Πηγή κειμένων Ιδρύματος Ευγενίδου

[BotPrometheus]

Χαιρετώ την ομάδα που είχε την ιδέα αυτή.

Η ανοικτή βιβλιοθήκη του Ιδρύματος Ευγενίδου
https://www.eef.edu.gr/el/to-idryma/ekdoseis/katalogos-bibliothikes-seires/
περιέχει πολλά τεχνικά κείμενα στα Ελληνικά.

Υπάρχει κάποια εξέλιξη με το project; Ίσως κάποιοι βραχυπρόθεσμοι στόχοι;

[zvr]

Όσα από τα αρχεία έλεγξα από αυτό το site ήταν PDF με περιεχόμενο σκαναρισμένη εικόνες των σελίδων, χωρίς το κείμενο. Άρα για να χρησιμοποιηθούν θα πρέπει να περάσουν από OCR.

Πιο βασικό, από την παραπάνω σελίδα:

[...] διευκρινίζεται ότι η εν λόγω άδεια παρέχεται μόνον για ιδιωτική χρήση και απαγορεύεται η αναδημοσίευση και γενικά η αναπαραγωγή των εκδόσεων του Ιδρύματος Ευγενίδου, η αποθήκευσή τους σε βάση δεδομένων, η αναμετάδοσή τους σε ηλεκτρονική ή οποιαδήποτε άλλη μορφή

[BotPrometheus]

Τα παλαιότερα βιβλία είναι σκαναρισμένα. Τα νεότερα είναι κείμενο.
Για την άδεια, αν έστελνε η ομάδα ένα email για να χρησιμοποιηθούν τα κείμενά τους το πιθανότερο να απαντήσουν θετικά.

Θα κοιτάξω και άλλες πηγές.
Συγχαρητήρια για την προσπάθειά σας.
Αν χρειάζεστε και κάτι από programming θα είμαι διαθέσιμος.

[ninagial]

Η πηγή θα ενταχθεί στην απογραφή. Το πρόβλημα με τα OCR είναι ότι ούτε αυτά έχουν τις επιθυμητές επιδόσεις στα ελληνικά, και κάθε σελίδα που επεξεργαζόμαστε με OCR φέρνει ακόμα μια επιβάρυνση σε ανθρωποπροσπάθεια για τη διόρθωση. Για τους λόγους αυτούς το έχουμε κατεβάσει σε προτεραιότητα. Υπάρχουν πολύτιμες πηγές όμως σε αυτήν την μορφή, τις οποίες δεν μπορούμε να αγνοήσουμε αν όντως στοχεύουμε σε αντιπροσωπευτική κάλυψη της Κοινής Νέας Ελληνικής, αλλά και του εκτεταμένου αρχαϊκού ρεπερτορίου που επιβιώνει ειδικά σε νομικά, ιστορικά, ακαδημαϊκά και άλλα κείμενα. Ως σημείωση σε αυτό, ας μην ξεχνάμε ότι και η περαιτέρω εκπαίδευση OCR μοντέλων στα ιστορικά ελληνικά κείμενα είναι επίσης μέσα στην στόχευσή μας, εφόσον μπορούμε να το αναλάβουμε.