Informação pormenorizada sobre os corpos

Projecto AC/DC, Linguateca


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

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

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


Identificação sumária

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

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

Contabilização básica dos corpos

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

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

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

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

Corpo Nº de frases Nº de parágrafos Nº de palavras (formas) Nº de palavras (tipos) Nº de unidades
AmostRA-NILC4.9664.903105.44917.255134.104
ANCIB80.77557.4741.243.06871.1611.672.505
Avante!222.85263.4366.504.283119.9837.760.345
Corpus Brasileiro44.735.85311.825984.063.0645.293.6221.163.931.824
CD HAREM12.5587.276225.76630.985290.001
CETEMPúblico7.025.5632.569.908190.603.605942.654234.483.623
CHAVE4.762.5342.272.59699.205.599716.356125.685.041
Ciência Viva27.27112.483656.79141.949799.312
Colonia284.823284.8305.034.438174.5656.710.590
CONDIVport297.837147.7565.485.346150.4997.038.154
CONDIVport26.5343.929172.49719.947209.041
CoNE31.56319.415673.45643.299918.350
C-Oral-Brasil30.63419.399263.63214.437435.234
DHBB457.20312.81813.885.354120.68215.785.531
DiaCLAV210.37324.4396.550.993107.9487.722.373
Diáspora TL-PT1.03824621.8555.08629.365
ECI-EBR44.38412.115723.53360.322917.787
ECI-EE83934027.1304.09132.133
ENPCPUB (parte em português)4.3711.69072.37412.87493.164
Floresta327.05006.046.541179.5207.252.306
FrasesPB65264819.1416.01223.178
FrasesPP67659416.2365.08620.222
Mariano Gago23.30311.392571.31831.831696.839
Literateca2.057.011704.07632.754.523533.45645.742.007
Marielle, presente!20.44410.291405.85126.105501.932
Moçambula2.32113558.26710.65071.399
Museu da Pessoa93.55434.8371.422.43442.5212.004.282
Natura/Minho69.09957.1491.748.64467.4502.208.211
NOBRE431.140148.7407.592.597218.32610.393.954
OBras444.441148.8656.868.239188.4529.787.109
PANTERA, lado português43.24015.471636.18946.206939.091
P'lo Norte2.3841.12240.9098.14053.703
Português Falado - Documentos Autênticos4.7353.13863.3526.185102.222
ReLi8.3928153.00214.354188.882
NILC/São Carlos2.054.099873.53434.039.043418.20644.717.319
todos juntos58.661.2955.568.9531.301.503.3526.056.2631.562.455.502
Tycho Brahe133.136133.5793.333.948149.6294.211.732
Vercial999.455230.38514.813.345331.73420.983.938
Total64.957.1037.900.8421.426.101.812 --1.724.546.803


Frequência de formas e lemas por categoria gramatical nos corpos

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

CorpusFormas
NADJADVVNUMGRAMtodos
AmostRA63622829410605431250917301
ANCIB2177495761039175775604252778329
Avante!314381879821174682350841598122538
CDHAREM102124228610888797962831180
CETEMPúblico1950599528670742170221259616461976303
CHAVE160937816185842175347947574964744605
Ciência Viva12785711386212856174985142785
Colonia498282647227139312411481715175065
ConDIVport427072596725675434161252207154482
ConDIVport264522679423598492156020143
ConE14334571666093594302124546477
C-ORAL_Brasil55271925335487334075514593
DHBB2802915123142538807109161722125808
DiaCLAV302791596915013948260151465112080
Diáspora TL-PT9853211541128883293070
ECI-EBR193751028211892408577192060519
ECI-EE137085320013332492994283
ENPC (parte pública)43471965451513914151612910
Floresta469152187221894890760243453164663
FrasesPB25629572141804683396024
FrasesPP0000000
Mariano Gago956749548111197091174232111
Literateca15030478796703532492076425345538149
Marielle, presente!806437095568641133673426540
Moçambula37061651387383918550310746
Museu da Pessoa1460561287461739858083142998
Natura/Minho19963104401111217484218112470047
NOBRE5952835169359812070114402501219546
OBras5046027386301210849415641651188899
Plonorte2862119632126352604318220
PortFalDA23827731982415463386145
ReLi421425295394999155162514278
NILC/São Carlos104497505613762105538635602844440505
Vercial8557644774417618053533332114332955
37854518292111942439972211631158411707604

CorpusLemas
NADJADVVNUMGRAMPROPtodostodos/pos
AmostRA49921991331190632016315621113311265
ANCIB15391514083035705590339351236525665983
Avante!201479438171752655846333516259368194371
CDHAREM71502709459214598319169302025820567
CETEMPúblico14057654983551323831138272633103481213897851398619
CHAVE11131745309450019556100866624684042959611966214
Ciência Viva9110408468524381814209105382848928877
Colonia34833142042257119391416439284479102393534
ConDIVport277901354521666471662241645825101936102835
ConDIVport246551715340158591617441431324713528
ConE9912296352521484353243172133692637357
C-ORAL_Brasil448913392321400326214196496059964
DHBB1815077541099484311215573140134181817183767
DiaCLAV18939807311944666632630164627103374104126
Diáspora TL-PT8272371153648412523719141988
ECI-EBR133795911954397292624894153447434805
ECI-EE105755018049725010618627822826
ENPC (parte pública)35081397370143713615778276817787
Floresta306991124918436802613862386696142458144050
FrasesPB21387481918336011622142224307
FrasesPP000000000
Mariano Gago66922909631219793721574532079621033
Literateca108453443735555370285767788157257346610359220
Marielle, presente!551121954261923136920466391796918266
Moçambula28851155307126818416385567376817
Museu da Pessoa101683574558292564925882602588026392
Natura/Minho12923572388936554488265308455828658788
NOBRE4209118937301315225180247230981108714112520
OBras33288131472492111771908475241968444886682
Plonorte221681424986224714580552505338
PortFalDA20265761987817515625539914067
ReLi32171537400140914417888774877771
NILC/São Carlos696452638730731317666913547289822465883469563
Vercial5846123273341420169402959097125201000207060
28767811373310135602622300351523176812924464672471397


