SUC-romaner (StorSUC)

STORSUC är ett bonusmaterial som distribueras med SUC2.0 (se nedan). Materialet är inte formellt en del av SUC och följer inte korpusformatet. Det har inte annoterats, utan bara delats in i paragraf-liknande enheter. STORSUC är inte balanserat.

Stockholm-Umeå-korpus (SUC) är en samling svenska texter från 1990-talet, med totalt en miljon ord. Korpusen är balanserad, vilket betyder att den innehåller olika texttyper och texter med olika stilnivåer. Texterna har märkts upp med ordklasstaggar, morfologisk analys och lemma (allt detta kan anses som referensdata), samt viss strukturell och funktionell information.

Version 1.0 utvecklades i samarbete mellan Gunnel Källgren vid Stockholms Universitet och Eva Ejerhed vid Umeå universitet och gjordes tillgängligt 1997 av institutionen för lingvistik på Stockholms universitet. Version 2.0 gjordes tillgänglig 2006 av Sofia Gustafson-Capková och Britt Hartmann vid institutionen för lingvistik på Stockholms universitet. Den innehåller samma texter som SUC 1.0 men är utökad med viss annotering. Dessutom innehåller SUC 2.0 två bonusmaterial. TigerSUC är SUC 2.0 konverterad till TIGER-XML av Martin Volk. StorSUC är ytterligare SUC-material om fyra miljoner ord. Version 3.0 finns tillgänglig sedan 2012. Den innehåller förbättrad annotering, samt oannoterade texter om sju miljoner ord. (För TigerXML-versionen, Suc2c, Suc2d och DTD:erna hänvisar vi fortfarande till version 2.0.)

Ytterligare information om sammanställning och uppmärkning av SUC finns i manualen för SUC 2.0 [PDF]

Språkbanken distribuerar SUC 2.0 och SUC 3.0 i två varianter.

Officiella korpusen

SUC är fritt tillgänglig för forskning, men kräver att varje användare tecknar en individuell licens med Institutionen för lingvistik vid Stockholms universitet. Från och med den 1/12 2008 är licensieringen av SUC delegerad till Språkbanken Text vid Göteborgs universitet.

Bilaga 3 av SUC-licensen [PDF] ska skrivas ut, skrivas under och sedan skickas till

SUC-licens
Språkbanken Text
Institutionen för svenska, flerspråkighet och språkteknologi
Göteborgs universitet
Box 200
405 30 Göteborg

Efter att vi har mottagit och registrerat den underskrivna licensen, kommer vi att kontakta dig med en nedladdningslänk.

Meningsomkastad, automatiskt vidare berikad korpus

En andra variant går att ladda ner direkt under den öppna CC BY-SA-licensen här nedanför. Denna variant är meningsomkastad, och dessutom har extra uppmärkning lagts till automatiskt av Språkbankens textanalysverktyg. Korpusen distribueras i Språkbankens standard-XML-format.

Följande annoteringar är som i den officiella versionen:

• ordklass (pos-attribut på ordelement)
• morfologiska särdrag (msd-attribut)
• grundform (lemma-attribut)
• namngivna entiteter (endast SUC 3.0; <name>-taggar, inte <ne>-taggarna)

All annan uppmärkning, till exempel länkningen mot SALDO, dependensparsning och en alternativ uppmärkning med namngivna entiteter (<ne>-taggar), har skapats automatiskt av Sparv.

Det är också denna variant av SUC som går att utforska i Korp.