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
- Aplicación web — búsqueda, filtros por tema y fuente, búsqueda semántica «por significado», modo Explorar y refranes guardados.
- REST API (
/api/v1) — JSON · JSONL · XML · CSV · TSV; consulta la documentación de la API. - Descarga — el corpus completo en todos los formatos, junto con una tarjeta de datos y metadatos Croissant, en las versiones de GitHub y como conjunto de datos en Hugging Face.
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 🌾