Corpus annoté en Khasi (Tham)

Le corpus annoté Tham Khasi comprend des phrases en Khasi, une langue austro-asiatique, extraites à partir de manuels scolaires destinés à des étudiants de niveaux secondaire, lycée et d’études supérieures pendant l’année 2015-2016. Chaque mot du corpus est séparé par un espace et chaque fin phrase est marquée par des signes de ponctuation comme le point (.), point d’interrogation (?) ou point d’exclamation (!). L’annotation des phrases en partie du discours a été réalisée en utilisant le standard d’annotation BIS (Bureau Indien des Standards) qui est la norme d’annotation pour les langues indiennes. Le corpus contient 83312 mots, 4386 phrases et 5465 types de mots pour un total de 94651 tokens (ponctuations inclues). Le corpus est fourni sous la forme d’un seul fichier au format texte.