Mapping the Dialog Act Annotations of the LEGO Corpus into the Communicative Functions of ISO 24617-2
INESC-ID Lisboa（INESC-ID里斯本）；Instituto Superior Técnico, Universidade de Lisboa（里斯本大学高级技术学院）；ISCTE-IUL – Instituto Universitário de Lisboa（ISCTE-IUL里斯本大学学院）
在本文中，我们提出了战略映射的乐高语料库的对话行为注释到ISO 24617-2标准的通信功能。使用这些策略，我们获得了额外的347个对话根据标准进行注释。这一点特别重要，因为由于标准的新近发布，这些条件下的现有数据量减少。此外，这些对话来自广泛探索的语料库，用于对话相关任务。然而，它的对话注释由于其高度的领域依赖性而被忽视，这使得它们在语料库的上下文之外没有用处。因此，通过我们的映射过程中，我们都获得了更多的数据注释根据最近的标准，并提供有用的对话行为注释的对话研究的背景下，广泛探索的语料库。
2016-12-05 cs.CL
The Annotation Guideline of LST20 Corpus
National Electronics and Computer Technology Center（国家电子与计算机技术中心）
这份报告提出了LST 20的注释指南，LST 20是一个大型语料库，具有多层泰语语言注释。我们的指南包括五个层次的语言注释：分词，词性标注，命名实体，分句边界和句子边界。该数据集符合CoNLL-2003风格的格式，便于使用。LST 20语料库提供了五个层次的语言注释，如前所述。在大规模上，它由3，164，864个单词，288，020个命名实体，248，962个子句和74，180个句子组成，同时使用16个不同的POS标签进行注释。所有3，745份文件还附有15种新闻类型的注释。就其庞大的规模而言，该数据集被认为足够大，可以为NLP开发联合神经模型。有了这个公开可用的语料库，泰语第一次成为语言丰富的语言。
2020-08-12 cs.CL
AICC: Parse HTML Finer, Make Models Better -- A 7.3T AI-Ready Corpus Built by a Model-Based HTML Parser
Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）
AICC通过基于模型的HTML解析器构建，显著提升了网络数据提取质量，从而在多个基准测试中优于现有方法，证明提取质量对模型性能的重要性。
2025-11-26 cs.CL
Annotation Guidelines for Corpus Novelties: Part 2 -- Alias Resolution Version 1.0
Laboratoire Informatique d'Avignon -- LIA UPR 4128（阿维尼翁信息学实验室 -- LIA UPR 4128）
本文档为Novelties语料库的别名解析任务提供标注指南，通过说明与示例阐明规范名称的定义及同一实体指称的判定标准。
2024-10-01 cs.CL
Spanish Abstract Meaning Representation: Annotation of a General Corpus
Georgetown University（乔治城大学）；Saarland University（萨尔大学）
抽象意义表示（AMR）形式主义，最初是为英语设计的，已经适应了许多语言。我们建立在以前的工作，提出了西班牙语的AMR注释，这导致了50个西班牙语AMR注释的虚构文本“小王子”的发布。“在这项工作中，我们提出了第一个相当大的，一般注释项目西班牙语抽象意义表示。我们的方法注释使用的AnCora-Net词汇的西班牙语角色集，并扩展英语AMR特定于西班牙语的语义功能。除了我们的指南，我们还发布了一个注释语料库（共586个注释，486个独特的句子），其中包含来自“抽象意义表示2.0 -四种翻译”Sembank的多种类型的文档。该语料库通常用于评估AMR解析和生成，但不包括黄金AMR;我们希望为该数据集提供黄金注释可以导致更完整的跨语言AMR解析方法。最后，我们进行了分歧分析，并讨论了我们的工作对AMR的适应性，以英语以外的语言的影响。
2022-04-15 cs.CL
A Corpus with Multi-Level Annotations of Patients, Interventions and Outcomes to Support Language Processing for Medical Literature
Northeastern University（东北大学）；UT Austin（得克萨斯大学奥斯汀分校）；Rutgers University（罗格斯大学）；King’s College London（伦敦国王学院）；UPenn（宾夕法尼亚大学）
我们提供了一个包含5,000篇描述临床随机对照试验的医学文章摘要的语料库。注释包括描述入组患者人群、研究的干预措施及其比较内容以及测量的结局（“PICO”元素）的文本范围的分界。这些跨度在更细粒度的级别上被进一步注释，例如，其中的各个干预被标记并映射到结构化的医学词汇表上。我们从具有不同专业水平和成本的各种工人那里获得了注释。我们详细描述了我们的数据汇集过程和语料库本身。然后，我们概述了一系列具有挑战性的NLP任务，这些任务将有助于医学文献的搜索和循证医学的实践。
2018-06-11 cs.CL
Annotation and modeling of emotions in a textual corpus: an evaluative approach
LIDILEM, Université Grenoble Alpes（格勒诺布尔阿尔卑斯大学 LIDILEM 实验室）；Société Ixiade（Ixiade 公司）
