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 Brasileiro45.485.77915.642992.549.8225.055.4551.178.488.920
CD HAREM12.5587.276225.76630.985290.001
CETEMPúblico7.682.5582.810.425208.424.352941.603256.416.026
CHAVE4.732.7952.254.59298.301.578702.806126.191.857
Ciência Viva27.26412.480498.75335.396630.333
Colonia284.8311.7295.022.528173.0206.116.996
CONDIVport297.837147.7565.485.346150.4997.038.154
CONDIVport26.5343.929172.49719.947209.041
CoNE31.36119.313675.46241.030922.920
C-Oral-Brasil30.46319.229261.01314.352431.081
DHBB314.1687.6879.629.828109.80210.952.743
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 Gago23.30311.392570.90331.686695.534
Marielle, presente!9.9301.200219.71817.475261.803
Moçambula2.32113558.26710.65071.399
Museu da Pessoa93.55434.8371.422.43442.5212.004.282
Natura/Minho69.09957.1491.748.64467.4502.208.211
NOBRE145.37635.9592.685.365122.8373.614.242
OBras316.08676.6475.038.239154.1027.051.097
P'lo Norte2.3841.12240.9098.14053.703
Português Falado - Documentos Autênticos4.7353.13863.3526.185102.222
ReLi8.3928153.00214.354188.882
NILC/São Carlos1.322.741555.83822.189.328347.73228.935.196
todos juntos58.499.1955.089.2061.285.252.4995.781.8401.550.265.615
Tycho Brahe126.21421.8723.133.526139.4423.719.074
Vercial968.982254.63214.782.748330.94220.795.891
Total62.897.2416.519.8721.394.683.983 --1.683.047.090


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
CETEMPúblico1917099848770022168551246558966975191
CHAVE160908818165797175775941667205746727
Ciência Viva12773712685512852175095442877
Colonia497612645426498622911242000175154
ConDIVport427072596725675434161252207154482
ConDIVport264522679423598492156020143
ConE15189621465895213520147945915
C-ORAL_Brasil55821977332487622175214591
DHBB238501322113483359891572147114006
DiaCLAV302791596915013948260151465112080
Diáspora TL-PT9853211541128883293070
ECI-EBR193751028211892408577192060519
ECI-EE137085320013332492994283
ENPC (parte pública)43471965451513914151612910
Floresta469152187221894890760243453164663
FrasesPB25629572141804683396024
FrasesPP0000000
Mariano Gago955349618071196890981032163
Marielle, presente!727932475057329126575623660
Moçambula37061651387383918550310746
Museu da Pessoa1460561287461739858083142998
Natura/Minho19963104401111217484218112470047
NOBRE34856209982415618945551552123102
OBras412832283825488305612611737154474
Plonorte2862119632126352604318220
PortFalDA23827731982415463386145
ReLi421425295394999155162514278
NILC/São Carlos103018518163720104809633943816440048
Vercial8504247183409816609831594946336102
35446417795911188396677207654194861644657

CorpusLemas
NADJADVVNUMGRAMPROPtodostodos/pos
AmostRA49921991331190632016315621113311265
ANCIB15391514083035705590339351236525665983
Avante!201479438171752655846333516259368194371
CDHAREM71502709459214598319169302025820567
CETEMPúblico13616557535551723953136144627103070013815541390641
CHAVE1098964539245291963299788622684436957538964295
Ciência Viva9068409068424411801215105472853828846
Colonia34611141802239102491254436286059082491574
ConDIVport277901354521666471662241645825101936102835
ConDIVport246551715340158591617441431324713528
ConE9813308752321783570247130403198332458
C-ORAL_Brasil450713922291414160210197695159888
DHBB157176931104038379313463119140155611156441
DiaCLAV18939807311944666632630164627103374104126
Diáspora TL-PT8272371153648412523719141988
ECI-EBR133795911954397292624894153447434805
ECI-EE105755018049725010618627822826
ENPC (parte pública)35081397370143713615778276817787
Floresta306991124918436802613862386696142458144050
FrasesPB21387481918336011622142224307
FrasesPP000000000
Mariano Gago67252913638219892822174672092021090
Marielle, presente!503618894001728130220262111655616768
Moçambula28851155307126818416385567376817
Museu da Pessoa101683574558292564925882602588026392
Natura/Minho12923572388936554488265308455828658788
NOBRE239851083820387721639367127425762558330
OBras2709210944212277651419408180136753067763
Plonorte221681424986224714580552505338
PortFalDA20265761987817515625539914067
ReLi32171537400140914417888774877771
NILC/São Carlos677672760629791337566548558290059465278468892
Vercial5712624731340617371354951361780165612168476
2634881106169270516492246621297170212423428612363012


