DaniilMako/even-russian-corpus

Even-Russian Corpus | Эвенско-русский корпус

Эвенско-русский двуязычный текстовый корпус — параллельный корпус из примерно 50 пар предложений и словосочетаний на эвенском и русском языках. Датасет предназначен для исследований в области машинного перевода, обработки естественного языка и сохранения исчезающего эвенского языка (Тунгусо-маньчжурская семья -> Северная (сибирская) ветвь -> Эвенская группа -> Эвенский язык).

О датасете

Эвенский язык (Эвэды төрэн) — исчезающий язык тунгусской группы, на котором говорят в Якутии (Республика Саха), Магаданской области, Камчатской области и на соседних территориях Дальнего Востока России. Количество носителей оценивается менее чем в 10 000 человек, и язык активно вытесняется русским. Данный корпус может использоваться для создания систем машинного перевода, морфологических анализаторов, языковых моделей и других NLP-инструментов. Это ПЕРВАЯ версия данного корпуса/словаря в открытом доступе для скачивания и может иметь ошибки!

Корпус содержит параллельные текстовые пары «эвенский — русский», извлечённые из разных источников. Записи классифицированы по источнику и тематическому домену. Разметка доменов проводилась автоматически. НЕ следует путать с <u>эвенкийским языком</u> - родственный эвенскому языку!

Источники данных

Тематические домены

Корпус покрывает 31 тематический домен:

Ограничения

• —Корпус основан на печатных источниках и может содержать ошибки сканирования или опечатки исходных публикаций.
• —Эвенский язык имеет значительную диалектную вариативность; корпус в основном отражает один диалект (восточный).
• —Длинные предложения (более 50 слов) могут встречаться редко; корпус ориентирован преимущественно на лексику и короткие фразы.
• —Номера страниц (page) указывают на оригинальный печатный источник, но точное соответствие может варьироваться в зависимости от издания.

Этические соображения

Эвенский язык является исчезающим. Публикация этого корпуса направлена на поддержку сохранения языка и создание инструментов для его изучения. При использовании данных рекомендуется учитывать культурный контекст и, по возможности, консультироваться с носителями языка и представителями эвенской общины.

❤️Особая благодарность за помощь и поддержку❤️

Бондаренко И. Белолюбская В.Г. Корянова Л.К. Бодрухин А.

Лицензия

CC-BY-NC-4.0 (Creative Commons Attribution-NonCommercial 4.0 International)

Датасет предоставляется для некоммерческих исследовательских и образовательных целей. При использовании необходимо указать ссылку на данный датасет. Данные извлечены из печатных источников; полный перечень источников приведён в секции «Источники данных». Если вы являетесь правообладателем какого-либо из использованных материалов и считаете публикацию некорректной, свяжитесь с автором датасета.

Ключевые слова: русско-эвенский словарь, эвенско-русский словарь, русско-эвенский корпус, эвенско-русский корпус, эвенский язык, Эвэды төрэн, even language, even dictionary, эвенский словарь, Even-Russian parallel corpus, Even-Russian bilingual corpus.