Det Centrale Ordregister

Det Centrale Ordregister (COR) er en række sammenhængende udgivelser, der gør det muligt at sammenkoble viden om danske ord. På denne side findes et overblik over COR, som skal vise vej til de mange elementer, som COR indeholder, så du nemt og hurtigt kan finde det relevante materiale for dig.

Baggrund for Det Centrale Ordregister

COR er et samarbejdsprojekt mellem Dansk Sprognævn, Det Danske Sprog- og litteraturselskab, Center for Sprogteknologi ved Københavns Universitet og Digitaliseringsstyrelsen. Målsætningen med COR er at gøre alle basisoplysninger om danske ord tilgængelige på en standardiseret og international kompatibel måde.

COR vil give offentlige myndigheder, virksomheder og institutioner i Danmark mulighed for at udvikle sprogcentrerede AI-systemer, der tager afsæt i anerkendt, lokalt forankret viden om dansk sprog og kultur, herunder danske juridiske og forvaltningsmæssige traditioner, som dermed bedre matcher det samfund, de skal interagere med.

Ideen til COR stammer fra de anbaflinger, som Sprogteknologiudvalget, nedsat af Kulturministeriet, kom frem til. Én af anbefalingerne var, at der skulle oprettes en avanceret dansk orddatabase. Med COR etableres en avanceret dansk orddatabase, som er offentlig tilgængelig og kan anvendes af alle. I COR får danske ord et unikt COR id-nummer. Via det unikke id-nummer kan ord, på en entydig måde, identificeres i såvel tekstkorpora som ordbøger, på tværs af tekniske specifikationer, praktiske formål og licensmure. Derved vil man lettere kunne sammenkoble og dermed genbruge egne eller andres specialiserede sprogressourcer (både eksisterende og fremtidige) på tværs af systemer og sprog.

Sprogteknologiudvalgets analyse, konklusioner og anbefalinger er udgivet i rapporten "Dansk sprogteknologi i verdensklasse". 

COR Indekset

Første udgivelse i Det Centrale Ordregister er selve COR Indekset, som er publiceret den 1. oktober 2022. Her har de udvalgte danske ord fået tilknyttet et unikt COR id-nummer. Hertil er der koblet en række basisinformationer til COR Indekset, såsom ordklasser og bøjningsformer og der er udgivet en informationer over typiske fejlstavninger og alternative stavemåder. For en mere teknisk gennemgang af COR Indeksets så besøg ordregister.dk.

Det er Dansk Sprognævn der har stået for udarbejdelsen af COR-indekset med udgangspunkt i Retskrivningsordbogen. Det Danske Sprog- og Litteraturselskab har suppleret COR-indekset med glosser for homografer. Det Danske Sprog- og Litteraturselskab har desuden udarbejdet en liste med 29.000 lemmaer fra Den Danske Ordbog som ikke er optaget i Retskrivningsordbogen. De 29.000 lemmaer findes i en separat liste (COR.EXT.1.0) inkl. ordklasser og de fleste bøjningsformer. Hermed kan man udvide dækningsgraden i COR.COR.

COR.SEM

Som en del af COR-projektet har Det Danske Sprog- og Litteraturselskab og Center for sprogteknologi ved Københavns Universitet udviklet det semantiske modul COR.SEM. I COR.SEM angives formaliserede betydningsoplysninger for de fleste lemmaer i COR-indekset. Mange af oplysningerne bygger på information i Den Danske Ordbog, det danske WordNet DanNet, Den Danske Begrebsordbog, Det Danske Sentiment-leksikon og Det Danske FrameNet-leksikon. Der er desuden udarbejdet en lang række supplerende og helt nye oplysninger i projektet med henblik på at sikre endnu flere anvendelsesmuligheder i AI.

COR.SEM kan indgå som selvstændig semantisk komponent i danske sprogteknologiapplikationer eller anvendes som træningsmateriale til danske sprogmodeller, enten som en sprogressource eller via finetuning. Ressourcen kan også bruges som benchmark til at vurdere hvor godt danske sprogmodeller håndterer forskellige aspekter af sprogforståelse."

Se alle udgivelser i COR Indekset i tabellen nedenfor: