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 IMS-CWB. Sem que estas opções sejam explicitadas, não é possível compreender os resultados quantitativos ou comparar com vários 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
Contabilização básica dos corpos
Frequência de formas e lemas por categoria gramatical nos corpos
Contabilização detalhada por corpo

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 Selecção 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

CDHAREM As colecções douradas usadas no HAREM
CETEMPúblico CETEMPúblico (Corpo de Extractos de Textos Electrónicos MCT/Público)
CETEMPúblico (primeiro milhão) Primeiro milhão de palavras do CETEMPúblico, revisto pela equipa do projecto Floresta sintá(c)tica.

CHAVE Corpo de texto jornalístico usado no CLEF
ClassLPPE Corpo Clássicos da Literatura Portuguesa da Porto Editora

CONDIVport Parte do corpo CONDIVport, contendo textos de jornais desportivos de Portugal e do Brasil
CoNE Corpo de Correio Não-Endereçado, criado pela Linguateca
DiaCLAV Corpo de artigos da edição electrónica de jornais regionais da região centro de Portugal (Diário de Coimbra, Diário de Leiria, Diário de Aveiro e Viseu Diário)

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 disponível da parte 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

Museu da Pessoa Corpo de 109 entrevistas realizadas pelo Museu da Pessoa

Natura/Minho Corpo jornalístico Natura/Diário do Minho

Natura/Público Corpo jornalístico Natura/Público

NILC/São Carlos Corpo NILC/São Carlos (parte corrigida), contendo texto jornalístico, didáctico e epistolar.

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 actualizada 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-NILC 4.965 4.904 98.786 17.153 127.832
ANCIB 80.992 57.601 1.258.764 73.686 1.690.376
Avante! 204.414 104.787 6.501.146 119.848 7.766.309
CD HAREM 12.558 7.276 225.766 30.985 290.001
CETEMPúblico 8.128.620 3.613.334 191.277.678 927.533 240.424.488
CHAVE 4.740.448 2.269.734 99.355.321 698.030 123.936.528
CONDIVport 318.753 148.865 5.577.161 147.632 7.089.872
CoNE 31.562 19.416 685.244 41.048 925.262
DiaCLAV 232.152 44.133 6.651.523 107.947 7.758.469
ECI-EBR 44.381 12.117 724.008 60.201 917.124
ECI-EE 839 340 27.138 4.096 32.034
ENPCPUB (parte em português) 4.371 1.690 72.375 12.875 92.688
Floresta 327.179 0 5.950.072 179.491 7.252.252
FrasesPB 653 648 19.162 6.008 23.313
FrasesPP 594 594 16.232 5.085 20.048
Museu da Pessoa 27.288 16.858 375.149 21.497 517.740
Natura/Minho 69.100 57.149 1.748.698 67.460 2.156.707
NILC/São Carlos 1.954.909 1.121.504 32.303.761 396.855 42.519.799
todos juntos 12.949.733 5.566.813 281.870.352 1.416.928 356.872.560
Vercial 950.980 182.649 14.710.560 340.978 20.595.097
Total 30.084.491 13.230.412 649.448.896 4.675.336 821.008.499

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

as listas de frequências reflectem a análise sintáctica automática do PALAVRAS, e portanto podem conter incorrecções
no caso das palavras gramaticais (na categoria GRAM), mantivemos a classificação gramatical (POS) de forma a poder distinguir os vários casos
no caso das expressões com mais de ume palavra (marcadas como MWE), e que são sobretudo GRAM e ADV, cada palavra aparece separadamente na lista de formas, donde é mais adequada a consulta dos lemas, onde aparecem ligadas pelo caracter "=". Por exemplo, "é=que" é analisado como ADV pelo PALAVRAS, donde "é" e "que" aparecem listados como ADV na lista das formas de ADV.
no caso dos verbos com clíticos ou das contracções,
- estes aparecem nas listas de frequências como formas diferentes, por exemplo "abracei-o", e "do"
- mas os lemas são separados: ou seja, o seu lema, que é o lema do verbo separado por "+" e seguido do lema do pronome clítico correspondente, por exemplo "abraçar+ele", "abraçar+ela", "abraçar+se") para o efeito das contagens conta como lema do verbo "abraçar" e para o lema do clítico "ele"
a frequência dos lemas dos nomes próprios é normalizada através do número de palavras que os constituem
chamamos a atenção para que muitas palavras passíveis de ser consideradas como adjectivos, como por exemplo "aberto", "escondido", etc. não se encontram categorizadas como tal, mas sim como formas do particípio passado dos verbos "abrir" e "esconder". Está é uma opção linguística subjacente ao PALAVRAS, que é importante documentar.

Corpus Formas
N ADJ ADV V NUM GRAM todos
AmostRA 6443 2746 415 5975 311 449 17187
ANCIB 23900 8456 994 17274 5926 1045 76627
Avante! 31934 18487 2104 46882 5222 960 121426
CDHAREM 10488 4409 818 9162 1070 3213 31216
CETEMPúblico 180431 81067 6425 203669 96576 3746 863933
CETEMPúblico (primeiro milhão) 19544 9763 1135 24893 2439 900 66928
CHAVE 160832 74059 5624 176207 86651 3324 722150
Clássicos da Literatura Portuguesa/Porto Editora 19528 11874 1450 44219 268 1097 69898
ConDIVport 41752 24139 2456 54365 6035 1422 152239
ConE 14997 4812 599 8751 4238 660 43941
DiaCLAV 31792 16324 1481 39827 5608 900 110063
ECI-EBR 19688 10159 1174 24137 774 728 60394
ECI-EE 1359 873 206 1299 230 257 4254
ENPC (parte pública) 4398 1953 446 5070 132 424 12894
Floresta 52733 24479 2309 54155 6747 1824 182563
FrasesPB 2574 962 213 1777 67 293 6018
FrasesPP 2044 886 209 1474 78 274 5099
Museu da Pessoa 7662 2565 447 9434 374 539 21542
Natura/Minho 20166 10056 1077 21735 4152 716 68982
Natura/Público 51519 27103 2063 60704 9455 1383 170762
NILC/São Carlos 99880 46170 3621 104915 58636 1998 417746
Vercial 132496 41933 3997 164983 3342 1878 375323
365688 138044 10024 361059 171133 9972 1459723

