Corlega: Corpus de Lecturabilidade en Galego

Corlega é un corpus de textos en galego de diversos xéneros, subxéneros e tipos textuais clasificados en función do seu nivel de lecturabilidade (ou complexidade do texto para a súa lectura). Estes textos foron seleccionados pensando en persoas adultas con interese en aprender ou mellorar a lingua como público obxectivo. Os textos están en formato .txt (codificados en utf8). O obxectivo da creación do corpus é a de adestrar e avaliar ferramentas de clasificación automática de textos en galego. Extensión do corpus: 480 textos, 134518 tokens Os niveis foron definidos pola autora, baseándose na proposta de niveis do proxecto europeo iRead4Skills (very easy, easy, plain, more complex), que foi contrastada e ampliada coas especificacións, especialmente sobre comprensión lectora, dos niveis Celga e do MCER e cunha análise de contidos dos manuais Aula de galego. A equivalencia aproximada entre estes niveis e os niveis de competencia do MCER, o Celga, o ALTE e o proxecto iRead4Skills é a seguinte: Corlega iRead4Skills MCER Celga ALTE Nivel 1 very easy A1 - - Nivel 2 easy A2 Celga 1 Level 1 Nivel 3 plain B1 Celga 2 Level 2 Nivel 4 more complex B2 / C1 / C2 Celga 3 / 4 / 5 Level 3 / 4 / 5 Os textos son representativos dos seguintes dominios comunicativos: 1- Comunicación persoal (mensaxes, diarios e blogs) 2- Comunicación profesional (mensaxes, notas de prensa e webs) 3- Medios de comunicación (biografías, entrevistas, reportaxes, novas, artigos de opinión...) 4- Publicidade e difusión (anuncios, etiquetas, menús...) 5- Literatura didáctica (dicionarios e libros autodidácticos) 6- Literatura de ficción (novela, poesía e teatro) 7- Literatura de non ficción (crónicas, diarios de viaxe, guías turísticas...) 8- Política (discursos e programas) 9- Legal e administrativos (textos legais e textos administrativos) 10- Relixión (escrituras e ensinanzas) 11- Didáctico (textos extraídos de materiais para a ensinanza do galego como lingua estranxeira)