Suomen kielen tekstikokoelma (Finnish Text Collection)

Perustiedot

Koostaja Kotimaisten kielten tutkimuskeskus, Helsingin yliopiston yleisen kielitieteen laitos, Joensuun yliopiston yleinen kielitiede
Kieli suomi
Tekstilaji 1990-luvulta erityisesti lehtitekstejä, myös kaunokirjallisia tekstejä
Datan määrä 97 alakokoelmaa, 650 000 dokumenttia ja 180 miljoonaa sanaa
Muoto XML
Käyttöoikeusluokat FTC: CLARIN RES+PLAN+BY+NC+NORED+ND, ja oskorpus FTC-B: CLARIN RES +PLAN+BY+NORED+ND
Saatavuus sovelluspalvelin (kirjautumisohjeet)
Morfosyntaktisesti jäsennetyt osakorpukset ovat käytössä myös Korp-käyttöliittymätse (ks. Korpin käyttöohjeet)
FTC ja FTC-B (kaupalliseen käyttöön) ovat ladattavissa latauspalvelusta .
Sovelluspalvelimen hakemisto /appl/kielipankki/ftc/
Kuvailutiedot META-SHARE
Kukin alikorpus on lisäksi tarkemmin kuvattu alempana tällä sivulla.

Sisältö ja rakenne

Suomen kielen tekstikokoelma sisältää kirjoitettuja tekstejä 1990-luvulta muun muassa Helsingin Sanomista, Karjalaisesta, Kauppalehdestä, Tekniikan Maailmasta sekä WSOY:n kauno- ja tietokirjoista.

Aamulehti

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1995 aamulehti/1995/ 13981 3838400 b-lic xml 2
1999 aamulehti/1999/ 61529 16608843 b-lic xml 2

Demari

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1995 demari/1995/ 5673 2051156 b-lic xml 2
1997 demari/1997/ 290 90480 b-lic xml 1 Osassa kokoelman dokumenteista on ääkköset virheellisesti koodattu.
1998 demari/1998/ 5295 1578721 b-lic xml 1 Osassa kokoelman dokumenteista on ääkköset virheellisesti koodattu.
1999 demari/1999/ 9826 2939448 b-lic xml 1 Osassa kokoelman dokumenteista on ääkköset virheellisesti koodattu.
2000 demari/2000/ 2196 660039 b-lic xml 1 Osassa kokoelman dokumenteista on ääkköset virheellisesti koodattu.

Helsingin Sanomat

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1990 helsinginsanomat/1990/ 48 3066995 a-lic xml 3 Ei toistaiseksi morfosyntaktisesti tagattu eikä Lemmiessä käytettävissä.
1995 helsinginsanomat/1995/ 102785 22064252 a-lic xml 1 Osakorpus tagattu Textmorfolla ja viety Lemmie-järjestelmään Hesarin osastokoodien mukaan pilkottuna.
1996 helsinginsanomat/1996/ 102669 21629921 a-lic xml 1 Ei toistaiseksi morfosyntaktisesti tagattu eikä Lemmiessä käytettävissä.
1997 helsinginsanomat/1997/ 39887 8224152 a-lic xml 1 Ei toistaiseksi morfosyntaktisesti tagattu eikä Lemmiessä käytettävissä.

Huom! Helsingin Sanomien vuosikerrat 1995-1997 on jaettu edelleen kuukausien ja osastojen mukaan. Hakemistonimessä on ensin joka kuukaudelle oma numeronsa 01-12 ja sitten osastokoodi, esim. helsinginsanomat/1995/05/KU.

Osastokoodit

Hyvinkään Sanomat

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1994 hyvinkaansanomat/1994/ 2462 717546 b-lic xml 1
1997 hyvinkaansanomat/1997/ 5001 1460114 b-lic xml 1

Hämeen Sanomat

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja >Lisähuomiot
1999 hameensanomat/1999/ 4384 1047190 b-lic xml 1
2000 hameensanomat/2000/ 798 195844 b-lic xml 1

Iltalehti

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1996 iltalehti/1996/ 2929 955644 b-lic xml 2

Kaleva

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1996 kaleva/1996/ 203 69772 a-lic xml 2 Ei morfosyntaktisesti tagattu.
1998-1999 kaleva/1998_1999/ 37863 9758628 a-lic xml 1

Kangasalan Sanomat

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
kangasalansanomat/ 1355 251760 b-lic xml 1 Julkaisuajankohdat ei ole tiedossa.

