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
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 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

CIENCIAVIVA Textos escritos sobre ciência em Portugal

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

CoNE Corpo de Correio Não-Endereçado, criado pela Linguateca

CORDIAL-SIN Corpo de excertos de conversas orais, semidirigidas, em Portugal

DHBB Corpo de verbetes enciclopédicos sobre políticos brasileiros

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-PT Corpo 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 Gago Notícias sobre Mariano Gago e textos dele e sobre ele

Marielle, presente! Textos escritos por Marielle Franco, e sobre ela

Moçambula Carta de leitores em jornais moçambicanos

Museu da Pessoa Corpo de entrevistas portuguesas e brasileiras realizadas pelo Museu da Pessoa

Natura/Minho Corpo jornalístico Natura/Diário do Minho

NOBRE Corpo de texto literário lusófono publicado na Europa

OBras Corpo de texto literário brasileiro

P'lo Norte Corpo de blogues de portugueses sobre a Noruega

ReLi Corpo 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-NILC 4.965 4.904 105.499 17.181 134.297
ANCIB 80.775 57.474 1.243.068 71.161 1.672.505
Avante! 193.111 62.528 6.506.813 120.542 7.666.370
Corpus Brasileiro 40.981.957 10.255 893.043.840 4.620.871 1.057.661.890
CD HAREM 12.558 7.276 225.766 30.985 290.001
CETEMPúblico 7.025.567 2.569.909 190.601.605 942.134 234.481.482
CHAVE 4.385.437 2.063.094 92.387.266 694.535 116.836.447
Ciência Viva 27.269 12.483 656.589 41.968 799.360
Colonia 283.546 283.553 4.977.678 174.024 6.643.879
CONDIVport 301.047 148.881 5.558.299 155.952 7.132.225
CONDIVport2 6.533 3.929 172.486 19.989 209.289
CoNE 31.571 19.422 671.756 43.499 911.431
C-Oral-Brasil 30.632 0 263.937 14.432 435.507
CORDIAL-SIN 98.010 48.938 850.281 29.680 1.487.855
CorTrad, lado português 65.370 16.019 1.307.745 66.737 1.739.029
DHBB 461.806 12.045 14.043.229 122.410 15.961.021
DiaCLAV 210.964 24.489 6.568.833 109.199 7.709.828
Diáspora TL-PT 1.035 0 21.877 3.046 27.389
ECI-EBR 44.381 12.116 724.189 60.211 920.027
ECI-EE 839 340 27.111 4.118 31.900
ENPCPUB (parte em português) 4.371 1.682 72.798 12.884 92.679
Floresta 257.017 37.681 4.779.248 160.147 5.815.359
FrasesPB 652 648 19.161 6.006 23.248
FrasesPP 594 594 16.257 5.088 19.968
Mariano Gago 23.303 11.392 571.318 31.831 696.839
LeMe 178.682 143.624 2.557.040 41.919 3.474.804
Literateca 2.314.324 806.789 37.226.384 576.610 51.961.108
Marielle, presente! 20.443 10.291 405.839 26.092 502.073
Moçambula 2.285 133 58.498 10.718 68.922
Museu da Pessoa 93.466 11.771 1.422.946 42.526 1.838.834
Natura/Minho 70.273 56.926 1.747.461 68.143 2.203.547
NOBRE 498.430 172.612 8.693.450 238.978 11.934.181
OBras 640.903 236.291 10.373.732 238.033 14.640.481
PANTERA, lado português 43.240 15.471 636.189 46.206 939.091
P'lo Norte 2.381 1.121 40.898 8.154 52.425
Português Falado - Documentos Autênticos 7.569 3.500 106.881 8.629 148.106
ReLi 7.349 0 133.271 13.082 163.747
NILC/São Carlos 2.053.985 873.533 33.991.552 422.804 44.673.220
todos juntos 56.970.430 6.101.626 1.261.058.299 5.491.047 1.518.927.964
Tycho Brahe 135.840 136.282 3.334.039 148.695 4.204.142
Vercial 1.003.667 232.797 14.896.150 341.716 21.101.420
Total 61.606.147 8.110.793 1.341.040.979 -- 1.627.305.926

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 6361 2779 408 5960 311 498 17231
ANCIB 10174 4292 574 7791 1745 1141 33578
Avante! 10404 5817 839 12351 995 656 34201
CDHAREM 10212 4228 610 8887 979 628 31180
CETEMPúblico 194820 95036 7088 216004 125961 6368 975711
CHAVE 162562 78816 5849 174565 94756 4909 743884
Ciência Viva 12878 7101 858 12739 1748 836 42807
Colonia 50229 25341 2707 85775 1143 1725 174524
ConDIVport 37514 21602 2290 45297 5071 1650 130596
ConDIVport2 6555 2723 416 5999 812 519 20186
ConE 14428 5796 664 9350 3618 1219 46702
C-ORAL_Brasil 5546 1903 334 4807 342 753 14588
CORDIAL-SIN 11349 2855 359 14358 157 803 29813
DHBB 28630 15824 1428 36541 9826 884 128026
DiaCLAV 10165 4767 644 11219 1319 609 33048
Diáspora TL-PT 990 318 156 1079 88 326 3070
ECI-EBR 13380 6436 848 15083 494 684 39087
ECI-EE 1370 854 204 1293 249 291 4278
ENPC (parte pública) 4385 1959 452 5034 141 487 12901
Floresta 46916 21872 2189 48643 6024 3144 164357
FrasesPB 2568 953 214 1763 67 333 6018
FrasesPP 2036 872 207 1449 79 316 5102
Mariano Gago 9685 5006 811 11831 902 716 32106
LeMe 12339 8507 621 8562 3948 1175 43227
Literateca 160377 83424 7447 337036 12476 5922 578136
Marielle, presente! 8187 3755 551 8575 1148 737 26528
Moçambula 3745 1668 388 3770 181 483 10762
Museu da Pessoa 14559 6061 744 17217 588 774 42645
Natura/Minho 20342 10392 1108 21675 4142 859 69748
NOBRE 64764 38187 3928 121961 1569 2563 240285
OBras 62871 34208 3657 127736 2042 1885 238696
Plonorte 2877 1194 320 2574 262 425 8218
PortFalDA 3380 1146 247 3425 58 368 8638
ReLi 4243 2512 534 5011 147 1641 14273
NILC/São Carlos 104244 50662 3744 105195 56313 2336 446916
Vercial 89602 45637 4163 166897 3348 2086 342946
382926 182807 11984 424308 202516 13452 1723784

Corpus Lemas
N ADJ ADV V NUM GRAM PROP todos todos/pos
AmostRA 4988 1940 329 1874 311 161 1613 11070 11222
ANCIB 7055 2443 446 2009 1730 227 10668 24190 24583
Avante! 7133 3240 695 2386 1054 204 7671 22084 22388
CDHAREM 7150 2709 459 2145 983 191 6930 20258 20567
CETEMPúblico 140352 54751 5527 23777 138272 632 1034812 1389316 1398134
CHAVE 112598 43110 4505 19437 100865 626 684069 958683 965218
Ciência Viva 9067 4009 680 2426 1799 214 10437 28242 28637
Colonia 35012 13226 2255 10135 1400 440 28935 90590 91409
ConDIVport 24992 11102 1844 5746 5451 343 35466 84154 84949
ConDIVport2 4850 1712 332 1593 809 163 4373 13582 13837
ConE 9300 2933 510 2134 3642 246 17614 35898 36386
C-ORAL_Brasil 4455 1318 230 1395 327 213 2035 9608 9978
CORDIAL-SIN 7730 1750 225 2239 303 247 2164 14558 14664
DHBB 18049 7771 1103 4101 10094 262 149847 190262 191233
DiaCLAV 6805 2738 510 2259 1360 199 10861 24428 24737
Diáspora TL-PT 829 234 116 361 84 124 232 1905 1985
ECI-EBR 9564 3959 667 3053 644 213 4839 22596 22944
ECI-EE 1102 550 181 494 250 104 180 2822 2867
ENPC (parte pública) 3512 1390 372 1434 141 155 764 7628 7774
Floresta 30516 11249 1886 6797 6138 610 86695 142045 143896
FrasesPB 2146 743 189 830 59 118 217 4207 4308
FrasesPP 1684 681 182 655 71 117 213 3564 3609
Mariano Gago 6693 2879 631 2194 924 214 7480 20781 21021
LeMe 8854 5528 496 2134 3619 1098 15942 37138 37676
Literateca 116833 46371 5785 37634 6117 786 185194 387262 398734
Marielle, presente! 5477 2174 425 1922 1181 212 6670 17755 18066
Moçambula 2884 1157 301 1267 180 158 842 6693 6795
Museu da Pessoa 10066 3478 555 2893 708 253 8279 25667 26237
Natura/Minho 12962 5465 876 3645 4429 257 30800 57848 58440
NOBRE 45579 20408 3295 14059 1953 509 39338 123148 125150
OBras 41576 16757 3043 12059 2461 509 37614 113106 114025
Plonorte 2212 808 246 858 250 146 801 5222 5327
PortFalDA 2795 808 246 1026 132 171 417 5469 5601
ReLi 3211 1525 391 1409 133 177 848 7382 7699
NILC/São Carlos 69013 26006 3060 13113 59222 543 315601 482775 486566
Vercial 61894 23860 3409 18169 4015 565 106451 215090 218373
289911 113206 9948 57410 220100 1995 1777943 2450358 2469603

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 a 30 de julho de 2022, v. 6.5

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	134297	17231
Total de palavras	105499	17181
Palavras em minúscula	78374	13519
Palavras com inicial maiúscula	9502	2404
Palavras todas em maiúsculas	5476	43
Números	905	186
Palavras com números	77	50
Palavras mistas	30	26
Pontuação	6119	50

Número de unidades estruturais

Atributo	Número
s	4965
p	4904
mwe	1470

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	8169	9916
Locuções	1470	3129
Palavras gráficas	105499	105499
Palavras simples	92454	92454
Palavras	102093	105499

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	24502	26,50%
Verbos	V.*	14230	15,39%
Adjectivos	ADJ.*	6605	7,14%
Pronomes pessoais	.PERS.	2267	2,45%
Preposições	PRP.*	16929	18,31%
Conjunções	K.*	3954	4,28%
Advérbios	ADV.*	4732	5,12%
Determinantes	.DET.	17400	18,82%
Especificadores	.SPEC.	1692	1,83%
Numerais	NUM.*	1787	1,93%

^{^}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 em novembro de 2018, v. 8.0

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	1672505	75783
Total de palavras	1243068	71161
Palavras em minúscula	832401	35006
Palavras com inicial maiúscula	226177	22391
Palavras todas em maiúsculas	18225	2064
Números	19568	1213
Palavras com números	2631	752
Palavras mistas	2378	639
Pontuação	109059	3157

Número de unidades estruturais

Atributo	Número
p	57453
s	80732
mwe	11817
autor	2996
mens	3001
assunto	2968
li	0
titulo	0
cita	80

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	99938	123
Locuções	11817	24817
Palavras gráficas	1243068	1243068
Palavras simples	1218128	1218128
Palavras	1329883	1243068

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	288889	23,72%
Verbos	V.*	125243	10,28%
Adjectivos	ADJ.*	76230	6,26%
Pronomes pessoais	.PERS.	13273	1,09%
Preposições	PRP.*	202953	16,66%
Conjunções	K.*	57477	4,72%
Advérbios	ADV.*	36596	3,00%
Determinantes	.DET.	192031	15,76%
Especificadores	.SPEC.	14924	1,23%
Numerais	NUM.*	33045	2,71%

