Tweedetaalleerdercorpora
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 het markeren 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 bij de Nederlandse video's op de website www.2BDutch.nl hoort. 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 bij deze video's hoort kan ook worden gebruikt voor taal- en spraaktechnologische toepassingen zoals automatische vertaling en automatische spraakherkenning.
- 36 KB
- versie 1.0 (2020)
- Downloadpagina
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 tal vanke achtergrondvariabelen, evenals geschreven materiaal in de eerste taal van de leerders (L1) (Frans) en materiaal van moedertaalsprekers van de tweede taal (L2) (L1 Nederlandse en L1 Engelse data).
Modern Times
Vertellingen gebaseerd op een extract uit Modern Times (Charlie Chaplin 1934 of 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 vertalingen van nieuwsberichten van het Engels naar het Nederlands, die zijn verrijkt met gegevens over het vertaalproces. Drie studenten van een Masteropleiding Vertalen werd gevraagd om 50 verschillende Engelse journalistieke teksten van ongeveer 250 tokens te vertalen. Er werden ook vertalingsprocesgegevens verzameld in de vorm van toetsaanslagregistratie, waardoor de dataset kan worden gebruikt als onderdeel van verschillende onderzoekslijnenn, zoals vertaalprocesonderzoek, leerdercorpusonderzoek en corpusgerichte vertaalonderzoeken. Referentievertalingen, zonder procesgegevens, zijn ook inbegrepen. De data is handmatig gesegmenteerd en getokeniseerd en handmatig uitgelijnd op zowel segment- als woordniveau, wat leidt tot een corpus van hoge kwaliteit met procesgegevens op tokenniveau.