Korpus

Tekstlaboratoriet har vært med på å lage flere korpus, både enspråklige og flerspråklige:

Enspråklige norske korpus:
Oslo-korpuset av taggede norske tekster, bokmål	18,5 millioner ord hentet fra aviser, ukeblad, romaner og offentlige dokument. Tagget med Oslo-Bergen-taggeren
Oslo-korpuset av taggede norske tekster, nynorsk	3,8 millioner ord hentet fra aviser, ukeblad, romaner og offentlige dokument. Tagget med Oslo-Bergen-taggeren
KAL Søkeeksempel	Drøyt 3300 elevtekster skrevet til avgangsprøven i norsk hovedmål i 1998, 1999, 2000 og 2001. Databasen inneholder også tilhørende karakterdata og andre bakgrunnsdata.
Usenet-korpuset	140 millioner ord, hentet fra no*-hierarkiet av Usenet fra 1998 til 2002.
Leksikografisk bokmålskorpus LBK	Korpuset er under oppbygging ved ILN, og består per i dag (des. 2006) av drøye 26 millioner ord. Korpuset er tagget med Oslo-Bergen-taggeren og merket med informasjon om tekstprodusentenes kjønn, alder og geografiske tilhørighet, i tillegg til sjanger, emne og andre vanlige kildeopplysninger.
Enspråklige norske korpus, talemål:
Norske talespråkskorpus	Oversiktsside over nåværende og planlagte norske talespråkskorpus
NoTa-Oslo	Talemålskorpus med ca en millioner ord knyttet til lyd- og videoopptak. Transkripsjoner av samtaler og intervju fra informanter født og oppvokst i Oslo-området. Representativt utvalg med 144 informanter.
Big Brother-korpuset	Transkripsjoner av de fleste av TVNorges Big Brother-sendinger fra 2001. Foreløpig er ca 150 000 ord transkribert. Noen av transkripsjonene er knyttet til lyd- og videoopptak.

Andre enspråklige korpus:
Bosnisk-korpuset	1,5 millioner ord hentet fra romaner, noveller, lovtekster, aviser, religiøse tekster mm.
Sidaama-korpuset	150.000 ord, for det meste fra en oversettelse av Det nye testamentet skrevet av Kjell Magne Yri.

Flerspråklige korpus:
OMC	Oslo Multilingual Corpus (OMC) er en samling av flerspråklige tekstkorpuser som består av originaltekster og oversettelser. OMC er et unikt forskningsmateriale for bruk innen kontrastive studier, oversettelsesstudier og innen teoretisk og anvendt lingvistikk.
OPUS	OPUS inneholder foreløpig ca. 30,000,000 ord på 60 språk som er hentet fra websider.
LOGONs norsk-engelske turistkorpus	Korpuset er under utvikling, og består for tiden av om lag 175.000 ord. Tekstene er hentet fra turistinformasjon, og parallellstilt v.h.a. IMS Corpus Workbench.
The Sofie Treebank	The Sofie Treebank vil inneholde analyserte setninger fra ni nord-europeiske språk: dansk, engelsk, estisk, finsk, islandsk, nederlandsk, norsk, svensk og tysk. Setningene er hentet fra de første kapitlene av Jostein Gaarders roman Sofies verden.

Oppdatert 1. februar 2007 av KH