Wordlists/nl

Woordenlijst van de Nederlandse Taal

Sinds 1804 wordt de Nederlandse spelling bepaald door de overheid. Dit omvat standaardprincipes en specifieke regels, zoals de spelling van klinkers en medeklinkers, het gebruik van hoofdletters en tekens (accenten, koppeltekens, interpunctietekens en apostrofs), de spelling van samenstellingen met een midden klank en de scheiding van woorden in lettergrepen. Daarnaast publiceert de overheid een lijst van woorden die zijn gespeld volgens de regels en anderen die moeilijk af te leiden zijn uit de regels, bijvoorbeeld woorden die we overnemen uit andere talen.

Aan het einde van 2015 bestond de Woordenlijst van de Nederlandse Taal uit meer dan 180.000 trefwoorden. In de online versie van de Woordenlijst (woordenlijst.org) kunnen deze woorden allemaal worden gevonden, met bijgevoegde data over bijv. woordafbrekingen en vervoegingen.

• Woordenlijst.org

Subtlex NL

SUBTLEX-NL is een database van Nederlandse woordfrequenties gebaseerd op 44 miljoen woorden uit film-en televisieondertitels.

• Project pagina
• Download pagina
• Reference: Keuleers, E., Brysbaert, M. & New, B. (2010). SUBTLEX-NL: A new frequency measure for Dutch words based on film subtitles. Behavior Research Methods, 42(3), 643-650.

CombiLex

CombiLex is een lijst van woorden en woordvormen zonder toegevoegde taalkundige informatie. De woordenlijst is gebaseerd op drie bronnen: BWNT05, e-Lex 1.0, RBN 2.0. Het aantal (uniek gesorteerde) lemma's in CombiLex is ruim 213.000. Het totale aantal van lemma's en woordvormen is 442.508.

• Documentatie
• Download pagina

INT Historische Woordenlijst

De INT Historische Woordenlijst bestaat uit 2 lijsten met ieder ca. 500.000 historische woordvormen ten behoeve van OCR en OCR-postcorrectie, voor de periode ca. 1550 - ca. 1970.

• Project informatie
• Download pagina
• Evaluatiepaper

CHN N-grams

N-grammen zijn reeksen opeenvolgende woorden uit lopende teksten. De n-grammen in dit product zijn afkomstig uit het Corpus Hedendaags Nederlands (CHN), een groot corpus van voornamelijk hedendaagse kranten, tijdschriften, journaaluitzendingen en juridisch materiaal.

CHN N-grams bevat n-grammen met reeksen van één, twee en drie opeenvolgende woorden, met de bijbehorende absolute frequentie.

• Versie 1.0 (2019)
• Download pagina

Middle Dutch syllabified words

Deze woordenlijst bevat 43.710 gesyllabificeerde Middelnederlandse woorden. Dit is het totaal aantal unieke woorden uit het corpus van Van Reenen-Mulder. Dit corpus, gecreëerd door Pieter van Reenen en Maaike Mulder aan de Vrije Universiteit Amsterdam bevat ongeveer 2.500 Middelnederlandse oorkonden. Het heeft ongeveer 750,000 tokens. De oorkonden werden geschreven in het Nederlands en het Vlaams tussen 1300 en 1400.

• Download pagina

RND Woordenlijsten

RND Woordenlijsten bevat de digitalisatie van een reeks specifieke woorden uit de Reeks Nederlandse Dialectatlassen. De Reeks Nederlandse Dialectatlassen (RND) is een serie boeken, uitgegeven tussen 1925 en 1976, met daarin de fonetische transcripties van een vast aantal zinnen. Daarbij is de uitspraak vastgelegd van zegslieden uit een groot aantal dorpen en steden in Nederland en Vlaanderen. De volledige inhoud van die boeken is te vinden bij de Universiteit van Gent.

• Versie 1.1 (2021)
• Documentatie (in Dutch)
• Download pagina

Cognaten NL-EN-FR

Gold Standard for Cognate Pairs in English-Dutch and French-Dutch. Reference: Labat, S. and Lefever, E. (2020). Gold Standard for Cognate Pairs in English-Dutch and French-Dutch. LT3, Ghent University, 1.0, ISLRN 288-099-424-255-6

• Website
• Download

Basiswoordenlijst Amsterdamse Kleuters

The Basic Wordlist Amsterdam Toddlers consists of 3000 words: 2000 basic words and 1000 extension words. The wordlist is split up in words for group 1 and words for group 2.

• Website