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 IMS-CWB. Sem que estas opções sejam explicitadas, não é possível compreender os resultados quantitativos ou comparar com vários 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
Contabilização básica dos corpos
Frequência de formas e lemas por categoria gramatical nos corpos
Contabilização detalhada por corpo

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 Selecção 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

CDHAREM As colecções douradas usadas no HAREM
CETEMPúblico CETEMPúblico (Corpo de Extractos de Textos Electrónicos MCT/Público)
CETEMPúblico (primeiro milhão) Primeiro milhão de palavras do CETEMPúblico, revisto pela equipa do projecto Floresta sintá(c)tica.

CHAVE Corpo de texto jornalístico usado no CLEF
ClassLPPE Corpo Clássicos da Literatura Portuguesa da Porto Editora

CONDIVport Parte do corpo CONDIVport, contendo textos de jornais desportivos de Portugal e do Brasil
CoNE Corpo 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)

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 disponível da parte portuguesa (traduções para português de originais em inglês) do English-Norwegian Parallel Corpus (ENPC)

FrasesPP Corpo FrasesPP, desenvolvido no INESC
FrasesPB Corpo FrasesPB, criado no âmbito do Projecto Processamento Computacional do Português

Museu da Pessoa Corpo de 109 entrevistas realizadas pelo Museu da Pessoa

Natura/Minho Corpo jornalístico Natura/Diário do Minho

Natura/Público Corpo jornalístico Natura/Público

NILC/São Carlos Corpo NILC/São Carlos (parte corrigida), contendo texto jornalístico, didáctico e epistolar.

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 actualizada 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-NILC 4.965 4.904 98.786 17.153 127.832
ANCIB 80.992 57.601 1.258.764 73.686 1.690.376
Avante! 204.414 104.787 6.501.257 119.787 7.766.418
CD HAREM 8.185 5.059 147.077 21.941 222.407
CETEMPúblico 7.665.410 3.197.089 189.575.095 885.616 232.543.379
CETEMPúblico (primeiro milhão) 38.251 13.345 912.294 68.138 1.202.938
CHAVE 4.740.448 2.269.734 99.478.954 698.031 123.868.725
Clássicos LP/Porto Editora 74.690 36.236 1.304.282 69.863 1.922.601
CONDIVport 328.214 157.002 5.577.632 150.098 7.088.775
CoNE 31.561 19.415 685.225 41.045 925.230
DiaCLAV 232.152 44.133 6.651.549 107.933 7.758.467
ECI-EBR 44.381 12.117 724.015 60.198 917.127
ECI-EE 839 340 27.140 4.096 32.034
ENPCPUB (parte portuguesa) 4.371 1.690 72.389 12.876 92.693
FrasesPB 653 648 19.162 6.008 23.313
FrasesPP 594 594 16.233 5.085 20.049
Museu da Pessoa 27.288 16.858 375.158 21.498 517.747
Natura/Minho 68.910 56.927 1.749.083 67.454 2.156.187
Natura/Público 225.752 79.449 6.274.542 168.784 7.369.349
NILC/São Carlos 1.963.795 1.128.176 32.342.456 397.552 42.608.038
Vercial 596.869 80.435 14.315.992 328.281 18.854.273
Total 16.342.734 7.286.539 368.107.085 3.325.123 457.707.958

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

as listas de frequências reflectem a análise sintáctica automática do PALAVRAS, e portanto podem conter incorrecções
no caso das palavras gramaticais (na categoria GRAM), mantivemos a classificação gramatical (POS) de forma a poder distinguir os vários casos
no caso das expressões com mais de ume palavra (marcadas como MWE), e que são sobretudo GRAM e ADV, cada palavra aparece separadamente na lista de formas, donde é mais adequada a consulta dos lemas, onde aparecem ligadas pelo caracter "=". Por exemplo, "é=que" é analisado como ADV pelo PALAVRAS, donde "é" e "que" aparecem listados como ADV na lista das formas de ADV.
no caso dos verbos com clíticos ou das contracções,
- estes aparecem nas listas de frequências como formas diferentes, por exemplo "abracei-o", e "do"
- mas os lemas são separados: ou seja, o seu lema, que é o lema do verbo separado por "+" e seguido do lema do pronome clítico correspondente, por exemplo "abraçar+ele", "abraçar+ela", "abraçar+se") para o efeito das contagens conta como lema do verbo "abraçar" e para o lema do clítico "ele"
a frequência dos lemas dos nomes próprios é normalizada através do número de palavras que os constituem
chamamos a atenção para que muitas palavras passíveis de ser consideradas como adjectivos, como por exemplo "aberto", "escondido", etc. não se encontram categorizadas como tal, mas sim como formas do particípio passado dos verbos "abrir" e "esconder". Está é uma opção linguística subjacente ao PALAVRAS, que é importante documentar.

Corpus Formas
N ADJ ADV V NUM GRAM todos
AmostRA 6456 2902 453 6517 345 561 17185
ANCIB 25198 9729 1083 20181 6042 1322 76627
Avante! 33684 22521 2201 57766 5542 1314 121348
CDHAREM 7767 3185 569 7404 768 649 22182
CETEMPúblico 210523 110140 6929 303721 55449 74252 951061
CETEMPúblico (primeiro milhão) 19544 9763 1135 24893 2439 900 66928
CHAVE 171685 95315 5774 223594 88180 3896 722152
Clássicos da Literatura Portuguesa/Porto Editora 19528 11874 1450 44219 268 1097 69898
ConDIVport 44089 29015 2566 65659 6339 1805 152220
ConE 16273 5412 654 9774 4304 860 43932
DiaCLAV 34454 19950 1576 49367 5849 1217 110049
ECI-EBR 20020 11241 1249 27652 849 961 60391
ECI-EE 1370 903 230 1393 237 327 4254
ENPC (parte pública) 4396 2061 487 5560 134 528 12895
FrasesPB 2575 991 237 1878 67 356 6018
FrasesPP 2050 922 230 1553 80 355 5099
Museu da Pessoa 7715 2815 505 10890 396 739 21543
Natura/Minho 21344 11670 1157 25863 4311 955 68957
Natura/Público 51519 27103 2063 60704 9455 1383 170762
NILC/São Carlos 107300 58034 3751 131770 60056 2485 418521
Vercial 137335 52581 4144 199036 3973 2488 374068
431603 177245 10054 594660 138747 77688 1522327

Corpus Lemas
N ADJ ADV V NUM GRAM PROP todos todos/pos
AmostRA 5052 1903 329 1898 317 145 1421 10926 11065
ANCIB 17661 4726 766 3862 5945 333 37540 70189 70832
Avante! 20198 9096 1697 5586 5945 297 48072 90086 90891
CDHAREM 5482 1976 391 1756 750 171 3844 14147 14370
CETEMPúblico 151898 48104 5230 28509 57173 1722 1066455 1335027 1359091
CETEMPúblico (primeiro milhão) 13511 4743 842 3566 2391 211 23765 48602 49029
CHAVE 112051 40143 4333 21525 90806 871 696633 961623 966362
Clássicos da Literatura Portuguesa/Porto Editora 12737 5096 1117 4642 260 260 5044 29023 29156
ConDIVport 27346 12792 1929 7045 6540 355 53729 108964 109736
ConE 10314 2641 439 2235 4305 221 17511 37258 37666
DiaCLAV 19146 7730 1156 4923 5992 279 47592 86048 86818
ECI-EBR 13702 5787 937 4098 895 221 8999 34177 34639
ECI-EE 1028 561 183 495 231 96 186 2719 2780
ENPC (parte pública) 3544 1381 366 1450 137 140 797 7670 7815
FrasesPB 2155 747 187 834 60 102 217 4205 4302
FrasesPP 1694 689 183 663 71 106 197 3558 3603
Museu da Pessoa 5558 1621 326 1799 382 174 2303 11978 12163
Natura/Minho 12992 5481 854 3776 4395 234 30375 57528 58106
Natura/Público 36391 12486 1576 8812 9610 313 83255 150844 152443
NILC/São Carlos 65961 24555 2867 14798 61519 514 300933 468367 471147
Vercial 105353 21256 3268 19563 3667 486 96112 247225 249705
313174 82565 7751 52428 143760 2122 1630358 2186866 1174440

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:

O tratamento de contracções, palavras compostas e verbos com clíticos como uma unidade só
O tratamento de sinais de pontuação como unidades separadas
O tratamento de abreviaturas (incluindo sinais de pontuação) como uma unidade apenas
A não inclusão, no corpo, de informação sobre formatação gráfica
A numeração automática dos parágrafos

Os dados quantitativos que apresentamos para cada corpo dividem-se em quatro grupos:

tamanho global do corpo em termos de unidades minimas, indicando as suas propriedades gráficas
descrição formal do seu conteúdo (dos "tokens")
descrição formal da sua estrutura (dos marcadores estruturais).

