都柏林圣三一学院 发布 Southern Newswire Corpus 数据集, 应用在 新闻文章、文本分析 领域

都柏林圣三一学院 本次发布的数据集 Southern Newswire Corpus, 南方电讯文章语料库是一个大规模的历史电讯文章数据集，由美国南方报纸于1960年至1975年间出版的约1000万页数字化报纸中提取而得，涵盖了美联社、合众国际社和报业企业协会等多家电讯服务机构的文章。这个数据集不仅包括了报纸头版的文章，还包括了整个报纸中的文章，大大增加了电讯来源材料的范围。数据集提供了经过大型语言模型清理的版本和原始OCR版本，以减少光学字符识别噪声，提高了定量文本分析的适用性。此外，数据集还保留了文章的不同版本，以供分析不同报纸编辑在语言和框架上的差异。该数据集适用于计算社会科学、数字人文和历史语言学等领域的研究，为理解美国南方报纸如何传达国家和国际新闻，以及这些新闻如何塑造公共话语提供了详细视角。

查看Southern Newswire Corpus

关于 都柏林圣三一学院 , 都柏林圣三一学院是爱尔兰最古老的大学，以其卓越的教育质量和研究成果闻名，位于都柏林市中心。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。