Was?

Er ist der größte Corpus für zeitgenössisches Englisch. Ein paar Daten:

• 100.106.008 Wörter (alle indiziert und klassifiziert)
• 1,5 Gigabyte an Daten
• 4.124 Texte, teils literarisch, teils aus Zeitungen und Zeitschriften, 863 davon sind transkribierte Reden und Unterhaltungen.
• 6.125.000 Satzeinheiten, die automatisch segmentiert und klassifiziert wurden von dem stochastischen Sprach-Bestandteils-Tagger CLAWS der Uni Lancaster.

Dabei hält er sich an die Richtlinien der TEI (Text Encoding Initiative), sowie an den SGML-Standard ISO 8879. Fertiggestellt wurde er 1994, präsentiert 1995.

Er soll ein genaues Abbild der aktuellen englischen Sprache sein und nimmt auf historische Entwicklungen keine Rücksicht. Er enthält Ausschnitte aus regionalen und landesweiten Zeitungen, Unterhaltungs- und Fachzeitschriften, Belletristik und Sachbüchern, sowie wissenschaftlichen Arbeiten. Die Sprach-Transskriptionen enthalten Gesprochenes, Gesagtes und Gerede von Menschen aller Bildungsstufen und Altersgruppen.

Texte wurden eingescannt und mit OCR-Software eingelesen, abgetippt oder waren bereits in elektronischer Form vorhanden