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
CORDIAL-SINCorpo de excertos de conversas orais, semidirigidas, em Portugal
DHBBCorpo de verbetes enciclopédicos sobre políticos brasileiros
DiaCLAV Corpo de artigos da edição electrónica de jornais regionais da região centro de Portugal (Diário de Coimbra, Diário de Leiria, Diário de Aveiro e Viseu Diário)
Diáspora TL-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-NILC4.9654.904105.52017.175134.315
ANCIB80.77557.4741.243.06871.1611.672.505
Avante!222.85263.4366.504.283119.9837.760.345
Corpus Brasileiro45.044.63811.913991.793.1205.269.1441.172.924.711
CD HAREM12.5587.276225.76630.985290.001
CETEMPúblico7.025.5672.569.909190.601.605942.134234.481.482
CHAVE4.762.2842.272.59499.204.684715.686125.685.139
Ciência Viva27.27112.483656.79141.949799.312
Colonia284.823284.8305.034.438174.5656.710.600
CONDIVport297.837147.7565.485.346150.4997.038.154
CONDIVport26.5343.92917.24919.947209.041
CoNE31.56319.415673.45643.299918.350
C-Oral-Brasil30.63419.399263.63214.437435.234
CORDIAL-SIN98.01048.938844.57126.9941.482.160
DHBB457.34611.92013.914.254120.79215.815.779
DiaCLAV210.37324.4396.550.993107.9487.722.373
Diáspora TL-PT1.03824621.8555.08629.365
ECI-EBR44.38412.115723.53360.322917.787
ECI-EE83934027.1194.12131.912
ENPCPUB (parte em português)4.3711.68272.79812.88492.679
Floresta257.01737.6814.779.248160.1475.815.359
FrasesPB65264819.1616.00623.248
FrasesPP59459416.2575.08819.968
Mariano Gago23.30311.392571.31831.831696.839
LeMe162.884141.9872.559.28341.8233.442.244
Literateca2.279.817786.76736.775.325575.57151.283.043
Marielle, presente!20.44410.291405.85126.105501.932
Moçambula2.28513358.50310.71768.927
Museu da Pessoa93.55434.8371.422.43442.5212.004.282
Natura/Minho69.09957.1491.748.64467.4502.208.211
NOBRE497.244172.2278.678.338238.11211.912.108
OBras607.300217.3529.904.786234.12513.946.202
PANTERA, lado português43.24015.471636.18946.206939.091
P'lo Norte2.3811.12140.8978.15652.425
Português Falado - Documentos Autênticos7.5693.500106.8808.629148.107
ReLi7.4090134.30913.130165.004
NILC/São Carlos2.054.099873.53434.038.486417.96144.716.726
todos juntos59.587.6105.618.6041.319.235.0166.074.5821.584.382.255
Tycho Brahe133.136133.5793.333.948149.6294.211.734
Vercial1.004.922232.19014.913.459344.84421.123.945
Total65.915.6118.305.4511.444.107.397 --1.748.430.639


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
AmostRA63592774409605731349317224
ANCIB2188494371052176835602241878250
Avante!314971849621284691651481197122017
CDHAREM102124228610888797962831180
CETEMPúblico1948209503670882171811259616368975711
CHAVE162562788165849175517947564909743884
Ciência Viva12833704686212900174985042772
Colonia504832534827128646611571714174547
ConDIVport440372585126265569162671890158230
ConDIVport264522679423598492156020143
ConE14382568166494524302121146473
C-ORAL_Brasil55431906336489234075614586
CORDIAL-SIN948522333591424615780627122
DHBB2782214978141936478109911028126196
DiaCLAV301751560015133944260621053111314
Diáspora TL-PT9903181561134883263070
ECI-EBR194351019011942418077981460420
ECI-EE137085420413322492914278
ENPC (parte pública)43751957453516914248812904
Floresta469162187221894893960243144164357
FrasesPB25649532151820683306018
FrasesPP20368722071510793165102
Mariano Gago957449278101181591174032097
LeMe12384849262086644116120143140
Literateca16361683503743434085481135396579417
Marielle, presente!807036905558680133873326527
Moçambula37181650391387818748210761
Museu da Pessoa1445859977481744659376642637
Natura/Minho2005810156111721817419490369642
NOBRE6460938050392012268415642555239407
OBras6427734041358212535220121883236459
Plonorte2868119132326562624238220
PortFalDA337111382483515573678638
ReLi423925265385129150164114325
NILC/São Carlos104400504193770105521635602833440235
Vercial9060045756417816802733732087342779
39587018775312225429182213981150651757956

CorpusLemas
NADJADVVNUMGRAMPROPtodostodos/pos
AmostRA49931941329188032316015611103611187
ANCIB15357503380735825600331350996502965808
Avante!202159187171352386031326515359338194244
CDHAREM71502709459214598319169302025820567
CETEMPúblico14035254751552723789138272632103481213893161398134
CHAVE11259843110450519445100865626684069958683965218
Ciência Viva9151402668524421814209105402847728866
Colonia35378132802258101591421442282039032491140
ConDIVport294221323920876475688137646075103668104554
ConDIVport246551715340158591617441431324713528
ConE9405291750821564353241171933630136772
C-ORAL_Brasil446013232311402326215196795529923
CORDIAL-SIN61381246224198730325020611220512209
DHBB1800677231097407711292254142147183696184595
DiaCLAV18838777611924611649129464581102934103782
Diáspora TL-PT8292341163678412423219051985
ECI-EBR1350158479523966110924393683454134985
ECI-EE110255018150025010418028222867
ENPC (parte pública)35221389372144014015576976417787
Floresta305161124918866803613861086695142045143896
FrasesPB21457441918366011622142134313
FrasesPP16846811826617111721335643609
Mariano Gago66982885630219493721574572078921021
LeMe89035540493215339431106156653728337802
Literateca119864471285889376276181834171726377576389248
Marielle, presente!551721794251925137020566481796918268
Moçambula28791152303127418615885067046802
Museu da Pessoa100523478556289872025181612554526115
Natura/Minho12970546488036444526254307785795058515
NOBRE4558520345328914020196350935683119427121393
OBras4351916935297612059241952335108112355113538
Plonorte221580824686625014479952285328
PortFalDA2789807246103213217041454595590
ReLi32171532392141714017787074227744
NILC/São Carlos695442624130811311566913551289822465638469267
Vercial63097240763417183034059583101078211296214612
30161411713310148588112328812090179678624985942518509


