Export translations

Settings

Group

Language

Format

Export for off-line translation

Export in native format

Export in CSV format

{{DISPLAYTITLE:Andere corpora}}<languages/>

==CLiPS Stylometry Investigation (CSI) Corpus==

Het CSI-corpus is een jaarlijks uitgebreid corpus van studententeksten in twee genres: essays en reviews. Het doel van dit corpus is vooral stylometrisch onderzoek, maar andere toepassingen zijn ook mogelijk. Er is een grote hoeveelheid metadata beschikbaar, zowel over de auteur (gender, leeftijd, seksuele oriëntatie, regio van herkomst, persoonlijkheidsprofiel), als ook over het document (tijdsvermelding, genre, waarheidsgetrouwheid, sentiment, cijfer). De huidige versie van het corpus is samengesteld in februari 2016. Eerdere versies van het corpus zijn per e-mail op te vragen bij de auteurs.

* [https://zenodo.org/record/4639616#.Ya4sX9DMLZR Downloadpagina]

==CONDIV-corpus==
Het CONDIV-corpus is een elektronisch toegankelijke, regionaal, stilistisch en diachroon gecontroleerde materiaalverzameling van ongeveer 47.000.000 woorden geschreven Nederlands, die speciaal ten behoeve van het CONDIV-project ontwikkeld werd. Om toegang te krijgen tot de data, dient u contact op te nemen met [https://www.kuleuven.be/wieiswie/nl/person/00013279 Dirk Speelman van de KU Leuven]

* [https://neon.niederlandistik.fu-berlin.de/static/digitaal/digitaal-11.html Corpuswebsite]

==COREA-coreferentiecorpus==
Het COREA-coreferentiecorpus (circa 150.000 woorden) bestaat uit Nederlandse teksten waarin coreferentierelaties systematisch gemarkeerd zijn. De teksten bestaan uit krantenartikelen (D-Coi), getranscribeerde spraak (CGN) en lemma's uit de Spectrum (Winkler Prins) Medische Encyclopedie.

*Versie 1.0.1 (2014)
*[https://taalmaterialen.ivdnt.org/wp-content/uploads/documentatie/corea_lrec08_en.pdf Paper]
*[http://hdl.handle.net/10032/tm-a2-f9 Downloadpagina]

==D-Tuna-corpus==
Het D-TUNA-corpus bestaat uit 2.400 geschreven en (getranscribeerde) gesproken referentiële expressies. De semantische annotatie van alle expressies (xml-formaat) maakt het corpus bruikbaar als input voor taalgeneratiesystemen. De samenstelling van het D-TUNA-corpus is geïnspireerd op het Engelse TUNA Corpus.

*versie 1.0 (2009)
*[https://taalmaterialen.ivdnt.org/wp-content/uploads/documentatie/dtuna_documentatie_en.pdf Paper]
*[http://hdl.handle.net/10032/tm-a2-k5 Downloadpagina]

==DBRD==
De DBRD (uitgesproken als 'dee-bird') dataset bevat meer dan 110.000 boekreviews, waarvan 22.000 met bijbehorende binaire sentimentpolariteitslabels. De dataset is bedoeld als een benchmark voor sentimentclassificatie in het Nederlands. De dataset kan worden gebruikt om een model te trainen voor sequentiemodellering, in het specifiek taalmodellering en daarnaast kan de data worden gebruikt om een model te trainen voor tekstclassificatie, in het bijzonder sentimentclassificatie, met gebruik van de aangeboden positieve/negatieve sentimentpolariteitslabels.

*[https://benjaminvdb.github.io/DBRD/ Homepagina]
*[https://github.com/benjaminvdb/DBRD GitHub]

==deLearyous==
De deLearyous dataset is een Nederlands (Vlaamse) dataset voor emotieclassificatie volgens het framework van Leary's Rose, beter bekend als het Interpersonal Circumplex. De dataset bestaat uit 11 gesprekken die zijn geannoteerd op zinsniveau met hun positie op Leary's Rose, in functie van de twee kenmerkende dimensies: 'dominantie', en 'affiniteit'.

