Jeu de données de segmentation non normalisée- castillan médiéval

Jeu de données de segmentation/tokénisation sur un corpus non régularisé en sortie d'HTR/OCR. Castillan médiéval (15e siècle); manuscrit (deux témoins,55%) et incunable (un témoin, 45%). Les normes de segmentation sont celles du castillan actuel. Le jeu de données fait environ 37.000 lignes pour l'instant. Il est produit à partir de mon corpus de thèse. Le corpus provient de deux manuscrits et d'un incunable qui contiennent le <em>Regimiento de los prínçipes</em>. <code>Val_S</code>: Ms. 251, Universidad de Valladolid. Fols 1r-27r et 175r-197v. <code>Sev_Z</code>: Inc/901, Bibliothèque Nationale d'Espagne. Fols 1r-114r et 153r-249v. <code>Mad_A</code>: Inv. 15304, Bibliothèque de la Fundación Lázaro Galdiano, fols. 237v-274v. <code>Sal_L</code>: Ms 2709, Bibliothèque Universitaire de Salamanque, fols. 365r-391r. Le corpus peut difficilement servir pour l'étude du texte. Les changements de folio ne sont pas toujours indiqués; certaines lignes trop mal transcrites ont été supprimées. Citer le corpus Merci de citer ma thèse de doctorat si vous utilisez ce corpus: Matthias Gille Levenson, La version B du <em>Regimiento de los prínçipes</em> glosé (1374-1494) : étude et éditions de la partie sur le gouvernement de la cité par temps de guerre (III,3), thèse de doctorat en préparation sous la direction de Carlos Heusch et de Jesús R. Velasco本数据集基于手写文本识别（Handwritten Text Recognition, HTR）与光学字符识别（Optical Character Recognition, OCR）输出的非规范化语料库，用于分割与标记化（Tokenization）任务。数据集涵盖15世纪中世纪卡斯蒂利亚语语料，其来源分为两类：手稿类含2份传世抄本（占比55%），古版印刷本（incunable）类含1份传世本（占比45%）。分割规范采用现代卡斯蒂利亚语标准。目前本数据集共包含约37000条语料行，源自本人博士研究语料库。 该语料库的文本均来自两部手稿与一部古版印刷本中收录的《王子之鉴》（*Regimiento de los prínçipes*）。 <code>Val_S</code>：巴利亚多利德大学（Universidad de Valladolid）藏Ms. 251号手稿，涉及对开页1正面至27正面与175正面至197反面。 <code>Sev_Z</code>：西班牙国家图书馆（Bibliothèque Nationale d'Espagne）藏Inc/901号古版印刷本，涉及对开页1正面至114正面与153正面至249反面。 <code>Mad_A</code>：拉萨罗·加尔达诺基金会图书馆（Bibliothèque de la Fundación Lázaro Galdiano）藏Inv. 15304号藏品，涉及对开页237反面至274反面。 <code>Sal_L</code>：萨拉曼卡大学图书馆（Bibliothèque Universitaire de Salamanque）藏Ms 2709号手稿，涉及对开页365正面至391正面。 本语料库不适用于文本考据研究：对开页的跳转标注并不完备，且已剔除部分转录质量极差的语料行。 语料库引用说明：若使用本语料库，请引用本人尚在撰写中的博士学位论文：Matthias Gille Levenson，《带注释的<王子之鉴>B版（1374-1494）：战争时期城市治理章节研究与校勘（第三卷第三章）》，由Carlos Heusch与Jesús R. Velasco指导。