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 a 10 de março de 2022, v. 6.4

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 13431517224
Total de palavras 10552017175
Palavras em minúscula 7837013522
Palavras com inicial maiúscula95062398
Palavras todas em maiúsculas 548148
Números 904186
Palavras com números7750
Palavras mistas2119
Pontuação609849

Número de unidades estruturais

Atributo Número
s 4965
p 4904
mwe 1479

Contabilização de multipalavras

Número de entidades Número de unidades
Nomes próprios 8255 9649
Locuções 1479 3148
Palavras gráficas 105520 105520
Palavras simples 92723 92723
Palavras 102457 105520

Distribuição por categoria gramatical

Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
Substantivos N|N[^U].* 24710 26,65%
Verbos V.* 14229 15,35%
Adjectivos ADJ.* 6589 7,11%
Pronomes pessoais .*PERS.* 2264 2,44%
Preposições PRP.* 16972 18,30%
Conjunções K.* 3944 4,25%
Advérbios ADV.* 4749 5,12%
Determinantes .*DET.* 17430 18,80%
Especificadores .*SPEC.* 1691 1,82%
Numerais NUM.* 1815 1,96%

^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 24 de outubro de 2021, v. 6.2

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 112.872
eb 60.906
ec 162.264
ed 493.902
ee 79.343.901
ef 3.025.965
eg 356.259.687
eh 1.372.688
ei 256.289.112
ej 181.994.610
ek 704.662
el 917.440
em 226.230
en 315.852
eo 4.302
ep 3.907.403
eq 6.892.528
er 5.717.063
es 6.649.743
et 53.051.892
eu 575.044
ev 874.199
ew 7.227.293
ex 8.658.857
fa 86.132
fb 21.934
fc 1.804.484
fd 75.656.616
fe 3.995.641

Dados quantitativos

Corpo CBRAS Número de formasNúmero de tipos
Unidades 11729247115867825
Total de palavras 9917931205269144
Palavras em minúscula 6728716831316151
Palavras com inicial maiúscula1299571941107148
Palavras todas em maiúsculas 25863948385641
Números 2076703998856
Palavras com números2400526434564
Palavras mistas3717988394873
Pontuação64718688577403

Número de unidades estruturais

Atributo Número
p 83
s 43041254
mwe 13089124

Contabilização de multipalavras

Número de entidades Número de unidades
Nomes próprios 52415794 113808645
Locuções 13089124 27823156
Palavras gráficas 991791074 991791074
Palavras simples 850159273 850159273
Palavras 915664191 991791074

Distribuição por categoria gramatical

Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
Substantivos N|N[^U].* 231088645 27,18%
Verbos V.* 110808674 13,03%
Adjectivos ADJ.* 63847441 7,51%
Pronomes pessoais .*PERS.* 12467034 1,47%
Preposições PRP.* 162161929 19,07%
Conjunções K.* 38458740 4,52%
Advérbios ADV.* 34406852 4,05%
Determinantes .*DET.* 152176077 17,90%
Especificadores .*SPEC.* 12790974 1,50%
Numerais NUM.* 34311554 4,04%

^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 a 23 de março de 2022, v. 11.4

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

    Estrutura do corpo

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

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

    semestretamanhocltclt-soccomdesecondopipolsoc
    91a739696865098118751308790755205982887737010072891263775
    91b142106011251937215047014279099469695732115021553982481226
    92a1529027025009375333450151720915254202092990039185093201860
    92b114889682214498437983013148231301968507952027038773007867
    93a152102813163763900181014893881686346597464034041733968966
    93b1213227422561845822140126672612694231076644025643273116756
    94a1534393630177018696010151694315820451469073032955803592993
    94b1482984027646298707330160624115792351726296029126373370069
    95a16606341275612310844320181498116172651925960030783774329203
    95b1564757322143649345420161416214265702060856032589464138133
    96a1192171316322200132421427312967835120623062509321345433915238
    96b116156321596073001546065796135124090161772419020353916699
    97a98872881361223016978131826367516192109162110616386773334789
    97b993134713553160243759123823265679593985956697018071993123217
    98a12889295145296903877241520426796910175987764290819740854354396
    98b894347610440920277020104908756914185737942930816438603073589
    Todos 31233010661559193872322546842179178162700242435031093939951254188776

    Dados quantitativos

    Corpo CETEMPUBLICO Número de formasNúmero de tipos
    Unidades 234481482975711
    Total de palavras 190601605942134
    Palavras em minúscula 143748137269685
    Palavras com inicial maiúscula23575701308239
    Palavras todas em maiúsculas 145535232754
    Números 182825310452
    Palavras com números23560514192
    Palavras mistas12561537986
    Pontuação1274611031319

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo CHAVE

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

    Corpus CHAVE, criado em 19 de março de 2022, v. 9.3

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

    Estrutura do corpo

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

    Dados quantitativos

    Corpo CHAVE Número de formasNúmero de tipos
    Unidades 125685139743884
    Total de palavras 99204684715686
    Palavras em minúscula 72649675227627
    Palavras com inicial maiúscula12745938232395
    Palavras todas em maiúsculas 88521127737
    Números 11050597440
    Palavras com números1044169793
    Palavras mistas15301018550
    Pontuação683212426576

