5. E L DESARROLLO DE UN CORPUS (I): DISEÑO Y CONSTITUCIÓN
La constitución del corpus se refiere al proceso mediante el cual se fijan los criterios que han de guiar el diseño del corpus y, de acuerdo con ellos, se recopilan los textos.
La selección de los textos que formarán parte de un corpus (cf. Sinclair 1996) se puede efectuar según criterios internos o criterios externos.
5.1. Criterios internos o lingüísticos
Están basados en la distribución de palabras o de características gramaticales. Se centran en la aparición de patrones o elementos diferenciadores de la variedad lingüística de un texto, como p. ej. la longitud de las oraciones. Dan lugar a los llamados tipos de texto. A menudo se han propuesto como la mejor solución para elaborar corpus representativos: mientras más palabras o rasgos lingüísticos incluya el corpus, más representativo será de la lengua o variedad objeto de estudio. Sin embargo, también han recibido críticas relativas a su cientificidad, por no presentar independencia respecto de los objetivos de la investigación:
los textos se seleccionan de forma intuitiva, buscando la presencia de determinados rasgos. Destacan entre estos criterios:
Tema: dominio o ámbito al que pertenece el texto. Es un parámetro que clasifica un texto a partir de su contenido. Corresponde prototípicamente a los criterios internos. Se trata de un tipo de clasificación que ha sido muy criticada, al estar basada en descripciones y clasificaciones de las áreas de conocimiento que han de reducir forzosamente una realidad compleja a una estructura jerárquica monodimensional. Es decir, el problema es el subjetivismo que representa una división arbitraria del saber humano. Sin embargo, en la práctica es un tipo de criterio muy utilizado, especialmente en los corpus más extensos. Por ejemplo, es uno de los criterios que se manejan en CREA para elegir textos. Así, se clasifican estos en seis hipercampos (que agrupan, a su vez, un gran número de áreas temáticas), en el caso de los textos informativos, y un séptimo hipercampo para los textos de ficción:
- Hipercampo 1. Ciencias y tecnología.
- Hipercampo 2. Ciencias sociales, creencias y pensamiento.
- Hipercampo 3. Política, economía, comercio y finanzas.
- Hipercampo 4. Artes.
- Hipercampo 5. Ocio y vida cotidiana.
- Hipercampo 6. Salud.
- Hipercampo 7. Ficción: Novela, relatos y teatro.
Véase también la lista de temas que utiliza el BNC para seleccionar sus textos:
Ilustración 7. Campos temáticos del British National Corpus para textos escritos.
Estilo: tipo de modelo de lengua que sigue. Es lo que ocurre, por ejemplo en el corpus C-ORAL- ROM, que subdivide los registros de habla espontánea teniendo en cuenta el estilo dialógico (vid.
Campillos, Gozalo y Moreno 2007):
Ilustración 8. Estilos en el corpus C-ORAL-ROM.
3.5.2. Criterios externos o situacionales
Estos criterios no tienen en cuenta características internas presentes en los textos, sino cuestiones relacionadas con el entorno de los mismos. En la actualidad se suelen preferir a los criterios internos, ya que aportan independencia: los textos se eligen de forma objetiva, sin hacer predicciones sobre los aspectos lingüísticos que van a presentar. Además, son el tipo de criterios que se utilizaron en los primeros corpus y que más difusión han tenido. Destacan:
Cronología: uno de los datos más objetivos que se puede dar sobre un texto es su fecha de elaboración. Para la gran mayoría de los textos se puede determinar fácilmente con mucha precisión cuál es el año o período cronológico que corresponde a su datación. Esto hace que la fecha sea una de las informaciones primarias con que se caracterizan los textos que forman parte de un corpus.
Ilustración 9. Periodos en que se estructuran los textos de CORGA.
Origen: considera aspectos de la producción del texto que puedan afectar a la estructura o al contenido; datos diversos sobre el autor o los autores, el editor, el lugar de publicación, etc. Por ejemplo, uno de los criterios para elegir textos escritos que sigue el BNC es el nombre del autor, su edad, sexo, etc. Se trata de otro de los criterios más empleados en los corpus.
