Tietoja RunoVersesta
RunoVersea koskevissa kysymyksissä voit kirjoittaa osoitteeseen veskis.kaarel@gmail.com
Mitä tällä sivulla esitellään
Tämä esittelysivu on koko RunoVersen käsikirja. Se kuvaa neljä lähdekorpusta (SKVR, JR, KR, ERAB), koko aineiston tilastot (439 000 lemmaa, 15,3 miljoonaa sanetta, 292 000 runoa) sekä lemmatisoinnin ja tekoälyannotoinnin menetelmät.
Tämän sivun osat
Lähdekorpukset — kunkin kokoelman kuvaus ja runomäärä pylväskaavioineen.
Sanaston tilastot — lemmojen, sananmuotojen, saneiden, sukulaissanaparien, käännös- ja etymologiavarmuuden sekä selitteiden kattavuuden luvut.
Aineistolähteet – selittää kolme lähdeluokkaa (Vain korpus, Molemmat lähteet, Vain DeepSeek) sekä sen, mitä värikoodatut sananmuodot ja yhtenevyysmerkinnät tarkoittavat.
Samankaltaisuus — kuvaa kaikki 5 runotason ja 5 säetason samankaltaisuusalgoritmia, niiden perustan ja kattavuuden.
Sanakirjaselitteet — luettelee kaikki 9 sanakirjalähdettä (EMS, EKSS, IMS, ERLA, VMS, Seto, SMS, KKS, VKS).
Lemmatisointi — kuvaa vironkielisen (EstNLTK) ja suomenkielisen (Omorfi/Voikko/Stanza) käsittelyketjun sekä DeepSeekin tekoälyannotointikerroksen.
Sivukortit
Alla olevat kortit vievät RunoVersen tärkeimmille sivuille (sivuja on kaikkiaan yli 70). Jokainen kortti antaa sivun lyhyen kuvauksen. Pidemmät selitykset löytyvät viidestä aihekohtaisesta oppaasta (sanasto, samankaltaisuus, poetiikka, kieltenvälinen analyysi, korpus).
Sivustolla liikkuminen
Huomaa, että RunoVerse on yhä kehitteillä. Historiallisten murreaineistojen lemmatisointi on väistämättä likimääräistä, ja tekoälyn tuottamia yleiskielisiä asuja (lukunäkymän Yleiskielinen-kerros), käännöksiä, etymologisia analyyseja ja samankaltaisuusmittoja on pidettävä kokeellisina. Tilastot ja luvut voivat muuttua aineiston tarkentuessa. RunoVerse on tarkoitettu tutkimusta tukevaksi apuvälineeksi, ei lopulliseksi hakuteokseksi.
Miten viitata
Jos käytät RunoVersea tieteellisessä työssä, viittaa näin:
BibTeX-tietue
@misc{veskis2026runoverse,
author = {Veskis, Kaarel},
title = {{RunoVerse}: A Digital Explorer for Finnic Runosong Corpora},
year = {2026},
publisher = {Estonian Folklore Archives of the Estonian Literary Museum},
url = {https://runoverse.org/},
note = {Version 1.0. Accessed: }
}
BibLaTeXin käyttäjät voivat suosia tyyppiä @online (BibLaTeXin perustyyppi, jossa ovat kentät url ja urldate) tai tyyppiä @software (vaatii paketin biblatex-software). Tässä käytetään tyyppiä @misc, koska se toimii kaikissa BibTeX-käsittelijöissä.
Yksittäiseen runoon viitataan lukunäkymässä runon otsikon vieressä olevalla Viittaa-painikkeella; se muodostaa viitteen, jossa mainitaan ensin lähdekorpus tai arkisto ja sitten RunoVerse käyttöympäristönä. Muotoa reader.html?poem=<id> olevat suorat linkit ovat pysyviä ja niitä voi käyttää viitteissä.
Mikä tämä on?
RunoVerse on itämerensuomalaisten runolaulukorpusten tutkimusympäristö. Se kokoaa neljästä kokoelmasta runotekstit, niiden lemmatisoidun sanaston, sanakirjaselitykset ja käännökset, niin että itämerensuomalaista runolauluperinnettä voi lukea, hakea, vertailla ja kartoittaa yhtenä kokonaisuutena kielestä ja korpuksesta riippumatta.