Contabilização detalhada por corpo

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

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


Corpo AmostRA-NILC

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

Citando Aires 2000 (secção 4.1.1)

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

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

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

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

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

(fim de citação)

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

Agradecemos a Rachel Aires a disponibilização do corpus.

Estrutura do corpo

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

Dados quantitativos

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

Número de unidades estruturais

Atributo Número
s 4928
p 4902
mwe 1812

Contabilização de multipalavras

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

Distribuição por categoria gramatical

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

^Voltar ao início da página

Corpo ANCIB

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

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

Corpus ANCIB, versão texto de Junho de 2009, anotado 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 formasNúmero de tipos
Unidades 167250575783
Total de palavras 124306871161
Palavras em minúscula 83240135006
Palavras com inicial maiúscula22617722391
Palavras todas em maiúsculas 182252064
Números 195681213
Palavras com números2631752
Palavras mistas2378639
Pontuação1090593157

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 gramaticalExpressão de procura Número de palavrasPercentagem 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 22 de abril de 2018, v. 6.1

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

Estrutura do corpo

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

Dados quantitativos

Corpo AVANTE Número de formasNúmero de tipos
Unidades 7760345121586
Total de palavras 6504283119983
Palavras em minúscula 509665667825
Palavras com inicial maiúscula67481329340
Palavras todas em maiúsculas 703462335
Números 588931645
Palavras com números772296
Palavras mistas1648684
Pontuação3331821510

Número de unidades estruturais

Atributo Número
art 8536
t 28723
a 2
p 62489
li 7835
s 221653
mwe 130630

Contabilização de multipalavras

Número de entidades Número de unidades
Nomes próprios 330637 557669
Locuções 130630 280107
Palavras gráficas 6504283 6504283
Palavras simples 5666507 5666507
Palavras 6127774 6504283

Distribuição por categoria gramatical

Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
Substantivos N|N[^U].* 1404055 24,78%
Verbos V.* 775776 13,69%
Adjectivos ADJ.* 449505 7,93%
Pronomes pessoais .*PERS.* 89436 1,58%
Preposições PRP.* 1219486 21,52%
Conjunções K.* 314581 5,55%
Advérbios ADV.* 296432 5,23%
Determinantes .*DET.* 1262335 22,28%
Especificadores .*SPEC.* 119760 2,11%
Numerais NUM.* 109838 1,94%

^Voltar ao início da página

Corpo Corpus Brasileiro

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

Listas de frequências

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

Referências

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

Corpus Brasileiro anotado, versão de 2 de fevereiro de 2020, v. 6.0

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

Estrutura do corpo

O corpo está apenas dividido em frases (s).

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

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

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

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

Dados quantitativos

Corpo CBRAS Número de formasNúmero de tipos
Unidades 14776455564377012
Total de palavras 12490882954018026
Palavras em minúscula 8556772721098243
Palavras com inicial maiúscula152007309875502
Palavras todas em maiúsculas 26917075279970
Números 2898578088128
Palavras com números3484358267557
Palavras mistas5863090261858
Pontuação81257380344053

Número de unidades estruturais

Atributo Número
p 76
s 41673806
mwe 13203745

Contabilização de multipalavras

Número de entidades Número de unidades
Nomes próprios 64131442 108172998
Locuções 13203745 28086353
Palavras gráficas 976600356 976600356
Palavras simples 840341005 840341005
Palavras 917676192 976600356

Distribuição por categoria gramatical

Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
Substantivos N|N[^U].* 223585505 26,61%
Verbos V.* 108200447 12,88%
Adjectivos ADJ.* 62727351 7,46%
Pronomes pessoais .*PERS.* 13307933 1,58%
Preposições PRP.* 158371115 18,85%
Conjunções K.* 38784714 4,62%
Advérbios ADV.* 34668402 4,13%
Determinantes .*DET.* 152775435 18,18%
Especificadores .*SPEC.* 13561365 1,61%
Numerais NUM.* 35331154 4,20%

^Voltar ao início da página

Corpo CD HAREM

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

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

Estrutura do corpo

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo CETEMPúblico

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

    Corpus CETEMPúblico anotado: versão 1.7 do texto, criada a 18 de setembro de 2001, anotada em agosto de 2020, v. 11.2

