プロジェクトについて
verba は、1841年から現代にかけて5つのデジタル化されたコレクションをまとめた、ウクライナのことわざ・格言のオープンな統合コーパスです。
48 787 записів; кожен — із сучасним написанням і тематичними мітками, із пошуком за словом, темою, джерелом і за змістом.
このプロジェクトとは
長年にわたり、ウクライナのパレミオロジーは異なる綴り規則を持つ個別の印刷コレクションに分散し、共通の機械可読形式がありませんでした。verba はこれらのコレクションを一つのコーパスに統合し、検索・研究・再利用を可能にします。
各エントリには:原文テキスト(原典の歴史的な綴りを保持)、現代の綴り、固定の27テーマから1〜3のテーマ、出典と参考文献、およびバリアントグループ(方言的対応語を結ぶリンク)が含まれます。
出典
制作方法
歴史的な版をデジタル化し、スキャンにはOCR(tesseract)を適用。Nomysの資料は批評版から抽出しました。重複はソフトマージし、方言的バリアントは削除せずリンクで結びました。テキストはできる限り原典に忠実に提示されています。
正直な限界について:Nomysコレクション(1864年)は最善のOCR(文字精度≈75〜80%)のため、認識エラーが一部発生します。現代の綴りとテーマはAI生成で概算です(現代の綴り≈95%許容範囲、テーマ≈85%)。主テーマタグが最も信頼性が高いです。
データ自体では、タイポグラフィをプログラム処理しやすいようプレーンASCII(ストレートクォート、アポストロフィ、ハイフン)に統一しています。ウクライナ語のタイポグラフィ(« »、ダッシュ、’)はウェブサイトやカードの表示にのみ使用されます。
使い方
- ウェブアプリ — 検索、テーマと出典によるフィルター、「意味で」セマンティック検索、スワイプモード、保存済みことわざ。
- REST API (
/api/v1) — JSON · JSONL · XML · CSV · TSV;APIドキュメント参照。 - ダウンロード — 全コーパスを各フォーマットで、データカードとCroissantメタデータとともに、GitHubリリースやHugging Face のデータセットから入手可能。
ライセンスと引用
キュレーションとエンリッチメント(コーパス構造、現代の綴り、テーマ、整理済み注釈、バリアントグループ)— CC BY 4.0。歴史的テキスト(1841〜1909年)— パブリックドメイン。現代のコレクション(Bobkova;Mlodzynskyi, 2009年)は出版社の権利のもとにあります。研究・教育目的で収録し、sourcesフィールドで帰属を示しています。
引用方法:
Yemelianov, Dmytro (2026). verba — Ukrainian Proverbs Corpus (v1.0.2). https://verbacorpus.org · ORCID 0009-0002-9244-7426
プロジェクトを支援する
verba は非営利のオープンデータ・プロジェクトです。サイトとボットは無料で、寄付は発展のために使われます:ネイティブ話者による音声収録、新しい出典、方言バリアントなど。生きたことばを守るご支援に感謝します 🌾