|
「中央研究院現代漢語語料庫」
（簡稱「研究院語料庫」(Sinica Corpus)）是專門針對語言分析而設計的，每個文句都依詞斷開，並標示
詞類。語料的蒐集也盡量做到現代漢語分配在不同的主題和語式上，是現代漢語無窮多的語句中一個代表
性的樣本。
這個語料庫是由中央研究院資訊所、語言所詞庫小組完成的。該小組由陳克健(資訊所)、黃居仁
(語言所) 兩位研究員主持，自一九九０年前後便開始致力於漢語語料的蒐集。於一九九一年得蔣經
國基金會補助，開始構建語料庫； 並於一九九四年分別得到中央研究院「中文資訊」跨所研究群專案計畫
及 國科會計畫補助， 正式開始進行語料標誌。一九九五年七月完成第一版(兩百萬詞)， 一九九六年十一
月經計算中心設計規劃完成 ＷＷＷ版，開放供各界使用(On www since November 1996) 。並於一九九七
年完成3.0版，約五百萬詞。
語料庫依照各主題其詞類、字數和篇數如下：
| 主題 |
加總的詞數 |
加總的字數 |
篇數 |
| 文學 | 777050 | 1169801 |
1385 |
| 生活 | 858750 | 1398791 |
2301 |
| 社會 | 1610997 | 2711720 |
3246 |
| 科學 | 629838 | 1054738 |
994 |
| 哲學 | 439955 | 673080 |
695 |
| 藝術 | 474340 | 781415 |
518 |
| 空白 | 101394 | 160306 |
89 |
| 加總結果 |
4892324 |
7949851 |
9228 |
如欲更進一步了解語料庫的內容，請參考中央研究院資訊所、語言所詞庫小組所編技術報告第 95-02/98-04號「中央研究院漢語料庫的內容與說明」。
中央研究院資訊科學研究所、語言學研究所與計算中心. All Rights Reserved.
若有錯誤指正或改良建議等
歡迎寄電子郵件至 林素朱 小姐
|
￭
中研院
語言所
。
資訊所
。
計算機中心
製作
￭版權聲明
