Dataset Viewer
Auto-converted to Parquet Duplicate
id
int64
12.2k
281k
source
stringclasses
1 value
text_compounds_merged
stringlengths
15
496
text_compounds_split
stringlengths
15
467
split_compounds
stringlengths
2
227
unsplit_compounds
stringclasses
959 values
12,242
hurraki
In dem Vertrag geht es um den Umweltschutz.
In dem Vertrag geht es um den Umwelt•schutz.
[' Umwelt-schutz']
[]
12,243
hurraki
Die Menschen können zum Beispiel vor Gericht gehen.
Die Menschen können zum Beispiel vor Gericht gehen.
[]
[]
12,244
hurraki
Die Europäische Union hat den Vertrag unterschrieben.
Die Europäische Union hat den Vertrag unterschrieben.
[]
[]
12,245
hurraki
Und alle Länder in der Europäischen Union haben den Vertrag unterschrieben.
Und alle Länder in der Europäischen Union haben den Vertrag unterschrieben.
[]
[]
12,246
hurraki
Der Vertrag ist in der Stadt Aarhus gemacht worden.
Der Vertrag ist in der Stadt Aarhus gemacht worden.
[]
[]
12,247
hurraki
Es gibt diese 3 Punkte: Das steht im Artikel 4. Man kann nachfragen.
Es gibt diese 3 Punkte: Das steht im Artikel 4. Man kann nachfragen.
[]
[]
12,248
hurraki
Dann muss man Informationen von den Behörden bekommen. Zum Beispiel wie die Luft ist. Oder wie das Wasser ist.
Dann muss man Informationen von den Behörden bekommen. Zum Beispiel wie die Luft ist. Oder wie das Wasser ist.
[]
[]
12,249
hurraki
Das steht im Artikel 9. Mitglieder dürfen vor Gericht gehen.
Das steht im Artikel 9. Mitglieder dürfen vor Gericht gehen.
[]
['mitglied']
12,250
hurraki
Wenn Umweltregeln nicht beachtet werden.
Wenn Umwelt•regeln nicht beachtet werden.
[' Umwelt-regeln']
[]
12,251
hurraki
Weil er als erster einen Backflip gemacht hat.
Weil er als erster einen Back•flip gemacht hat.
[' Back-flip']
[]
12,252
hurraki
Er ist am 8. November 1991 in Las Vegas geboren.
Er ist am 8. November 1991 in Las Vegas geboren.
[]
[]
12,253
hurraki
Aaron Fotheringham hat Spina bifida.
Aaron Fotheringham hat Spina bifida.
[]
[]
12,254
hurraki
In seiner Freizeit fährt er mit anderen in der Half Pipe.
In seiner Freizeit fährt er mit anderen in der Half Pipe.
[]
['freizeit']
12,255
hurraki
Sein Rollstuhl hat eine Federung.
Sein Rollstuhl hat eine Federung.
[]
['rollstuhl']
12,256
hurraki
Im Jahr 2006 hat Aaron Fotheringham zum ersten Mal einen Backflip im Rollstuhl gemacht. Das ist ein Salto rückwärts.
Im Jahr 2006 hat Aaron Fotheringham zum ersten Mal einen Back•flip im Roll•stuhl gemacht. Das ist ein Salto rückwärts.
[' Back-flip', ' Roll-stuhl']
[]
12,257
hurraki
Im Jahr 2010 hat er einen doppelten Backflip gemacht.
Im Jahr 2010 hat er einen doppelten Back•flip gemacht.
[' Back-flip']
[]
12,258
hurraki
Aaron spiel bei der Fernsehserie Nitro Circus mit.
Aaron spiel bei der Fernseh•serie Nitro Circus mit.
[' Fernseh-serie']
[]
12,259
hurraki
ABBA ist eine der erfolgreichsten Bands.
ABBA ist eine der erfolgreichsten Bands.
[]
[]
12,260
hurraki
Sie haben fast 400 Millionen Tonträger verkauft.
Sie haben fast 400 Millionen Ton•träger verkauft.
[' Ton-träger']
[]
12,261
hurraki
Berühmt wurden ABBA mit dem Musiktitel Dancing Queen.
Berühmt wurden ABBA mit dem Musik•titel Dancing Queen.
[' Musik-titel']
[]
12,262
hurraki
Und mit dem Musiktitel The Winner Takes It All.
