Handmatig geannoteerde corpora
Handmatige corpora zijn verzamelingen van teksten die manueel geverifieerde of manueel aangebrachte taalkundige informatie bevatten, zoals morfosyntactische tags, lemma's, syntactische parseringen, named entities etc. Deze corpora kunnen worden gebruikt bij het trainen van nieuwe taalannotatiehulpmiddelen, als ook bij het testen van de nauwkeurigheid van bestaande annotatiehulpmiddelen.
Corpus Gesproken Nederlands
Het Corpus Gesproken Nederlands (CGN) is een verzameling van 900 uur (bijna 9 miljoen woorden) hedendaagse Nederlandse spraak, afkomstig van Vlamingen en Nederlanders. De spraakfragmenten (spontaan en voorbereid) zijn opgelijnd met diverse transcripties (o.a. orthografisch, fonetisch) en annotaties (syntactisch, POS-tags). Metadata, lexica, frequentielijsten en de corpusexploratiesoftware Corex behoren ook tot het CGN.
Eindhoven Corpus
Het Eindhoven-corpus is de eerste verzameling van Nederlandstalige geschreven en (getranscribeerde) gesproken teksten die voor onderzoeksdoeleinden is gemaakt. Het corpus dateert uit de periode 1960-1973 en bevat ongeveer 768.000 tekens.
- versie 2.0.1 (2014)
- 3 MB
- Download link
Lassy Klein
Het Lassy Klein-corpus is een corpus van ongeveer 1 miljoen woorden met manueel geverifieerde syntactische annotaties. Lemma’s en POS-tags werden automatisch toegevoegd aan het corpus m.b.v. Tadpole (nu: Frog). De syntactische dependentiestructuren werden toegevoegd m.b.v. Alpino. De lemma’s, POS-tags en syntactische boomstructuren werden geverifieerd en gecorrigeerd.
- Versie 7.0
- Download
- Online treebank search
SoNaR Klein-corpus
Het SoNaR Klein-corpus Commercieel is een tekstcorpus dat ongeveer 825.000 woorden tekst bevat die voorzien werden van verschillende soorten semantische annotaties, nl. named entity labelling, coreferentieannotatie, sematische rollen en de annotatie van spatiële en temporele relaties. Alle annotaties werden manueel geverifieerd.
ACTER: Annotated Corpora for Term Extraction Research
ACTER is een handmatig geannoteerde dataset voor termextractie, die drie talen omvat (Engels, Frans en Nederlands), en vier domeinen (corruptie, dressuur, hartfalen en windenergie).
- CLARIN pagina
- Github pagina
- Rigouts Terryn, Ayla, 2019, ACTER (Annotated Corpora for Term Extraction Research) v1.3, Eurac Research CLARIN Centre
Dutch Archaeology NER Training Dataset
Een handmatig geannoteerde Named Entity Recognition (NER) dataset, bestaand uit Nederlandse archeologische opgravingsverslagen. De volgende entity types zijn gelabeld: Artefacten, Tijdperiodes, Materialen, Plaatsen (geografische locaties), Archeologische contexten en Soorten. The dataset wordt aangeboden in het BIO format, met elk token op 1 lijn en lege lijnen die grenzen van zinnen aanduiden. Op elke lijn staat een token, PoS tag, morfologische segmentatie en ten slotte het label, gescheiden door ruimtes. De PoS tag en morforlogische segmentatie zijn toegewezen door Frog.
- Versie 1.0 (2019)
- Download pagina
StylesNMT
Deze datacollectie bevat een Engels-Nederlandse machinevertaling van de detectiveroman "The Mysterious Affair at Styles" van Agatha Christie. De vertaling is gegenereerd in mei van 2019 door Google's Neural Machine Translation (GNMT) systeem. De complete roman (5,276 zinsparen) is handmatig geannoteerd met vertaalfouten, met gebruik van een aangepaste versie van de SCATE MT error taxonomy (Tezcan et al. 2017).
- Download pagina
- Tezcan, A., Hoste, V., & Macken, L. (2017). SCATE taxonomy and corpus of machine translation errors. In G. C. Pastor & I. Durán-Muñoz (Eds.), Trends in E-tools and resources for translators and interpreters (Vol. 45, pp. 219–244). Brill | Rodopi.