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 8 de março de 2017, v. 4.2

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

Estrutura do corpo

O corpo está apenas dividido em frases (s).

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

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

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

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

Dados quantitativos

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

Número de unidades estruturais

Atributo Número
p 97
s 42540575
mwe 14607557

Contabilização de multipalavras

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

Distribuição por categoria gramatical

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

^Voltar ao início da página

Corpo CD HAREM

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

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

Estrutura do corpo

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo CETEMPúblico

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

    Corpus CETEMPúblico anotado: versão 1.7 do texto, criada a 18 de setembro de 2001, anotada em março de 2019, v. 10.2

    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
    91a806985371217920153309566435672913154239010999921377976
    91b1551104913657922341200156454510340786254616023496992708199
    92a1673216627259665832370167026016678342279912042922653512692
    92b125469542418126477036014319161425531558547029469593288839
    93a166273873461490986969016256511848397658001037129484333931
    93b1329797424714826428740138306813999471172150028074293421024
    94a1675202933018239469490165807317254201608011035925573919196
    94b1621064530255349534170175808717210041890526031793083682769
    95a18189943301612511947110198452417695182116103033779554731007
    95b17089806241991710311590175939315524422260807035486364517452
    96a13031559177607601496115588671059465131724768315823336054288180
    96b127258011754537001688114872474135833067921420860214287111
    97a1086237914888990181311446477742244100506568632018043593670884
    97b10834387148393702707501348189712068102384661381219756653406120
    98a14121974158462104226241665324869579194295270527321619694769632
    98b976480011397550299935114391061847093304247393417931723362582
    Todos 341462597252005102640124643041195857622953339438417114306253959277594

    Dados quantitativos

    Corpo CETEMPUBLICO Número de formasNúmero de tipos
    Unidades 256416026975191
    Total de palavras 208424352941603
    Palavras em minúscula 157499000271911
    Palavras com inicial maiúscula25467902306748
    Palavras todas em maiúsculas 145692030109
    Números 200142310441
    Palavras com números25822914184
    Palavras mistas14855637083
    Pontuação1394649231138

    Número de unidades estruturais

    Atributo Número
    p 2810414
    s 7682194
    ext 1643636
    t 715882
    a 270445
    mwe 3714931
    marca 3968

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 11933850 10052
    Locuções 3714931 7922162
    Palavras gráficas 208424352 208424352
    Palavras simples 200492138 200492138
    Palavras 216140919 208424352

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 42334563 21,12%
    Verbos V.* 26852627 13,39%
    Adjectivos ADJ.* 12701349 6,34%
    Pronomes pessoais .*PERS.* 3138823 1,57%
    Preposições PRP.* 37282058 18,60%
    Conjunções K.* 8443690 4,21%
    Advérbios ADV.* 10379604 5,18%
    Determinantes .*DET.* 37913415 18,91%
    Especificadores .*SPEC.* 3974355 1,98%
    Numerais NUM.* 4760964 2,37%

    ^Voltar ao início da página

    Corpo CHAVE

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

    Corpus CHAVE, anotado em março de 2018, v. 7.0

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

    Estrutura do corpo

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

    Dados quantitativos

    Corpo CHAVE Número de formasNúmero de tipos
    Unidades 126191857730279
    Total de palavras 98301578702806
    Palavras em minúscula 71907873226503
    Palavras com inicial maiúscula12881530232209
    Palavras todas em maiúsculas 62173116865
    Números 10990097609
    Palavras com números1072989917
    Palavras mistas14812815194
    Pontuação675505324964