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo Ciência Viva

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

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

    Corpo CIENCIAVIVA, criado em 13 de abril de 2020, v. 2.3

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

    Estrutura do corpo

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

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

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo Colonia

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

    Corpo COLONIA, criado e anotado a 9 de maio de 2021, v. 7.8

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

    Estrutura do corpo

    Utilizámos como marcadores estruturais para todas as obras obra (que contém o 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 6710600175065
    Total de palavras 5034438174565
    Palavras em minúscula 3910850110832
    Palavras com inicial maiúscula46349929326
    Palavras todas em maiúsculas 158423417
    Números 6461767
    Palavras com números8556
    Palavras mistas35511493
    Pontuação372401357

    Número de unidades estruturais

    Atributo Número
    p 280478
    s 280478
    texto 0
    parte 1727
    mwe 80865

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 163782 219196
    Locuções 80865 174856
    Palavras gráficas 5034438 5034438
    Palavras simples 4640386 4640386
    Palavras 4885033 5034438

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 937468 20,20%
    Verbos V.* 830753 17,90%
    Adjectivos ADJ.* 280626 6,05%
    Pronomes pessoais .*PERS.* 242771 5,23%
    Preposições PRP.* 705140 15,20%
    Conjunções K.* 288132 6,21%
    Advérbios ADV.* 333809 7,19%
    Determinantes .*DET.* 845304 18,22%
    Especificadores .*SPEC.* 132389 2,85%
    Numerais NUM.* 39618 0,85%

    ^Voltar ao início da página

    Corpo CONDIVport

    O corpus CONDIVport é o subcorpus de textos dos domínios do futebol, do vestuário/moda e da saúde das décadas de 50, 70 e 2000 de jornais e revistas portugueses e brasileiros do mais vasto corpus CONDIVport (Silva, 2008), criado para estudar a CONvergência e a DIVergência entre estas duas variantes do português. O sufixo port distingue-o do seu congérene neerlandês, também denominado CONDIV. Veja-se uma descrição mais detalhada.

    Este subcorpus contém 3981 extractos de textos de jornais desportivos portugueses e brasileiros, das décadas de 1950, 1970 e 2000; 4372 textos (agrupados em 82 extractos, ou seja, provenientes de 82 edições) de revistas de moda portuguesas e brasileiras, das décadas de 1950, 1970, e 1990-2000, assim como 1815 textos de revistas e jornais de saúde nos mesmos períodos.

    Corpus CONDIV, versão texto (futebol) de 15 de Fevereiro de 2006, versão texto (moda) de 18 de Dezembro de 2008, versão texto (saúde) de 2 de Fevereiro de 2010, anotado em 22 de Junho de 2013, v. 9.6

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

    Estrutura do corpo

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

    TamanhoFutebolModa/vestuárioSaúde
    PT333341116792903168531337268
    BR26493791367115801410480854
    Todos 304640511182731818122

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo CONDIVport2

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

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

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

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

    Estrutura do corpo

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

    TamanhoFutebolModa/vestuárioSaúde
    PT333341116792903168531337268
    BR26493791367115801410480854
    Todos 304640511182731818122

    Dados quantitativos

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

    Número de unidades estruturais

    Atributo Número
    texto 519
    p 3927
    s 6532
    mwe 2520

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo CoNE

    O corpus CoNE (Correio Não Endereçado) é um corpus de mensagens não-endereçadas em português.

    O corpus foi criado usando mensagens em português não endereçadas, recebidas por elementos da equipa da Linguateca entre 10 de Agosto de 2001 e 24 de Janeiro de 2006.

    Versão do corpus de 15 de janeiro de 2006, anotado em 9 de janeiro de 2020, v. 6.4

    Estrutura do corpo

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo C-Oral-Brasil

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

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

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

    Corpus CoralBrasil, anotado em 7 de janeiro de 2020, v. 5.0

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

    Estrutura do corpo

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo CORDIAL-SIN

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

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

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

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

    Corpo CORDIAL-SIN, versão texto de janeiro de 2021, anotado em 26 de janeiro de 2021, v. 1.0

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

    Estrutura do corpo

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

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

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

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

    Dados quantitativos

    Corpo CORDIAL-SIN Número de formasNúmero de tipos
    Unidades 148216027122
    Total de palavras 84457126994
    Palavras em minúscula 60695716979
    Palavras com inicial maiúscula1027094927
    Palavras todas em maiúsculas 1965819
    Números 13153
    Palavras com números2937110
    Palavras mistas677431
    Pontuação111675127

    Número de unidades estruturais

    Atributo Número
    p 48938
    s 98010
    entrevista 2058
    fala 48938
    personagem 48938
    mwe 15996

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 56445 58412
    Locuções 15996 32975
    Palavras gráficas 844571 844571
    Palavras simples 753184 753184
    Palavras 825625 844571

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 127051 16,87%
    Verbos V.* 163795 21,75%
    Adjectivos ADJ.* 17909 2,38%
    Pronomes pessoais .*PERS.* 39544 5,25%
    Preposições PRP.* 83312 11,06%
    Conjunções K.* 50895 6,76%
    Advérbios ADV.* 110964 14,73%
    Determinantes .*DET.* 121435 16,12%
    Especificadores .*SPEC.* 27589 3,66%
    Numerais NUM.* 9782 1,30%

    ^Voltar ao início da página

    Corpo DHBB

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

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

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

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

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

    Corpo DHBB, criado a 16 de março de 2022, v. 7.5

    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 15815779126196
    Total de palavras 13914254120792
    Palavras em minúscula 931101354573
    Palavras com inicial maiúscula243341740212
    Palavras todas em maiúsculas 1708364554
    Números 3809121205
    Palavras com números848411
    Palavras mistas10750852
    Pontuação6277155339