Lähdekorpukset
| Kokoelma | Kieli | Kuvaus |
|---|---|---|
| SKVR | suomi, karjala, inkeroinen, vatja | Suomen Kansan Vanhat Runot – Suomalaisen Kirjallisuuden Seuran (SKS) julkaisema runolaulukokoelma. 89 247 runoa. |
| JR | suomi, karjala, inkeroinen, vatja, lyydi, vepsä | Julkaisemattomat Runot – SKS:n kansanrunousarkiston julkaisematonta runoaineistoa. 85 607 runoa. |
| ERAB | viro (myös seto); vähän inkerinsuomea | Eesti regilaulude andmebaas – vironkielisten runolaulujen tietokanta. Viron kirjallisuusmuseon Viron kansanrunousarkisto. 108 969 runoa. |
| KR | suomi, karjala, viro | Kirjalliset Runot – tekijänoikeuksista vapaisiin lähteisiin perustuva kirjallisten runojen korpus, mukana Kalevala (1849), Wanha Kalevala (1835), Kanteletar, Kalevipoeg ja muita julkaistuja teoksia. Koonnut Sakari Korpikallio (Suomalaisen Kirjallisuuden Seura, SKS) FILTER- ja REFOP-hankkeissa (Suomen Akatemia). CC BY 4.0. 10 544 runoa. |
KR-korpus poikkeaa luonteeltaan kolmesta muusta. Sen nimi Kirjalliset Runot viittaa aineiston alkuperään: korpuksen kalevalamittainen runous on säilynyt käsikirjoituksissa ja painetuissa lähteissä, eikä sitä ole tallennettu kenttätyössä suoraan esittäjiltä. Kuten Kati Kallio (Suomalaisen Kirjallisuuden Seura) on osoittanut, näin säilynyt säe esiintyy pääosin lyhyinä katkelmina muiden tekstien sisällä: sananlaskuissa, loitsuissa, omistuskirjoituksissa sekä onnittelu- ja surunvalittelurunoissa. Korpukseen kuuluvat myös 1800-luvun laajat kirjalliset teokset, kuten Kalevala, Kanteletar ja Kalevipoeg. Taustaksi ks. Kallion tutkimus kirjallisesta kalevalamittaisesta runoudesta: folklore.ee/folklore/vol67/kallio.pdf.
Myös kolmen arkistokorpuksen aineisto on pääosin runolaulua, mutta ei lajiltaan yhtenäistä. Runolaulujen ohella niissä on loitsuja (ne muodostavat huomattavan osan luokitelluista suomenkielisistä runoista), siirtymämuotoisia ja loppusointuisia uudempia lauluja, tanssi- ja lastenlauluja sekä muuta samoihin kokoelmiin tallennettua perinneaineistoa. RunoVerse pitää tämän aineiston koossa ja kutsuu kokonaisuutta yleistäen runolauluksi; näkymä Genreselain näyttää vironkielisen korpuksen jakauman perinnelajeittain.
Kumpikaan korpusryhmä ei ole yksikielinen. SKVR ja JR ovat pääosin suomenkielisiä, mutta niissä on runsaasti karjalaista (myös livviä) ja inkeriläistä (inkeroista ja inkerinsuomea) aineistoa, vähemmän vatjalaisia, lyydiläisiä ja vepsäläisiä runoja sekä yksittäisiä saamelaisia ja virolaisia tekstejä; keruupaikan murrealueen mukaan noin kolmannes SKVR:n ja neljännes JR:n runoista on tallennettu Inkerissä ja Karjalassa. ERAB kattaa pohjois- ja eteläviron runolauluperinteen setolaiset laulut mukaan lukien sekä muutaman sadan Inkerissä ja suomenkielisissä siirtokunnissa kerätyn laulun. KR on enimmäkseen suomen- ja karjalankielinen, ja lisäksi siinä on virolainen Kalevipoeg. Korpustunnukset FI ja ET tarkoittavat siis kahta korpusryhmää, eivät kahta kieltä; Paikat-sivun murrekerros näyttää, missä kukin kielimuoto on tallennettu.
Sanaston tilastot
| Mittari | Määrä | Huomautukset |
|---|---|---|
| Eri lemmoja | 439 746 | Eri perusmuodot kaikissa korpuksissa (ml. 183 137 vain DeepSeekistä) |
| Eri sananmuotoja | 1 480 455 | Eri sananmuodot kaikissa runoteksteissä |
| Sananmuoto–lemma-vastaavuudet | 2 083 995 | Taivutusmuotojen ja lemmojen vastaavuuksia yhteensä (yksi sananmuoto voi viitata useaan lemmaan) |
| Saneita yhteensä | 15 264 640 | Sanaesiintymiä lähdeteksteissä yhteensä |
| Runoja | 292 089 | Eri runoja, joiden koko teksti on nähtävissä lukunäkymässä (lähdekorpuksissa yhteensä 294 367; osa puuttuu säetekstin puuttumisen vuoksi) |
| Vain suomenkieliset lemmat | 206 518 | Lemmat vain suomenkielisistä korpuksista (SKVR ja JR) |
| Vain vironkieliset lemmat | 100 835 | Lemmat vain vironkielisestä korpuksesta (ERAB) |
| Yhteiset (itämerensuomalaiset) lemmat | 1 240 | Lemmat, jotka esiintyvät sekä suomen- että vironkielisissä lähteissä |
| Sukulaissanaparit (ET↔FI) | 4 748 | Automaattisesti löydetyt viron ja suomen sukulaissanaparit käännösten päällekkäisyyden, etymologisten kantojen ja kirjoitusasun samankaltaisuuden perusteella (186 yhteistä muotoa, 2 013 lähes tarkkaa, 2 714 käännöksen kautta yhdistettyä; lisäksi 72 samanasuista paria on arvioitu vähemmän luotettaviksi eikä niitä näytetä) |
| Käännösvarmuus | 192 236 | Lemmat, joilla on DeepSeekin käännöksen johdonmukaisuuspistemäärä (8 446 vahva, 11 069 hyvä, 41 650 kohtalainen, 131 071 heikko; 113 502 ilman tietoa) |
| Etymologiavarmuus | 211 919 | Lemmat, joilla on DeepSeekin etymologian johdonmukaisuuspistemäärä (11 748 vahva, 13 183 hyvä, 46 078 kohtalainen, 140 910 heikko; 93 819 ilman tietoa) |
| Selitteiden kattavuus | 91,3 % | Englanninkielisen käännöksen saaneet sananmuodot (1 344 094 / 1 472 442), ml. 11 423 Claude Opusin lisäselitettä |
| Esiintymät korpuksissa | 15 264 640 | SKVR: 4 522 811 · JR: 3 398 967 · KR: 1 389 200 · ERAB: 7 341 908 |
Tilastot kuvaavat lemmatisoidun aineiston nykytilaa ja voivat muuttua lemmatisoinnin tarkentuessa.