本文针对文本情感研究的开放性问题，采用评价性方法处理工业语料的情感标注，通过训练语言模型验证了标注过程可建模、分歧由语言特征驱动，且模型能基于评价标准区分情感场景。
2025-09-01 cs.CL
Cross-context News Corpus for Protest Events related Knowledge Base Construction
我们描述了一个黄金标准语料库的抗议事件，包括来自不同国家的英语各种本地和国际来源。语料库包含文档、句子和标记级别的注释。该语料库有助于创建机器学习模型，自动分类新闻文章和提取抗议事件相关信息，构建知识库，使比较社会和政治科学研究。对于每个新闻源，注释从新闻文章的随机样本开始，并继续使用主动学习绘制的样本。每批样本都由两名社会和政治科学家进行注释，由注释监督员进行裁决，并通过半自动识别注释错误进行改进。我们发现，语料库的品种和质量的发展和基准文本分类和事件提取系统在跨上下文设置，这有助于自动化文本处理系统的泛化性和鲁棒性。这个语料库和报告的结果将设置目前缺乏自动抗议事件收集研究的共同点。
2020-08-01 cs.CL
Love Me, Love Me, Say (and Write!) that You Love Me: Enriching the WASABI Song Corpus with Lyrics Annotations
CNRS（法国国家科学研究中心）；Inria（法国国家信息与自动化研究所）；I3S（信息科学与系统实验室）
我们提出了WASABI歌曲语料库，一个大型的语料库的歌曲丰富的元数据从音乐数据库中提取的Web上，并导致从处理的歌词和音频分析。更具体地说，歌词编码的一首歌的语义的重要组成部分，我们在这里集中的描述，我们提出了从歌词中提取相关信息的方法，如其结构分割，其主题，歌词内容的明确性，一首歌的突出段落和传达的情感。该资源的创建仍在进行中：到目前为止，语料库包含1.73 M带有歌词的歌曲（1.41 M唯一歌词），这些歌词在不同级别上注释了上述方法的输出。音乐搜索引擎和音乐专业人员（例如，记者、电台主持人）可以利用这样的语料库标签和所提供的方法来更好地处理大量的歌词集合，从而允许对歌曲的智能浏览、分类和分段推荐。
2020-03-15 cs.CL
The Moralization Corpus: Frame-Based Annotation and Analysis of Moralizing Speech Acts across Diverse Text Genres
Department of German Linguistics, Heidelberg University（海德堡大学德语语言学系）；Department of Computational Linguistics, Heidelberg University（海德堡大学计算语言学系）
本文提出道德化语料库，用于分析道德价值观在论证话语中的策略使用，评估大型语言模型在道德化检测与成分提取中的表现，并揭示其高度主观性和情境敏感性。
2026-03-18 cs.CL
From Labels to Facets: Building a Taxonomically Enriched Turkish Learner Corpus
本文提出了一种半自动标注方法，构建了首个具有分类学丰富的土耳其学习者语料库，通过多维分类学实现更精细的标注与分析。
2026-02-02 cs.CL
RAAMove: A Corpus for Analyzing Moves in Research Article Abstracts
Faculty of Information Technology, Beijing University of Technology（北京工业大学信息技术学院）；School of Computer Science, Beijing Institute of Technology（北京理工大学计算机学院）
本文介绍了RAAMove多领域语料库，通过专家人工标注与BERT模型自动标注结合两阶段方法构建了包含33,988个实例的RA摘要语步标注数据，并验证了其在自动语步识别任务中的有效性。
2024-03-23 cs.CL
AutoQA: From Databases To QA Semantic Parsers With Only Synthetic Training Data
Stanford University（斯坦福大学）
我们提出了AutoQA，一种方法和工具来生成语义解析器，回答数据库上的问题，没有手动的努力。给定一个数据库模式及其数据，AutoQA会自动生成一个大的高质量问题集，用于涵盖不同数据库操作的培训。它使用自动释义结合基于模板的分析，以找到不同部分的语音属性的替代表达式。它还使用了一种新的过滤自动释义器来生成整个句子的正确释义。我们将AutoQA应用于Schema2QA数据集，并在自然问题上进行测试时获得了62.9%的平均逻辑形式准确率，仅比使用专家自然语言注释和从crowdworkers收集的释义数据训练的模型低6.4%。为了演示AutoQA的通用性，我们还将其应用于隔夜数据集。AutoQA实现了69.8%的答案准确率，比最先进的zero-shot模型高出16.4%，仅比使用人类数据训练的相同模型低5.2%。
2021-06-08 cs.CL
NUBES: A Corpus of Negation and Uncertainty in Spanish Clinical Texts
Vicomtech Foundation（维孔特克基金会）；Basque Research and Technology Alliance (BRTA)（巴斯克研究与技术联盟（BRTA））；HiTZ centre（HiTZ中心）；University of the Basque Country UPV/EHU（巴斯克大学（UPV/EHU））