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

    Estrutura do corpo

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

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

    semestretamanhocltclt-soccomdesecondopipolsoc
    91a739704865098518751408790875206072887763010073021263790
    91b142106701251948215047014279089469775732141021554052481244
    92a1529038825009625333520151721515254242093000039185313201904
    92b114890882214517437985013148341301975507959027038933007925
    93a152104773163792900197014893951686353597464034042013969075
    93b1213237322561915822190126672912694381076648025643463116802
    94a1534407030177178696080151694915820651469082032956013593048
    94b1482993727646378707380160624715792461726307029126563370106
    95a16606491275614510844370181498916172781925984030783924329266
    95b1564775222143769345450161417114265882060869032589724138231
    96a1192182516322240132421427322967846120625062509621345563915289
    96b116157541596082001546086796145124091361773219020513916745
    97a98874231361224016978131827967516792110662111816386883334863
    97b993139813553240243759123825565679893980656698018072153123261
    98a12889447145297603877261520440796914175989264291619741064354477
    98b894359410440980277021104909156914085738542931016438743073675
    Todos 31233198661564293872622546997179179612700256935031523939978954189701

    Dados quantitativos

    Corpo CETEMPUBLICO Número de formasNúmero de tipos
    Unidades 234483623976303
    Total de palavras 190603605942654
    Palavras em minúscula 143749932270091
    Palavras com inicial maiúscula23575697308243
    Palavras todas em maiúsculas 145092832738
    Números 182825110452
    Palavras com números23560514192
    Palavras mistas12999138000
    Pontuação1274610131319

    Número de unidades estruturais

    Atributo Número
    p 2569907
    s 7025561
    ext 1503049
    t 654623
    a 247214
    mwe 3396032
    marca 3629

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 15881309 18644452
    Locuções 3396032 7244064
    Palavras gráficas 190603605 190603605
    Palavras simples 164715089 164715089
    Palavras 183992430 190603605

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 38763267 23,53%
    Verbos V.* 24561293 14,91%
    Adjectivos ADJ.* 11574221 7,03%
    Pronomes pessoais .*PERS.* 2868147 1,74%
    Preposições PRP.* 34163599 20,74%
    Conjunções K.* 7702723 4,68%
    Advérbios ADV.* 9474749 5,75%
    Determinantes .*DET.* 34674160 21,05%
    Especificadores .*SPEC.* 3649233 2,22%
    Numerais NUM.* 4364396 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 11 de março de 2020, v. 9.1

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

    Estrutura do corpo

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

    Dados quantitativos

    Corpo CHAVE Número de formasNúmero de tipos
    Unidades 125685041744605
    Total de palavras 99205599716356
    Palavras em minúscula 72652694228202
    Palavras com inicial maiúscula12739632232405
    Palavras todas em maiúsculas 88003027719
    Números 11050567440
    Palavras com números1044169793
    Palavras mistas15811718526
    Pontuação683214226575

    Número de unidades estruturais

    Atributo Número
    s 4761992
    t 580069
    p 2272588
    mwe 1645689
    data 210733
    DOC 210733
    CATEGORY 210733
    EM 210712

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 5779313 9706526
    Locuções 1645689 3516880
    Palavras gráficas 99205599 99205599
    Palavras simples 85982193 85982193
    Palavras 93407195 99205599

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 20741600 24,12%
    Verbos V.* 12930986 15,04%
    Adjectivos ADJ.* 5961626 6,93%
    Pronomes pessoais .*PERS.* 1483613 1,73%
    Preposições PRP.* 17393168 20,23%
    Conjunções K.* 3985745 4,64%
    Advérbios ADV.* 4666794 5,43%
    Determinantes .*DET.* 17637181 20,51%
    Especificadores .*SPEC.* 1774394 2,06%
    Numerais NUM.* 2389750 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 comunicaçâo 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 em 13 de abril de 2020, v. 2.3

    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 formasNúmero de tipos
    Unidades 79931242785
    Total de palavras 65679141949
    Palavras em minúscula 49987826478
    Palavras com inicial maiúscula766359336
    Palavras todas em maiúsculas 4790928
    Números 7826768
    Palavras com números1145539
    Palavras mistas484237
    Pontuação34766652

    Número de unidades estruturais

    Atributo Número
    p 12475
    s 27257
    texto 1123
    t 1124
    mwe 11547

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 31856 58932
    Locuções 11547 24551
    Palavras gráficas 656791 656791
    Palavras simples 573308 573308
    Palavras 616711 656791

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 145643 25,40%
    Verbos V.* 79948 13,95%
    Adjectivos ADJ.* 47663 8,31%
    Pronomes pessoais .*PERS.* 8198 1,43%
    Preposições PRP.* 115200 20,09%
    Conjunções K.* 27948 4,87%
    Advérbios ADV.* 29501 5,15%
    Determinantes .*DET.* 118376 20,65%
    Especificadores .*SPEC.* 11482 2,00%
    Numerais NUM.* 12667 2,21%

    ^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 e anotado a 25 de maio de 2020, v. 5.6

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

    Estrutura do corpo

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

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

    Dados quantitativos

    Corpo COLONIA Número de formasNúmero de tipos
    Unidades 6710590175065
    Total de palavras 5034438174565
    Palavras em minúscula 3910850110832
    Palavras com inicial maiúscula46349929326
    Palavras todas em maiúsculas 158423417
    Números 6461767
    Palavras com números8556
    Palavras mistas35511493
    Pontuação372401357

    Número de unidades estruturais

    Atributo Número
    p 280477
    s 280477
    texto 0
    parte 1727
    mwe 80860