    Número de unidades estruturais

    Atributo Número
    s 4707027
    t 572510
    p 2244579
    mwe 1785420
    data 207976
    DOC 208401
    CATEGORY 208202
    EM 0

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 6107151 10147064
    Locuções 1785420 3796846
    Palavras gráficas 98301578 98301578
    Palavras simples 84357668 84357668
    Palavras 92250239 98301578

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 20182692 23,93%
    Verbos V.* 12768668 15,14%
    Adjectivos ADJ.* 5884594 6,98%
    Pronomes pessoais .*PERS.* 1475117 1,75%
    Preposições PRP.* 17009477 20,16%
    Conjunções K.* 3976277 4,71%
    Advérbios ADV.* 4683931 5,55%
    Determinantes .*DET.* 17479559 20,72%
    Especificadores .*SPEC.* 1625612 1,93%
    Numerais NUM.* 2448248 2,90%

    ^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 novembro de 2018, v. 2.0

    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 63033336099
    Total de palavras 49875335396
    Palavras em minúscula 38183222877
    Palavras com inicial maiúscula582737683
    Palavras todas em maiúsculas 2685508
    Números 6258656
    Palavras com números803401
    Palavras mistas466250
    Pontuação25855522

    Número de unidades estruturais

    Atributo Número
    p 11821
    s 25311
    texto 1123
    t 964
    mwe 8809

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 32523 12
    Locuções 8809 17672
    Palavras gráficas 498753 498753
    Palavras simples 481069 481069
    Palavras 522401 498753

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 107076 22,26%
    Verbos V.* 58669 12,20%
    Adjectivos ADJ.* 34666 7,21%
    Pronomes pessoais .*PERS.* 6324 1,31%
    Preposições PRP.* 98777 20,53%
    Conjunções K.* 20778 4,32%
    Advérbios ADV.* 22044 4,58%
    Determinantes .*DET.* 100958 20,99%
    Especificadores .*SPEC.* 8678 1,80%
    Numerais NUM.* 9886 2,06%

    ^Voltar ao início da página

    Corpo Colonia

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

    Corpus COLONIA, criado e anotado a 5 de dezembro de 2018, v. 4.0

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

    Estrutura do corpo

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

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

    Dados quantitativos

    Corpo COLONIA Número de formasNúmero de tipos
    Unidades 6116996173524
    Total de palavras 5022528173020
    Palavras em minúscula 3906166109422
    Palavras com inicial maiúscula45676129228
    Palavras todas em maiúsculas 129932772
    Números 6477774
    Palavras com números8556
    Palavras mistas36051420
    Pontuação372421360

    Número de unidades estruturais

    Atributo Número
    p 0
    s 280477
    texto 0
    parte 1727
    mwe 74897

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 166152 434
    Locuções 74897 158526
    Palavras gráficas 5022528 5022528
    Palavras simples 4863568 4863568
    Palavras 5104617 5022528

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 931992 19,16%
    Verbos V.* 827802 17,02%
    Adjectivos ADJ.* 278060 5,72%
    Pronomes pessoais .*PERS.* 243319 5,00%
    Preposições PRP.* 703690 14,47%
    Conjunções K.* 290226 5,97%
    Advérbios ADV.* 330663 6,80%
    Determinantes .*DET.* 845237 17,38%
    Especificadores .*SPEC.* 130912 2,69%
    Numerais NUM.* 39022 0,80%

    ^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 a 19 de Março de 2011, e criado a 22 de Junho de 2013, v. 4.6

    Estrutura do corpo

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo C-Oral-Brasil

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

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

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

    Corpus CoralBrasil, anotado em novembro de 2018, v. 4.0

    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 43108114512
    Total de palavras 26101314352
    Palavras em minúscula 16475810288
    Palavras com inicial maiúscula336283263
    Palavras todas em maiúsculas 16046244
    Números 123799
    Palavras com números
    Palavras mistas38351
    Pontuação2860618