^{^}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 1 de agosto de 2022, v. 7.5

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	7666370	122099
Total de palavras	6506813	120542
Palavras em minúscula	5097340	67803
Palavras com inicial maiúscula	662760	29112
Palavras todas em maiúsculas	82069	3340
Números	58473	1586
Palavras com números	1108	363
Palavras mistas	1703	765
Pontuação	334354	1525

Número de unidades estruturais

Atributo	Número
art	7520
t	25829
a	1
p	62527
li	7693
s	193103
mwe	116061

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	294183	516609
Locuções	116061	250791
Palavras gráficas	6506813	6506813
Palavras simples	5739413	5739413
Palavras	6149657	6506813

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	1436678	25,03%
Verbos	V.*	779461	13,58%
Adjectivos	ADJ.*	455643	7,94%
Pronomes pessoais	.PERS.	89566	1,56%
Preposições	PRP.*	1229788	21,43%
Conjunções	K.*	310465	5,41%
Advérbios	ADV.*	293274	5,11%
Determinantes	.DET.	1259322	21,94%
Especificadores	.SPEC.	131118	2,28%
Numerais	NUM.*	103444	1,80%

^{^}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:

Componente falado: http://corpusbrasileiro.pucsp.br/temp/tbuf.txt.gz
Componente escrito: http://corpusbrasileiro.pucsp.br/temp/tbue.txt.gz

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 1 de abril de 2023, v. 6.4

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:

genero Gênero Fonte

ei Acadêmico Artigos

ej Acadêmico Teses e dissertações

eq Acadêmico Anais de congresso

en Cinema e TV Roteiros

ee/ef Educação Diversos

ee/ef Educação Diversos

et Enciclopédia Wikipédia

fa Esporte Narração de jogos de futebol

ek Informática Manuais

ed Jornalismo Revistas

eg Jornalismo Jornais

eo Jornalismo Horóscopo

fe Jornalismo Entrevistas

em/ex Legislação Diversos

em/ex Legislação Diversos

eb Literatura Contos

ec Literatura Crônicas

eh/ew Literatura Variados

eh/ew Literatura Variados

eu Literatura Biografias

ea Medicina Bulas de remédio

ep Política Atas de assembléia legislativa

fb Política Debates de TV

fc Política Pronunciamentos do presidente

fd Política Sessões do congresso

el Religião Diversos

ev Religião Bíblia

er/es Técnico Relatórios e manuais diversos

er/es Técnico Relatórios 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.

Género Unidades

ea 112.872

eb 60.906

ec 162.264

ed 493.902

ee 79.343.903

ef 3.025.965

eg 356.259.687

eh 1.372.688

ei 256.289.237

ej 153.262.807

et 2.193.673

eu 575.024

ev 874.402

ew 7.227.101

ex 8.659.018

fa 86.132

fb 21.934

fc 1.804.482

fd 75.656.246

fe 3.995.615

Dados quantitativos

Corpo CBRAS	Número de formas	Número de tipos
Unidades	1057661890	5145841
Total de palavras	893043840	4620871
Palavras em minúscula	614067035	1210168
Palavras com inicial maiúscula	112115355	923373
Palavras todas em maiúsculas	22086587	353498
Números	17359887	50849
Palavras com números	2101186	382541
Palavras mistas	3014318	348150
Pontuação	58576460	506531

Número de unidades estruturais

Atributo	Número
p	7
s	39213589
mwe	11977777

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	64131442	97180116
Locuções	11977777	25458405
Palavras gráficas	893041999	893041999
Palavras simples	770403478	770403478
Palavras	846512697	893041999

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	209338344	27,17%
Verbos	V.*	101557010	13,18%
Adjectivos	ADJ.*	57574377	7,47%
Pronomes pessoais	.PERS.	11383464	1,48%
Preposições	PRP.*	146962638	19,08%
Conjunções	K.*	34950369	4,54%
Advérbios	ADV.*	31693770	4,11%
Determinantes	.DET.	138754250	18,01%
Especificadores	.SPEC.	11798249	1,53%
Numerais	NUM.*	29488348	3,83%

^{^}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:

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 relacionados com a anotação das entidades:

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	290001	31214
Total de palavras	225766	30985
Palavras em minúscula	165617	19241
Palavras com inicial maiúscula	32737	7956
Palavras todas em maiúsculas	1400	1046
Números	2887	564
Palavras com números	123	83
Palavras mistas	149	95
Pontuação	15197	229

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 gramatical	Expressão de procura	Número de palavras	Percentagem 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 a 23 de março de 2022, v. 11.4

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 7396968 650981 187513 0 879075 520598 2887737 0 1007289 1263775
91b 14210601 1251937 215047 0 1427909 946969 5732115 0 2155398 2481226
92a 15290270 2500937 533345 0 1517209 1525420 2092990 0 3918509 3201860
92b 11488968 2214498 437983 0 1314823 1301968 507952 0 2703877 3007867
93a 15210281 3163763 900181 0 1489388 1686346 597464 0 3404173 3968966
93b 12132274 2256184 582214 0 1266726 1269423 1076644 0 2564327 3116756
94a 15343936 3017701 869601 0 1516943 1582045 1469073 0 3295580 3592993
94b 14829840 2764629 870733 0 1606241 1579235 1726296 0 2912637 3370069
95a 16606341 2756123 1084432 0 1814981 1617265 1925960 0 3078377 4329203
95b 15647573 2214364 934542 0 1614162 1426570 2060856 0 3258946 4138133
96a 11921713 1632220 0 13242 1427312 967835 1206230 625093 2134543 3915238
96b 11615632 1596073 0 0 1546065 796135 1240901 617724 1902035 3916699
97a 9887288 1361223 0 16978 1318263 675161 921091 621106 1638677 3334789
97b 9931347 1355316 0 243759 1238232 656795 939859 566970 1807199 3123217
98a 12889295 1452969 0 387724 1520426 796910 1759877 642908 1974085 4354396
98b 8943476 1044092 0 277020 1049087 569141 857379 429308 1643860 3073589
Todos 31233010 6615591 938723 22546842 17917816 27002424 3503109 39399512 54188776

Dados quantitativos

Corpo CETEMPUBLICO	Número de formas	Número de tipos
Unidades	234481482	975711
Total de palavras	190601605	942134
Palavras em minúscula	143748137	269685
Palavras com inicial maiúscula	23575701	308239
Palavras todas em maiúsculas	1455352	32754
Números	1828253	10452
Palavras com números	235605	14192
Palavras mistas	125615	37986
Pontuação	12746110	31319

Número de unidades estruturais

Atributo	Número
p	2569908
s	7025565
ext	1503050
t	654622
a	247215
mwe	3396062
marca	3629

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	10896703	18644466
Locuções	3396062	7244126
Palavras gráficas	190601605	190601605
Palavras simples	164713013	164713013
Palavras	179005778	190601605

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	38761933	23,53%
Verbos	V.*	24561240	14,91%
Adjectivos	ADJ.*	11573570	7,03%
Pronomes pessoais	.PERS.	2868148	1,74%
Preposições	PRP.*	34163612	20,74%
Conjunções	K.*	7702725	4,68%
Advérbios	ADV.*	9474774	5,75%
Determinantes	.DET.	34674168	21,05%
Especificadores	.SPEC.	3649235	2,22%
Numerais	NUM.*	4364400	2,65%

^{^}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, criado em 19 de marÃ§o de 2022, v. 9.3

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	125685139	743884
Total de palavras	99204684	715686
Palavras em minúscula	72649675	227627
Palavras com inicial maiúscula	12745938	232395
Palavras todas em maiúsculas	885211	27737
Números	1105059	7440
Palavras com números	104416	9793
Palavras mistas	153010	18550
Pontuação	6832124	26576

Número de unidades estruturais

Atributo	Número
s	4761994
t	580067
p	2272586
mwe	1646253
data	210733
DOC	210733
CATEGORY	210733
EM	210712

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	5786022	9714016
Locuções	1646253	3518080
Palavras gráficas	99204684	99204684
Palavras simples	85972588	85972588
Palavras	93404863	99204684

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	20745652	24,13%
Verbos	V.*	12931871	15,04%
Adjectivos	ADJ.*	5947622	6,92%
Pronomes pessoais	.PERS.	1483971	1,73%
Preposições	PRP.*	17393387	20,23%
Conjunções	K.*	3985971	4,64%
Advérbios	ADV.*	4666661	5,43%
Determinantes	.DET.	17637008	20,51%
Especificadores	.SPEC.	1774401	2,06%
Numerais	NUM.*	2389751	2,78%

^{^}Voltar ao início da página

Corpo Ciência Viva

O corpo Ciência Viva é constituído por notícias de jornal promovidas pela plataforma "Ciência na Imprensa Regional". Esta é uma iniciativa da Ciência Viva - Agência Nacional para a Cultura Científica e Tecnológica, lançada em 2011, com o objetivo de estimular a comunicação de ciência na imprensa regional em Portugal.

A plataforma "Ciência na Imprensa Regional", http://imprensaregional.cienciaviva.pt, é um sistema digital de edição e distribuição de conteúdos de divulgação científica da autoria de cientistas e profissionais de comunicação de ciência. Após edição e catalogação os conteúdos ficam disponíveis para publicação por todos os órgãos de comunicação social, locais e regionais.

Corpo CIENCIAVIVA, criado a 31 de julho de 2022, v. 2.5

Agradecemos a Carlos Catalão Alves, da Direção da Ciência Viva, esta colaboração.

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).

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

Dados quantitativos

Corpo CIENCIAVIVA	Número de formas	Número de tipos
Unidades	799360	42807
Total de palavras	656589	41968
Palavras em minúscula	499826	26448
Palavras com inicial maiúscula	76615	9330
Palavras todas em maiúsculas	4832	951
Números	7797	768
Palavras com números	1146	540
Palavras mistas	479	251
Pontuação	35059	665

Número de unidades estruturais

Atributo	Número
p	12475
s	27256
texto	1122
t	1123
mwe	11539

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	30512	59766
Locuções	11539	24534
Palavras gráficas	656589	656589
Palavras simples	572289	572289
Palavras	614340	656589

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	146108	25,53%
Verbos	V.*	80215	14,02%
Adjectivos	ADJ.*	47738	8,34%
Pronomes pessoais	.PERS.	8207	1,43%
Preposições	PRP.*	114826	20,06%
Conjunções	K.*	27437	4,79%
Advérbios	ADV.*	29386	5,13%
Determinantes	.DET.	117942	20,61%
Especificadores	.SPEC.	11529	2,01%
Numerais	NUM.*	12394	2,17%

^{^}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.)

Corpo COLONIA, criado a 20 de maio de 2023, v. 8.17

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 formas	Número de tipos
Unidades	6643879	174524
Total de palavras	4977678	174024
Palavras em minúscula	3865618	110324
Palavras com inicial maiúscula	458176	29333
Palavras todas em maiúsculas	16163	3410
Números	6196	765
Palavras com números	82	55
Palavras mistas	2789	1501
Pontuação	370640	364

Número de unidades estruturais

Atributo	Número
p	279201
s	279201
texto	0
parte	1721
mwe	79358

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	159599	218449
Locuções	79358	171691
Palavras gráficas	4977678	4977678
Palavras simples	4587538	4587538
Palavras	4826495	4977678

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	927149	20,21%
Verbos	V.*	822277	17,92%
Adjectivos	ADJ.*	276779	6,03%
Pronomes pessoais	.PERS.	240230	5,24%
Preposições	PRP.*	695483	15,16%
Conjunções	K.*	283601	6,18%
Advérbios	ADV.*	328035	7,15%
Determinantes	.DET.	837771	18,26%
Especificadores	.SPEC.	130776	2,85%
Numerais	NUM.*	38802	0,85%

^{^}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 16 de setembro de 2022, v. 11.5

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.

