O projekcie
verba to otwarty, ujednolicony korpus ukraińskich przysłów, przysłów i powiedzeń, zebranych z pięciu zdigitalizowanych zbiorów obejmujących lata 1841–współczesność.
48 787 записів; кожен — із сучасним написанням і тематичними мітками, із пошуком за словом, темою, джерелом і за змістом.
Czym to jest
Przez dziesięciolecia ukraińska paremiologia pozostawała rozproszona w pojedynczych zbiorach drukowanych o zróżnicowanej pisowni i bez wspólnego formatu czytelnego maszynowo. verba łączy te zbiory w jeden korpus, umożliwiając wyszukiwanie, badania i ponowne wykorzystanie.
Każdy zapis zawiera: oryginalny tekst (z zachowaniem historycznej pisowni źródła), nowoczesną pisownię, 1–3 tematy z ustalonego zestawu 27, źródło i odniesienie oraz grupę wariantów (łączącą prawdopodobne odpowiedniki dialektalne).
Źródła
Jak to zostało zrobione
Historyczne wydania zostały zdigitalizowane; do skanów zastosowano OCR (tesseract), a materiał Nomysa wyodrębniono z edycji krytycznej. Duplikaty zostały miękko scalone, a prawdopodobne warianty dialektalne zostały powiązane, a nie usunięte. Teksty są podawane jak najbliżej oryginałów.
Uczciwe ograniczenia: zbiór Nomysa (1864) reprezentuje najlepszy możliwy OCR (≈75–80% dokładności znaków), więc sporadyczne błędy rozpoznawania zdarzają się. Nowoczesna pisownia i tematy zostały wygenerowane przez AI i są przybliżone (nowoczesna pisownia ≈95% akceptowalna, tematy ≈85%). Etykieta tematu głównego jest najbardziej wiarygodna.
W samych danych typografia jest ograniczona do zwykłego ASCII (proste cudzysłowy, apostrof, łącznik) dla łatwego przetwarzania kodu; ukraińska typografia (« », pauza, ') jest stosowana tylko do wyświetlania — na stronie i kartach.
Jak korzystać
- Aplikacja webowa — wyszukiwanie, filtry według tematu i źródła, wyszukiwanie semantyczne «według znaczenia», tryb Przeglądaj i zapisane przysłowia.
- REST API (
/api/v1) — JSON · JSONL · XML · CSV · TSV; zobacz dokumentację API. - Pobieranie — pełny korpus we wszystkich formatach wraz z kartą danych i metadanymi Croissant w wydaniach na GitHub oraz jako zbiór danych na Hugging Face.
Licencja i cytowanie
Kuracja i wzbogacenie (struktura korpusu, nowoczesna pisownia, tematy, oczyszczone adnotacje, grupy wariantów) — CC BY 4.0. Teksty historyczne (1841–1909) — domena publiczna. Nowoczesne zbiory (Bobkova; Mlodzynskyi, 2009) pozostają pod prawami wydawców; włączone do badań i edukacji, z atrybucją za pomocą pola sources.
Jak cytować:
Yemelianov, Dmytro (2026). verba — Ukrainian Proverbs Corpus (v1.0.2). https://verbacorpus.org · ORCID 0009-0002-9244-7426
Wesprzyj projekt
verba to niekomercyjny projekt z otwartymi danymi. Strona i bot są darmowe; darowizny wspierają rozwój: nagrania audio rodzimych użytkowników, nowe źródła i warianty gwarowe. Dziękujemy, że pomagasz zachować żywe słowo 🌾