    Número de unidades estruturais

    Atributo Número
    p 11920
    s 457346
    texto 11919
    t 0
    mwe 155639

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 1074904 2352325
    Locuções 155639 336946
    Palavras gráficas 13914254 13914254
    Palavras simples 11224983 11224983
    Palavras 12455526 13914254

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 2749256 24,49%
    Verbos V.* 1374610 12,25%
    Adjectivos ADJ.* 713412 6,36%
    Pronomes pessoais .*PERS.* 151600 1,35%
    Preposições PRP.* 2949551 26,28%
    Conjunções K.* 411757 3,67%
    Advérbios ADV.* 335051 2,98%
    Determinantes .*DET.* 2296521 20,46%
    Especificadores .*SPEC.* 147044 1,31%
    Numerais NUM.* 477454 4,25%

    ^Voltar ao início da página

    Corpo DiaCLAV

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

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

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

    Estrutura do corpo

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

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo Diáspora TL-PT

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

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

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

    Como citar o corpo Diáspora TL-PT:

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

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

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

    Estrutura do corpo

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo ECI-EBR

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

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

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

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

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

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

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

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

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

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

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

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

    Estrutura do corpo

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

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

    Marcadores estruturais: s, p, ext e marca.

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo ECI-EE

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

    Pode também consultar a informação da ELSNET.

    Corpus ECI-EE, versão de Abril de 2002, criado a 9 de março de 2022, v. 7.6

    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 319124278
    Total de palavras 271194121
    Palavras em minúscula 217443327
    Palavras com inicial maiúscula1519352
    Palavras todas em maiúsculas 39085
    Números 466103
    Palavras com números99
    Palavras mistas1126
    Pontuação1216155

    Número de unidades estruturais

    Atributo Número
    p 180
    s 61
    t 0
    nota 10
    marca 25
    mwe 510

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 604 936
    Locuções 510 1122
    Palavras gráficas 27119 27119
    Palavras simples 25061 25061
    Palavras 26175 27119

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 6946 27,72%
    Verbos V.* 2928 11,68%
    Adjectivos ADJ.* 2412 9,62%
    Pronomes pessoais .*PERS.* 401 1,60%
    Preposições PRP.* 5389 21,50%
    Conjunções K.* 1276 5,09%
    Advérbios ADV.* 863 3,44%
    Determinantes .*DET.* 4961 19,80%
    Especificadores .*SPEC.* 352 1,40%
    Numerais NUM.* 730 2,91%

    ^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 a 10 de março de 2020, v. 8.8

    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 9267912904
    Total de palavras 7279812884
    Palavras em minúscula 5764010246
    Palavras com inicial maiúscula70311669
    Palavras todas em maiúsculas 7450
    Números 13478
    Palavras com números112
    Palavras mistas1814
    Pontuação495320

    Número de unidades estruturais

    Atributo Número
    p 1682
    s 4369
    texto 5
    parte 8
    capitulo 25
    mwe 1389

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 2559 3199
    Locuções 1389 3126
    Palavras gráficas 72798 72798
    Palavras simples 66473 66473
    Palavras 70421 72798

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 13276 19,97%
    Verbos V.* 12787 19,24%
    Adjectivos ADJ.* 3879 5,84%
    Pronomes pessoais .*PERS.* 3085 4,64%
    Preposições PRP.* 11105 16,71%
    Conjunções K.* 3806 5,73%
    Advérbios ADV.* 5168 7,77%
    Determinantes .*DET.* 12031 18,10%
    Especificadores .*SPEC.* 1864 2,80%
    Numerais NUM.* 779 1,17%

    ^Voltar ao início da página

    Corpo Floresta

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

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

    Estrutura do corpo

  • Atributos estruturais:
  • 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 9 de março de 2022, 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. 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 232486018
    Total de palavras 191616006
    Palavras em minúscula 164215263
    Palavras com inicial maiúscula1048525
    Palavras todas em maiúsculas 1515
    Números 4935
    Palavras com números
    Palavras mistas55
    Pontuação73112

    Número de unidades estruturais

    Atributo Número
    p 648
    s 652
    mwe 378

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 260 415
    Locuções 378 817
    Palavras gráficas 19161 19161
    Palavras simples 17929 17929
    Palavras 18567 19161

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 4604 25,68%
    Verbos V.* 2900 16,17%
    Adjectivos ADJ.* 1423 7,94%
    Pronomes pessoais .*PERS.* 358 2,00%
    Preposições PRP.* 3356 18,72%
    Conjunções K.* 988 5,51%
    Advérbios ADV.* 985 5,49%
    Determinantes .*DET.* 3617 20,17%
    Especificadores .*SPEC.* 395 2,20%
    Numerais NUM.* 164 0,91%

    ^Voltar ao início da página

    Corpo FrasesPP

    O corpus FrasesPP é um conjunto de frases em português de Portugal, compilado para o teste de uma gramática computacional, desenvolvido no Grupo Científico IBM-INESC (depois Grupo de Linguagem Natural do INESC) de 1990 a 1992. (Santos (ed.) 1992; Medeiros et al. 1993). Encontrava-se em texto simples e em formato LaTeX.

    Corpo FrasesPP, criado a 22 de Junho de 2013, anotado a 9 de março de 2022, v. 8.6

    Estrutura do corpo

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

    Marcadores estruturais: s, p.