Valores de fonte para os jornais desportivos: Bola, Record, MundoDesp, OJogo, JSports, OEestadoSP, GazetaEsp, 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 nos atributos sema e grupo, por enquanto referente apenas a cor e roupa.

Tamanho Futebol Moda/vestuário Saúde
PT 3333411 1679290 316853 1337268
BR 2649379 1367115 801410 480854
Todos 3046405 1118273 1818122

Dados quantitativos

Corpo CONDIV	Número de formas	Número de tipos
Unidades	7132225	158450
Total de palavras	5558299	155952
Palavras em minúscula	4184249	81126
Palavras com inicial maiúscula	592193	36060
Palavras todas em maiúsculas	76632	11056
Números	71206	1657
Palavras com números	2914	1010
Palavras mistas	4649	1752
Pontuação	401428	2124

Número de unidades estruturais

Atributo	Número
ext	4080
texto	6222
p	148503
s	301038
mwe	95928

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	249554	356821
Locuções	95928	204030
Palavras gráficas	5558299	5558299
Palavras simples	4997448	4997448
Palavras	5342930	5558299

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	1212160	24,26%
Verbos	V.*	755561	15,12%
Adjectivos	ADJ.*	390572	7,82%
Pronomes pessoais	.PERS.	100328	2,01%
Preposições	PRP.*	898144	17,97%
Conjunções	K.*	255176	5,11%
Advérbios	ADV.*	302106	6,05%
Determinantes	.DET.	961349	19,24%
Especificadores	.SPEC.	95559	1,91%
Numerais	NUM.*	131445	2,63%

^{^}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, anotado a 30 de julho de 2022, v. 2.2

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.

Valores de fonte possíveis: JB, DN.

Tamanho Futebol Moda/vestuário Saúde
PT 3333411 1679290 316853 1337268
BR 2649379 1367115 801410 480854
Todos 3046405 1118273 1818122

Dados quantitativos

Corpo CONDIV2	Número de formas	Número de tipos
Unidades	209289	20186
Total de palavras	172486	19989
Palavras em minúscula	128047	13455
Palavras com inicial maiúscula	23038	4588
Palavras todas em maiúsculas	1343	367
Números	2184	339
Palavras com números	186	90
Palavras mistas	349	140
Pontuação	9585	182

Número de unidades estruturais

Atributo	Número
texto	520
p	1260
s	35
mwe	2621

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	10536	19582
Locuções	2621	5478
Palavras gráficas	172486	172486
Palavras simples	147426	147426
Palavras	160583	172486

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	37048	25,13%
Verbos	V.*	22213	15,07%
Adjectivos	ADJ.*	9272	6,29%
Pronomes pessoais	.PERS.	1832	1,24%
Preposições	PRP.*	31575	21,42%
Conjunções	K.*	6952	4,72%
Advérbios	ADV.*	6481	4,40%
Determinantes	.DET.	30952	20,99%
Especificadores	.SPEC.	2805	1,90%
Numerais	NUM.*	3895	2,64%

^{^}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 31 de julho de 2022, v. 6.6

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 formas	Número de tipos
Unidades	911431	46702
Total de palavras	671756	43499
Palavras em minúscula	394275	18341
Palavras com inicial maiúscula	132041	12094
Palavras todas em maiúsculas	39762	5616
Números	14289	767
Palavras com números	2916	650
Palavras mistas	3445	927
Pontuação	59862	2827

Número de unidades estruturais

Atributo	Número
p	19371
s	31568
mwe	7117
autor	1761
mens	1900
assunto	1856
div	0
li	24574
t	0
cita	0

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	30328	105359
Locuções	7117	15205
Palavras gráficas	671756	671756
Palavras simples	551192	551192
Palavras	588637	671756

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	159366	28,91%
Verbos	V.*	68941	12,51%
Adjectivos	ADJ.*	42150	7,65%
Pronomes pessoais	.PERS.	8950	1,62%
Preposições	PRP.*	99805	18,11%
Conjunções	K.*	29962	5,44%
Advérbios	ADV.*	23372	4,24%
Determinantes	.DET.	85515	15,51%
Especificadores	.SPEC.	6031	1,09%
Numerais	NUM.*	24186	4,39%

^{^}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 em 30 de julho de 2022, v. 5.3

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 formas	Número de tipos
Unidades	435507	14588
Total de palavras	263937	14432
Palavras em minúscula	166408	10314
Palavras com inicial maiúscula	30569	3251
Palavras todas em maiúsculas	19478	300
Números	1284	99
Palavras com números
Palavras mistas	114	36
Pontuação	28741	16

Número de unidades estruturais

Atributo	Número
p	0
s	30624
fala	19393
personagem	19391
mwe	2910

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	23565	24834
Locuções	2910	6144
Palavras gráficas	263937	263937
Palavras simples	232959	232959
Palavras	259434	263937

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	36955	15,86%
Verbos	V.*	47840	20,54%
Adjectivos	ADJ.*	9874	4,24%
Pronomes pessoais	.PERS.	11451	4,92%
Preposições	PRP.*	18530	7,95%
Conjunções	K.*	18830	8,08%
Advérbios	ADV.*	25282	10,85%
Determinantes	.DET.	26399	11,33%
Especificadores	.SPEC.	5812	2,49%
Numerais	NUM.*	4238	1,82%

^{^}Voltar ao início da página

Corpo CORDIAL-SIN

O Corpus Dialetal para o Estudo da Sintaxe/Syntax-oriented Corpus of Portuguese Dialects (CORDIAL-SIN) é um corpus anotado (POS-tags e treebank) representativo dos dialetos do português europeu (continentais e insulares). É constituído por transcrições (600.000 palavras) de discurso oral (livre e semidirigido) extraído de gravações do Arquivo Sonoro do Grupo de Dialetologia e Diacronia do Centro de Linguística da Universidade de Lisboa (CLUL), obtidas em 42 pontos do território continental e arquipélagos dos Açores e Madeira. O corpus foi construído no âmbito de projetos financiados pela FCT e deve ser referido como Martins, Ana Maria (coord.). [2000- ]. CORDIAL-SIN: Corpus Dialectal para o Estudo da Sintaxe / Syntax-oriented Corpus of Portuguese Dialects. CC licensed: CORDIAL-SIN by Centro de Linguística da Universidade de Lisboa. ISLRN: 144-935-399-699-8. URL: http://clul.ulisboa.pt/recurso/cordial-sin-syntax-oriented-corpus-portuguese-dialects.

Mais informação sobre o corpus em: http://www.clul.ulisboa.pt/recurso/cordial-sin-syntax-oriented-corpus-portuguese-dialects

E acesso ao CORDIAL-SIN-TreeBank (ISLRN: 337-389-991-117-2) em: acesso

No AC/DC por enquanto apenas usamos o texto editado, mas é possível que incluamos a anotação numa segunda fase.

Corpo CORDIAL-SIN, versão texto de janeiro de 2021, anotado em 31 de julho de 2022, v. 1.3

Agradecemos calorosamente a Ana Maria Martins a pronta autorização para disponibilização do CORDIAL-SIN.

Estrutura do corpo

O corpo contém as etiquetas entrevista (documento), fala (fala de um interlocutor), personagem (identificação do interlocutor), p (parágrafo) e s (frase).

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

Aqui listamos os metadados associados a cada fonte (excerto de entrevista) do CORDIAL-SIN: Metadados CORDIAL-SIN

E aqui a informação genérica relacionada com os informantes: Informantes CORDIAL-SIN

Dados quantitativos

Corpo CORDIAL-SIN	Número de formas	Número de tipos
Unidades	1487855	29813
Total de palavras	850281	29680
Palavras em minúscula	612567	19578
Palavras com inicial maiúscula	102739	4955
Palavras todas em maiúsculas	19658	19
Números	131	53
Palavras com números	29371	10
Palavras mistas	678	435
Pontuação	111698	132

Número de unidades estruturais

Atributo	Número
p	48938
s	98010
entrevista	2058
fala	48938
personagem	48938
mwe	15977

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	56459	58818
Locuções	15977	32929
Palavras gráficas	850281	850281
Palavras simples	758534	758534
Palavras	830970	850281

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	130719	17,23%
Verbos	V.*	164287	21,66%
Adjectivos	ADJ.*	19164	2,53%
Pronomes pessoais	.PERS.	39542	5,21%
Preposições	PRP.*	83252	10,98%
Conjunções	K.*	50878	6,71%
Advérbios	ADV.*	110174	14,52%
Determinantes	.DET.	121486	16,02%
Especificadores	.SPEC.	27739	3,66%
Numerais	NUM.*	9784	1,29%

^{^}Voltar ao início da página

Corpo CorTrad, lado português

O corpo CorTrad (parte portuguesa) é um corpo paralelo multiversão português-inglês desenvolvido numa parceria COMET-Linguateca, ver CorTrad.

Mais informação sobre o corpo pode ser obtida em Tagnin et al. (2009), Teixeira et al. (2012), e Santos et al. (2012).

Versão do corpus de 30 de janeiro de 2023

Estrutura do corpo

O corpus tem informação de obra, autor, data, se é tradução ou original, nome dos tradutores, e classe [género: lit - literário, culi - culinário, jorn - jornalístico]. Além disso está também dividido em s [frases].

Dados quantitativos

Número de unidades estruturais

Contabilização de multipalavras

Distribuição por categoria gramatical

^{^}Voltar ao início da página

Corpo DHBB

O corpo Dicionários Históricos Brasileiros contém o material de três obras de referência concebidas pelo Centro de Pesquisa e Documentação de História Contemporânea do Brasil da Fundação Getulio Vargas (CPDOC/FGV): (1) o Dicionário histórico-biográfico da Primeira República (DHBPR), com dados sobre o período que vai da Proclamação da República, em 1889, até a Revolução de 1930; (2) o Dicionário Histórico-Biográfico Brasileiro (DHBB), sobre o período pós-1930 até os dias atuais; e (3) o Dicionário da política republicana do Rio de Janeiro (DPRRJ), sobre a história do estado e da cidade do Rio de Janeiro desde a Proclamação da República. Para saber mais, consulte a página sobre este corpo no AC/DC.

Os três dicionários histórico-biográficos foram concebidos em sua origem com o propósito básico de prover aos estudiosos e demais interessados na história do Brasil, informações sistematizadas sobre personagens e temas considerados relevantes do período e contexto ao qual se referem. Cada um deles é constituído por uma seleção de verbetes cuja produção e curadoria é de responsabilidade do Centro de Pesquisa e Documentação de História Contemporânea do Brasil da Fundação Getulio Vargas.

No plano biográfico encontramos os ocupantes dos mais relevantes cargos políticos e de repercussão política, assim como participantes de episódios marcantes - presidentes da República, vice-presidentes, governadores, ministros de Estado, senadores, deputados, comandantes das forças armadas, embaixadores, presidentes das mais importantes federações, confederações de empregados e empregadores, jornalistas mais destacados, religiosos e presidentes de partidos políticos. No plano temático, encontramos os partidos políticos e as organizações e movimentos políticos, os principais acontecimentos histórico-políticos, as constituintes, constituições, alguns destacados decretos, leis e códigos; correntes e conceitos básicos da história política; as instituições econômicas e administrativas de maior repercussão no cenário nacional; as mais importantes organizações de trabalhadores e empresários; os jornais e revistas de impacto nacional, principais emissoras de rádio e televisão.