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 163782 219197
    Locuções 80860 174846
    Palavras gráficas 5034438 5034438
    Palavras simples 4640395 4640395
    Palavras 4885037 5034438

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 937468 20,20%
    Verbos V.* 830753 17,90%
    Adjectivos ADJ.* 280626 6,05%
    Pronomes pessoais .*PERS.* 242770 5,23%
    Preposições PRP.* 705140 15,20%
    Conjunções K.* 288132 6,21%
    Advérbios ADV.* 333809 7,19%
    Determinantes .*DET.* 845304 18,22%
    Especificadores .*SPEC.* 132389 2,85%
    Numerais NUM.* 39618 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 22 de Junho de 2013, v. 9.6

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

    Estrutura do corpo

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

    TamanhoFutebolModa/vestuárioSaúde
    PT333341116792903168531337268
    BR26493791367115801410480854
    Todos 304640511182731818122

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo CONDIVport2

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

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

    Corpus CONDIV2, versão texto de 15 de maio de 2017, anotado em dezembro de 2018, v. 2.0

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

    Estrutura do corpo

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

    TamanhoFutebolModa/vestuárioSaúde
    PT333341116792903168531337268
    BR26493791367115801410480854
    Todos 304640511182731818122

    Dados quantitativos

    Corpo CONDIV2 Número de formasNúmero de tipos
    Unidades 20904120143
    Total de palavras 17249719947
    Palavras em minúscula 12789713482
    Palavras com inicial maiúscula231874641
    Palavras todas em maiúsculas 1204291
    Números 2240346
    Palavras com números18690
    Palavras mistas36341
    Pontuação9522180

    Número de unidades estruturais

    Atributo Número
    texto 519
    p 3927
    s 6532
    mwe 2520

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 7134 7
    Locuções 2520 5144
    Palavras gráficas 172497 172497
    Palavras simples 167346 167346
    Palavras 177000 172497

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 37443 22,37%
    Verbos V.* 22054 13,18%
    Adjectivos ADJ.* 9171 5,48%
    Pronomes pessoais .*PERS.* 1824 1,09%
    Preposições PRP.* 31566 18,86%
    Conjunções K.* 6964 4,16%
    Advérbios ADV.* 6491 3,88%
    Determinantes .*DET.* 31011 18,53%
    Especificadores .*SPEC.* 2783 1,66%
    Numerais NUM.* 4214 2,52%

    ^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 em 9 de janeiro de 2020, v. 6.4

    Estrutura do corpo

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

    Dados quantitativos

    Corpo CONE Número de formasNúmero de tipos
    Unidades 91835046477
    Total de palavras 67345643299
    Palavras em minúscula 39452918370
    Palavras com inicial maiúscula13118012013
    Palavras todas em maiúsculas 339034847
    Números 14590780
    Palavras com números2925655
    Palavras mistas5070568
    Pontuação597912791

    Número de unidades estruturais

    Atributo Número
    p 19365
    s 31559
    mwe 7161
    autor 1949
    mens 1949
    assunto 1900
    div 0
    li 26839
    t 0
    cita 0

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 63225 105677
    Locuções 7161 15296
    Palavras gráficas 673456 673456
    Palavras simples 552483 552483
    Palavras 622869 673456

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 158757 28,74%
    Verbos V.* 68117 12,33%
    Adjectivos ADJ.* 41377 7,49%
    Pronomes pessoais .*PERS.* 8854 1,60%
    Preposições PRP.* 98441 17,82%
    Conjunções K.* 30573 5,53%
    Advérbios ADV.* 23336 4,22%
    Determinantes .*DET.* 85169 15,42%
    Especificadores .*SPEC.* 6031 1,09%
    Numerais NUM.* 27673 5,01%

    ^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 7 de janeiro de 2020, v. 5.0

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

    Estrutura do corpo

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

    Dados quantitativos

    Corpo CORALBRASIL Número de formasNúmero de tipos
    Unidades 43523414593
    Total de palavras 26363214437
    Palavras em minúscula 16614610328
    Palavras com inicial maiúscula305323244
    Palavras todas em maiúsculas 19478300
    Números 128499
    Palavras com números
    Palavras mistas11536
    Pontuação2873916

    Número de unidades estruturais

    Atributo Número
    p 0
    s 30626
    fala 19399
    personagem 19397
    mwe 2912

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 23559 24683
    Locuções 2912 6150
    Palavras gráficas 263632 263632
    Palavras simples 232799 232799
    Palavras 259270 263632

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 37040 15,91%
    Verbos V.* 47835 20,55%
    Adjectivos ADJ.* 9921 4,26%
    Pronomes pessoais .*PERS.* 11149 4,79%
    Preposições PRP.* 18558 7,97%
    Conjunções K.* 18827 8,09%
    Advérbios ADV.* 25358 10,89%
    Determinantes .*DET.* 26370 11,33%
    Especificadores .*SPEC.* 5779 2,48%
    Numerais NUM.* 4234 1,82%

    ^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 16 de setembro de 2020, v. 6.2

    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 formasNúmero de tipos
    Unidades 15785531125808
    Total de palavras 13885354120682
    Palavras em minúscula 929508854606
    Palavras com inicial maiúscula242580640059
    Palavras todas em maiúsculas 1697274508
    Números 3800541201
    Palavras com números840408
    Palavras mistas11184816
    Pontuação6251974941

