Lista bruta das frequências de palavras no Corpop Baixe aqui a wordlist completa do nosso NOVO corpus.
Ferramenta usada para geração da lista: AntConc
PARA REFERIR/CITAR A LISTA:
PASQUALINI (2018) - tese de doutorado Título: Corpop : um corpus de referência do português popular escrito do Brasil Autor: Pasqualini, Bianca Franco Orientador: Finatto, Maria José Bocorny Instituição: Universidade Federal do Rio Grande do Sul. Instituto de Letras. Programa de Pós-Graduação em Letras. Porto Alegre - RS - Brasil
O primeiro procedimento foi usar a lista das palavras mais frequentes do CorPop (os 10.695 types mais frequentes) por meio da ferramenta AntConc para, em seguida, lematizar essa lista, ou seja, fazer com que as palavras ficassem em sua forma pura ou lema. Por exemplo, verbos ficaram em sua forma infinitiva, adjetivos e substantivos em sua forma singular masculina e sem flexão de grau e advérbios ficaram sem flexão de grau.
Essa lista lematizada também passou por uma etapa de limpeza e revisão, que consistiu em:
- Retirar todos os nomes próprios.
- Retirar nomes de cidades, países e localidades.
- Retirar preposições.
- Retirar pronomes pessoais.
- Retirar advérbios comuns, como "sim", "não", "mal", "nem".
- Retirar artigos definidos e indefinidos.
- Retirar pronomes demonstrativos.
- Retirar interjeições.
- Retirar meses do ano e dias da semana.
- Retirar prefixos soltos (pré, pós, etc.)
- Retirar siglas.
- Retirar numerais cardinais e ordinais.
- Retirar algumas palavras e/ou regionalismos presentes um só texto do corpus, como "cafua", "volitar", "períspirito", mesmo que com mais de 4 ocorrências.
O próximo passo foi levar a lista lematizada e corrigida de volta ao AntConc para refazer a lista, agora somente com os lemas. Dos mais de 10 mil types iniciais, ficamos agora com 5.229.
