo Núcleo Português do Museu da Pessoa (ver Almeida et al. 2000) no âmbito dos seus projectos, mais cento e seis entrevistas transcritas pelo Museu da Pessoa brasileiro. As entrevistas portuguesas sofreram um processo de revisão adicional.

    Em "XML simples", as entrevistas completas do Museu da Pessoa encontram-se aqui num formato com separação de frases e marcação de pergunta e resposta:

    Corpus Museu da Pessoa, versão do texto português de Abril de 2005, versão do texto brasileiro de Dezembro de 2008, anotado em março de 2016, v. 7.1

    Agradecemos ao Núcleo Português do Museu da Pessoa a disponibilização dos textos. Estamos gratos ao Museu da Pessoa brasileiro por disponibilzarem os textos na Internet, e a Lise Bianchini pelo seu tratamento. Agradecemos a Paula Taveira pela revisão (em curso) dos textos portugueses.

    Estrutura do corpo

    Marcadores estruturais: entrevista [entrevista completa], p [parágrafo], s [frase], resposta, pergunta, legenda [legenda de uma fotografia], introd [texto de introdução antes da entrevista]

    Para cada entrevista temos a indicação dos dados possíveis sobre cada entrevistado aqui.

    VarianteTamanho
    BR 1182544
    PT 346241
    SexoTamanho
    F 430.725
    M 1.073.840
    X 24.220

    Dados quantitativos

    Corpo MUSEUDAPESSOA Número de formasNúmero de tipos
    Unidades 200428242663
    Total de palavras 142243442521
    Palavras em minúscula 111559430234
    Palavras com inicial maiúscula1445578309
    Palavras todas em maiúsculas 4559346
    Números 8618347
    Palavras com números10161
    Palavras mistas21599
    Pontuação106351136

    Número de unidades estruturais

    Atributo Número
    mwe 26146
    p 23778
    s 93540
    entrevista 215
    pergunta 10982
    resposta 11321
    legenda 46
    introd 3
    corr 1583

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 39336 60682
    Locuções 26146 55562
    Palavras gráficas 1422434 1422434
    Palavras simples 1306190 1306190
    Palavras 1371672 1422434

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 234681 17,97%
    Verbos V.* 264128 20,22%
    Adjectivos ADJ.* 50497 3,87%
    Pronomes pessoais .*PERS.* 75543 5,78%
    Preposições PRP.* 168142 12,87%
    Conjunções K.* 80713 6,18%
    Advérbios ADV.* 133006 10,18%
    Determinantes .*DET.* 223825 17,14%
    Especificadores .*SPEC.* 40321 3,09%
    Numerais NUM.* 19220 1,47%

    ^Voltar ao início da página

    Corpo Natura/Minho

    O corpus Natura/Minho é um corpus jornalístico contendo texto do jornal regional português Diário do Minho, criado no âmbito do projecto Natura. O corpus (correspondente à versão 3 diariodoMinho.3.cor) contém notícias completas, separadas em edições e marcadas pela data. No texto encontravam-se assinalados, numa codificação de tipo XML, títulos, assinaturas e legendas, além de conter marcação (markup) de parágrafos e de formatação, esta última retirada do corpus final.

    Segundo o projecto Natura, o corpus original é assim descrito:
    Uma série de edições do Diário do Minho. Não aparecem neste corpus os textos de desporto e alguns de publicidade por dificuldades com os formatos. Todos os outros textos aparecem completos. Os artigos aqui apresentados contêm algumas gralhas (correspondem à versão antes da revisão de provas).

    Tentámos retirar artigos que continham apenas publicidade, resolução de palavras cruzadas ou de desafios de futebol, assim como evitar artigos repetidos.

    Corpus Natura/Minho (de 9 de Março de 2001), versão texto criada em Abril de 2002, v. 8.5

    Estamos gratos à direcção do Diário do Minho pela gentil autorização de disponibilização dos tex

    Estrutura do corpo

    A partir da versão 2.0, introduzimos a anotação marca para sinalizar (conjuntos de) asteriscos que indicam notas de rodapé. A partir da versão 3.0, introduzimos a anotação li para assinalar listas.

    Marcadores estruturais: p, s, assinatura, legenda, subtitulo, titulo, art, marca e li.