Und mit dem Musik•titel The Winner Takes It All.
[' Musik-titel']
[]
12,263
hurraki
Im Jahr 2021 gibt es von ABBA ein neues Musikalbum.
Im Jahr 2021 gibt es von ABBA ein neues Musik•album.
[' Musik-album']
[]
12,264
hurraki
Im Tagebau werden Abbruchkanten extra gemacht.
Im Tage•bau werden Ab•bruch•kanten extra gemacht.
[' Tage-bau', ' Ab-bruch-kanten']
[]
12,265
hurraki
Wir werfen diese Dinge weg.
Wir werfen diese Dinge weg.
[]
[]
12,266
hurraki
Man nennt das: Mülltrennung.
Man nennt das: Müll•trennung.
[' Müll-trennung']
[]
12,267
hurraki
Manchmal kann man aus Abfall neue Sachen machen. Zum Beispiel: Aus alten Glasflaschen kann man neue Glasflaschen machen. Das heißt: Der Abfall wird wieder verwertet. Man sagt dazu auch: Recycling.
Manchmal kann man aus Abfall neue Sachen machen. Zum Beispiel: Aus alten Glasflaschen kann man neue Glasflaschen machen. Das heißt: Der Abfall wird wieder verwertet. Man sagt dazu auch: Recycling.
[]
[]
12,268
hurraki
Das spricht man: Riseikling.
Das spricht man: Ri•seik•ling.
[' Ri-seik-ling']
[]
12,269
hurraki
Dann bleibt weniger Abfall übrig.
Dann bleibt weniger Abfall übrig.
[]
[]
12,270
hurraki
Weil man mit etwas aufhört.
Weil man mit etwas aufhört.
[]
[]
12,271
hurraki
Man bekommt zum Beispiel Geld.
Man bekommt zum Beispiel Geld.
[]
[]
12,272
hurraki
Das Geld ist die Abfindungszahlung.
Das Geld ist die Abfindungs•zahlung.
[' Abfindungs-zahlung']
[]
12,273
hurraki
In Deutschland gibt es ein Recht auf Abfindung.
In Deutschland gibt es ein Recht auf Abfindung.
[]
[]
12,274
hurraki
Abgeordnete gehören meistens einer Partei in der Politik an.
Abgeordnete gehören meistens einer Partei in der Politik an.
[]
[]
12,275
hurraki
Abgeordnete arbeiten in Gruppen zusammen. Diese Gruppen heißenAusschüsse.
Abgeordnete arbeiten in Gruppen zusammen. Diese Gruppen heißenAusschüsse.
[]
[]
12,276
hurraki
Abgeordnete bekommen für ihre Arbeit Geld.
Abgeordnete bekommen für ihre Arbeit Geld.
[]
[]
12,277
hurraki
die Menschen von einer Stadt vertreten. Oder von einem Land.
die Menschen von einer Stadt vertreten. Oder von einem Land.
[]
[]
12,278
hurraki
Oder Texte von anderen mitliest.
Oder Texte von anderen mit•liest.
[' mit-liest']
[]
12,279
hurraki
Sehr oft ist das Abhören nicht erlaubt.
Sehr oft ist das Abhören nicht erlaubt.
[]
[]
12,280
hurraki
Man kann sich gegen Abhören schützen.
Man kann sich gegen Abhören schützen.
[]
[]
12,281
hurraki
Mit einem Abitur darf man studieren.
Mit einem Abitur darf man studieren.
[]
[]
12,282
hurraki
Sie steht in Texten für ein langes Wort. Oder für einen Namen aus mehreren Wörtern.
Sie steht in Texten für ein langes Wort. Oder für einen Namen aus mehreren Wörtern.
[]
[]
12,283
hurraki
Abkürzungen machen Texte schwierig.
Abkürzungen machen Texte schwierig.
[]
[]
12,284
hurraki
Vielen Menschen verstehen Abkürzungen nicht.
Vielen Menschen verstehen Abkürzungen nicht.
[]
[]
12,285
hurraki
Abkürzungen verstoßen gegen Leichte Sprache Regeln.
Abkürzungen verstoßen gegen Leichte Sprache Regeln.
[]
[]
12,286
hurraki
Hat aber die Bedeutung von dem langen Wort.
Hat aber die Bedeutung von dem langen Wort.
[]
[]
12,287
hurraki
Im Jahr 1809 in Hodgenville.
Im Jahr 1809 in Hodgenville.