Aineistolähteet ja lähdesuodatin
Jokainen sanaston lemma on luokiteltu yhteen kolmesta lähdeluokasta sen mukaan, miten se on tunnistettu. Päänäkymän pudotusvalikossa oleva lähdesuodatin suodattaa tietueet näiden luokkien mukaan:
| Lähde | Lemmat | Merkitys |
|---|---|---|
| Vain korpus | 5 217 | Lemman on tunnistanut korpuksen lemmatisointiketju. Yhdistämisvaiheessa yhdellekään tämän lemman sananmuodolle ei löytynyt vastinetta DeepSeekin annotoinneista. Lemma itse voi silti esiintyä DeepSeekin aineistossa sananmuotona, joten myös joillakin ”vain korpus” -tietueilla voi olla A–Z-selauksessa näkyvä tekoälykäännös. |
| Molemmat lähteet | 251 392 | Lemma tulee korpuksen lemmatisointiketjusta, ja vähintään yksi sen sananmuoto esiintyy myös DeepSeekin annotoinneissa (mahdollisesti toisen lemman alla). Näissä tietueissa on yleensä tekoälyn tuottamia käännöksiä ja joskus myös ristiviitteitä (dsLemma) vaihtoehtoisiin lemmatisointeihin. Luokan ”molemmat lähteet” sananmuodot on värikoodattu: vihreä tarkoittaa, että järjestelmät antavat saman lemman; oranssi, että DeepSeek antaa toisen lemman; harmaa, että sananmuotoa ei ole DeepSeekin aineistossa. |
| Vain DeepSeek | 183 137 | Lemma esiintyy vain DeepSeekin annotoinneissa. Taustalla olevat sananmuodot esiintyvät korpuksessa usein toisten lemmojen alla (96 % tapauksista), mutta juuri tämä lemmatisointi on peräisin yksinomaan tekoälyanalyysistä. |
Lähdeluokat kuvaavat kahden lemmatisointijärjestelmän päällekkäisyyttä sananmuotojen tasolla, eivät sitä, onko tietueella käännös. Koska korpusketju ja DeepSeek lemmatisoivat samoja sananmuotoja toisinaan eri tavoin, sananmuoto voi kuulua ”vain korpus” -lemman alle ja esiintyä samalla DeepSeekin aineistossa itsenäisesti toisen lemman alla. Luokka ”molemmat lähteet” kattaa tietueet, joiden sananmuodot molemmat järjestelmät ovat tunnistaneet.
DeepSeek-välilehden yhtenevyysmerkintä esittää tuloksen muodossa ”30/35 samaa +15 ei tietoa”: 35:stä DeepSeekin annotoimasta sananmuodosta 30 on molemmissa järjestelmissä saman lemman alla, ja lisäksi 15 sananmuotoa puuttuu DeepSeekin aineistosta. Koko erittelyn näkee viemällä osoittimen merkinnän päälle.
DeepSeekin tekoälyannotointi
Osa korpuksesta on annotoitu erikseen DeepSeek-kielimallilla täydentävää kielianalyysia varten. Tekoälyannotointi sisältää seuraavat tiedot:
- vironkielisten ja suomenkielisten sananmuotojen englanninkieliset käännökset
- etymologiset huomautukset ja sukulaissanojen tunnistus
- morfologinen kuvaus (sija, luku, aikamuoto jne.)
- sanaluokkamerkintä
| Mittari | Määrä | Huomautukset |
|---|---|---|
| DeepSeekin saneet | 5 962 070 | Tekoälyllä annotoidut saneet (ET: 2 867 388 + FI: 3 094 682) |
| Vain DeepSeekin lemmat | 183 137 | Lemmat, jotka esiintyvät vain tekoälyanalyysissä |
| Englanninkieliset käännökset | 241 141 | Tekoälyannotoinneista poimitut englanninkieliset vastineet, selattavissa aakkosittain (yhteensä 1 252 781 vastaavuutta) |
| Ristiviitteet | 91 754 | Tietueet, jotka yhdistävät korpuksen ja DeepSeekin eri lemmatisoinnit |
Tekoälyn tuottamat annotoinnit ovat lisäaineistoa, eikä niitä ole tarkistettu käsin. Niihin on suhtauduttava varauksella, erityisesti etymologisten väitteiden ja harvinaisten murremuotojen käännösten osalta.