    Dados quantitativos

    Corpo NATMINHO Número de formasNúmero de tipos
    Unidades 220855769000
    Total de palavras 174863667453
    Palavras em minúscula 128478738992
    Palavras com inicial maiúscula25380617610
    Palavras todas em maiúsculas 125501328
    Números 221841268
    Palavras com números2747354
    Palavras mistas1436439
    Pontuação1196351546

    Número de unidades estruturais

    Atributo Número
    p 57123
    s 69036
    assinatura 539
    legenda 782
    t 7661
    art 5117
    marca 0
    mwe 30536

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 104242 220100
    Locuções 30536 64151
    Palavras gráficas 1748636 1748636
    Palavras simples 1464385 1464385
    Palavras 1599163 1748636

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 374151 25,55%
    Verbos V.* 207519 14,17%
    Adjectivos ADJ.* 100303 6,85%
    Pronomes pessoais .*PERS.* 19892 1,36%
    Preposições PRP.* 313444 21,40%
    Conjunções K.* 73461 5,02%
    Advérbios ADV.* 72008 4,92%
    Determinantes .*DET.* 315085 21,52%
    Especificadores .*SPEC.* 22878 1,56%
    Numerais NUM.* 42092 2,87%

    ^Voltar ao início da página

    Corpo OBras

    O corpo OBras (Obras Brasileiras) é um corpo de textos brasileiros que já alcançaram o domínio público, criado numa colaboração entre a Linguateca, a Universidade de Oslo, a PUC-Rio e Anya Campos, iniciada em julho de 2013. Para mais informações veja-se a página do projeto.

    Corpus OBras, criado e anotado em novembro de 2015, v. 2.8

    Agradecemos a todos os que tornarem este projeto viável, por terem digitalizado e tornado públicas obras de autores brasileiros.

    Estrutura do corpo

    Utilizámos como marcadores estruturais para todas as obras obra (que contém o nome da obra, o tipo de obra e o código do autor), tituloobra (o nome da obra), autor (o autor da obra), capitulo, u (uma unidade de texto: frase, verso, titulo ou indicação de cena, consoante o tipo de obra). As obras em prosa têm os marcadores estruturais adicionais p [parágrafo] e s [frase].

    Além disso, para todas as obras existem os atributos posicionais autor (valores e chave em lista de autores), obra (contendo o seu título), e data (que quando é desconhecida tem o valor "desc").

    Dados quantitativos

    Corpo OBRAS Número de formasNúmero de tipos
    Unidades 158681079283
    Total de palavras 119670978620
    Palavras em minúscula 93891853865
    Palavras com inicial maiúscula924069641
    Palavras todas em maiúsculas 24872
    Números 1521353
    Palavras com números219181
    Palavras mistas24081178
    Pontuação90535112

    Número de unidades estruturais

    Atributo Número
    p 563
    s 67592
    v 0
    obra 35
    capitulo 644
    parte 0
    tit 0
    autor 35
    tituloobra 35
    div 46
    mwe 24032

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 28364 37416
    Locuções 24032 51915
    Palavras gráficas 1196709 1196709
    Palavras simples 1107378 1107378
    Palavras 1159774 1196709

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 237803 21,47%
    Verbos V.* 192612 17,39%
    Adjectivos ADJ.* 79370 7,17%
    Pronomes pessoais .*PERS.* 32730 2,96%
    Preposições PRP.* 173201 15,64%
    Conjunções K.* 61050 5,51%
    Advérbios ADV.* 77597 7,01%
    Determinantes .*DET.* 209283 18,90%
    Especificadores .*SPEC.* 24454 2,21%
    Numerais NUM.* 10747 0,97%

    ^Voltar ao início da página

    Corpo P'lo Norte

    O corpo P'lo norte é constituído por blogues de portugueses sobre a Noruega, compilados manualmente.

    O corpus Plonorte é composto (neste momento) por 38 textos.

    Corpo PLONORTE, anotado a 13 de setembro de 2017, v. 2.0

    Corpo compilado por Ana Rita Ferreira e Diana Santos.

    Estrutura do corpo

    Marcadores posicionais: estatuto [visitante, residente, outro], autor, data, sexo

    Marcadores estruturais: texto [nome do texto], p [parágrafo], s [frase].

