Acesso a corpos de português: Projecto AC/DC: corpo NILC/São Carlos

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

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 15.5, é a seguinte: Tipo Descrição Tamanho DI texto didáctico 426.387 ENC enciclopédia 286.797 ENS ensaio 2.214.803 EP texto epistolar 3.826 JO.* jornalístico 29.938.947 JOCF jornalístico só CETENFolha 27.837.462 JO jornalístico sem CETENFolha 2.101.485 LE texto legal 1.084.112 LI literário 925.385 RE revista 155.395 O tamanho, na tabela anterior, é medido pelo número de unidades do corpus com a classificação indicada. A partir da versão 5.0, a parte do Folha de São Paulo (correspondente ao CETENFolha, de texto de 1994, e a algumas edições de 1996) está dividida em extractos identificados pela secção, semestre, número de extracto, e número de parágrafo no CETENFolha, por exemplo: Cotidiano-94a-61755-2 . A partir da versão 7.1, é possível seleccionar apenas o CETENFolha, no corpus SAOCARLOS, usando para isso a restrição [classe="JOCF"]. Dois exemplos (usando a restrição de forma diferente): Procurar a palavra punhal no CETENFolha: [word="punhal" & classe="JOCF"] Procurar palavras acabadas em ornada no CETENFolha: ".*ornada" [classe="JOCF"] Versão do corpo 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 a 8 de outubro de 2025, v. 15.5 Excerto do corpo <t> AYRTON ; Nicolau ; Toledo . Ciências- ECOLOGIA E Educação Ambiental . ( Corpo Humano E Biosfera ) . São Paulo . SCIPIONE . 1992 . 7a Série .</t> <p par=1> <s> Células , Hereditariedade E Funções Vitais .</s> </p> <p par=2> <s> O homem é o mamífero mais evoluído da escala zoológica .</s> <s> Apresenta postura ereta e cérebro bastante evoluído , capaz de aprender , memorizar , desenvolver e transmitir aquilo que aprende .</s> </p> <p par=3> <s> O corpo humano é constituído por vários órgãos que , em conjunto , formam o que denominamos organismo .</s> <s> O organismo humano apresenta uma integração entre a forma e a função de seus órgãos , ambas interligadas com a parte emocional .</s> <s> Essa integração e interligação diferem de indivíduo para indivíduo , mesmo que pertençam a uma mesma família .</s> <s> Por exemplo , uma criança cresce ou engorda mais que sua irmã , tem gostos diferentes , reações alérgicas a determinadas substâncias etc .</s> <s> No entanto , características como a cor dos cabelos e dos olhos , o formato do nariz e da boca são próprias de cada indivíduo , que as herda de seus pais e transmite-as a seus filhos .</s></p> ... Dados quantitativos Corpo SAOCARLOS Número de formas Número de tipos Unidades 43249538 436492 Total de palavras 32886779 436350 Palavras em minúscula 23235381 158501 Palavras com inicial maiúscula 4585260 127858 Palavras todas em maiúsculas 447405 22852 Números 578062 15764 Palavras com números 47054 5336 Palavras mistas 91751 8513 Pontuação 2148887 8 Número de unidades estruturais Atributo Número mwe 466173 p 827382 s 1954773 texto 341940 subtitulo 3749 assinatura 13 artigo 0 caixa 20695 situacao 5031 t 148902 a 80180 li 49673 Contabilização de multipalavras Número de entidades Número de unidades Nomes próprios 1992521 3343309 Locuções 466173 990115 Palavras gráficas 32886779 32886779 Palavras simples 28553355 28553355 Palavras 31012049 32886779 Distribuição por categoria gramatical Categoria gramatical Expressão de procura Número de palavras Percentagem do corpo Substantivos N|N[^U].* 7143814 25,02% Verbos V.* 4302614 15,07% Adjectivos ADJ.* 1830287 6,41% Pronomes pessoais .*PERS.* 460068 1,61% Preposições PRP.* 5487896 19,22% Conjunções K.* 1211912 4,24% Advérbios ADV.* 1311543 4,59% Determinantes .*DET.* 5561633 19,48% Especificadores .*SPEC.* 455053 1,59% Numerais NUM.* 918336 3,22% Para informação sobre como foram obtidos este valores, consulte esta página

[ Exemplos | Atomização | Anotação | Corpos | Agradecimentos ]