Samankaltaisuus- ja vektoriaineistot
Sananmuotojen välisten yhteyksien tarkasteluun sanastossa on kaksi sanatason samankaltaisuusjärjestelmää:
- Sananmuotojen samankaltaisuus – editointietäisyys ja äänteellinen samankaltaisuus korpuksen taivutusmuotojen välillä. Kattaa 1 166 348 sananmuotoa järjestettyine lähinaapureineen ja lemman yhtenevyyden osoittimineen.
- BERT-vektorit – kontekstipohjaiset lähinaapurit vironkielisillä runolauluteksteillä hienosäädetystä BERT-mallista. Hakulemmoja on 190 975, ja kullekin esitetään 10 merkitykseltään lähintä naapuria. Samankaltaisuus perustuu merkitykseen, ei sananmuotoon.
Runojen samankaltaisuus
Viisi runotason samankaltaisuusalgoritmia löytää toisiinsa liittyviä runoja noin 290 000 runon joukosta. Tulokset näkyvät lukunäkymän paneelissa ”Liittyvät runot” (Runojen lukunäkymä) ja omalla sivullaan (Samankaltaisuusselain), jossa on rinnakkaisnäkymä, verkkokaaviot sekä maantieteellinen ja ajallinen analyysi.
| Algoritmi | Perusta | Kuvaus |
|---|---|---|
| TF-IDF lemmojen mukaan | lemmataso | Kosinisamankaltaisuus lemmatisoitujen runotekstien TF-IDF-vektorien välillä. Tunnistaa aihepiiriltään samankaltaisia runoja yhteisen sanaston perusteella ja painottaa sanoja niiden merkittävyyden mukaan koko korpuksessa. Enintään 50 lähinaapuria runoa kohti. |
| Sananmuotojen päällekkäisyys (Jaccard) | täsmälleen samat sananmuodot | Jaccardin indeksi (|A∩B| / |A∪B|) käsittelemättömien sananmuotojoukkojen välillä. Löytää runoja, joissa on täsmälleen samoja sananmuotoja; sopii toistuvien säkeiden ja suorien tekstivastaavuuksien tunnistamiseen. |
| Temaattinen (Translation) | kieltenvälinen | Boolen IDF-kosinisamankaltaisuus DeepSeekin annotoinneista johdettujen englanninkielisten käännösten välillä; kattavuuden parantamiseksi käytetään varamenetelmänä lemmatason vertailua. Mahdollistaa erikielisten runojen vertailun yhteisessä merkitysavaruudessa. Enintään 50 lähinaapuria runoa kohti. |
| Kohdistus | merkki-n-grammit | Säejärjestyksen kohdistus merkkibigrammien kosinisamankaltaisuuden ja Wagner–Fischer-algoritmin dynaamisen ohjelmoinnin avulla; peräisin FILTER-hankkeesta (Janicki, Kallio & Sarv 2023). Kattaa 256 970 runoa korpuksista SKVR, JR, KR ja ERAB. Tunnistaa rakenteellista samankaltaisuutta: runot saavat korkean pistemäärän, jos niiden säkeet etenevät samassa järjestyksessä. Parhaista osumista näytetään kohdistettujen säeparien katkelmia. Enintään 50 lähinaapuria runoa kohti. |
| Säetason RRF | säetason yhdistäminen | Laskee kullekin menetelmälle runoparin pistemäärän säkeiden parhaiden osumien keskiarvona ja yhdistää viiden säetason menetelmän (Jaccard, TF-IDF, käännöspohjainen, merkkibigrammipohjainen ja lausevektoripohjainen) tulokset RRF-menetelmällä (k=60) yhdeksi runotason järjestykseksi. Algoritmien osuudet esitetään tunnuksilla T/J/Tr/C/Se. |
Samankaltaisuusselain näyttää BOTH-merkinnän, kun runo esiintyy usean algoritmin tuloksissa, sekä ET↔FI-merkinnän korpustenvälisille osumille käännöspohjaisen algoritmin, kohdistusalgoritmin ja säetason RRF-algoritmin tuloksissa.
Säkeiden samankaltaisuus
Viisi algoritmia (Jaccard, TF-IDF, käännöspohjainen, merkkibigrammeihin perustuva, lausevektoreihin perustuva) toimii yksittäisen säkeen tasolla ja kattaa 4,32 miljoonaa säe-esiintymää. Jokaista säettä verrataan kaikkiin muiden runojen säkeisiin, ja kutakin algoritmia kohti tallennetaan enintään 20 lähinaapuria.
| Mittari | Arvo |
|---|---|
| Indeksoituja säkeitä yhteensä | 4 316 744 |
| Runoja, joissa on säeaineisto | 289 702 |
| Eri säetyyppejä (hakuindeksi) | 2 906 535 |
| Säeklusterit | 200 |
Säkeiden samankaltaisuutta voi tarkastella lukunäkymässä (Runojen lukunäkymä; napsauta säkeen laajennusnuolta) ja sivulla Säkeiden samankaltaisuusselain, jolla voi myös tehdä säkeiden kokotekstihakuja ja selata 200:aa suurinta säeklusteria (säeklusterit) eli kaikkien korpusten toistuvia säkeitä klusterin koon mukaisessa järjestyksessä.