[]
[]
12,288
hurraki
Hodgenville ist in eine Stadt in den USA.
Hodgenville ist in eine Stadt in den USA.
[]
[]
12,289
hurraki
Seine Familie sind arme Bauern gewesen.
Seine Familie sind arme Bauern gewesen.
[]
[]
12,290
hurraki
Sein Vater hat Thomas geheißen.
Sein Vater hat Thomas geheißen.
[]
[]
12,291
hurraki
Der Name von seiner Mutter ist Nancy gewesen.
Der Name von seiner Mutter ist Nancy gewesen.
[]
[]
12,292
hurraki
Er hat eine Schwester gehabt.
Er hat eine Schwester gehabt.
[]
[]
12,293
hurraki
Abrahams Stiefmutter hat Sarah geheißen.
Abrahams Stief•mutter hat Sarah geheißen.
[' Stief-mutter']
[]
12,294
hurraki
Sarah hat ihm dabei geholfen.
Sarah hat ihm dabei geholfen.
[]
[]
12,295
hurraki
Sie hat ihm Bücher über die Vereinigten Staaten besorgt.
Sie hat ihm Bücher über die Vereinigten Staaten besorgt.
[]
[]
12,296
hurraki
Abraham hat die Bücher überall gelesen.
Abraham hat die Bücher überall gelesen.
[]
[]
12,297
hurraki
Er hat viel gelernt. Zum Beispiel über George Washington.
Er hat viel gelernt. Zum Beispiel über George Washington.
[]
[]
12,298
hurraki
Das war der erste Präsident von den USA.
Das war der erste Präsident von den USA.
[]
[]
12,299
hurraki
Der erste Beruf von Abraham Lincoln ist Feldarbeiter gewesen.
Der erste Beruf von Abraham Lincoln ist Feld•arbeiter gewesen.
[' Feld-arbeiter']
[]
12,300
hurraki
Als Feldarbeiter hat er sehr wenig Geld verdient.
Als Feld•arbeiter hat er sehr wenig Geld verdient.
[' Feld-arbeiter']
[]
12,301
hurraki
Dieses Geld hat er seinem Vater geben müssen.
Dieses Geld hat er seinem Vater geben müssen.
[]
[]
12,302
hurraki
Dann hat er genug von der Feldarbeit gehabt.
Dann hat er genug von der Feld•arbeit gehabt.
[' Feld-arbeit']
[]
12,303
hurraki
Im Jahr 1831 hat er seine Familie verlassen.
Im Jahr 1831 hat er seine Familie verlassen.
[]
[]
12,304
hurraki
Lincoln hat ein Selbststudium gemacht.
Lincoln hat ein Selbst•studium gemacht.
[' Selbst-studium']
[]
12,305
hurraki
Ein Selbststudium ist ähnlich wie ein Studium.
Ein Selbst•studium ist ähnlich wie ein Studium.
[' Selbst-studium']
[]
12,306
hurraki
Lincoln hat sich für die Politik interessiert.
Lincoln hat sich für die Politik interessiert.
[]
[]
12,307
hurraki
Er hat Politiker werden wollen.
Er hat Politiker werden wollen.
[]
[]
12,308
hurraki
In dieser Versammlung werden Gesetze beschlossen.
In dieser Versammlung werden Gesetze beschlossen.
[]
[]
12,309
hurraki
Er ist beim zweiten Mal aufgenommen worden.
Er ist beim zweiten Mal aufgenommen worden.
[]
[]
12,310
hurraki
Abraham hat noch ein weiteres Ziel gehabt.
Abraham hat noch ein weiteres Ziel gehabt.
[]
[]
12,311
hurraki
Er hat Anwalt werden wollen.
Er hat Anwalt werden wollen.
[]
[]
12,312
hurraki
Im März 1837 ist er Anwalt geworden.
Im März 1837 ist er Anwalt geworden.
[]
[]
12,313
hurraki
Im Jahr 1842 hat er Mary Ann Todd geheiratet.
Im Jahr 1842 hat er Mary Ann Todd geheiratet.
[]
[]
12,314
hurraki
Sie ist eine reiche Frau gewesen.
Sie ist eine reiche Frau gewesen.
[]
[]
12,315
hurraki
Im Jahr 1860 ist Abraham Lincolm zum 16. Präsident der USA gewählt worden.
Im Jahr 1860 ist Abraham Lincolm zum 16. Präsident der USA gewählt worden.
[]
[]
12,316
hurraki
Im November 1864 ist er wieder gewählt worden.