本文介绍了NUBes语料库的第一个版本（西班牙语生物医学文本中的否定和不确定性注释）。该语料库是一项正在进行的研究的一部分，目前由29，682个句子组成，这些句子来自匿名健康记录，并附有否定和不确定性。文章包括一个详尽的比较与西班牙语类似的语料库，并提出了主要的注释和设计决策。此外，我们使用深度学习算法进行初步实验，以验证带注释的数据集。据我们所知，NUBes是西班牙语中最大的公开否定语料库，也是第一个包含推测线索，范围和事件注释的语料库。
2020-04-02 cs.CL
ding-01 :ARG0: An AMR Corpus for Spontaneous French Dialogue
Univ. Grenoble Alpes（格拉诺布尔大学）；CNRS（国家科学研究中心）；Grenoble INP（格拉诺布尔研究所）；LIG（图灵研究所）；LTCI, Télécom Paris（电信巴黎学院）
本文通过扩展 AMR 框架标注法语自发对话语料 DinG，并发布标注指南与语料库，同时训练 AMR 解析器作为辅助标注工具，为法语对话语义资源建设做出贡献。
2025-08-18 cs.CL
Many uses, many annotations for large speech corpora: Switchboard and TDT as case studies
本文讨论了当大型语音语料库接收范围不断扩大的多样化和独特的注释时所出现的挑战。这一过程的两个案例研究：总机语料库的电话交谈和TDT2语料库的广播新闻。Switchboard经历了两个独立的transmittance和各种类型的附加注释，所有这些都是作为地理上和时间上分散的单独项目进行的。TDT2语料库也收到了各种注释，但都是由一个核心小组直接创建或管理的。在这两种情况下，都会出现涉及修复传播、引用一致性以及集成具有不同格式和详细程度的注释的能力的问题。我们描述了一个总体框架，使这些问题可以成功地解决。
2000-07-13 cs.CL
MDC-R: The Minecraft Dialogue Corpus with Reference
Queen Mary University of London（伦敦大学玛丽女王学院）；Universität Wien（维也纳大学）；University of Illinois（伊利诺伊大学）；Swansea University（斯旺西大学）
本文介绍了带有指代专家标注的Minecraft对话语料库（MDC-R），通过补充原始MDC的回指和指示指代标注，并经实验验证了其在指代表达理解任务中的价值。
2025-08-10 cs.CL
The ADAPT Enhanced Dependency Parser at the IWPT 2020 Shared Task
ADAPT Centre（ADAPT中心）；School of Computing, Dublin City University（都柏林城市大学计算学院）
我们描述了用于2020 IWPT共享任务的ADAPT系统，该任务以17种语言解析增强的通用语法。我们使用UDPipe和UDPipe-future实现了一个管道方法来提供初始级别的注释。增强的依赖图或者由基于图的语义依赖解析器产生，或者使用一小组语法从基本树构建。我们的研究结果表明，对于大多数语言，语义依赖分析器可以成功地应用于分析增强的依赖关系的任务。不幸的是，我们没有确保连接图作为我们管道方法的一部分，我们的竞争提交依赖于最后一刻的修复来通过验证脚本，这严重损害了我们的官方评估分数。我们的提交在官方评估中排名第八，宏观平均粗糙ELAS F1为67.23，树库平均值为67.49。我们后来实现了自己的图形连接修复，结果得分为79.53（语言平均）或79.76（树库平均），这将在竞争评估中排名第四。
2020-09-03 cs.CL
Emotion-Aware, Emotion-Agnostic, or Automatic: Corpus Creation Strategies to Obtain Cognitive Event Appraisal Annotations
University of Stuttgart（斯图加特大学）；Institut für Maschinelle Sprachverarbeitung（机器语言处理研究所）
评价理论解释了对一个事件的认知评价如何导致一种特定的情绪。与基本情绪或情感（效价/唤醒）的理论相比，该理论在自然语言处理中没有得到很多关注。然而，在心理学中，它已经被证明是强大的：史密斯和埃尔斯沃思（1985）表明，评价维度注意力，确定性，预期努力，愉快，责任/控制和情境控制（至少）区分15种情绪类别。我们研究了这些维度的不同注释策略，基于以事件为中心的enISprone语料库（Troiano等人，2019年）。我们分析了两种手动注释设置：（1）显示要注释的文本，同时屏蔽所经历的情感标签;（2）揭示与文本相关的情感。设置2使注释者能够对所描述的事件产生更真实的直觉，而设置1是一个更标准的注释过程，纯粹依赖于文本。我们通过两种方式评估这些策略：通过测量注释者之间的一致性和微调RoberTa来预测评估变量。我们的研究结果表明，知识的情绪增加注释者的可靠性。此外，我们评估了一个纯粹的自动基于规则的标签策略（从注释的情感类推断评价）。在自动分配的标签上进行训练会使我们的分类器具有竞争力的性能，即使在手动注释上进行测试时也是如此。这是一个指标，它可能会自动创建评价语料库为每个领域的情感语料库已经存在。
2021-02-25 cs.CL
AMALGUM -- A Free, Balanced, Multilayer English Web Corpus
Georgetown University（乔治城大学）
我们提出了一个免费提供的，体裁平衡的英语网络语料库，总计4 M的令牌和具有大量的高质量的自动标注层，包括依存关系树，非命名实体注释，共指消解，和话语树的修辞结构理论。通过利用开放的在线数据源，语料库旨在为较小的手动创建的注释数据集提供更大的替代方案，同时避免陷阱，如不平衡或未知的组成，许可问题和低质量的自然语言处理。我们利用来自多个注释层的知识，以实现“比NLP更好”的基准，并评估结果资源的准确性。