Tutustu RunoVerseen
Aihekohtaiset oppaat
RunoVersessa on yli 30 toisiinsa kytkeytyvää työkalua itämerensuomalaisen runolauluperinteen tutkimiseen. Nämä oppaat kuvaavat kunkin työkalun tarkemmin – mitä se näyttää, mihin aineistoon se perustuu ja miten sitä käytetään.
Keskeiset toiminnot
- Haku lemman, sananmuodon tai englanninkielisen käännöksen mukaan; haku ei huomioi tarkkeita
- Suodata kielen, sanaluokan ja aineistolähteen mukaan (korpus, DeepSeek tai molemmat)
- Sanakirjaselitteet yhdeksästä Virossa ja Suomessa laaditusta leksikografisesta lähteestä
- DeepSeekin tekoälykäännökset, etymologia ja morfologiset kuvaukset noin 290 000 runolle
- Viisi runojen samankaltaisuusalgoritmia verkkokaavioineen, karttoineen ja ajallisine analyyseineen
- Säetason samankaltaisuus kattaa 4,32 miljoonaa säettä: samankaltaiset säkeet avautuvat suoraan säkeen yhteyteen, ja käytettävissä on myös kokotekstihaku
- Kieltenvälinen vertailu: 4 748 sukulaissanaparia, 1 240 yhteistä lemmaa, 49 000 tekoälyn etymologiamuistiinpanojen ryhmää
- Poeettinen analyysi: alkusointu, semanttinen kerto, toistuvat ilmaukset ja runomitta
- Runojen lukunäkymä, jossa on sanaselitteet, sanaluokkamerkinnät ja kunkin säkeen samankaltaisuustiedot
- Korpuksen maantieteellinen ja ajallinen analyysi 803 keruupaikassa neljän vuosisadan ajalta
- Pysyvät linkit, näppäimistöllä liikkuminen ja CSV-vienti
Sanakirjaselitteet
Sanatietueita täydentävät selitteet Virossa ja Suomessa laadituista sanakirjoista:
- EMS – Eesti murrete sõnaraamat (viron murteiden sanakirja). Viron kielen instituutti.
- EKSS – Eesti keele seletav sõnaraamat (viron kielen selittävä sanakirja). Viron kielen instituutti.
- IMS – Ida-Eesti murdesõnastik (Itä-Viron murresanasto). Viron kielen instituutti.
- ERLA – Harva ja vähem kasutatavate sõnade sõnastik (harvoin ja vähemmän käytettyjen sanojen sanasto). Viron kirjallisuusmuseon Viron kansanrunousarkisto.
- VMS – Vähemtuntud murdesõnade seletusi (vähemmän tunnettujen murresanojen selityksiä). Viron kirjallisuusmuseon Viron kansanrunousarkisto.
- Seto – Seto sõnastik (seton sanasto). Inge Käsi, Viron kielen instituutti, 2016.
- SMS – Suomen murteiden sanakirja. Kotimaisten kielten keskus (Kotus). CC BY 4.0.
- KKS – Karjalan kielen sanakirja. Kotimaisten kielten keskus (Kotus). CC BY 4.0.
- VKS – Vanhan kirjasuomen sanakirja. Kotimaisten kielten keskus (Kotus). CC BY 4.0.
Lemmatisointi
Vironkieliset tekstit lemmatisoitiin EstNLTK-analysaattorin morfologisella analyysillä. Täydentäviä aineistoja ja menetelmiä olivat Tarton yliopiston murrekorpus (Lindström, Lippus & Tuisk 2019), Kristiina Rossin annotoimat runolaulujen sanaluettelot (Ross & Lohk 2017), useat leksikaaliset lähteet (EMS, EKSS, VES, ERLA ym.), asiantuntijan käsin tekemät annotoinnit (37 % korpuksesta) sekä toistuvat automaattiset korjauskierrokset.
Suomenkieliset tekstit on lemmatisoitu useilla analysaattoreilla: ensin Omorfi, sitten Voikko ja Stanza – seuraava otetaan käyttöön, jos edellinen ei tuota analyysia; lisäksi apuna ovat sanakirjat Suomen murteiden sanakirja (SMS), Karjalan kielen sanakirja (KKS) ja Vanhan kirjasuomen sanakirja (VKS).
