Acesso a corpos de português: Projecto AC/DC: corpo ANCIB

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.

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. Versão do corpo Corpus ANCIB, versão texto de Junho de 2009, anotado a 26 de Junho de 2014, criado a 22 de Junho de 2013, v. 7.7 Excerto do corpo <mens dt=1998-08-04> <assunto> Perspectivas da Arquivologia </assunto> <autor> jmjardim@cruiser.com.br </autor> <titulo> PERSPECTIVAS DA ARQUIVOLOGIA: A EXPERIÊNCIA ESPANHOLA </titulo> <p> <s> O NÚCLEO INTERDISCIPLINAR DE ESTUDOS DA INFORMAÇÃO (NEINFO) da Universidade Federal Fluminense estará recebendo nos dias 12 e 13 de agosto a visita da Profa. Maria Luisa Conde, Diretora do Arquivo Geral da Administração (Sub-Direção de Arquivos Estatais da Espanha) e Professora do Departamento de Ciências da Computação da Universidade de Alcala de Henares . </s> <s> Arquivista com extensa produção intelectual e experiência internacional, a Professora Maria Luisa Conde realizará duas conferências: </s> </p> <p> <s> Dia 12 de agosto, quarta-feira, às 18:30 . </s> ... Dados quantitativos Corpo ANCIB Número de formas Número de tipos Unidades 1707758 76637 Total de palavras 1257109 73645 Palavras em minúscula 840662 34803 Palavras com inicial maiúscula 226709 21842 Palavras todas em maiúsculas 19165 3503 Números 20082 1337 Palavras com números 2715 801 Palavras mistas 2728 628 Pontuação 115976 2978 Número de unidades estruturais Atributo Número p 60047 s 83189 mwe 14587 autor 3007 mens 3012 assunto 2978 li 0 titulo 0 cita 81 Contabilização de multipalavras Número de entidades Número de unidades Nomes próprios 97212 202649 Locuções 14587 31186 Palavras gráficas 1257109 1257109 Palavras simples 1023274 1023274 Palavras 1135073 1257109 Distribuição por categoria gramatical Categoria gramatical Expressão de procura Número de palavras Percentagem do corpo Substantivos N|N[^U].* 293306 28,66% Verbos V.* 125785 12,29% Adjectivos ADJ.* 72934 7,13% Pronomes pessoais .*PERS.* 13845 1,35% Preposições PRP.* 194505 19,01% Conjunções K.* 59387 5,80% Advérbios ADV.* 39981 3,91% Determinantes .*DET.* 190701 18,64% Especificadores .*SPEC.* 12427 1,21% Numerais NUM.* 32620 3,19% Para informação sobre como foram obtidos este valores, consulte esta página

[ Exemplos | Atomização | Anotação | Corpos | Agradecimentos ]