Lista de Corpora do CorTec

O corpus de Culinária é um corpus comparável composto de 1.555 receitas originalmente escritas em português brasileiro e 2.076 em inglês britânico, coletadas da Internet de 2000 a 2004. Todas as categorias de receitas culinárias estão representadas neste corpus, sejam doces ou salgadas.

Culinária	Inglês	Português
Ocorrências/tokens	368.227	252.149
Formas/types	7.281	7.150
T/T ratio	1,98	2,84

Este corpus foi compilado por Elisa Duarte Teixeira.

2 - Corpus de Meio Ambiente - Ecoturismo Índice

O corpus de Meio Ambiente é composto por textos originais de conteúdo comparável em inglês e português sobre Ecoturismo, retirados de sites do governo, de entidades ambientalistas e de agências de turismo.

Ecoturismo	Inglês	Português
Ocorrências/tokens	201.826	200.887
Formas/types	10.009	17.938
T/T ratio	4,96	8,93

Este corpus foi compilado por Josimeire Martins.

3 - Corpus de Cardiologia - Hipertensão Índice

O Corpus é constituído de 126 textos em inglês e 125 em português sobre hipertensão. Há mais de 300.000 palavras em cada língua. Todos os textos são da tipologia "artigo" e foram coletados de periódicos e revistas brasileiros e americanos. Não há nenhum texto traduzido, pois todos foram criteriosamente selecionados por originalidade. A subárea hipertensão pertence ao domínio da Medicina. Entretanto, pode pertencer tanto a áreas como Cardiologia, Saúde Pública, etc.

Hipertensão	Inglês	Português
Ocorrências/tokens	453.475	356.718
Formas/types	17.808	22.000
T/T ratio	3,93	6,17

Este corpus foi compilado por Rosa Maria Caporrino Castanho e revisado por Luciana Latarini Ginezi.

4 - Corpus de Informática - Geral Índice

O Corpus de Informática foi compilado exclusivamente com textos de publicações na Internet, tanto em inglês quanto em português. Para sua confecção e melhor equilíbrio, foi primeiramente elaborada uma árvore de domínio da área. Embora nem todas as subáreas tenham sido contempladas - o que exigiria um corpus muito maior -, acreditamos que ele seja representativo, num corte sincrônico, da área geral de Tecnologia de Informação (TI).

Informática	Inglês	Português
Ocorrências/tokens	193.877	196.604
Formas/types	12.914	15.169
T/T ratio	6,66	7,72

Este corpus foi compilado por Guilherme Fromm.

5 - Corpus de Direito Contratual - Instrumentos Contratuais Índice

O Corpus de Direito Contratual é composto de 134 e 48 Instrumentos Contratuais escritos originalmente em português e em inglês, respectivamente. Para a seleção dos documentos, foi usado o conceito do que é contrato no direito brasileiro, assim, dentre os contratos que compõem o corpus estão:

Contratos de Compra e Venda
Contratos de Compra e Venda
Contratos de Prestação de Serviços
Contrato de Distribuição
Contratos de Locação
Contratos de Licença
Contratos de Fornecimento
Contratos Sociais
Contratos Bancários
Contratos de Empréstimo
Contratos de Franquia
Procurações
Pacto Antenupcial
Termos de Sigilo

Instrumentos Contratuais	Inglês	Português
Ocorrências/tokens	204.249	200.588
Formas/types	6.041	9.684
T/T ratio	2,96	4,83

Este corpus foi compilado por Luciana Carvalho Fonseca Corrêa Pinto.

6 - Corpus de Astronomia - Geral Índice

astronomia	Inglês	Português
Ocorrências/tokens
Formas/types
T/T ratio

Este corpus foi compilado por .

7 - Corpus de Insuficiência Renal - Geral Índice

O corpus compõe-se de 94 textos (45 em inglês e 49 em português), num total de 184.000 palavras ativas (80.000 das quais provêm dos textos em inglês). Os textos incluem artigos, capítulos de livros, resumos e abstracts. A seleção dos textos mereceu especial cuidado. Foram obtidos em revistas indexadas e reconhecidas internacionalmente, em edições recentes de textos consagrados de medicina interna, e em publicações destinadas à atualização clínica em Nefrologia. Um nefrologista orientou e supervisionou essa seleção.

