Artigo de periodico

Building Carolina: metadata for provenance and typology in a corpus of contemporary Brazilian Portuguese (2025)

• Authors:
  • Finger, Marcelo
  • Sousa, Maria Clara Paixão de
  • Namiuti, Cristiane
  • Monte, Vanessa Martins do
  • Costa, Aline Silva
  • Serras, Felipe Ribas
  • Sturzeneker, Mariana Lourenço
  • Carpi, Miguel de Mello
  • Palma, Mayara Feliciano
  • Lachi, Gabriela Alves
• USP affiliated authors: FINGER, MARCELO - IME ; SOUSA, MARIA CLARA PAIXAO DE - FFLCH ; MONTE, VANESSA MARTINS DO - FFLCH ; PALMA, MAYARA FELICIANO - FFLCH ; LACHI, GABRIELA ALVES - FFLCH ; SERRAS, FELIPE RIBAS - IME ; STURZENEKER, MARIANA LOURENÇO - FFLCH ; CARPI, MIGUEL DE MELLO - IME
• Unidades: IME; FFLCH
• DOI: 10.25189/2675-4916.2025.v6.n4.id812
• Assunto: COMPUTAÇÃO APLICADA
• Keywords: Brazilian Portuguese; Open Corpus; WaC; Typology; Provenance; WaC-wiPT; Português do Brasil; Corpus Aberto; WaC; Tipologia; Proveniência
• Agências de fomento:
  • Financiamento FAPESP
  • Financiamento IBM Corporation
  • Financiamento CAPES
  • Financiamento Ministry of Science, Technology and Innovation
  • Financiamento CNPq
  • Financiamento FAPESB
  • Financiamento FUSP
  • Financiamento PUB-USP
• Language: Inglês
• Abstract: Este artigo apresenta os desafios da construção do CAROLINA, um grande corpus aberto de textos em português brasileiro em desenvolvimento desde 2020 que usa a metodologia ‘Web as Corpus’ aprimorada com preocupações de proveniência e tipologia (WaC-wiPT). O corpus pretende ser utilizado tanto como fonte confiável para pesquisas em Linguística quanto como importante recurso para pesquisas em Ciência da Computação sobre modelos de linguagem. Acima de tudo, este esforço visa retirar o português do conjunto das línguas de poucos recursos. Este artigo detalha a metodologia de construção do CAROLINA, com especial atenção ao problema da descrição de tipologia e proveniência segundo padrões internacionais; descrevemos também brevemente a sua relação com outros corpora existentes, seu estado atual de desenvolvimento e seus rumos futuros.
• Imprenta:
  • Publisher place: Campinas
  • Date published: 2025
• Source:
  • Título: Cadernos de Linguística
  • ISSN: 2675-4916
  • Volume/Número/Paginação/Ano: v. 6, n. 4, artigo n. e812, p. 1-24, 2025

Informações sobre o DOI: 10.25189/2675-4916.2025.v6.n4.id812 (Fonte: oaDOI API)
• Este periódico é de acesso aberto
• Este artigo NÃO é de acesso aberto
  

---

Download do texto completo

Tipo	Nome	Link
	3284620_-_Building_Caroli...

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  FINGER, Marcelo et al. Building Carolina: metadata for provenance and typology in a corpus of contemporary Brazilian Portuguese. Cadernos de Linguística, v. 6, n. artigo e812, p. 1-24, 2025Tradução . . Disponível em: https://doi.org/10.25189/2675-4916.2025.v6.n4.id812. Acesso em: 13 fev. 2026.

• APA

  Finger, M., Sousa, M. C. P. de, Namiuti, C., Monte, V. M. do, Costa, A. S., Serras, F. R., et al. (2025). Building Carolina: metadata for provenance and typology in a corpus of contemporary Brazilian Portuguese. Cadernos de Linguística, 6( artigo e812), 1-24. doi:10.25189/2675-4916.2025.v6.n4.id812

• NLM

  Finger M, Sousa MCP de, Namiuti C, Monte VM do, Costa AS, Serras FR, Sturzeneker ML, Carpi M de M, Palma MF, Lachi GA. Building Carolina: metadata for provenance and typology in a corpus of contemporary Brazilian Portuguese [Internet]. Cadernos de Linguística. 2025 ; 6( artigo e812): 1-24.[citado 2026 fev. 13 ] Available from: https://doi.org/10.25189/2675-4916.2025.v6.n4.id812

• Vancouver

  Finger M, Sousa MCP de, Namiuti C, Monte VM do, Costa AS, Serras FR, Sturzeneker ML, Carpi M de M, Palma MF, Lachi GA. Building Carolina: metadata for provenance and typology in a corpus of contemporary Brazilian Portuguese [Internet]. Cadernos de Linguística. 2025 ; 6( artigo e812): 1-24.[citado 2026 fev. 13 ] Available from: https://doi.org/10.25189/2675-4916.2025.v6.n4.id812

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Exploring computational discernibility of discourse domains in brazilian portuguese within the Carolina corpus
• Analysing and validating language complexity metrics across South American indigenous languages
• Por uma filologia virtual: o caso das atas da Câmara de São Paulo (1562-1596)
• verBERT: automating brazilian case law document multi-label categorization using BERT
• DHandES - First Workshop on Digital Humanities and e-Science: preface
• "e declarou que ela não tinha senão natura de mulher": edição digital e análise paleográfica de dois processos inquisitoriais portugueses de sodomia homoerótica feminina do século XVI
• Algoritmos baseados em atenção neural para a automação da classicação multirrótulo de acórdãos jurídicos 
• As formas de tratamento em documentos paulistas do século XVIII
• As Cartas Marienses (1935-1995) compõem o volume 4 da coleção Cartas Brasileiras ... [Orelha]
• Documentos setecentistas: edição semidiplomática e tratamento das sibilantes