https://github.com/fflch/cortec
CorTec - Corpus Técnico-Científico - é um corpus comparável de textos técnicos e/ou científicos
https://github.com/fflch/cortec
Last synced: about 1 year ago
JSON representation
CorTec - Corpus Técnico-Científico - é um corpus comparável de textos técnicos e/ou científicos
- Host: GitHub
- URL: https://github.com/fflch/cortec
- Owner: fflch
- Created: 2018-09-10T16:37:05.000Z (almost 8 years ago)
- Default Branch: master
- Last Pushed: 2021-06-01T19:44:47.000Z (about 5 years ago)
- Last Synced: 2025-04-13T08:11:55.210Z (about 1 year ago)
- Language: PHP
- Size: 2.59 MB
- Stars: 1
- Watchers: 4
- Forks: 5
- Open Issues: 0
-
Metadata Files:
- Readme: readme.md
Awesome Lists containing this project
README
## CorTec
O CorTec - Corpus Técnico-Científico - é um corpus comparável de textos técnicos e/ou científicos, originalmente escritos em português brasileiro e em inglês. Esse corpus é constituído por corpora compilados por alunos do extinto Curso de Especialização em Tradução e por pós-graduandos do programa de Estudos Linguísticos e Literários em Inglês, que os construíram para suas pesquisas. Sempre que possível, novos corpora são acrescentados.
A primeira versão do CorTec, lançada em setembro de 2005, teve o apoio financeiro do CNPq, processo no. 403120-03-9 e foi construída e implementada junto ao projeto CoMET em parceria com o NILC (Núcleo Interinstitucional de Lingüística Computacional), localizado no ICMC da USP de São Carlos, e o Projeto Lácio-Web.
A interface original e todas as ferramentas de pesquisa foram desenvolvidas e adaptadas para o Cortec por Marcos Felipe Tonelli de Carvalho, sob a coordenação da Profa. Dra. Sandra Maria Aluísio.
O CorTec conta atualmente com mais de 20 corpora, dos mais variados domínios. O tamanho de cada corpus varia segundo sua especificidade. Assim, o corpus de Magnéticos de Vazão tem xxx palavras em português e xxxx em inglês, enquanto o de Culinária conta com mais de um milhão de palavras em cada língua.
Clicando-se sobre o nome do corpus abre-se uma janela com detalhes sobre sua autoria, composição, número de palavras distintas (types) e ocorrências (tokens).
### Funcionalidades
**Funcionalidades abertas:**
- Listagem de categorias de corporas e corporas.
- Descrição de categorias de corporas e corporas.
- Tabela com resumo analítico de cada corpora, com:
- quantidade de ocorrências/tokens;
- quantidade de formas/types;
- token/type ratio.
- Análise de texto:
- Seleção de corporas e/ou categorias.
- Seleção de idioma.
- Seleção de ferramenta de análise de texto (Concordanciador, Gerador de Lista de Palavras, Gerador de N-Gramas).
- **Concordanciador**:
- Busca de termo nos corporas selecionados com os parâmetros:
- igual a, começando com, terminando com ou contendo;
- tamanho do contexto reduzido a ser exibido na listagem: 20, 30, 40, 50 ou 60 caracteres.
- Compilação das ocorrências do termo encontradas com o respectivo contexto ajustado para o tamanho escolhido.
- Opção para download
- Compilação das ocorrências do termo encontradas com o respectivo contexto ampliado (150 caracteres).
- Opção para download
- **Gerador de Lista de Palavras**:
- Tabela com todos os types dos corporas selecionados e os respectivos números de ocorrência (frequência).
- Opção de ordenar a tabela por type (alfabética) e por frequência (nº de ocorrências);
- Busca na tabela por type;
- Opção de download da tabela.
- Tabela de Tokens com: o total de ocorrências, quantidade de tokens que aparecem uma vez e que aparecem mais de uma vez.
- Tabela de Types com: o total de palavras, quantidade de types que aparecem uma vez e que aparecem mais de uma vez.
- Índice Vocabular (token/type ratio).
- **Gerador de N-Gramas**
- Compilação do n-gramas de acordo com os parâmetros:
- tamanho dos n-gramas, Stoplist (padrão ou inserir uma), limite mínimo.
**Funcionalidades administrativas:**
- CRUD de Categorias.
- CRUD de Corpora.
- CRUD de Corpus.
- Opção de digitar ou subir arquivo .txt.