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

    Dados quantitativos

    Corpo FRASESPP Número de formasNúmero de tipos
    Unidades 199685102
    Total de palavras 162575088
    Palavras em minúscula 135014242
    Palavras com inicial maiúscula1080568
    Palavras todas em maiúsculas 96
    Números 9548
    Palavras com números44
    Palavras mistas
    Pontuação73714

    Número de unidades estruturais

    Atributo Número
    p 594
    s 594
    mwe 299

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo Mariano Gago

    O corpus JMG contém artigos e notícias associadas a José Mariano Gago: obituários; testemunhos por ocasião da sua morte a 17 de abril de 2015; textos escritos por ele: discursos, cartas, outros textos; entrevistas; artigos sobre ele e a sua política; depoimentos de homenagem. Todos os textos em questão foram retirados da internete, exceto os que já constavam dos outros corpos jornalísticos do AC/DC. Veja a página sobre o corpo para mais informação.

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

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

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

    Agradecemos profundamente ao Professor José Mariano Gago a sua atuação em prol da ciência e da investigação em torno do processamento da língua portuguesa.

    Estrutura do corpo

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

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

    Os valores de classe estão por enquanto marcados da seguinte forma: noticia, se é uma notícia de jornal (ou texto publicado num blogue) após a sua morte; discurso se é um discurso (ou outro texto escrito por Mariano Gago), entrevista se é uma entrevista feita a Mariano Gago. outros marca textos escritos com menção a Mariano Gago antes da sua morte, e vão de críticas a reportagens a simples descrições de acontecimentos. Finalmente, sitiohomenagem contém todos os textos colocado em marianogago.org.

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

    Distribuição por tipo de texto

    A sua distribuição, correspondendo à versão 5.5, é a seguinte:

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

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

    Mais textos (de Mariano Gago) previstos:

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo LeMe

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

    Corpo LeMe, criado a 31 de dezembro de 2021, v. 1.0

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

    Estrutura do corpo

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

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

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

    Como atributos posicionais adicionais temos o fonte que indica qual o nome do medicamento

    Dados quantitativos

    Corpo LEME Número de formasNúmero de tipos
    Unidades 344224443140
    Total de palavras 255928341823
    Palavras em minúscula 189544621822
    Palavras com inicial maiúscula2813939434
    Palavras todas em maiúsculas 255732156
    Números 588741908
    Palavras com números4726811
    Palavras mistas3972806
    Pontuação165471790

    Número de unidades estruturais

    Atributo Número
    p 141985
    s 162882
    t 12417
    texto 1191
    parte 0
    tit 0
    autor 0
    tituloobra 0
    div 0
    mwe 36381

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 112888 176399
    Locuções 36381 76643
    Palavras gráficas 2559283 2559283
    Palavras simples 2306241 2306241
    Palavras 2455510 2559283

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 625285 27,11%
    Verbos V.* 351292 15,23%
    Adjectivos ADJ.* 220296 9,55%
    Pronomes pessoais .*PERS.* 33633 1,46%
    Preposições PRP.* 372509 16,15%
    Conjunções K.* 137217 5,95%
    Advérbios ADV.* 106156 4,60%
    Determinantes .*DET.* 354706 15,38%
    Especificadores .*SPEC.* 21102 0,91%
    Numerais NUM.* 78925 3,42%

    ^Voltar ao início da página

    Corpo Literateca

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

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

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

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

    Corpo Literateca, criado a 19 de junho de 2022, v. 9.4

    Estrutura do corpo

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

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

    Dados quantitativos

    Corpo LITERATECA Número de formasNúmero de tipos
    Unidades 51283043577970
    Total de palavras 36775325575571
    Palavras em minúscula 28102442301483
    Palavras com inicial maiúscula3534080114499
    Palavras todas em maiúsculas 13201711855
    Números 841022093
    Palavras com números1316698
    Palavras mistas6893110972
    Pontuação26628952064

    Número de unidades estruturais

    Atributo Número
    p 786243
    s 2277824
    t 2177
    v 296077
    obra 963
    capitulo 689
    parte 474
    tit 0
    autor 852
    tituloobra 852
    div 5778
    mwe 539416
    fala 44677
    personagem 45914

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 1101696 1730165
    Locuções 539416 1166723
    Palavras gráficas 36775325 36775325
    Palavras simples 33878437 33878437
    Palavras 35519549 36775325

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 7076580 20,89%
    Verbos V.* 5917485 17,47%
    Adjectivos ADJ.* 2197701 6,49%
    Pronomes pessoais .*PERS.* 1719138 5,07%
    Preposições PRP.* 5252512 15,50%
    Conjunções K.* 1920098 5,67%
    Advérbios ADV.* 2236991 6,60%
    Determinantes .*DET.* 6332735 18,69%
    Especificadores .*SPEC.* 922897 2,72%
    Numerais NUM.* 330823 0,98%

    ^Voltar ao início da página

    Corpo Marielle, presente!

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

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

    Este corpo está ainda em construção.

    Corpus MARIELLE, criado a 13 de abril de 2020, v. 3.2

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

    Estrutura do corpo

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

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

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

    Distribuição por tipo de texto

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo Moçambula

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

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

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

    Corpo MOÇAMBULA, versão texto de novembro de 2012, anotado em fevereiro de 2019, v. 4.3

    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 6892710761
    Total de palavras 5850310717
    Palavras em minúscula 477148427
    Palavras com inicial maiúscula45301420
    Palavras todas em maiúsculas 267162
    Números 403109
    Palavras com números2014
    Palavras mistas6029
    Pontuação312844

    Número de unidades estruturais

    Atributo Número
    p 133
    s 2285
    texto 94
    mwe 1135

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 1603 2719
    Locuções 1135 2473
    Palavras gráficas 58503 58503
    Palavras simples 53311 53311
    Palavras 56049 58503

