Toto je starší verze dokumentu!
Rozmanité korpusy
Vzniká nepřeberné množství různě velkých a různě zaměřených korpusů v nejrůznějších jazycích. Následující přehled je pouhou ochutnávkou toho, o jak rozmanitou a neustále se zvětšující oblast se jedná. Níže proto najdete i odkazy na další seznamy a přehledy.
| korpus | jazyk, typ | dostupnost | poznámka | |
| AFEWC | arabština, angličtina, francouzština | zdarma | AFEWC | srovnatelný korpus |
| BAWE | angličtina, akademický | zdarma | British Academic Written English Corpus | seminární práce apod. (assignments) univerzitních studentů |
| BLaRC | angličtina, special. - law reports | zdarma | dostupné přes Lextutor | je třeba vybrat mezi různými korpusy přímo BLaRC |
| COCA | angličtina | zdarma | COCA | korpus současné americké angličtiny, autor: Mark Davies |
| Comenego | mnohojazyčný, special. - business, ekonomika | zdarma | zaměřeno na překladatele | |
| CoMET | portugalština | zdarma | CoMET | snaha podpořit tvorbu korpusově založených výukových materiálů |
| Datenbank für Gesprochenes Deutsch (DGD2) | němčina, mluvený | po registraci | DGD | rozhraní k řadě mluvených korpusů němčiny |
| Gos | slovinština | zdarma | Gos | rozlišuje mluvený a psaný jazyk |
| MASC | angličtina, specializovaný | zdarma | MASC | část je podrobně sémanticky anotovaná |
| OPUS | paralelní korpusy | zdarma | OPUS | velké množství jazyků, bez manuální kontroly |
| Pizza Request Corpus | angličtina, specializovaný | zdarma | data ke stažení | korpus žádostí o pizzu zdarma - včetně metadat o výsledku |
| RusLTC | ruština | zdarma | RusLTC | Russian Learner Translator Corpus - pro výuku budoucích překladatelů |
Další odkazy a seznamy naleznete zde:
- Clarin-D - seznam především německojazyčných korpusů
- diachronní korpusy - seznam vytvořený v Aténách naleznete zde
- různojazyčné korpusy - seznam na základě diskuze na Corpora listu
- různojazyčné korpusy - portugalská stránka
O nových korpusech dále informuje e-mailový rozesílač Corpora list, k jehož odběru se můžete přihlásit zde.
Mark Davies: in about 5-6 weeks I'll be releasing a corpus that is based on the 2 billion words (4.5 million articles) in Wikipedia, which should do most of what you want. Via the web interface, you'll be able to quickly and easily create „virtual corpora“ from the 4.5 million articles, based on titles, page links, and/or page content. Each of these virtual, personalized corpora can have up to 1,000 articles and 1.2 million words.
And then you'll be able to search within these virtual corpora (strings, n-grams, collocates, collocations, concordances, etc) , or compare word and phrase frequencies across your virtual corpora, or find keywords (including multi-word expressions) in your corpora, all from within the web interface and all within just a few seconds.
Pokud nás budete chtít kontaktovat s tipy na nové korpusy, využijte prosíme poradnu, subfórum týkající se této wiki.
