Inicios y evolución de la Lingüística del Corpus.

La Lingüística del Corpus es una disciplina que tiene como objetivo la descripción de la naturaleza, estructura y uso de la lengua, mediante el análisis de muestras reales de uso lingüístico. Esta disciplina se basa en un cuerpo de textos como materia de estudio y fuente de evidencia para la descripción y argumentación lingüística, incorporando a la vez metodologías de descripción que cuantifican la distribución de las unidades lingüísticas.

La Lingüística del Corpus es una disciplina joven. Aunque los primeros trabajos realizados datan de la década de los sesenta, lexicógrafos y lingüistas empezaron a utilizar corpus a finales de los años ochenta; en la enseñanza de lenguas no se introdujo hasta los noventa y su uso directo por los estudiantes de lenguas es aún incipiente.

El desarrollo y difusión de la Lingüística del Corpus es directamente proporcional a la evolución y fácil acceso de los ordenadores. Estos facilitan las tareas de descripción textual y permiten aumentar considerablemente el tamaño de las bases de datos empleadas para el análisis.

No obstante, existe constancia de recopilaciones de textos destinados a fines similares, que datan de años anteriores y se pueden considerar como los antecedentes de la Lingüística del Corpus. Se trata de compilaciones realizadas y analizadas manualmente, sin la asistencia del ordenador. Tribble y Jones (1990) hacen constar que, en el siglo XIII, 500 monjes dirigidos por Hugo de San Charo analizan las concordancias de la Biblia. Utilizando la misma fuente como corpus, Cruden (1736) aporta listados de concordancia de las palabras que juzga más importantes (Kennedy, 1998).

Más adelante, Kaeding (1898) consiguió recopilar once millones de palabras procedentes de las deliberaciones del gobierno alemán. Su intención era extraer información sobre el uso de las palabras y las letras del alemán, y aplicarla en la formación de taquígrafos (Kennedy, 1998).

De nuevo tomando muestras de la Biblia y añadiendo otras fuentes, Knowles (1904) proporcionó un listado de las 353 palabras más comunes de la lengua inglesa. Sin embargo, Thorndike ejerció una influencia mayor con The Teacher's Word Book (1932),

donde publicó una lista con las 20.000 palabras más frecuentes en inglés. El corpus utilizado para el análisis contenía 4,5 millones de palabras procedentes de clásicos de la literatura inglesa y otras fuentes. Los resultados derivados de este trabajo propiciaron un gran cambio en la enseñanza de la lengua inglesa.

Más tarde, Michael West (1953) elaboró una lista con las 2.000 palabras más frecuentes del inglés escrito. Esta lista se tomó como modelo de referencia en la elaboración de la programación de cursos de inglés para estudiantes extranjeros y se continúa aceptando en la actualidad. A General Service List of English Words incluye

información detallada sobre las diferentes acepciones de cada palabra y el porcentaje de uso de cada acepción.

Probablemente, el resultado más importante de esta etapa inicial fue el reconocimiento de que una pequeña cantidad de palabras diferentes, generalmente constituye la mitad del total de las ocurrencias de cualquier texto (Kennedy, 1998).

El corpus pre-electrónico que marcó la transición entre las descripciones basadas en corpus no computerizados y el desarrollo de la Lingüística del Corpus actual, fue el proyecto liderado por Randolph Quirk en 1959: Survey of English Usage (SEU) Corpus.

Su propuesta consistía en recopilar 200 muestras del lenguaje, compuestas por 5.000 palabras cada una y que fueran representativas del inglés británico hablado y escrito. El objetivo era conseguir un corpus de un millón de palabras, que sirviera como base de descripción de la gramática y del uso que los hablantes nativos, adultos y cultos, hacen del inglés británico.

La trascendencia de este corpus estriba en la procedencia oral de la mitad de los textos y en la aplicación de unos determinados criterios de selección para la compilación de las muestras, estableciendo así unas bases para el diseño del corpus. Además, este proyecto fue precursor de un gran número de estudios sobre gramática inglesa basados en corpus.

La disponibilidad del ordenador a partir de 1960 originó un cambio radical en los estudios basados en corpus. El análisis por ordenador daba acceso a datos que previamente no era posible observar y que iban a aportar una perspectiva nueva sobre el lenguaje. El ordenador permitía almacenar enormes cantidades de textos y recuperar en una pantalla, una palabra, una cadena de palabras o fragmentos de textos con su contexto, rápidamente y de forma exhaustiva. El mismo Survey of English Usage

A principios de los años ochenta, los corpus dedicados a la investigación lingüística no eran muy abundantes, y éstos únicamente se podían procesar mediante unidades de procesamiento centrales, los denominados mainframe. El desarrollo de ordenadores más

potentes y la aparición del CD-ROM propiciaron la proliferación de los estudios basados en corpus, de modo que, hacia finales de los noventa, numerosos proyectos estaban en funcionamiento. Algunos proyectos de gran envergadura se llevaban a cabo con fines comerciales por editores de diccionarios, al mismo tiempo que se realizaban estudios a pequeña escala como parte de tesis doctorales y proyectos de investigación.

