o corpus do português

O Corpus do Português que foi lançado en 2016 (Web / Dialetos: CdP:Novo) contém uma base de dados com mil milhão de palavras, ou seja 50 vezes mais palavras do que o Corpus de Português anterior (Histórico / Géneros: CdP:Antigo), que continha 1900 palavras. Como resultado, providencia uma base de dados muito mais rica ao usuário e com uma maior variedade também.

Léxico

Existem 282 verbos com uma frequência de lemas entre 300 e 600 no CdP:Novo, que também existem em pelo menos dois dos três dicionários on-line que usamos para corrigir as listas de lemas. O gráfico abaixo mostra quantas vezes estes mesmos verbos aparecem no CdP:Antigo. Dos 282 verbos no CdP:Novo, (cerca de 42%) têm 10 ocorrências ou menos no CdP:Antigo, o que realmente não é o suficiente para examinar os verbos. E apenas 33 dos 282 (cerca de 12%) têm 50 ocorrências ou mais.

Semântica

Sem ocorrências suficientes para uma determinada palavra é impossível analisar os colocados (palavras vizinhas) para se dizer muito sobre o significado e o uso de uma palavra. Por exemplo escolhemos (quase ao acaso) um verbo, substantivo, adjetivo e advérbio do CdP:Novo, para mostrar quantos colocados diferentes ocorrerem para tal palavra (pelo menos três vezes como lema, entre quatro palavras para a esquerda e quatro palavras para a direita da palavra nodulo) no CdP: Novo e CdP: Antigo. (Pode ser necessário reiniciar manualmente o valor SEÇÃO 1 para o seculo XX para que o CdP: Antigo obtenha a contagem correta.) Como podemos ver o CdP: Novo fornece dados muito melhores para examinar o significado e uso das palavras.

Sintaxe

Ao ser 50 vezes maior que a seção do seculo XX no CdP:Antigo, o CdP:Novo oferece muito mais resultados para construções sintáticas de menor frequência. O seguinte gráfico mostra o número de ocorrências nos dois corpus para várias construções diferentes. (Pode ser necessário reiniciar manualmente o valor SEÇÃO 1 para o seculo XX para que o CdP: Antigo obtenha a contagem correta.)