Copertina

The Growing Gains and Pains of Iterative Web Corpora Crawling: Insights from South Slavic CLASSLA-web 2.0 Corpora

Fuente: arXiv

Salvato in:

Dettagli Bibliografici
Autori principali:	Pungeršek, Taja Kuzman, Rupnik, Peter, Suchomel, Vít, Ljubešić, Nikola
Natura:	Preprint
Pubblicazione:	2026
Soggetti:	Computation and Language
Accesso online:	Acceder al recurso
Tags:	Aggiungi Tag Nessun Tag, puoi essere il primo ad aggiungerne!!

Documenti analoghi

CLASSLA-web: Comparable Web Corpora of South Slavic Languages Enriched with Linguistic and Genre Annotation
di: Ljubešić, Nikola, et al.
Pubblicazione: (2024)

ParlaSpeech 3.0: Richly Annotated Spoken Parliamentary Corpora of Croatian, Czech, Polish, and Serbian
di: Ljubešić, Nikola, et al.
Pubblicazione: (2025)

State of the Art in Text Classification for South Slavic Languages: Fine-Tuning or Prompting?
di: Pungeršek, Taja Kuzman, et al.
Pubblicazione: (2025)

Language Models on a Diet: Cost-Efficient Development of Encoders for Closely-Related Languages via Additional Pretraining
di: Ljubešić, Nikola, et al.
Pubblicazione: (2024)

Supercharging Agenda Setting Research: The ParlaCAP Dataset of 28 European Parliaments and a Scalable Multilingual LLM-Based Classification
di: Pungeršek, Taja Kuzman, et al.
Pubblicazione: (2026)

Do Language Models Care About Text Quality? Evaluating Web-Crawled Corpora Across 11 Languages
di: van Noord, Rik, et al.
Pubblicazione: (2024)

LLM Teacher-Student Framework for Text Classification With No Manually Annotated Data: A Case Study in IPTC News Topic Classification
di: Kuzman, Taja, et al.
Pubblicazione: (2024)

Charting the European LLM Benchmarking Landscape: A New Taxonomy and a Set of Best Practices
di: Vintar, Špela, et al.
Pubblicazione: (2025)

CLASSLA-Express: a Train of CLARIN.SI Workshops on Language Resources and Tools with Easily Expanding Route
di: Ljubešić, Nikola, et al.
Pubblicazione: (2024)

Wiki Dumps to Training Corpora: South Slavic Case
di: Škorić, Mihailo, et al.
Pubblicazione: (2026)

The ParlaSent Multilingual Training Dataset for Sentiment Identification in Parliamentary Proceedings
di: Mochtak, Michal, et al.
Pubblicazione: (2023)

Mići Princ -- A Little Boy Teaching Speech Technologies the Chakavian Dialect
di: Ljubešić, Nikola, et al.
Pubblicazione: (2026)

Identifying Primary Stress Across Related Languages and Dialects with Transformer-based Speech Encoder Models
di: Ljubešić, Nikola, et al.
Pubblicazione: (2025)

The ParlaSpeech Collection of Automatically Generated Speech and Text Datasets from Parliamentary Proceedings
di: Ljubešić, Nikola, et al.
Pubblicazione: (2024)

New Textual Corpora for Serbian Language Modeling
di: Škorić, Mihailo, et al.
Pubblicazione: (2024)

Building High-Quality Datasets for Portuguese LLMs: From Common Crawl Snapshots to Industrial-Grade Corpora
di: Almeida, Thales Sales, et al.
Pubblicazione: (2025)

Mathematical Entities: Corpora and Benchmarks
di: Collard, Jacob, et al.
Pubblicazione: (2024)

Building and Aligning Comparable Corpora
di: Saad, Motaz, et al.
Pubblicazione: (2025)

Validating and Exploring Large Geographic Corpora
di: Dunn, Jonathan
Pubblicazione: (2024)

AI Brown and AI Koditex: LLM-Generated Corpora Comparable to Traditional Corpora of English and Czech Texts
di: Milička, Jiří, et al.
Pubblicazione: (2025)

Guylingo: The Republic of Guyana Creole Corpora
di: Clarke, Christopher, et al.
Pubblicazione: (2024)

Unsupervised Location Mapping for Narrative Corpora
di: Wagner, Eitan, et al.
Pubblicazione: (2025)

Identifying Emerging Concepts in Large Corpora
di: Ma, Sibo, et al.
Pubblicazione: (2025)

Bias in News Summarization: Measures, Pitfalls and Corpora
di: Steen, Julius, et al.
Pubblicazione: (2023)

Comparable Corpora: Opportunities for New Research Directions
di: Church, Kenneth
Pubblicazione: (2025)

Improving the quality of Web-mined Parallel Corpora of Low-Resource Languages using Debiasing Heuristics
di: Fernando, Aloka, et al.
Pubblicazione: (2025)

Quality Does Matter: A Detailed Look at the Quality and Utility of Web-Mined Parallel Corpora
di: Ranathunga, Surangika, et al.
Pubblicazione: (2024)

When Should Dense Retrievers Be Updated in Evolving Corpora? Detecting Out-of-Distribution Corpora Using GradNormIR
di: Ko, Dayoon, et al.
Pubblicazione: (2025)

Active Learning for Multilingual Fingerspelling Corpora
di: Wang, Shuai, et al.
Pubblicazione: (2023)

From Clerks to Corpora: essays on the English language yesterday and today
di: Sundkvist, Peter, et al.
Pubblicazione: (2015)

Multilingual and Explainable Text Detoxification with Parallel Corpora
di: Dementieva, Daryna, et al.
Pubblicazione: (2024)

Attributing Culture-Conditioned Generations to Pretraining Corpora
di: Li, Huihan, et al.
Pubblicazione: (2024)

Grammar and Corpora 2016
di: Fuß, Eric, et al.
Pubblicazione: (2018)

A Review of the Challenges with Massive Web-mined Corpora Used in Large Language Models Pre-Training
di: Perełkiewicz, Michał, et al.
Pubblicazione: (2024)

Disambiguating Numeral Sequences to Decipher Ancient Accounting Corpora
di: Born, Logan, et al.
Pubblicazione: (2025)

Exploring Large Language Models in Healthcare: Insights into Corpora Sources, Customization Strategies, and Evaluation Metrics
di: Yang, Shuqi, et al.
Pubblicazione: (2025)

EmbGen: Teaching with Reassembled Corpora
di: Lenin, Arun K, et al.
Pubblicazione: (2026)

Identifying Quantum Mechanical Statistics in Italian Corpora
di: Aerts, Diederik, et al.
Pubblicazione: (2024)

CAMEO: Collection of Multilingual Emotional Speech Corpora
di: Christop, Iwona, et al.
Pubblicazione: (2025)

Semiparametric Latent Topic Modeling on Consumer-Generated Corpora
di: Dayta, Dominic B., et al.
Pubblicazione: (2021)