Corpus Lemas
N ADJ ADV V NUM GRAM PROP todos todos/pos
AmostRA 5052 1903 329 1898 317 145 1421 10924 11065
ANCIB 17661 4726 766 3862 5945 333 37541 70190 70833
Avante! 20174 9062 1697 5571 5944 294 48105 90038 90847
CDHAREM 7171 2718 459 2144 979 199 6947 20300 20617
CETEMPúblico 132771 45736 5361 25046 103052 1056 939641 1247135 1252662
CETEMPúblico (primeiro milhão) 13511 4743 842 3566 2391 211 23765 48602 49029
CHAVE 112053 40144 4333 21525 90806 871 696637 961622 966369
Clássicos da Literatura Portuguesa/Porto Editora 12737 5096 1117 4642 260 260 5044 29023 29156
ConDIVport 27347 12778 1929 7045 6537 353 53615 108825 109604
ConE 10317 2641 439 2235 4305 230 17511 37262 37677
DiaCLAV 19146 7730 1156 4923 5992 279 47592 86046 86818
ECI-EBR 13702 5787 937 4098 895 221 8999 34176 34639
ECI-EE 1028 561 183 495 231 96 186 2719 2780
ENPC (parte pública) 3545 1379 366 1450 137 139 794 7663 7810
Floresta 34529 12503 1934 7477 6877 773 102690 164669 166782
FrasesPB 2155 747 187 834 60 102 217 4205 4302
FrasesPP 1694 689 183 663 71 106 197 3557 3603
Museu da Pessoa 5558 1621 326 1799 382 172 2304 11976 12162
Natura/Minho 12979 5448 848 3752 4394 233 30400 57486 58054
Natura/Público 36391 12486 1576 8812 9610 313 83255 150844 152443
NILC/São Carlos 65880 24521 2865 14782 61188 514 299887 466848 469637
Vercial 105353 21256 3268 19563 3667 486 96117 247171 249710
287628 82013 8049 50222 181263 1536 1541556 2140822 2152161

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:

O tratamento de contracções, palavras compostas e verbos com clíticos como uma unidade só
O tratamento de sinais de pontuação como unidades separadas
O tratamento de abreviaturas (incluindo sinais de pontuação) como uma unidade apenas
A não inclusão, no corpo, de informação sobre formatação gráfica
A numeração automática dos parágrafos

Os dados quantitativos que apresentamos para cada corpo dividem-se em quatro grupos:

tamanho global do corpo em termos de unidades minimas, indicando as suas propriedades gráficas
descrição formal do seu conteúdo (dos "tokens")
descrição formal da sua estrutura (dos marcadores estruturais).

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:

textos simples, isto é, aqueles que seguem uma estrutura formal fixa, por exemplo a escrita técnica (didáticos);
textos mais próximos da linguagem viva (jornalístico);
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)

Corpus AmostRA-NILC duplamente anotado, versão texto de 7 de Agosto de 2003 com primeira anotação do NILC (Rachel Aires), anotado em Agosto de 2008 pelo PALAVRAS, criado a 5 de Janeiro de 2010, v. 3.1

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 formas	Número de tipos
Unidades	127832	17185
Total de palavras	98786	17153
Palavras em minúscula	78450	13535
Palavras com inicial maiúscula	8311	2414
Palavras todas em maiúsculas	428	18
Números	914	190
Palavras com números	71	46
Palavras mistas	30	20
Pontuação	5750	32

Número de unidades estruturais

Atributo	Número
s	4963
p	4903
mwe	1779

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	3376	4914
Locuções	1779	3745
Palavras gráficas	98786	98786
Palavras simples	90127	90127
Palavras	95282	98786

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	23235	25,78%
Verbos	V.*	14122	15,67%
Adjectivos	ADJ.*	6488	7,20%
Pronomes pessoais	.PERS.	2283	2,53%
Preposições	PRP.*	16642	18,47%
Conjunções	K.*	4151	4,61%
Advérbios	ADV.*	5066	5,62%
Determinantes	.DET.	17544	19,47%
Especificadores	.SPEC.	1368	1,52%
Numerais	NUM.*	1808	2,01%

^{^}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 9 de Janeiro de 2010, v. 6.1

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 formas	Número de tipos
Unidades	1690418	76627
Total de palavras	1258756	73685
Palavras em minúscula	841477	34806
Palavras com inicial maiúscula	226734	21846
Palavras todas em maiúsculas	19169	3505
Números	20127	1337
Palavras com números	2715	801
Palavras mistas	2721	630
Pontuação	107145	2928

Número de unidades estruturais

Atributo	Número
p	57556
s	80698
mwe	14541
autor	3007
mens	3012
assunto	2978
li	0
titulo	0
cita	81

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	97197	202684
Locuções	14541	31057
Palavras gráficas	1258764	1258764
Palavras simples	1025023	1025023
Palavras	1136761	1258764

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	292526	28,54%
Verbos	V.*	126007	12,29%
Adjectivos	ADJ.*	73300	7,15%
Pronomes pessoais	.PERS.	13786	1,34%
Preposições	PRP.*	194495	18,97%
Conjunções	K.*	59283	5,78%
Advérbios	ADV.*	40010	3,90%
Determinantes	.DET.	190626	18,60%
Especificadores	.SPEC.	12344	1,20%
Numerais	NUM.*	32675	3,19%

^{^}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, criado a 11 de Janeiro de 2010, versão 4.1

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 formas	Número de tipos
Unidades	7767354	121426
Total de palavras	6499145	119858
Palavras em minúscula	5094004	67953
Palavras com inicial maiúscula	674805	29348
Palavras todas em maiúsculas	70296	2307
Números	57909	1645
Palavras com números	770	296
Palavras mistas	2068	721
Pontuação	228599	1566

Número de unidades estruturais

Atributo	Número
art	8539
t	29272
a	2
p	104736
li	43141
s	204212
mwe	130575

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	81210	492178
Locuções	130575	276704
Palavras gráficas	6499154	6499154
Palavras simples	5730272	5730272
Palavras	5942057	6499154

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	1454846	25,39%
Verbos	V.*	778537	13,59%
Adjectivos	ADJ.*	456501	7,97%
Pronomes pessoais	.PERS.	91603	1,60%
Preposições	PRP.*	1214687	21,20%
Conjunções	K.*	326148	5,69%
Advérbios	ADV.*	311043	5,43%
Determinantes	.DET.	1265477	22,08%
Especificadores	.SPEC.	105560	1,84%
Numerais	NUM.*	104441	1,82%

^{^}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:

DOC (delimitador de documento), p (delimitador de parágrafo), s (delimitador de frase)
EM (delimitador de entidade mencionada)
ABSTRACCAO, ACONTECIMENTO, COISA, LOCAL, OBRA, ORGANIZACAO, PESSOA, TEMPO, VALOR, VARIADO (delimitador de categoria de entidade mencionada)
ALT (delimitador de EM com anotação alternativa).