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:

textos simples, isto é, aqueles que seguem uma estrutura formal fixa, por exemplo a escrita técnica (didáticos);
textos mais próximos da linguagem viva (jornalístico);
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 Corpus Tamanho 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 Agosto de 2008 pelo PALAVRAS, criado a 5 de Janeiro de 2010, v. 3.1

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 formas	Número de tipos
Unidades	127832	17185
Total de palavras	98786	17153
Palavras em minúscula	78450	13535
Palavras com inicial maiúscula	8311	2414
Palavras todas em maiúsculas	428	18
Números	914	190
Palavras com números	71	46
Palavras mistas	30	20
Pontuação	5750	32

Número de unidades estruturais

Atributo	Número
s	4963
p	4903
mwe	1779

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	3376	4914
Locuções	1779	3745
Palavras gráficas	98786	98786
Palavras simples	90127	90127
Palavras	95282	98786

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	23235	25,78%
Verbos	V.*	14122	15,67%
Adjectivos	ADJ.*	6488	7,20%
Pronomes pessoais	.PERS.	2283	2,53%
Preposições	PRP.*	16642	18,47%
Conjunções	K.*	4151	4,61%
Advérbios	ADV.*	5066	5,62%
Determinantes	.DET.	17544	19,47%
Especificadores	.SPEC.	1368	1,52%
Numerais	NUM.*	1808	2,01%

^{^}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 9 de Janeiro de 2010, v. 6.1

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 formas	Número de tipos
Unidades	1690418	76627
Total de palavras	1258756	73685
Palavras em minúscula	841477	34806
Palavras com inicial maiúscula	226734	21846
Palavras todas em maiúsculas	19169	3505
Números	20127	1337
Palavras com números	2715	801
Palavras mistas	2721	630
Pontuação	107145	2928

Número de unidades estruturais

Atributo	Número
p	57556
s	80698
mwe	14541
autor	3007
mens	3012
assunto	2978
li	0
titulo	0
cita	81

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	97197	202682
Locuções	14541	31057
Palavras gráficas	1258764	1258764
Palavras simples	1025025	1025025
Palavras	1136763	1258764

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	292528	28,54%
Verbos	V.*	126007	12,29%
Adjectivos	ADJ.*	73300	7,15%
Pronomes pessoais	.PERS.	13786	1,34%
Preposições	PRP.*	194495	18,97%
Conjunções	K.*	59283	5,78%
Advérbios	ADV.*	40010	3,90%
Determinantes	.DET.	190626	18,60%
Especificadores	.SPEC.	12344	1,20%
Numerais	NUM.*	32675	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, criado a 11 de Janeiro de 2010, versão 4.1

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 formas	Número de tipos
Unidades	7766418	121348
Total de palavras	6501257	119787
Palavras em minúscula	5095861	67954
Palavras com inicial maiúscula	671470	29343
Palavras todas em maiúsculas	73667	2305
Números	57927	1646
Palavras com números	764	296
Palavras mistas	2096	742
Pontuação	226327	1559

Número de unidades estruturais

Atributo	Número
art	8540
t	29277
a	2
p	104736
li	43141
s	204212
mwe	130182

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	81210	492045
Locuções	130182	275934
Palavras gráficas	6501266	6501266
Palavras simples	5733287	5733287
Palavras	5944679	6501266

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	1453063	25,34%
Verbos	V.*	778162	13,57%
Adjectivos	ADJ.*	457038	7,97%
Pronomes pessoais	.PERS.	92085	1,61%
Preposições	PRP.*	1215413	21,20%
Conjunções	K.*	326851	5,70%
Advérbios	ADV.*	311329	5,43%
Determinantes	.DET.	1265166	22,07%
Especificadores	.SPEC.	105518	1,84%
Numerais	NUM.*	104446	1,82%

^{^}Voltar ao início da página

Corpo CD HAREM

O corpo CDHAREM contém as colecções douradas usadas no Primeiro HAREM (Avaliação conjunta de sistemas de Reconhecimento de Entidades Mencionadas), criadas em 2005 e 2006. Este corpo encontra-se pormenorizadamente descrito em Rocha & Santos (2007).

Corpus Colecção Dourada do HAREM, a partir das versões das CD do Primeiro HAREM de 2007, anotado em 10 de Fevereiro de 2009, versão 2.0

Estrutura do corpo

Atributos estruturais:

DOC (delimitador de documento), p (delimitador de parágrafo), s (delimitador de frase)
EM (delimitador de entidade mencionada)
ABSTRACCAO, ACONTECIMENTO, COISA, LOCAL, OBRA, ORGANIZACAO, PESSOA, TEMPO, VALOR, VARIADO (delimitador de categoria de entidade mencionada)
ALT (delimitador de EM com anotação alternativa).

Atributos posicionais:

em (entidade mencionada a que o termo pertence)
categoria (categoria(s) de EM)
tipo (subcategoria de EM)
docid (documento da CD)
variante (país de origem do texto, o valor do campo ORIGEM)
genero (género textual)
morf (classificação morfológica na CD)
prem (posição relativa na EM),
abstraccao, acontecimento, coisa, local, obra, organizacao, pessoa, tempo, valor, variado (subcategoria de EM)

Dados quantitativos

Corpo CDHAREM	Número de formas	Número de tipos
Unidades	222407	22182
Total de palavras	147077	21941
Palavras em minúscula	107696	14463
Palavras com inicial maiúscula	19866	5443
Palavras todas em maiúsculas	815	262
Números	1576	374
Palavras com números	68	47
Palavras mistas	93	50
Pontuação	7499	241

Número de unidades estruturais

Atributo	Número
DOC	257
TEXTO	257
LOCAL	2181
ORGANIZACAO	1578
VALOR	812
COISA	264
ACONTECIMENTO	191
OBRA	352
PESSOA	1865
TEMPO	798
ABSTRACCAO	775
VARIADO	54
p	5046
s	8160
ALT	121
EM	8647
mwe	2607

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	7032	12575
Locuções	2607	5556
Palavras gráficas	147077	147077
Palavras simples	128946	128946
Palavras	138585	147077

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	29823	23,13%
Verbos	V.*	20897	16,21%
Adjectivos	ADJ.*	7535	5,84%
Pronomes pessoais	.PERS.	3906	3,03%
Preposições	PRP.*	21781	16,89%
Conjunções	K.*	7119	5,52%
Advérbios	ADV.*	9018	6,99%
Determinantes	.DET.	24481	18,99%
Especificadores	.SPEC.	2386	1,85%
Numerais	NUM.*	2863	2,22%

^{^}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 em 18 de Setembro de 2001, anotada em 2009, versão na rede criada a 14 de Agosto de 2009, v. 5.0

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.