Nota: Esse corpus possui abstracts em inglês, porém podem ter sido escritos por não nativos.

insuficiência	Inglês	Português
Ocorrências/tokens	200.125	188.691
Formas/types
T/T ratio

Este corpus foi compilado por Inácio Abdulkader, Dora Massari Reis, Teresa Cristina S. Hilst, Maria Lúcia S. Moraes.

8 - Corpus de Linguística - Geral Índice

O corpus é composto por textos acadêmicos, todos coletados da Internet. Procurou-se abranger todas as subáreas da Linguística num primeiro nível.

linguística	Inglês	Português
Ocorrências/tokens	1.921.811	1.309.967
Formas/types
T/T ratio

Este corpus foi compilado por Guilherme Fromm.

9 - Medidores Eletromagnéticos de Vazão - Geral Índice

medidores	Inglês	Português
Ocorrências/tokens
Formas/types
T/T ratio

Este corpus foi compilado por .

10 - Suplementos Nutricionais Índice

Este corpus é constituído de 133 textos em inglês e 110 em português sobre suplementos nutricionais que é uma subárea do domínio Nutrição. Os textos são constituídos da tipologia “artigo científico” e “informativo” e foram coletados pela internet através de sites americanos e brasileiros.

Nota: Esse corpus contém muitos textos relacionados a dietas de esportistas e dietas de emagrecimento.

suplementos	Inglês	Português
Ocorrências/tokens	155.348	126.652
Formas/types
T/T ratio

Este corpus foi compilado por .

11 - Computação - Hardware Índice

O corpus é composto por textos acadêmicos e de divulgação, todos coletados da Internet. Embora a maior parte seja na subárea de hardware, outras subáreas estão inclusas (contribuindo com uma quantidade menor de textos).

Nota: O corpus de informática contém textos de todas as áreas desta especialidade.

computação	Inglês	Português
Ocorrências/tokens	1.029.187	1.055.375
Formas/types
T/T ratio

Este corpus foi compilado por Guilherme Fromm.

12 - Café - Colheita e Processamento Índice

Este corpus é composto de textos técnicos, voltados para profissionais da cafeicultura, coletados da internet.

café	Inglês	Português
Ocorrências/tokens	102.379	100.274
Formas/types
T/T ratio

Este corpus foi compilado por Luciana Ginezi.

13 - Turismo Cultural - Geral Índice

É constituído de 945 textos, num total de 636.135 palavras, subdivididas em dois subcorpora: um de português, que conta com 427 textos (316.552 palavras) relativos às cidades do Rio de Janeiro, Salvador e São Paulo, e um de inglês britânico, com 518 textos (319.583 palavras) sobre as cidades de Edinburgh, Liverpool e Londres.

Os textos contemplam as seguintes categorias:
- acomodação
- feiras e exposições
- festivais
- informações gerais
- museus
- música
- teatro e musicais
- tours

Os tipos de textos são bastante diversificados para garantir maior variedade do vocabulário: empresariais, de revistas, jornais, sites do governo, agências de turismo, operadores turísticos, bem como de sistemas de reserva online e de sites turísticos informativos.

turismo	Inglês	Português
Ocorrências/tokens	319.583	316.552
Formas/types
T/T ratio

Este corpus foi compilado por Jeanette Lammel.

14 - Culinária 2 - Geral Índice

O corpus comparável de culinária tem cerca de 1,5 milhão de palavras em cada língua e foi coletado de 2004 a 2006. Os corpora contêm apenas receitas, mas em todas as categorias culinárias. São textos retirados da Internet e de cds de receitas. O corpus de inglês é majoritariamente britânico e a maioria das receitas provém de dois grandes sites (o que pode favorecer a repetição de certos padrões relacionados às particularidades desses sites) - isso é devido à dificuldade de se fazer a coleta em massa de receitas em inglês americano por causa das configurações de segurança desses sites.

Inglês: 1.696.454 palavras
Português: 1.573.591 palavras

culinaria2	Inglês	Português
Ocorrências/tokens
Formas/types
T/T ratio

Este corpus foi compilado por Elisa Duarte Teixeira.

15 - Prostodontia Índice

DESCRIÇÃO

prostodontia	Inglês	Português
Ocorrências/tokens
Formas/types
T/T ratio