语言学研究用数据集，目前提供英语和法语数据集。这些数据集由[lxa-py](https://github.com/lxa2015/lxa-py)程序生成。英语部分包括原始语料文本english-brown.txt，大小为5.9MB，包含约100万词令牌和50,000词类型。_archives文件夹包含一些感兴趣的派生数据集，将整合到语言文件夹下。

github2015-12-05 更新220

What would disprove interdependence? (data and code)

双语能力

语言学研究

These are the datasets and R code accompanying the article "What would disprove interdependence? Lessons learned from a study on biliteracy in Portuguese heritage language speakers in Switzerland" by

DataCite Commons2020-09-02 更新120

新闻联播语料

新闻传播

语言学研究

2016年至2019年6月的新闻联播语料，非官方发布，不对数据准确性做保证，仅用于学术交流，严禁用于商业目的。

github2023-11-06 更新1230

CCAE/CCAE-Corpus

语言学研究

NLP应用

CCAE数据集是一个专注于研究亚洲英语变体的多品种语料库，特别是基于中文的亚洲英语。该数据集包含来自六个地区的448,000个网页文档，共计3.4亿个标记。这些数据为亚洲英语（尤其是中文英语）的研究提供了丰富的资源，并且是进行特定变体语言建模和下游任务的理想选择。初步的实验结果已经展示了该数据集在实际应用中的价值。

Hugging Face2024-07-06 更新190

French Battery Training

资源简介：

相关数据集