semestre tamanho clt clt-soc com des eco nd opi pol soc
91a 7149217 635359 182077 0 843279 500641 2785736 0 976626 1225499
91b 13745309 1218925 207192 0 1367042 913201 5530051 0 2098691 2410207
92a 14814803 2425665 519555 0 1459440 1469296 2019147 0 3806535 3115165
92b 11129015 2144899 426980 0 1263768 1254558 485878 0 2632447 2920485
93a 14765697 3077753 877517 0 1438235 1629571 573268 0 3306518 3862835
93b 11770263 2194869 564576 0 1220282 1224505 1040088 0 2493618 3032325
94a 14894478 2933276 846670 0 1468657 1526745 1427250 0 3202569 3489311
94b 14412323 2691085 844908 0 1556472 1522688 1676620 0 2840539 3280011
95a 16142029 2683291 1054922 0 1755006 1557965 1877697 0 2999578 4213570
95b 15217924 2155972 910694 0 1562888 1369598 2006580 0 3180102 4032090
96a 11583129 1589882 0 13040 1384668 930279 1169516 610825 2077221 3807698
96b 11279801 1551042 0 0 1497139 766872 1204601 602859 1849211 3808077
97a 9616546 1324919 0 16258 1274429 653495 890896 609754 1601141 3245654
97b 9650875 1321148 0 236995 1199354 632192 907705 555017 1760863 3037601
98a 12537354 1416393 0 378114 1470310 769244 1708225 628489 1925058 4241521
98b 8700720 1015007 0 269169 1016906 548067 832898 421083 1604557 2993033
Todos 30379485 6435091 913576 21777875 17268917 26136156 3428027 38355274 52715082

Dados quantitativos

Corpo CETEMPUBLICO	Número de formas	Número de tipos
Unidades	232543379	912439
Total de palavras	189575095	885616
Palavras em minúscula	141541314	262087
Palavras com inicial maiúscula	22379729	296913
Palavras todas em maiúsculas	1096381	21178
Números	495221	10220
Palavras com números	89198	15487
Palavras mistas	171034	28068
Pontuação	7834918	26759

Número de unidades estruturais

Atributo	Número
p	3052961
s	7210202
ext	1315624
t	454817
a	228259
mwe	3418979
marca	3456

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	9559400	16966464
Locuções	3418979	7199589
Palavras gráficas	175372032	175372032
Palavras simples	151205979	151205979
Palavras	164184358	175372032

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	35978560	23,79%
Verbos	V.*	22569371	14,93%
Adjectivos	ADJ.*	10726757	7,09%
Pronomes pessoais	.PERS.	2675830	1,77%
Preposições	PRP.*	30880990	20,42%
Conjunções	K.*	7429273	4,91%
Advérbios	ADV.*	9155395	6,05%
Determinantes	.DET.	32119618	21,24%
Especificadores	.SPEC.	2773034	1,83%
Numerais	NUM.*	3812872	2,52%

^{^}Voltar ao início da página

Corpo CETEMPúblico (primeiro milhão)

Este corpus consiste no primeiro milhão de palavras (aproximadamente) do corpus CETEMPúblico.

O texto que o constitui foi objecto de uma revisão aturada de forma a servir de matéria base para um "treebank" do português, a Floresta Sintáctica, seguindo outros critérios de definição de frase <s> e incluindo o marcador <sic> nos casos não julgados de interesse para esse efeito. Informação sobre os novos critérios de separação de frases, sobre a introdução da marca <sic> e sobre o processo de revisão encontram-se respectivamente em Afonso et al. (2001a); Afonso et al. (2001b) e Santos (2001).

Corpus primeiro milhão do CETEMPúblico revisto e anotado, versão 1.0), anotado em Abril de 2002 e criado a 13 de Janeiro de 2003, v.3.3

Estamos gratos ao Público pela gentil disponibilização dos textos.
Estamos especialmente gratos a José Vitor Malheiros, director da versão electrónica, sem o qual este corpus não existiria, e a Paulo Almeida pelo apoio técnico com os ficheiro 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 e sic [elemento a não analisar].

Dados quantitativos

	Número de formas	Número de tipos
Unidades	1198015	68784
Palavras	997695	68138
Palavras em minúscula	757013	37765
Palavras com inicial maiúscula	122771	19250
Palavras todas em maiúsculas	7422	1539
Números	8655	777
Palavras com números	1146	522
Palavras mistas	1452	960
Pontuação	68106	637

Número de unidades estruturais

Atributo	Número
p	13435
s	38251
li	408
ext	7914
a	1279
t	3650
sic	533
marca	0
mwe	5046

Contabilização de multipalavras

	Número de entidades	Número de tokens
Nomes próprios	52178	93850
Locuções	5046	9645
Palavras gráficas	995851	995851
Palavras simples	892356	892356
Palavras	949580	995851

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de tokens	Em percentagem
substantivos	N\|N[^U].*	204299	22,89%
verbos	V.*	132470	14,84%
adjectivos	ADJ.*	57646	6,46%
pronomes pessoais	.PERS.	15539	1,74%
preposições	PRP.*	176541	19,78%
conjunções	K.*	40590	4,55%
advérbios	ADV.*	53817	6,03%
determinantes	.DET.	183852	20,60%
especificadores	.SPEC.	17511	1,96%
numerais	NUM.*	20997	2,35%

^{^}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. Pode obter o corpus completo em formato texto requerendo-o nesta página.

Corpus CHAVE anotado, criado e anotado de Outubro a Dezembro de 2008, versao 2.0

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 formas	Número de tipos
Unidades	123868725	722152
Total de palavras	99478954	698031
Palavras em minúscula	73737504	230460
Palavras com inicial maiúscula	13001169	233405
Palavras todas em maiúsculas	654696	16752
Números	1110843	7585
Palavras com números	107680	9903
Palavras mistas	150407	15229
Pontuação	4740129	24004

Número de unidades estruturais

Atributo	Número
s	4738273
mwe	1787546
DOC	210726
CATEGORY	210729
AUTHOR	2
EM	210729

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	5504868	9547536
Locuções	1787546	3775791
Palavras gráficas	99478954	99478954
Palavras simples	86155627	86155627
Palavras	93448041	99478954

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	20994423	24,37%
Verbos	V.*	12920670	15,00%
Adjectivos	ADJ.*	6032931	7,00%
Pronomes pessoais	.PERS.	1502949	1,74%
Preposições	PRP.*	17043473	19,78%
Conjunções	K.*	4180282	4,85%
Advérbios	ADV.*	4975068	5,77%
Determinantes	.DET.	17735511	20,59%
Especificadores	.SPEC.	1484406	1,72%
Numerais	NUM.*	2297484	2,67%

^{^}Voltar ao início da página

Corpo Clássicos LP/Porto Editora

O corpus Clássicos da Língua Portuguesa é um corpus de textos literários portugueses que nos foi gentilmente cedido pela Porto Editora. O corpus destina-se exclusivamente à pesquisa através da Internet. Contém as seguintes obras:

Vicente, Gil, Farsa de Inês Pereira, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Vicente, Gil, Auto da Índia, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Vicente, Gil, Auto da Alma, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Vicente, Gil, Auto da Barca do Inferno, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Herculano, Alexandre, O Bobo, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Dinis, Júlio, A Morgadinha dos Canaviais, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Castelo Branco, Camilo, Maria Moisés , Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Garrett, Almeida, Folhas Caídas, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Dinis, Júlio, As Pupilas do Senhor Reitor, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Quental, Antero de, Odes Modernas , Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Dinis, Júlio, Os Fidalgos da Casa Mourisca, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Garrett, Almeida, Frei Luís de Sousa, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Castelo Branco, Camilo, A Queda dum Anjo, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Silva, António José da, Guerras do Alecrim e Manjerona, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Herculano, Alexandre, A Harpa do Crente, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Quental, Antero de, Primaveras Românticas, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Dinis, Júlio, Uma Família Inglesa, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Garrett, Almeida, Camões, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Castilho, António Feliciano de, Poesias, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Herculano, Alexandre, Eurico o Presbítero, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Vieira, Pe. António, Sermão de St.º António aos Peixes, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Queirós, Eça de, Os Maias, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Vieira, Pe. António, O Cárcere e o Interrogatório, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/
Garrett, Almeida, Viagens na Minha Terra, Biblioteca Digital - Clássicos da Literatura Portuguesa, Porto Editora, http://www.portoeditora.pt/bdigital/

O corpus engloba, de momento, 6 peças de teatro, 7 obras de poesia e 13 obras em prosa.

