Versie 1.0

In deze uitgave zijn de eindresultaten beschikbaar zoals die zijn voortgekomen uit het project Corpus Gesproken Nederlands. Deze resultaten omvatten onder meer de geluidsfragmenten en alle bijbehorende transcripties en annotaties, documentatie, het CGN-lexicon en het exploitatieprogramma COREX.

Hieronder volgt een overzicht van de data die voor de verschillende componenten van het corpus in deze versie beschikbaar zijn.

Overzicht van beschikbare data: Basiscorpus

Tabel 1 geeft een overzicht van de data die men in het basiscorpus aantreft. Voor alle data is een orthografische transcriptie beschikbaar. Daarnaast heeft er een verrijking plaatsgevonden met woordsoortinformatie (vervat in POS tags), worden de lemmata aangeduid, is er een automatisch gegenereerde fonetische transcriptie beschikbaar, en zijn het signaal en de orthografische transcriptie automatisch gekoppeld op woordniveau.

Tabel 1. Overzicht van data in het basiscorpus
Component		Totaal aantal woorden	VL	NL
a.	Spontane conversaties ('face-to-face')	2.626.172	878.383	1.747.789
b.	Interviews met leraren Nederlands	565.433	315.554	249.879
c.	Telefoondialogen opgenomen m.b.v. platform	1.208.633	465.096	743.537
d.	Telefoondialogen opgenomen m.b.v. minidisc recorder	853.371	343.167	510.204
e.	Zakelijke onderhandelingen	136.461	0	136.461
f.	Interviews en discussie uitgezonden op radio en televisie	790.269	250.708	539.561
g.	Discussie, debatten, vergaderingen (m.n. politieke)	360.328	138.819	221.509
h.	Lessen	405.409	105.436	299.973
i.	Spontane commentaren (o.a. sport) uitgezonden op radio en televisie	208.399	78.022	130.377
j.	Actualiteitenrubrieken en reportages uitgezonden op radio en televisie	186.072	95.206	90.866
k.	Nieuwsbulletins uitgezonden op radio en televisie	368.153	82.855	285.298
l.	Beschouwingen en commentaren uitgezonden op radio en televisie	145.553	65.386	80.167
m.	Missen, lezingen, plechtige toespraken	18.075	12.510	5.565
n.	Colleges, voordrachten, lezingen	140.901	79.067	61.834
o.	Voorgelezen teksten	903.043	351.419	551.624
Totaal		8.916.272	3.261.628	5.654.644

Voor meer informatie over

de orthografische transcriptie, zie annot/orthography/info.htm
de part-of-speech tagging, zie annot/pos tagging/info.htm
de lemmatisering, zie annot/lemmatisation/info.htm
de lexicologische koppeling, zie annot/lex linkup/info.htm
de automatische brede fonetische transcriptie, zie annot/phonetics/info.htm
de automatische woordsegmentatie, zie annot/word align/info.htm
het lexicon is te vinden in lexicon/lexicon.htm

Overzicht van beschikbare data: Kerncorpora

In Tabel 2a en 2b wordt een overzicht gegeven van de additionele transcripties en/of annotaties die voor de verschillende fragmenten beschikbaar zijn. Voor dat deel van de data waarvoor een handmatig geverifeerd fonetisch transcript beschikbaar is, is tevens de koppeling op woordniveau van het orthografisch transcript aan het geluidssignaal handmatig geverifieerd. Tabel 2a heeft betrekking op de Nederlandse data, Tabel 2b geeft een overzicht van de Vlaamse data. Voor verdere details zie onder meta-data (fragmentgegevens).

Voor meer informatie over

de manueel geverifieerde brede fonetische transcriptie, zie annot/phonetics/info.htm
de manueel geverifieerde woordsegmentatie, zie annot/word align/info.htm
de syntactische annotatie, zie annot/syntax/info.htm
de prosodische annotatie, zie annot/prosody/info.htm

Tabel 2a. Additionele transcripties en annotaties (Nederland)
Component		Hoeveelheid materiaal voorzien van een
Component		fonetisch transcript	syntactische annotatie	prosodische annotatie
a.	Spontane conversaties ('face-to-face')	106.182	300.368	37.406
b.	Interviews met leraren Nederlands	25.687	25.687	7.596
c.	Telefoondialogen opgenomen m.b.v. platform	201.141	69.933	20.070
d.	Telefoondialogen opgenomen m.b.v. minidisc recorder	0	0	0
e.	Zakelijke onderhandelingen	25.485	25.485	7.485
f.	Interviews en discussies uitgezonden op radio en televisie	75.106	75.106	7.537
g.	Discussies, debatten, vergaderingen (m.n. politieke)	25.117	25.117	7.678
h.	Lessen	25.961	25.961	0
i.	Spontane commentaren (o.a. sport) uitgezonden op radio en televisie	24.986	24.986	5.866
j.	Actualiteitenrubrieken en reportages uitgezonden op radio en televisie	25.065	25.065	5.617
k.	Nieuwsbulletins uitgezonden op radio en televisie	25.296	25.384	7.437
l.	Beschouwingen en commentaren uitgezonden op radio en televisie	25.071	25.071	7.541
m.	Missen, lezingen en plechtige toespraken	5.184	5.184	978
n.	Colleges, voordrachten, lezingen	14.913	14.913	6.577
o.	Voorgelezen teksten	70.223	0	0
Totaal		675.417	668.260	121.788

Tabel 2b. Additionele transcripties en annotaties (Vlaanderen)
Component		Hoeveelheid materiaal voorzien van een
Component		fonetisch transcript	syntactische annotatie	prosodische annotatie
a.	Spontane conversaties ('face-to-face')	70.945	146.745	49.988
b.	Interviews met leraren Nederlands	34.064	34.064	7.667
c.	Telefoondialogen opgenomen m.b.v. platform	68.886	19.886	19.874
d.	Telefoondialogen opgenomen m.b.v. minidisc recorder	6.257	6.257	0
e.	Zakelijke onderhandelingen	0	0	0
f.	Interviews en discussies uitgezonden op radio en televisie	25.144	25.144	10.007
g.	Discussies, debatten, vergaderingen (m.n. politieke)	9.009	9.009	5.414
h.	Lessen	10.103	10.103	0
i.	Spontane commentaren (o.a. sport) uitgezonden op radio en televisie	10.130	10.130	6.002
j.	Actualiteitenrubrieken en reportages uitgezonden op radio en televisie	7.679	7.679	6.054
k.	Nieuwsbulletins uitgezonden op radio en televisie	7.305	7.305	6.248
l.	Beschouwingen en commentaren uitgezonden op radio en televisie	7.431	7.431	5.998
m.	Missen, lezingen en plechtige toespraken	1.893	1.893	1.124
n.	Colleges, voordrachten, lezingen	8.143	8.143	3.880
o.	Voorgelezen teksten	64.848	44.144	0
Totaal		331.837	337.933	122.256