The nlGLOBE Corpus

INTRODUCTION

The nlGLOBE Corpus is a balanced collection of contemporary Dutch written texts, totaling one million words.

The text samples in the corpus were gathered and cleaned up by Jiachen Zhang, Xiaoxiao Lin, Xiao’ou Lei, Zhiyan Zheng and Yunjie Zhang at the School of European Languages and Cultures, Beijing Foreign Studies University (BFSU), China.

The online version of the nlGLOBE Corpus is available at BFSU CQPweb Corpus Portal (http://114.251.154.212/cqp/). Both user ID and passcode are ‘test’.

KEY INFORMATION

Project leader: Jiachen Zhang of the School of European Languages and Cultures, BFSU

Text collectors: Xiaoxiao Lin, Jiachen Zhang, Xiao’ou Lei, Zhiyan Zheng and Yunjie Zhang at the School of European Languages and Cultures and Mingchen Sun of the National Research Centre for Foreign Language Education, BFSU

Time of compilation: September 2021 – December 2022

Size: Approximately one million words

Language: Contemporary Dutch

Number of texts/samples: 500 samples of 2000+ words each (Short texts are pieced together to form one 2000-word text, but saved separately and marked with A, B, C etc. in the filenames.)

Versions of the corpus: Three versions, i.e. raw texts, part-of-speech annotated texts, and lemmatised texts, are available. The texts were POS tagged and lemmatised using TreeTagger.

Period: The vast majority of texts were published between 2012 and 2022. Only one of the text was published in the year 2009.

Released in: December 2022

BACKGROUND

On 29 December 2021, Jiajin Xu launched the GLOBE (Global Languages Out of BFSU Expertise) Corpus project, an initiative which aims to collect present-day written texts in all 101 languages that are taught at BFSU. The sampling frame of the Brown Corpus was followed to make the multilingual GLOBE corpus family comparable to the Brown family corpora. The immediate application of the GLOBE is meant to be corpus-based dictionary compilation. The first batch of the corpora covers about 30 languages.

Table 1. Text categories in the GLOBE Corpus.

(Adapted from https://varieng.helsinki.fi/CoRD/corpora/BROWN/basic.html)

The nlGLOBE Corpus is a sub-project of the BFSU-funded GLOBE Corpus projects (Ref. 2022SYLZD015 and 2022SYLPY004), whose principal investigator is Prof. Jiajin Xu at the National Research Centre for Foreign Language Education, BFSU.

nlGLOBE语料库

介绍

nlGLOBE语料库为当代荷兰语语平衡语料库。该库总容量约为100万词。

nlGLOBE中的语料样本由北京外国语大学欧洲语言文化学院林霄霄、张佳琛、雷笑鸥、郑芷岩、张蕴杰共同采集、加工完成。

该库可通过“北外CQPweb多语种语料库平台”在线访问：http://114.251.154.212/cqp/。账号、密码皆为test。

关键信息

nlGLOBE语料库负责人：张佳琛（北外欧洲语言文化学院）

主要语料文本采集者：林霄霄、张佳琛、雷笑鸥、郑芷岩、张蕴杰（北外欧洲语言文化学院）

建库周期：2021年9月至2022年12月

库容：约100万词

语言：当代荷兰语

文本数：500个2000词文本（少于2000词的多个文本会在文件名末尾标注A、B、C等，以标明同属一个2000词的文本。）

语料库版本：nlGLOBE语料库含生语料、词性标注和词形还原三个版本。荷兰语文本词性标注及词形还原采用TreeTagger完成。

文本原始出版年份：所收集文本绝大部分发表/出版于2012-2022年间，有一篇文本发表/出版于2009年。

语料库发布时间：2022年12月

背景

2021年12月29日，北外启动了“北外全球语料库集群”项目，又称“GLOBE语料库”项目。GLOBE的英文全称为Corpus of Global Languages Out of BFSU Expertise。该语料库集群旨在建设北外开设的101个语种的当代书面语语料库。

北外全球语料库集群中的单语平衡库借鉴布朗语料库的采样方案，使之与现有布朗家族语料库具有可比性，从而可开展相关外英或外汉对比研究。建设该系列语料库的首要应用目的是开展基于语料库的多语种词典编纂。首批建设的GLOBE家族语料库约为30个语种。

表1. 语料类型及相应篇数

（改自https://varieng.helsinki.fi/CoRD/corpora/BROWN/basic.html）

nlGLOBE荷兰语平衡语料库是北外中国外语与教育研究中心许家金教授主持的北外双一流项目“北外全球语料库集群”（项目编号：2022SYLZD015及2022SYLPY004）的子课题。

INLEIDING
Het nlGLOBE-Corpus is een uitgebalanceerde verzameling van hedendaagse in het Nederlands geschreven teksten, en telt in totaal één miljoen woorden.
De tekstvoorbeelden in het corpus zijn verzameld en opgeschoond door Jiachen Zhang, Xiaoxiao Lin, Xiao’ou Lei, Zhiyan Zheng en Yunjie Zhang van de School of European Languages and Cultures, Beijing Foreign Studies University (BFSU), China.
De onlineversie van het nlGLOBE Corpus is beschikbaar op BFSU CQPweb Corpus Portal (http://114.251.154.212/cqp/). Zowel de gebruikersnaam als het wachtwoord zijn “test”.
BELANGRIJKE INFORMATIE
Projectleider: Jiachen Zhang van de School of European Languages and Cultures, BFSU.
Tekstverzamelaars: Xiaoxiao Lin, Jiachen Zhang, Xiao’ou Lei, Zhiyan Zheng en Yunjie Zhang van de School of European Languages and Cultures en Mingchen Sun van het National Research Centre for Foreign Language Education, BFSU.
Periode van samenstelling: september 2021 - december 2022
Omvang: ongeveer één miljoen woorden
Taal: hedendaags Nederlands
Aantal teksten/voorbeelden: 500 voorbeelden van 2000+ woorden per voorbeeld (korte teksten zijn samengevoegd tot één tekst van 2000 woorden, maar apart opgeslagen en gemarkeerd met A, B, C, etc. in de bestandsnamen).
Versies van het corpus: er zijn drie versies beschikbaar: ruwe teksten, met part-of-speech geannoteerde teksten en gelemmatiseerde teksten. De teksten zijn POS-getagd en gelemmatiseerd met TreeTagger.
Periode: Het overgrote deel van de teksten is gepubliceerd tussen 2012 en 2022. Slechts één tekst is gepubliceerd in 2009.
Uitgebracht in: december 2022
ACHTERGROND
Op 29 december 2021 lanceerde Jiajin Xu het GLOBE (Global Languages Out of BFSU Expertise) Corpus project, een initiatief met als doel het verzamelen van hedendaagse teksten in alle 101 talen die aan BFSU worden onderwezen. Het steekproefkader van het Brown Corpus werd gebruikt opdat het meertalige GLOBE-corpus vergelijkbaar is met de Brown-corpora. Het is de bedoeling dat de primaire toepassing van GLOBE de samenstelling van woordenboeken op basis van een corpus zal zijn. De eerste reeks corpora omvat ongeveer 30 talen.

Het nlGLOBE-Corpus is een deelproject van de door de BFSU gefinancierde GLOBE Corpus-projecten (Ref. 2022SYLZD015 en 2022SYLPY004) met als hoofdonderzoeker Prof. Jiajin Xu van het National Research Centre for Foreign Language Education, BFSU.