Apenas o Dicionário Histórico-Biográfico Brasileiro (DHBB) encontra-se aberto e integralmente disponível para consulta no portal do CPDOC (https://cpdoc.fgv.br/acervo/dhbb). Os demais podem ser obtidos através da editora da FGV (https://editora.fgv.br/).

Incorporada à Linguateca em 2018/2019, o objetivo é que a coleção possa ser interrogada através da linguagem CQP (Corpus Query Processor) e disponibilizada para treino, teste ou validação de sistemas que trabalham com processamento de linguagem natural, nas mais variadas formas. Trata-se portanto de um trabalho em progresso, que esperamos ajude a aprimorar as ferramentas criadas pela comunidade.

Corpo DHBB, criado a 14 de setembro de 2022, v. 8.2

Agradecemos à Fundação Getulio Vargas a autorização para a disponibilização do recurso.

Estrutura do corpo

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

O atributo posicional fonte indica a que verbete cada palavra pertence (ver lista dos verbetes), enquanto o atributo posicional entidade indica, para cada nome próprio, qual a sua correspondência real, tomando como "verdade" a mesma lista. Quando ainda não foi identificado, é marcado como "NS". Se se sabe que não está no DHBB por, por exemplo, não ser político, é marcado como "NV" (não verbetado).

O atributo posicional cargos tem a lista dos cargos associados a cada verbetado, com a indicação de cargo, estado pelo qual exerceu o cargo, e período temporal.

O atributo posicional sexo contém m se o biografado for masculino, f se for feminino, e N/A (não aplicável) se o verbete for temático.

Prevemos para breve uma classificação mais fina dos textos, com informação de datas de nascimento, assim como alguma limpeza do material.

Distribuição por tipo de texto

Dados quantitativos

Corpo DHBB	Número de formas	Número de tipos
Unidades	15961021	128026
Total de palavras	14043229	122410
Palavras em minúscula	9398687	54746
Palavras com inicial maiúscula	2457824	40493
Palavras todas em maiúsculas	171252	4729
Números	384407	1220
Palavras com números	861	418
Palavras mistas	13181	1464
Pontuação	634748	5553

Número de unidades estruturais

Atributo	Número
p	12045
s	461806
texto	12044
t	0
mwe	155551

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	1046364	2372013
Locuções	155551	336703
Palavras gráficas	14043229	14043229
Palavras simples	11334513	11334513
Palavras	12536428	14043229

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	2782358	24,55%
Verbos	V.*	1390988	12,27%
Adjectivos	ADJ.*	742073	6,55%
Pronomes pessoais	.PERS.	152876	1,35%
Preposições	PRP.*	2966063	26,17%
Conjunções	K.*	405956	3,58%
Advérbios	ADV.*	338315	2,98%
Determinantes	.DET.	2315661	20,43%
Especificadores	.SPEC.	148525	1,31%
Numerais	NUM.*	476157	4,20%

^{^}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 a 1 de agosto de 2022, v. 6.5

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	7709828	111502
Total de palavras	6568833	109199
Palavras em minúscula	4923846	58741
Palavras com inicial maiúscula	841207	28630
Palavras todas em maiúsculas	47400	3561
Números	58039	1287
Palavras com números	6924	1122
Palavras mistas	2150	848
Pontuação	389237	2275

Número de unidades estruturais

Atributo	Número
p	24489
s	210958
art	9165
t	9165
a	5695
mwe	116383

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	358742	703150
Locuções	116383	246973
Palavras gráficas	6568833	6568833
Palavras simples	5618710	5618710
Palavras	6093835	6568833

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	1340566	23,86%
Verbos	V.*	866352	15,42%
Adjectivos	ADJ.*	354444	6,31%
Pronomes pessoais	.PERS.	82852	1,47%
Preposições	PRP.*	1168109	20,79%
Conjunções	K.*	270941	4,82%
Advérbios	ADV.*	317548	5,65%
Determinantes	.DET.	1176094	20,93%
Especificadores	.SPEC.	127224	2,26%
Numerais	NUM.*	130740	2,33%

^{^}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 29 de julho de 2022, v. 3.5

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 formas	Número de tipos
Unidades	27389	3069
Total de palavras	21877	3046
Palavras em minúscula	16483	2335
Palavras com inicial maiúscula	2325	529
Palavras todas em maiúsculas	32	16
Números	135	55
Palavras com números
Palavras mistas	3	3
Pontuação	1870	19

Número de unidades estruturais

Atributo	Número
pergunta	245
s	1035
v	0
resposta	213
entrevista	5
mwe	314

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	652	840
Locuções	314	684
Palavras gráficas	21877	21877
Palavras simples	20353	20353
Palavras	21319	21877

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	3474	17,07%
Verbos	V.*	3784	18,59%
Adjectivos	ADJ.*	789	3,88%
Pronomes pessoais	.PERS.	787	3,87%
Preposições	PRP.*	2842	13,96%
Conjunções	K.*	1291	6,34%
Advérbios	ADV.*	2378	11,68%
Determinantes	.DET.	3011	14,79%
Especificadores	.SPEC.	547	2,69%
Numerais	NUM.*	282	1,39%

^{^}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
entrevista
informativo
discurso (discursos políticos, etc.)
jornalismo (notícias, breves, crónicas, etc.)
literatura (texto literário)
literatura ensaio (ensaios são considerados como um subgénero de literatura)
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 384.961 157

Informativo 203.436 288

Jornalismo 89.086 537

Oral 66.092 29

Outros 16.419 33

Indef 16.935 82

Assuntos Unidades Textos

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 em 31 de julho de 2022, v. 11.6

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	920027	60427
Total de palavras	724189	60211
Palavras em minúscula	569091	42117
Palavras com inicial maiúscula	73268	12211
Palavras todas em maiúsculas	197	50
Números	2001	461
Palavras com números	56	44
Palavras mistas	161	101
Pontuação	53749	213

Número de unidades estruturais

Atributo	Número
ext	1107
p	12116
s	44379
marca	3
mwe	13428

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	9565	33524
Locuções	13428	29095
Palavras gráficas	724189	724189
Palavras simples	661570	661570
Palavras	684563	724189

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	149007	22,52%
Verbos	V.*	114542	17,31%
Adjectivos	ADJ.*	45403	6,86%
Pronomes pessoais	.PERS.	24792	3,75%
Preposições	PRP.*	111301	16,82%
Conjunções	K.*	33787	5,11%
Advérbios	ADV.*	44536	6,73%
Determinantes	.DET.	124989	18,89%
Especificadores	.SPEC.	16247	2,46%
Numerais	NUM.*	9400	1,42%

^{^}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, criado a 30 de julho de 2022, v. 7.7

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	31900	4275
Total de palavras	27111	4118
Palavras em minúscula	21744	3327
Palavras com inicial maiúscula	1521	353
Palavras todas em maiúsculas	390	85
Números	466	103
Palavras com números	5	5
Palavras mistas	112	6
Pontuação	1216	155

Número de unidades estruturais

Atributo	Número
p	180
s	61
t	0
nota	10
marca	25
mwe	508

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	544	814
Locuções	508	1118
Palavras gráficas	27111	27111
Palavras simples	25179	25179
Palavras	26231	27111

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	7047	27,99%
Verbos	V.*	2930	11,64%
Adjectivos	ADJ.*	2421	9,62%
Pronomes pessoais	.PERS.	401	1,59%
Preposições	PRP.*	5408	21,48%
Conjunções	K.*	1270	5,04%
Advérbios	ADV.*	864	3,43%
Determinantes	.DET.	4981	19,78%
Especificadores	.SPEC.	353	1,40%
Numerais	NUM.*	717	2,85%

^{^}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):

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 a 30 de julho de 2022, v. 8.9

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	92677	12901
Total de palavras	72798	12881
Palavras em minúscula	57640	10245
Palavras com inicial maiúscula	7034	1669
Palavras todas em maiúsculas	71	48
Números	134	78
Palavras com números	11	2
Palavras mistas	18	14
Pontuação	4953	20

Número de unidades estruturais

Atributo	Número
p	1682
s	4369
texto	5
parte	8
capitulo	25
mwe	1388

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	2540	3206
Locuções	1388	3124
Palavras gráficas	72798	72798
Palavras simples	66468	66468
Palavras	70396	72798

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	13259	19,95%
Verbos	V.*	12786	19,24%
Adjectivos	ADJ.*	3882	5,84%
Pronomes pessoais	.PERS.	3086	4,64%
Preposições	PRP.*	11103	16,70%
Conjunções	K.*	3805	5,72%
Advérbios	ADV.*	5147	7,74%
Determinantes	.DET.	12050	18,13%
Especificadores	.SPEC.	1872	2,82%
Numerais	NUM.*	777	1,17%

^{^}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:

ext (delimitador de texto/excerto)
s (delimitador de frase)

Atributos posicionais:

variante (país de origem do texto)
id (identificador do texto)

Dados quantitativos

Corpo FLORESTA	Número de formas	Número de tipos
Unidades	7252530	182669
Total de palavras	6046536	179536
Palavras em minúscula	4529984	88948
Palavras com inicial maiúscula	738255	58232
Palavras todas em maiúsculas	27975	3959
Números	50401	1606
Palavras com números	3760	935
Palavras mistas	5814	2248
Pontuação	321301	3132

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 gramatical	Expressão de procura	Número de palavras	Percentagem 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 30 de julho de 2022, v. 7.7

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	23239	6018
Total de palavras	19160	6006
Palavras em minúscula	16419	5262
Palavras com inicial maiúscula	1048	525
Palavras todas em maiúsculas	16	16
Números	49	35
Palavras com números
Palavras mistas	5	5
Pontuação	731	12

Número de unidades estruturais

Atributo	Número
p	648
s	652
mwe	374

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	256	418
Locuções	374	808
Palavras gráficas	19160	19160
Palavras simples	17934	17934
Palavras	18564	19160

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	4602	25,66%
Verbos	V.*	2900	16,17%
Adjectivos	ADJ.*	1423	7,93%
Pronomes pessoais	.PERS.	358	2,00%
Preposições	PRP.*	3359	18,73%
Conjunções	K.*	984	5,49%
Advérbios	ADV.*	984	5,49%
Determinantes	.DET.	3620	20,19%
Especificadores	.SPEC.	397	2,21%
Numerais	NUM.*	160	0,89%

^{^}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, criado a 22 de Junho de 2013, anotado a 9 de marÃ§o de 2022, v. 8.6

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 formas	Número de tipos
Unidades	19968	5102
Total de palavras	16257	5088
Palavras em minúscula	13501	4242
Palavras com inicial maiúscula	1080	568
Palavras todas em maiúsculas	9	6
Números	95	48
Palavras com números	4	4
Palavras mistas
Pontuação	737	14

Número de unidades estruturais

Atributo	Número
p	594
s	594
mwe	299

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	285	446
Locuções	299	655
Palavras gráficas	16257	16257
Palavras simples	15156	15156
Palavras	15740	16257

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	3684	24,31%
Verbos	V.*	2282	15,06%
Adjectivos	ADJ.*	1286	8,49%
Pronomes pessoais	.PERS.	404	2,67%
Preposições	PRP.*	2840	18,74%
Conjunções	K.*	783	5,17%
Advérbios	ADV.*	939	6,20%
Determinantes	.DET.	3101	20,46%
Especificadores	.SPEC.	367	2,42%
Numerais	NUM.*	203	1,34%

^{^}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, exceto os que já constavam dos outros corpos jornalísticos do AC/DC. Veja a página sobre o corpo para mais informação.

