El dataset está compuesto por publicaciones históricas de prensa en dominio público digitalizadas por la Biblioteca Nacional de España (BNE). Abarca contenidos desde el siglo XVII hasta el XX y está disponible en formato PDF junto con sus correspondientes archivos OCR descargables en texto plano. La calidad del OCR es variable debido a factores como la fecha de digitalización y el estado de conservación de los originales. Parte del corpus incluye correcciones manuales colaborativas, que constituyen recursos de gran valor como datos de referencia (“ground truth”) para el entrenamiento y evaluación de sistemas automáticos.
Idioma(s)
Español
Enlace descripción Dataset
Año
2025
Anotaciones
El conjunto de datos incluye información de etiquetado bibliográfico y estructural asociada a cada publicación y número, como el título, la fecha, el número de edición y los metadatos de colección proporcionados por la BNE. Además, los archivos de texto completo derivados del OCR conservan señales estructurales básicas (por ejemplo, segmentación por páginas y por números), lo que permite la alineación entre las imágenes escaneadas, los PDFs y su contenido textual correspondiente para su posterior procesamiento y anotación.
Formato
txt
Acceso a datos
Publico
Enlace acceso a datos
Publicación
Montejo-Ráez, A. et al. 2025. Overview of PastReader at IberLEF 2025: Transcribing Texts From the Past. Procesamiento del Lenguaje Natural, 75, pp. 453-460.
Enlace publicación
NLP Topic
Número de unidades
12195
Documentos
12195
Tamaño
12195.00MB
Tamaño set entrenamiento
8959
Tamaño set evaluación
2736
Tamaño set desarrollo
500
- Inicie sesión o registrese para enviar comentarios
