پیکره بزرگ متنی فارسی

معرفی: 

پیکره بزرگ متنی فارسی یک پیکره زبانی حاصل از خزش 24 وبگاه خبری است که قابلیت روزآیندشدگی خودکار دارد. این پیکره می‌تواند در پژوهش‎های علوم انسانی مبتنی بر داده مورد استفاده قرار گیرد. در این مدل خزش، اخبار به‎صورت روزانه از وبگاه‎های خبری خزش شده و به داده‌‏های قبلی  افزوده می‌‏شود؛ بنابراین یک فرایند پیوستار و پویا در فرایند جمع‎آوری داده وجود دارد و مقطعی نیست. نتیجۀ این عملکرد می‎تواند ضمن به‌روزرسانی روزانه داده‌ها در پایگاه پیکره، از این اطلاعات برای رصد تغییرات زبانی و یافتن نوواژه‌های واردشده به زبان کمک گرفت. همچنین می‌توان از این پیکره برای بررسی تحولات رویدادهای سیاسی، اقتصادی، اجتماعی و مانند آن در جامعه ایران به‌صورت روزانه پرداخت. این پیکره شامل داده‌های خبری از 1368 تا کنون می‌باشد و فرایند خزش روزانه 6 بار از وبگاه‌های خبری همچنان ادامه دارد و به پایگاه داده پیکره اضافه می‌گردد.

براساس گزارش استخراج‌شده از پایگاه داده پیکره در تاریخ 1401/2/21، تعداد اسناد خزش‎شده موجود، در بازه زمانی 1368/4/1 تا 1401/2/21، بالغ‏‎بر 44 میلیون خبر است که این حجم داده بیش‎از 14 میلیارد واژه را شامل شده‌است. جزئیات مربوط به هر وبگاه خبری در این بازه زمانی در جدول زیر گزارش شده‌است:

اطلاعات ارجاع: 

قیومی، مسعود (1400) تأسیس پرتال کرونا از منظر علوم انسانی و اجتماعی: ابعاد دانش در گردآوری روشمند و مدل‌سازی داده‌های متنی، گزارش فنی، پژوهشکده زبان‌شناسی، پژوهشگاه علوم انسانی و مطالعات فرهنگی، تهران، ایران.

سایر مستندات: 

قیومی، مسعود (1401) ارزیابی ساختار هرم وارونه در پیکرۀ بزرگ خبری فارسی: تحلیل گفتمان خبری براساس همبستگی میان عنوان و محتوای خبر. مجله زبان و زبان‌شناسی، 18(35): 21-45.