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

Em maio de 2018 foram acrescentados muito mais textos anteriores que tinham sido preservados pelo Arquivo.pt, e espera-se continuar a aumentar o corpo dessa forma.

Corpo JMG, criado em 13 de abril de 2020, v. 5.5

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 5.5, é a seguinte:

Tipo Descrição Tamanho

noticia texto noticioso 166.538

discurso discursos 17.865

entrevista entrevistas 45.268

outros outros 337.895

sitiohomenagem sítio de homenagem 37.013

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

Mais textos (de Mariano Gago) previstos:

http://confoa08.sdum.uminho.pt/apresentacoes/Mensagem%20MCTES.pdf
http://imagens.publico.pt/imagens.aspx/916095?tp=UH&db=IMAGENS&dl=1&fln=entrevista-a-jose-mariano-gago-20150417-224009.pdf
http://act.fct.pt/wp-content/uploads/2014/05/1_JMG_FCT_2011_Protocolo-de-doa%C3%A7%C3%A3o-acervo-documental.pdf

Dados quantitativos

Corpo JMG	Número de formas	Número de tipos
Unidades	696839	32111
Total de palavras	571318	31831
Palavras em minúscula	422473	21178
Palavras com inicial maiúscula	82435	6328
Palavras todas em maiúsculas	5308	939
Números	5715	356
Palavras com números	254	90
Palavras mistas	244	92
Pontuação	33273	253

Número de unidades estruturais

Atributo	Número
p	11381
s	23292
texto	1375
t	1576
mwe	8350

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	33094	67748
Locuções	8350	17886
Palavras gráficas	571318	571318
Palavras simples	485684	485684
Palavras	527128	571318

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	115191	23,72%
Verbos	V.*	69624	14,34%
Adjectivos	ADJ.*	35181	7,24%
Pronomes pessoais	.PERS.	8668	1,78%
Preposições	PRP.*	100749	20,74%
Conjunções	K.*	26931	5,54%
Advérbios	ADV.*	26612	5,48%
Determinantes	.DET.	101750	20,95%
Especificadores	.SPEC.	11707	2,41%
Numerais	NUM.*	9796	2,02%

^{^}Voltar ao início da página

Corpo LeMe

O LeMe-PT (Leaflets of Medicine) é um corpo constituído por bulas de medicamentos comercializados em Portugal. Para cada substância ativa foi selecionado um medicamento (forma comercial) para o representar. Mais detalhes em: https://github.com/ambs/LeMe/

Corpo LeMe, criado a 1 de agosto de 2022, v. 1.3

Agradecemos a Alberto Simões a autorização para a disponibilização do recurso.

Estrutura do corpo

Os textos vinham marcados com <item> e <title>, que foram substituídos por - e por <t> na versão do AC/DC.

O corpo está dividido em textos separados, marcados 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 qual o nome do medicamento

Dados quantitativos

Corpo LEME	Número de formas	Número de tipos
Unidades	3474804	43227
Total de palavras	2557040	41919
Palavras em minúscula	1894232	21819
Palavras com inicial maiúscula	280654	9428
Palavras todas em maiúsculas	25642	2185
Números	58796	1905
Palavras com números	4724	810
Palavras mistas	4013	826
Pontuação	165655	796

Número de unidades estruturais

Atributo	Número
p	143514
s	178570
t	13985
texto	1191
mwe	36227

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	108864	184428
Locuções	36227	76248
Palavras gráficas	2557040	2557040
Palavras simples	2296364	2296364
Palavras	2441455	2557040

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	622540	27,11%
Verbos	V.*	351356	15,30%
Adjectivos	ADJ.*	219872	9,57%
Pronomes pessoais	.PERS.	33621	1,46%
Preposições	PRP.*	371232	16,17%
Conjunções	K.*	137302	5,98%
Advérbios	ADV.*	106182	4,62%
Determinantes	.DET.	353187	15,38%
Especificadores	.SPEC.	21133	0,92%
Numerais	NUM.*	75754	3,30%

^{^}Voltar ao início da página

Corpo Literateca

O corpo Literateca inclui todas as obras literárias presentes nos corpos disponibilizados pela Linguateca (Vercial, OBras, NOBRE, Tycho Brahe, Colonia e PANTERA) de forma a permitir que esse material possa ser interrogado duma só vez, evitando ao mesmo tempo sobreposições.

Os corpos que lhe deram origem continuam a existir e a serem mantidos independentemente (e prioritariamente). A Literateca é apenas uma forma mais simples de interagir com todos se o utilizador assim o desejar.

Tal como o corpo TODOS, tem apenas como atributos adicionais os atributos variante e corpo. Além disso, chamamos a atenção para o facto de poder estar pontualmente desatualizado em relação a versões modernas dos corpos individuais que o constituem.

No caso da sobreposição entre os vários corpos, usamos a ordem enunciada anteriormente. "Preferimos" os textos que se encontram no Vercial, etc.

Corpo Literateca, criado a 26 de maio de 2023, v. 11.1

Estrutura do corpo

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

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 LITERATECA	Número de formas	Número de tipos
Unidades	51961108	579020
Total de palavras	37226384	576610
Palavras em minúscula	28507023	303807
Palavras com inicial maiúscula	3589309	115391
Palavras todas em maiúsculas	123306	11895
Números	84694	2098
Palavras com números	1350	713
Palavras mistas	33057	8523
Pontuação	2705293	2080

Número de unidades estruturais

Atributo	Número
p	806234
s	2312300
t	2191
v	294795
obra	971
capitulo	689
parte	473
tit	0
autor	861
tituloobra	861
div	5811
mwe	547392
fala	40362
personagem	47292

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	1098149	1797437
Locuções	547392	1184140
Palavras gráficas	37226384	37226384
Palavras simples	34244807	34244807
Palavras	35890348	37226384

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	7111027	20,77%
Verbos	V.*	6012943	17,56%
Adjectivos	ADJ.*	2222189	6,49%
Pronomes pessoais	.PERS.	1745048	5,10%
Preposições	PRP.*	5313226	15,52%
Conjunções	K.*	1942121	5,67%
Advérbios	ADV.*	2265402	6,62%
Determinantes	.DET.	6420792	18,75%
Especificadores	.SPEC.	938002	2,74%
Numerais	NUM.*	331605	0,97%

^{^}Voltar ao início da página

Corpo Marielle, presente!

O corpus Marielle, presente! contém textos escritos por Marielle Franco, e textos escritos sobre ela. Veja-se esta página para uma defesa deste projeto.

Sobretudo em relação às notícias sobre a sua morte, pode haver muito material repetido.

Este corpo está ainda em construção.

Corpus MARIELLE, criado a 30 de julho de 2022, v. 3.4

Agradecemos a todos os que colaboraram na coleção dos textos e notícias...

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).

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

Distribuição por tipo de texto

Dados quantitativos

Corpo MARIELLE	Número de formas	Número de tipos
Unidades	502073	26528
Total de palavras	405839	26092
Palavras em minúscula	274930	16205
Palavras com inicial maiúscula	73373	5817
Palavras todas em maiúsculas	7415	1705
Números	5670	400
Palavras com números	425	181
Palavras mistas	1062	173
Pontuação	23766	384

Número de unidades estruturais

Atributo	Número
p	10285
s	20438
texto	624
t	0
mwe	4840

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	30818	62326
Locuções	4840	10194
Palavras gráficas	405839	405839
Palavras simples	333319	333319
Palavras	368977	405839

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	84989	25,50%
Verbos	V.*	46232	13,87%
Adjectivos	ADJ.*	24123	7,24%
Pronomes pessoais	.PERS.	5104	1,53%
Preposições	PRP.*	69571	20,87%
Conjunções	K.*	16295	4,89%
Advérbios	ADV.*	12564	3,77%
Determinantes	.DET.	67088	20,13%
Especificadores	.SPEC.	5972	1,79%
Numerais	NUM.*	8770	2,63%

^{^}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.

Tipo Descrição Tamanho

DdM Diário de Moçambique 24.331

Verd Jornal A verdade 11.253

Not Notícias 15.640

País O País 7.250

Sav Savana 2.719

Corpo MOÇAMBULA, versão texto de novembro de 2012, anotado em 30 de julho de 2022, v. 4.4

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 formas	Número de tipos
Unidades	68922	10762
Total de palavras	58498	10718
Palavras em minúscula	47714	8426
Palavras com inicial maiúscula	4533	1421
Palavras todas em maiúsculas	267	160
Números	400	109
Palavras com números	20	14
Palavras mistas	59	28
Pontuação	3130	44

Número de unidades estruturais

Atributo	Número
p	133
s	2285
texto	94
mwe	1134

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	1540	2657
Locuções	1134	2471
Palavras gráficas	58498	58498
Palavras simples	53370	53370
Palavras	56044	58498

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	12604	23,62%
Verbos	V.*	9041	16,94%
Adjectivos	ADJ.*	3434	6,43%
Pronomes pessoais	.PERS.	1408	2,64%
Preposições	PRP.*	9764	18,29%
Conjunções	K.*	3167	5,93%
Advérbios	ADV.*	3352	6,28%
Determinantes	.DET.	10648	19,95%
Especificadores	.SPEC.	1530	2,87%
Numerais	NUM.*	720	1,35%

^{^}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:

Entrevistas em Portugal, compiladas por Alberto Simões, Paulo Rocha e Rui Vilela e revistas por Paula Taveira
Entrevistas no Brasil, compiladas por Paulo Rocha
Entrevistas no Brasil, compiladas por Lise Bianchini e Cláudia Freitas

Corpus Museu da Pessoa, versão do texto português de Abril de 2005, versão do texto brasileiro de Dezembro de 2008, anotado em 1 de agosto de 2022, v. 8.5

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.