    Distribuições

    A sua distribuição, correspondendo à versão 2.0, é a seguinte:

    EstatutoTamanho
    outro 5.363
    residente 17.078
    visitante 21.274
    SexoTamanho
    F 30.369
    M 13.346
    BlogueTamanho
    alesund 698
    analogias 187
    autocarro 463
    barbaros 623
    bergen 218
    bolso 948
    breivik 3.719
    cabonorte 1.652
    chuvabagas 568
    dicas 1.054
    dicastrabalho 1.065
    duas 649
    entrevista 1.652
    exemplar 1.029
    festival 477
    fiordes 783
    fofocas 388
    fondant 370
    gratulerer 1.825
    gravidez 229
    idilico 669
    limpar 834
    mapa 576
    mochila 5.492
    multa 152
    noruega 1.563
    olha 724
    passeando 3.069
    Paulo 144
    pipocas 119
    princesas 3.337
    sardinha 915
    svalbard 604
    teambuilding 107
    trondheim 970
    trondheim2 2.331
    tubarao 1.470
    viajarcriancas 2.042

    Distribuição por fonte

    fofocasM23.01.07residentehttp://umportuguesnanoruega.blogspot.no/2007/01/dia-19.html
    fondantF10.02.10residentehttp://webcache.googleusercontent.com/search?q=cache:YAlq1opGVbIJ:eduarda-na-noruega.blogspot.com/&num=1&client=firefox-b-ab&hl=pt-PT&gl=pt&strip=1&vwsrc=0
    multaM14.07.10residentehttp://tugananoruega.blogspot.no/2010/07/multa.html
    dicastrabalhoM16.06.08residentehttp://portugalilainen.blogspot.pt/2008/06/trabalhar-na-noruega-dicas.html
    festivalF14.05.17residentehttp://quiosquedajoana.blogs.sapo.pt/da-noruega-para-portugal-com-amor-112310
    entrevistaF27.02.16residentehttps://halfway2happiness.wordpress.com/2016/02/27/portugal-no-globo-noruega/
    sardinhaF08.03.17residentehttps://umasardinhananoruega.wordpress.com/2017/03/08/nas-minhas-34-voltas-ao-sol/
    PauloM18.05.07residentehttp://terrasgelidasdonorte.blogspot.no/2007/05/17-de-maio-17-mai.html
    princesasF11.10.10residentehttp://in-bergen.blogspot.no/2010/10/princesses-in-bergen.html
    trondheim2F26.05.17residentehttp://www.almadeviajante.com/viver-em-trondheim-carla-carvalho/
    trondheimF08.09.12residentehttp://p3.publico.pt/node/4497
    viajarcriancasF27.05.14residentehttp://pikitim.com/trondheim-com-criancas-dicas-de-alice-pinto/
    gravidezF13.01.12residentehttp://demaeparamae.pt/forum/gravidez-noruega
    mochilaF18.03.14visitantehttps://viajardemochilaascostas.blogspot.pt/2014/03/noruega.html
    svalbardF09.04.15visitantehttp://viajarentreviagens.blogspot.pt/2015/04/o-apelo-do-arctico-correndo-de-trenos.html
    fiordesF12.03.10visitantehttp://viajante-do-mundo.blogspot.pt/2010/03/fiordes-da-noruega.html
    dicasM29.06.15visitantehttp://www.viagensasolta.com/2015/06/dicas-para-viajar-na-terra-dos-fiordes.html
    cabonorteM06.09.10visitantehttp://cabonorte2010.blogspot.no/2010/09/bodon-mo-i-ranan-319kms.html
    idilicoF26.07.08visitantehttps://asvoltasdovento.blogspot.no/2008/07/noruega-um-pas-idlico.html
    passeandoF10.03.11visitantehttp://passeando-pela-europa.blogspot.pt/2011/03/noruega.html
    exemplarM24.07.11visitantehttp://retalhos-de-sintra.blogspot.pt/2011/07/noruega-um-pais-exemplar-2.html
    bergenM26.10.15visitantehttp://soentrenos.blogs.sapo.pt/bergen-noruega-195633
    barbarosF05.03.06outrohttp://apoliticadospoliticos.blogs.sapo.pt/29323.html
    limparF22.11.09outrohttp://jugular.blogs.sapo.pt/1331558.html
    mapaM01.04.14visitantehttps://demapanamao.wordpress.com/noruega/
    gratulererF21.05.14visitantehttps://cartografiapessoal.wordpress.com/2014/05/21/gratulerer-med-dagen-norge/
    bolsoF16.08.16visitantehttps://alguresnomundo.wordpress.com/2016/08/16/foram-me-ao-bolso-e-eu-gostei-noruega/
    alesundF07.04.14visitantehttps://solnaeiraechuvanonabal.wordpress.com/2017/04/07/alesund-pequena-perola-nos-fjords-da-noruega/
    autocarroF25.04.17visitantehttps://solnaeiraechuvanonabal.wordpress.com/2017/04/25/fjords-da-noruega/#more-1423
    breivikM29.07.11outrohttp://5dias.net/2011/07/29/a-noruega-nao-e-um-exemplo-de-tolerancia-de-democracia-e-de-respeito-pelos-direitos-humanos/
    noruegaM12.09.16residentehttp://www.coquetteaportuguesa.com/2016/09/noruega.html
    tubaraoF04.08.11visitantehttps://cartografiapessoal.wordpress.com/2011/08/04/na-boca-do-tubarao/
    teambuildingM25.11.13residentehttp://aminhavidananoruega.blogspot.no/2013/11/sobre-o-team-building.html
    pipocasM05.02.15residentehttp://aminhavidananoruega.blogspot.no/2015/02/como-pipocas.html
    analogiasM28.10.11outrohttp://irparaanoruega.blogspot.no/2011/10/guerra-fria-e-guerra-quente.html
    chuvabagasF17.07.16residentehttp://goingnorthtilnorway.blogspot.no/2016/07/chuvabagas-e-futebol-como-passar-um-dia.html
    duasM09.10.14residentehttp://duas-ou-tres.blogspot.no/2014/10/portugal-na-noruega.html
    olhaM03.10.16visitantehttp://olhaqueresfalarsobreisso.blogspot.no/2016/10/um-portugues-pela-noruega.html