    Número de unidades estruturais

    Atributo Número
    p 0
    s 30456
    fala 19229
    personagem 19211
    mwe 2723

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 24122 30
    Locuções 2723 5641
    Palavras gráficas 261013 261013
    Palavras simples 255342 255342
    Palavras 282187 261013

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 36982 14,48%
    Verbos V.* 47319 18,53%
    Adjectivos ADJ.* 9996 3,91%
    Pronomes pessoais .*PERS.* 11106 4,35%
    Preposições PRP.* 18381 7,20%
    Conjunções K.* 18512 7,25%
    Advérbios ADV.* 25188 9,86%
    Determinantes .*DET.* 26185 10,25%
    Especificadores .*SPEC.* 5709 2,24%
    Numerais NUM.* 3910 1,53%

    ^Voltar ao início da página

    Corpo DHBB

    O corpo Dicionário Histórico-Biográfico Brasileiro contém o material do Dicionário Histórico-Biográfico Brasileiro, referência obrigatória sobre a história do Brasil contemporâneo, concebida pelo Centro de Pesquisa e Documentação de História Contemporânea do Brasil da Fundação Getulio Vargas (CPDOC/FGV), somando cerca de 8 mil verbetes. Para saber mais, consulte a página oficial do Dicionário e a página sobre o DHBB no AC/DC. O Dicionário Histórico-Biográfico Brasileiro foi lançado em 1984, oferecendo aos interessados e estudiosos informações organizadas e sistematizadas que nenhum outro trabalho, por si só, havia reunido até então.

    Constitui uma importante experiência de democratização do conhecimento (quando o acesso à internet ainda não era generalizado), colocando ao alcance da sociedade dados que até então eram monopólio de especialistas. Integram o Dicionário biografias de personalidades que se destacaram no mundo político-administrativo e em episódios marcantes da história nacional do Brasil. Além de biografias, são contemplados verbetes temáticos sobre partidos políticos, movimentos, eventos, organizações e outros temas que dominaram a história brasileira pós-30.

    O DHBB é fruto do trabalho de equipes que reuniram numerosos pesquisadores e colaboradores. As suas sucessivas edições apenas comprovam o princípio de que todo dicionário é uma obra provisória, submetida a revisões e atualizações permanentes.

    Corpus DHBB, criado em 3 de março de 2019, v. 2.9

    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 10952743114006
    Total de palavras 9629828109802
    Palavras em minúscula 644813850344
    Palavras com inicial maiúscula167284635890
    Palavras todas em maiúsculas 1300004061
    Números 2628221112
    Palavras com números452234
    Palavras mistas9269945
    Pontuação4497904073

    Número de unidades estruturais

    Atributo Número
    p 7687
    s 314158
    texto 7685
    t 0
    mwe 106902

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 755750 1299
    Locuções 106902 230685
    Palavras gráficas 9629828 9629828
    Palavras simples 9397844 9397844
    Palavras 10260496 9629828

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 1912162 20,35%
    Verbos V.* 941057 10,01%
    Adjectivos ADJ.* 489553 5,21%
    Pronomes pessoais .*PERS.* 104661 1,11%
    Preposições PRP.* 2070238 22,03%
    Conjunções K.* 281913 3,00%
    Advérbios ADV.* 224909 2,39%
    Determinantes .*DET.* 1591382 16,93%
    Especificadores .*SPEC.* 100600 1,07%
    Numerais NUM.* 328917 3,50%

    ^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.