Atributos posicionais relacionados com a anotação das entidades:

em (entidade mencionada a que o termo pertence)
categoria (categoria(s) de EM)
tipo (subcategoria de EM)
docid (documento da CD)
variante (país de origem do texto, o valor do campo ORIGEM)
genero (género textual)
morf (classificação morfológica na CD)
prem (posição relativa na EM),
abstraccao, acontecimento, coisa, local, obra, organizacao, pessoa, tempo, valor, variado (subcategoria de EM)

Dados quantitativos

Corpo CDHAREM	Número de formas	Número de tipos
Unidades	290001	31214
Total de palavras	225766	30985
Palavras em minúscula	165617	19241
Palavras com inicial maiúscula	32737	7956
Palavras todas em maiúsculas	1400	1046
Números	2887	564
Palavras com números	123	83
Palavras mistas	149	95
Pontuação	15197	229

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

^{^}Voltar ao início da página

Corpo CETEMPúblico

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

Corpus CETEMPúblico anotado: versão 1.7 do texto, criada a 18 de Setembro de 2001, anotada em Abril-Julho de 2011, versão na rede criada a 23 de Janeiro de 2012, v. 7.0

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.

semestre tamanho clt clt-soc com des eco nd opi pol soc
91a 7149217 635359 182077 0 843279 500641 2785736 0 976626 1225499
91b 13745309 1218925 207192 0 1367042 913201 5530051 0 2098691 2410207
92a 14814803 2425665 519555 0 1459440 1469296 2019147 0 3806535 3115165
92b 11129015 2144899 426980 0 1263768 1254558 485878 0 2632447 2920485
93a 14765697 3077753 877517 0 1438235 1629571 573268 0 3306518 3862835
93b 11770263 2194869 564576 0 1220282 1224505 1040088 0 2493618 3032325
94a 14894478 2933276 846670 0 1468657 1526745 1427250 0 3202569 3489311
94b 14412323 2691085 844908 0 1556472 1522688 1676620 0 2840539 3280011
95a 16142029 2683291 1054922 0 1755006 1557965 1877697 0 2999578 4213570
95b 15217924 2155972 910694 0 1562888 1369598 2006580 0 3180102 4032090
96a 11583129 1589882 0 13040 1384668 930279 1169516 610825 2077221 3807698
96b 11279801 1551042 0 0 1497139 766872 1204601 602859 1849211 3808077
97a 9616546 1324919 0 16258 1274429 653495 890896 609754 1601141 3245654
97b 9650875 1321148 0 236995 1199354 632192 907705 555017 1760863 3037601
98a 12537354 1416393 0 378114 1470310 769244 1708225 628489 1925058 4241521
98b 8700720 1015007 0 269169 1016906 548067 832898 421083 1604557 2993033
Todos 30379485 6435091 913576 21777875 17268917 26136156 3428027 38355274 52715082

Dados quantitativos

Corpo CETEMPUBLICO	Número de formas	Número de tipos
Unidades	240424488	2461192
Total de palavras	191277678	927533
Palavras em minúscula	144232762	270880
Palavras com inicial maiúscula	24080112	309280
Palavras todas em maiúsculas	1129536	22120
Números	1844211	10640
Palavras com números	262378	16256
Palavras mistas	121281	30037
Pontuação	13075857	29316

Número de unidades estruturais

Atributo	Número
p	3613293
s	8128037
ext	0
t	702953
a	0
mwe	3730232
marca	0

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	10556258	18608449
Locuções	3730232	7855627
Palavras gráficas	191277678	191277678
Palavras simples	164813602	164813602
Palavras	179100092	191277678

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	39333836	23,87%
Verbos	V.*	24626021	14,94%
Adjectivos	ADJ.*	11656230	7,07%
Pronomes pessoais	.PERS.	2922656	1,77%
Preposições	PRP.*	33548352	20,36%
Conjunções	K.*	8098658	4,91%
Advérbios	ADV.*	10120834	6,14%
Determinantes	.DET.	34972187	21,22%
Especificadores	.SPEC.	3038078	1,84%
Numerais	NUM.*	4185363	2,54%

^{^}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. Pode obter o corpus completo em formato texto requerendo-o nesta página.

Corpus CHAVE anotado, anotado sintacticamente de Outubro a Dezembro de 2008, anotado com cor e roupa em Abril-Maio de 2010, versão 4.2

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 formas	Número de tipos
Unidades	123936528	722150
Total de palavras	99355321	698030
Palavras em minúscula	73737504	230459
Palavras com inicial maiúscula	13001169	233405
Palavras todas em maiúsculas	654696	16752
Números	1110843	7585
Palavras com números	107680	9903
Palavras mistas	150407	15229
Pontuação	4740129	24004

Número de unidades estruturais

Atributo	Número
s	4738282
t	577928
p	2269421
mwe	1790346
data	210729
DOC	210726
CATEGORY	210729
AUTHOR	2
EM	210729

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	5504868	9550201
Locuções	1790346	3782008
Palavras gráficas	99477971	99477971
Palavras simples	86145762	86145762
Palavras	93440976	99477971

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	20993953	24,37%
Verbos	V.*	12920153	15,00%
Adjectivos	ADJ.*	6031253	7,00%
Pronomes pessoais	.PERS.	1502949	1,74%
Preposições	PRP.*	17043473	19,78%
Conjunções	K.*	4180282	4,85%
Advérbios	ADV.*	4975068	5,78%
Determinantes	.DET.	17735511	20,59%
Especificadores	.SPEC.	1484406	1,72%
Numerais	NUM.*	2297484	2,67%

^{^}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 Abril de 2011, anotado semanticamente e criado a 8 de Janeiro de 2012, v. 9.1

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.

Valores de fonte para os jornais desportivos: Bola, Record, MundoDesp, OJogo, JSports, OEestadoSP, GazetaEsp, Lance.
Valores de fonte para a moda/vestuário: Activa, Caras Especial Moda, Cosmopolitan, Crónica Feminina, Elle, Eva, Flama, GQ, Máxima, Maxmen, Men's Health, Modas e Bordados, Técnicas de Alfaiataria, Vestir e Vogue (PT) e Boa Forma, Burda, Cigarra, Cláudia, Cruzeiro, Desfile, Estilo, Figurino, Manchete, Manequim, Marie Claire, Máxima, Moda e Moldes e Vogue (BR).
Valores de fonte para a saúde: Boletins, Eva, Maria, Medicina Saúde, Modas e Bordados, Natura, Saúde e Bem-Estar, Saúde Lar e Século Ilustrado (PT), e Revista Brasileira, Revistas Populares e Revistas Saúde (BR).

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.

