L2 learner corpora/nl: Difference between revisions
No edit summary |
No edit summary |
||
| Line 4: | Line 4: | ||
Dit corpus bevat 57 (2020-07-16) ondertitelde colleges van de Universiteit van Nederland (UVN). Er is ondertiteling toegevoegd aan bestaande video-opnames van colleges van de UVN. | Dit corpus bevat 57 (2020-07-16) ondertitelde colleges van de Universiteit van Nederland (UVN). Er is ondertiteling toegevoegd aan bestaande video-opnames van colleges van de UVN. | ||
In tegenstelling tot | In tegenstelling tot gewone ondertitels zijn de ondertitels in dit project een bijna 100% letterlijke weergave van de spraak zoals gesproken door de mensen in de opnames. Ze bevatten exacte orthografische transcripties van opeenvolgende woorden en tonen daarmee dus de eigenaardigheden van de gesproken taalmodaliteit, met een gebrek aan de grammaticale coherentie die kenmerkend is voor geschreven teksten. Aan de andere kant bevatten de transcripties geen sprekergeluiden zoals smakken met de lippen of hoesten, of aarzelende geluiden zoals "ehm". Omwille van de leesbaarheid werden leestekens toegevoegd. | ||
*22 MB | *22 MB | ||
*versie 1.0 (2020) | *versie 1.0 (2020) | ||
*[http://hdl.handle.net/10032/tm-a2-s3 | *[http://hdl.handle.net/10032/tm-a2-s3 Downloadpagina] | ||
==Meertalige Ondertiteldata 2BDutch== | ==Meertalige Ondertiteldata 2BDutch== | ||
Revision as of 08:24, 26 March 2024
Tweedetaalleerdercorpora spelen een cruciale rol in het onderzoek naar het leren en onderwijzen van een tweede taal. Deze corpora maken het mogelijk om systematisch te onderzoeken hoe een tweedetaalleerder de nieuwe taal tot zich neemt op zowel lexicaal als syntactisch niveau en hoe dit wordt beïnvloed door zijn of haar moedertaal. Een karakteristieke eigenschap van dit type corpora zijn de opmaak van fouten en prosodische eigenschappen van de tweedetaalleerders. Voor meer informatie en bronnen, bezoek het CLARIN Knowledge Center for Learner Corpora
Corpus Ondertitelde UVN-Colleges (COUC)
Dit corpus bevat 57 (2020-07-16) ondertitelde colleges van de Universiteit van Nederland (UVN). Er is ondertiteling toegevoegd aan bestaande video-opnames van colleges van de UVN.
In tegenstelling tot gewone ondertitels zijn de ondertitels in dit project een bijna 100% letterlijke weergave van de spraak zoals gesproken door de mensen in de opnames. Ze bevatten exacte orthografische transcripties van opeenvolgende woorden en tonen daarmee dus de eigenaardigheden van de gesproken taalmodaliteit, met een gebrek aan de grammaticale coherentie die kenmerkend is voor geschreven teksten. Aan de andere kant bevatten de transcripties geen sprekergeluiden zoals smakken met de lippen of hoesten, of aarzelende geluiden zoals "ehm". Omwille van de leesbaarheid werden leestekens toegevoegd.
- 22 MB
- versie 1.0 (2020)
- Downloadpagina
Meertalige Ondertiteldata 2BDutch
Dit product bestaat uit de ondertiteldata die toebehoort aan de Nederlandse video's op de website www.2BDutch.nl. The 2BDutch website bevat video's met ondertitelopties in verscheidene talen. Met deze video's kunnen studenten van alle niveaus Nederlands hun luistervaardigheden oefenen en nieuwe Nederlandse woorden leren kennen. De ondertiteldata die aan deze video's toebehoort kan ook worden gebruikt voor allerlei technologische applicaties van taal en spraak zoals automatische vertaling en automatische spraakherkenning.
- 36 KB
- versie 1.0 (2020)
- Download pagina
Multilingual Traditional Immersion and Native Corpus
MulTINCo bevat gesproken en (longitudinaal) geschreven data die is verzameld van Franssprekende leerders van het Nederlands en Engels als een tweede taal (L2) in verschillende onderwijssettingen (CLIL en traditionele L2 klassen). De database bevat zowel talrijke achtergrondvariabelen, als ook geschreven materiaal in de eerste taal van de leerders (L1) (Frans) en materiaal van moedertaalsprekers van de tweede taal (L2) (L1 Nederlands en L1 Engels data).
Modern Times
Vertellingen gebaseerd op een extract uit Modern Times (Charlie Chaplin 1934 or 36) door moedertaalsprekers en leerders van het Nederlands en Frans.
Leerdercorpus Nederlands
Gevarieerde verzameling schrijftaken van leerders van het Nederlands van verschillende niveaus. Het corpus bestaat uit ongeveer 775.000 woorden en de teksten zijn geschreven in de periode 1998-2007.
LeCoNTra
LeCoNTra is een leerdercorpus dat bestaat uit nieuwsvertalingen van het Engels naar het Nederlands, die zijn verrijkt met vertalingsprocesdata. Drie studenten van een Master-programma in Vertaling werd gevraagd om 50 verschillende Engelse journalistieke teksten van ongeveer 250 tokens te vertalen. Er werd ook vertalingsprocesdata verzameld in de vorm van toetsaanslagregistratie, waardoor de dataset kan worden gebruikt als een onderdeel van verschillende onderzoeksrichtingen, zoals: vertalingsproces onderzoek, leerdercorpus onderzoek en corpusgerichte vertaalonderzoeken. Referentievertalingen, zonder procesdata, zijn ook inbegrepen. De data is handmatig gesegmenteerd en getokeniseerd en handmatig afgestemd op zowel segment als woordniveau, wat leidt tot een kwalitatief sterke corpus met token-level procesdata.