Variante Tamanho

BR 1182544

PT 346241

Sexo Tamanho

F 430.725

M 1.073.840

X 24.220

Dados quantitativos

Corpo MUSEUDAPESSOA	Número de formas	Número de tipos
Unidades	1838834	42645
Total de palavras	1422946	42526
Palavras em minúscula	1116214	30242
Palavras com inicial maiúscula	143801	8279
Palavras todas em maiúsculas	4867	395
Números	8627	343
Palavras com números	118	74
Palavras mistas	215	111
Pontuação	106394	117

Número de unidades estruturais

Atributo	Número
mwe	24442
p	11770
s	93465
entrevista	215
pergunta	11015
resposta	11351
legenda	46
introd	4
corr	0

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	35668	57907
Locuções	24442	52075
Palavras gráficas	1422946	1422946
Palavras simples	1312964	1312964
Palavras	1373074	1422946

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	236453	18,01%
Verbos	V.*	264713	20,16%
Adjectivos	ADJ.*	51054	3,89%
Pronomes pessoais	.PERS.	75465	5,75%
Preposições	PRP.*	168858	12,86%
Conjunções	K.*	79562	6,06%
Advérbios	ADV.*	133633	10,18%
Determinantes	.DET.	223220	17,00%
Especificadores	.SPEC.	41988	3,20%
Numerais	NUM.*	18942	1,44%

^{^}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 a 1 de agosto de 2022, v. 9.4

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	2203547	69748
Total de palavras	1747461	68143
Palavras em minúscula	1283812	38882
Palavras com inicial maiúscula	249730	17403
Palavras todas em maiúsculas	15684	2146
Números	22375	1206
Palavras com números	2978	448
Palavras mistas	991	496
Pontuação	120127	1580

Número de unidades estruturais

Atributo	Número
p	56923
s	70240
assinatura	542
legenda	782
t	7668
art	5116
marca	0
mwe	27013

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	105806	219720
Locuções	27013	57544
Palavras gráficas	1747461	1747461
Palavras simples	1470197	1470197
Palavras	1603016	1747461

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	372022	25,30%
Verbos	V.*	207923	14,14%
Adjectivos	ADJ.*	100664	6,85%
Pronomes pessoais	.PERS.	19549	1,33%
Preposições	PRP.*	320577	21,81%
Conjunções	K.*	68998	4,69%
Advérbios	ADV.*	65817	4,48%
Determinantes	.DET.	313498	21,32%
Especificadores	.SPEC.	28578	1,94%
Numerais	NUM.*	44668	3,04%

^{^}Voltar ao início da página

Corpo NOBRE

O corpo NOBRE (Novas OBRas publicadas na Europa) é um corpo de textos literários em português que já alcançaram o domínio público, criado para simplificar a construção do lado português do ELTEC, no âmbito do projeto COST "Distant Reading for European Literary History".

Corpo NOBRE, criado a 22 de maio de 2023, v. 9.10

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 NOBRE	Número de formas	Número de tipos
Unidades	11934181	240285
Total de palavras	8693450	238978
Palavras em minúscula	6717001	144211
Palavras com inicial maiúscula	740988	35693
Palavras todas em maiúsculas	11825	2149
Números	9317	1028
Palavras com números	404	220
Palavras mistas	7190	3030
Pontuação	640230	599

Número de unidades estruturais

Atributo	Número
p	172583
s	498399
v	0
obra	152
capitulo	0
parte	0
tit	0
autor	152
tituloobra	152
div	41
mwe	126708
fala	555
personagem	560
t	2

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	249357	376598
Locuções	126708	276291
Palavras gráficas	8693450	8693450
Palavras simples	8040561	8040561
Palavras	8416626	8693450

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	1600233	19,90%
Verbos	V.*	1462436	18,19%
Adjectivos	ADJ.*	508020	6,32%
Pronomes pessoais	.PERS.	426711	5,31%
Preposições	PRP.*	1247743	15,52%
Conjunções	K.*	441899	5,50%
Advérbios	ADV.*	547683	6,81%
Determinantes	.DET.	1496680	18,61%
Especificadores	.SPEC.	216982	2,70%
Numerais	NUM.*	68166	0,85%

^{^}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, a Universidade Estadual do Maranhão (UEMA) e Anya Campos. Para mais informações veja-se a página do projeto.

Corpo OBras, criado a 22 de maio de 2023, v. 14.0

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

Estrutura do corpo

Dados quantitativos

Corpo OBRAS	Número de formas	Número de tipos
Unidades	14640481	238696
Total de palavras	10373732	238033
Palavras em minúscula	8131458	140383
Palavras com inicial maiúscula	887793	39347
Palavras todas em maiúsculas	11652	3100
Números	9518	961
Palavras com números	361	199
Palavras mistas	2645	1510
Pontuação	802067	543

Número de unidades estruturais

Atributo	Número
p	236189
s	640112
t	1860
v	23038
obra	331
capitulo	689
parte	9
tit	0
autor	331
tituloobra	331
div	2610
mwe	179787

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	260993	359787
Locuções	179787	390966
Palavras gráficas	10373732	10373732
Palavras simples	9622979	9622979
Palavras	10063759	10373732

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	2022944	21,02%
Verbos	V.*	1744131	18,12%
Adjectivos	ADJ.*	622878	6,47%
Pronomes pessoais	.PERS.	484158	5,03%
Preposições	PRP.*	1495312	15,54%
Conjunções	K.*	526803	5,47%
Advérbios	ADV.*	664829	6,91%
Determinantes	.DET.	1834281	19,06%
Especificadores	.SPEC.	249846	2,60%
Numerais	NUM.*	84613	0,88%

^{^}Voltar ao início da página

Corpo PANTERA, lado português

O corpo PANTERA (Portuguese And Norwegian Texts for Education, Research and Acquisition of relevant knowledge) é um corpo paralelo português-norueguês, ver PANTERA.

Mais informação sobre o corpo pode ser obtida em Santos (2019)

Versão do corpus de 22 de maio de 2021

Estrutura do corpo

O corpus está dividido em textos, e tem informação de data, data da tradução, variante e variante da tradução. Além disso está também dividido em s [frases].

Dados quantitativos

Número de unidades estruturais

Contabilização de multipalavras

Distribuição por categoria gramatical

^{^}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 30 de julho de 2022, v. 3.5

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:

Estatuto Tamanho

outro 5.363

residente 17.078

visitante 21.274

Sexo Tamanho

F 30.369

M 13.346

Blogue Tamanho

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

fofocas	M	23.01.07	residente	http://umportuguesnanoruega.blogspot.no/2007/01/dia-19.html
fondant	F	10.02.10	residente	http://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
multa	M	14.07.10	residente	http://tugananoruega.blogspot.no/2010/07/multa.html
dicastrabalho	M	16.06.08	residente	http://portugalilainen.blogspot.pt/2008/06/trabalhar-na-noruega-dicas.html
festival	F	14.05.17	residente	http://quiosquedajoana.blogs.sapo.pt/da-noruega-para-portugal-com-amor-112310
entrevista	F	27.02.16	residente	https://halfway2happiness.wordpress.com/2016/02/27/portugal-no-globo-noruega/
sardinha	F	08.03.17	residente	https://umasardinhananoruega.wordpress.com/2017/03/08/nas-minhas-34-voltas-ao-sol/
Paulo	M	18.05.07	residente	http://terrasgelidasdonorte.blogspot.no/2007/05/17-de-maio-17-mai.html
princesas	F	11.10.10	residente	http://in-bergen.blogspot.no/2010/10/princesses-in-bergen.html
trondheim2	F	26.05.17	residente	http://www.almadeviajante.com/viver-em-trondheim-carla-carvalho/
trondheim	F	08.09.12	residente	http://p3.publico.pt/node/4497
viajarcriancas	F	27.05.14	residente	http://pikitim.com/trondheim-com-criancas-dicas-de-alice-pinto/
gravidez	F	13.01.12	residente	http://demaeparamae.pt/forum/gravidez-noruega
mochila	F	18.03.14	visitante	https://viajardemochilaascostas.blogspot.pt/2014/03/noruega.html
svalbard	F	09.04.15	visitante	http://viajarentreviagens.blogspot.pt/2015/04/o-apelo-do-arctico-correndo-de-trenos.html
fiordes	F	12.03.10	visitante	http://viajante-do-mundo.blogspot.pt/2010/03/fiordes-da-noruega.html
dicas	M	29.06.15	visitante	http://www.viagensasolta.com/2015/06/dicas-para-viajar-na-terra-dos-fiordes.html
cabonorte	M	06.09.10	visitante	http://cabonorte2010.blogspot.no/2010/09/bodon-mo-i-ranan-319kms.html
idilico	F	26.07.08	visitante	https://asvoltasdovento.blogspot.no/2008/07/noruega-um-pas-idlico.html
passeando	F	10.03.11	visitante	http://passeando-pela-europa.blogspot.pt/2011/03/noruega.html
exemplar	M	24.07.11	visitante	http://retalhos-de-sintra.blogspot.pt/2011/07/noruega-um-pais-exemplar-2.html
bergen	M	26.10.15	visitante	http://soentrenos.blogs.sapo.pt/bergen-noruega-195633
barbaros	F	05.03.06	outro	http://apoliticadospoliticos.blogs.sapo.pt/29323.html
limpar	F	22.11.09	outro	http://jugular.blogs.sapo.pt/1331558.html
mapa	M	01.04.14	visitante	https://demapanamao.wordpress.com/noruega/
gratulerer	F	21.05.14	visitante	https://cartografiapessoal.wordpress.com/2014/05/21/gratulerer-med-dagen-norge/
bolso	F	16.08.16	visitante	https://alguresnomundo.wordpress.com/2016/08/16/foram-me-ao-bolso-e-eu-gostei-noruega/
alesund	F	07.04.14	visitante	https://solnaeiraechuvanonabal.wordpress.com/2017/04/07/alesund-pequena-perola-nos-fjords-da-noruega/
autocarro	F	25.04.17	visitante	https://solnaeiraechuvanonabal.wordpress.com/2017/04/25/fjords-da-noruega/#more-1423
breivik	M	29.07.11	outro	http://5dias.net/2011/07/29/a-noruega-nao-e-um-exemplo-de-tolerancia-de-democracia-e-de-respeito-pelos-direitos-humanos/
noruega	M	12.09.16	residente	http://www.coquetteaportuguesa.com/2016/09/noruega.html
tubarao	F	04.08.11	visitante	https://cartografiapessoal.wordpress.com/2011/08/04/na-boca-do-tubarao/
teambuilding	M	25.11.13	residente	http://aminhavidananoruega.blogspot.no/2013/11/sobre-o-team-building.html
pipocas	M	05.02.15	residente	http://aminhavidananoruega.blogspot.no/2015/02/como-pipocas.html
analogias	M	28.10.11	outro	http://irparaanoruega.blogspot.no/2011/10/guerra-fria-e-guerra-quente.html
chuvabagas	F	17.07.16	residente	http://goingnorthtilnorway.blogspot.no/2016/07/chuvabagas-e-futebol-como-passar-um-dia.html
duas	M	09.10.14	residente	http://duas-ou-tres.blogspot.no/2014/10/portugal-na-noruega.html
olha	M	03.10.16	visitante	http://olhaqueresfalarsobreisso.blogspot.no/2016/10/um-portugues-pela-noruega.html

Dados quantitativos

Corpo PLONORTE	Número de formas	Número de tipos
Unidades	52425	8218
Total de palavras	40898	8154
Palavras em minúscula	32248	6039
Palavras com inicial maiúscula	4217	1403
Palavras todas em maiúsculas	115	76
Números	458	154
Palavras com números	45	32
Palavras mistas	64	33
Pontuação	2813	61

Número de unidades estruturais

Atributo	Número
p	1121
s	2379
texto	38
mwe	814

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	1298	2266
Locuções	814	1744
Palavras gráficas	40898	40898
Palavras simples	36888	36888
Palavras	39000	40898

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	8640	23,42%
Verbos	V.*	6041	16,38%
Adjectivos	ADJ.*	2534	6,87%
Pronomes pessoais	.PERS.	836	2,27%
Preposições	PRP.*	6829	18,51%
Conjunções	K.*	2083	5,65%
Advérbios	ADV.*	2724	7,38%
Determinantes	.DET.	7149	19,38%
Especificadores	.SPEC.	895	2,43%
Numerais	NUM.*	801	2,17%

^{^}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 30 de julho de 2022, versÃ£o 4.2

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 formas	Número de tipos
Unidades	148106	8638
Total de palavras	106881	8629
Palavras em minúscula	84590	7607
Palavras com inicial maiúscula	1369	517
Palavras todas em maiúsculas	51	15
Números	1	1
Palavras com números	2	2
Palavras mistas	15	6
Pontuação	8147	9