Tamanho Futebol Moda/vestuário Saúde
PT 3284597 1649456 307109 1328032
BR 2631440 1356183 797206 478051
Todos 3005639 1104325 1806083

Dados quantitativos

Corpo CONDIV	Número de formas	Número de tipos
Unidades	7089872	149652
Total de palavras	5577161	147632
Palavras em minúscula	4195355	80549
Palavras com inicial maiúscula	655029	37660
Palavras todas em maiúsculas	13606	3205
Números	72991	1653
Palavras com números	2501	722
Palavras mistas	4784	1215
Pontuação	338937	1944

Número de unidades estruturais

Atributo	Número
ext	2089
texto	5384
p	138192
s	296796
mwe	103658

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	240490	359027
Locuções	103658	219029
Palavras gráficas	5570215	5570215
Palavras simples	4992159	4992159
Palavras	5336307	5570215

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	1137226	22,78%
Verbos	V.*	728433	14,59%
Adjectivos	ADJ.*	373239	7,48%
Pronomes pessoais	.PERS.	101637	2,04%
Preposições	PRP.*	830955	16,65%
Conjunções	K.*	258727	5,18%
Advérbios	ADV.*	307296	6,16%
Determinantes	.DET.	914430	18,32%
Especificadores	.SPEC.	77504	1,55%
Numerais	NUM.*	117297	2,35%

^{^}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 e versão 3.1 da sua codificação e anotação, a 9 de Janeiro de 2010

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 formas	Número de tipos
Unidades	925262	43941
Total de palavras	685244	41048
Palavras em minúscula	399168	18493
Palavras com inicial maiúscula	160376	13527
Palavras todas em maiúsculas	12044	1998
Números	15297	872
Palavras com números	2888	678
Palavras mistas	3427	407
Pontuação	55298	2887

Número de unidades estruturais

Atributo	Número
p	19248
s	31298
mwe	8283
autor	1949
mens	1949
assunto	1904
div	0
li	26844
titulo	1295
cita	0

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	58675	121139
Locuções	8283	17509
Palavras gráficas	685252	685252
Palavras simples	546604	546604
Palavras	613562	685252

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	160111	29,29%
Verbos	V.*	68258	12,49%
Adjectivos	ADJ.*	36786	6,73%
Pronomes pessoais	.PERS.	8977	1,64%
Preposições	PRP.*	94535	17,29%
Conjunções	K.*	32276	5,90%
Advérbios	ADV.*	23758	4,35%
Determinantes	.DET.	82614	15,11%
Especificadores	.SPEC.	5203	0,95%
Numerais	NUM.*	26399	4,83%

^{^}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 DIACLAVANOT, versão texto criada em Abril de 2002, anotado em Agosto de 2008, criado a 11 de Janeiro de 2010, v. 3.1

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 formas	Número de tipos
Unidades	7758469	110063
Total de palavras	6651523	107947
Palavras em minúscula	4984547	58853
Palavras com inicial maiúscula	859383	28967
Palavras todas em maiúsculas	40061	2141
Números	59691	1330
Palavras com números	6504	1047
Palavras mistas	2489	862
Pontuação	231683	2115

Número de unidades estruturais

Atributo	Número
p	44133
s	232139
art	13008
t	13007
a	5840
mwe	130555

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	331676	513265
Locuções	130555	273688
Palavras gráficas	6651538	6651538
Palavras simples	5864585	5864585
Palavras	6326816	6651538

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	1461150	24,91%
Verbos	V.*	879523	15,00%
Adjectivos	ADJ.*	389559	6,64%
Pronomes pessoais	.PERS.	86869	1,48%
Preposições	PRP.*	1225336	20,89%
Conjunções	K.*	289298	4,93%
Advérbios	ADV.*	336862	5,74%
Determinantes	.DET.	1220515	20,81%
Especificadores	.SPEC.	105931	1,81%
Numerais	NUM.*	129334	2,21%

^{^}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:

biografia (material biográfico)
crítica_lit (material indicativo de crítica literária)
debate (debates no parlamento)
definição
ensaio
entrevista
informativo
discurso (discursos políticos, etc.)
jornalismo (notícias, breves, crónicas, etc.)
literatura (texto literário)
literatura_teatro (texto literário do género dramático)

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:

Género Unidades Textos

Literatura 368.024 151

Informativo 201.425 285

Jornalismo 88.070 536

Oral 66.565 29

Outros 16.061 33

Indef 16.774 81

Assuntos Unidades Textos

Agricultura 3458 8

Arqueologia 1669 3

Arte 4193 4

Astrologia 1292 1

Biologia 3660 3

Botânica 6082 4

Ciência 7375 9

Clima 302 1

Crónica 3716 11

Culinária 1316 1

Cultura 5698 44

Desporto 8173 39

Direito 1703 4

Ecologia 326 2

Economia 18360 60

Edição 821 1

Educação 1092 1

Entretenimento 4988 31

Escutismo 422 1

Estatística 1237 1

Filatelia 1109 1

Filosofia 3382 3

Física 627 1

Fotografia 1056 2

Generalidades 5476 45

Geografia 3685 6

Geologia 77 1

Gestão 2300 3

Hidrografia 1276 1

História 35076 30

Indef 482747 1

Indústria 1375 3

Internacional 8098 57

Jornalismo 277 536

Linguística 8066 12

Literatura 8180 14

Maternidade 344 1

Medicina 16837 18

Música 1689 3

Oceanografia 302 1

País 44537 206

Política 19620 36

Psicologia 2388 5

Religião 20977 32

Reportagem 1275 3

Saúde 4460 18

Sociedade 7286 58

Sociologia 10347 15

Título 173 12

Turismo 188 1

Zoologia 2985 15

Corpus ECI-EBR, versão texto de Abril de 2002, analisado em Novembro de 2009, criado a 8 de Janeiro de 2010, v. 8.1

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 formas	Número de tipos
Unidades	917124	60394
Total de palavras	724008	60201
Palavras em minúscula	569019	42161
Palavras com inicial maiúscula	73428	12233
Palavras todas em maiúsculas	192	46
Números	1996	459
Palavras com números	53	40
Palavras mistas	181	123
Pontuação	48083	193

Número de unidades estruturais

Atributo	Número
ext	1107
p	12116
s	43543
marca	3
mwe	14911

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	19405	32985
Locuções	14911	31806
Palavras gráficas	724008	724008
Palavras simples	659217	659217
Palavras	693533	724008

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	149934	22,74%
Verbos	V.*	114540	17,38%
Adjectivos	ADJ.*	45414	6,89%
Pronomes pessoais	.PERS.	25029	3,80%
Preposições	PRP.*	108577	16,47%
Conjunções	K.*	35139	5,33%
Advérbios	ADV.*	46924	7,12%
Determinantes	.DET.	125957	19,11%
Especificadores	.SPEC.	13550	2,06%
Numerais	NUM.*	9116	1,38%

^{^}Voltar ao início da página

Corpo ECI-EE

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

Pode também consultar a informação da ELSNET.