Lisäksi noin 290 000 runoa on annotoitu erikseen suurella kielimallilla DeepSeek-R1, jota ajettiin LUMI-supertietokoneella. Annotoinnin teki Lidia Pivovarova (Helsingin yliopisto) menetelmällä, jonka laskennalliset kielitieteilijät ja folkloristit kehittivät yhdessä kielimallin kehotteiden laatimista varten (Pivovarova et al., 2025). Tekoälyanalyysi tuotti jokaiselle saneelle lemman, englanninkielisen käännöksen, morfologisen kuvauksen ja etymologisen kannan. Annotoinnin tuloksena saatiin 183 137 lisälemmaa, joita korpuksen käsittelyketjussa ei ollut. Niihin tietueisiin, joiden sananmuodot molemmat lemmatisointijärjestelmät olivat tunnistaneet, lisättiin ristiviitteet järjestelmien välille.
Lähteet ja kiitokset
RunoVerse pohjautuu FILTER-hankkeeseen (Formulaic Intertextuality, Thematic Networks and Poetic Variation across Regional Cultures of Finnic Oral Poetry), jonka korpusinfrastruktuuri ja säkeiden kohdistusmenetelmät muodostavat useiden RunoVersen samankaltaisuuskerrosten perustan. Runoregi on FILTERin oma käyttöliittymä itämerensuomalaisen suullisen runouden runojen ja säkeiden samankaltaisuuden tarkasteluun; se tarjoaa lukijalle toisen, riippumattoman työkalun samojen tekstien tarkasteluun RunoVersen rinnalla.
Korpukset
- SKVR – Suomalaisen Kirjallisuuden Seura (SKS). Suomen Kansan Vanhat Runot. Digitaalinen korpus. skvr.fi. CC BY 4.0.
- JR – Suomalaisen Kirjallisuuden Seura (SKS). Julkaisemattomat Runot. aineistot.finlit.fi/skvr/runoluettelo-jr
- ERAB – Oras, J.; Saarlo, L.; Sarv, M.; Labi, K.; Uus, M.; Šmitaite, R. (toim.). Eesti Regilaulude Andmebaas. Viron kirjallisuusmuseon Viron kansanrunousarkisto. 2003–. folklore.ee/regilaul/andmebaas
- KR – Korpikallio, S. (toim.). Kirjalliset Runot. Kalevalamittaisten kirjallisten runojen korpus (1658–1866), koottu Suomalaisen Kirjallisuuden Seurassa (SKS) FILTER- ja REFOP-hankkeissa (Suomen Akatemia, nrot 333138, 340647). CC-BY 4.0. github.com/sks190/KR
Paikkojen koordinaatit
Paikat-kartan taso ”Kylät, kunnat ja muut paikat” sisältää 6 279 tarkempaa keruupaikkaa – kyliä, kuntia, kartanoita, asutuksia – ja kattaa 124 001 niistä 130 757 tietueesta (94,8 %), joissa tällainen kohde mainitaan. Koordinaatit ovat peräisin alla luetelluista rekistereistä. Merkki on sijoitettu rekisterin viitepisteeseen, ei paikan mitattuun keskipisteeseen; rekisterikoordinaatit ovat likimääräisiä, ja niiden tarkkuus on suunnilleen kylän halkaisijan luokkaa.
- Maa- ja Ruumiamet / Rahvusarhiiv – Ajalooline haldusjaotus (historiallinen hallintojako): vallad 1922, vallad 1938; mõisad kuni 1917 (kartanokeskukset); kihelkonnad kuni 1917. Tiedot 2025-05-09. Lisäksi mõisamaad kuni 1917 (kartanoiden maat), tiedot 2026-09-01: niiden perusteella on rajattu likimääräisesti kunnat, jotka ovat kumpaakin kuntarekisteriä vanhempia; kartanon maa on yhdistetty kuntaan, johon se myöhemmin liitettiin, mutta alueet eivät ole samat. geoportaal.maaamet.ee
- Maa- ja Ruumiamet – Asustusüksused (asutusyksiköt), tiedot 2024-12-01. geoportaal.maaamet.ee
- Maanmittauslaitos – Nimistö 05/2026. CC BY 4.0. maanmittauslaitos.fi
- Maanmittauslaitos – Kiinteistörekisterikartta (cadastral index map), INSPIRE WFS, pulled 2026-09-08. CC BY 4.0. Village rings on Finnish pages of the villages map are inferred from these parcels, grouped by the register-village element of the parcel identifier.
