日本語文法誤りデータセット

CC-100の日本語データから抽出した日本語文と、小川耀一朗、山本和英(2020) 日本語文法誤り訂正における誤り傾向を考慮した擬似誤り生成の DirectNoise(ja) によって生成された擬似誤り文からなる、21198対のデータセットです。

Method

擬似誤り文生成に必要な文章の係り受け分析や文節分解にはginzaを用いました。

Files

• ja_perturbed.csv 生成されたデータセットです。originalに抽出された元の文、perturbedに生成された擬似誤り文が記載されています。

License

This datataset is distributed under the MIT license.