    Corpus JMG, criado em novembro de 2018, v. 5.0

    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 5.0, é a seguinte:

    TipoDescriçãoTamanho
    noticia texto noticioso 166.403
    discurso discursos 17.857
    entrevista entrevistas 45.202
    outros outros 337.732
    sitiohomenagem sítio de homenagem 36.978

    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 69553431966
    Total de palavras 57090331686
    Palavras em minúscula 42271021323
    Palavras com inicial maiúscula829006463
    Palavras todas em maiúsculas 4225515
    Números 5719358
    Palavras com números25490
    Palavras mistas21580
    Pontuação33281253

    Número de unidades estruturais

    Atributo Número
    p 11381
    s 23292
    texto 1375
    t 1577
    mwe 7902

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 33158 1626
    Locuções 7902 16492
    Palavras gráficas 570903 570903
    Palavras simples 552785 552785
    Palavras 593845 570903

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 115154 20,83%
    Verbos V.* 69270 12,53%
    Adjectivos ADJ.* 35165 6,36%
    Pronomes pessoais .*PERS.* 8675 1,57%
    Preposições PRP.* 100548 18,19%
    Conjunções K.* 26955 4,88%
    Advérbios ADV.* 26698 4,83%
    Determinantes .*DET.* 101817 18,42%
    Especificadores .*SPEC.* 11583 2,10%
    Numerais NUM.* 9761 1,77%

    ^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 em novembro de 2018, v. 2.0

    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 26180317754
    Total de palavras 21971817475
    Palavras em minúscula 15884411834
    Palavras com inicial maiúscula335903950
    Palavras todas em maiúsculas 1951276
    Números 3016271
    Palavras com números239155
    Palavras mistas20682
    Pontuação13647231

    Número de unidades estruturais

    Atributo Número
    p 1200
    s 9930
    texto 420
    t 0
    mwe 2631

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 14575 19
    Locuções 2631 5353
    Palavras gráficas 219718 219718
    Palavras simples 214346 214346
    Palavras 231552 219718

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 47407 22,12%
    Verbos V.* 26591 12,41%
    Adjectivos ADJ.* 13053 6,09%
    Pronomes pessoais .*PERS.* 2892 1,35%
    Preposições PRP.* 39297 18,33%
    Conjunções K.* 9272 4,33%
    Advérbios ADV.* 7411 3,46%
    Determinantes .*DET.* 38713 18,06%
    Especificadores .*SPEC.* 3517 1,64%
    Numerais NUM.* 4941 2,31%

    ^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".

    Corpus NOBRE, criado e anotado em fevereiro de 2019, v. 2.5

    Agradecemos a todos os que tornarem este projeto viável, por terem digitalizado e tornado públicas as obras que incluimos, em particular o projeto Gutenberg e o LusoLivros.

    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 3614242123102
    Total de palavras 2685365122837
    Palavras em minúscula 212279582633
    Palavras com inicial maiúscula21117016181
    Palavras todas em maiúsculas 3479974
    Números 2524370
    Palavras com números10172
    Palavras mistas1541711
    Pontuação189932176

    Número de unidades estruturais

    Atributo Número
    p 35485
    s 145323
    v 0
    obra 56
    capitulo 0
    parte 0
    tit 0
    autor 56
    tituloobra 56
    div 0
    mwe 41831

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 71715 278
    Locuções 41831 91546
    Palavras gráficas 2685365 2685365
    Palavras simples 2593541 2593541
    Palavras 2707087 2685365

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 508629 19,61%
    Verbos V.* 443549 17,10%
    Adjectivos ADJ.* 168249 6,49%
    Pronomes pessoais .*PERS.* 129093 4,98%
    Preposições PRP.* 392423 15,13%
    Conjunções K.* 144490 5,57%
    Advérbios ADV.* 173076 6,67%
    Determinantes .*DET.* 466595 17,99%
    Especificadores .*SPEC.* 66726 2,57%
    Numerais NUM.* 21234 0,82%

    ^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.