Corpus ECI-EE, versão de Abril de 2002, anotado em Agosto de 2008, criado a 1 de Dezembro de 2009, v. 5.2

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 formas	Número de tipos
Unidades	32034	4254
Total de palavras	27140	4096
Palavras em minúscula	21744	3332
Palavras com inicial maiúscula	1786	391
Palavras todas em maiúsculas	195	41
Números	463	104
Palavras com números	2	2
Palavras mistas	112	5
Pontuação	1125	155

Número de unidades estruturais

Atributo	Número
p	340
s	839
t	0
nota	27
marca	27
mwe	607

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	641	1008
Locuções	607	1318
Palavras gráficas	27140	27140
Palavras simples	24814	24814
Palavras	26062	27140

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	6938	27,96%
Verbos	V.*	2908	11,72%
Adjectivos	ADJ.*	2437	9,82%
Pronomes pessoais	.PERS.	411	1,66%
Preposições	PRP.*	5300	21,36%
Conjunções	K.*	1322	5,33%
Advérbios	ADV.*	947	3,82%
Determinantes	.DET.	4971	20,03%
Especificadores	.SPEC.	280	1,13%
Numerais	NUM.*	706	2,85%

^{^}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):

Código	Autor	Obra	Editora	Ano	Tradutor(a)	Título original
JB1PP	Julian Barnes	Amor & C.a	Quetzal Editores, Lisboa	1994	Helena Cardoso	Talking It Over.
BC1	Bruce Chatwin	Utz	Quetzal Editores, Lisboa	1991	José Luís Luna	Utz.
AH1	Arthur Hailey	Remédio Amargo	Distribuidora Record, Rio de Janeiro	s/d	A.B.P. de Lemos.	Strong Medicine.
JH1	Joseph Heller	Imaginem que	Difusão Cultural, Lisboa	1991	Cristina Rodriguez.	Picture This.
NG1	Nadine Gordimer	A história do meu filho	Editora Siciliano, São Paulo	1992	Geraldo Galvão Ferraz	My Son's Story.

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

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

Corpus ENPCPUB, versão de 31 de Dezembro de 2001, anotado em Outubro de 2010, criado a 16 de Outubro de 2010, v. 6.5

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 formas	Número de tipos
Unidades	92688	12894
Total de palavras	72375	12875
Palavras em minúscula	57622	10251
Palavras com inicial maiúscula	7077	1689
Palavras todas em maiúsculas	41	19
Números	137	78
Palavras com números	1	1
Palavras mistas	16	13
Pontuação	4951	19

Número de unidades estruturais

Atributo	Número
p	1682
s	4369
texto	5
parte	8
capitulo	25
mwe	1609

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	2542	3305
Locuções	1609	3486
Palavras gráficas	72376	72376
Palavras simples	65585	65585
Palavras	69736	72376

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	13279	20,25%
Verbos	V.*	12769	19,47%
Adjectivos	ADJ.*	3869	5,90%
Pronomes pessoais	.PERS.	3103	4,73%
Preposições	PRP.*	10801	16,47%
Conjunções	K.*	3962	6,04%
Advérbios	ADV.*	5373	8,19%
Determinantes	.DET.	12178	18,57%
Especificadores	.SPEC.	1547	2,36%
Numerais	NUM.*	773	1,18%

^{^}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 em Junho de 2010, criado a 11 de Julho de 2010, versão 1.1

Estrutura do corpo

Atributos estruturais:

ext (delimitador de texto/excerto)
s (delimitador de frase)

Atributos posicionais:

variante (país de origem do texto)
id (identificador do texto)

Dados quantitativos

Corpo FLORESTA	Número de formas	Número de tipos
Unidades	7252252	182563
Total de palavras	5950072	179491
Palavras em minúscula	4532101	88974
Palavras com inicial maiúscula	738059	58256
Palavras todas em maiúsculas	27982	3961
Números	50425	1609
Palavras com números	3761	935
Palavras mistas	5737	2187
Pontuação	419904	3071

Número de unidades estruturais

Atributo	Número
ext	24391
s	326796
mwe	101900

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	284146	21156
Locuções	101900	214165
Palavras gráficas	5950072	5950072
Palavras simples	5714751	5714751
Palavras	6100797	5950072

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	1239225	21,68%
Verbos	V.*	847296	14,83%
Adjectivos	ADJ.*	350577	6,13%
Pronomes pessoais	.PERS.	117363	2,05%
Preposições	PRP.*	948213	16,59%
Conjunções	K.*	272996	4,78%
Advérbios	ADV.*	323501	5,66%
Determinantes	.DET.	1007367	17,63%
Especificadores	.SPEC.	107025	1,87%
Numerais	NUM.*	99146	1,73%

^{^}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 em Maio de 2002, criado a 30 de Novembro de 2009, v. 4.1

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 formas	Número de tipos
Unidades	23313	6018
Total de palavras	19162	6008
Palavras em minúscula	16422	5265
Palavras com inicial maiúscula	1051	526
Palavras todas em maiúsculas	14	14
Números	49	35
Palavras com números
Palavras mistas	5	5
Pontuação	705	10

Número de unidades estruturais

Atributo	Número
p	648
s	653
mwe	422

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	250	409
Locuções	422	904
Palavras gráficas	19162	19162
Palavras simples	17849	17849
Palavras	18521	19162

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	4623	25,90%
Verbos	V.*	2895	16,22%
Adjectivos	ADJ.*	1434	8,03%
Pronomes pessoais	.PERS.	356	1,99%
Preposições	PRP.*	3269	18,31%
Conjunções	K.*	1011	5,66%
Advérbios	ADV.*	1054	5,91%
Determinantes	.DET.	3639	20,39%
Especificadores	.SPEC.	343	1,92%
Numerais	NUM.*	166	0,93%

^{^}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.