Estado: cuestiones relativas al aspecto físico del texto y a su soporte en el momento en que se selecciona para el corpus; modo de transmisión (oral, escrito o electrónico), etc.
Objetivo: tiene en cuenta la motivación del texto y las finalidades que persigue; el tipo de audiencia
o de público al que se dirige (niños, adolescentes, adultos, todo tipo de audiencia), resultados que
se espera obtener de su difusión, etc.
Género literario: este parámetro se ha aplicado sobre todo a los corpus que contienen un número importante de textos literarios. Esta clasificación suele seguir la división tradicional en cuatro géneros básicos: ensayo, narrativa, poesía y teatro, como ocurre en la parte literaria del Corpus Textual Informatitzat de la Llengua Catalana. En la actualidad, no es uno de los parámetros más importantes para el diseño de corpus, ya que precisamente las obras literarias o de ficción tienden a tener un menor peso frente al material de tipo informativo, que se considera que representa mejor el uso mayoritario de la lengua.
Medio de publicación: los parámetros centrados en el medio de publicación del texto son uno de los criterios externos más utilizados hoy en día. Este hecho obedece a la tendencia que manifiesta preferencia por los criterios externos, ya que no presentan el subjetivismo inherente a los criterios internos. El carácter limitado (pese a las posibilidades de variedad actuales) del número de medios de difusión textual y el que se trate de características no inherentes al texto, facilitan un alto grado de homogeneidad. P. ej. en el caso de un corpus de textos escritos, se distinguirían con facilidad los siguientes grupos: libros, publicaciones periódicas, miscelánea (folletos publicitarios o de otro tipo, catálogos…), material escrito no publicado (correspondencia, diarios…), textos electrónicos, material escrito para ser leído (discursos políticos, guiones para programas de radio o televisión, etc.).
Las últimas tendencias parecen inclinarse por compaginar criterios externos e internos:
Criterios externos Criterios internos
a) Cronología b) Origen c) Estado d) Objetivo e) Género literario f) Medio de publicación
a) Tema b) Estilo
Tabla 4. Criterios para la selección de textos.
Por ejemplo, el BNC (British National Corpus) se guio por el tema (criterio interno), el medio de
publicación y la fecha (criterios externos) para elegir los textos escritos que iban a conformar el corpus; el
CREA utiliza criterios muy similares: tema como criterio interno y medio de publicación, fecha y, además,
procedencia geográfica como criterios externos.
5.3. Otras cuestiones de diseño
Además de los criterios que se van a seguir a la hora de recopilar el corpus, la primera fase en el desarrollo de un corpus también implica decisiones relativas a:
Finalidad
Límites temporales, geográficos y lingüísticos
Tamaño y tipo de textos
Proporciones temáticas
En cuanto a la finalidad del corpus, es el objetivo o motivo por el que se lleva a cabo la recopilación.
Puede ser una finalidad muy concreta (un corpus para un servicio automático de telefonía) o más general (un corpus para estudiar el funcionamiento de la lengua española). Mientras más amplio sea el objetivo o finalidad, más complicado es el diseño. También se consideran en este momento inicial cuestiones sobre la posible reutilización del corpus (lexicografía, procesamiento del lenguaje natural, fonética, etc.).
Asimismo, hay que destacar que la finalidad del corpus condiciona muchas de las decisiones posteriores:
no es lo mismo un corpus que va a servir como base para la elaboración de materiales de referencia (gramáticas, diccionarios) que otro cuya finalidad principal es el diseño de programas de procesamiento del lenguaje natural (correctores ortográficos, etiquetadores…).
Decidida la finalidad, el siguiente paso es fijar los límites temporales, geográficos y lingüísticos de los textos que contendrá el corpus, así como la proporción de los mismos para cada período, zona o variedad, lo que lógicamente vendrá dictado por la finalidad.
Los límites temporales se refieren al período que han de comprender los textos. Algunos ejemplos son:
Corpus of Contemporary Spanish español posterior a 1990 Corpus Textual Vox-Biblograf español posterior a 1950 Corpus Textual Informatitzat de la Llengua Catalana catalán posterior a 1833 Longman/Lancaster English Language Corpus inglés posterior a 1899
Tabla 5. Ejemplos de distribuciones temporales.
