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 11.4, é a seguinte: Tipo Descrição Tamanho DI texto didáctico 426.766 ENC enciclopédia 286.559 ENS ensaio 2.193.806 EP texto epistolar 3.350 JO.* jornalístico 29.821.113 JOCF jornalístico só CETENFolha 27.741.981 JO jornalístico sem CETENFolha 2.079.132 LE texto legal 1.111.864 LI literário 921.361 RE revista 153.786 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; anotado em 22 de Junho de 2013, v. 11.4 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 42914896 420723 Total de palavras 32461799 399763 Palavras em minúscula 22979887 157037 Palavras com inicial maiúscula 4793842 129622 Palavras todas em maiúsculas 307130 10458 Números 547547 3384 Palavras com números 44573 4818 Palavras mistas 90454 5318 Pontuação 2456806 20885 Número de unidades estruturais Atributo Número mwe 502759 p 825922 s 1977211 texto 349622 subtitulo 3767 assinatura 13 artigo 0 caixa 20722 situacao 5031 t 161179 a 80375 li 62279 Contabilização de multipalavras Número de entidades Número de unidades Nomes próprios 323412 3540365 Locuções 502759 1065298 Palavras gráficas 32461799 32461799 Palavras simples 27856136 27856136 Palavras 28682307 32461799 Distribuição por categoria gramatical Categoria gramatical Expressão de procura Número de palavras Percentagem do corpo Substantivos N|N[^U].* 7113650 25,54% Verbos V.* 4298530 15,43% Adjectivos ADJ.* 1842594 6,61% Pronomes pessoais .*PERS.* 469797 1,69% Preposições PRP.* 5298623 19,02% Conjunções K.* 1264416 4,54% Advérbios ADV.* 1455573 5,23% Determinantes .*DET.* 5520746 19,82% Especificadores .*SPEC.* 409265 1,47% Numerais NUM.* 949774 3,41% Para informação sobre como foram obtidos este valores, consulte esta página

[ Exemplos | Atomização | Anotação | Corpos | Agradecimentos ]