c - Repositório Aberto da Universidade do Porto

PORLEX: UMA BASE LEXICAL INFORMATIZADA DO PORTUGUÊS EUROPEU ♦ 41
Computacional do Português (www.oslo.sintef.no/portug/corpora.html, 22
de Janeiro de 2001). Por isso, sai reforçada a nossa convicção na
necessidade de uma base lexical para o Português Europeu nos moldes do
Brulex e do CELEX. Nasce, assim, o Porlex.
Q uadro 3 - Bases lexicais para o Português, respectiva extensão e tipo de
informação disponível (a partir de Nascimento et ai.. 1996)
í Nome (Resp. & Afiliação) Conteúdo em Palavras' Anotação/Transcrição
NATURA-PÚBLICO (Almeida,
UM)*
ca 6 milhões
Ortográfica
NATURA-PÚBLICO-Etiquetado ca 4.000
(Almeida, UM)*
COPUSINESC (Santos, 14.873 (em 1.000 frases)
INESC)*
CIPM - Corpus Informatizado de Séc. XIII (154.122), XIV
Português Medieval (Equipa do (244.775), XV (223 095)
DEL 2 , FCSH - UNL)*
Moda 60-90 (Carvalho)*
Textos metalinguísticos
portugueses do século XVI
(Paiva, FLUP)*
Astro (Neto, CLUL)**
PF-FONE (Viana, d'Andrade,
CLUL)**
9 PROPER-(PE) (Andrade,
CLUL)**
10 RED-I (Andrade, CLUL)**
14 Corpus de Referência do
Português Contemporâneo
(Casteleiro, Nascimento,
CLUL)***
700.000
65.730
560.000
26.000
Material de fala e dados
perceptivos
Palavras e frases
Morfossintáctica
Classe gramatical
Morfossintáctica
(etiquetagem)
Linguística e
metalinguística
Ortográfica, fonética
larga (incl. silabific.) e
fonética estreita
11 EUROM. 1 Português (Trancoso, 6.500 números, 2.200
INESC, CLUL, PT)**
frases, 1.260 palavras
Ortográfica e fonética
larga
12 BDFALA (Trancoso, Viana, Logátomos, palavras
INESC, CLUL)**
isoladas, frases, textos
recolhidos em 10 falantes
13 ONOMÁSTICA (Trancoso,
INESC, CLUL)**
100.000 (nomes próprios,
siglas e acrónimos)
Ortográfica e fonética
larga (incl. silabifíc.)
45 milhões Morfossintáctica e
sintáctica
Note, Os campos com hífen (-) indicam que a informação não está disponível. O asterisco é
usado para indicar a fonte (oral vs. escrito) do corpus. Assim, * é usado para fonte escrita
** para oral, *** para oral e escrito.
'Os valores apresentados incluem formas de palavras repetidas (wordtokens), à excepção
dos corpora 2 e 11. 'DEL = Departamento de Estudos Linguísticos.