    Número de unidades estruturais

    Atributo Número
    p 12818
    s 457203
    texto 11881
    t 0
    mwe 155415

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 1070717 2338595
    Locuções 155415 336483
    Palavras gráficas 13885354 13885354
    Palavras simples 11210276 11210276
    Palavras 12436408 13885354

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 2746451 24,50%
    Verbos V.* 1372650 12,24%
    Adjectivos ADJ.* 713391 6,36%
    Pronomes pessoais .*PERS.* 151369 1,35%
    Preposições PRP.* 2944350 26,26%
    Conjunções K.* 411006 3,67%
    Advérbios ADV.* 334682 2,99%
    Determinantes .*DET.* 2293084 20,46%
    Especificadores .*SPEC.* 146896 1,31%
    Numerais NUM.* 476398 4,25%

    ^Voltar ao início da página

    Corpo DiaCLAV

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

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

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

    Estrutura do corpo

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

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo Diáspora TL-PT

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

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

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

    Como citar o corpo Diáspora TL-PT:

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

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

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

    Estrutura do corpo

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo ECI-EBR

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

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

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

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

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

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

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

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

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

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

    Corpus ECI-EBR, versão texto de Abril de 2002, anotado em novembro de 2018, v. 11.1

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

    Estrutura do corpo

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

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

    Marcadores estruturais: s, p, ext e marca.

    Dados quantitativos

    Corpo ECI-EBR Número de formasNúmero de tipos
    Unidades 91778760537
    Total de palavras 72353360322
    Palavras em minúscula 56947742228
    Palavras com inicial maiúscula7215312198
    Palavras todas em maiúsculas 19347
    Números 2003461
    Palavras com números5644
    Palavras mistas18295
    Pontuação53673210

    Número de unidades estruturais

    Atributo Número
    ext 1107
    p 12115
    s 44377
    marca 3
    mwe 12673

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 21179 81
    Locuções 12673 26959
    Palavras gráficas 723533 723533
    Palavras simples 696493 696493
    Palavras 730345 723533

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 148904 21,38%
    Verbos V.* 113970 16,36%
    Adjectivos ADJ.* 45325 6,51%
    Pronomes pessoais .*PERS.* 24777 3,56%
    Preposições PRP.* 111084 15,95%
    Conjunções K.* 34152 4,90%
    Advérbios ADV.* 44361 6,37%
    Determinantes .*DET.* 124911 17,93%
    Especificadores .*SPEC.* 16027 2,30%
    Numerais NUM.* 9174 1,32%

    ^Voltar ao início da página

    Corpo ECI-EE

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

    Pode também consultar a informação da ELSNET.

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

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

    Estrutura do corpo

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

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo ENPCPUB (parte em português)

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

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

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

    Corpus ENPCPUB, versão de 31 de Dezembro de 2001, anotado em novembro de 2018, v. 8.3

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

    Estrutura do corpo

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

    Dados quantitativos

    Corpo ENPCPUB Número de formasNúmero de tipos
    Unidades 9257812893
    Total de palavras 7290112873
    Palavras em minúscula 5762710259
    Palavras com inicial maiúscula70831675
    Palavras todas em maiúsculas 2411
    Números 13478
    Palavras com números1152
    Palavras mistas2418
    Pontuação495320

    Número de unidades estruturais

    Atributo Número
    p 1674
    s 4354
    texto 5
    parte 8
    capitulo 25
    mwe 1287

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 2571 2
    Locuções 1287 2988
    Palavras gráficas 72901 72901
    Palavras simples 69911 69911
    Palavras 73769 72901

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 13213 18,90%
    Verbos V.* 12724 18,20%
    Adjectivos ADJ.* 3898 5,58%
    Pronomes pessoais .*PERS.* 3098 4,43%
    Preposições PRP.* 11038 15,79%
    Conjunções K.* 3812 5,45%
    Advérbios ADV.* 5172 7,40%
    Determinantes .*DET.* 12037 17,22%
    Especificadores .*SPEC.* 1847 2,64%
    Numerais NUM.* 769 1,10%

    ^Voltar ao início da página

    Corpo Floresta

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

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

    Estrutura do corpo

  • Atributos estruturais:
  • Atributos posicionais:

    Dados quantitativos

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

    Número de unidades estruturais

    Atributo Número
    ext 24398
    s 326667
    mwe 103159

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo FrasesPB

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

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

    Corpus FrasesPB, versão texto de 17 de Abril de 2002, anotado a 21 de novembro de 2018, v. 7.2

    Estrutura do corpo

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

    Marcadores estruturais: s, p.

    Dados quantitativos

    Corpo FRASESPB Número de formasNúmero de tipos
    Unidades 231786024
    Total de palavras 191416012
    Palavras em minúscula 164125270
    Palavras com inicial maiúscula1037524
    Palavras todas em maiúsculas 1515
    Números 4935
    Palavras com números
    Palavras mistas66
    Pontuação73112

    Número de unidades estruturais

    Atributo Número
    p 648
    s 652
    mwe 353

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 260
    Locuções 353 747
    Palavras gráficas 19141 19141
    Palavras simples 18394 18394
    Palavras 19007 19141

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 4600 25,01%
    Verbos V.* 2881 15,66%
    Adjectivos ADJ.* 1424 7,74%
    Pronomes pessoais .*PERS.* 359 1,95%
    Preposições PRP.* 3352 18,22%
    Conjunções K.* 993 5,40%
    Advérbios ADV.* 984 5,35%
    Determinantes .*DET.* 3617 19,66%
    Especificadores .*SPEC.* 389 2,11%
    Numerais NUM.* 164 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, anotado a 8 de Março de 2011, criado a 22 de Junho de 2013, v. 7.6

    Estrutura do corpo

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

    Marcadores estruturais: s, p.

