Corpora do Português para a Tese de Linguística: CRPC, CETEMPúblico e a Linguateca (2026)

Em Linguística, Tradução, Ensino do Português ou Ciências da Comunicação, muitas teses morrem num equívoco de partida: a ideia de que estudar o uso real da língua obriga a recolher textos à mão durante meses. Não obriga. O português europeu tem corpora públicos com centenas de milhões de palavras, já recolhidos, documentados e pesquisáveis online — e a maioria dos estudantes nunca ouviu falar deles.

Este guia mapeia os três nomes que uma tese com metodologia de corpus deve conhecer: o CRPC do Centro de Linguística da Universidade de Lisboa, o CETEMPúblico e a infraestrutura Linguateca que lhe dá acesso. Todos verificados diretamente nas páginas oficiais em agosto de 2026.

Porque usar um corpus existente

Um corpus construído pelo próprio estudante tem o mesmo problema de um questionário inventado de raiz: passa a ser ele próprio objeto de validação. Quantos textos chegam? De que géneros? Com que equilíbrio? Um corpus público resolve isso por herança — a composição está documentada, a comunidade científica já o usa, e os seus resultados tornam-se comparáveis com a literatura.

Além disso, a escala muda o que é possível perguntar. Fenómenos de baixa frequência (uma construção sintática rara, um neologismo, uma colocação específica) simplesmente não aparecem em corpora pequenos. Com centenas de milhões de palavras, aparecem — com contexto suficiente para análise. A lógica é a mesma que defendemos para dados sociais em o diretório de fontes de dados abertos: reutilizar bem vale mais do que recolher mal.

CRPC — o corpus de referência

O Corpus de Referência do Português Contemporâneo, do Centro de Linguística da Universidade de Lisboa (CLUL), é o corpus institucional do português: 311,4 milhões de palavras, abrangendo a variedade europeia e outras variedades (Brasil, Angola, Cabo Verde, Guiné-Bissau, Moçambique, São Tomé e Príncipe, Goa, Macau, Timor-Leste), com diferentes tipos de texto escrito — literário, jornalístico, técnico — e registos orais formais e informais.

Para a tese, os pontos operacionais, tal como constam da página oficial do CLUL:

• O subcorpus escrito (309 milhões de palavras) pesquisa-se online na plataforma CQPweb — concordâncias, frequências, distribuições por subcorpus.
• O subcorpus oral pesquisa-se na plataforma TEITOK.
• Subpartes do corpus estão disponíveis no catálogo ELRA, para quem precisa dos dados em bruto.
• O recurso tem identificador internacional próprio (ISLRN 151-982-545-991-0) — um sinal útil de que se cita um recurso formal, não uma página web qualquer.

É o ponto de partida por omissão para teses sobre o português europeu contemporâneo em geral: variação lexical, colocações, terminologia, comparação entre géneros textuais.

CETEMPúblico — 180 milhões de palavras de jornal

O CETEMPúblico (Corpus de Extractos de Textos Electrónicos MCT/Público) nasceu de um protocolo entre o Ministério da Ciência e da Tecnologia e o jornal PÚBLICO, assinado em abril de 2000, no âmbito do projeto que deu origem à Linguateca. São aproximadamente 180 milhões de palavras de português europeu em extratos de texto jornalístico.

Dois factos que a tese deve tratar com honestidade:

• É um corpus de um único género e de uma época definida. Texto jornalístico, de um único jornal, recolhido no final dos anos 1990 — a própria página de informações do corpus indica como última atualização novembro de 2008. Isso não o invalida: torna-o excelente para estudos do género jornalístico, da língua desse período, ou como termo de comparação diacrónica com dados atuais — e inadequado para afirmações sobre «o português de 2026».
• Tem duas vias de acesso: a pesquisa online através do serviço AC/DC da Linguateca, e o download integral mediante preenchimento de um formulário — raro em corpora desta dimensão, e valioso para quem quer processar os dados com as suas próprias ferramentas.

Linguateca e o serviço AC/DC

A Linguateca é a infraestrutura histórica de recursos para o processamento computacional do português. Para quem escreve uma tese, o seu serviço mais importante é o AC/DC («Acesso a Corpos / Disponibilização de Corpos»), que permite pesquisar vários corpora — incluindo o CETEMPúblico — com uma sintaxe de pesquisa comum: formas, lemas, classes gramaticais, contextos.

Nota prática de quem verificou as páginas: o site da Linguateca é tecnicamente antigo (usa frames), e a página inicial pode parecer vazia em alguns navegadores ou ferramentas — o conteúdo está lá, nas páginas interiores. Não confunda idade tecnológica com abandono do recurso: para a tese, o que conta é a documentação de cada corpus, que é detalhada.

Que corpus para que tese

• Variação e uso contemporâneo do português europeu — CRPC (CQPweb), pela diversidade de géneros e dimensão.
• Linguagem jornalística, discurso mediático, terminologia de imprensa — CETEMPúblico, assumindo o recorte temporal.
• Oralidade — o subcorpus oral do CRPC via TEITOK.
• Comparação entre variedades (Portugal/Brasil/PALOP) — o CRPC inclui outras variedades; a composição por variedade deve ser verificada na documentação antes de desenhar a comparação.
• Processamento próprio (scripts, modelos, medidas lexicais) — o download do CETEMPúblico ou as subpartes do CRPC no catálogo ELRA.

Seja qual for a escolha, aplique a grelha que usamos para qualquer dataset em como encontrar e avaliar dados abertos para a tese: composição documentada, cobertura temporal, licença e condições de reutilização. E se a análise vai ser de conteúdo e não de corpus — categorias interpretativas em vez de frequências — o enquadramento é outro: veja análise de conteúdo de Bardin para não misturar as duas tradições sem o declarar.

O que escrever na metodologia

Uma análise de corpus só é reprodutível se a metodologia registar quatro coisas, e é exatamente isto que os júris procuram: o corpus e a versão (com a dimensão declarada e a data de consulta); a expressão de pesquisa exata usada em cada consulta — a sintaxe do CQPweb ou do AC/DC copiada literalmente, porque «pesquisei a palavra X» não permite repetir nada; o número bruto de ocorrências devolvidas e os critérios com que filtrou (exclusão de duplicados, de ruído de anotação, de usos irrelevantes); e a unidade de análise (forma, lema, construção) com exemplos.

Duas armadilhas frequentes valem aviso. Frequências absolutas de corpora com dimensões diferentes não se comparam — normalize (por milhão de palavras) e diga que normalizou. E a anotação automática de classes gramaticais tem erros; se o seu fenómeno depende da anotação, verifique manualmente uma amostra das concordâncias e reporte essa verificação. São dois parágrafos na metodologia que separam uma tese de corpus séria de uma contagem ingénua.

Como citar um corpus

Um corpus cita-se como recurso científico, não como página web: nome completo do corpus, sigla, instituição responsável, dimensão e versão (quando documentada), plataforma de acesso e data de consulta. As condições de reutilização de cada corpus — o que pode reproduzir em anexo, o que exige menção específica — constam da documentação respetiva, e vale a pena guardá-las por escrito, pela mesma razão que explicámos a propósito de usar dados de terceiros na tese: a autorização que sustenta o método deve ser demonstrável.

Perguntas frequentes