Im November 1864 ist er wieder gewählt worden.
[]
[]
12,317
hurraki
Am 15. April 1865 ist Lincoln gestorben.
Am 15. April 1865 ist Lincoln gestorben.
[]
[]
12,318
hurraki
Und noch weitere wichtige Dinge zum Film. Das sind die Filmcredits.
Und noch weitere wichtige Dinge zum Film. Das sind die Filmcredits.
[]
[]
12,319
hurraki
Das Wort Abspann ist ein Substantiv.
Das Wort Abspann ist ein Substantiv.
[]
['abspann']
12,320
hurraki
Das Gegenteil von Abspann ist Vorspann.
Das Gegenteil von Abspann ist Vorspann.
[]
['gegenteil', 'abspann', 'vorspann']
12,321
hurraki
Zum Beispiel: Ein Mensch trinkt jeden Tag viel Alkohol.
Zum Beispiel: Ein Mensch trinkt jeden Tag viel Alkohol.
[]
[]
12,322
hurraki
Der Mensch ist alkohol-süchtig.
Der Mensch ist alkohol-süchtig.
[' alkohol-süchtig']
[]
12,323
hurraki
Der Mensch ist Alkoholiker.
Der Mensch ist Alkoholiker.
[]
[]
12,324
hurraki
Jetzt will der Mensch kein Alkoholiker mehr sein.
Jetzt will der Mensch kein Alkoholiker mehr sein.
[]
[]
12,325
hurraki
Abstoß gibt es: wenn ein Gegenspieler den Ball über die Torlinie in das Aus spielt.
Abstoß gibt es: wenn ein Gegen•spieler den Ball über die Tor•linie in das Aus spielt.
[' Gegen-spieler', ' Tor-linie']
[]
12,326
hurraki
Dabei darf es kein Tor geben.
Dabei darf es kein Tor geben.
[]
[]
12,327
hurraki
Den Abstoß macht meistens der Torwart.
Den Abstoß macht meistens der Torwart.
[]
['torwart']
12,328
hurraki
Danach schießt ein Spieler den Ball nach vorne.
Danach schießt ein Spieler den Ball nach vorne.
[]
[]
12,329
hurraki
Wenn beim Abstoß der Ball in das Gegnertor fliegt gibt es einen Punkt.
Wenn beim Abstoß der Ball in das Gegner•tor fliegt gibt es einen Punkt.
[' Gegner-tor']
[]
12,330
hurraki
Petra hat den Streit mit Richard vergessen.
Petra hat den Streit mit Richard vergessen.
[]
[]
12,331
hurraki
ADAC steht für: Allgemeiner Deutscher Automobilclub e.
ADAC steht für: Allgemeiner Deutscher Automobil•Club e.
[' Automobil-Club']
[]
12,332
hurraki
Der Hauptsitz von dem ADAC ist in München.
Der Hauptsitz von dem ADAC ist in München.
[]
['hauptsitz']
12,333
hurraki
Der ADAC hat 18 Millionen Mitglieder.
Der ADAC hat 18 Millionen Mitglieder.
[]
['mitglied']
12,334
hurraki
Manche sagen zu den ADAC Mitarbeitenden: Gelbe Engel.
Manche sagen zu den ADAC Mitarbeitenden: Gelbe Engel.
[]
[]
12,335
hurraki
Die ADAC Autos sind alle gelb.
Die ADAC Autos sind alle gelb.
[]
[]
12,336
hurraki
Er hat Bücher über das Rechnen geschrieben.
Er hat Bücher über das Rechnen geschrieben.
[]
[]
12,337
hurraki
Er ist wahrscheinlich 1492 geboren worden.
Er ist wahrscheinlich 1492 geboren worden.
[]
[]
12,338
hurraki
Er hat die Bücher als Erster in deutscher Sprache geschrieben.
Er hat die Bücher als Erster in deutscher Sprache geschrieben.
[]
[]
12,339
hurraki
Zu seiner Zeit waren die meisten Bücher in lateinischer Sprache geschrieben.
Zu seiner Zeit waren die meisten Bücher in lateinischer Sprache geschrieben.
[]
[]
12,340
hurraki
Jetzt war es einfacher Rechnen zu lernen.
Jetzt war es einfacher Rechnen zu lernen.
[]
[]
12,341
hurraki
Manche sagen den Namen von Adam Ries falsch.
Manche sagen den Namen von Adam Ries falsch.
[]
[]
End of preview. Expand in Data Studio

