Le corpus anglais d’écrits scientifiques a été élaboré par l’équipe de recherche LiCoRN à l’Université de Bretagne-Sud. Il se compose de 8945 textes scientifiques, totalisant environ 33 millions d’occurrences. Ces textes sont issus de 136 revues scientifiques publiées en ligne par la maison d’édition indépendante BioMed Central. Les textes, et le corpus construit à partir d’eux, sont accessibles librement, c’est-à-dire gratuitement et exempt de droits d’auteur. Les revues que publie BioMed Central sont de bonne qualité ; l’évaluation des articles opérée par des spécialistes du domaine scientifique concerné garantissant la qualité des revues.
Une seule famille de discipline est représentée dans le corpus : les sciences expérimentales avec les domaines de la biologie et de la médecine, couvrant soixante-deux thématiques (bioinformatique, génomique, génétique, …). Le corpus est légèrement déséquilibré en faveur du domaine de la médecine. En revanche, la distribution des sous-genres est très inégale. Les articles scientifiques et les communications écrites couvrent plus de 90% des textes, et ce quel que soit le domaine.
Comme pour le corpus français, la structure textuelle a été annotée en conformité avec les normes de la TEI (XML-TEI P5), permettant de fournir des informations sur le sujet et sur le genre textuel concerné. Les thématiques de recherche (Biochemistry, Blood disorders, Cancer, Cell biology, …) tout comme le genre (survey, debate, database, report, short paper, …) ont été encodée dans les en-têtes TEI. Des informations supplémentaires sur les sujets traités ont été ajoutées automatiquement, dans la mesure où elles ne figuraient pas dans l’annotation XML originelle. Soixante-deux thèmes de recherche sont représentés dans le corpus, à partir des deux domaines concernés, la biologie et la recherche médicale. Les domaines de recherche les mieux représentés en termes de fréquence sont les suivants : Medical Genomics, Genomics, Bioinformatics, Genetics, et Women’s Health. Medical Genomics vient en tête avec 1466 textes, Genomics comprend 1213 textes, et Bioinformatics totalise 1074 textes.