Folha-RIcol - versão out/2002

Conteúdo:

1. Definição e Origem

2. Características do Folha-RIcol

3. Assuntos pesquisados e marcas

4. Agradecimentos

Mais informações sobre o corpus do NILC, que contém artigos provenientes do Jornal Folha de São Paulo do ano de 1994, pode ser encontrada na página sobre a história do Corpus NILC e seus descendentes.

Derivação a partir do corpus do NILC

1. Divisão do corpus em diferentes documentos: Nesta etapa tem-se a identificação das marcas de início e fim de artigo, a retirada das etiquetas sintáticas e morfossintáticas e a preservação das palavras em sua forma normal. No final desta etapa, os artigos estão divididos em diferentes documentos.

2. Pesquisa extensiva de assuntos nos artigos e marcação dos documentos com uma marca específica.

Contato

Luiz Augusto Sangoi Pizzato:

Internet: http://www.luizpizzato.hpg.com.br

E-Mail: pizzato@inf.pucrs.br

Marco Antonio Insaurriaga Gonzalez:

Internet: http://www.inf.pucrs.br/~gonzalez/

E-Mail: gonzalez@inf.pucrs.br

• 5090 artigos, provenientes do corpus do NILC, armazenados em arquivos individuais (listas dos ficheiros de origem dos artigos: completa, resumida)
• marcação de artigos relevantes para 18 assuntos pesquisados.
• não existem etiquetas junto ao texto dos artigos (as marcas de assunto encontram-se no nome dos arquivos).
• o título e corpo dos artigos não estão identificados/separados.
• as palavras dos artigos encontram-se na forma normal.
• as palavras não possuem acentuação e o caractere 'ç' foi substituído por 'c'.
• existem 3 saltos na numeração: x0200, x1897 e x4744. Não existem artigos com estes nomes no Folha-RIcol, provavelmente, devido a um erro na nomeação dos arquivos.