c - Repositório Aberto da Universidade do Porto

40 ♦ LER E ESCREVER EM PORTUGUÊS EUROPEU - VOL. I
encontram em formato informático. A constituição dos 14 corpora foi feita
com base em três tipos de material: material escrito, material falado, ou
material escrito e falado. Nos seis primeiros corpora do Quadro 3, as
palavras foram extraídas de material escrito como jornais, textos e revistas.
Todos eles contêm um número elevado de palavras. No entanto, à excepção
do corpus NATURA-PÚBLICO Etiquetado, todas as bases incluem formas
de palavras repetidas. Os corpora 7 a 13 foram obtidos a partir de material
verbal falado, como entrevistas ou discursos. O último corpus - Corpus de
Referência do Português Contemporâneo - é o único que foi feito a partir de
material escrito e falado. Todos estes incluem formas de palavras repetidas.
De notar ainda que, em cada corpus, o leque de anotação é relativamente
restrito. Nem sempre é dada indicação sobre o tipo de informação que
incluem {corpora 5, 7, 9, 10, 12 do Quadro 3). Para os outros, a informação
disponível para além da ortográfica é ou a transcrição fonética, ou a
informação morfossintáctica, ou a informação sintáctica. Nenhum dos
corpora continha, até 1996, informação de frequência ou outro tipo de
elementos mais específicos do género dos encontrados no Brulex ou no
CELEX.
Resumindo, apesar de existirem corpora de palavras para o Português
Europeu, alguns dos quais com uma extensão considerável, a verdade é que
estes contêm um número muito reduzido de anotações sobre as suas
entradas. Situação que aliás se mantém hoje (Janeiro de 2001), de acordo
com o catálogo de recursos fornecido no âmbito do projecto Processamento