Leichte Sprache Compound Segmentation Dataset

Dataset containing a sample of sentences in German Easy Language (Leichte Sprache) with segmented compounds paired with their unsegmented versions.

Format

Columns:

  • id: Id of the example.
  • source: Source of the text.
  • text_compounds_merged: Text of the examples, where the split compounds have been merged, according to the heuristic we used to merge the compounds.
  • text_compounds_split: Text of the examples where compound nouns were not merged. However, we did merge verbs, e.g. "heraus-finden".
  • split_compounds: Compounds with splits in text_compounds_split, identified by our heuristic.
  • unsplit_compounds: Compounds in text_compounds_split that were not split. (The original text contain some unsplit compounds, mostly simple/common words like "Mitglied" and "Gegenteil").

Citation

If you use this dataset, please cite our publication:

Automatic Compound Segmentation for Leichte Sprache
Jesús Calvillo, Umesh Patil, Johann Seltmann, Anne-Kathrin Schumann
Proceedings of the KlarText Workshop on German Text Simplification & Readability Assessment, KONVENS 2025 (workshop proceedings, TBD)

Abstract:
In German "Easy Language" (Leichte Sprache), complex compound words are often orthographically segmented to facilitate perception and processing by marking their internal structure. This practice has been shown to facilitate reading comprehension, especially for readers with cognitive or reading impairments. We present a lightweight model that combines Compound Segmentation with Complex Word Identification (CWI) to automatically detect and split difficult compounds in text. We evaluate our system both on general compound segmentation and in the specific context of Leichte Sprache. Our results show that our model achieves high segmentation accuracy, outperforming both rule-based and much larger neural systems, identifying which compounds should be segmented. We also release a new evaluation dataset of Leichte Sprache sentences with segmented compounds.

For now, please use the following placeholder BibTeX entry:

@inproceedings{calvillo2025_compseg,
  title     = {Automatic Compound Segmentation for Leichte Sprache},
  author    = {Jes{\'u}s Calvillo and Umesh Patil and Johann Seltmann and Anne-Kathrin Schumann},
  booktitle = {Proceedings of the KlarText Workshop on German Text Simplification \& Readability Assessment, KONVENS 2025 (to appear)},
  year      = {2025},
  abstract  = {In German ``Easy Language'' (Leichte Sprache), complex compound words are often orthographically segmented to facilitate perception and processing by marking their internal structure. This practice has been shown to facilitate reading comprehension, especially for readers with cognitive or reading impairments. We present a lightweight model that combines Compound Segmentation with Complex Word Identification (CWI) to automatically detect and split difficult compounds in text. We evaluate our system both on general compound segmentation and in the specific context of Leichte Sprache. Our results show that our model achieves high segmentation accuracy, outperforming both rule-based and much larger neural systems, identifying which compounds should be segmented. We also release a new evaluation dataset of Leichte Sprache sentences with segmented compounds.}
}

License

This repository contains a selected sample of sentences from the Hurraki - Wörterbuch für Leichte Sprache.
It is licensed under the Creative Commons Attribution-ShareAlike 3.0 Germany (CC BY-SA 3.0 DE).
If you use this data, you must provide proper attribution and share derivative works under the same license.

Downloads last month
18