Corpus FrasesPP, anotado a 22 de Maio de 2007, criado a 14 de Maio de 2010, versão 6.2

Estrutura do corpo

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

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 formas	Número de tipos
Unidades	20048	5099
Total de palavras	16232	5085
Palavras em minúscula	13501	4243
Palavras com inicial maiúscula	1088	569
Palavras todas em maiúsculas	9	6
Números	97	50
Palavras com números	2	2
Palavras mistas
Pontuação	738	14

Número de unidades estruturais

Atributo	Número
p	594
s	594
mwe	351

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	262	431
Locuções	351	759
Palavras gráficas	16233	16233
Palavras simples	15043	15043
Palavras	15656	16233

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	3699	24,59%
Verbos	V.*	2281	15,16%
Adjectivos	ADJ.*	1298	8,63%
Pronomes pessoais	.PERS.	410	2,73%
Preposições	PRP.*	2796	18,59%
Conjunções	K.*	819	5,44%
Advérbios	ADV.*	967	6,43%
Determinantes	.DET.	3115	20,71%
Especificadores	.SPEC.	311	2,07%
Numerais	NUM.*	205	1,36%

^{^}Voltar ao início da página

Corpo Museu da Pessoa

O corpus Museu da Pessoa é um corpus de 107 entrevistas transcritas pelo Núcleo Português do Museu da Pessoa no âmbito dos seus projectos, mais seis entrevistas transcritas pelo Museu da Pessoa brasileiro.

Corpus Museu da Pessoa, versão do texto português de Abril de 2005, versão do texto brasileiro de Dezembro de 2008, anotado 9 de Fevereiro de 2009, criado a 25 de Outubro de 2010, versão 3.5

Agradecemos ao Núcleo Português do Museu da Pessoa a disponibilização dos textos.

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]

Dados quantitativos

Corpo MUSEUDAPESSOA	Número de formas	Número de tipos
Unidades	517740	21542
Total de palavras	375149	21497
Palavras em minúscula	298001	15331
Palavras com inicial maiúscula	39265	3464
Palavras todas em maiúsculas	104	53
Números	2377	240
Palavras com números	88	50
Palavras mistas	114	95
Pontuação	28623	45

Número de unidades estruturais

Atributo	Número
mwe	7337
p	11790
s	27284
entrevista	115
pergunta	5067
resposta	5340
legenda	43
introd	3

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	7124	11856
Locuções	7337	15720
Palavras gráficas	375149	375149
Palavras simples	347573	347573
Palavras	362034	375149

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	66140	19,03%
Verbos	V.*	72595	20,89%
Adjectivos	ADJ.*	11781	3,39%
Pronomes pessoais	.PERS.	17947	5,16%
Preposições	PRP.*	47326	13,62%
Conjunções	K.*	23142	6,66%
Advérbios	ADV.*	37575	10,81%
Determinantes	.DET.	62748	18,05%
Especificadores	.SPEC.	9441	2,72%
Numerais	NUM.*	5366	1,54%

^{^}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, anotado em 14 de Maio de 2011, criado a 7 de Julho de 2011, v. 7.1

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 formas	Número de tipos
Unidades	2156707	68966
Total de palavras	1748698	67460
Palavras em minúscula	1284811	38992
Palavras com inicial maiúscula	253835	17613
Palavras todas em maiúsculas	12551	1328
Números	22185	1268
Palavras com números	2747	354
Palavras mistas	1439	442
Pontuação	67966	1505

Número de unidades estruturais

Atributo	Número
p	57123
s	69036
assinatura	539
legenda	782
t	7661
art	5117
marca	0
mwe	30422

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	104234	220144
Locuções	30422	63832
Palavras gráficas	1748703	1748703
Palavras simples	1464727	1464727
Palavras	1599383	1748703

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	374158	25,54%
Verbos	V.*	207519	14,17%
Adjectivos	ADJ.*	100303	6,85%
Pronomes pessoais	.PERS.	19892	1,36%
Preposições	PRP.*	313445	21,40%
Conjunções	K.*	73461	5,02%
Advérbios	ADV.*	72008	4,92%
Determinantes	.DET.	315085	21,51%
Especificadores	.SPEC.	22878	1,56%
Numerais	NUM.*	42092	2,87%

^{^}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; anotação sintáctica em Outubro de 2008, anotação semântica em Novembro de 2010, criado a 10 de Novembro de 2010, versão 9.3

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 9.0, é a seguinte:

Tipo Descrição Tamanho

DI texto didáctico 425.692

ENC enciclopédia 286.550

ENS ensaio 2.169.726

EP texto epistolar 3.332

JO.* jornalístico 29.140.843

JOCF jornalístico só CETENFolha 27.082.793

JO jornalístico sem CETENFolha 2.058.050

LE texto legal 1.117.747

LI literário 921.011

RE revista 152.366

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"]

Dados quantitativos

Corpo SAOCARLOS	Número de formas	Número de tipos
Unidades	42519799	417746
Total de palavras	32303761	396855
Palavras em minúscula	23191173	158345
Palavras com inicial maiúscula	4751063	129830
Palavras todas em maiúsculas	294552	9320
Números	528121	3378
Palavras com números	40761	4685
Palavras mistas	87324	5314
Pontuação	1875311	20823

Número de unidades estruturais

Atributo	Número
mwe	496106
p	1119928
s	1943510
texto	341900
subtitulo	3767
assinatura	13
artigo	0
caixa	20418
situacao	5028
t	147869
a	79986
li	44802

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	2043779	3497556
Locuções	496106	1049556
Palavras gráficas	32278876	32278876
Palavras simples	27731764	27731764
Palavras	30271649	32278876

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	7068907	25,49%
Verbos	V.*	4278343	15,43%
Adjectivos	ADJ.*	1841809	6,64%
Pronomes pessoais	.PERS.	466551	1,68%
Preposições	PRP.*	5269892	19,00%
Conjunções	K.*	1261018	4,55%
Advérbios	ADV.*	1454528	5,24%
Determinantes	.DET.	5500177	19,83%
Especificadores	.SPEC.	405056	1,46%
Numerais	NUM.*	920599	3,32%

^{^}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 interrogadas 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.

O corpo contém cerca de 300 milhões de palavras, distribuídas entre vários géneros e temas, correspondendo ao conteúdo de todos os corpos presentes no AC/DC.

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.

