Acesso a corpos de português: Projecto AC/DC: corpo AmostRA-NILC

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 Corpus		Tamanho do corpus
D	Didático	16.255 palavras
J	Jornalístico	56.653 palavras
L	Literário	32.054 palavras

(fim de citação)

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). Versão do corpo Corpus AmostRA-NILC duplamente anotado, versão texto de 7 de Agosto de 2003 com primeira anotação do NILC (Rachel Aires), anotado a 13 de julho de 2024, v. 8.2 Excerto do corpo <p par=1> <s> Antes/LPREP de/LPREP iniciarmos/VTD o/ART estudo/N da/PREP+ART origem/N da/PREP+ART vida/N , é/VLIG necessário/ADJ conhecer/VTD alguns/ADJ caracteres/N que/PR distinguem/VBI os/ART seres/N vivos/ADJ dos/PREP+ART seres/N brutos/ADJ . </s> </p> <p par=2> <s> Dentre/PREP+PREP esses/PD caracteres/N , os/ART mais/ADV importantes/ADJ são/VLIG : presença/N de/PREP ácido/N nucléico/ADJ , reprodução/N , evolução/N , metabolismo/N , organização/N celular/ADJ , movimento/N e/CONJCOORD crescimento/N . </s> </p> <p par=3> <s> Todos/ADJ os/ART seres/N vivos/ADJ - e/CONJCOORD somente/ADV eles/PPR - possuem/VTD Ácidos/NP Nucléicos/NP . </s> </p> Dados quantitativos Corpo AMOSTRA Número de formas Número de tipos Unidades 128517 17202 Total de palavras 99267 17155 Palavras em minúscula 78338 13522 Palavras com inicial maiúscula 8253 2401 Palavras todas em maiúsculas 464 19 Números 909 186 Palavras com números 73 48 Palavras mistas 41 24 Pontuação 6254 47 Número de unidades estruturais Atributo Número s 4965 p 4904 mwe 1629 Contabilização de multipalavras Número de entidades Número de unidades Nomes próprios 3494 5044 Locuções 1629 3454 Palavras gráficas 99267 99267 Palavras simples 90769 90769 Palavras 95892 99267 Distribuição por categoria gramatical Categoria gramatical Expressão de procura Número de palavras Percentagem do corpo Substantivos N|N[^U].* 23041 25,38% Verbos V.* 14189 15,63% Adjectivos ADJ.* 6430 7,08% Pronomes pessoais .*PERS.* 2262 2,49% Preposições PRP.* 17074 18,81% Conjunções K.* 4038 4,45% Advérbios ADV.* 4669 5,14% Determinantes .*DET.* 17435 19,21% Especificadores .*SPEC.* 1621 1,79% Numerais NUM.* 1789 1,97% Para informação sobre como foram obtidos este valores, consulte esta página

[ Exemplos | Atomização | Anotação | Corpos | Agradecimentos ]