Informazioni sul progetto
verba è un corpus aperto e unificato di proverbi, adagi e detti ucraini, compilato da cinque raccolte digitalizzate che coprono dal 1841 ad oggi.
48 787 записів; кожен — із сучасним написанням і тематичними мітками, із пошуком за словом, темою, джерелом і за змістом.
Che cos'è
Per decenni la paremiologia ucraina è rimasta frammentata in singole raccolte a stampa con diverse convenzioni ortografiche e senza un formato leggibile dalla macchina condiviso. verba unifica queste raccolte in un unico corpus, rendendolo consultabile, studiabile e riutilizzabile.
Ogni voce include: il testo originale (preservando la grafia storica della fonte), una grafia moderna, 1–3 temi da un insieme fisso di 27, la fonte e il riferimento, e un gruppo di varianti (collegando probabili equivalenti dialettali).
Fonti
Come è stato realizzato
Le edizioni storiche sono state digitalizzate; l'OCR (tesseract) è stato applicato alle scansioni, mentre il materiale di Nomys è stato estratto da un'edizione critica. I duplicati sono stati uniti in modo morbido e le probabili varianti dialettali sono state collegate anziché eliminate. I testi sono presentati il più vicino possibile alle fonti.
Limiti onesti: la raccolta di Nomys (1864) rappresenta il miglior OCR possibile (≈75–80% di accuratezza dei caratteri), quindi si verificano occasionali errori di riconoscimento. Le grafie moderne e i temi sono stati generati dall'intelligenza artificiale e sono approssimativi (grafia moderna ≈95% accettabile, temi ≈85%). Il tag del tema principale è il più affidabile.
Nei dati stessi, la tipografia è ridotta ad ASCII semplice (virgolette diritte, apostrofo, trattino) per facilitare l'elaborazione programmatica; la tipografia ucraina (« », em dash, ') è applicata solo per la visualizzazione — sul sito e sulle schede.
Come usarlo
- App web — ricerca, filtri per tema e fonte, ricerca semantica «per significato», modalità Sfoglia e proverbi salvati.
- REST API (
/api/v1) — JSON · JSONL · XML · CSV · TSV; vedi la documentazione API. - Download — l'intero corpus in ogni formato, con scheda dati e metadati Croissant, nelle release su GitHub e come dataset su Hugging Face.
Licenza e citazione
Cura e arricchimento (struttura del corpus, grafie moderne, temi, annotazioni ripulite, gruppi di varianti) — CC BY 4.0. Testi storici (1841–1909) — di pubblico dominio. Raccolte moderne (Bobkova; Mlodzynskyi, 2009) rimangono sotto i diritti degli editori; incluse per ricerca e istruzione, con attribuzione tramite il campo sources.
Come citare:
Yemelianov, Dmytro (2026). verba — Ukrainian Proverbs Corpus (v1.0.2). https://verbacorpus.org · ORCID 0009-0002-9244-7426
Sostieni il progetto
verba è un progetto non commerciale a dati aperti. Il sito e il bot sono gratuiti; le donazioni ne finanziano lo sviluppo: registrazioni audio di madrelingua, nuove fonti e varianti dialettali. Grazie per custodire la parola viva 🌾