2020-06-18 cs.CL
People and Places of Historical Europe: Bootstrapping Annotation Pipeline and a New Corpus of Named Entities in Late Medieval Texts
Faculty of Informatics, Masaryk University（马萨里克大学信息学院）；Faculty of Arts, Masaryk University（马萨里克大学艺术学院）
针对中世纪晚期多语言契据中的 NER 难题，本文利用已知人物地名和信息检索自动自举构建 360 万句标注语料库，训练模型并公开数据、模型与代码。
2023-06-06 cs.CL
An English-Hindi Code-Mixed Corpus: Stance Annotation and Baseline System
Language Technologies Research Centre, International Institute of Information Technology, Hyderabad（语言技术研究中心，国际信息技术学院，海得拉巴）
社交媒体已成为人们与社会沟通和分享观点的主要渠道之一。我们经常可以从这些观点中发现一个人对某个主题是赞成、反对还是中立。这些来自社交媒体的意见对各种公司都很有用。我们提出了一个新的数据集，由3545条英语-印地语代码混合的推文组成，这些推文对2016年在印度实施的Demonetisation有意见，随后在全国范围内进行了大规模的辩论。我们提出了一个基线监督分类系统的立场检测开发使用相同的数据集，使用各种机器学习技术，以实现10倍交叉验证的准确率为58.7%。
2018-05-30 cs.CL
ThaiTrees: Thai Syntactic Dependency Trees Across Domains
Chulalongkorn University（朱拉隆功大学）
针对泰语缺乏大规模自动解析语料库的问题，构建了包含3.42亿词符、覆盖多领域的ThaiTrees语料库，并开发了可复现的清洗、处理与解析流程，支持句法分布研究。\n
2026-09-24 cs.CL
Arap-Tweet: A Large Multi-Dialect Twitter Corpus for Gender, Age and Language Variety Identification
College of Humanities and Social Sciences, Hamad Bin Khalifa University（哈马德·本·哈利法大学人文与社会科学学院）；Carnegie Mellon University Qatar（卡内基梅隆大学卡塔尔分校）
在本文中，我们提出了Arap-Tweet，这是一个大规模和多方言语料库的推文来自11个地区和16个国家在阿拉伯世界代表主要阿拉伯方言品种。为了构建这个语料库，我们从Twitter收集了数据，并为一个经验丰富的注释者团队提供了注释指南，他们用来注释语料库的年龄类别，性别和方言种类。在数据汇集过程中，我们根据不同阿拉伯方言的独特关键字进行搜索，并使用Twitter API验证位置。在本文中，我们报告了语料库数据汇集和注释工作。我们还提出了一些我们在这些阶段遇到的问题。然后，我们提出的结果进行评估，以确保注释的一致性。所提供的语料库将丰富阿拉伯语有限的可用语言资源，并将成为开发阿拉伯语作者分析工具和自然语言处理工具的宝贵推动力。
2018-08-23 cs.CL
RedHOT: A Corpus of Annotated Medical Questions, Experiences, and Claims on Social Media
Northeastern University（东北大学）；Accenture AI Labs（埃森哲人工智能实验室）
我们介绍了Reddit健康在线谈话（RedHOT），这是一个语料库，包含来自Reddit的22，000个注释丰富的社交媒体帖子，涵盖24种健康状况。注释包括与医疗索赔、个人经历和问题相对应的跨度界限。我们收集有关已识别声明的其他粒度注释。具体来说，我们标记描述患者人群、干预措施和结局（PIO元素）的片段。使用这个语料库，我们介绍了检索与社交媒体上的给定声明相关的可信证据的任务。我们提出了一种新的方法来自动获得（嘈杂）监督这项任务，我们用训练一个稠密检索模型，这优于基线模型。由医生进行的检索结果的手动评估表明，虽然我们的系统性能是有前途的，有相当大的改进空间。收集的注释（和组装数据集的脚本）可在https://github.com/sominw/redhot上获得。
2023-02-07 cs.CL
SQUINKY! A Corpus of Sentence-level Formality, Informativeness, and Implicature
University of Michigan（密歇根大学）
我们介绍了一个语料库的7,032个句子，由人类注释者评估的正式性，信息量和含义的1-7级。语料库注释使用亚马逊机械土耳其。在所获得的判断的可靠性进行了检查，通过比较两个MTurk实验的平均评级，并与飞行员注释（对句子的正式性）在一个更受控的设置进行相关性。尽管主观性和内在的困难的注释任务，平均评级之间的相关性是相当令人鼓舞的，特别是在正式和信息。我们进一步探讨了这三个语言变量之间的相关性，体裁的评级和体裁内的相关性，与自动文体评分的兼容性，以及文档在风格方面的基本构成。到目前为止，我们的语料库是最大的商务级注释语料库发布的正式，信息量和含义。
2016-09-27 cs.CL
Morphological Tagging and Lemmatization of Albanian: A Manually Annotated Corpus and Neural Models