Número de unidades estruturais

Atributo	Número
p	3500
s	7569
texto	86
pergunta	1642
resposta	1858
mwe	1927

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	1003	1436
Locuções	1927	4161
Palavras gráficas	106881	106881
Palavras simples	101284	101284
Palavras	104214	106881

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	14678	14,49%
Verbos	V.*	18563	18,33%
Adjectivos	ADJ.*	3404	3,36%
Pronomes pessoais	.PERS.	4603	4,54%
Preposições	PRP.*	10978	10,84%
Conjunções	K.*	6056	5,98%
Advérbios	ADV.*	11659	11,51%
Determinantes	.DET.	13547	13,38%
Especificadores	.SPEC.	2840	2,80%
Numerais	NUM.*	2132	2,10%

^{^}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 a 30 de julho de 2022, v. 6.4

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 formas	Número de tipos
Unidades	163747	14273
Total de palavras	133271	13082
Palavras em minúscula	94895	10644
Palavras com inicial maiúscula	10169	1792
Palavras todas em maiúsculas	458	301
Números	425	80
Palavras com números	10	10
Palavras mistas	8409	23
Pontuação	7706	59

Número de unidades estruturais

Atributo	Número
mwe	2351
p	0
t	0
s	7348
livro	0
rev	0

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	6760	4813
Locuções	2351	5088
Palavras gráficas	133271	133271
Palavras simples	123370	123370
Palavras	132481	133271

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	24991	20,26%
Verbos	V.*	22467	18,21%
Adjectivos	ADJ.*	8892	7,21%
Pronomes pessoais	.PERS.	4337	3,52%
Preposições	PRP.*	18197	14,75%
Conjunções	K.*	7216	5,85%
Advérbios	ADV.*	9728	7,89%
Determinantes	.DET.	22779	18,46%
Especificadores	.SPEC.	4032	3,27%
Numerais	NUM.*	1206	0,98%

^{^}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; criado em 5 de agosto de 2022, v. 13.4

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 13.2, é a seguinte:

Tipo Descrição Tamanho

DI texto didáctico 425.063

ENC enciclopédia 286.312

ENS ensaio 2.191.095

EP texto epistolar 3.328

JO.* jornalístico 31.472.702

JOCF jornalístico só CETENFolha 29.393.697

JO jornalístico sem CETENFolha 2.079.005

LE texto legal 1.067.523

LI literário 923.130

RE revista 153.780

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	44673220	446916
Total de palavras	33991552	422804
Palavras em minúscula	24297473	157608
Palavras com inicial maiúscula	4854524	127714
Palavras todas em maiúsculas	504632	23048
Números	510574	3239
Palavras com números	48315	6246
Palavras mistas	87481	15534
Pontuação	2492693	23893

Número de unidades estruturais

Atributo	Número
mwe	477973
p	873528
s	2053751
texto	364417
subtitulo	3719
assinatura	12
artigo	0
caixa	21671
situacao	5190
t	158093
a	85472
li	50324

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	2098138	3468262
Locuções	477973	1019690
Palavras gráficas	33991552	33991552
Palavras simples	29503600	29503600
Palavras	32079711	33991552

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	7406168	25,10%
Verbos	V.*	4530080	15,35%
Adjectivos	ADJ.*	1944738	6,59%
Pronomes pessoais	.PERS.	480347	1,63%
Preposições	PRP.*	5798168	19,65%
Conjunções	K.*	1275893	4,32%
Advérbios	ADV.*	1398838	4,74%
Determinantes	.DET.	5847106	19,82%
Especificadores	.SPEC.	499366	1,69%
Numerais	NUM.*	909903	3,08%

^{^}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.

Género Unidades

academico 409.552.077

blog 4.253.225

cartas 842.924

desc 3.432.044

encic 17.734.659

ensaio 2.219.797

jorn 669.804.963

legal 9.791.855

lit 48.597.042

littrad 77.742

mail 2.084.027

misto 389.380

oraldebate 37.004

oralent 6.674.191

oralfut 86.132

oralinf 292.678

oralmono 77.526.185

recensoes 265.223

religioso 874.402

revistas 647.609

teatro 1.148.728

tecnico 86.312.671

variado 137.824

Corpus todos, criado a 4 de setembro de 2022, v. 8.1

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 formas	Número de tipos
Unidades	1518927964	6295254
Total de palavras	1261058299	5491047
Palavras em minúscula	888732290	1455100
Palavras com inicial maiúscula	157473488	1130986
Palavras todas em maiúsculas	25115356	375442
Números	21026152	55906
Palavras com números	2505480	395382
Palavras mistas	3406250	412691
Pontuação	83288930	551356

Número de unidades estruturais

Atributo	Número
TEXTO	0
CATEGORY	192967
	0
art	21801
assinatura	1556
assunto	4858
autor	71244
caixa	1077
capitulo	714
cita	80
div	6932
entrevista	2278
ext	1415377
fala	115137
introd	4
legenda	836
li	100101
marca	16664
mens	4911
mwe	18130528
nota	2329
obra	897
p	5951417
parte	11631
pergunta	12902
personagem	121024
resposta	13422
s	55180342
situacao	561
subtitulo	3719
t	1192583
texto	23968
titulo	2210
tituloobra	897
u	1927081
v	294798
a	221343
data	193395
indic	5643

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	86280986	127913038
Locuções	18130528	38609211
Palavras gráficas	1261058299	1261058299
Palavras simples	1094536050	1094536050
Palavras	1198947564	1261058299

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	277167661	25,32%
Verbos	V.*	145537153	13,30%
Adjectivos	ADJ.*	77778842	7,11%
Pronomes pessoais	.PERS.	17336037	1,58%
Preposições	PRP.*	204459658	18,68%
Conjunções	K.*	48772948	4,46%
Advérbios	ADV.*	48246109	4,41%
Determinantes	.DET.	198022464	18,09%
Especificadores	.SPEC.	18158155	1,66%
Numerais	NUM.*	36601144	3,34%

^{^}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 2017, criado a 20 de maio de 2023, versão 8.14

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 formas	Número de tipos
Unidades	4204142	149196
Total de palavras	3334039	148695
Palavras em minúscula	2566129	94733
Palavras com inicial maiúscula	359438	28083
Palavras todas em maiúsculas	14837	2076
Números	18958	1432
Palavras com números	930	280
Palavras mistas	4215	1854
Pontuação	175233	481

Número de unidades estruturais

Atributo	Número
s	133593
p	133594
obra	152
t	1900
autor	76
tituloobra	76
data	292
variante	0
genero	76
grafia	76
div	2025
assinatura	1002
saudacao	441
mwe	46265
personagem	21342
fala	14652

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	144992	238353
Locuções	46265	98365
Palavras gráficas	3334039	3334039
Palavras simples	2997321	2997321
Palavras	3188578	3334039

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	599048	19,99%
Verbos	V.*	518188	17,29%
Adjectivos	ADJ.*	162133	5,41%
Pronomes pessoais	.PERS.	156958	5,24%
Preposições	PRP.*	459099	15,32%
Conjunções	K.*	216857	7,24%
Advérbios	ADV.*	195331	6,52%
Determinantes	.DET.	519921	17,35%
Especificadores	.SPEC.	104089	3,47%
Numerais	NUM.*	43159	1,44%

^{^}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 26 de maio de 2023, v. 14.9

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

Estrutura do corpo

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	21101420	342946
Total de palavras	14896150	341716
Palavras em minúscula	11144487	183136
Palavras com inicial maiúscula	1637211	75653
Palavras todas em maiúsculas	82628	7640
Números	58371	1953
Palavras com números	525	368
Palavras mistas	18540	2896
Pontuação	1041070	1163

Número de unidades estruturais

Atributo	Número
p	232781
s	1003058
v	271757
obra	340
capitulo	0
titulo	894
u	798005
fala	29001
autor	340
tituloobra	340
div	2256
mwe	197930
indic	4214
poesia	987
nota	269
marca	10554

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	584292	874112
Locuções	197930	423893
Palavras gráficas	14896150	14896150
Palavras simples	13598145	13598145
Palavras	14380367	14896150

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	2885828	21,22%
Verbos	V.*	2279387	16,76%
Adjectivos	ADJ.*	921644	6,78%
Pronomes pessoais	.PERS.	675645	4,97%
Preposições	PRP.*	2127123	15,64%
Conjunções	K.*	773056	5,69%
Advérbios	ADV.*	850920	6,26%
Determinantes	.DET.	2566567	18,87%
Especificadores	.SPEC.	377313	2,77%
Numerais	NUM.*	150602	1,11%

^{^}Voltar ao início da página

[ Acesso | Anotação | Atomização | Exemplos | Agradecimentos ]

Última actualização: 29 de Janeiro de 2021

Perguntas, comentários e sugestões

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
CIENCIAVIVA	Textos escritos sobre ciência em Portugal
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
CoNE	Corpo de Correio Não-Endereçado, criado pela Linguateca
CORDIAL-SIN	Corpo de excertos de conversas orais, semidirigidas, em Portugal
DHBB	Corpo de verbetes enciclopédicos sobre políticos brasileiros
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-PT	Corpo 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 Gago	Notícias sobre Mariano Gago e textos dele e sobre ele
Marielle, presente!	Textos escritos por Marielle Franco, e sobre ela
Moçambula	Carta de leitores em jornais moçambicanos
Museu da Pessoa	Corpo de entrevistas portuguesas e brasileiras realizadas pelo Museu da Pessoa
Natura/Minho	Corpo jornalístico Natura/Diário do Minho
NOBRE	Corpo de texto literário lusófono publicado na Europa
OBras	Corpo de texto literário brasileiro
P'lo Norte	Corpo de blogues de portugueses sobre a Noruega
ReLi	Corpo 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.

Corpo	Nº de frases	Nº de parágrafos	Nº de palavras (formas)	Nº de palavras (tipos)	Nº de unidades
AmostRA-NILC	4.965	4.904	105.499	17.181	134.297
ANCIB	80.775	57.474	1.243.068	71.161	1.672.505
Avante!	193.111	62.528	6.506.813	120.542	7.666.370
Corpus Brasileiro	40.981.957	10.255	893.043.840	4.620.871	1.057.661.890
CD HAREM	12.558	7.276	225.766	30.985	290.001
CETEMPúblico	7.025.567	2.569.909	190.601.605	942.134	234.481.482
CHAVE	4.385.437	2.063.094	92.387.266	694.535	116.836.447
Ciência Viva	27.269	12.483	656.589	41.968	799.360
Colonia	283.546	283.553	4.977.678	174.024	6.643.879
CONDIVport	301.047	148.881	5.558.299	155.952	7.132.225
CONDIVport2	6.533	3.929	172.486	19.989	209.289
CoNE	31.571	19.422	671.756	43.499	911.431
C-Oral-Brasil	30.632	0	263.937	14.432	435.507
CORDIAL-SIN	98.010	48.938	850.281	29.680	1.487.855
CorTrad, lado português	65.370	16.019	1.307.745	66.737	1.739.029
DHBB	461.806	12.045	14.043.229	122.410	15.961.021
DiaCLAV	210.964	24.489	6.568.833	109.199	7.709.828
Diáspora TL-PT	1.035	0	21.877	3.046	27.389
ECI-EBR	44.381	12.116	724.189	60.211	920.027
ECI-EE	839	340	27.111	4.118	31.900
ENPCPUB (parte em português)	4.371	1.682	72.798	12.884	92.679
Floresta	257.017	37.681	4.779.248	160.147	5.815.359
FrasesPB	652	648	19.161	6.006	23.248
FrasesPP	594	594	16.257	5.088	19.968
Mariano Gago	23.303	11.392	571.318	31.831	696.839
LeMe	178.682	143.624	2.557.040	41.919	3.474.804
Literateca	2.314.324	806.789	37.226.384	576.610	51.961.108
Marielle, presente!	20.443	10.291	405.839	26.092	502.073
Moçambula	2.285	133	58.498	10.718	68.922
Museu da Pessoa	93.466	11.771	1.422.946	42.526	1.838.834
Natura/Minho	70.273	56.926	1.747.461	68.143	2.203.547
NOBRE	498.430	172.612	8.693.450	238.978	11.934.181
OBras	640.903	236.291	10.373.732	238.033	14.640.481
PANTERA, lado português	43.240	15.471	636.189	46.206	939.091
P'lo Norte	2.381	1.121	40.898	8.154	52.425
Português Falado - Documentos Autênticos	7.569	3.500	106.881	8.629	148.106
ReLi	7.349	0	133.271	13.082	163.747
NILC/São Carlos	2.053.985	873.533	33.991.552	422.804	44.673.220
todos juntos	56.970.430	6.101.626	1.261.058.299	5.491.047	1.518.927.964
Tycho Brahe	135.840	136.282	3.334.039	148.695	4.204.142
Vercial	1.003.667	232.797	14.896.150	341.716	21.101.420
Total	61.606.147	8.110.793	1.341.040.979	--	1.627.305.926

