multiged-2023

Kód výsledku v IS VaVaI

RIV/00216208:11210/23:10476292 - isvavai.cz

Výsledek na webu

https://github.com/spraakbanken/multiged-2023

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

multiged-2023

Popis výsledku v původním jazyce

This corpus consists of texts written by non-native learners, used in the first shared task on Multilingual Grammatical Error Detection, MultiGED. We provide training, development and test data for each of the five languages: Czech, English, German, Italian and Swedish. Some of these datasets are already used in Grammatical Error Detection/Correction (GED/GEC) research, but we also release two new datasets: REALEC (English) and SweLL-gold (Swedish). Where possible, we use the same train/dev/test split as previous work (GECCC, FCE, Falko-MERLIN), and only create new splits when necessary (REALEC, MERLIN, SweLL). All datasets are derived from annotated second language learner essays.

Název v anglickém jazyce

multiged-2023

Popis výsledku anglicky

This corpus consists of texts written by non-native learners, used in the first shared task on Multilingual Grammatical Error Detection, MultiGED. We provide training, development and test data for each of the five languages: Czech, English, German, Italian and Swedish. Some of these datasets are already used in Grammatical Error Detection/Correction (GED/GEC) research, but we also release two new datasets: REALEC (English) and SweLL-gold (Swedish). Where possible, we use the same train/dev/test split as previous work (GECCC, FCE, Falko-MERLIN), and only create new splits when necessary (REALEC, MERLIN, SweLL). All datasets are derived from annotated second language learner essays.

Druh

R - Software

CEP obor

—

OECD FORD obor

60203 - Linguistics

Projekt

—

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Interní identifikační kód produktu

multiged-2023

Technické parametry

Asi 1,7 mil. tokenů v 6 jazycích

Ekonomické parametry

data pro shared task

IČO vlastníka výsledku

00216208

Název vlastníka

Univerzita Karlova