Corpora
Een corpus is een grote verzameling geschreven of gesproken teksten, gemaakt om een taal te kunnen bestuderen en beschrijven. Corpora worden als basis gebruikt voor het maken van woordenboeken, computationele lexica en grammatica’s en voor allerlei wetenschappelijk onderzoek.
Brieven als Buit
Dit corpus is een selectie van ca. 1000 brieven uit de ca. 40.000 zogeheten Sailing Letters uit de Britse archieven. Het gaat om Nederlandse brieven uit de tweede helft van de 17e tot de vroege 19e eeuw, die vanuit het buitenland door zeelieden en anderen naar het thuisfront waren verstuurd en vice versa, maar die werden buitgemaakt door kapers. Het materiaal is op basis van foto’s overgeschreven binnen het onderzoeksprogramma Brieven als Buit/Letters as Loot. De teksten in het corpus zijn aangevuld met taalkundige informatie.
Corpus Gysseling
Het Corpus Gysseling is een verzameling 13e-eeuwse teksten. Het bestaat uit voornamelijk ambtelijke en literaire teksten die gebruikt zijn als bronnenmateriaal voor het Vroegmiddelnederlands Woordenboek (VMNW). De teksten in het corpus zijn taalkundig verrijkt (aangevuld met taalkundige informatie).
Corpus Hedendaags Nederlands
Het Corpus Hedendaags Nederlands (CHN) is een groeiende tekstverzameling van meer dan 800.000 teksten uit kranten, tijdschriften, journaaluitzendingen en juridisch materiaal. Het corpus is automatisch aangevuld met taalkundige informatie zoals woordsoort en lemma.
Corpus Middelnederlands
Het Corpus Middelnederlands is een verzameling van ruim 350 Middelnederlandse rijm- en prozateksten uit de periode 1300-1550. Het corpus bevat veel literair materiaal, waaronder de Beatrijs en de Reynaert. Het corpus verschijnt binnenkort online en wordt op termijn aangevuld met woordsoort en trefwoord om het beter doorzoekbaar te maken.
Corpus Oudnederlands
Het Corpus Oudnederlands is een verzameling van al het bekende Nederlandse woordmateriaal uit de periode 475-1200. Het bestaat uit drie grote teksten (Wachtendonkse Psalmen, Leidse Willeram, Mittelfränkische Reimbibel) en een aantal kleinere teksten, fragmenten, losse woorden en plaatsnamen. Het corpus is taalkundig verrijkt met woordsoort en lemma, en is gebruikt als bronnenmateriaal voor het Oudnederlands Woordenboek (ONW).
Eindhoven-corpus
Het Eindhoven-corpus is een verzameling Nederlandstalige geschreven en (uitgeschreven) gesproken teksten uit de periode van 1960 tot 1976. Het bevat materiaal uit kranten en tijdschriften en correspondentie tussen de regering en de Staten-Generaal, en diverse gesproken bronnen. Het is in diverse fases verbeterd. Versie 2.5 is door het Instituut voor de Nederlandse Taal bruikbaar gemaakt in een hedendaagse corpusapplicatie.
Nederlab
Nederlab is een webinterface die onderzoekers in staat stelt verspreide digitale historische corpora als eenheid te doorzoeken en te analyseren; dit geldt zowel voor tekstniveau als voor metadataniveau.
Computationele lexica
Computationele lexica zijn gestructureerde datasets met woorden en taalkundige informatie over die woorden (woordsoort, uitspraak, betekenis, etc.), bedoeld om door een computerprogramma gebruikt te worden. Bronnen van lexica zijn corpora, andere lexica, of woordenboeken met citaten.
DiaMaNT
DiaMaNT staat voor Diachroon seMantisch lexicon van de Nederlandse Taal. Het is een computationeel semantisch lexicon in ontwikkeling, dat betekenisinformatie over woorden door de tijd heen moet bieden. DiaMaNT legt verbanden tussen woordvormen en betekeniseenheden (concepten), en plaatst ze in de tijd.
GiGaNT
GiGaNT staat voor Groot Geïntegreerd Lexicon van de Nederlandse Taal. Het is een computationeel lexicon in ontwikkeling van de Nederlandse taal vanaf de zesde eeuw tot en met het heden. Dit lexicon vormt straks een verzameling van woorden en woordgroepen in alle mogelijke spelling- en vormvarianten. Het biedt bij elk woord veel extra taalkundige informatie.
IMPACT-lexica
IMPACT was een Europees project dat was opgezet om historische teksten online toegankelijker te maken. Er zijn daarbij diverse lexica tot stand gekomen, bedoeld om in te kunnen zetten voor OCR, OCR-postcorrectie en betere zoekmogelijkheden in teksten
PAROLE-lexicon
Het PAROLE-lexicon is een computationeel lexicon met modern Nederlands taalmateriaal van ongeveer 1970-1998. Het bevat ruim 20.000 entry’s, die voorzien zijn van woordsoort, getal, naamval en gebruik in de zin. Het lexicon is gebouwd in de periode 1996-1998 en is onderdeel van een project voor basiscorpora en -lexica voor alle Europese talen.