* [https://zenodo.org/record/4643731#.YgKUSurMLZR Downloadpagina]

==Dutch Idiom Database: Native Speakers (DID-NS)==

Een database met beoordelingen van 390 moedertaalsprekers van 374 Nederlandse uitdrukkingen. In een online onderzoek hebben de deelnemers de idiomatsche uitdrukkingen beoordeeld op een aantal aspecten: frequentie, gebruik, bekendheid, voorstelbaarheid en transparantie. Ook is onderzocht of ze de juiste betekenis van de uitdrukkingen kenden.

* Versie 1.0 (2018)
*[https://taalmaterialen.ivdnt.org/wp-content/uploads/documentatie/Methodology.pdf Methodologie]
*[http://hdl.handle.net/10032/tm-a2-r7 Downloadpagina]

==NAMES Corpus ==

Het NAMES Corpus bevat een verzameling van 189.707 voornamen (61,9 miljoen tokens) en 562.676 achternamen (54,6 miljoen tokens) zoals gevonden in 19de-eeuwse geboorte-, huwelijks- en overlijdensakten (toegankelijk via wiewaswie.nl in de versie van 2011). Het is een resultaat van het CLARIAH-project 'NAMES' dat als doel had naamstandaarden te ontwikkelen voor het beheersen van variaties in persoonsnamen. De clustering van namen onder een standaard is gebaseerd op bestaande kennis van varianten en op spellingsovereenkomst. Er is gebruikgemaakt van zowel automatische als handmatige gegevensverwerking. Praktische bruikbaarheid van een standaard (met verschillende kwaliteitsniveaus) had de voorkeur boven een etymologisch verantwoorde afleiding die vaak niet te maken is.

* Versie 1.1 (2020)
*[http://hdl.handle.net/10032/tm-a2-r6 Downloadpagina]
*[https://taalmaterialen.ivdnt.org/wp-content/uploads/documentatie/NAMES-corpus-1.1-manual.pdf Documentatie]

==Personae Corpus==
Het Personae-corpus is verzameld voor experimenten i.v.m. auteurschaptoekenning en persoonlijkheidsvoorspelling. Het bestaat uit 145 Nederlandstalige essays, geschreven door 145 verschillende studenten (BA in taalkunde en literatuur aan de Universiteit van Antwerpen, België). Elke student deed ook een online MBTI-persoonlijkheidstest, wat persoonlijkheidsvoorspellingsexperimenten mogelijk maakt. Het corpus is gecontroleerd op onderwerp, register, genre, leeftijd, en opleidingsniveau. De originele teksten, een syntactisch geannoteerde versie van de teksten en de metadata zijn beschikbaar.

*[https://zenodo.org/record/4643756#.Yl6GBehBzZQ Downloadpagina]

==JASMIN-BLISS-Negation==
Een corpusvoorbeeld van Nederlandse mens-machinedialogen, geannoteerde met ontkenningssignalen.

*[https://github.com/LanguageMachines/JASMIN-BLISS-Negation Webpagina]

== Multimodal ABEA ==
Multimodale dataset die kan worden gebruikt binnen de context van aspectgebaseerde sentiment-en emotieherkenning. De dataset bestaat uit 4.900 opmerkingen op 175 afbeeldingen op de Adidas Instagram-pagina en is geannoteerd met zowel aspect als emotielabels.

