The Dutch PAROLE Distributable Corpus is a 3 million words selection from the 20 million words Dutch PAROLE Reference corpus.
The Dutch corpus annotation and checking was made accordingly to the common core PAROLE tagset. The Dutch data were also checked for type.
The Dutch PAROLE Distributable Corpus contains the following texts:
BOOKS: Van Sterkenburg: Wdlijst tot wdboek, 1984, 65,344 words Taal vt Journaal, 1989, 56,215 words WNT-portret, 1992, 60,133 words
NEWSPAPERS Short Newspaper texts: MN_Collection, 1986-1988, 19,537 words CVNP(S)-Collection, 1983-1990, 179,220 words
PERIODICAL: Short texts from - Local Papers, 1985-1988, 47,019 words - Magazines, 1985-1989, 164,589 words
MISCELLANEOUS: Texts to be read out in TV-news broadcasts for: - General audience, 1992-1995, 1,285,824 words - Youth, 1991-1995, 1,008,658 words Short texts from Ephemera, 1985-1986, 131,692 words
TOTAL: 3,018,231 words
Over 250,000 words of corpus texts have been PoS-tagged automatically. A total of 59,798 running words has been manually corrected and checked at least two times with respect to maximal granularity, according to a lexicographer's manual. The extra 9,000 words over the required 50,000 words compensate for the occurrence of ca. 5,300 "keywords" in the original texts. The fully corrected material has been subjected to an automated post-control operation, checking the pertinence relations between the various feature values, and instantiating default values in case a mismatch (indicating a correction error) was found. Ca. 200,000 words have been checked once for PoS and type. In addition to the required PoS, type was checked for reasons of quality. This material has been subjected to an automated correction procedure addressing the feature slots (positions) beyond the first two for PoS and type so as to solve discrepancies between the manually corrected PoS and type, and the possibly erroneous, automatically assigned values of the remaining slots.
More info on the Parole project: http://www.elda.org/catalogue/fr/text/doc/parole.html
View resource description in all available languages
Le corpus hollandais PAROLE est une sélection de 3 millions de mots provenant du corpus de référence hollandais PAROLE, qui lui comporte 20 millions de mots.
L'annotation et la vérification du corpus ont été réalisées d'après l'ensemble d'étiquettes commun à PAROLE. Les données du hollandais ont été également vérifiées par type.
Le corpus hollandais PAROLE contient les textes suivants :
LIVRES: Van Sterkenburg: Wdlijst tot wdboek, 1984, 65 344 mots Taal vt Journaal, 1989, 56 215 mots WNT-portret, 1992, 60 133 mots
JOURNAUX: Textes courts de journaux : MN_Collection, 1986-1988, 19 537 mots CVNP(S)-Collection, 1983-1990, 179 220 mots
PERIODIQUES: Textes courts de : - Journaux locaux, 1985-1988, 47 019 mots - Magazines, 1985-1989, 164 589 mots
DIVERS: Textes lus dans des actualités télévisées pour : - une audience générale, 1992-1995, 1 285 824 mots - la jeunesse, 1991-1995, 1 008 658 mots Textes courts d'"Ephemera", 1985-1986, 131 692 mots
TOTAL: 3 018 231 mots
Plus de 250 000 mots des textes du corpus ont été balisées automatiquement sur une partie du discours. Un total de 59 798 mots ont été corrigés manuellement et vérifiés au moins deux fois au niveau de la granularité maximale, en suivant le manuel d'un lexicographe. Les 9 000 mots supplémentaires aux 50 000 mots requis compensent l'occurrence d'environ 5 300 "mots clés" des textes originaux. Le matériel entièrement corrigé a fait l'objet d'une opération de post-contrôle automatique, en vérifiant les relations de pertinence entre les différentes valeurs d'attributs, et en instaurant des valeurs par défaut en cas de non concordance (en indiquant une erreur de correction). Environ 200 000 mots ont été vérifiés une fois pour la " partie du discours " et pour le type. Le type a été vérifié pour des raisons de qualité.
Ce matériel a fait l'objet d'une procédure de correction automatique en ajoutant des champs à ceux déjà existants (partie du discours et type), et ce afin de résoudre les différences entre les champs corrigés automatiquement (partie du discours et type), et les champs restants dont les valeurs ont été assignées automatiquement et pouvant contenir des erreurs.
Plus d'informations sur le projet Parole: http://www.elda.org/catalogue/fr/text/doc/parole.html
Home
2