Faculty of Information Technology, Polytechnic University of Tirana（地拉那理工大学信息技术学院）；Faculty of Information Technology, New York University of Tirana（地拉那纽约大学信息技术学院）；University of Turku（图尔库大学）
在本文中，我们提出了第一个公开可用的部分的语音和形态标记语料库的阿尔巴尼亚语，以及神经形态标记和lemmatizer训练it.There是目前缺乏可用的自然语言处理资源阿尔巴尼亚语，其复杂的语法和形态提出了挑战，他们的发展。我们已经创建了一个阿尔巴尼亚语的词性语料库的基础上的通用语法模式的形态注释，包含约118，000令牌的自然发生的文本从不同的文本来源收集，与人工创建的简单句子的67，000令牌只用于训练。在这个语料库上，我们随后使用图尔库神经解析器管道训练和评估分割，形态标记和词形化模型。在保持的评价集上，该模型在词性标注上达到92.74%的准确率，在形态标注上达到85.31%，在词形化上达到89.95%。手动注释的语料库以及训练的模型在开放许可证下可用。
2019-12-02 cs.CL
Speak & Improve Corpus 2025: an L2 English Speech Corpus for Language Assessment and Feedback
ALTA Institute（阿尔塔研究所）；University of Cambridge（剑桥大学）；Cambridge University Press and Assessment（剑桥大学出版社与评估部）；Enhanced Speech Technology Ltd（增强语音技术有限公司）
本文介绍Speak & Improve语料库2025，一个含整体评分和错误标注的L2英语口语数据集，旨在解决公开高质量标注数据缺乏问题，支持口语评估、反馈及ASR、GEC等技术研究。
2024-12-17 cs.CL
The SAMER Arabic Text Simplification Corpus
New York University Abu Dhabi（纽约大学阿布扎比分校）
本文提出首个面向学龄学习者的手动标注阿拉伯语文本简化平行语料库 SAMER，包含159K词文本及多级别可读性标注，以支持阿拉伯语文本简化与教学语言技术研究。
2024-04-29 cs.CL
SALMA: Arabic Sense-Annotated Corpus and WSD Benchmarks
Birzeit University（比尔宰特大学）
本文提出首个阿拉伯语词义标注语料库 SALMA，采用多词义打分标注方式，并基于目标词义验证构建词义消歧基线，最佳模型准确率达 84.2%（Modern）和 78.7%（Ghani）。
2023-10-29 cs.CL
Improving Chinese SRL with Heterogeneous Annotations
以往汉语语义角色标注的研究主要集中在单个语义标注语料上。但单个语料库的训练数据往往有限。同时，通常还存在其他的语义标注语料库，分散在不同的标注框架中。数据稀疏仍然是一个瓶颈。这种情况需要更大的训练数据集，或者可以利用高度异构数据的有效方法。在这些论文中，我们主要关注后者，即利用异质语料库来提高汉语自主学习能力。我们提出了一种新的渐进式学习模型，它增强了渐进式神经网络与门控递归适配器。该模型可以容纳异质输入，并有效地转移知识之间。我们还为中文SRL发布了一个新的语料库--中文SemBank。在CPB 1.0上的实验表明，我们的模型优于最先进的方法。
2017-03-14 cs.CL
Creating a Domain-diverse Corpus for Theory-based Argument Quality Assessment
Grammarly；University of Mannheim（曼海姆大学）；Dataminr, Inc.（Dataminr公司）
论证质量（AQ）的计算模型主要集中在评估论证的整体质量或仅评估论证的一个特定特征，例如其说服力或清晰度。然而，以前的工作声称，评估的基础上的理论维度的论证可以受益于作家，但开发这样的模型一直受到缺乏注释数据的限制。在这项工作中，我们描述了GAQCorpus，第一个大的，领域多样的注释语料库的理论为基础的AQ。我们讨论了我们如何设计的注释任务，可靠地收集大量的判断与众包，制定基于理论的指导方针，帮助主观判断AQ更客观。我们演示了如何识别参数和适应三个不同领域的注释任务。我们的工作将为基于理论的论证注释的研究提供信息，并能够创建更多样化的语料库来支持计算AQ评估。
2020-11-03 cs.CL
Un modèle générique d'organisation de corpus en ligne: application à la FReeBank
少数可用的法语资源，用于评估语言模型或算法的其他语言水平比形态句法是不够的，从定量和定性的角度来看，或不能免费访问。基于这一事实，FREEBANK项目打算创建法语语料库构建使用手动修订的输出从一个混合约束语法分析器和注释的几个语言水平（结构，形态句法，句法，共指），其目标是使他们在线研究的目的。因此，我们将专注于使用标准的注释方案，整合现有资源和维护，以便不断丰富注释。在实际介绍已经实施的原型之前，本文描述了一个通用模型，用于组织和部署语言资源档案，符合目前在国际标准化倡议（TEI和ISO/TC 37/SC 4）中进行的各种工作。
2006-11-06 cs.CL
x-enVENT: A Corpus of Event Descriptions with Experiencer-specific Emotion and Appraisal Annotations
University of Stuttgart（斯图加特大学）
