Kranten corpora
SoNaR corpus
Het SoNaR-corpus heeft een krantencomponent (WR-P-P-G) die bestaat uit bijna 15 miljoen zinnen. Zie ook Referentiecorpora.
SumNL: samenvattingencorpus
Het SumNL-samenvattingencorpus is gebaseerd op 30 clusters. Ieder cluster bestaat uit een onderwerp en 5-25 krantenartikelen die relevant zijn voor het onderwerp. Voor ieder cluster werden twee samenvattingen gemaakt van verschillende grootte en ook extracts bestaande uit tien zinnen uit de teksten.
- versie 1.0.1
- dataset uit 2014
- 1.60 MB
- Downloadpagina
Wablieft corpus: eenvoudige taal
Het Wablieft-corpus bevat het digitaal archief van de Wablieft-krant (periode 2011-2017), zoals ook beschikbaar op de website http://www.wablieft.be/krant/archief.
Het corpus bevat 2 miljoen woorden krantenmateriaal in eenvoudig te lezen Nederlands. Er is metadata beschikbaar i.v.m. de krantenrubriek (binnenland, sport, ...) en de publicatiedatum. Het betreft al het materiaal sinds de krant volledig digitaal en online beschikbaar is, van 2011 tot december 2017.
De data is beschikbaar in verschillende formaten: oorspronkelijke tekstbestanden, tekstbestanden met één zin per lijn, geannoteerd met Frog (POS-tagging, lemmatisering, morfologie, named entity recognition, chunking, dependentierelaties) in FoLiA of CoNNL, en syntactisch geanalyseerd met Alpino, in Alpino-xml.
Er is een overeenkomst met Wablieft voor de verspreiding van dit materiaal voor niet-commerciële doeleinden. Commerciële partijen kunnen contact opnemen met Wablieft om een licentie voor het materiaal te verkrijgen.
- 2011-2017 archief van een krant in eenvoudige taal in Belgisch-Nederlands.
- gemarkeerd, gelemmatiseerd, geparseerd, beschikbaar in verscheidene bestandsformaten
- versie 1.2
- Vincent Vandeghinste, Bram Bulté & Liesbeth Augustinus (2019). Wablieft: An Easy-to-Read Newspaper corpus for Dutch. In CLARIN Annual Conference 2019 Proceedings. pp.188-191. Leipzig, Germany.
- Download pagina
WAI-NOT-corpus
Het WAI-NOT-corpus bevat het digitaal archief van de WAI-NOT-krant (periode 2009-2021). De krantenartikelen zijn geschreven in makkelijk te lezen Nederlands.
- 2009-2021-archief van een krant in eenvoudige taal in Belgisch-Nederlands
- versie 1.0
- Downloadpagina
Corpus VU-DNC (VU University Diachronic News text Corpus)
Het VU-DNC-corpus is een diachroon Nederlands krantencorpus (VU Free University Dutch Newspaper Corpus).
Het corpus bestaat uit data van vijf kranten: Algemeen Dagblad, NRC (Handelsblad), De Telegraaf, Trouw en de Volkskrant. Voor elk van de kranten is data van twee jaren (1950-1951 en 2002) beschikbaar. De artikelen zijn geselecteerd per onderwerp (bijv. voorpaginanieuws, buitenlands nieuws en sportnieuws). Een bijzonder kenmerk van het corpus is dat zowel de aanwezige subjectieve elementen, als de aanwezige directe rede zijn geannoteerd. De subjectieve elementen zijn geannoteerd op basis van een set lexicale elementen (subjectiviteitslexicon). Zodoende is het corpus zeer bruikbaar voor taalkundig georiënteerde onderzoekers die geïnteresseerd zijn in diachronie en/of subjectiviteit, maar ook voor communicatiewetenschappers en mediageleerden die geïnteresseerd zijn in het veranderende praktijken i.v.m. de omkadering van de berichtgeving.