Im Projekt PAISÀ (Piattaforma per l’Apprendimento dell’Italiano Su corpora Annotati) wurden Texte aus dem Internet zusammengestellt und linguistisch dokumentiert, um authentische Texte für den Sprachunterricht zur Verfügung zu stellen. Das Korpus ist lemmatisiert und POS-getaggt und umfasst 250 Mio Tokens. Korpus und Frequenzlisten können im Volltext heruntergeladen werden.
Sprache | Italienisch |
Varietät | Standard |
Sprachliche Realisierung | schriftlich (Internet) |
Umfang | ca. 250 Mio. Wörter |
Medium | Texte mit einer Länge von mehr als 150 Wörtern, insgesamt ca. 380.000 Dokumente aus mehr als 1.000 Webseiten. 260.000 Dokumente aus Wikipedia, ca. 65.000 aus Blogs. |
Geographischer Ursprung | [Italien] |
Form der Daten | XML-Dokument, Frequenzlisten, Dokumentation zu Lemmata und POS |
Annotation | lemmatisiert, part-of-speech-annotiert |
Quelle/Herausgeber | PAISÀ-Projekt |
Link | |
| Zum Zitieren: | Lyding, V. / Stemle, E. / Borghetti, C. / Brunello, M. / Castagnoli, S. / Dell'Orletta, F. / Dittmann, H. / Lenci, A. / Pirrelli, V. 2014. The PAISÀ Corpus of Italian Web Texts. Proceedings of the 9th Web as Corpus Workshop (WaC-9), Association for Computational Linguistics, Gothenburg, Sweden, April 2014. 36-43. |