Los límites geográficos comprenden las zonas y porcentajes de cada una que deben integrar el corpus.
Por ejemplo:
Corpus de Referencia del Español Actual 50% de español de España 50% de español de América Corpus del Español del Siglo XXI 30% de español de España
70% de español de América
Corpus of Contemporary Spanish
25% de español peninsular 25% de español de Argentina
50% de español de otras zonas de América del Sur
Bank of English (proyecto COBUILD)
70% de inglés británico 20% de inglés americano 10% de inglés de otras zonas
Longman/Lancaster English Language Corpus
50% de inglés británico 40% de inglés americano 10% de inglés de otras zonas
Tabla 6. Ejemplos de distribuciones geográficas.
Los límites lingüísticos hacen referencia a las lenguas o variedades lingüísticas a las que deben pertenecer los textos: español, inglés, gallego, catalán, etc. No es lo mismo un corpus monolingüe que uno bilingüe o multilingüe. Así, CRATER (Corpus Resources and Terminology Extraction Project) contiene textos en inglés, francés y español; y el Corpus textual especializado plurilingüe del Instituto Universitario de Lingüística Aplicada de la Universidad Pompeu Fabra de Barcelona, está conformado por textos en cinco lenguas diferentes (catalán, castellano, inglés, francés y alemán).
En cuanto al tamaño y tipo de textos del corpus, aunque los corpus de gran volumen están de moda, hay que recordar que el tamaño es una cuestión relativa, condicionada por la finalidad del corpus.
Además del tamaño del corpus en general, también se debe decidir en esta fase sobre la tipología textual de la que se nutrirá el corpus (tipos de textos y su distribución, así como el tamaño de las muestras):
Tipo de textos: generales o específicos.
Textos concretos que integrarán el corpus: una lista que dé cuenta de los documentos que conformarán el corpus (nómina).
Cantidad de texto que se tomará de cada documento para las muestras: textos íntegros o
fragmentos; si son fragmentos de textos, la parte inicial, la central o la final de un texto, etc.
El incluir textos enteros:
(i) Facilita el estudio de un amplio abanico de aspectos, en especial en los estudios de lingüística textual.
(ii) Permite recortar los textos posteriormente.
(iii) Se enfrenta con problemas de derechos de autor, sobre todo en el caso de textos recientes.
(iv) Conlleva la presencia de textos de tamaño desigual.
(v) Tiene el peligro de que se tomen como usos generales peculiaridades estilísticas o temáticas de un autor o ámbito.
Los fragmentos, en cambio, parecen ser preferibles pues:
(i) Favorecen el trabajo con textos de un tamaño constante, lo que dota de mayor equilibrio al corpus.
(ii) Además, los rasgos lingüísticos más frecuentes son constantes en su distribución, por lo que una muestra de dos mil palabras es suficiente, según han demostrado diversos experimentos; solo en el caso de buscar rasgos muy raros es necesario acudir a muestras más amplias.
(iii) Se recomienda que haya equilibrio entre los fragmentos tomados del inicio, de la mitad y del final de los textos.
Algunos ejemplos de la política de los corpus en cuanto a este aspecto son:
Corpus of Contemporary Spanish Muestras textuales de 70.000 palabras Longman/Lancaster English Language
Corpus
Muestras textuales de 40.000 palabras
International Corpus of English (ICE) Muestras textuales de 2.000 palabras Brown Corpus of American English Muestras textuales de 2.000 palabras Lancaster-Oslo/Bergen Corpus (LOB) Muestras textuales de 2.000 palabras Bank of English (proyecto COBUILD) Muestras textuales de textos enteros
Tabla 7. Ejemplos de tamaños de muestras.
