LiMe: a Latin Corpus of Late Medieval Criminal Sentences

拉丁语言已经引起了计算语言学研究界的关注，研究者们多年来建立了许多有价值的资源，从详细注释的语料库到用于语言分析的复杂工具。随着大型语言模型的出现，研究者们也开始开发能够生成拉丁文本向量表示的模型。由于可用数据的差异，这些模型的性能仍然落后于现代语言的模型。本文介绍了LiMe数据集，这是一组从一系列名为“Libri sententiarum potestatis Mediolani”的中世纪手稿中提取的325个文档的语料库，由专家进行了彻底的注释，以便用于遮蔽语言模型以及监督式自然语言处理任务。

本论文旨在介绍一份包含325份中世纪手稿的文本语料库LiMe，该库经过专家详细注释，可用于掩码语言模型和监督自然语言处理任务。

本文提出了一种解决古拉丁文语料库中数据稀缺问题的方法，即构建一个注释详细的语料库，并使用大型语言模型进行文本向量表示。

本文介绍了LiMe数据集的构建，包括手稿的选择、注释方式和质量控制。同时，本文还介绍了LiMe数据集在掩码语言模型和监督自然语言处理任务中的表现，并与其他语料库进行了比较。此外，本文还开源了LiMe数据集和相关代码。

最近的相关研究包括对古拉丁文语料库的注释和分析方法的改进，以及使用大型语言模型进行文本表示的研究。相关论文包括《Annotating Latin Treebanks: Guidelines and Perspectives》和《Modeling Latin inflection with a neural sequence-to-sequence model》等。