    Corpus OBras, criado em fevereiro de 2019, v. 6.4

    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 7051097154474
    Total de palavras 5038239154102
    Palavras em minúscula 396969495115
    Palavras com inicial maiúscula42118223481
    Palavras todas em maiúsculas 59821657
    Números 5911611
    Palavras com números18673
    Palavras mistas1685780
    Pontuação407619317

    Número de unidades estruturais

    Atributo Número
    p 75620
    s 315015
    v 0
    obra 221
    capitulo 685
    parte 9
    tit 0
    autor 223
    tituloobra 223
    div 272
    mwe 89326

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 134059 4080
    Locuções 89326 193982
    Palavras gráficas 5038239 5038239
    Palavras simples 4840177 4840177
    Palavras 5063562 5038239

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 981962 20,29%
    Verbos V.* 857106 17,71%
    Adjectivos ADJ.* 294088 6,08%
    Pronomes pessoais .*PERS.* 237065 4,90%
    Preposições PRP.* 714915 14,77%
    Conjunções K.* 263051 5,43%
    Advérbios ADV.* 332590 6,87%
    Determinantes .*DET.* 891181 18,41%
    Especificadores .*SPEC.* 120389 2,49%
    Numerais NUM.* 47409 0,98%

    ^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 dezembro de 2018, v. 12.1

    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 12.1, é a seguinte:

    TipoDescriçãoTamanho
    DI texto didáctico 424.335
    ENC enciclopédia 285.950
    ENS ensaio 2.128.830
    EP texto epistolar 3.323
    JO.* jornalístico 18.808.899
    JOCF jornalístico só CETENFolha 16.731.861
    JO jornalístico sem CETENFolha 2.077.038
    LE texto legal 1.065.886
    LI literário 922.092
    RE revista 153.631

    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 28935196366277
    Total de palavras 22189328347732
    Palavras em minúscula 16041916140210
    Palavras com inicial maiúscula3000982102529
    Palavras todas em maiúsculas 28981116049
    Números 3576142954
    Palavras com números306414991
    Palavras mistas721986205
    Pontuação160381518207

    Número de unidades estruturais

    Atributo Número
    mwe 306204
    p 554758
    s 1314027
    texto 207014
    subtitulo 3765
    assinatura 11
    artigo 0
    caixa 12794
    situacao 3084
    t 89115
    a 48991
    li 29423

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 2598404 2137
    Locuções 306204 637594
    Palavras gráficas 22189328 22189328
    Palavras simples 21549597 21549597
    Palavras 24454205 22189328

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 4880995 22,65%
    Verbos V.* 2931156 13,60%
    Adjectivos ADJ.* 1290016 5,99%
    Pronomes pessoais .*PERS.* 326852 1,52%
    Preposições PRP.* 3769804 17,49%
    Conjunções K.* 845730 3,92%
    Advérbios ADV.* 932385 4,33%
    Determinantes .*DET.* 3825045 17,75%
    Especificadores .*SPEC.* 328600 1,52%
    Numerais NUM.* 664440 3,08%

    ^Voltar ao início da página

    Corpo todos juntos

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

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

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

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

    O corpo contém cerca de 1300 milhões de palavras, distribuídas entre vários géneros e temas, correspondendo ao conteúdo de todos os corpos presentes no AC/DC.
    GéneroUnidades
    academico 560.613.833
    blog 4.253.271
    cartas 842.773
    encic 55.618.552
    ensaio 2.220.489
    jorn 524.388.358
    legal 13.910.346
    lit 33.940.833
    littrad 77.712
    mail 2.123.153
    misto 5.795.585
    oraldebate 36.927
    oralent 5.666.685
    oralfut 86.130
    oralinf 292.134
    oralmono 78.528.427
    recensoes 265.245
    religioso 1.785.815
    revistas 647.651
    teatro 1.101.402
    tecnico 96.164.831
    variado 137.795

    Corpus todos, criado a 26 de março de 2019, v. 6.1

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

    Estrutura do corpo

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

    Dados quantitativos

    Corpo TODOS Número de formasNúmero de tipos
    Unidades 15677959966643699
    Total de palavras 13031845455887317
    Palavras em minúscula 9142645901540889
    Palavras com inicial maiúscula1789889161315494
    Palavras todas em maiúsculas 14638579322959
    Números 25605810107394
    Palavras com números2924173474114
    Palavras mistas3512123306473
    Pontuação86762485526807