Corpo TODOS, versão texto de 18 de Setembro de 2011, criado a 23 de Janeiro de 2012, v. 1.2

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 formas	Número de tipos
Unidades	356264869	1481673
Total de palavras	281775323	1418677
Palavras em minúscula	210500972	441746
Palavras com inicial maiúscula	35825312	441013
Palavras todas em maiúsculas	1702003	36376
Números	2865833	13749
Palavras com números	333509	21987
Palavras mistas	296590	46740
Pontuação	18879309	61412

Número de unidades estruturais

Atributo	Número
TEXTO	386
AUTHOR	0
CATEGORY	150107
	0
art	26762
assinatura	552
assunto	4872
autor	50523
caixa	315
capitulo	678
cita	81
div	1753
entrevista	115
ext	1092479
fala	23769
introd	3
legenda	825
li	136428
marca	10629
mens	4951
mwe	5248145
nota	276
obra	309
p	5526568
parte	8
pergunta	5067
personagem	24721
resposta	5340
s	12925612
situacao	561
subtitulo	3767
t	1134945
texto	6363
titulo	686
tituloobra	309
u	751742
v	251377
a	179626
data	208390
indic	2049

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	15176959	26526551
Locuções	5248145	11067704
Palavras gráficas	281775323	281775323
Palavras simples	244181068	244181068
Palavras	264606172	281775323

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	58682394	24,03%
Verbos	V.*	36823912	15,08%
Adjectivos	ADJ.*	17141848	7,02%
Pronomes pessoais	.PERS.	4770122	1,95%
Preposições	PRP.*	48153135	19,72%
Conjunções	K.*	12189229	4,99%
Advérbios	ADV.*	14665294	6,01%
Determinantes	.DET.	50716622	20,77%
Especificadores	.SPEC.	4428281	1,81%
Numerais	NUM.*	6108600	2,50%

^{^}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, anotado em Junho de 2011, criado a 21 de Dezembro de 2011, v. 5.0

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 formas	Número de tipos
Unidades	20595097	347292
Total de palavras	14710560	340978
Palavras em minúscula	11073481	180882
Palavras com inicial maiúscula	1660823	75533
Palavras todas em maiúsculas	24352	1642
Números	54366	2048
Palavras com números	373	322
Palavras mistas	29365	7452
Pontuação	1026331	2859

Número de unidades estruturais

Atributo	Número
p	157225
s	948750
v	251377
obra	309
capitulo	653
titulo	0
u	759805
fala	23769
autor	309
tituloobra	309
div	1753
mwe	231769

Contabilização de multipalavras

	Número de entidades	Número de unidades
Nomes próprios	510817	772410
Locuções	231769	490229
Palavras gráficas	14313729	14313729
Palavras simples	13051090	13051090
Palavras	13793676	14313729

Distribuição por categoria gramatical

Categoria gramatical	Expressão de procura	Número de palavras	Percentagem do corpo
Substantivos	N\|N[^U].*	2897532	22,20%
Verbos	V.*	2279520	17,47%
Adjectivos	ADJ.*	897834	6,88%
Pronomes pessoais	.PERS.	671822	5,15%
Preposições	PRP.*	2050555	15,71%
Conjunções	K.*	807631	6,19%
Advérbios	ADV.*	892486	6,84%
Determinantes	.DET.	2552774	19,56%
Especificadores	.SPEC.	304846	2,34%
Numerais	NUM.*	148354	1,14%

^{^}Voltar ao início da página

[ Acesso | Anotação | Atomização | Exemplos | Agradecimentos ]

Última actualização: 04 de Setembro de 2011

Perguntas, comentários e sugestões

AmostRA-NILC	Selecção 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
CDHAREM	As colecções douradas usadas no HAREM
CETEMPúblico	CETEMPúblico (Corpo de Extractos de Textos Electrónicos MCT/Público)
CETEMPúblico (primeiro milhão)	Primeiro milhão de palavras do CETEMPúblico, revisto pela equipa do projecto Floresta sintá(c)tica.
CHAVE	Corpo de texto jornalístico usado no CLEF
ClassLPPE	Corpo Clássicos da Literatura Portuguesa da Porto Editora
CONDIVport	Parte do corpo CONDIVport, contendo textos de jornais desportivos de Portugal e do Brasil
CoNE	Corpo de Correio Não-Endereçado, criado pela Linguateca
DiaCLAV	Corpo de artigos da edição electrónica de jornais regionais da região centro de Portugal (Diário de Coimbra, Diário de Leiria, Diário de Aveiro e Viseu Diário)
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 disponível da parte 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
Museu da Pessoa	Corpo de 109 entrevistas realizadas pelo Museu da Pessoa
Natura/Minho	Corpo jornalístico Natura/Diário do Minho
Natura/Público	Corpo jornalístico Natura/Público
NILC/São Carlos	Corpo NILC/São Carlos (parte corrigida), contendo texto jornalístico, didáctico e epistolar.
Vercial	Corpo de textos literários portugueses clássicos, disponibilizados pelo projecto Vercial.

Corpo	Nº de frases	Nº de parágrafos	Nº de palavras (formas)	Nº de palavras (tipos)	Nº de unidades
AmostRA-NILC	4.965	4.904	98.786	17.153	127.832
ANCIB	80.992	57.601	1.258.764	73.686	1.690.376
Avante!	204.414	104.787	6.501.146	119.848	7.766.309
CD HAREM	12.558	7.276	225.766	30.985	290.001
CETEMPúblico	8.128.620	3.613.334	191.277.678	927.533	240.424.488
CHAVE	4.740.448	2.269.734	99.355.321	698.030	123.936.528
CONDIVport	318.753	148.865	5.577.161	147.632	7.089.872
CoNE	31.562	19.416	685.244	41.048	925.262
DiaCLAV	232.152	44.133	6.651.523	107.947	7.758.469
ECI-EBR	44.381	12.117	724.008	60.201	917.124
ECI-EE	839	340	27.138	4.096	32.034
ENPCPUB (parte em português)	4.371	1.690	72.375	12.875	92.688
Floresta	327.179	0	5.950.072	179.491	7.252.252
FrasesPB	653	648	19.162	6.008	23.313
FrasesPP	594	594	16.232	5.085	20.048
Museu da Pessoa	27.288	16.858	375.149	21.497	517.740
Natura/Minho	69.100	57.149	1.748.698	67.460	2.156.707
NILC/São Carlos	1.954.909	1.121.504	32.303.761	396.855	42.519.799
todos juntos	12.949.733	5.566.813	281.870.352	1.416.928	356.872.560
Vercial	950.980	182.649	14.710.560	340.978	20.595.097
Total	30.084.491	13.230.412	649.448.896	4.675.336	821.008.499

