数据集概述
本数据集是CELEN语料库（版本1.2）的共享部分，包含约39.1万个单词、4393篇文本，来自967名日语背景的西班牙语学习者。数据覆盖大学西班牙语专业、大学外语课程及WordReference论坛三个场景，标注了学习者水平（A1-B2、C2），并对大学来源文本进行了匿名化处理，采用XML格式存储，附带39项元数据。
文件详解
- 文件名称：
20230505_CELEN_shareable.xml
- 文件格式：XML
- 字段映射介绍：
- 文档结构：每篇文本以
开头、结尾，包含39项元数据（具体元数据内容需参考项目说明）
- 文本标记：段落用
段落内容标记；WordReference论坛文本中，``标记原生西班牙语使用者的回复位置
- 匿名化处理：大学来源文本中的人名替换为#Nombre-mujer#等标签，电话、邮箱等身份信息已修改
数据来源
CELEN项目（https://sites.google.com/view/celen）
适用场景
- 西班牙语二语习得研究：分析日语学习者在不同水平（A1-C2）的语言产出特征、错误类型及发展规律
- 语言教学资源开发：基于真实学习者语料设计针对性的西班牙语教学材料和练习
- 语料库语言学研究：探究日语背景学习者西班牙语使用的词汇、句法和语用特点
- 二语写作能力评估：构建学习者写作水平标注数据集，支持自动评分模型训练
- 跨语言对比分析：对比不同学习场景（专业课程、外语课程、论坛）下的学习者语言表现差异