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 12542 23,53%
    Verbos V.* 9037 16,95%
    Adjectivos ADJ.* 3410 6,40%
    Pronomes pessoais .*PERS.* 1408 2,64%
    Preposições PRP.* 9748 18,29%
    Conjunções K.* 3181 5,97%
    Advérbios ADV.* 3366 6,31%
    Determinantes .*DET.* 10638 19,95%
    Especificadores .*SPEC.* 1527 2,86%
    Numerais NUM.* 745 1,40%

    ^Voltar ao início da página

    Corpo Museu da Pessoa

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

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

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

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

    Estrutura do corpo

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

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

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo Natura/Minho

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

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

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

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

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

    Estrutura do corpo

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

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

    Dados quantitativos

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

    Número de unidades estruturais

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

    Contabilização de multipalavras

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

    Distribuição por categoria gramatical

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

    ^Voltar ao início da página

    Corpo NOBRE

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

    Corpo NOBRE, criado 16 de maio de 2022, v. 7.3

    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 11912108239407
    Total de palavras 8678338238112
    Palavras em minúscula 6708287143812
    Palavras com inicial maiúscula73733835347
    Palavras todas em maiúsculas 118202164
    Números 88181016
    Palavras com números391207
    Palavras mistas70812981
    Pontuação638463586

    Número de unidades estruturais

    Atributo Número
    p 172197
    s 497212
    v 0
    obra 151
    capitulo 0
    parte 0
    tit 0
    autor 151
    tituloobra 151
    div 41
    mwe 126872
    fala 555
    personagem 560
    t 2

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 247168 355380
    Locuções 126872 276666
    Palavras gráficas 8678338 8678338
    Palavras simples 8046292 8046292
    Palavras 8420332 8678338

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 1613477 20,05%
    Verbos V.* 1460228 18,15%
    Adjectivos ADJ.* 506956 6,30%
    Pronomes pessoais .*PERS.* 426216 5,30%
    Preposições PRP.* 1250109 15,54%
    Conjunções K.* 441501 5,49%
    Advérbios ADV.* 549532 6,83%
    Determinantes .*DET.* 1494532 18,57%
    Especificadores .*SPEC.* 215307 2,68%
    Numerais NUM.* 67739 0,84%

    ^Voltar ao início da página

    Corpo OBras

    O corpo OBras (Obras Brasileiras) é um corpo de textos brasileiros que já alcançaram o domínio público, criado numa colaboração entre a Linguateca, a Universidade de Oslo, a PUC-Rio, a Universidade Estadual do Maranhão (UEMA) e Anya Campos. Para mais informações veja-se a página do projeto.

    Corpo OBras, criado a 6 de junho de 2022, v. 12.1

    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 13946202234786
    Total de palavras 9904786234125
    Palavras em minúscula 7758253136800
    Palavras com inicial maiúscula84153138125
    Palavras todas em maiúsculas 116592988
    Números 9161947
    Palavras com números337176
    Palavras mistas113663025
    Pontuação764785541

    Número de unidades estruturais

    Atributo Número
    p 217279
    s 606537
    t 1854
    v 23049
    obra 323
    capitulo 689
    parte 9
    tit 0
    autor 323
    tituloobra 323
    div 2596
    mwe 171944

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 250361 331086
    Locuções 171944 373809
    Palavras gráficas 9904786 9904786
    Palavras simples 9199891 9199891
    Palavras 9622196 9904786

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 1942395 21,11%
    Verbos V.* 1661550 18,06%
    Adjectivos ADJ.* 595912 6,48%
    Pronomes pessoais .*PERS.* 461973 5,02%
    Preposições PRP.* 1429155 15,53%
    Conjunções K.* 505635 5,50%
    Advérbios ADV.* 637502 6,93%
    Determinantes .*DET.* 1749742 19,02%
    Especificadores .*SPEC.* 237940 2,59%
    Numerais NUM.* 81402 0,88%

    ^Voltar ao início da página

    Corpo PANTERA, lado português

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

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

    Versão do corpus de 22 de maio de 2021

    Estrutura do corpo

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

    Dados quantitativos

    Número de unidades estruturais

    Contabilização de multipalavras

    Distribuição por categoria gramatical


    ^Voltar ao início da página

    Corpo P'lo Norte

    O corpo P'lo norte é constituído por blogues de portugueses sobre a Noruega, compilados manualmente.

    O corpus Plonorte é composto (neste momento) por 38 textos.

    Corpo PLONORTE, anotado a 9 de março de 2022, v. 3.4

    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 524258220
    Total de palavras 408978156
    Palavras em minúscula 322476041
    Palavras com inicial maiúscula42171403
    Palavras todas em maiúsculas 11576
    Números 458154
    Palavras com números4532
    Palavras mistas6332
    Pontuação281061

    Número de unidades estruturais

    Atributo Número
    p 1121
    s 2379
    texto 38
    mwe 816

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 1674 2233
    Locuções 816 1750
    Palavras gráficas 40897 40897
    Palavras simples 36914 36914
    Palavras 39404 40897

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 8652 23,44%
    Verbos V.* 6044 16,37%
    Adjectivos ADJ.* 2531 6,86%
    Pronomes pessoais .*PERS.* 835 2,26%
    Preposições PRP.* 6838 18,52%
    Conjunções K.* 2086 5,65%
    Advérbios ADV.* 2741 7,43%
    Determinantes .*DET.* 7156 19,39%
    Especificadores .*SPEC.* 888 2,41%
    Numerais NUM.* 808 2,19%

    ^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 10 de março de 2022, versão 4.1

    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 1481078638
    Total de palavras 1068808629
    Palavras em minúscula 845877607
    Palavras com inicial maiúscula1371517
    Palavras todas em maiúsculas 5115
    Números 11
    Palavras com números22
    Palavras mistas156
    Pontuação81459