情感分类通常被表述为将文本分类到预定义的情感类集合中的任务。到目前为止，这一任务一直是识别作者和读者的情感，以及文本中提到的实体。我们认为，情感分析的分类设置应该以综合的方式进行，包括不同的语义角色，参与情绪发作。本文以心理学中的评价理论为基础，将情绪视为对事件的反应，编制了一个英语书面事件描述语料库。这些描述描绘了引发情绪的情况，并提到了情绪反应的人。我们对所有的体验者，包括原作者，用他们可能感受到的情感进行注释。此外，我们通过注释事件属性或评价（例如，感知事件不受欢迎，其结果的不确定性）。我们的分析揭示了人们的情感在互动中共同出现的模式。因此，这个丰富的注释资源提供了有用的数据，从不同角色的角度研究情绪和事件评价，它使开发的经验者特定的情绪和评价分类系统。
2022-04-08 cs.CL
TINY_SCHILLER: A Drop-In German Drama Corpus for Small Language Models
Duale Hochschule Baden-Württemberg Ravensburg（巴登-符腾堡双元制应用技术大学 Ravensburg）
研究针对德语文学文本在小语言模型相关应用的空白，提出Tiny_schiller语料库，经特定处理，可通过单文件和一行代码让小语言模型接触德语文学文本，填补了相关研究和应用的空白。
2026-07-23 cs.AI cs.CL cs.DL
Syntactic Analysis Of Natural Language Using Linguistic Rules And Corpus-based Patterns
我们关注的是非限制语篇的句法注释。我们将基于规则的分析与随后的经验数据开发相结合。基于规则的表面句法分析器在输出中留下一定量的歧义，使用经验模式来解决。我们已经实现了一个系统，用于生成和应用基于语料库的模式。有些模式描述句子中的主要成分，有些模式描述每个句法功能的局部语境。有几个（部分）冗余模式，“模式”解析器选择分析与最严格的可能模式匹配的句子。该系统被应用于一个实验语料库。我们提出的结果，并讨论可能的改进方法从语言学的角度来看。
1994-10-25 cmp-lg cs.CL
Investigating Affect Mining Techniques for Annotation Sample Selection in the Creation of Finnish Affective Speech Corpus
Tampere University（塔尔库大学）；Signal Processing Research Centre（信号处理研究中心）；Language Studies（语言研究）
本文构建了首个自发性芬兰语情感语音语料库，采用结合声学、跨语言语音情感和文本情感特征的情感挖掘方法选择12,000条话语进行标注，并与随机抽样对比，验证了该方法能提升标注多样性，为其他语言的情感语料库构建提供了抽样策略。
2025-05-23 cs.CL cs.LG
Parser agreement and disagreement in L2 Korean UD: Implications for human-in-the-loop annotation
Rochester Institute of Technology（罗切斯特技术学院）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
本文提出一种简化的人工在环流程，利用两个领域适应解析器的一致性进行第二语言韩语形态语法标注，通过对比解析器与人类判断发现其高度一致，支持半自动标注的可行性，并指出解析分歧集中在语言可预测领域。
2026-05-07 cs.CL
A Corpus for Argumentative Writing Support in German
University of St.Gallen（圣加仑大学）；University of Passau（帕绍大学）；University of Kassel（卡塞尔大学）
在本文中，我们提出了一种新的注释方法来捕捉索赔和前提的论点和它们之间的关系，在学生写的有说服力的商业模式的德语同行评审。我们提出了一个注释计划的基础上的注释准则，允许模型的索赔和前提，以及支持和攻击的关系，以捕捉结构的争论性话语在学生写的同行评议。我们对50篇说服性文章进行了一项注释研究，以评估我们的注释方案。所获得的评分者间协议的$α=0.57$的论点组件和$α=0.49$的争论关系表明，建议的注释方案成功地引导注释者适度的协议。最后，我们提出了我们免费提供的语料库的1,000有说服力的学生写的同行评议的商业模式和我们的注释指南，以鼓励未来的研究，为学生设计和开发的议论文写作支持系统。
2020-10-26 cs.CL cs.LG
Persian Rhetorical Structure Theory
University of Tehran（德黑兰大学）
在过去的几年里，人们对语篇分析和语篇句法分析的兴趣稳步增长，许多语篇注释语料库和语篇句法分析器已经建立起来。在本文中，我们提出了一个话语注释语料库的波斯语内置的修辞结构理论的框架，以及建立在DPLP解析器，一个开源的话语解析器的话语解析器。我们的语料库由150个新闻文本组成，每个文本平均约400个单词。语料库文本标注使用18个语篇关系，并根据英语语料库的注释准则。我们的文本级话语解析器使用黄金分割进行训练，并建立在DPLP话语解析器的基础上，DPLP话语解析器使用基于大边距过渡的方法来解决话语解析问题。在F1测度上，我们的语篇分析器在广度（S）、核度（N）和关系（R）检测上的性能分别为78%、64%和44%。
2021-06-25 cs.CL
Fill it up: Exploiting partial dependency annotations in a minimum spanning tree parser
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