Corpus Clássicos da Literatura Portuguesa - Porto Editora, versão 1.8 e versão 3.1 da sua codificação, 9 de Janeiro de 2010

Estrutura do corpo

O corpus foi criado a partir da versão texto das obras da Biblioteca Digital da Porto Editora (o URL da Biblioteca Digital é http://www.portoeditora.pt/bdigital/).

Alguns dos ficheiros de texto utilizados como base para este corpus foram manipulados manualmente para inserir determinados marcadores. No entanto, na grande maioria dos casos, os marcadores foram inseridos automaticamente.

Utilizámos como marcadores estruturais para todas as obras obra (que contém o código interno da obra, o tipo de obra e o código do autor), tituloobra (o nome da obra), autor (o autor da obra), capitulo, data (a data da obra, quando assinalada no texto), nota, titulo, marca e u (uma unidade de texto: frase, verso, título ou indicação de cena, consoante o tipo de obra).

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

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

As obras de teatro têm os seguintes marcadores estruturais adicionais: fala, personagem e indic (indicação de cena); além disso, as obras de Gil Vicente utilizam o marcador v [verso], enquanto as restantes utilizam o marcador s [frase].

Os códigos de autores e obras usados neste corpus correspondendo respectivamos aos atributo posicional autor e obra, são listados na página de descrição do corpus.

AFC António Feliciano de Castilho 6,630 Poe Poesias 6,630
AG Almeida Garrett 141,571 Cam Camões 28,354
FC1 Folhas Caídas I 5,950
FC2 Folhas Caídas II 3,732
FLS Frei Luís de Sousa 22,615
VMT Viagens na minha terra 80,920
AH Alexandre Herculano 148,220 Bobo O Bobo 62,518
EP Eurico o Presbítero 66,491
HC A Harpa do Crente 19,211
AJS António José da Silva 27,891 GAM Guerras do Alecrim e Manjerona 27,891
AQ Antero de Quental 36,710 OM Odes Modernas 21,241
PR Primaveras Românticas 15,469
CCB Camilo Castelo Branco 140,874 AP Amor de Perdição 57,640
MM Maria Moisés 24,417
QA A Queda de um Anjo 58,817
EQ Eça de Queirós 261,146 Maias Os Maias 263,146
GV Gil Vicente 21,001 AA Auto da Alma 4,428
ABI Auto da Barca do Inferno 5,837
AI Auto da Índia 3,263
FIP Farsa de Inês Pereira 7,473
JD Júlio Dinis 607,933 FCM Os Fidalgos da Casa Mourisca 168,453
MC A Morgadinha dos Canaviais 177,638
PSR As Pupilas do Senhor Reitor 115,062
UFI Uma Família Inglesa 146,780
PAV Pe. António Vieira 14,073 CI O Cárcere e interrogatório 510
SSAP Sermão de Santo António aos Peixes 14,048

O atributo classe pode tomar um dos três valores

classe tamanho
poesia 100.866
prosa 1.236.332
teatro 70.554

Dados quantitativos

Corpo CLASSLPPE	Número de formas	Número de tipos
Unidades	1922601	69898
Total de palavras	1304282	69863
Palavras em minúscula	997947	47891
Palavras com inicial maiúscula	132768	9945
Palavras todas em maiúsculas	349	96
Números	468	143
Palavras com números	3	3
Palavras mistas	583	398
Pontuação	103827	34

Número de unidades estruturais

Atributo	Número
p	33309
s	74679
personagem	2821
v	17378
obra	26
capitulo	135
e	1851
marca	144
canto	0
poema	105
titulo	215
u	92444
indic	166
fala	2820
autor	26
tituloobra	26
div	394
mwe	23830

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	39924	52900
Locuções	23830	50693
Palavras gráficas	1304284	1304284
Palavras simples	1200691	1200691
Palavras	1264445	1304284

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	239065	19,91%
Verbos	V.*	221254	18,43%
Adjectivos	ADJ.*	69840	5,82%
Pronomes pessoais	.PERS.	70748	5,89%
Preposições	PRP.*	181496	15,12%
Conjunções	K.*	70433	5,87%
Advérbios	ADV.*	95803	7,98%
Determinantes	.DET.	222622	18,54%
Especificadores	.SPEC.	30521	2,54%
Numerais	NUM.*	7236	0,60%

^{^}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, criado a 9 de Março de 2010, v. 5.8

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) e fonte.

Valores de fonte para os jornais desportivos: BOLA, RECORD, MUNDO_DESP, O_JOGO, JORNAL_SPORTS, ESTADAO, GAZETA_ESP, LANCE,
Valores de fonte para a moda/vestuário: Activa, Caras Especial Moda, Cosmopolitan, Crónica Feminina, Elle, Eva, Flama, GQ, Máxima, Maxmen, Men's Health, Modas e Bordados, Técnicas de Alfaiataria, Vestir e Vogue (PT) e Boa Forma, Burda, Cigarra, Cláudia, Cruzeiro, Desfile, Estilo, Figurino, Manchete, Manequim, Marie Claire, Máxima, Moda e Moldes e Vogue (BR)).
Valores de fonte para a saúde: Boletins, Eva, Maria, Medicina Saúde, Modas e Bordados, Natura, Saúde e Bem-Estar, Saúde Lar e Século Ilustrado (PT), e Revista Brasileira, Revistas Populares e Revistas Saúde (BR).

Como todos os corpos do AC/DC o CONDIVport está também anotado sintacticamente pelo PALAVRAS, e contém alguma anotação semântica no atributo sema, por agora referente apenas a cor e roupa.

Tamanho Futebol Moda/vestuário Saúde
PT 3279434 1644264 307042 1328128
BR 2623171 1347798 797300 478073
Todos 2992062 1104347 1806201

Dados quantitativos

Corpo CONDIV	Número de formas	Número de tipos
Unidades	7088775	152220
Total de palavras	5577632	150098
Palavras em minúscula	4195645	81324
Palavras com inicial maiúscula	654672	38566
Palavras todas em maiúsculas	14011	3514
Números	73030	1741
Palavras com números	2536	772
Palavras mistas	4790	1267
Pontuação	338829	1932

Número de unidades estruturais

Atributo	Número
ext	4081
texto	6223
p	148134
s	318159
mwe	106631

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	240795	374608
Locuções	106631	224904
Palavras gráficas	5570215	5570215
Palavras simples	4970703	4970703
Palavras	5318129	5570215

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	1217483	24,49%
Verbos	V.*	753033	15,15%
Adjectivos	ADJ.*	389391	7,83%
Pronomes pessoais	.PERS.	103190	2,08%
Preposições	PRP.*	878408	17,67%
Conjunções	K.*	266237	5,36%
Advérbios	ADV.*	311826	6,27%
Determinantes	.DET.	963712	19,39%
Especificadores	.SPEC.	77452	1,56%
Numerais	NUM.*	132016	2,66%

^{^}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 e versão 3.1 da sua codificação e anotação, a 9 de Janeiro de 2010

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 formas	Número de tipos
Unidades	925230	43932
Total de palavras	685225	41045
Palavras em minúscula	399167	18492
Palavras com inicial maiúscula	160374	13527
Palavras todas em maiúsculas	12044	1998
Números	15297	872
Palavras com números	2888	678
Palavras mistas	3427	407
Pontuação	55298	2887

