Corpus em português de chats com multiplos usuários.

Esse corpus contém 1936 mensagens anotadas de chats no Gtalk e no site e-democracia. Os nomes dos usuários foram alterados para garantir a sua privacidade.

As mensagens foram anotadas em arquivos xml no formato:

< discussao > < titulo >< /titulo > < data></ data> < mensagem> < numero></ numero> < texto></ texto> < usuario></ usuario> < referenciaTreinamento></ referenciaTreinamento> </ mensagem>

Aonde os atributos titulo e data são informações do diálogo. E a mensagem tem como informações o número(ordem no diálogo), texto, nome do usuário que a enviou e referenciaTreinamento quando ela faz referencia a uma outra mensagem. O site http://edemocracia.camara.gov.br/ é um portal da camâra dos deputados que tem o objetivo de favorecer a comunicação entre a população e os deputados. Assim, ele conta com diversas comunidades que discutem assuntos referentes a legislação brasileira. A maioria dessas comunidades tem uma área de bate-papo aonde a população pode conversar entre si durante uma assembléia pública, podem também, enviar perguntas aos deputados. Os logs desses bate-papos estão disponíveis em XML ou HTML podendo ser anotados facilmente.