Danmarks Breve: træningsdata

Det Kgl. Bibliotek

Danmarks Breve: træningsdata

dc.contributor.author	Det Kgl. Bibliotek
dc.date.accessioned	2026-01-09T10:12:08Z
dc.date.available	2026-01-09T10:12:08Z
dc.date.issued	2026-01-12
dc.description.abstract	Datasættet består af 13516 breve skrevet fra 1500-tallet til 1900-tallet af danskere med historisk og kulturel betydning. Det er skabt af Det Kgl. Bibliotek, men er defineret af Digitaliseringsstyrelsen med henblik på træning af danske sprogmodeller. Datasættets tekst indhold, samt metadata baserer sig på de TEI-filer, der bliver benyttet til Det Kgl. Biblioteks samlingen “Danmarks Breve”. Samlingen indeholder digitaliseringer af en lang række trykte brevudgivelser fra Det Kgl. Biblioteks samlinger, udgivet over en længere årrække af mange forskellige udgivere. Teksterne er digitaliseret med OCR-skanning. Det har ikke været muligt at skaffe maskinproducerede OCR-konfidenstal til at beskrive OCR-kvaliteten, men kvaliteten af den digitaliserede tekst vurderes ved øjesyn at være god. OCR-kvaliteten er ikke forsøgt efterbehandlet med henblik på fejlrensning. Størstedelen af tekstindholdet er dansk og hovedsageligt historisk dansk. En mindre del af indholdet er på et andet sprog, f.eks. tysk og engelsk. Datasættet findes både i et csv format og i parquet format. Filerne er zippet med 7-Zip, som skal downloades og benyttes til at pakke filerne ud. Find beskrivelse af datasættes felter i readme filen. Datasæt er Public Domain.
dc.identifier.uri	https://loar.kb.dk/handle/1902/49124
dc.language.iso	dk
dc.relation	Danmarks Breve: datasæt med breve uden for ophavsret
dc.rights	Public Domain Mark 1.0	en
dc.rights.uri	http://creativecommons.org/publicdomain/mark/1.0/
dc.subject	træningsdata
dc.subject	training data
dc.subject	dansk
dc.subject	Danish
dc.subject	brev
dc.subject	letters
dc.subject	Public Domain
dc.title	Danmarks Breve: træningsdata
dc.type	Dataset