Número de unidades estruturais

Atributo	Número
p	19247
s	31297
mwe	8283
autor	1949
mens	1949
assunto	1904
div	0
li	26844
titulo	1295
cita	0

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	58675	121139
Locuções	8283	17509
Palavras gráficas	685231	685231
Palavras simples	546583	546583
Palavras	613541	685231

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	160091	29,29%
Verbos	V.*	68258	12,49%
Adjectivos	ADJ.*	36796	6,73%
Pronomes pessoais	.PERS.	8978	1,64%
Preposições	PRP.*	94535	17,30%
Conjunções	K.*	32270	5,90%
Advérbios	ADV.*	23758	4,35%
Determinantes	.DET.	82614	15,11%
Especificadores	.SPEC.	5203	0,95%
Numerais	NUM.*	26399	4,83%

^{^}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 DIACLAVANOT, versão texto criada em Abril de 2002, anotado em Agosto de 2008, criado a 11 de Janeiro de 2010, v. 3.1

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 formas	Número de tipos
Unidades	7758467	110049
Total de palavras	6651549	107933
Palavras em minúscula	4984573	58853
Palavras com inicial maiúscula	859383	28967
Palavras todas em maiúsculas	40061	2141
Números	59691	1330
Palavras com números	6504	1047
Palavras mistas	2490	863
Pontuação	231683	2115

Número de unidades estruturais

Atributo	Número
p	44133
s	232139
art	13008
t	13007
a	5840
mwe	130541

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	331676	513265
Locuções	130541	273667
Palavras gráficas	6651564	6651564
Palavras simples	5864632	5864632
Palavras	6326849	6651564

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	1461150	24,91%
Verbos	V.*	879523	15,00%
Adjectivos	ADJ.*	389559	6,64%
Pronomes pessoais	.PERS.	86894	1,48%
Preposições	PRP.*	1225336	20,89%
Conjunções	K.*	289298	4,93%
Advérbios	ADV.*	336862	5,74%
Determinantes	.DET.	1220515	20,81%
Especificadores	.SPEC.	105931	1,81%
Numerais	NUM.*	129334	2,21%

^{^}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:

biografia (material biográfico)
crítica_lit (material indicativo de crítica literária)
debate (debates no parlamento)
definição
ensaio
entrevista
informativo
discurso (discursos políticos, etc.)
jornalismo (notícias, breves, crónicas, etc.)
literatura (texto literário)
literatura_teatro (texto literário do género dramático)

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:

Género Unidades Textos

Literatura 368.024 151

Informativo 201.425 285

Jornalismo 88.070 536

Oral 66.565 29

Outros 16.061 33

Indef 16.774 81

Assuntos Unidades Textos

Agricultura 3458 8

Arqueologia 1669 3

Arte 4193 4

Astrologia 1292 1

Biologia 3660 3

Botânica 6082 4

Ciência 7375 9

Clima 302 1

Crónica 3716 11

Culinária 1316 1

Cultura 5698 44

Desporto 8173 39

Direito 1703 4

Ecologia 326 2

Economia 18360 60

Edição 821 1

Educação 1092 1

Entretenimento 4988 31

Escutismo 422 1

Estatística 1237 1

Filatelia 1109 1

Filosofia 3382 3

Física 627 1

Fotografia 1056 2

Generalidades 5476 45

Geografia 3685 6

Geologia 77 1

Gestão 2300 3

Hidrografia 1276 1

História 35076 30

Indef 482747 1

Indústria 1375 3

Internacional 8098 57

Jornalismo 277 536

Linguística 8066 12

Literatura 8180 14

Maternidade 344 1

Medicina 16837 18

Música 1689 3

Oceanografia 302 1

País 44537 206

Política 19620 36

Psicologia 2388 5

Religião 20977 32

Reportagem 1275 3

Saúde 4460 18

Sociedade 7286 58

Sociologia 10347 15

Título 173 12

Turismo 188 1

Zoologia 2985 15

Corpus ECI-EBR, versão texto de Abril de 2002, analisado em Novembro de 2009, criado a 8 de Janeiro de 2010, v. 8.1

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 formas	Número de tipos
Unidades	917127	60391
Total de palavras	724015	60198
Palavras em minúscula	569026	42161
Palavras com inicial maiúscula	73428	12233
Palavras todas em maiúsculas	192	46
Números	1996	459
Palavras com números	53	40
Palavras mistas	181	123
Pontuação	48083	193

Número de unidades estruturais

Atributo	Número
ext	1107
p	12116
s	43543
marca	3
mwe	14909

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	19405	32985
Locuções	14909	31801
Palavras gráficas	724015	724015
Palavras simples	659229	659229
Palavras	693543	724015

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	149934	22,74%
Verbos	V.*	114540	17,37%
Adjectivos	ADJ.*	45414	6,89%
Pronomes pessoais	.PERS.	25036	3,80%
Preposições	PRP.*	108577	16,47%
Conjunções	K.*	35139	5,33%
Advérbios	ADV.*	46924	7,12%
Determinantes	.DET.	125957	19,11%
Especificadores	.SPEC.	13550	2,06%
Numerais	NUM.*	9116	1,38%

^{^}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 Agosto de 2008, criado a 1 de Dezembro de 2009, v. 5.2

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 formas	Número de tipos
Unidades	32034	4254
Total de palavras	27140	4096
Palavras em minúscula	21744	3332
Palavras com inicial maiúscula	1786	391
Palavras todas em maiúsculas	195	41
Números	463	104
Palavras com números	2	2
Palavras mistas	112	5
Pontuação	1125	155

Número de unidades estruturais

Atributo	Número
p	340
s	839
t	0
nota	27
marca	27
mwe	607

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	641	1008
Locuções	607	1318
Palavras gráficas	27140	27140
Palavras simples	24814	24814
Palavras	26062	27140

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	6938	27,96%
Verbos	V.*	2908	11,72%
Adjectivos	ADJ.*	2437	9,82%
Pronomes pessoais	.PERS.	411	1,66%
Preposições	PRP.*	5300	21,36%
Conjunções	K.*	1322	5,33%
Advérbios	ADV.*	947	3,82%
Determinantes	.DET.	4971	20,03%
Especificadores	.SPEC.	280	1,13%
Numerais	NUM.*	706	2,85%

^{^}Voltar ao início da página

Corpo ENPCPUB (parte portuguesa)

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):

Código	Autor	Obra	Editora	Ano	Tradutor(a)	Título original
JB1PP	Julian Barnes	Amor & C.a	Quetzal Editores, Lisboa	1994	Helena Cardoso	Talking It Over.
BC1	Bruce Chatwin	Utz	Quetzal Editores, Lisboa	1991	José Luís Luna	Utz.
AH1	Arthur Hailey	Remédio Amargo	Distribuidora Record, Rio de Janeiro	s/d	A.B.P. de Lemos.	Strong Medicine.
JH1	Joseph Heller	Imaginem que	Difusão Cultural, Lisboa	1991	Cristina Rodriguez.	Picture This.
NG1	Nadine Gordimer	A história do meu filho	Editora Siciliano, São Paulo	1992	Geraldo Galvão Ferraz	My 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 em Agosto de 2008, criado a 29 de Novembro de 2009, v. 6.2

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 formas	Número de tipos
Unidades	92693	12895
Total de palavras	72389	12876
Palavras em minúscula	57634	10252
Palavras com inicial maiúscula	7084	1691
Palavras todas em maiúsculas	41	19
Números	137	78
Palavras com números	1	1
Palavras mistas	16	13
Pontuação	4951	19

Número de unidades estruturais

Atributo	Número
p	1682
s	4369
texto	5
parte	8
capitulo	25
mwe	1605

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	2543	3314
Locuções	1605	3475
Palavras gráficas	72389	72389
Palavras simples	65600	65600
Palavras	69748	72389

