Institutional Books 1.0 Buchdatensatz

Institutional Books 1.0 ist ein wachsendes Korpus gemeinfreier Bücher, das 2025 von der Harvard University veröffentlicht wird. Die Ergebnisse der Studie sind:Institutional Books 1.0: Ein 242-B-Token-Datensatz aus den Sammlungen der Harvard Library, optimiert für Genauigkeit und Benutzerfreundlichkeit".

Der Datensatz umfasst 983.004 gemeinfreie Bücher in 254 Sprachen, hauptsächlich aus dem 19. und 20. Jahrhundert. Er umfasst 242 Milliarden Token, 386 Millionen Textseiten und ist sowohl im Original- als auch im nachbearbeiteten OCR-Exportformat verfügbar.