    Dados quantitativos

    Corpo PLONORTE Número de formasNúmero de tipos
    Unidades 537018204
    Total de palavras 409098140
    Palavras em minúscula 322526046
    Palavras com inicial maiúscula42691419
    Palavras todas em maiúsculas 7244
    Números 466156
    Palavras com números4633
    Palavras mistas6834
    Pontuação280658

    Número de unidades estruturais

    Atributo Número
    p 1108
    s 2366
    texto 38
    mwe 925

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 1813 2341
    Locuções 925 1962
    Palavras gráficas 40909 40909
    Palavras simples 36606 36606
    Palavras 39344 40909

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 8581 23,44%
    Verbos V.* 6036 16,49%
    Adjectivos ADJ.* 2510 6,86%
    Pronomes pessoais .*PERS.* 838 2,29%
    Preposições PRP.* 6762 18,47%
    Conjunções K.* 2095 5,72%
    Advérbios ADV.* 2779 7,59%
    Determinantes .*DET.* 7196 19,66%
    Especificadores .*SPEC.* 831 2,27%
    Numerais NUM.* 822 2,25%

    ^Voltar ao início da página

    Corpo Português Falado - Documentos Autênticos

    O corpus PortFalDA é um corpo de entrevistas transcritas proveniente dos quatro CD-ROM Português Falado: Documentos Autênticos (Gravações audio com transcrição alinhada), produzidos pelo Centro de Linguística da Universidade de Lisboa (CLUL) e pelo Instituto Camões em 1995-1997. Este material foi coletado maioritariamente no âmbito do projeto Português Falado, Variedades Geográficas e Sociais, levado a cabo pelo CLUL em parceria com as universidades francesas de Toulouse-le-Mirail e de Provence-Aix-Marseille. Para mais informação sobre este corpo, veja-se Bacelar do Nascimento (2001a) (em inglês) e Bacelar do Nascimento (2001b) (em francês).

    O corpus PortFalDA é composto (neste momento) por 50 textos, de Portugal e do Brasil.

    Como citar o (conteúdo do) corpus PortFALDA:

    Português Falado: Documentos Autênticos (Gravações audio com transcriçao alinhada), conjunto de quatro CD-ROM, produzido pelo Centro de Linguística da Universidade de Lisboa (CLUL), Instituto Camões, com apoio da União Europeia (Programas LINGUA e SOCRATES/LINGUA) numa parceria entre o CLUL, a Universidade de Toulouse-le-Mirail e a Universidade de Aix-en-Provence.

    Corpo PORTFALDA, texto original dos CD-ROM, anotado a 18 de janeiro de 2016, v. 1.0

    Agradecemos a (ainda em aberto) para incluir no AC/DC.

    Estrutura do corpo

    Marcadores posicionais: variante

    Marcadores estruturais: texto [nome do texto], pergunta, resposta, p [parágrafo], s [frase].