Corpus	Formas
Corpus	N	ADJ	ADV	V	NUM	GRAM	todos
AmostRA	6443	2746	415	5975	311	449	17187
ANCIB	23900	8456	994	17274	5926	1045	76627
Avante!	31934	18487	2104	46882	5222	960	121426
CDHAREM	10488	4409	818	9162	1070	3213	31216
CETEMPúblico	180431	81067	6425	203669	96576	3746	863933
CETEMPúblico (primeiro milhão)	19544	9763	1135	24893	2439	900	66928
CHAVE	160832	74059	5624	176207	86651	3324	722150
Clássicos da Literatura Portuguesa/Porto Editora	19528	11874	1450	44219	268	1097	69898
ConDIVport	41752	24139	2456	54365	6035	1422	152239
ConE	14997	4812	599	8751	4238	660	43941
DiaCLAV	31792	16324	1481	39827	5608	900	110063
ECI-EBR	19688	10159	1174	24137	774	728	60394
ECI-EE	1359	873	206	1299	230	257	4254
ENPC (parte pública)	4398	1953	446	5070	132	424	12894
Floresta	52733	24479	2309	54155	6747	1824	182563
FrasesPB	2574	962	213	1777	67	293	6018
FrasesPP	2044	886	209	1474	78	274	5099
Museu da Pessoa	7662	2565	447	9434	374	539	21542
Natura/Minho	20166	10056	1077	21735	4152	716	68982
Natura/Público	51519	27103	2063	60704	9455	1383	170762
NILC/São Carlos	99880	46170	3621	104915	58636	1998	417746
Vercial	132496	41933	3997	164983	3342	1878	375323
	365688	138044	10024	361059	171133	9972	1459723

Corpus	Lemas
Corpus	N	ADJ	ADV	V	NUM	GRAM	PROP	todos	todos/pos
AmostRA	5052	1903	329	1898	317	145	1421	10924	11065
ANCIB	17661	4726	766	3862	5945	333	37541	70190	70833
Avante!	20174	9062	1697	5571	5944	294	48105	90038	90847
CDHAREM	7171	2718	459	2144	979	199	6947	20300	20617
CETEMPúblico	132771	45736	5361	25046	103052	1056	939641	1247135	1252662
CETEMPúblico (primeiro milhão)	13511	4743	842	3566	2391	211	23765	48602	49029
CHAVE	112053	40144	4333	21525	90806	871	696637	961622	966369
Clássicos da Literatura Portuguesa/Porto Editora	12737	5096	1117	4642	260	260	5044	29023	29156
ConDIVport	27347	12778	1929	7045	6537	353	53615	108825	109604
ConE	10317	2641	439	2235	4305	230	17511	37262	37677
DiaCLAV	19146	7730	1156	4923	5992	279	47592	86046	86818
ECI-EBR	13702	5787	937	4098	895	221	8999	34176	34639
ECI-EE	1028	561	183	495	231	96	186	2719	2780
ENPC (parte pública)	3545	1379	366	1450	137	139	794	7663	7810
Floresta	34529	12503	1934	7477	6877	773	102690	164669	166782
FrasesPB	2155	747	187	834	60	102	217	4205	4302
FrasesPP	1694	689	183	663	71	106	197	3557	3603
Museu da Pessoa	5558	1621	326	1799	382	172	2304	11976	12162
Natura/Minho	12979	5448	848	3752	4394	233	30400	57486	58054
Natura/Público	36391	12486	1576	8812	9610	313	83255	150844	152443
NILC/São Carlos	65880	24521	2865	14782	61188	514	299887	466848	469637
Vercial	105353	21256	3268	19563	3667	486	96117	247171	249710
	287628	82013	8049	50222	181263	1536	1541556	2140822	2152161

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

semestre	tamanho	clt	clt-soc	com	des	eco	nd	opi	pol	soc
91a	7149217	635359	182077	0	843279	500641	2785736	0	976626	1225499
91b	13745309	1218925	207192	0	1367042	913201	5530051	0	2098691	2410207
92a	14814803	2425665	519555	0	1459440	1469296	2019147	0	3806535	3115165
92b	11129015	2144899	426980	0	1263768	1254558	485878	0	2632447	2920485
93a	14765697	3077753	877517	0	1438235	1629571	573268	0	3306518	3862835
93b	11770263	2194869	564576	0	1220282	1224505	1040088	0	2493618	3032325
94a	14894478	2933276	846670	0	1468657	1526745	1427250	0	3202569	3489311
94b	14412323	2691085	844908	0	1556472	1522688	1676620	0	2840539	3280011
95a	16142029	2683291	1054922	0	1755006	1557965	1877697	0	2999578	4213570
95b	15217924	2155972	910694	0	1562888	1369598	2006580	0	3180102	4032090
96a	11583129	1589882	0	13040	1384668	930279	1169516	610825	2077221	3807698
96b	11279801	1551042	0	0	1497139	766872	1204601	602859	1849211	3808077
97a	9616546	1324919	0	16258	1274429	653495	890896	609754	1601141	3245654
97b	9650875	1321148	0	236995	1199354	632192	907705	555017	1760863	3037601
98a	12537354	1416393	0	378114	1470310	769244	1708225	628489	1925058	4241521
98b	8700720	1015007	0	269169	1016906	548067	832898	421083	1604557	2993033
Todos		30379485	6435091	913576	21777875	17268917	26136156	3428027	38355274	52715082

	Tamanho	Futebol	Moda/vestuário	Saúde
PT	3284597	1649456	307109	1328032
BR	2631440	1356183	797206	478051
Todos		3005639	1104325	1806083

Género	Unidades	Textos
Literatura	368.024	151
Informativo	201.425	285
Jornalismo	88.070	536
Oral	66.565	29
Outros	16.061	33
Indef	16.774	81

Assuntos	Unidades	Textos
Agricultura	3458	8
Arqueologia	1669	3
Arte	4193	4
Astrologia	1292	1
Biologia	3660	3
Botânica	6082	4
Ciência	7375	9
Clima	302	1
Crónica	3716	11
Culinária	1316	1
Cultura	5698	44
Desporto	8173	39
Direito	1703	4
Ecologia	326	2
Economia	18360	60
Edição	821	1
Educação	1092	1
Entretenimento	4988	31
Escutismo	422	1
Estatística	1237	1
Filatelia	1109	1
Filosofia	3382	3
Física	627	1
Fotografia	1056	2
Generalidades	5476	45
Geografia	3685	6
Geologia	77	1
Gestão	2300	3
Hidrografia	1276	1
História	35076	30
Indef	482747	1
Indústria	1375	3
Internacional	8098	57
Jornalismo	277	536
Linguística	8066	12
Literatura	8180	14
Maternidade	344	1
Medicina	16837	18
Música	1689	3
Oceanografia	302	1
País	44537	206
Política	19620	36
Psicologia	2388	5
Religião	20977	32
Reportagem	1275	3
Saúde	4460	18
Sociedade	7286	58
Sociologia	10347	15
Título	173	12
Turismo	188	1
Zoologia	2985	15

Tipo	Descrição	Tamanho
DI	texto didáctico	425.692
ENC	enciclopédia	286.550
ENS	ensaio	2.169.726
EP	texto epistolar	3.332
JO.*	jornalístico	29.140.843
JOCF	jornalístico só CETENFolha	27.082.793
JO	jornalístico sem CETENFolha	2.058.050
LE	texto legal	1.117.747
LI	literário	921.011
RE	revista	152.366