Córpus

O Dicionário Histórico de Termos da Biologia é inteiramente baseado num córpus formado por textos científicos publicados em língua portuguesa. Esse córpus (assim como o próprio dicionário) está em contínua atualização (cf. “Política de disponibilização dos dados”) e disponível integralmente (no repositório GitHub), por ser constituído apenas por textos em domínio público.

Optou-se por, inicialmente, incluir no córpus apenas textos do século XVIII (por ser este um momento histórico altamente significativo no desenvolvimento da Ciência, especialmente em língua portuguesa); posteriormente, pretende-se incluir outros períodos históricos (tanto anteriores quanto posteriores).

Os textos que compõem o córpus (cf. “Textos que compõem o córpus”, abaixo) estão disponibilizados em formato .xml (cf. “Política de disponibilização dos dados”), com as etiquetas descritas abaixo; o script que extrai as informações dos textos (cf. “Estrutura computacional”) também disponível no repositório GitHub.

Textos que compõem o córpus:

Os textos que integram o córpus podem ser encontrados nos links abaixo. O córpus transcrito em formato .xml está disponível no repositório GitHub (cf. “Política de disponibilização dos dados”).

• BROTERO, Félix de Avelar. Compendio de Botanica. Vol. 1. Paris: Vende-se em Lisboa, em caza de Paulo Martin, Mercador de Livros, 1788.

• SANTUCCI, Bernardo. Anatomia do corpo humano. Lisboa: na Officina de Antonio Pedrozo Galram, 1739.

• SEMEDO, João Curvo. Observaçoens Medicas Doutrinaes. Lisboa: na Officina de Antonio Pedrozo Galram, 1707.

• VANDELLI, Domingos. Diccionario dos termos technicos de Historia Natural. Coimbra: na Real Officina da Universidade, 1788.

Formatação do córpus

Os textos que compõem o córpus estão sendo etiquetados com o emprego de etiquetas XML (também chamados de “elementos XML”) que seguem o padrão Text Encoding Initiative). Os arquivos com a extensão .xml, bem como o arquivo RELAX-NG (tei_dhtb.rng) que contém as instruções para o emprego das etiquetas, estão disponíveis no repositório GitHub (cf. “Política de disponibilização dos dados”).

Dentro do elemento TeiHeader de cada arquivo estão descritos os critérios de transcrição e de uso dos elementos TEI-XML. Os principais elementos empregados são os seguintes:

• text - Contém toda a parte textual de cada obra transcrita; é dividido em front (que contém a página de rosto e outros elementos pré-textuais), body (que contém o texto propriamente dito) e back (que contém índices e outros elementos pós-textuais);

• div - Indica subdivisões no texto, como partes, capítulos e subcapítulos;

• p - Delimita parágrafos;

• s - Delimita sentenças;

• entry - Delimita verbetes de dicionários (no caso das obras que são ou contêm dicionários, como a obra de Vandelli ou o segundo volume do Compendio de Botanica de Brotero). Dentro de cada verbete, o elemento form marca a palavra-entrada e o elemento sense indica o equivalente ou a explicação;

• term - Etiqueta que marca os termos que integram a nomenclatura do dicionário; pode vir acompanhada dos atributos lemma (lema), norm (forma ortográfica atualizada), msd (descrição morfossintática, como “plural” ou “feminino”) e senseNumber (número da acepção);

• w - Etiqueta empregada para o registro de informações (inseridas como atributos) sobre palavras diversas do texto, mas que não são termos e não constam da nomenclatura do dicionário;

• note - Elemento que delimita notas de rodapé ou de margem de página;

• foreign - Indica que a palavra ou o trecho delimitado está numa língua diferente da portuguesa; o atributo xml:lang indica que língua é essa;

• pb - Elemento vazio que indica quebra de página da obra; o número da página que se inicia a partir desta marca é indicado no atributo n.