    Número de unidades estruturais

    Atributo Número
    p 3500
    s 7569
    texto 86
    pergunta 1642
    resposta 1858
    mwe 1929

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 1040 1440
    Locuções 1929 4166
    Palavras gráficas 106880 106880
    Palavras simples 101274 101274
    Palavras 104243 106880

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 14684 14,50%
    Verbos V.* 18560 18,33%
    Adjectivos ADJ.* 3382 3,34%
    Pronomes pessoais .*PERS.* 4604 4,55%
    Preposições PRP.* 10959 10,82%
    Conjunções K.* 6057 5,98%
    Advérbios ADV.* 11700 11,55%
    Determinantes .*DET.* 13566 13,40%
    Especificadores .*SPEC.* 2821 2,79%
    Numerais NUM.* 2131 2,10%

    ^Voltar ao início da página

    Corpo ReLi

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

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

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

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

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

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

    Corpus ReLi, versão do texto de Maio de 2013, anotado 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; criado em 1 de novembro de 2021, v. 13.2

    Estamos gratos à Folha de São Paulo pela autorização gentilmente concedida para uso dos seus textos.
    Estamos gratos ao Núcleo Interinstitucional de Lingüística Computacional, em especial a Graça Nunes, por nos ter disponibilizado o texto do corpus em formato electrónico, autorizado a sua disponibilização através do projecto AC/DC e negociado com a Folha de São Paulo a autorização anteriormente mencionada.

    Estrutura do corpo

    Marcadores estruturais: s, p, texto, t (anteriormente à versão 4.0, estava marcado como titulo), subtitulo, assinatura,
    Para os textos da folha de São Paulo, a (autor), artigo, caixa, situacao, li (elemento de lista).

    As primeiras linhas de cada ficheiro foram classificadas como títulos (t). Como subtítulos foram identificadas linhas sem pontuação final todas em maiúsculas. No caso das cartas comerciais, também a assinatura da carta foi marcada separadamente.

    Cada texto tem como identificação o nome do ficheiro de que provém, o que dá alguma indicação sobre o tipo de texto. Prevê-se para breve uma reorganização desses identificadores segundo os novos critérios em desenvolvimento pelos compiladores do corpus.

    A nova versão foi criada após a detecção de alguns textos repetidos. Possíveis alterações em relação ao conteúdo dos textos que constituem o corpus são previsíveis.

    O atributo classe, correspondendo ao tipo de texto, foi adicionado na versão 3.0. A sua distribuição, correspondendo à versão 13.2, é a seguinte:

    TipoDescriçãoTamanho
    DI texto didáctico 425.063
    ENC enciclopédia 286.312
    ENS ensaio 2.191.095
    EP texto epistolar 3.328
    JO.* jornalístico 31.472.702
    JOCF jornalístico só CETENFolha 29.393.697
    JO jornalístico sem CETENFolha 2.079.005
    LE texto legal 1.067.523
    LI literário 923.130
    RE revista 153.780

    O tamanho, na tabela anterior, é medido pelo número de unidades do corpus com a classificação indicada.

    A partir da versão 5.0, a parte do Folha de São Paulo (correspondente ao CETENFolha, de texto de 1994, e a algumas edições de 1996) está dividida em extractos identificados pela secção, semestre, número de extracto, e número de parágrafo no CETENFolha, por exemplo: Cotidiano-94a-61755-2 .

    A partir da versão 7.1, é possível seleccionar apenas o CETENFolha, no corpus SAOCARLOS, usando para isso a restrição [classe="JOCF"]. Dois exemplos (usando a restrição de forma diferente):

    Dados quantitativos

    Corpo SAOCARLOS Número de formasNúmero de tipos
    Unidades 44716726440235
    Total de palavras 34038486417961
    Palavras em minúscula 24238298157504
    Palavras com inicial maiúscula4845898127731
    Palavras todas em maiúsculas 49523823064
    Números 5309633242
    Palavras com números483276249
    Palavras mistas946117583
    Pontuação248475421898

    Número de unidades estruturais

    Atributo Número
    mwe 479653
    p 873530
    s 2053911
    texto 364445
    subtitulo 3775
    assinatura 11
    artigo 0
    caixa 21674
    situacao 5190
    t 158123
    a 85472
    li 50398

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 2103291 3369868
    Locuções 479653 1023295
    Palavras gráficas 34038486 34038486
    Palavras simples 29645323 29645323
    Palavras 32228267 34038486

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 7470516 25,20%
    Verbos V.* 4523859 15,26%
    Adjectivos ADJ.* 1932922 6,52%
    Pronomes pessoais .*PERS.* 479024 1,62%
    Preposições PRP.* 5797379 19,56%
    Conjunções K.* 1279428 4,32%
    Advérbios ADV.* 1401616 4,73%
    Determinantes .*DET.* 5843343 19,71%
    Especificadores .*SPEC.* 497818 1,68%
    Numerais NUM.* 995603 3,36%

    ^Voltar ao início da página

    Corpo todos juntos

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

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

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

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

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

    GéneroUnidades
    academico 445.176.250
    blog 4.253.223
    cartas 850.580
    desc 3.490.563
    encic 68.456.490
    ensaio 2.220.394
    jorn 629.766.780
    legal 13.925.373
    lit 45.703.750
    littrad 77.742
    mail 2.085.720
    misto 389.384
    oraldebate 37.039
    oralent 6.622.021
    oralfut 86.132
    oralinf 292.372
    oralmono 77.526.582
    recensoes 265.237
    religioso 1.791.639
    revistas 647.682
    teatro 1.143.626
    tecnico 99.386.228
    variado 137.795