依存句法分析的无监督模型通常需要大量干净的、未标记的数据以及黄金标准的词性标记。添加间接监督（例如语言共性和规则）可以有所帮助，但我们表明，获得少量的直接监督-在这里，部分依赖注释-提供了一个强大的零和完全监督之间的平衡。我们适应无监督的ConvexMST依赖解析器学习部分依赖表示的图形片段语言。与不到24小时的总注释，我们获得了7%和17%的绝对改善，在未标记的依赖分数为英语和西班牙语，分别相比，相同的解析器，只使用通用语法约束。
2016-11-26 cs.CL
A Linguistically Interpreted Corpus of German Newspaper Text
在本文中，我们报告的注释计划和注释工具的发展不受限制的德语文本。我们的表示格式是基于参数结构，但也允许提取其他类型的表示。我们讨论了几个方法论问题和一些现象的分析。其他重点是在我们的项目中开发的工具及其应用程序。
1998-07-17 cmp-lg cs.CL
SemClinBr -- a multi institutional and multi specialty semantically annotated corpus for Portuguese clinical NLP tasks
Pontifical Catholic University of Paraná（巴拉那天主教大学）；Philips Research North America（飞利浦北美研究院）
大量的研究集中在从电子健康记录（EHR）中提取病人的信息，导致了对注释语料库的需求增加，这是一个非常有价值的资源，为自然语言处理（NLP）算法的开发和评估。在英语范围之外，特别是在巴西葡萄牙语中，缺乏多用途的临床语料库是显而易见的，并严重影响了生物医学NLP领域的科学进步。在这项研究中，我们开发了一个语义注释语料库，使用来自多个医学专业，文档类型和机构的临床文本。我们提出以下内容：（1）一个调查，列出共同的方面和经验教训，从以前的研究，（2）细粒度的注释模式，可以复制和指导其他注释倡议，（3）基于Web的注释工具，侧重于注释建议功能，（4）内在和外在的评价注释。这项工作的结果是SemClinBr，这是一个拥有1,000个临床笔记的语料库，标记有65,117个实体和11,263个关系，可以支持各种临床NLP任务，并促进EHR对葡萄牙语的二次使用。
2020-01-27 cs.CL cs.IR
ESG-FTSE: A corpus of news articles with ESG relevance labels and use cases
Imperial College London（伦敦帝国学院）；Google DeepMind（谷歌DeepMind）；SOCial ECONomic RESearch London and Frankfurt（伦敦和法兰克福社会经济研究）
本文提出首个带有ESG相关性标注的新闻文章语料库ESG-FTSE及首创的三级ESG标注模式，通过监督与无监督学习实验证明其能有效用于ESG相关性检测与预测。
2024-05-30 cs.AI cs.CL
WenetSpeech-Chuan: A Large-Scale Sichuanese Corpus with Rich Annotation for Dialectal Speech Processing
Beijing AISHELL Technology Co., Ltd.（北京AISHELL科技有限公司）；Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究所（TeleAI））；School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院）；WeNet Open Source Community（WeNet开源社区）
本文提出WenetSpeech-Chuan，一个1万小时四川话开源语料库及Chuan-Pipeline处理框架，并发布人工验证的ASR/TTS基准，实验证明其性能达开源最优、可比商业服务，有力推动方言语音研究与AI公平。
2025-09-22 cs.CL cs.SD
Teochew-Wild: The First In-the-wild Teochew Dataset with Orthographic Annotations
School of Computer Science and Engineering, South China University of Technology（计算机科学与工程学院，华南理工大学）；Guangzhou No.6 Middle School（广州第六中学）
本文构建了首个公开的潮州话野外语音数据集 Teochew-Wild，包含18.9小时带正字法和拼音标注的多说话人语音，并提供配套工具，实验证明其能有效支持潮州话ASR和TTS任务。
2025-05-08 cs.AI cs.CL
DementiaBank-Emotion: A Multi-Rater Emotion Annotation Corpus for Alzheimer's Disease Speech (Version 1.0)
Sue & Bill Gross School of Nursing, University of California, Irvine (UCI)（加州大学厄尔布雷特分校护理学院）；Donald Bren School of Information and Computer Sciences, UCI, USA（加州大学厄尔布雷特分校信息与计算机科学学院）；Smart Forward, Rancho Palos Verdes, USA（Smart Forward公司）；Dept. of Psychiatry and Human Behavior, UCI, USA（加州大学厄尔布雷特分校精神病学与人类行为系）；Amore Senior Living, Laguna Niguel, USA（Amore Senior Living公司）；School of Medicine, University of California, Irvine（加州大学厄尔布雷特分校医学院）；Purdue University, West Lafayette, USA（普渡大学）；The George Washington University, Washington, D.C., USA（乔治华盛顿大学）