    Distribuição por variante

    A sua distribuição, correspondendo à versão 1.0, é a seguinte:

    Dados quantitativos

    Corpo PORTFALDA Número de formasNúmero de tipos
    Unidades 1022226194
    Total de palavras 633526185
    Palavras em minúscula 506325510
    Palavras com inicial maiúscula765338
    Palavras todas em maiúsculas 1810
    Números 11
    Palavras com números
    Palavras mistas94
    Pontuação57079

    Número de unidades estruturais

    Atributo Número
    p 2142
    s 4683
    texto 50
    pergunta 993
    resposta 1149
    mwe 1179

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 595 809
    Locuções 1179 2536
    Palavras gráficas 63352 63352
    Palavras simples 60007 60007
    Palavras 61781 63352

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 8611 14,35%
    Verbos V.* 11667 19,44%
    Adjectivos ADJ.* 2047 3,41%
    Pronomes pessoais .*PERS.* 2865 4,77%
    Preposições PRP.* 6122 10,20%
    Conjunções K.* 3664 6,11%
    Advérbios ADV.* 7144 11,91%
    Determinantes .*DET.* 7917 13,19%
    Especificadores .*SPEC.* 1742 2,90%
    Numerais NUM.* 1091 1,82%

    ^Voltar ao início da página

    Corpo ReLi

    O corpus ReLi é um corpo de 1601 resenhas de treze livros (de sete autores diferentes), compiladas de um sítio brasileiro de resenhas de livros, pela PUC-Rio, e acessível daqui. Essas resenhas foram anotadas em relação à opinião, ao objeto da opinião, e à sua polaridade, veja-se Freitas et al. (2012).

    O corpus ReLi é composto de 7 arquivos, com as resenhas das obras de cada autor. Foram manualmente marcadas as seguintes informações:

    object - indica segmento alvo de opinião. É designado por OBJXX, onde XX é o identificador do objeto no escopo da resenha, sendo 00 o objeto implícito livro

    opinion - indica segmento que expressa opinião sobre um OBJXX. Tem a forma opXXS, onde S={-,+} para indicar a polaridade da opinião e XX é o ponteiro para o objeto

    polarity - indica frase com opinião. Pode assumir os valores + e -.

    Como citar o corpus ReLi: Freitas, C.; Motta, E.; Milidiú, R.; Cesar, J. Vampiro que brilha... rá! Desafios na anotação de opinião em um corpus de resenhas de livros. In: XI Encontro de Linguística de Corpus (ELC 2012), São Paulo, Brasil, 2012.

    Corpus ReLi, versão do texto de Maio de 2013, anotado em novembro de 2015, v. 4.2

    Agradecemos a Cláudia Freitas, Eduardo Motta, Ruy Milidiú e Juliana Cesar a autorização para incluir no AC/DC.

    Estrutura do corpo

    Marcadores posicionais: objeto, opiniao, polaridade Marcadores estruturais: livro [nome do livro resenhado], resenha, p [parágrafo], s [frase].

    Distribuição por livro e autor

    Dados quantitativos

    Corpo RELI Número de formasNúmero de tipos
    Unidades 19676814272
    Total de palavras 15106214235
    Palavras em minúscula 10807011439
    Palavras com inicial maiúscula121372053
    Palavras todas em maiúsculas 9961
    Números 495100
    Palavras com números3819
    Palavras mistas96688
    Pontuação997632

    Número de unidades estruturais

    Atributo Número
    mwe 3244
    p 4082
    t 771
    s 9089
    livro 0
    rev 1

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 7282 6811
    Locuções 3244 6944
    Palavras gráficas 151062 151062
    Palavras simples 137307 137307
    Palavras 147833 151062

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 28274 20,59%
    Verbos V.* 25667 18,69%
    Adjectivos ADJ.* 10133 7,38%
    Pronomes pessoais .*PERS.* 4982 3,63%
    Preposições PRP.* 20640 15,03%
    Conjunções K.* 8351 6,08%
    Advérbios ADV.* 11013 8,02%
    Determinantes .*DET.* 26333 19,18%
    Especificadores .*SPEC.* 4197 3,06%
    Numerais NUM.* 1457 1,06%

    ^Voltar ao início da página

    Corpo NILC/São Carlos

    O corpus NILC/São Carlos do Núcleo Interinstitucional de Lingüística Computacional, sediado no Instituto de Ciências Matemáticas e de Computação da Universidade de São Paulo em São Carlos, contém textos brasileiros do registo jornalístico, didáctico, epistolar e redacções de alunos (Nunes et al., 1996a, 1996b). Para um descrição mais abrangente, veja-se a página de descrição do corpus NILC e sua descendência.

    Encontrava-se em vários ficheiros em formato de texto, numa estrutura de directorias indicando a fonte.

    Versão 2.0 do corpus sem Folha, incluindo o CETENFolha 1.0 (antes de baralhar) de 4 de Setembro de 2002 e o Folhazinha-2.1 de 27 de Abril de 2002; anotado em 22 de Junho de 2013, v. 11.4

    Estamos gratos à Folha de São Paulo pela autorização gentilmente concedida para uso dos seus textos.
    Estamos gratos ao Núcleo Interinstitucional de Lingüística Computacional, em especial a Graça Nunes, por nos ter disponibilizado o texto do corpus em formato electrónico, autorizado a sua disponibilização através do projecto AC/DC e negociado com a Folha de São Paulo a autorização anteriormente mencionada.