- WarSampo, karjalaiset paikat – Semantic Computing Research Group (SeCo), Aalto-yliopisto / Helsingin yliopisto. CC BY 4.0, haettu elokuussa 2026. ldf.fi/dataset/warsa
- Karjalan kartat – luovutetun Karjalan karttalehtien nimihakemisto, koonnut Jyrki Tiittanen. © Maanmittauslaitos / Puolustusvoimat; käytetty Maanmittauslaitoksen kirjallisella luvalla, elokuussa 2026. karjalankartat.fi
- Nimiarkisto – Kotimaisten kielten keskuksen Nimiarkisto. Tietokantamuotoinen aineisto, CC BY 4.0, luettu elokuussa 2026; jokaisen tämän aineiston avulla paikannetun kylän ponnahdusikkunassa on linkki kyseiseen arkistotietueeseen. Skannatut keruukartat ja nimiliput ovat tämän lisenssin ulkopuolella, eikä niitä toisteta tässä. nimiarkisto.fi
- Inkeri.ru / Inkeri.fi – Inkerin kulttuuriseuran inkeriläiset pitäjä- ja kylärekisterit, jotka yhdistävät suomalaiset kylännimet venäläisiin vastineisiinsa. Luettu elokuussa 2026; jokaisen näiden rekisterien avulla paikannetun kylän ponnahdusikkunassa on linkki rekisterisivulle. inkeri.ru
- Etomesto.com – vanhojen karttojen palvelu, jonka avulla paikannettiin 21 vain historiallisilla karttalehdillä säilynyttä Inkerin kylää: kuusi kylää löytyi palvelun paikkahakemistosta urotšištše-kohteina (урочище), ja viisitoista kylää paikannettiin sen georeferoitujen karttalehtien perusteella (sotia edeltäneet Suomen topografiset kartat, vuoden 1890 Pietarin kuvernementin yksiverstainen kartta, RKKA:n kilometrikartta ja vuoden 1930 Leningradin ympäristön kartta). Kaikki lähteet tarkistettiin elokuussa 2026; kunkin pisteen ponnahdusikkunassa on linkki vastaavalle hakemistosivulle tai karttanäkymään. etomesto.com
- Wikidata – Wikidatan tekijät. CC0 1.0, haettu elokuussa 2026. wikidata.org
- GeoNames – CC BY 4.0, haettu elokuussa 2026. geonames.org
- OpenStreetMap – © OpenStreetMapin tekijät; aineisto on saatavilla Open Database License -lisenssillä (ODbL 1.0), haettu elokuussa 2026. openstreetmap.org/copyright
- Wikipedia – venäjän-, suomen- ja ruotsinkieliset Wikipedia-artikkelit, CC BY-SA 4.0, haettu elokuussa 2026. wikipedia.org
- Regionum.ru – Leningradin alueen asutusten rekisteri (kaksi pistettä), haettu elokuussa 2026. regionum.ru
- Alta.ru:n rautatiehakemisto – asemien koordinaatit (yksi piste), haettu elokuussa 2026. alta.ru/railway
- KNAB – Kohanimeandmebaas (Viron paikannimitietokanta), Eesti Keele Instituut, koonnut Peeter Päll. Tietokanta päivitetty viimeksi 2022-07-28. Yksittäisiä nimiä haettiin täältä elokuuhun 2026 asti; 2026-08-31 saatu tietopoiminta kattaa vironkieliset paikannimet sekä Lutsin, Leivun ja Krimin kielisaarekkeiden paikannimet. Sen perusteella lisättiin 392 pistettä; kunkin tällaisen pisteen yhteydessä ilmoitetaan KNAB-tietueen numero. Samasta poiminnasta ovat peräisin myös 22 runoissa mainitun paikan koordinaatit, muun muassa Petserin, Kiovan ja neljän raamatullisen paikan. arhiiv.eki.ee/knab
- Yandex Maps – kaksi inkeriläistä urotšištše-pistettä (Räkälä, Oussimäki), luettu palvelusta elokuussa 2026. yandex.com/maps
- Aunuksen kuvernementin asutusluettelo, 1905 – Blagoveshchenskiy, I. I. (toim.). Список населённых мест Олонецкой губернии по сведениям за 1905 год [Aunuksen kuvernementin asuttujen paikkojen luettelo, tiedot vuodelta 1905]. Aunuksen kuvernementin tilastokomitea, Petroskoi, 1907. Virallinen julkaisu, vapaasti käytettävissä; sen on digitoinut ja kylät yksitellen paikantanut олонецкая-губерния.рф-hanke; haettu 2026-08-19. олонецкая-губерния.рф
- Luovutetun Etelä-Karjalan pitäjät – Lappeenrannan maakuntakirjasto, Carelica-kokoelma. Viiden Karjalankannaksen paikkakunnan kyläluettelot, haettu 2026-08-18; yksikään koordinaatti ei ole peräisin niistä. luovutetunetelakarjalanpitajat.fi
- Juminkeko – Juminkeko-säätiö, Vienan runokylien sivut. Yhden tuhoutuneen runokylän (Tšena, Vuokkiniemi) sijainti, haettu 2026-08-19; itse koordinaatti on peräisin GeoNamesista. juminkeko.fi
Noin 850 näistä paikoista on sijoitettu käsin yksitellen eikä automaattisella täsmäytyksellä. Useimmat perustuvat edellä mainittuihin rekistereihin; muutama kymmenen perustuu yhteen erikseen mainittuun lähteeseen – pitäjänhistoriaan, vuoden 1905 volostiluetteloon tai karttapalveluun – ja lähde ilmoitetaan kunkin tällaisen paikan ponnahdusikkunassa.
Lemmatisointityökalut
- EstNLTK – Laur, S.; Orasmaa, S.; Särg, D.; Tammo, P. (2020). EstNLTK 1.6: Remastered Estonian NLP Pipeline. Proceedings of LREC 2020, pp. 7154–7162. github.com/estnltk/estnltk
- Vabamorf – Kaalep, H. J.; Vaino, T. (2001). Complete morphological analysis in the linguist’s toolbox. Congressus Nonus Internationalis Fenno-Ugristarum, 5, pp. 9–16.