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	13271	20,23%
Verbos	V.*	12769	19,46%
Adjectivos	ADJ.*	3875	5,91%
Pronomes pessoais	.PERS.	3109	4,74%
Preposições	PRP.*	10805	16,47%
Conjunções	K.*	3961	6,04%
Advérbios	ADV.*	5374	8,19%
Determinantes	.DET.	12177	18,56%
Especificadores	.SPEC.	1545	2,36%
Numerais	NUM.*	773	1,18%

^{^}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 em Maio de 2002, criado a 30 de Novembro de 2009, v. 4.1

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 formas	Número de tipos
Unidades	23313	6018
Total de palavras	19162	6008
Palavras em minúscula	16422	5265
Palavras com inicial maiúscula	1051	526
Palavras todas em maiúsculas	14	14
Números	49	35
Palavras com números
Palavras mistas	5	5
Pontuação	705	10

Número de unidades estruturais

Atributo	Número
p	648
s	653
mwe	422

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	250	409
Locuções	422	904
Palavras gráficas	19162	19162
Palavras simples	17849	17849
Palavras	18521	19162

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	4623	25,90%
Verbos	V.*	2895	16,22%
Adjectivos	ADJ.*	1434	8,03%
Pronomes pessoais	.PERS.	356	1,99%
Preposições	PRP.*	3269	18,31%
Conjunções	K.*	1011	5,66%
Advérbios	ADV.*	1054	5,91%
Determinantes	.DET.	3639	20,39%
Especificadores	.SPEC.	343	1,92%
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.

Corpus FrasesPP, anotado a 22 de Maio de 2007, criado a 30 de Novembro de 2009, versão 6.1

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 formas	Número de tipos
Unidades	20049	5099
Total de palavras	16233	5085
Palavras em minúscula	13502	4243
Palavras com inicial maiúscula	1088	569
Palavras todas em maiúsculas	9	6
Números	97	50
Palavras com números	2	2
Palavras mistas
Pontuação	738	14

Número de unidades estruturais

Atributo	Número
p	594
s	594
mwe	351

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	262	431
Locuções	351	759
Palavras gráficas	16234	16234
Palavras simples	15044	15044
Palavras	15657	16234

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	3699	24,59%
Verbos	V.*	2281	15,16%
Adjectivos	ADJ.*	1298	8,63%
Pronomes pessoais	.PERS.	411	2,73%
Preposições	PRP.*	2796	18,59%
Conjunções	K.*	819	5,44%
Advérbios	ADV.*	967	6,43%
Determinantes	.DET.	3115	20,71%
Especificadores	.SPEC.	311	2,07%
Numerais	NUM.*	205	1,36%

^{^}Voltar ao início da página

Corpo Museu da Pessoa

O corpus Museu da Pessoa é um corpus de 107 entrevistas transcritas pelo Núcleo Português do Museu da Pessoa no âmbito dos seus projectos, mais seis entrevistas transcritas pelo Museu da Pessoa brasileiro.

Corpus Museu da Pessoa, versão do texto português de Abril de 2005, versão do texto brasileiro de Dezembro de 2008, anotado 9 de Fevereiro de 2009, criado a 7 de Janeiro de 2010, versão 3.3

Agradecemos ao Núcleo Português do Museu da Pessoa a disponibilização dos textos.

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]

Dados quantitativos

Corpo MUSEUDAPESSOA	Número de formas	Número de tipos
Unidades	517747	21543
Total de palavras	375158	21498
Palavras em minúscula	298005	15331
Palavras com inicial maiúscula	39265	3464
Palavras todas em maiúsculas	104	53
Números	2377	240
Palavras com números	88	50
Palavras mistas	114	95
Pontuação	28623	45

Número de unidades estruturais

Atributo	Número
mwe	7336
p	11790
s	27284
entrevista	115
pergunta	5067
resposta	5340
legenda	43
introd	3

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	7124	11855
Locuções	7336	15718
Palavras gráficas	375158	375158
Palavras simples	347585	347585
Palavras	362045	375158

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	66140	19,03%
Verbos	V.*	72595	20,89%
Adjectivos	ADJ.*	11782	3,39%
Pronomes pessoais	.PERS.	17948	5,16%
Preposições	PRP.*	47326	13,62%
Conjunções	K.*	23142	6,66%
Advérbios	ADV.*	37575	10,81%
Determinantes	.DET.	62748	18,05%
Especificadores	.SPEC.	9441	2,72%
Numerais	NUM.*	5366	1,54%

^{^}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, anotado em Outubro de 2008, criado a 15 de Agosto de 2009, v. 5.0

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 formas	Número de tipos
Unidades	2156187	68957
Total de palavras	1749083	67454
Palavras em minúscula	1285006	39003
Palavras com inicial maiúscula	253760	17614
Palavras todas em maiúsculas	12648	1332
Números	22203	1268
Palavras com números	2739	348
Palavras mistas	1425	447
Pontuação	67946	1502

Número de unidades estruturais

Atributo	Número
p	56908
s	68850
assinatura	542
legenda	782
t	7668
art	5117
marca	0
mwe	30262

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	104234	219641
Locuções	30262	63521
Palavras gráficas	1749083	1749083
Palavras simples	1465921	1465921
Palavras	1600417	1749083

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	374337	25,54%
Verbos	V.*	207104	14,13%
Adjectivos	ADJ.*	101312	6,91%
Pronomes pessoais	.PERS.	19821	1,35%
Preposições	PRP.*	314787	21,47%
Conjunções	K.*	73350	5,00%
Advérbios	ADV.*	70635	4,82%
Determinantes	.DET.	315174	21,50%
Especificadores	.SPEC.	22654	1,55%
Numerais	NUM.*	42074	2,87%

^{^}Voltar ao início da página

Corpo Natura/Público

O corpus NATURA/Público contém os primeiros dois parágrafos de notícias do diário PÚBLICO de 1991 a 1994. O corpus foi criado no âmbito do projecto Natura.

Visto que este corpus é constituído pelos primeiros dois parágrafos da cada notícia, não há informação sobre secções do jornal, como títulos ou tipo de notícia.

Corpus Natura/Público, NATPANOT, versão texto de Abril de 2002, anotado em Outubro de 2008, criado a 15 de Agosto de 2009, v.5.0

Estrutura do corpo

Marcadores estruturais: s [frase], p [parágrafo] e marca [(conjuntos de) asteriscos que indicam notas de rodapé].

Dados quantitativos

Corpo NATPUBLICO	Número de formas	Número de tipos
Unidades	7369349	170762
Total de palavras	6274542	168784
Palavras em minúscula	4857995	89999
Palavras com inicial maiúscula	686662	46715
Palavras todas em maiúsculas	33934	3337
Números	67285	2067
Palavras com números	6410	1633
Palavras mistas	3063	1371
Pontuação	249805	1975

Número de unidades estruturais

Atributo	Número
p	79438
s	225603
marca	66
mwe	117276

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	303733	565671
Locuções	117276	247127
Palavras gráficas	6274542	6274542
Palavras simples	5461744	5461744
Palavras	5882753	6274542

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	1360698	24,91%
Verbos	V.*	777459	14,23%
Adjectivos	ADJ.*	406852	7,45%
Pronomes pessoais	.PERS.	84590	1,55%
Preposições	PRP.*	1154829	21,14%
Conjunções	K.*	245821	4,50%
Advérbios	ADV.*	300947	5,51%
Determinantes	.DET.	1171647	21,45%
Especificadores	.SPEC.	90931	1,66%
Numerais	NUM.*	147140	2,69%

^{^}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; anotação em Outubro de 2008, criado a 2 de Fevereiro de 20010, versão 9.2

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 9.0, é a seguinte:

Tipo Descrição Tamanho

DI texto didáctico 425.692

ENC enciclopédia 286.550

ENS ensaio 2.169.726

EP texto epistolar 3.332

JO.* jornalístico 29.140.843

JOCF jornalístico só CETENFolha 27.082.793

JO jornalístico sem CETENFolha 2.058.050

LE texto legal 1.117.747

LI literário 921.011

RE revista 152.366

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):

Procurar a palavra punhal no CETENFolha: [word="punhal" & classe="JOCF"]
Procurar palavras acabadas em ornada no CETENFolha: ".*ornada" [classe="JOCF"]

Dados quantitativos

Corpo SAOCARLOS	Número de formas	Número de tipos
Unidades	42608038	418521
Total de palavras	32342456	397552
Palavras em minúscula	23209070	158452
Palavras com inicial maiúscula	4774992	130096
Palavras todas em maiúsculas	293941	9351
Números	531474	3385
Palavras com números	41183	4724
Palavras mistas	87002	5350
Pontuação	1874811	20899

Número de unidades estruturais

Atributo	Número
mwe	496702
p	1126598
s	1952390
texto	341900
subtitulo	3767
assinatura	13
artigo	0
caixa	20722
situacao	5031
t	148933
a	80375
li	49702

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	2043779	3509766
Locuções	496702	1050828
Palavras gráficas	32342767	32342767
Palavras simples	27782173	27782173
Palavras	30322654	32342767

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	7084805	25,50%
Verbos	V.*	4284305	15,42%
Adjectivos	ADJ.*	1845446	6,64%
Pronomes pessoais	.PERS.	467161	1,68%
Preposições	PRP.*	5279636	19,00%
Conjunções	K.*	1261955	4,54%
Advérbios	ADV.*	1456426	5,24%
Determinantes	.DET.	5508773	19,83%
Especificadores	.SPEC.	405569	1,46%
Numerais	NUM.*	924946	3,33%

^{^}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, anotado em 14 de Janeiro de 2010, criado em 13 de Fevereiro de 2010, v. 2.2

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 formas	Número de tipos
Unidades	18854273	374068
Total de palavras	14315992	328281
Palavras em minúscula	10660148	176948
Palavras com inicial maiúscula	1622592	74555
Palavras todas em maiúsculas	25637	1751
Números	46390	2035
Palavras com números	208	158
Palavras mistas	28871	7500
Pontuação	1136542	45574

Número de unidades estruturais

Atributo	Número
p	79851
s	592283
v	90044
obra	309
capitulo	565
titulo	0
u	682844
fala	16605
autor	310
tituloobra	310
div	159
mwe	229561

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	487764	755202
Locuções	229561	485543
Palavras gráficas	14316097	14316097
Palavras simples	13075352	13075352
Palavras	13792677	14316097

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	3010677	23,03%
Verbos	V.*	2185895	16,72%
Adjectivos	ADJ.*	842679	6,44%
Pronomes pessoais	.PERS.	647557	4,95%
Preposições	PRP.*	2023992	15,48%
Conjunções	K.*	832177	6,36%
Advérbios	ADV.*	866728	6,63%
Determinantes	.DET.	2524784	19,31%
Especificadores	.SPEC.	295602	2,26%
Numerais	NUM.*	137681	1,05%

^{^}Voltar ao início da página

[ Acesso | Anotação | Atomização | Exemplos | Agradecimentos ]

Última actualização: 25 de Fevereiro de 2009

Perguntas, comentários e sugestões

AmostRA-NILC	Selecção 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
CDHAREM	As colecções douradas usadas no HAREM
CETEMPúblico	CETEMPúblico (Corpo de Extractos de Textos Electrónicos MCT/Público)
CETEMPúblico (primeiro milhão)	Primeiro milhão de palavras do CETEMPúblico, revisto pela equipa do projecto Floresta sintá(c)tica.
CHAVE	Corpo de texto jornalístico usado no CLEF
ClassLPPE	Corpo Clássicos da Literatura Portuguesa da Porto Editora
CONDIVport	Parte do corpo CONDIVport, contendo textos de jornais desportivos de Portugal e do Brasil
CoNE	Corpo 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)
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 disponível da parte portuguesa (traduções para português de originais em inglês) do English-Norwegian Parallel Corpus (ENPC)
FrasesPP	Corpo FrasesPP, desenvolvido no INESC
FrasesPB	Corpo FrasesPB, criado no âmbito do Projecto Processamento Computacional do Português
Museu da Pessoa	Corpo de 109 entrevistas realizadas pelo Museu da Pessoa
Natura/Minho	Corpo jornalístico Natura/Diário do Minho
Natura/Público	Corpo jornalístico Natura/Público
NILC/São Carlos	Corpo NILC/São Carlos (parte corrigida), contendo texto jornalístico, didáctico e epistolar.
Vercial	Corpo de textos literários portugueses clássicos, disponibilizados pelo projecto Vercial.

Corpo	Nº de frases	Nº de parágrafos	Nº de palavras (formas)	Nº de palavras (tipos)	Nº de unidades
AmostRA-NILC	4.965	4.904	98.786	17.153	127.832
ANCIB	80.992	57.601	1.258.764	73.686	1.690.376
Avante!	204.414	104.787	6.501.257	119.787	7.766.418
CD HAREM	8.185	5.059	147.077	21.941	222.407
CETEMPúblico	7.665.410	3.197.089	189.575.095	885.616	232.543.379
CETEMPúblico (primeiro milhão)	38.251	13.345	912.294	68.138	1.202.938
CHAVE	4.740.448	2.269.734	99.478.954	698.031	123.868.725
Clássicos LP/Porto Editora	74.690	36.236	1.304.282	69.863	1.922.601
CONDIVport	328.214	157.002	5.577.632	150.098	7.088.775
CoNE	31.561	19.415	685.225	41.045	925.230
DiaCLAV	232.152	44.133	6.651.549	107.933	7.758.467
ECI-EBR	44.381	12.117	724.015	60.198	917.127
ECI-EE	839	340	27.140	4.096	32.034
ENPCPUB (parte portuguesa)	4.371	1.690	72.389	12.876	92.693
FrasesPB	653	648	19.162	6.008	23.313
FrasesPP	594	594	16.233	5.085	20.049
Museu da Pessoa	27.288	16.858	375.158	21.498	517.747
Natura/Minho	68.910	56.927	1.749.083	67.454	2.156.187
Natura/Público	225.752	79.449	6.274.542	168.784	7.369.349
NILC/São Carlos	1.963.795	1.128.176	32.342.456	397.552	42.608.038
Vercial	596.869	80.435	14.315.992	328.281	18.854.273
Total	16.342.734	7.286.539	368.107.085	3.325.123	457.707.958

Corpus	Formas
Corpus	N	ADJ	ADV	V	NUM	GRAM	todos
AmostRA	6456	2902	453	6517	345	561	17185
ANCIB	25198	9729	1083	20181	6042	1322	76627
Avante!	33684	22521	2201	57766	5542	1314	121348
CDHAREM	7767	3185	569	7404	768	649	22182
CETEMPúblico	210523	110140	6929	303721	55449	74252	951061
CETEMPúblico (primeiro milhão)	19544	9763	1135	24893	2439	900	66928
CHAVE	171685	95315	5774	223594	88180	3896	722152
Clássicos da Literatura Portuguesa/Porto Editora	19528	11874	1450	44219	268	1097	69898
ConDIVport	44089	29015	2566	65659	6339	1805	152220
ConE	16273	5412	654	9774	4304	860	43932
DiaCLAV	34454	19950	1576	49367	5849	1217	110049
ECI-EBR	20020	11241	1249	27652	849	961	60391
ECI-EE	1370	903	230	1393	237	327	4254
ENPC (parte pública)	4396	2061	487	5560	134	528	12895
FrasesPB	2575	991	237	1878	67	356	6018
FrasesPP	2050	922	230	1553	80	355	5099
Museu da Pessoa	7715	2815	505	10890	396	739	21543
Natura/Minho	21344	11670	1157	25863	4311	955	68957
Natura/Público	51519	27103	2063	60704	9455	1383	170762
NILC/São Carlos	107300	58034	3751	131770	60056	2485	418521
Vercial	137335	52581	4144	199036	3973	2488	374068
	431603	177245	10054	594660	138747	77688	1522327

