Skip to content
← Volver al corpus

Acerca del proyecto

verba es un corpus abierto y unificado de refranes, adagios y dichos ucranianos, compilado a partir de cinco colecciones digitalizadas que abarcan desde 1841 hasta la actualidad.

48 787 записів; кожен — із сучасним написанням і тематичними мітками, із пошуком за словом, темою, джерелом і за змістом.

Qué es esto

Durante décadas, la paremiología ucraniana permaneció dispersa en colecciones impresas individuales con distintas convenciones ortográficas y sin un formato legible por máquina compartido. verba unifica estas colecciones en un solo corpus, haciéndolo consultable, investigable y reutilizable.

Cada entrada incluye: el texto original (conservando la ortografía histórica de la fuente), ortografía moderna, 1–3 temas de un conjunto fijo de 27, la fuente y referencia, y un grupo de variantes (que vincula probables equivalentes dialectales).

Fuentes

Cómo se elaboró

Las ediciones históricas fueron digitalizadas; se aplicó OCR (tesseract) a los escaneados, mientras que el material de Nomys se extrajo de una edición crítica. Los duplicados se fusionaron suavemente y las variantes dialectales probables se vincularon en lugar de eliminarse. Los textos se presentan lo más fielmente posible a las fuentes.

Limitaciones honestas: la colección de Nomys (1864) representa el mejor OCR posible (≈75–80 % de precisión de caracteres), por lo que ocasionalmente ocurren errores de reconocimiento. La ortografía moderna y los temas fueron generados por IA y son aproximados (ortografía moderna ≈95 % aceptable, temas ≈85 %). La etiqueta de tema principal es la más fiable.

En los propios datos, la tipografía se reduce a ASCII simple (comillas rectas, apóstrofo, guion) para facilitar el procesamiento programático; la tipografía ucraniana (« », raya, ') se aplica solo para visualización — en el sitio web y las tarjetas.

Cómo usar

Licencia y cita

Curación y enriquecimiento (estructura del corpus, ortografía moderna, temas, anotaciones limpias, grupos de variantes) — CC BY 4.0. Textos históricos (1841–1909) — dominio público. Colecciones modernas (Bobkova; Mlodzynskyi, 2009) siguen bajo derechos de los editores; incluidas para investigación y educación, con atribución mediante el campo sources.

Cómo citar:

Yemelianov, Dmytro (2026). verba — Ukrainian Proverbs Corpus (v1.0.2). https://verbacorpus.org · ORCID 0009-0002-9244-7426

Apoya el proyecto

verba es un proyecto sin fines de lucro y de datos abiertos. El sitio y el bot son gratuitos; las donaciones financian su desarrollo: audio con hablantes nativos, nuevas fuentes y variantes dialectales. Gracias por preservar la palabra viva 🌾

🌾 Apoyar con monobank ☕ Ko-fi

Автор: Дмитро Ємельянов · Версія 1.0.2 · GitHub · Карта даних · API