Sobre o projeto
verba é um corpus aberto e unificado de provérbios, adágios e ditados ucranianos, compilado de cinco coleções digitalizadas que abrangem de 1841 até o presente.
48 787 записів; кожен — із сучасним написанням і тематичними мітками, із пошуком за словом, темою, джерелом і за змістом.
O que é isso
Por décadas, a paremiologia ucraniana permaneceu dispersa em coleções impressas individuais com diferentes convenções ortográficas e sem um formato legível por máquina compartilhado. verba unifica essas coleções em um único corpus, tornando-o pesquisável, pesquisável e reutilizável.
Cada entrada inclui: o texto original (preservando a grafia histórica da fonte), uma grafia moderna, 1–3 temas de um conjunto fixo de 27, a fonte e referência, e um grupo de variantes (ligando prováveis equivalentes dialetais).
Fontes
Como foi feito
As edições históricas foram digitalizadas; o OCR (tesseract) foi aplicado às digitalizações, enquanto o material de Nomys foi extraído de uma edição crítica. Duplicatas foram suavemente mescladas, e prováveis variantes dialetais foram vinculadas em vez de removidas. Os textos são apresentados o mais próximo possível das fontes.
Limitações honestas: a coleção de Nomys (1864) representa o melhor OCR possível (≈75–80% de precisão de caracteres), portanto erros ocasionais de reconhecimento ocorrem. Grafias modernas e temas foram gerados por IA e são aproximados (grafia moderna ≈95% aceitável, temas ≈85%). A etiqueta do tema principal é a mais confiável.
Nos próprios dados, a tipografia é reduzida a ASCII simples (aspas retas, apóstrofo, hífen) para facilitar o processamento programático; a tipografia ucraniana (« », travessão, ') é aplicada apenas para exibição — no site e nos cartões.
Como usar
- Aplicativo web — busca, filtros por tema e fonte, busca semântica «por significado», modo Navegar e provérbios salvos.
- REST API (
/api/v1) — JSON · JSONL · XML · CSV · TSV; veja a documentação da API. - Download — o corpus completo em todos os formatos, junto com um cartão de dados e metadados Croissant, nas versões do GitHub e como conjunto de dados no Hugging Face.
Licença e citação
Curadoria e enriquecimento (estrutura do corpus, grafias modernas, temas, anotações limpas, grupos de variantes) — CC BY 4.0. Textos históricos (1841–1909) — domínio público. Coleções modernas (Bobkova; Mlodzynskyi, 2009) permanecem sob direitos das editoras; incluídas para pesquisa e educação, com atribuição via o campo sources.
Como citar:
Yemelianov, Dmytro (2026). verba — Ukrainian Proverbs Corpus (v1.0.2). https://verbacorpus.org · ORCID 0009-0002-9244-7426
Apoie o projeto
verba é um projeto não comercial de dados abertos. O site e o bot são gratuitos; as doações financiam o seu desenvolvimento: áudio com falantes nativos, novas fontes e variantes dialetais. Obrigado por preservar a palavra viva 🌾