    Estrutura do corpo

    Marcadores estruturais: s, p, texto, t (anteriormente à versão 4.0, estava marcado como titulo), subtitulo, assinatura,
    Para os textos da folha de São Paulo, a (autor), artigo, caixa, situacao, li (elemento de lista).

    As primeiras linhas de cada ficheiro foram classificadas como títulos (t). Como subtítulos foram identificadas linhas sem pontuação final todas em maiúsculas. No caso das cartas comerciais, também a assinatura da carta foi marcada separadamente.

    Cada texto tem como identificação o nome do ficheiro de que provém, o que dá alguma indicação sobre o tipo de texto. Prevê-se para breve uma reorganização desses identificadores segundo os novos critérios em desenvolvimento pelos compiladores do corpus.

    A nova versão foi criada após a detecção de alguns textos repetidos. Possíveis alterações em relação ao conteúdo dos textos que constituem o corpus são previsíveis.

    O atributo classe, correspondendo ao tipo de texto, foi adicionado na versão 3.0. A sua distribuição, correspondendo à versão 11.7, é a seguinte:

    TipoDescriçãoTamanho
    DI texto didáctico 426.766
    ENC enciclopédia 286.559
    ENS ensaio 2.193.807
    EP texto epistolar 3.350
    JO.* jornalístico 29.821.128
    JOCF jornalístico só CETENFolha 27.741.996
    JO jornalístico sem CETENFolha 2.079.132
    LE texto legal 1.111.864
    LI literário 921.361
    RE revista 153.786

    O tamanho, na tabela anterior, é medido pelo número de unidades do corpus com a classificação indicada.

    A partir da versão 5.0, a parte do Folha de São Paulo (correspondente ao CETENFolha, de texto de 1994, e a algumas edições de 1996) está dividida em extractos identificados pela secção, semestre, número de extracto, e número de parágrafo no CETENFolha, por exemplo: Cotidiano-94a-61755-2 .

    A partir da versão 7.1, é possível seleccionar apenas o CETENFolha, no corpus SAOCARLOS, usando para isso a restrição [classe="JOCF"]. Dois exemplos (usando a restrição de forma diferente):

    Dados quantitativos

    Corpo SAOCARLOS Número de formasNúmero de tipos
    Unidades 42914896420723
    Total de palavras 32461799399763
    Palavras em minúscula 22979887157037
    Palavras com inicial maiúscula4793842129622
    Palavras todas em maiúsculas 30713010458
    Números 5475473384
    Palavras com números445734818
    Palavras mistas904545318
    Pontuação245680620885

    Número de unidades estruturais

    Atributo Número
    mwe 502759
    p 825922
    s 1977211
    texto 349622
    subtitulo 3767
    assinatura 13
    artigo 0
    caixa 20722
    situacao 5031
    t 161179
    a 80375
    li 62279

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 323412 3540365
    Locuções 502759 1065298
    Palavras gráficas 32461799 32461799
    Palavras simples 27856136 27856136
    Palavras 28682307 32461799

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 7113650 25,54%
    Verbos V.* 4298530 15,43%
    Adjectivos ADJ.* 1842594 6,61%
    Pronomes pessoais .*PERS.* 469797 1,69%
    Preposições PRP.* 5298623 19,02%
    Conjunções K.* 1264416 4,54%
    Advérbios ADV.* 1455573 5,23%
    Determinantes .*DET.* 5520746 19,82%
    Especificadores .*SPEC.* 409265 1,47%
    Numerais NUM.* 949774 3,41%

    ^Voltar ao início da página

    Corpo todos juntos

    O corpo TODOS foi criado pela Linguateca de forma a permitir que todos os corpos da Linguateca pudessem ser interrogados duma só vez, evitando ao mesmo tempo que sobreposições de material produzissem repetição escusada e enganadora de concordâncias ou frequências.

    É, portanto, especialmente apropriado para investigações relacionadas com género textual ou com anotação semântica.

    Porque é automaticamente produzido a partir de todos os outros corpos do AC/DC, contém apenas os atributos estruturais e posicionais que pertençam à interseção de todos os corpos, além dos atributos variante e corpo. Além disso, chamamos a atenção para o facto de poder estar pontualmente desatualizado em relação a versões modernas de corpos individuais.