Corpus	Lemas
Corpus	N	ADJ	ADV	V	NUM	GRAM	PROP	todos	todos/pos
AmostRA	5052	1903	329	1898	317	145	1421	10926	11065
ANCIB	17661	4726	766	3862	5945	333	37540	70189	70832
Avante!	20198	9096	1697	5586	5945	297	48072	90086	90891
CDHAREM	5482	1976	391	1756	750	171	3844	14147	14370
CETEMPúblico	151898	48104	5230	28509	57173	1722	1066455	1335027	1359091
CETEMPúblico (primeiro milhão)	13511	4743	842	3566	2391	211	23765	48602	49029
CHAVE	112051	40143	4333	21525	90806	871	696633	961623	966362
Clássicos da Literatura Portuguesa/Porto Editora	12737	5096	1117	4642	260	260	5044	29023	29156
ConDIVport	27346	12792	1929	7045	6540	355	53729	108964	109736
ConE	10314	2641	439	2235	4305	221	17511	37258	37666
DiaCLAV	19146	7730	1156	4923	5992	279	47592	86048	86818
ECI-EBR	13702	5787	937	4098	895	221	8999	34177	34639
ECI-EE	1028	561	183	495	231	96	186	2719	2780
ENPC (parte pública)	3544	1381	366	1450	137	140	797	7670	7815
FrasesPB	2155	747	187	834	60	102	217	4205	4302
FrasesPP	1694	689	183	663	71	106	197	3558	3603
Museu da Pessoa	5558	1621	326	1799	382	174	2303	11978	12163
Natura/Minho	12992	5481	854	3776	4395	234	30375	57528	58106
Natura/Público	36391	12486	1576	8812	9610	313	83255	150844	152443
NILC/São Carlos	65961	24555	2867	14798	61519	514	300933	468367	471147
Vercial	105353	21256	3268	19563	3667	486	96112	247225	249705
	313174	82565	7751	52428	143760	2122	1630358	2186866	1174440

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

semestre	tamanho	clt	clt-soc	com	des	eco	nd	opi	pol	soc
91a	7149217	635359	182077	0	843279	500641	2785736	0	976626	1225499
91b	13745309	1218925	207192	0	1367042	913201	5530051	0	2098691	2410207
92a	14814803	2425665	519555	0	1459440	1469296	2019147	0	3806535	3115165
92b	11129015	2144899	426980	0	1263768	1254558	485878	0	2632447	2920485
93a	14765697	3077753	877517	0	1438235	1629571	573268	0	3306518	3862835
93b	11770263	2194869	564576	0	1220282	1224505	1040088	0	2493618	3032325
94a	14894478	2933276	846670	0	1468657	1526745	1427250	0	3202569	3489311
94b	14412323	2691085	844908	0	1556472	1522688	1676620	0	2840539	3280011
95a	16142029	2683291	1054922	0	1755006	1557965	1877697	0	2999578	4213570
95b	15217924	2155972	910694	0	1562888	1369598	2006580	0	3180102	4032090
96a	11583129	1589882	0	13040	1384668	930279	1169516	610825	2077221	3807698
96b	11279801	1551042	0	0	1497139	766872	1204601	602859	1849211	3808077
97a	9616546	1324919	0	16258	1274429	653495	890896	609754	1601141	3245654
97b	9650875	1321148	0	236995	1199354	632192	907705	555017	1760863	3037601
98a	12537354	1416393	0	378114	1470310	769244	1708225	628489	1925058	4241521
98b	8700720	1015007	0	269169	1016906	548067	832898	421083	1604557	2993033
Todos		30379485	6435091	913576	21777875	17268917	26136156	3428027	38355274	52715082

AFC	António Feliciano de Castilho	6,630	Poe	Poesias	6,630
AG	Almeida Garrett	141,571	Cam	Camões	28,354
			FC1	Folhas Caídas I	5,950
			FC2	Folhas Caídas II	3,732
			FLS	Frei Luís de Sousa	22,615
			VMT	Viagens na minha terra	80,920
AH	Alexandre Herculano	148,220	Bobo	O Bobo	62,518
			EP	Eurico o Presbítero	66,491
			HC	A Harpa do Crente	19,211
AJS	António José da Silva	27,891	GAM	Guerras do Alecrim e Manjerona	27,891
AQ	Antero de Quental	36,710	OM	Odes Modernas	21,241
			PR	Primaveras Românticas	15,469
CCB	Camilo Castelo Branco	140,874	AP	Amor de Perdição	57,640
			MM	Maria Moisés	24,417
			QA	A Queda de um Anjo	58,817
EQ	Eça de Queirós	261,146	Maias	Os Maias	263,146
GV	Gil Vicente	21,001	AA	Auto da Alma	4,428
			ABI	Auto da Barca do Inferno	5,837
			AI	Auto da Índia	3,263
			FIP	Farsa de Inês Pereira	7,473
JD	Júlio Dinis	607,933	FCM	Os Fidalgos da Casa Mourisca	168,453
			MC	A Morgadinha dos Canaviais	177,638
			PSR	As Pupilas do Senhor Reitor	115,062
			UFI	Uma Família Inglesa	146,780
PAV	Pe. António Vieira	14,073	CI	O Cárcere e interrogatório	510
			SSAP	Sermão de Santo António aos Peixes	14,048

classe	tamanho
poesia	100.866
prosa	1.236.332
teatro	70.554

	Tamanho	Futebol	Moda/vestuário	Saúde
PT	3279434	1644264	307042	1328128
BR	2623171	1347798	797300	478073
Todos		2992062	1104347	1806201

Género	Unidades	Textos
Literatura	368.024	151
Informativo	201.425	285
Jornalismo	88.070	536
Oral	66.565	29
Outros	16.061	33
Indef	16.774	81

Assuntos	Unidades	Textos
Agricultura	3458	8
Arqueologia	1669	3
Arte	4193	4
Astrologia	1292	1
Biologia	3660	3
Botânica	6082	4
Ciência	7375	9
Clima	302	1
Crónica	3716	11
Culinária	1316	1
Cultura	5698	44
Desporto	8173	39
Direito	1703	4
Ecologia	326	2
Economia	18360	60
Edição	821	1
Educação	1092	1
Entretenimento	4988	31
Escutismo	422	1
Estatística	1237	1
Filatelia	1109	1
Filosofia	3382	3
Física	627	1
Fotografia	1056	2
Generalidades	5476	45
Geografia	3685	6
Geologia	77	1
Gestão	2300	3
Hidrografia	1276	1
História	35076	30
Indef	482747	1
Indústria	1375	3
Internacional	8098	57
Jornalismo	277	536
Linguística	8066	12
Literatura	8180	14
Maternidade	344	1
Medicina	16837	18
Música	1689	3
Oceanografia	302	1
País	44537	206
Política	19620	36
Psicologia	2388	5
Religião	20977	32
Reportagem	1275	3
Saúde	4460	18
Sociedade	7286	58
Sociologia	10347	15
Título	173	12
Turismo	188	1
Zoologia	2985	15

Tipo	Descrição	Tamanho
DI	texto didáctico	425.692
ENC	enciclopédia	286.550
ENS	ensaio	2.169.726
EP	texto epistolar	3.332
JO.*	jornalístico	29.140.843
JOCF	jornalístico só CETENFolha	27.082.793
JO	jornalístico sem CETENFolha	2.058.050
LE	texto legal	1.117.747
LI	literário	921.011
RE	revista	152.366