An infrastructure for Historical Dutch Corpus Development

Linköping electronic conference proceedings, vol. 222

Abstract

We describe an infrastructure for linguistic annotation of historical Dutch texts, consisting of tagging and lemmatisation guidelines, gold standard data, trained tagging models, the GaLAHaD platform for automatic linguistic annotation and evaluation and the LAnCeLoT manual annotation tool. Users can upload unannotated materials to the GaLAHaD platform, where trained PoS taggers and lemmatizers (including modern deep learning models) annotate the data. Results can be evaluated against newly expanded gold standard corpora (13th to 19th centuries) with various metrics, then exported for further analysis. The LAnCeLoT tool supports manual annotation correction at both type and token level, thus supporting the development of in-domain gold standard material. The infrastructure was developed at the Instituut voor de Nederlandse Taal (INT, Dutch Language Institute) and first released in 2025.

Authors 6

1. Katrien Depuydt Aachen Instituut voor de Nederlandse Taal

   Instituut voor de Nederlandse Taal

   Affiliation as printed

   Instituut voor de Nederlandse Taal, Leiden, the Netherlands

2. Jesse de Does Aachen Instituut voor de Nederlandse Taal

   Instituut voor de Nederlandse Taal

   Affiliation as printed

   Instituut voor de Nederlandse Taal, Leiden, the Netherlands

3. Vincent Prins Aachen Instituut voor de Nederlandse Taal

   Instituut voor de Nederlandse Taal

   Affiliation as printed

   Instituut voor de Nederlandse Taal, Leiden, the Netherlands

4. Mathieu Fannee Aachen Instituut voor de Nederlandse Taal

   Instituut voor de Nederlandse Taal

   Affiliation as printed

   Instituut voor de Nederlandse Taal, Leiden, the Netherlands

5. Roland de Bonth Aachen Instituut voor de Nederlandse Taal

   Instituut voor de Nederlandse Taal

   Affiliation as printed

   Instituut voor de Nederlandse Taal, Leiden, the Netherlands

6. Thomas Haga Aachen Instituut voor de Nederlandse Taal

   Instituut voor de Nederlandse Taal

   Affiliation as printed

   Instituut voor de Nederlandse Taal, Leiden, the Netherlands