*[https://lt3.ugent.be/resources/multimodal-abea/ Informatiepagina]
*[https://lt3.ugent.be/media/uploads/tools/Dataset.zip Download]

==MFAQ (Multilingual corpus of Frequently Asked Questions)==
Geparseerd van de [https://commoncrawl.org/ Common Crawl]. Het corpus bevat zes miljoen paren van vragen en antwoorden in 21 verschillende talen.
*[https://huggingface.co/datasets/clips/mfaq Downloadpagina]
*[https://aclanthology.org/2021.mrqa-1.1 Paper]

==VaccinChatNL==
Een Belgisch-Nederlandse FAQ-dataset op het gebied van COVID-19-vaccinaties in Vlaanderen. Het bestaat uit 12.833 gebruikersvragen, verdeeld over 181 antwoordlabels, waardoor grote groepen semantisch equivalente parafrases ontstaan (een veel-op-één mapping van gebruikersvragen naar antwoordlabels).  VaccinChatNL is de eerste Nederlandse Dutch FAQ-dataset van deze grootte.
*[https://huggingface.co/datasets/clips/VaccinChatNL Downloadpagina]
*[https://aclanthology.org/2022.coling-1.312 Paper]

==MQA (Multilingual corpus of Questions and Answers)==
Geparseerd van de [https://commoncrawl.org/ Common Crawl]. Het corpus bestaat uit 234 miljoen paren van vragen en antwoorden in 39 verschillende talen.

*[https://huggingface.co/datasets/clips/mqa Webpagina]
*[https://aclanthology.org/2021.mrqa-1.1 Paper]

==Dutch Audio Description Corpus==
Het Dutch Audio Description-corpus bevat de getranscribeerde teksten van 39 audiobeschreven Nederlandse films en tv-series. In totaal bevat het corpus 154.570 woorden en 3.074 minuten aan video. 
De data bestaat uit de corpusbestanden (XML-bestanden) van de getranscribeerde audiobeschrijvingen, de multimodale concordantie die is ontwikkeld voor het project en de rauwe data die is geëxtraheerd uit het corpus als onderdeel van het promotieonderzoek dat tijdens het corpus is ontwikkeld.

*[https://doi.org/10.5281/zenodo.1035175 Webpagina]
*[https://doi.org/10.5281/zenodo.1035175 Paper]

==Named Entity Recognition CoNLL2002==
Spaanse en Nederlandse data met named entity labels. De Nederlandse data bestaat uit vier edities van de Belgische krant 'De Morgen' uit 2000 (2 juni, 1 juli, 1 augustus en 1 september). Voor de Nederlandse data heeft de annotator zo goed als mogelijk de MITRE- en SAIC-richtlijnen voor named entity recognition (Chinchor et al.,1999) gevolgd. 
*[https://huggingface.co/datasets/eriktks/conll2002 CoNLL2002 Dataset]

==CC-100 Corpus==
Dit corpus is een poging om de dataset die wordt gebruikt voor het trainen van XLM-R opnieuw te creëren. Dit corpus bestaat uit eentalige data voor 100+ talen en bevat daarnaast data voor geromaniseerde talen (aangegeven door *_rom)

*[https://data.statmt.org/cc-100/ Corpus website met downloadlinks per taal]
*[https://www.aclweb.org/anthology/2020.acl-main.747 Paperwebpagina]
*[https://aclanthology.org/2020.lrec-1.494/ Paperwebpagina]

== Dutch Gigacorpus ==
Met 234GB aan gevarieerde platte tekst, en met maar liefst 40 miljard tokens, is dit in ieder geval het grootste Nederlandse corpus. Het corpus is vrij beschikbaar en de kwaliteit is relatief hoog voor zijn omvang, er is voor gezorgd dat de data zo schoon mogelijk is.  Ook bevat het corpus 400 miljoen forumberichten in 10 miljoen threads met hun tijdstempel intact voor taalkundig onderzoek.

* [http://gigacorpus.nl/ Projectwebsite]

<div lang="en" dir="ltr" class="mw-content-ltr">
== Corpus Juridisch Nederlands ==
The Corpus Juridisch Nederlands comprises a collection of 5.856 legal texts that could be consulted from the mid-1980s until 1992 as N-Lex, a database of current Dutch legislation. The material has been made available by the Centre for Informatics and Law of the Erasmus University in Rotterdam.
</div>

<div lang="en" dir="ltr" class="mw-content-ltr">
*[https://corpusjuridischnederlands.ivdnt.org Search online]
</div>