    No caso da sobreposição entre o corpo NILC/São Carlos e o CHAVE, e do corpo CETEMPúblico e o CHAVE, foi escolhido o material do CHAVE.

    O corpo contém cerca de 1300 milhões de palavras, distribuídas entre vários géneros e temas, correspondendo ao conteúdo de todos os corpos presentes no AC/DC.

    GéneroUnidades
    academico 557.263.696
    blog 4.277.235
    cartas 64.543
    encic 45.514.069
    ensaio 2.223.119
    jorn 521.397.517
    legal 13.951.807
    lit 26.131.872
    littrad 77.737
    mail 2.112.389
    misto 5.778.313
    oraldebate 37.099
    oralent 5.554.325
    oralfut 86.130
    oralinf 292.748
    oralmono 78.510.505
    recensoes 247.229
    religioso 1.785.815
    revistas 647.666
    teatro 1.005.896
    tecnico 95.947.760

    Corpus todos, criado a 28 de abril de 2017, v. 5.0

    Agradecemos aos compiladores de todos os corpos incluídos por os terem criado e (deixado) tornar públicos.

    Estrutura do corpo

    Os marcadores estruturais são: s, p, e, dependendo dos corpos envolvidos, também ext, texto, entrevista, TEXTO, etc.

    Dados quantitativos

    Corpo TODOS Número de formasNúmero de tipos
    Unidades 15481108926310205
    Total de palavras 12810955235763208
    Palavras em minúscula 8986897311517507
    Palavras com inicial maiúscula1766938051306704
    Palavras todas em maiúsculas 14046310310700
    Números 25203711107245
    Palavras com números2892434468267
    Palavras mistas3344729265045
    Pontuação85585490520952

    Número de unidades estruturais

    Atributo Número
    TEXTO 0
    CATEGORY 210534
    0
    art 26445
    assinatura 1991
    assunto 3867
    autor 69986
    caixa 315
    capitulo 33
    cita 72
    div 2881
    entrevista 220
    ext 1073536
    fala 43368
    introd 4
    legenda 829
    li 131228
    marca 11273
    mens 3931
    mwe 20030228
    nota 2042
    obra 391
    p 5533141
    parte 12842
    pergunta 12253
    personagem 45958
    resposta 12718
    s 55844625
    situacao 561
    subtitulo 3767
    t 1139894
    texto 6786
    titulo 2078
    tituloobra 389
    u 733341
    v 240207
    a 179710
    data 210787
    indic 2365

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 85925134 149167127
    Locuções 20030228 42336643
    Palavras gráficas 1281095523 1281095523
    Palavras simples 1089591753 1089591753
    Palavras 1195547115 1281095523

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 285398519 26,19%
    Verbos V.* 145004335 13,31%
    Adjectivos ADJ.* 80027932 7,34%
    Pronomes pessoais .*PERS.* 14236375 1,31%
    Preposições PRP.* 207297348 19,03%
    Conjunções K.* 51906112 4,76%
    Advérbios ADV.* 48841390 4,48%
    Determinantes .*DET.* 190269343 17,46%
    Especificadores .*SPEC.* 15881807 1,46%
    Numerais NUM.* 42297468 3,88%

    ^Voltar ao início da página

    Corpo Tycho Brahe

    O Corpus Histórico do Português Tycho Brahe é um corpo eletrônico anotado, composto de textos em português escritos por autores nascidos entre 1380 e 1845, compilado pela Universidade de Campinas (UniCamp). A sua página principal é http://www.tycho.iel.unicamp.br/corpus/index.html, onde todas as informações estão disponíveis.

    Corpo Tycho Brahe, versão do texto simples de abril de 2014, criado a 7 de julho de 2014, versão 1.4

    Agradecemos a Charlotte Galves a gentil autorização para disponibilizar o corpo Tycho Brahe através do AC/DC.

    Estrutura do corpo

    Utilizámos como marcadores estruturais para todas as obras obra (com o identificador original), tituloobra, (o nome da obra), autor (o autor da obra), data (data de nascimento do autor), genero (o gênero de obra segundo os critérios do Tycho Brahe), grafia (preservada ou editada) e a variante (PT ou BR conforme publicado em Portugal ou Brasil). Também se encontram marcados, nas obras em que são relevantes, partes como assinatura, saudacao e data, além dos marcadores estruturais comuns a todo o projeto AC/DC t (indicando título) e s [frase].

    Além disso, para todas as obras existem os atributos posicionais autor (valores e chave em lista de autores), obra (contendo o seu título), classe (o gênero de obra segundo os critérios do Tycho Brahe), grafia (preservada ou editada), seculo (de nascimento do autor) e a variante (PT ou BR conforme publicado em Portugal ou Brasil).