Corpus	Formas
Corpus	N	ADJ	ADV	V	NUM	GRAM	todos
AmostRA	6361	2779	408	5960	311	498	17231
ANCIB	10174	4292	574	7791	1745	1141	33578
Avante!	10404	5817	839	12351	995	656	34201
CDHAREM	10212	4228	610	8887	979	628	31180
CETEMPúblico	194820	95036	7088	216004	125961	6368	975711
CHAVE	162562	78816	5849	174565	94756	4909	743884
Ciência Viva	12878	7101	858	12739	1748	836	42807
Colonia	50229	25341	2707	85775	1143	1725	174524
ConDIVport	37514	21602	2290	45297	5071	1650	130596
ConDIVport2	6555	2723	416	5999	812	519	20186
ConE	14428	5796	664	9350	3618	1219	46702
C-ORAL_Brasil	5546	1903	334	4807	342	753	14588
CORDIAL-SIN	11349	2855	359	14358	157	803	29813
DHBB	28630	15824	1428	36541	9826	884	128026
DiaCLAV	10165	4767	644	11219	1319	609	33048
Diáspora TL-PT	990	318	156	1079	88	326	3070
ECI-EBR	13380	6436	848	15083	494	684	39087
ECI-EE	1370	854	204	1293	249	291	4278
ENPC (parte pública)	4385	1959	452	5034	141	487	12901
Floresta	46916	21872	2189	48643	6024	3144	164357
FrasesPB	2568	953	214	1763	67	333	6018
FrasesPP	2036	872	207	1449	79	316	5102
Mariano Gago	9685	5006	811	11831	902	716	32106
LeMe	12339	8507	621	8562	3948	1175	43227
Literateca	160377	83424	7447	337036	12476	5922	578136
Marielle, presente!	8187	3755	551	8575	1148	737	26528
Moçambula	3745	1668	388	3770	181	483	10762
Museu da Pessoa	14559	6061	744	17217	588	774	42645
Natura/Minho	20342	10392	1108	21675	4142	859	69748
NOBRE	64764	38187	3928	121961	1569	2563	240285
OBras	62871	34208	3657	127736	2042	1885	238696
Plonorte	2877	1194	320	2574	262	425	8218
PortFalDA	3380	1146	247	3425	58	368	8638
ReLi	4243	2512	534	5011	147	1641	14273
NILC/São Carlos	104244	50662	3744	105195	56313	2336	446916
Vercial	89602	45637	4163	166897	3348	2086	342946
	382926	182807	11984	424308	202516	13452	1723784

Corpus	Lemas
Corpus	N	ADJ	ADV	V	NUM	GRAM	PROP	todos	todos/pos
AmostRA	4988	1940	329	1874	311	161	1613	11070	11222
ANCIB	7055	2443	446	2009	1730	227	10668	24190	24583
Avante!	7133	3240	695	2386	1054	204	7671	22084	22388
CDHAREM	7150	2709	459	2145	983	191	6930	20258	20567
CETEMPúblico	140352	54751	5527	23777	138272	632	1034812	1389316	1398134
CHAVE	112598	43110	4505	19437	100865	626	684069	958683	965218
Ciência Viva	9067	4009	680	2426	1799	214	10437	28242	28637
Colonia	35012	13226	2255	10135	1400	440	28935	90590	91409
ConDIVport	24992	11102	1844	5746	5451	343	35466	84154	84949
ConDIVport2	4850	1712	332	1593	809	163	4373	13582	13837
ConE	9300	2933	510	2134	3642	246	17614	35898	36386
C-ORAL_Brasil	4455	1318	230	1395	327	213	2035	9608	9978
CORDIAL-SIN	7730	1750	225	2239	303	247	2164	14558	14664
DHBB	18049	7771	1103	4101	10094	262	149847	190262	191233
DiaCLAV	6805	2738	510	2259	1360	199	10861	24428	24737
Diáspora TL-PT	829	234	116	361	84	124	232	1905	1985
ECI-EBR	9564	3959	667	3053	644	213	4839	22596	22944
ECI-EE	1102	550	181	494	250	104	180	2822	2867
ENPC (parte pública)	3512	1390	372	1434	141	155	764	7628	7774
Floresta	30516	11249	1886	6797	6138	610	86695	142045	143896
FrasesPB	2146	743	189	830	59	118	217	4207	4308
FrasesPP	1684	681	182	655	71	117	213	3564	3609
Mariano Gago	6693	2879	631	2194	924	214	7480	20781	21021
LeMe	8854	5528	496	2134	3619	1098	15942	37138	37676
Literateca	116833	46371	5785	37634	6117	786	185194	387262	398734
Marielle, presente!	5477	2174	425	1922	1181	212	6670	17755	18066
Moçambula	2884	1157	301	1267	180	158	842	6693	6795
Museu da Pessoa	10066	3478	555	2893	708	253	8279	25667	26237
Natura/Minho	12962	5465	876	3645	4429	257	30800	57848	58440
NOBRE	45579	20408	3295	14059	1953	509	39338	123148	125150
OBras	41576	16757	3043	12059	2461	509	37614	113106	114025
Plonorte	2212	808	246	858	250	146	801	5222	5327
PortFalDA	2795	808	246	1026	132	171	417	5469	5601
ReLi	3211	1525	391	1409	133	177	848	7382	7699
NILC/São Carlos	69013	26006	3060	13113	59222	543	315601	482775	486566
Vercial	61894	23860	3409	18169	4015	565	106451	215090	218373
	289911	113206	9948	57410	220100	1995	1777943	2450358	2469603

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

genero	Gênero	Fonte
ei	Acadêmico	Artigos
ej	Acadêmico	Teses e dissertações
eq	Acadêmico	Anais de congresso
en	Cinema e TV	Roteiros
ee/ef	Educação	Diversos
ee/ef	Educação	Diversos
et	Enciclopédia	Wikipédia
fa	Esporte	Narração de jogos de futebol
ek	Informática	Manuais
ed	Jornalismo	Revistas
eg	Jornalismo	Jornais
eo	Jornalismo	Horóscopo
fe	Jornalismo	Entrevistas
em/ex	Legislação	Diversos
em/ex	Legislação	Diversos
eb	Literatura	Contos
ec	Literatura	Crônicas
eh/ew	Literatura	Variados
eh/ew	Literatura	Variados
eu	Literatura	Biografias
ea	Medicina	Bulas de remédio
ep	Política	Atas de assembléia legislativa
fb	Política	Debates de TV
fc	Política	Pronunciamentos do presidente
fd	Política	Sessões do congresso
el	Religião	Diversos
ev	Religião	Bíblia
er/es	Técnico	Relatórios e manuais diversos
er/es	Técnico	Relatórios e manuais diversos

Género	Unidades
ea	112.872
eb	60.906
ec	162.264
ed	493.902
ee	79.343.903
ef	3.025.965
eg	356.259.687
eh	1.372.688
ei	256.289.237
ej	153.262.807
et	2.193.673
eu	575.024
ev	874.402
ew	7.227.101
ex	8.659.018
fa	86.132
fb	21.934
fc	1.804.482
fd	75.656.246
fe	3.995.615

semestre	tamanho	clt	clt-soc	com	des	eco	nd	opi	pol	soc
91a	7396968	650981	187513	0	879075	520598	2887737	0	1007289	1263775
91b	14210601	1251937	215047	0	1427909	946969	5732115	0	2155398	2481226
92a	15290270	2500937	533345	0	1517209	1525420	2092990	0	3918509	3201860
92b	11488968	2214498	437983	0	1314823	1301968	507952	0	2703877	3007867
93a	15210281	3163763	900181	0	1489388	1686346	597464	0	3404173	3968966
93b	12132274	2256184	582214	0	1266726	1269423	1076644	0	2564327	3116756
94a	15343936	3017701	869601	0	1516943	1582045	1469073	0	3295580	3592993
94b	14829840	2764629	870733	0	1606241	1579235	1726296	0	2912637	3370069
95a	16606341	2756123	1084432	0	1814981	1617265	1925960	0	3078377	4329203
95b	15647573	2214364	934542	0	1614162	1426570	2060856	0	3258946	4138133
96a	11921713	1632220	0	13242	1427312	967835	1206230	625093	2134543	3915238
96b	11615632	1596073	0	0	1546065	796135	1240901	617724	1902035	3916699
97a	9887288	1361223	0	16978	1318263	675161	921091	621106	1638677	3334789
97b	9931347	1355316	0	243759	1238232	656795	939859	566970	1807199	3123217
98a	12889295	1452969	0	387724	1520426	796910	1759877	642908	1974085	4354396
98b	8943476	1044092	0	277020	1049087	569141	857379	429308	1643860	3073589
Todos		31233010	6615591	938723	22546842	17917816	27002424	3503109	39399512	54188776

	Tamanho	Futebol	Moda/vestuário	Saúde
PT	3333411	1679290	316853	1337268
BR	2649379	1367115	801410	480854
Todos		3046405	1118273	1818122

Género	Unidades	Textos
Literatura	384.961	157
Informativo	203.436	288
Jornalismo	89.086	537
Oral	66.092	29
Outros	16.419	33
Indef	16.935	82

Assuntos	Unidades	Textos
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

Tipo	Descrição	Tamanho
noticia	texto noticioso	166.538
discurso	discursos	17.865
entrevista	entrevistas	45.268
outros	outros	337.895
sitiohomenagem	sítio de homenagem	37.013

Estatuto	Tamanho
outro	5.363
residente	17.078
visitante	21.274

Blogue	Tamanho
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

Género	Unidades
academico	409.552.077
blog	4.253.225
cartas	842.924
desc	3.432.044
encic	17.734.659
ensaio	2.219.797
jorn	669.804.963
legal	9.791.855
lit	48.597.042
littrad	77.742
mail	2.084.027
misto	389.380
oraldebate	37.004
oralent	6.674.191
oralfut	86.132
oralinf	292.678
oralmono	77.526.185
recensoes	265.223
religioso	874.402
revistas	647.609
teatro	1.148.728
tecnico	86.312.671
variado	137.824