- Omorfi – Pirinen, T. A. (2015). Omorfi – Free and open source morphological lexical database for Finnish. Proceedings of NODALIDA 2015, pp. 313–315. github.com/flammie/omorfi
- Voikko – Pitkänen, H. Voikko – Free linguistic software for Finnish. voikko.puimula.org
- Stanza – Qi, P.; Zhang, Y.; Zhang, Y.; Bolton, J.; Manning, C. D. (2020). Stanza: A Python Natural Language Processing Toolkit for Many Human Languages. Proceedings of ACL 2020: System Demonstrations. stanfordnlp.github.io/stanza
- DeepSeek-R1 – DeepSeek-AI (2025). DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. arXiv preprint arXiv:2501.12948. deepseek.com
- Pivovarova et al. – Pivovarova, L.; Kallio, K.; Kanner, A.; Lindström, J.; Mäkelä, E.; Saarlo, L.; Veskis, K.; Väina, M. (2025). Benchmarking Large Language Models for Lemmatization and Translation of Finnic Runosongs. Proceedings of the 10th International Workshop on Computational Linguistics for Uralic Languages (IWCLUL 2025), pp. 87–105. Association for Computational Linguistics. aclanthology.org/2025.iwclul-1.12
- Lindström, Lippus & Tuisk – Lindström, L.; Lippus, P.; Tuisk, T. (2019). The online database of the University of Tartu archives of Estonian dialects and kindred languages and the Corpus of Estonian dialects. In Björklof, S. and Jantunen, S. (eds.), Multilingual Finnic: Language Contact and Change. Helsinki: Finno-Ugrian Society, pp. 327–350. doi.org/10.33341/uh.85040
- Ross & Lohk – Ross, K.; Lohk, A. (2017). Words, forms and phrases in Estonian folksongs and hymns. Folklore: Electronic Journal of Folklore, 67, pp. 49–64. doi.org/10.7592/FEJF2017.67.ross_lohk
- Janicki, Kallio & Sarv – Janicki, M.; Kallio, K.; Sarv, M. (2023). Exploring Finnic written oral folk poetry through string similarity. Digital Scholarship in the Humanities, 38(4), pp. 1510–1525. doi.org/10.1093/llc/fqac034
Leksikaaliset lähteet
- SMS – Kotimaisten kielten keskus (Kotus). Suomen murteiden sanakirja. kaino.kotus.fi/sms. CC BY 4.0.
- KKS – Kotimaisten kielten keskus (Kotus). Karjalan kielen sanakirja. kaino.kotus.fi/kks. CC BY 4.0.
- VKS – Kotimaisten kielten keskus (Kotus). Vanhan kirjasuomen sanakirja. CC BY 4.0.
- EMS – Eesti Keele Instituut (Viron kielen instituutti). Eesti murrete sõnaraamat. eki.ee/dict/ems
- EKSS – Eesti Keele Instituut (Viron kielen instituutti). Eesti keele seletav sõnaraamat. eki.ee/dict/ekss
- VES – Võro Instituut (Võron instituutti). Võro-eesti synaraamat (toim. Jüvä Sullõv). folklore.ee/Synaraamat
- ERLA – Viron kirjallisuusmuseon Viron kansanrunousarkisto. Harva ja vähem kasutatavate sõnade sõnastik. folklore.ee/laulud/erla
Oikeudet ja uudelleenkäyttö
Runo- ja tarinatekstien käyttöön sovelletaan niiden lähdekokoelmien ehtoja (ks. korpusviitteet edellä: SKVR ja KR on julkaistu CC BY 4.0 -lisenssillä; JR:n ja ERABin aineistot kuuluvat Suomalaisen Kirjallisuuden Seuralle ja Viron kansanrunousarkistolle). Annotointikerrosten tekijyys on kuvattu edellä: tekoälyn tuottamat lemmatisoinnit, englanninkieliset käännökset sekä morfologiset ja etymologiset analyysit ovat peräisin DeepSeek-R1-annotoinnista, jonka teki Lidia Pivovarova (Helsingin yliopisto) Pivovarovan ym. (2025) menetelmää noudattaen, ja niitä on pidettävä kokeellisina. RunoVerse-kokonaisuuden itsensä – sivuston, sen hakemistojen ja visualisointien – tekijänoikeus: © Kaarel Veskis. RunoVersen käyttö tutkimuksessa ja opetuksessa on tervetullutta, kun lähde mainitaan; muuta käyttöä varten ota yhteyttä. Tämä lupa ei kata aineistotiedostojen (annotointikerrosten, hakemistojen ja käännösten) laajamittaista uudelleenkäyttöä eikä edelleen jakamista; niihin tarvitaan tekijän ennakkosuostumus.
Yhteystiedot
RunoVersea koskevissa kysymyksissä voit kirjoittaa osoitteeseen veskis.kaarel@gmail.com