    Dados quantitativos

    Corpo TYCHO Número de formasNúmero de tipos
    Unidades 2792351116904
    Total de palavras 2391744116577
    Palavras em minúscula 186271276387
    Palavras com inicial maiúscula24312922405
    Palavras todas em maiúsculas 3242464
    Números 90441129
    Palavras com números9761
    Palavras mistas30621296
    Pontuação109221235

    Número de unidades estruturais

    Atributo Número
    s 76052
    obra 51
    t 2427
    autor 51
    tituloobra 51
    data 0
    variante 51
    genero 51
    grafia 51
    div 1066
    assinatura 1149
    saudacao 516
    mwe 41923

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 111686 172627
    Locuções 41923 87950
    Palavras gráficas 2391744 2391744
    Palavras simples 2131167 2131167
    Palavras 2284776 2391744

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 424323 19,91%
    Verbos V.* 364980 17,13%
    Adjectivos ADJ.* 114991 5,40%
    Pronomes pessoais .*PERS.* 88271 4,14%
    Preposições PRP.* 330494 15,51%
    Conjunções K.* 164938 7,74%
    Advérbios ADV.* 140795 6,61%
    Determinantes .*DET.* 319557 14,99%
    Especificadores .*SPEC.* 67223 3,15%
    Numerais NUM.* 26871 1,26%

    ^Voltar ao início da página

    Corpo Vercial

    O corpo Vercial contém 309 obras literárias de 55 autores portugueses, digitalizadas pelo projecto Vercial, cujas datas de publicação variam desde 1500 (Carta a El-rei Dom Manuel Sobre o Achamento do Brasil, de Pero Vaz de Caminha) a 1933 (Memórias III, de Raul Brandão).

    Corpus Vercial, criado a 21 de Dezembro de 2011, anotado em 12 de maio de 2016, v. 7.0

    Agradecemos à equipa do projecto Vercial, especialmente a José Leon Machado, que gentilmente nos cederam os textos para este corpus.

    Estrutura do corpo

    Utilizámos como marcadores estruturais para todas as obras obra (que contém o nome da obra, o tipo de obra e o código do autor), tituloobra (o nome da obra), autor (o autor da obra), capitulo, u (uma unidade de texto: frase, verso, titulo ou indicação de cena, consoante o tipo de obra).

    As 187 obras em prosa têm os marcadores estruturais adicionais p [parágrafo] e s [frase].

    As 80 obras de poesia têm os seguintes marcadores estruturais adicionais: div [parte de um poema, assinalada graficamente por números romanos] e v [verso].

    As 43 obras de teatro têm os seguintes marcadores estruturais adicionais: fala [juntando a fala de uma personagem] e s [frase].

    Além disso, para todas as obras existem os atributos posicionais autor (valores e chave em lista de autores), obra (contendo o seu título), classe (que pode ser Poesia, Prosa ou Teatro), e data (que quando é desconhecida tem o valor "desc").

    As obras presentes e respectivos autores são as seguintes:

    Dados quantitativos

    Corpo VERCIAL Número de formasNúmero de tipos
    Unidades 22306684351005
    Total de palavras 14652346339418
    Palavras em minúscula 11076460181507
    Palavras com inicial maiúscula150909970603
    Palavras todas em maiúsculas 307221802
    Números 420671929
    Palavras com números369311
    Palavras mistas292267335
    Pontuação11589982709

    Número de unidades estruturais

    Atributo Número
    p 137314
    s 893279
    v 240248
    obra 300
    capitulo 0
    titulo 0
    u 713998
    fala 23969
    autor 300
    tituloobra 300
    div 1753
    mwe 223224

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 547695 1627
    Locuções 223224 474095
    Palavras gráficas 14652346 14652346
    Palavras simples 14176624 14176624
    Palavras 14947543 14652346

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 2665498 18,80%
    Verbos V.* 2128688 15,02%
    Adjectivos ADJ.* 847995 5,98%
    Pronomes pessoais .*PERS.* 633517 4,47%
    Preposições PRP.* 1933461 13,64%
    Conjunções K.* 729657 5,15%
    Advérbios ADV.* 815057 5,75%
    Determinantes .*DET.* 2381321 16,80%
    Especificadores .*SPEC.* 319475 2,25%
    Numerais NUM.* 132855 0,94%

    ^Voltar ao início da página

    [ Acesso | Anotação | Atomização | Exemplos | Agradecimentos ]


    Última actualização: 03 de Agosto de 2016
    Perguntas, comentários e sugestões