DementiaBank-Emotion语料库通过多评分标注揭示阿尔茨海默病患者语音中情绪表达特征，发现其非中性情绪比例显著高于健康对照，且在情绪-语调映射方面存在部分保留。
2026-02-04 cs.CL cs.SD
Cross-lingual Abstract Meaning Representation Parsing
University of Edinburgh（爱丁堡大学）
摘要意义表示（AMR）注释工作主要集中在英语上。为了训练其他语言的语法分析器，我们提出了一种基于注释投影的方法，该方法涉及利用源语言中的注释以及源语言和目标语言的并行语料库。使用英语作为源语言，我们显示了意大利语，西班牙语，德语和中文作为目标语言的可喜成果。除了在非黄金数据集上评估目标解析器之外，我们还提出了一种评估方法，该方法利用英语黄金注释，并且不需要访问目标语言的黄金注释。这是通过颠倒投影过程来实现的：从目标语言解析器学习新的英语解析器，并根据现有的英语黄金标准进行评估。
2018-02-24 cs.CL
LibriTTS-P: A Corpus with Speaking Style and Speaker Identity Prompts for Text-to-Speech and Style Captioning
LY Corp.（LY公司）
本文提出基于 LibriTTS-R 的 LibriTTS-P 语料库，通过人工与合成混合标注提供说话风格和身份提示，并验证其可提升可控 TTS 自然度及风格描述准确性。
2024-06-12 cs.CL cs.LG cs.SD
Bagging and Boosting a Treebank Parser
将Bagging和Boosting这两种有效的机器学习技术应用到自然语言句法分析中。使用这些技术与可训练的统计分析器的实验进行了描述。最好的结果系统提供了大致一样大的增益F-测量的语料库大小的两倍。对Boosting技术结果的错误分析揭示了Penn Treebank中的一些不一致注释，提出了一种半自动查找不一致树库注释的方法。
2000-06-05 cs.CL
Biaffine Discourse Dependency Parsing
我们提供了一个研究，使用双仿射模型的神经话语依存句法分析，并取得显着的性能改善相比，基线分析器。在任务中我们比较了Reynner算法和Chu-Liu-Edmonds算法，发现Chu-Liu-Edmonds算法生成的树更深，性能更好。我们还用平均最大路径长度和平均叶节点比例来评价解析器的输出结构，发现解析器生成的依赖树接近于黄金树。由于语料库允许非投射结构，我们分析了语料库非投射性的复杂性，发现该语料库中的依赖结构的间隙度和边缘度最多为1。
2022-01-12 cs.CL
Hierarchical Annotation for Building A Suite of Clinical Natural Language Processing Tasks: Progress Note Understanding
University of Wisconsin（威斯康星大学）；Loyola University Chicago（芝加哥洛约拉大学）；Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）
将自然语言处理方法应用于电子健康记录（EHR）数据是一个不断发展的领域。现有的语料库和标注集中在文本特征建模和关系预测上。然而，有一个注释的语料库建立临床诊断思维，涉及文本理解，领域知识的抽象和推理的过程中，一个缺乏。这项工作介绍了一个层次化的注释模式，有三个阶段，以解决临床文本理解，临床推理和总结。我们创建了一个注释语料库的基础上广泛收集的公开可用的每日进展记录，一种类型的EHR文档，是在时间序列中收集的问题为导向的格式。进度记录的常规格式遵循主观、客观、评估和计划标题（SOAP）。我们还定义了一套新的任务，进度说明理解，三个任务利用三个注释阶段。这套新的任务旨在训练和评估未来的NLP模型，用于临床文本理解、临床知识表示、推理和总结。
2022-04-06 cs.AI cs.CL cs.CY
Improved Parsing for Argument-Clusters Coordination
Bar-Ilan University（巴伊兰大学）
句法分析器在预测论元-聚类协调（ACC）方面表现不佳。我们改变了ACC的PTB表示，使其更适合于通过统计PCFG解析器进行学习，影响了训练集中的125棵树。修改后的树上的训练在第22节和第23节的EVALB评分中产生了轻微的改善。主要的评价是在四年级科学考试的语料库，其中ACC结构是普遍存在的。在这个语料库中，我们获得了令人印象深刻的x2.7的改进，在恢复ACC结构相比，在原来的PTB树上训练的解析器。
2016-06-01 cs.CL
Anchoring and Agreement in Syntactic Annotations
CSAIL MIT（麻省理工学院计算机科学与人工智能实验室）
我们提出了一个研究人类句法注释的两个关键特征：锚定和协议。认知偏差是人类决策中的一种认知偏差，其中判断被引向预先存在的价值。我们研究锚定的影响，通过人工编辑的标签和解析器的输出，获得句法注释的句法资源的标准方法创建。我们的实验证明了一个明确的锚定效应，并揭示了不必要的后果，包括高估的解析性能和较低的质量的注释相比，基于人类的注释。使用句子从宾州树库华尔街日报，我们还报告了系统获得的注释器间协议估计英语依存句法分析。我们的协议结果控制解析器的偏见，是必然的，因为他们是与国家的最先进的解析性能为英语新闻专线。我们讨论了我们的研究结果对未来的注释工作和解析器评估策略的影响。
2016-09-21 cs.CL