El siguiente paso aborda cuestiones relativas a la proporción y el número de muestras para cada categoría textual. Es especialmente importante cuando se aplica una técnica de muestreo estratificado (vid. infra) para seleccionar los textos. No obstante, entraña cierta dificultad, pues no existe unanimidad sobre los grupos temáticos (arte, deporte, etc.) que deben establecerse o sobre el porcentaje adecuado de cada uno. Además, los temas se expresan de diferente forma (género): prosa, debate, etc., por lo que también deben tomarse decisiones sobre los géneros que abarcará el corpus. P. ej.
Brown Corpus y LOB Corpus: muestras de 15 géneros elegidas al azar.
Longman Lancaster English Language Corpus: muestras elegidas siguiendo el criterio de los libros más leídos en las bibliotecas, pertenecientes a 10 grupos temáticos:
1. Ciencias puras y naturales 6%
2. Ciencias aplicadas 4,3%
3. Ciencias sociales 14,1%
4. Cuestiones mundiales 10,4%
5. Comercio y finanzas 4,4%
6. Artes 7,9%
7. Creencias y pensamientos 4,7%
8. Pasatiempos 5,7%
9. Ficción 40%
10. Poesía, teatro y humor 2,3%
Tabla 8. Ejemplo de proporciones temáticas.
CORGA contiene la siguiente proporción de temas:
5.4. Representatividad del corpus y muestreo
Decididas las cuestiones anteriores, se pasa a obtener los textos que van a integrar el corpus. Para efectuar la selección de los mismos, es necesario aplicar una serie de principios estadísticos que garanticen que las muestras, a partir de las cuales se va a efectuar una generalización sobre la lengua, son representativas de la población (en este caso, la población es la lengua o variedad lingüística en cuestión).
De hecho, hoy en día, la representatividad es la principal cuestión a la hora de compilar un corpus, característica que, además, lo diferencia de archivos o simples colecciones de textos.
La representatividad se refiere a que, puesto que, salvo en casos particulares –obras de un autor determinado, lenguas muertas, etc.–, es imposible recoger en un corpus todas las muestras de una lengua, se hace preciso elegir un subconjunto de ellas que presente las características de la lengua como un todo.
Un corpus trata, por definición, de mostrar a pequeña escala cómo funciona el todo que es una lengua natural; pero para ello es necesario que esté diseñado sobre unas bases estadísticas apropiadas que aseguren que el resultado sea efectivamente un modelo de la realidad.
A menudo, en Lingüística no estamos interesados en un texto o autor individual, sino en toda la variedad de la lengua. Entonces tenemos dos opciones para reunir datos (cf. McEnery, Xiao y Tono 2006:13 y ss.):
a) Analizar cada enunciado de esa variedad. Opción impracticable salvo las excepciones ya señaladas.
b) Seleccionar una pequeña parte de esa variedad, tomar una muestra. Opción más realista.
Una de las críticas de Chomsky al acercamiento al estudio del lenguaje mediante corpus era que la lengua es infinita y, por lo tanto, cualquier corpus será sesgado: algunos enunciados no aparecerían en el corpus por ser raros; otros más comunes podrían quedar excluidos por casualidad; o también se podría dar el caso de que enunciados raros aparecieran en el corpus dando una falsa imagen de la realidad. Por lo tanto, en el diseño de corpus se deben establecer medidas para garantizar que el corpus no ofrece una visión parcial de la realidad que pretende reflejar.
Sin embargo, la representatividad no es una cuestión sencilla y es objeto de debates dentro de la lingüística de corpus: ¿hasta qué punto un corpus es representativo de la realidad lingüística que quiere describir? ¿En qué medida se pueden generalizar los descubrimientos realizados a partir de la muestra?
¿Hay diseños de corpus más representativos que otros? ¿Cuáles son los criterios que determinan esta representatividad?
La respuesta es que la representatividad es una noción relativa. En términos generales, se puede decir
que el factor que determina la representatividad es la relación que existe entre el diseño de un corpus
(criterios para seleccionar los textos) y las finalidades que se han previsto como objetivo fundamental de
su explotación. De esta forma, el hecho de que haya corpus más o menos extensos en cuanto al número de
palabras, más o menos restringidos en el parámetro cronológico, de unas u otras proporciones de
tipologías textuales, obedece a las diferencias sobre el tipo de resultados que se espera obtener.