Karjalainen

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1991 karjalainen/1991/ 8380 2651281 b-lic xml 4
1992 karjalainen/1992/ 14600 4415638 b-lic xml 4
1993 karjalainen/1993/ 10211 3167189 b-lic xml 4
1994 karjalainen/1994/ 15381 4886661 b-lic xml 4
1995 karjalainen/1995/ 18343 6178856 b-lic xml 4
1997 karjalainen/1997/ 21526 6341456 b-lic xml 4
1998 karjalainen/1998/ 20091 5970089 b-lic xml 4
1999 karjalainen/1999/ 7351 2161886 b-lic xml 4
karjalainen/unspec/ 164 60794 b-lic xml 4 Joukko Karjalaisen artikkeleita, joissa ei ole julkaisupäivämäärämerkintää.

Kauppalehti

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1991 kauppalehti/1991/ 527 158286 b-lic xml 2
1992 kauppalehti/1992/ 250 71839 b-lic xml 2
1993 kauppalehti/1993/ 247 93591 b-lic xml 2
1994 kauppalehti/1994/ 245 68612 b-lic xml 2
1995 kauppalehti/1995/ 275 77734 b-lic xml 2

Keskisuomalainen

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot 1994 keskisuomalainen/1994/ 8367 3648320 b-lic xml 2 1999 keskisuomalainen/1999/ 28886 792883 b-lic xml 1

Turun Sanomat

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1998 turunsanomat/1998/ 43861 11400290 b-lic xml 1
1999 turunsanomat/1999/ 44756 11821904 b-lic xml 1

Kauppalehti Optio

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1995 optio/1995/ 364 34296 b-lic xml 2

Suomen Kuvalehti

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1987 suomenkuvalehti/1987/ 19 519749 b-lic xml 3
1994 suomenkuvalehti/1994/ 20 516494 b-lic xml 3
1995 suomenkuvalehti/1995/ 18 508738 b-lic xml 3

Tekniikan Maailma

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1995 tm/1995/ 1 1432 b-lic xml 2
1996 tm/1996/ 142 149136 b-lic xml 2
1997 tm/1997/ 11 13888 b-lic xml 2

Huom! Lemmiessä Tekniikan Maailman vuosikerrat 1995-1997 on yksi korpus, jonka tunniste on tm1995_1997.

Yliopisto-lehti

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1995 hy/1995/ 154 359121 b-lic xml 3 Ei toistaiseksi morfosyntaktisesti tagattu eikä Lemmiessä käytettävissä.
1996 hy/1996/ 364 488886 b-lic xml 3 Ei toistaiseksi morfosyntaktisesti tagattu eikä Lemmiessä käytettävissä.
1997 hy/1997/ 339 476886 b-lic xml 3 Ei toistaiseksi morfosyntaktisesti tagattu eikä Lemmiessä käytettävissä.

Helsingin yliopiston julkaisema Yliopisto-lehti.

Edita

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1995 edita/1995/ 790 429509 b-lic xml 2 Suomen säädöskokoelma. Ei toistaiseksi morfosyntaktisesti tagattu eikä Lemmiessä käytettävissä.
1996 edita/1996/ 1 59897 b-lic xml 2 Ei toistaiseksi morfosyntaktisesti tagattu eikä Lemmiessä käytettävissä.

Hakemistojen tarkempi sisältö

Hakemisto Tekijä Teos ISBN
edita/1996/ Pitkänen Ritva-Liisa, Suni Helena & Tanner Satu (toim.) Kielen kannoilla – Kotimaisten kielten tutkimuskeskus 20 vuotta 951-37-1836-0

Kustannusosakeyhtiö Otava

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1993 otava/1993/ 1 33445 b-lic xml 2 Kokoelman ainoa tiedosto on Lemmiessä pilkottu kahdeksaksi dokumentiksi. Yksi dokumentti vastaa yhtä XML-tiedoston -elementtiä.
1994 otava/1994/ 2 174785 a-lic xml 2
1995 otava/1995/ 5 138615 a-lic xml 2
1996 otava/1996/ 5 401952 a-lic xml 2
1997 otava/1997/ 11 623619 a-lic xml 2
1998 otava/1998/ 13 920273 b-lic xml 1
1999 otava/1999/ 7 773028 b-lic xml 1