    Número de unidades estruturais

    Atributo Número
    TEXTO 0
    CATEGORY 213777
    0
    art 26453
    assinatura 1548
    assunto 4850
    autor 71308
    caixa 1077
    capitulo 710
    cita 80
    div 4657
    entrevista 220
    ext 1072414
    fala 49654
    introd 0
    legenda 816
    li 92878
    marca 14648
    mens 4954
    mwe 20074676
    nota 2193
    obra 692
    p 5057285
    parte 12850
    pergunta 12216
    personagem 71586
    resposta 12688
    s 56198975
    situacao 561
    subtitulo 3775
    t 1121850
    texto 18308
    titulo 2141
    tituloobra 692
    u 1222023
    v 266022
    a 179618
    data 214034
    indic 4535

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 80207939 136652190
    Locuções 20074676 42531113
    Palavras gráficas 1303184545 1303184545
    Palavras simples 1124001242 1124001242
    Palavras 1224283857 1303184545

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 287359696 25,57%
    Verbos V.* 146457051 13,03%
    Adjectivos ADJ.* 80628032 7,17%
    Pronomes pessoais .*PERS.* 18098384 1,61%
    Preposições PRP.* 209099151 18,60%
    Conjunções K.* 52179171 4,64%
    Advérbios ADV.* 48767657 4,34%
    Determinantes .*DET.* 203308101 18,09%
    Especificadores .*SPEC.* 16574984 1,47%
    Numerais NUM.* 42633374 3,79%

    ^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 em novembro de 2018, versão 4.0

    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 3719074139927
    Total de palavras 3133526139442
    Palavras em minúscula 235665689584
    Palavras com inicial maiúscula36385926828
    Palavras todas em maiúsculas 3944366
    Números 168661414
    Palavras com números1011279
    Palavras mistas36431493
    Pontuação203932392

    Número de unidades estruturais

    Atributo Número
    s 124291
    obra 73
    t 1049
    autor 73
    tituloobra 73
    data 0
    variante 73
    genero 73
    grafia 73
    div 2114
    assinatura 1009
    saudacao 356
    mwe 38090

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 155524 358
    Locuções 38090 79255
    Palavras gráficas 3133526 3133526
    Palavras simples 3053913 3053913
    Palavras 3247527 3133526

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 551476 18,06%
    Verbos V.* 481048 15,75%
    Adjectivos ADJ.* 148957 4,88%
    Pronomes pessoais .*PERS.* 149051 4,88%
    Preposições PRP.* 418435 13,70%
    Conjunções K.* 207173 6,78%
    Advérbios ADV.* 181175 5,93%
    Determinantes .*DET.* 470344 15,40%
    Especificadores .*SPEC.* 95801 3,14%
    Numerais NUM.* 38715 1,27%

    ^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 novembro de 2018, v. 8.6

    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 20795891333632
    Total de palavras 14782748330942
    Palavras em minúscula 11130039176697
    Palavras com inicial maiúscula158899173277
    Palavras todas em maiúsculas 629515782
    Números 580852092
    Palavras com números478358
    Palavras mistas215532453
    Pontuação10327761141

    Número de unidades estruturais

    Atributo Número
    p 222316
    s 962814
    v 266017
    obra 340
    capitulo 0
    titulo 0
    u 762047
    fala 29081
    autor 340
    tituloobra 340
    div 2222
    mwe 186195

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 658119 2308
    Locuções 186195 390253
    Palavras gráficas 14782748 14782748
    Palavras simples 14390187 14390187
    Palavras 15234501 14782748

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 2895127 20,12%
    Verbos V.* 2260996 15,71%
    Adjectivos ADJ.* 925010 6,43%
    Pronomes pessoais .*PERS.* 670069 4,66%
    Preposições PRP.* 2164629 15,04%
    Conjunções K.* 776792 5,40%
    Advérbios ADV.* 844417 5,87%
    Determinantes .*DET.* 2579001 17,92%
    Especificadores .*SPEC.* 372313 2,59%
    Numerais NUM.* 150252 1,04%

    ^Voltar ao início da página

    [ Acesso | Anotação | Atomização | Exemplos | Agradecimentos ]


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