ERME Erzya and Moksha Extended Corpora

ERME

Persistent Identifier of this resource:

http://urn.fi/urn:nbn:fi:lb-201407306

http://islrn.org/resources/567-041-052-862-0

ERME contains predominantly Erzya and Moksha literature. It consists of several media publications from the 19th to the 20th century. ERME was mapped in Saransk in 1997-2004, while in Helsinki it has been mapped since 2004. The most basic format used is XML, with a granularity extending to chapter level. The goal is to create corpora with a granularity extending to word level. At sentence level contextual translation is used (English or Finnish translation), while at word level there is morphological encoding, corresponding to each context. Preliminary morphological analysis is carried out using HFST-based transducers, which have been developed in the Giellatekno infrastructure of the University of Tromsø.

The grammatical analysis and labeling comply with the practices developed in the Giellatekno infrastructure of the University of Tromsø. These practices are applied in the documentation of several Uralic languages.

Amount of processed material: more than a million words. The amount of the processed material is to be increased subsequently.

ERME will be made available at http://korp.csc.fi.

For detailed information on the license of the resource see https://kitwiki.csc.fi/twiki/bin/view/FinCLARIN/ClarinEulaEngACAInfNcReD.

View resource description in all available languages

ERME on pääasiassa ersä- ja mokšamordvan kirjallisuusaineisto. Aineisto koostuu useamman median julkaisuista aina 1800-luvulta 2000-luvulle asti. Sitä on kartoitettu sekä Saranskissa vuosina 1997-2004 että Helsingissä vuodesta 2004. Korpusten alkeellisin muoto on XML-formatti, jonka rakeisuus ulottuu kappaletasolle. Päämäärä on korpuksia, joissa rakeisuus ulottuu sanatasolle. Lausetasolla on kontekstuaalinen käännös (englanninnos tai suomennos), ja sanatasolla valitaan morfologinen koodaus, joka vastaa kutakin kontekstia. Alustava morfologinen analyysi tehdään hfst-pohjaisilla transduktoreilla, joita on kehitetty Tromssan yliopiston Giellateknon infrastruktuurilla.

Käytetty kieliopillinen analyysi ja merkinnät noudattavat Tromssan yliopiston Giellateknon infrastruktuurissa kehitettyä käytännettä, jota noudatetaan useamman uralilaiskielen dokumentoinnissa.

Käsiteltyä aineistoa on yli miljoona sanaa. Sitä on tarkoitus myöhemmin kasvattaa.

ERME julkaistaan osoitteessa http://korp.csc.fi.

Lisätietoa kielivaran lisenssistä: https://kitwiki.csc.fi/twiki/bin/view/FinCLARIN/ClarinEulaFinACAInfNcReD.

You don’t have the permission to edit this resource.