Hakemistojen tarkempi sisältö

Hakemisto Tekijä Teos ISBN
otava/1993/ Nikula Riitta Rakennettu maisema: Suomen arkkitehtuurin vuosisadat Helsingissä 951-1-12533-8
otava/1994/ Joensuu Matti Yrjänä Harjunpää ja rakkauden nälkä 951-643-439-8
Turkka Jouko Häpeä 951-1-12786-1
otava/1995/ Aitoaho Pirkko Kolmekymmentä senttiä on pitkä aika 951-1-13976-2
Anhava Helena Eihän elämälle mitään voi 951-1-12390-4
Lindqvist Martti Mieli vai tarkoitus 951-1-13945-2
Malkamäki Sari Yöpäivystäjä 951-1-13971-1
Siikala Helinä Ystäväni minä 951-1-13435-3
otava/1996/ Hassinen Pirjo Voimanaiset 951-1-13573-2
Hietamies Laila Myrskypilvet 951-643-477-0
Jalonen Olli Kenen kuvasta kerrot 951-1-14394-8
Mäkelä Hannu Katso, se päivä on tuleva 951-1-13674-7
Susi Heimo Virkamatka 951-1-14343-3
otava/1997/ Anttila Elsa Helmiä Mallorcalta 951-1-14709-9
Elonen Anna-Maija Selviytyjätyyppi 951-1-14388-3
Hietamies Heikki Sydän toivoa täynnä 951-1-14999-7
Hännikäinen Liisa Onneksi 951-1-14784-6
Häyrinen Vesa Tapaus pyöräilijä 951-1-15116-9
Lehtinen Tuija Samppanjataivas 951-1-14667-X
Mäki Reijo Pimeyden tango 951-1-14985-7
Pakkanen Outi Kuolema käy jatkoilla 951-1-15000-6
Tabet Sirpa Hämärän lapset 951-1-15023-5
Tolonen Vuokko Tampereen ilmasto 951-1-12398-X
Tuuri Antti Lakeuden kutsu 951-1-14438-3
otava/1998/ Frangén Simo, Heikura Pasi & Liikka Jyrki Alivaltiosihteeri : nuoret viralliset miehet
Harviainen Tapani & Illman Karl-Johan (toim.) Juutalainen kulttuuri 951-1-13313-6
Härkönen Anna-Leena Avoimien ovien päivä 951-1-15015-4
Juva Mikko Aika etsiä ja aika löytää: Sukuni vaiheita sadan vuoden ajalta 951-1-15515-6
Lehtinen Tuija Sara@crazymail.com 951-1-15535-0
Mäkelä Hannu Pelin henki : Love/40 – Erään ottelun tarina 951-1-15487-7
Perttula Pirkko-Liisa Tytöt: Käsikirja kiinnostuneille 951-1-15256-4
Salmela Mikko Suomalaisen kulttuurifilosofian vuosisata 951-1-15356-0
Schuurman Nora Vahinkorakkaus 951-1-15566-0
Suhonen Pekka Yöllä he menivät uimaan ja muita kirjoituksia 951-1-15677-2
Suni Anna-Liisa Tassuterapeutti: koirista ja vähän muistakin eläimistä 951-1-15353-6
Suomi Juhani Liennytyksen akanvirrassa: Urho Kekkonen 1972-1976 951-1-14799-4
Vihavainen Timo Stalin ja suomalaiset 951-1-13075-7
otava/1999/ Airaksinen Timo Minuuden rakentajat: filosofinen kirja ihmisestä 951-1-16048-6
Holmberg Kalle Vasen suora 951-1-15722-1
Jalonen Olli Yksityiset tähtitaivaat 951-1-15953-4
Laitinen Kai Kirjojen Virrassa: Tutkielma ja esseitä kirjallisuudesta ja lukemisesta 951-1-16304-3
Lehto Olli Ei Yliopiston voittanutta 951-1-16081-8
Siltala Juha Valkoisen äidin pojat: Siveellisyys ja sen varjot kansallisessa projektissa 951-1-14738-2
Snellman Anja Paratiisin kartta: romaani 951-1-16106-7

Painatuskeskus

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1995 painatuskeskus/1995/ 1 93450 b-lic xml 2

Hakemiston tarkempi sisältö

Hakemisto Tekijä Teos ISBN
Länsimäki Maija (toim.) Sana kiertää – Kirjoituksia suomen kielestä 951-37-1649-X