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

    Dados quantitativos

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

    Número de unidades estruturais

    Atributo Número
    p 594
    s 675
    mwe 351

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo Mariano Gago

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

    TipoDescriçãoTamanho
    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:

    Dados quantitativos

    Corpo JMG Número de formasNúmero de tipos
    Unidades 69683932111
    Total de palavras 57131831831
    Palavras em minúscula 42247321178
    Palavras com inicial maiúscula824356328
    Palavras todas em maiúsculas 5308939
    Números 5715356
    Palavras com números25490
    Palavras mistas24492
    Pontuação33273253

    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 gramaticalExpressão de procura Número de palavrasPercentagem 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 Literateca

    O corpo Literateca inclui todas as obras literárias presentes nos corpos disponibilizados pela Linguateca (Vercial, OBras, NOBRE, Tycho Brahe e Colonia) 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 9 de outubro de 2020, v. 5.12

    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 formasNúmero de tipos
    Unidades 45742007535671
    Total de palavras 32754523533456
    Palavras em minúscula 25015437282458
    Palavras com inicial maiúscula3196757106762
    Palavras todas em maiúsculas 12765211321
    Números 795012067
    Palavras com números1112599
    Palavras mistas329957154
    Pontuação23674481871

    Número de unidades estruturais

    Atributo Número
    p 703705
    s 2055392
    t 1506
    v 294604
    obra 886
    capitulo 689
    parte 495
    tit 0
    autor 772
    tituloobra 772
    div 4064
    mwe 474603
    fala 45893
    personagem 47073

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 971665 1563413
    Locuções 474603 1025481
    Palavras gráficas 32754523 32754523
    Palavras simples 30165629 30165629
    Palavras 31611897 32754523

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 6276071 20,81%
    Verbos V.* 5272284 17,48%
    Adjectivos ADJ.* 1950959 6,47%
    Pronomes pessoais .*PERS.* 1539285 5,10%
    Preposições PRP.* 4662771 15,46%
    Conjunções K.* 1725077 5,72%
    Advérbios ADV.* 1996413 6,62%
    Determinantes .*DET.* 5630730 18,67%
    Especificadores .*SPEC.* 827569 2,74%
    Numerais NUM.* 300620 1,00%

    ^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 13 de abril de 2020, v. 3.2

    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 formasNúmero de tipos
    Unidades 50193226540
    Total de palavras 40585126105
    Palavras em minúscula 27481916214
    Palavras com inicial maiúscula731165800
    Palavras todas em maiúsculas 72491735
    Números 5682401
    Palavras com números425181
    Palavras mistas1454168
    Pontuação23554381

    Número de unidades estruturais

    Atributo Número
    p 10285
    s 20438
    texto 624
    t 0
    mwe 4854

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 30355 63490
    Locuções 4854 10225
    Palavras gráficas 405851 405851
    Palavras simples 332136 332136
    Palavras 367345 405851

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 83708 25,20%
    Verbos V.* 46022 13,86%
    Adjectivos ADJ.* 23725 7,14%
    Pronomes pessoais .*PERS.* 5092 1,53%
    Preposições PRP.* 69465 20,91%
    Conjunções K.* 16449 4,95%
    Advérbios ADV.* 12563 3,78%
    Determinantes .*DET.* 67150 20,22%
    Especificadores .*SPEC.* 5934 1,79%
    Numerais NUM.* 9354 2,82%

    ^Voltar ao início da página

    Corpo Moçambula

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

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

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

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

    Estrutura do corpo

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

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

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

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

    Dados quantitativos

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

    Número de unidades estruturais

    Atributo Número
    p 118
    s 2223
    texto 93
    mwe 1224

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo Museu da Pessoa

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

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

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

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

    Estrutura do corpo

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

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

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo Natura/Minho

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

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

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

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

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

    Estrutura do corpo

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

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo 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 e anotado a 28 de setembro de 2020, v. 5.11

    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 formasNúmero de tipos
    Unidades 10393954219546
    Total de palavras 7592597218326
    Palavras em minúscula 5873178133908
    Palavras com inicial maiúscula64194631655
    Palavras todas em maiúsculas 104501899
    Números 8318982
    Palavras com números190115
    Palavras mistas64822681
    Pontuação552102514

    Número de unidades estruturais

    Atributo Número
    p 148732
    s 431127
    v 0
    obra 127
    capitulo 0
    parte 0
    tit 0
    autor 127
    tituloobra 127
    div 15
    mwe 109639
    fala 555
    personagem 560
    t 2

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 215452 309525
    Locuções 109639 239119
    Palavras gráficas 7592597 7592597
    Palavras simples 7043953 7043953
    Palavras 7369044 7592597