En concreto, en términos prácticos, la representatividad de un corpus respecto a la lengua o variedad que tiene como referente está en función del equilibrio entre las diferentes categorías o tipologías textuales (textos escritos, orales, generales, específicos…) que, tomadas juntas, puedan considerarse el
“promedio” y proporcionar una imagen razonablemente exacta de toda la población en que se esté interesado. Evidentemente, tanto representatividad como equilibrio son cuestiones relativas, pues ambas dependen de la finalidad del corpus. Por este motivo, a menudo se siguen las pautas marcadas por corpus ya existentes, aceptados como modelos de representatividad por la comunidad investigadora. Es lo que ocurre, p. ej. con el BNC, cuyo diseño está fundamentado sobre los siguientes parámetros:
90% de textos escritos, elegidos según los criterios de o dominio o campo
o tiempo o período o medio de publicación
10% de textos orales transcritos, elegidos según los criterios de
o demografía (sexo, edad, clase social), para los textos informales o contexto, para los textos formales
Por otra parte, para asegurar la representatividad de un corpus también hay que tener en cuenta los cambios debidos al tiempo, de ahí la necesidad de efectuar actualizaciones. Se distingue en este sentido entre corpus estáticos y corpus dinámicos:
Los llamados en inglés “sample corpus” (corpus léxicos) emplean el mismo diseño para estudiar la misma variedad en diferentes etapas de la lengua. Es lo que sucede con el LOB para el inglés británico de los años 60 y el Freiburg-LOB para el de los 90. En cada caso el corpus presenta una imagen estática del estado de la lengua en un período determinado.
Los corpus monitor son modelos dinámicos, pensados sobre todo para detectar cambios rápidos en la lengua, cambios que suceden en un período corto de tiempo, como p. ej. el estudio de los neologismos.
Los corpus diacrónicos, aunque modelos estáticos en su concepción (cada subcomponente representa un período amplio), se emplean, en cambio, para estudiar períodos más amplios, para observar la evolución de la lengua a lo largo del tiempo.
Por otra parte, atendiendo a las categorías textuales, no es lo mismo un corpus general que uno
especializado. El primero, al tener como objetivo proporcionar una imagen lo más completa de la lengua,
suele contener una amplia gama de géneros, mientras que el segundo se limita a un dominio (p. ej. el
Derecho) o a un género (p. ej. el periodístico). Sin embargo, ambos tipos de corpus deberán mantener
cierta proporcionalidad entre los tipos textuales que pretenden representar (p. ej. un corpus
No obstante, hay que señalar que el equilibrio entre los diferentes tipos de textos es más importante para los corpus estáticos que para los monitor, más interesados por lograr un tamaño considerable.
En cualquier caso, es aconsejable que se documenten de forma explícita los criterios que se han seguido a la hora de diseñar el corpus
81.
Una vez consideradas y decididas las cuestiones anteriores, se está en disposición de empezar a compilar el corpus. En este momento entran en juego las técnicas de muestreo, técnicas de base estadística cuya finalidad es asegurar que los textos que van a integrar el corpus contendrán las características objeto de estudio. Para ello, es necesario:
1º) Definir la unidad de muestreo (p. ej. periódicos, libros, conversaciones…), la población o conjunto de unidades (p. ej. periódicos publicados en España) y el marco de muestra o lista de unidades (p. ej. El País, ABC, Público, El Mundo…).
2º) Aplicar una técnica de muestreo:
Muestreo aleatorio simple, en el que las unidades se numeran y se eligen mediante una tabla de números aleatorios. El inconveniente de esta técnica es que el investigador carece de control, por lo que elementos raros, aquellos que tienen poca frecuencia, pueden quedar fuera de la muestra, o estas pueden no recoger determinados aspectos que pueden ser decisivos, como el sexo, la edad, la procedencia geográfica, etc.
Muestreo aleatorio estratificado, que divide la población en grupos homogéneos, según las pautas marcadas por el investigador, y luego toma muestras aleatorias de cada grupo establecido.
81
