Tipos de Corpus Lingüísticos: Clasificación y Anotaciones

Tipos de Corpus (6º):

6º Según el periodo temporal:

1. Corpus periódicos o cronológicos: Recogen textos de unos años determinados o de unas épocas concretas con el objeto de estudiar la lengua producida durante ese período.
2. Corpus diacrónicos o históricos: Incluyen textos de diferentes etapas temporales sucesivas con el fin de poder observar evoluciones de la lengua en un período largo, lo que los diferencia de los corpus monitor, que no abarcan períodos temporales tan amplios.
3. Corpus sincrónicos: Su finalidad es permitir el estudio de una o más variedades lingüísticas en el momento presente, sin prestar atención a su evolución excepto en lo que se refiere a los cambios rápidos que ocurren en la actualidad.

7º Según el proceso al que se somete el corpus:

1. Corpus simples: en bruto, no anotados o no codificados: Consisten en textos guardados sin formato alguno y sin añadir ningún tipo de información adicional, como pueden ser códigos o anotaciones.
2. Corpus verticales: Son el resultado de disponer en forma de columna las palabras de un texto ordenadas según criterios alfabéticos o de frecuencia. Las palabras se consideran aisladamente, sin contexto.
3. Corpus anotados: Formados por textos a los que se les han añadido, de forma manual o automática, determinadas informaciones. Estas pueden referirse a datos bibliográficos o a la estructura de los textos: etiquetas especiales para indicar el autor, el título, los capítulos, los párrafos, etc. (codificación); o, lo que es más interesante, a aspectos puramente lingüísticos, como la categoría gramatical, la estructura sintáctica, etc. (anotación). Pueden ser:
   • Corpus analizados morfológicamente (tagged): Los textos del corpus han sido anotados con información morfológica. Cada palabra del corpus tiene asociada una lista de sus posibles categorías morfosintácticas. Es posible incluir más o menos detalles en este apartado (nombre, verbo; nombre común, nombre propio, verbo principal, verbo auxiliar, etc.). La mayoría de corpus hoy en día cuenta con este tipo de anotación, que se inserta mediante un sistema de códigos al lado de cada palabra.
   • Corpus parentizados: Se han sometido a un proceso de análisis sintáctico superficial, marcado entre paréntesis o corchetes. Normalmente se identifican los constituyentes principales: por ejemplo SN (sintagma nominal), SV (sintagma verbal), etc.
   • Corpus analizados (treebanks): Los textos que los conforman están procesados sintácticamente de manera completa. Cada oración del corpus ha sido analizada de forma exhaustiva: por ejemplo, SN sujeto animado.

Codificación y Anotación:

Codificación:

La codificación trata de documentar tanto el corpus en general como los textos concretos que lo forman. Refleja:

• Aspectos extratextuales: Se codifica información externa al texto, referida al contexto en que se efectuó su producción. Así, es normal que se especifiquen datos de carácter bibliográfico, temática o género del texto, autor de la recopilación, lugar en que se tuvo lugar la producción del texto, fecha de finalización o última actualización, etc. Ofrece grandes ventajas para la recuperación de información, al permitir obtener únicamente los textos que responden a un determinado criterio o serie de criterios (textos de un autor, de una fecha, de un origen geográfico, de un tema, etc.). Todo este tipo de datos se suelen recoger en una parte del documento denominada cabecera.
• Aspectos textuales: En este caso se codifica información básica sobre la estructura interna del texto (títulos, capítulos, párrafos, oraciones, citas textuales, tablas, fotos, notas a pie de página, intervenciones de un hablante, etc.). Igual que en el caso anterior, esta información se debe diferenciar claramente de lo que es el texto propiamente dicho.

Esquemas de etiquetación concretos:

Para propiciar el intercambio de información y que cada grupo de investigación no emplee un sistema propio, existen hoy en día recomendaciones sobre el uso de unos esquemas de etiquetación concretos para garantizar la uniformidad en el sistema de codificación y el intercambio de documentos. Algunos de ellos son:

• COCOA: Se trata de un programa informático antiguo desarrollado por Donald B. Russell en el Atlas Computer Laboratory de Chilton, England. Fue usado originariamente para extraer índices de palabras de textos electrónicos en un formato que más tarde fue adoptado por conocidos programas de concordancias.
• TEI (Text Encoding Initiative): Iniciativa que nace en 1987 promovida por la ACL (Association for Computational Linguistics), entre otras asociaciones. Se puede expresar en diferentes lenguajes formales, como SGML (Standard Generalized Markup Language) y en XML (Extensible Markup Language), el más extendido actualmente.
• CES (Corpus Encoding Standard): Diseñado específicamente para la lingüística de corpus y no para todos los documentos electrónicos en general, esta nueva propuesta de estándar supone, por una parte, una simplificación de las recomendaciones de la TEI, al limitarse a aquellas que son de interés para los corpus, y, por otra parte, una ampliación de dicha iniciativa, ya que propone etiquetas específicas para tratar elementos lingüísticos. También se expresa tanto en SBML como en XML.

Anotación:

El proceso conocido como anotación da cuenta, mediante etiquetas, de aspectos exclusivamente lingüísticos. En este sentido, las informaciones que se hacen explícitas pueden referirse a cualquiera de los distintos niveles (y aspectos) que se distinguen en el tratamiento del lenguaje. Así, se habla de: anotación ortográfica, fonética, prosódica, morfológica, sintáctica, semántica, etc. Los principales tipos de anotación son los siguientes:

1. Anotación categorial o gramatical (POS tagging): Se trata del tipo más básico y más común hoy en día de anotación lingüística de un corpus. Consiste en asignar a cada unidad léxica del texto un código que indica su categoría o parte de la oración (Part Of Speech > POS), por lo que también es conocida como anotación gramatical o anotación morfosintáctica. Es útil en sí misma para distinguir entre homógrafos (coma, prueba, vino) o como base fundamental para otros tipos de análisis (sintáctico, semántico). Los programas que efectúan este proceso de forma automática se denominan taggers o etiquetadores.