Pienkustantajat

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1998 pienkustantajat/ 1 27344 b-lic xml 1

Hakemiston tarkempi sisältö

Hakemisto Tekijä Teos ISBN
pienkustantajat/ Santasalo Tuomas & Kontio Katja Vähittäiskauppa Suomessa 1998 951-9409-60-2

Suomalaisen Kirjallisuuden Seura

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1995 SKS/1995/ 1 31510 b-lic xml 2

Hakemiston tarkempi sisältö

Hakemisto Tekijä Teos ISBN
SKS/1995/ Erkki Lyytikäinen Bikinirajaus – Näkökulmia kieleen 951-717-880-8

WSOY

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1996 wsoy/1996/ 16 740759 a-lic xml 3
1997 wsoy/1997/ 32 1636920 a-lic xml 3
1998 wsoy/1998/ 14 769838 a-lic xml 1
1999 wsoy/1999/ 7 281490 b-lic xml 1

Yliopistopaino

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1989 yliopistopaino/1989/ 1 31162 a-lic xml 2
1991 yliopistopaino/1991/ 1 63831 a-lic xml 2
1992 yliopistopaino/1992/ 3 108657 a-lic xml 2
1993 yliopistopaino/1993/ 3 98787 a-lic xml 2
1994 yliopistopaino/1994/ 2 79055 a-lic xml 2
1995 yliopistopaino/1995/ 9 309531 a-lic xml 3
1996 yliopistopaino/1996/ 4 148633 a-lic xml 2
1997 yliopistopaino/1997/ 2 87061 a-lic xml 1

Maastrichtin sopimus

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1992 eduskunta/1992/ 1 6320 b-lic xml 2 Sopimus Euroopan unionista ja Euroopan yhteisön perustamissopimus. Ei toistaiseksi morfosyntaktisesti tagattu eikä Lemmiessä käytettävissä.

Ulkoministeriön tiedotteita ja puheita

Julkaisuvuosi Hakemisto Dokumentteja Saneita Lisenssi Muoto Koostaja Lisähuomiot
1995 ulkoministeriö/1995/ 31 17183 b-lic xml 3
1996 ulkoministeriö/1996/ 209 78240 b-lic xml 3
1997 ulkoministeriö/1997/ 34 10660 b-lic xml 3

Helsingin Sanomien osastokoodit

Koodi Sisältö Julkaistu
AE Ruoka- ja tiedeartikkeleita D-osassa
AK Sääraportteja ja vapaa-ajan artikkeleita A-, B- ja C-osissa
ET Tuoreita uutisia Sivulla A3
HU Henkilöuutisia, tänään, esim. nekrologit, ”50 vuotta sitten” jne. Sivulla A4
KA Kaupunkiuutisia Sivuilla B1-B4
KN Uusimaa Sivulla B3
KU Kulttuuri C-osassa
MA_MN Pääkirjoituksia
MISC Sekalaista
MP Mielipidekirjoituksia
NH ??
PO Politiikka
RO TV-ohjelmasivu D1
RT Radio-TV
SP Urheilu Sivulla C1
ST Suurilta osin urheilutaulukoita jne.
TA_TE Talous B-osassa
TR Talouden erikoissivut (sunnuntai), suuri osa taulukoita
UL Ulkomaat C-osassa
VK ??
VS Sunnuntai
YO Kotimaa

Viittausohje

Alakokoelmiin viitattaessa tulee mainita:

  • käyttämiesi alakokoelmien nimet
  • korpuksen kieli ja koko (kokonaissanamäärä)
  • korpuksen koostajat
  • korpuksen tarkka sijainti, esim. hakemistopolku sovelluspalvelimella

Esimerkki:

Karjalainen 1998. An electronic document collection of the Finnish language containing 6 million words. Gatherers: The Department of General Linguistics, University of Helsinki; The University of Eastern Finland; CSC – IT Center for Science Ltd. Available through the Language Bank of Finland, http://www.kielipankki.fi/. URN: http://urn.fi/urn:nbn:fi:lb-201403268.

Jos käytät aineistoa korpushakuohjelma Korpissa, mainitse asiasta tutkimusraporteissa ja vastaavissa julkaisuissa. Huomaathan, että tekstin morfologista analyysia ei ole tarkistettu manuaalisesti, ja automaattisesti tehdyssä kieliopillisessa koodauksessa voi siksi olla virheitä.