Pilot Annotation Corpus PLATOS NL-EN
Dit geannoteerde corpus bestaat uit 100 opmerkingen van Facebookgebruikers uit de zomer van 2020, op de Facebook-pagina van een populaire Vlaamse krant (Het Laatste Nieuws, https://www.facebook.com/hln.be). Dit corpus bevat zowel de originele Nederlandse opmerkingen, als een parallelle Engelse vertaling (de Google Vertalen output is ietwat aangepast voor correctheid door een moedertaalspreker). De annotatie behelst topic en aspect labelling, standpuntlabelling, herkenning van het argumentatieve gehalte en claim-identificatie.
- Download link
- Bauwelinck, N., & Lefever, E. (2020, December). Annotating Topics, Stance, Argumentativeness and Claims in Dutch Social Media Comments: A Pilot Study. In Proceedings of the 7th Workshop on Argument Mining (pp. 8-18).
EventDNA
Het EventDNA-corpus is een Nederlandstalig corpus bestaand uit 1,773 nieuwsdocumenten waarin nieuwsgebeurtenissen, entiteiten, IPTC Media Topic codes en coreferentie-links handmatig zijn geannoteerd.
- EventDNA: Annotation Guidelines forEntities and Events in Dutch News Texts (v1.0) Camiel Colruyt, Orphée De Clercq and Véronique Hoste
- Code voor de gebeurtenisextractie-experimenten en IAA-onderzoek
- Info pagina (onder andere betreffende de toegang tot de corpusdata)
EmotioNL
Het EmotioNL-corpus is een emotie-geannoteerde corpus van Nederlandse teksten. Het bestaat uit 1,000 Nederlandse tweets en 1,000 citaten uit reality TV-shows. De teksten zijn geannoteerd met de categorieën woede, angst, genot, liefde, verdriet en neutraal, en scores (Reëelwaardig gewaardeerd, tussen 0 en 1) voor de emotionele dimensievalentie, opwinding en dominantie.
- De Bruyne, L., De Clercq, O., & Hoste, V. (2021). Prospects for Dutch emotion detection: Insights from the new EmotioNL dataset. Computational Linguistics in the Netherlands Journal, 11, 231-255.
- Info pagina (onder andere betreffende de toegang tot de corpusdata)
EEmoWOZ-CS EN-NL
Het EmoWOZ-corpus is een tekstuele conversationele corpus in het domein van de klantenservice, verzameld doormiddel van de Wizard of Oz-techniek. In het Wizard of Oz-experiment verkeerden deelnemers in de veronderstelling dat zij interactie hadden met verschillende versies van een autonome Chatbot genaamd Chatty. In werkelijkheid werd het systeem volledig bestuurd door een menselijke operator (vandaar: wizard). Elk dialoog was gebaseerd op de beschrijving van een gebeurtenis die gepaard ging met een beginsentiment (neutraal of negatief), en wizards werden geïnstrueerd om het gesprek te sturen in de richting van een vooraf vastgesteld eindsentiment (positief, neutraal of negatief). Elke deelnemer had 12 gesprekken die vervolgens werden geannoteerd voor emoties met emotiecategorieën en dimensionale valence-arousal-dominance scores. In totaal bevat het corpus 2148 tekstuele dialogen tussen 179 deelnemers en wizards. Hoewel de originele versie van het corpus is verzameld in het Nederlands is er ook een naar het Engels vertaalde versie beschikbaar gemaakt.
- Project page
- Labat, S., Ackaert, N., Demeester, T., & Hoste, V. (2022). Variation in the Expression and Annotation of Emotions: a Wizard of Oz Pilot Study. In G. Abercrombie, V. Basile, S. Tonelli, V. Rieser, & A. Uma (Eds.), Proceedings of the 1st Workshop on Perspectivist Approaches to NLP @LREC2022 (pp. 66–72). Marseille, France: European Language Resources Association (ELRA)
EmoTwiCS
EmoTwiCS is a corpus of 9,489 Dutch customer service dialogues that were scraped from Twitter.
Labat, S., Demeester, T., & Hoste, V. (2023). EmoTwiCS : a corpus for modelling emotion trajectories in Dutch customer service dialogues on Twitter. Labat, S., Hadifar, A., Demeester, T., & Hoste, V. (2022). An emotional journey : detecting emotion trajectories in Dutch customer service dialogues Request access