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 1408350 19,99%
    Verbos V.* 1279296 18,16%
    Adjectivos ADJ.* 442647 6,28%
    Pronomes pessoais .*PERS.* 374668 5,32%
    Preposições PRP.* 1091968 15,50%
    Conjunções K.* 389808 5,53%
    Advérbios ADV.* 477312 6,78%
    Determinantes .*DET.* 1304998 18,53%
    Especificadores .*SPEC.* 189621 2,69%
    Numerais NUM.* 60122 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 1 de outubro de 2020, v. 9.8

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

    Estrutura do corpo

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

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

    Dados quantitativos

    Corpo OBRAS Número de formasNúmero de tipos
    Unidades 9787109188899
    Total de palavras 6868239188452
    Palavras em minúscula 5377404113531
    Palavras com inicial maiúscula58777730301
    Palavras todas em maiúsculas 94002579
    Números 6659799
    Palavras com números284144
    Palavras mistas2017952
    Pontuação547968366

    Número de unidades estruturais

    Atributo Número
    p 148815
    s 443918
    t 1175
    v 23049
    obra 265
    capitulo 689
    parte 9
    tit 0
    autor 265
    tituloobra 265
    div 892
    mwe 120198

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 165807 219208
    Locuções 120198 261044
    Palavras gráficas 6868239 6868239
    Palavras simples 6387987 6387987
    Palavras 6673992 6868239

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 1345924 21,07%
    Verbos V.* 1163772 18,22%
    Adjectivos ADJ.* 410386 6,42%
    Pronomes pessoais .*PERS.* 324373 5,08%
    Preposições PRP.* 974760 15,26%
    Conjunções K.* 351382 5,50%
    Advérbios ADV.* 448191 7,02%
    Determinantes .*DET.* 1212496 18,98%
    Especificadores .*SPEC.* 163835 2,56%
    Numerais NUM.* 59104 0,93%

    ^Voltar ao início da página

    Corpo PANTERA, lado português

    Estrutura do corpo

    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 13 de setembro de 2017, v. 2.0

    Corpo compilado por Ana Rita Ferreira e Diana Santos.

    Estrutura do corpo

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

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

    Distribuições

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

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

    Distribuição por fonte

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

    Dados quantitativos

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

    Número de unidades estruturais

    Atributo Número
    p 1108
    s 2366
    texto 38
    mwe 925

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo Português Falado - Documentos Autênticos

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

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

    Como citar o (conteúdo do) corpus PortFALDA:

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

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

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

    Estrutura do corpo

    Marcadores posicionais: variante

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

    Distribuição por variante

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo ReLi

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

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

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

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

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

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

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

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

    Estrutura do corpo

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

    Distribuição por livro e autor

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo NILC/São Carlos

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

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

    Versão 2.0 do corpus sem Folha, incluindo o CETENFolha 1.0 (antes de baralhar) de 4 de Setembro de 2002 e o Folhazinha-2.1 de 27 de Abril de 2002; anotado em agosto de 2020, v. 13.1

    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 13.1, é a seguinte:

    TipoDescriçãoTamanho
    DI texto didáctico 425.070
    ENC enciclopédia 286.317
    ENS ensaio 2.191.186
    EP texto epistolar 3.328
    JO.* jornalístico 31.473.089
    JOCF jornalístico só CETENFolha 29.394.047
    JO jornalístico sem CETENFolha 2.079.042
    LE texto legal 1.067.576
    LI literário 923.133
    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):

    Dados quantitativos

    Corpo SAOCARLOS Número de formasNúmero de tipos
    Unidades 44717319440505
    Total de palavras 34039043418206
    Palavras em minúscula 24238787157715
    Palavras com inicial maiúscula4845868127735
    Palavras todas em maiúsculas 48303523047
    Números 5309633242
    Palavras com números483276249
    Palavras mistas1068147587
    Pontuação248475421898

    Número de unidades estruturais

    Atributo Número
    mwe 479649
    p 873530
    s 2053911
    texto 364445
    subtitulo 3775
    assinatura 11
    artigo 0
    caixa 21674
    situacao 5190
    t 158123
    a 85472
    li 50398

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 2103291 3369868
    Locuções 479649 1023286
    Palavras gráficas 34039043 34039043
    Palavras simples 29645889 29645889
    Palavras 32228829 34039043

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 7470699 25,20%
    Verbos V.* 4523881 15,26%
    Adjectivos ADJ.* 1933275 6,52%
    Pronomes pessoais .*PERS.* 479142 1,62%
    Preposições PRP.* 5797379 19,56%
    Conjunções K.* 1279428 4,32%
    Advérbios ADV.* 1401606 4,73%
    Determinantes .*DET.* 5843343 19,71%
    Especificadores .*SPEC.* 497818 1,68%
    Numerais NUM.* 995603 3,36%

    ^Voltar ao início da página

    Corpo todos juntos

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

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

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

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

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

    GéneroUnidades
    academico 445.172.798
    blog 4.253.225
    cartas 109.669
    encic 60.179.600
    ensaio 2.220.485
    jorn 629.307.170
    legal 13.860.143
    lit 46.092.964
    littrad 77.742
    mail 2.085.720
    misto 389.384
    oraldebate 37.039
    oralent 5.665.792
    oralfut 86.135
    oralinf 292.372
    oralmono 77.527.249
    recensoes 265.237
    religioso 1.791.682
    revistas 647.682
    teatro 130.295
    tecnico 96.226.614
    variado 137.795