    Corpus todos, criado a 7 de janeiro de 2022, v. 7.7

    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 15843822556963905
    Total de palavras 13192350166074582
    Palavras em minúscula 9164670411544946
    Palavras com inicial maiúscula1704210061294808
    Palavras todas em maiúsculas 28601382405832
    Números 24118500102632
    Palavras com números2752923446652
    Palavras mistas4084924446153
    Pontuação86630967615928

    Número de unidades estruturais

    Atributo Número
    TEXTO 0
    CATEGORY 210653
    0
    art 27733
    assinatura 1737
    assunto 4902
    autor 71424
    caixa 1077
    capitulo 714
    cita 80
    div 6041
    entrevista 2278
    ext 1072073
    fala 121538
    introd 4
    legenda 837
    li 93784
    marca 15704
    mens 4961
    mwe 18525985
    nota 2314
    obra 846
    p 5468880
    parte 12775
    pergunta 12253
    personagem 120808
    resposta 12713
    s 57568574
    situacao 561
    subtitulo 3775
    t 1130827
    texto 23844
    titulo 2235
    tituloobra 846
    u 1769572
    v 294607
    a 180119
    data 211092
    indic 5950

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 75701421 140456451
    Locuções 18525985 39446548
    Palavras gráficas 1319235016 1319235016
    Palavras simples 1139332017 1139332017
    Palavras 1233559423 1319235016

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 290749169 25,52%
    Verbos V.* 149395648 13,11%
    Adjectivos ADJ.* 81430969 7,15%
    Pronomes pessoais .*PERS.* 17718175 1,56%
    Preposições PRP.* 212356238 18,64%
    Conjunções K.* 50661197 4,45%
    Advérbios ADV.* 48884499 4,29%
    Determinantes .*DET.* 203903572 17,90%
    Especificadores .*SPEC.* 18315095 1,61%
    Numerais NUM.* 40728355 3,57%

    ^Voltar ao início da página

    Corpo Tycho Brahe

    O Corpus Histórico do Português Tycho Brahe é um corpo eletrônico anotado, composto de textos em português escritos por autores nascidos entre 1380 e 1845, compilado pela Universidade de Campinas (UniCamp). A sua página principal é http://www.tycho.iel.unicamp.br/corpus/index.html, onde todas as informações estão disponíveis.

    Corpo Tycho Brahe, versão do texto simples de 2017, criado a 21 de agosto de 2021, versão 7.8

    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 4211734150135
    Total de palavras 3333948149629
    Palavras em minúscula 255688294953
    Palavras com inicial maiúscula35896628092
    Palavras todas em maiúsculas 146512038
    Números 189531432
    Palavras com números929280
    Palavras mistas42611683
    Pontuação175199478

    Número de unidades estruturais

    Atributo Número
    s 131585
    p 131844
    obra 152
    t 1900
    autor 76
    tituloobra 76
    data 302
    variante 0
    genero 76
    grafia 76
    div 2110
    assinatura 1184
    saudacao 368
    mwe 46556
    personagem 21279
    fala 20856

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 146695 229028
    Locuções 46556 98989
    Palavras gráficas 3333948 3333948
    Palavras simples 3005931 3005931
    Palavras 3199182 3333948

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 602143 20,03%
    Verbos V.* 519078 17,27%
    Adjectivos ADJ.* 164464 5,47%
    Pronomes pessoais .*PERS.* 157007 5,22%
    Preposições PRP.* 460557 15,32%
    Conjunções K.* 217502 7,24%
    Advérbios ADV.* 197350 6,57%
    Determinantes .*DET.* 518463 17,25%
    Especificadores .*SPEC.* 104226 3,47%
    Numerais NUM.* 43283 1,44%

    ^Voltar ao início da página

    Corpo Vercial

    O corpo Vercial contém 309 obras literárias de 55 autores portugueses, digitalizadas pelo projecto Vercial, cujas datas de publicação variam desde 1500 (Carta a El-rei Dom Manuel Sobre o Achamento do Brasil, de Pero Vaz de Caminha) a 1933 (Memórias III, de Raul Brandão).

    Corpus Vercial, criado a 14 de maio de 2022, v. 13.4

    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 21123945346072
    Total de palavras 14913459344844
    Palavras em minúscula 11135222183209
    Palavras com inicial maiúscula162785875533
    Palavras todas em maiúsculas 867297656
    Números 585631953
    Palavras com números523368
    Palavras mistas348594867
    Pontuação10401321159

    Número de unidades estruturais

    Atributo Número
    p 232178
    s 1004341
    v 273028
    obra 340
    capitulo 0
    titulo 900
    u 798328
    fala 29303
    autor 340
    tituloobra 340
    div 2256
    mwe 198076
    indic 4517
    poesia 943
    nota 269
    marca 10562

    Contabilização de multipalavras

    Número de entidades Número de unidades
    Nomes próprios 595142 855280
    Locuções 198076 424195
    Palavras gráficas 14913459 14913459
    Palavras simples 13633984 13633984
    Palavras 14427202 14913459

    Distribuição por categoria gramatical

    Categoria gramaticalExpressão de procura Número de palavrasPercentagem do corpo
    Substantivos N|N[^U].* 2908832 21,34%
    Verbos V.* 2276953 16,70%
    Adjectivos ADJ.* 922494 6,77%
    Pronomes pessoais .*PERS.* 675246 4,95%
    Preposições PRP.* 2129379 15,62%
    Conjunções K.* 773828 5,68%
    Advérbios ADV.* 853672 6,26%
    Determinantes .*DET.* 2563351 18,80%
    Especificadores .*SPEC.* 376138 2,76%
    Numerais NUM.* 153370 1,12%

    ^Voltar ao início da página

    [ Acesso | Anotação | Atomização | Exemplos | Agradecimentos ]


    Última actualização: 29 de Janeiro de 2021
    Perguntas, comentários e sugestões