Desde los años 20 existe la tradición de contar las palabras de los textos con el fin de identificar las más frecuentes y por lo tanto, las candidatas a ser introducidas en los materiales de enseñanza de lenguas. Aunque el interés inicial se dirigía especialmente al léxico, los corpus informatizados y el software disponible en cada momento han permitido, paso a paso, ampliar el foco de atención hacia secuencias de palabras, colocaciones léxicas y hacia las características gramaticales y estilísticas de un autor o género en particular. Así, la actividad se va orientando a la identificación de los rasgos lingüísticos que caracterizan los estilos periodístico, literario y científico.

En el campo del inglés con fines específicos, los estudios realizados para identificar las características de los registros especializados se han basado en el análisis del lenguaje utilizado en textos auténticos.

La primera publicación sobre las características de la prosa científico-técnica (Barber, 1962) presentaba una investigación prelimitar enfocada al estudio del vocabulario y de la estructura verbal y oracional. El autor introducía criterios cuantitativos y consideraba las variables de frecuencia y distribución. Barber, a la luz de los listados de palabras de West y Thorndike en la lengua general, pretendía aportar un listado de las palabras utilizadas generalmente en el lenguaje científico-técnico. El propio autor reconocía que la cantidad de textos analizados en su estudio (23.400 palabras aproximadamente), no era suficiente para obtener resultados generalizables y alentaba a continuar con la investigación:

To obtain certainty about a useful English vocabulary for the overseas science students, we must simply do more work: we need to take texts from all the main fields of science and technology, with representation of all the important sub- fields, and discover, on the lines suggested above, what words are common in one sub-field only, what are common in a whole main field, and what are common in all or several main fields; to compile the final list, a system of credits would be desirable, to enable frequency of occurrence to be balanced against range. This would enable us to draw up a general science vocabulary on a rational basis, and also to draw up separate word-lists for special fields.

De esta propuesta se puede inferir cómo yacen en estado latente los principios básicos que fundamentarán la lingüística del corpus, cuya relación con el inglés para fines específicos surge casi a la vez que el propio reconocimiento de la prosa científico- técnica como tal.

Skehan (1981) percibió el gran potencial de la aplicación de las herramientas del corpus en el campo del inglés con fines específicos. Él mismo escribió un programa para analizar textos de economía, con el fin de identificar las proporciones de los diferentes tipos de vocabulario (Aston, 1996). Sin embargo, casi cuarenta años después de la propuesta de Barber, Biber manifiesta que pocos estudios han seguido un enfoque basado en el corpus, es decir, “using a large, principled collection of texts and combining quantitative and computational techniques with qualitative interpretations.”

(Biber, 1998).

Los estudios léxicos basados en corpus y los lenguajes especializados parecen converger en el estudio de la terminología, bajo el propósito de crear diccionarios especializados (Sager, 1990; Cabré, 1993; Pedersen, 1995; Meyer y Mackintosh, 1996; Pearson, 1998).

Respecto a la explotación de los corpus en la enseñanza de lenguas, existen dos modalidades: el profesor o investigador analiza el corpus para diseñar materiales y programas didácticos, o bien es el propio aprendiz quien manipula directamente el corpus. Este último procedimiento es impulsado por Tim Johns a principios de los 90, cuando manifiesta que “the language-learner is also, essentially, a research worker whose learning needs to be driven by access to linguistic data” (Johns, 1991). De aquí

deriva el término Data-driven Learning (DDL) que denomina a este enfoque

secundado, entre otros, por Aston, Ball, Barlow, Gavioli, etc.

McEnery y Wilson (1993) comienzan a testar la eficacia de los corpus manejados directamente por los estudiantes, obteniendo resultados satisfactorios en el aprendizaje. Unos años más tarde, estos autores consideran el uso de corpus en otras áreas más específicas, e identifican el IPA como una rama de la enseñanza de lenguas donde “corpora can be used to provide many kinds of domain-specific material for language learning, including quantitative accounts of vocabulary and usage which address the specific needs of students in a particular domain more directly than those taken from more general language corpora” (McEnery y Wilson, 1996).

Dudley-Evans y St. John (1998) admiten la utilidad de los corpus como fuente de recursos textuales para investigadores, profesores y estudiantes, especialmente los listados de palabras y concordancias, que facilitan examinar el contexto en el que aparece una palabra y seleccionar el vocabulario técnico y semi-técnico. Solamente cuestionan hasta qué punto un corpus es útil para el autoaprendizaje o para la enseñanza

de idiomas mediante el manejo directo del mismo en el aula. Aunque los autores no traten la cuestión en profundidad, su inclusión en este trabajo se considera relevante, puesto que asumen el análisis del lenguaje por ordenador como uno de los principales avances en el área del IPA en los noventa.

La Lingüística del Corpus se fundamenta en fuentes de evidencia textual para mejorar la descripción de la estructura y el uso del lenguaje humano, pero además, contribuye al desarrollo de diferentes campos, como la confección de herramientas lingüísticas informatizadas, la traducción automática y el reconocimiento y síntesis del habla. En estas áreas, las diversas aplicaciones de un corpus escrito dan lugar a diccionarios y correctores de textos informatizados. A su vez, los corpus orales desempeñan una función esencial para el entrenamiento y la validación de los sistemas de reconocimiento automático del habla, conversión texto a voz y codificadores de voz, cuyas aplicaciones comprenden desde servicios telefónicos automatizados, hasta ayudas para personas discapacitadas.