    Corpus todos, criado a 12 de outubro de 2020, v. 7.3

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

    Estrutura do corpo

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

    Dados quantitativos

    Corpo TODOS Número de formasNúmero de tipos
    Unidades 15624555026902701
    Total de palavras 13015033526056263
    Palavras em minúscula 9049263771540651
    Palavras com inicial maiúscula1671592471286522
    Palavras todas em maiúsculas 25920032401530
    Números 23695158102186
    Palavras com números2703289446379
    Palavras mistas5342595444058
    Pontuação85383895614865

    Número de unidades estruturais

    Atributo Número
    TEXTO 0
    CATEGORY 210653
    0
    art 27733
    assinatura 651
    assunto 4902
    autor 71383
    caixa 1077
    capitulo 714
    cita 80
    div 4990
    entrevista 220
    ext 1072073
    fala 80734
    introd 4
    legenda 834
    li 93784
    marca 15350
    mens 4961
    mwe 18279732
    nota 2204
    obra 921
    p 5458221
    parte 11447
    pergunta 12253
    personagem 82349
    resposta 12713
    s 56652520
    situacao 561
    subtitulo 3775
    t 1116891
    texto 22423
    titulo 2235
    tituloobra 805
    u 1627415
    v 294607
    a 180119
    data 210746
    indic 4608

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 87184316 138718978
    Locuções 18279732 38922069
    Palavras gráficas 1301503352 1301503352
    Palavras simples 1123862305 1123862305
    Palavras 1229326353 1301503352

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 290744893 25,87%
    Verbos V.* 148159564 13,18%
    Adjectivos ADJ.* 80925288 7,20%
    Pronomes pessoais .*PERS.* 17580558 1,56%
    Preposições PRP.* 210931348 18,77%
    Conjunções K.* 50289189 4,47%
    Advérbios ADV.* 48445539 4,31%
    Determinantes .*DET.* 202661112 18,03%
    Especificadores .*SPEC.* 18231908 1,62%
    Numerais NUM.* 40188738 3,58%

    ^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 10 de julho de 2020, versão 6.

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

    Estrutura do corpo

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

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

    Dados quantitativos

    Corpo TYCHO Número de formasNúmero de tipos
    Unidades 4211732150132
    Total de palavras 3333948149629
    Palavras em minúscula 255688294953
    Palavras com inicial maiúscula35896628092
    Palavras todas em maiúsculas 146512038
    Números 189531432
    Palavras com números929280
    Palavras mistas42611683
    Pontuação175199478

    Número de unidades estruturais

    Atributo Número
    s 131150
    p 131409
    obra 76
    t 1496
    autor 76
    tituloobra 76
    data 302
    variante 76
    genero 76
    grafia 76
    div 2108
    assinatura 1182
    saudacao 358
    mwe 46555
    personagem 21279
    fala 20856

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 146695 229029
    Locuções 46555 98987
    Palavras gráficas 3333948 3333948
    Palavras simples 3005932 3005932
    Palavras 3199182 3333948

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 602144 20,03%
    Verbos V.* 519078 17,27%
    Adjectivos ADJ.* 164464 5,47%
    Pronomes pessoais .*PERS.* 157007 5,22%
    Preposições PRP.* 460557 15,32%
    Conjunções K.* 217502 7,24%
    Advérbios ADV.* 197350 6,57%
    Determinantes .*DET.* 518463 17,25%
    Especificadores .*SPEC.* 104225 3,47%
    Numerais NUM.* 43283 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 9 de outubro de 2020, v. 11.11

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

    Estrutura do corpo

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

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

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

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

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

    As obras presentes e respectivos autores são as seguintes:

    Dados quantitativos

    Corpo VERCIAL Número de formasNúmero de tipos
    Unidades 20983938332955
    Total de palavras 14813345331734
    Palavras em minúscula 11084672176818
    Palavras com inicial maiúscula161897572985
    Palavras todas em maiúsculas 905297464
    Números 566491947
    Palavras com números523365
    Palavras mistas201302597
    Pontuação10317691119

    Número de unidades estruturais

    Atributo Número
    p 230373
    s 998875
    v 271555
    obra 340
    capitulo 0
    titulo 900
    u 793717
    fala 29182
    autor 340
    tituloobra 340
    div 2223
    mwe 198060
    indic 4510
    poesia 854
    nota 268
    marca 10556

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 586406 838820
    Locuções 198060 424128
    Palavras gráficas 14813345 14813345
    Palavras simples 13550397 13550397
    Palavras 14334863 14813345

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 2881363 21,26%
    Verbos V.* 2267986 16,74%
    Adjectivos ADJ.* 916203 6,76%
    Pronomes pessoais .*PERS.* 673098 4,97%
    Preposições PRP.* 2122102 15,66%
    Conjunções K.* 770298 5,68%
    Advérbios ADV.* 853409 6,30%
    Determinantes .*DET.* 2555388 18,86%
    Especificadores .*SPEC.* 374952 2,77%
    Numerais NUM.* 151017 1,11%

    ^Voltar ao início da página

    [ Acesso | Anotação | Atomização | Exemplos | Agradecimentos ]


    Última actualização: 11 de Junho de 2018
    Perguntas, comentários e sugestões