Definición y ejemplos de corpus en lingüística
Glosario de términos gramaticales y retóricos
Según Tony McEnery et al., existe 'un consenso cada vez mayor de que un corpus es una colección de (1) legible por máquina (2) auténtico textos (incluyendo transcripciones de datos hablados), que es (3) muestreado ser (4) representante de una lengua particular o de una variedad lingüística» ( Estudios lingüísticos basados en corpus , 2006). (Monty Rakusen/Getty Images)
En lingüística , a cuerpo es una colección de datos lingüísticos (normalmente contenidos en una base de datos informática) que se utiliza para la investigación, la erudición y la enseñanza. También llamado un cuerpo de texto . Plural: corpus .
El primer corpus informático organizado sistemáticamente fue el Standard Corpus of Present-Day de la Universidad de Brown. inglés americano (comúnmente conocido como Brown Corpus), compilado en la década de 1960 por lingüistas Henry Kučera y W. Nelson Francis.
Los corpus notables en inglés incluyen lo siguiente:
- El Cuerpo Nacional Estadounidense (ANC)
- Cuerpo Nacional Británico (BNC)
- El Corpus de Inglés Americano Contemporáneo (COCA)
- El Corpus Internacional de Inglés (ICE)
Etimología
Del latín, 'cuerpo'
Ejemplos y observaciones
- 'El movimiento de 'materiales auténticos' en la enseñanza de idiomas que surgió en la década de 1980 [abogó por] un mayor uso de materiales del mundo real o 'auténticos'--materiales no diseñados especialmente para el uso en el aula--ya que se argumentó que tal material expondría alumnos a ejemplos de lenguaje natural uso tomado de contextos del mundo real. Más recientemente, el surgimiento de la lingüística de corpus y el establecimiento de bases de datos a gran escala o corpus de diferentes géneros de lenguaje auténtico han ofrecido un enfoque adicional para proporcionar a los alumnos materiales didácticos que reflejen el uso auténtico del lenguaje.'
(Jack C. Richards, Prefacio del editor de la serie. Uso de Corpora en el Aula de Idiomas , por Randi Reppen. Prensa de la Universidad de Cambridge, 2010)
' Corpora puede codificar el lenguaje producido en cualquier modo; por ejemplo, hay corpus de lenguaje hablado y hay corpus de lenguaje escrito. Además, algunos corpus de video registran paralingüístico características tales como gesto ..., y se han construido corpus de lengua de signos. . ..
'Los corpus que representan la forma escrita de una lengua suelen presentar el menor desafío técnico para su construcción. . . . Unicode permite que las computadoras almacenen, intercambien y muestren de manera confiable material textual en casi todos los sistemas de escritura del mundo, tanto actuales como extintos. . . .
'El material para un corpus hablado, sin embargo, requiere mucho tiempo para reunir y transcribir. Parte del material puede obtenerse de fuentes como la World Wide Web. . .. Sin embargo, las transcripciones como estas no han sido diseñadas como materiales fiables para la exploración lingüística del lenguaje hablado. . . . Los datos de corpus hablados se producen más a menudo registrando interacciones y luego transcribiéndolas. Ortográfico y/o fonético las transcripciones de los materiales hablados se pueden compilar en un corpus de voz que se puede buscar por computadora.'
(Tony McEnery y Andrew Hardie, Lingüística de Corpus: Método, Teoría y Práctica . Prensa de la Universidad de Cambridge, 2012)
' concordante es una herramienta central en la lingüística de corpus y simplemente significa usar software de corpus para encontrar cada aparición de una palabra o frase en particular. . . . Con una computadora, ahora podemos buscar millones de palabras en segundos. La palabra o frase de búsqueda a menudo se denomina 'nodo' y las líneas de concordancia generalmente se presentan con la palabra/frase del nodo en el centro de la línea con siete u ocho palabras presentadas a cada lado. Estos se conocen como visualizaciones de palabras clave en contexto (o concordancias KWIC).'
(Anne O'Keeffe, Michael McCarthy y Ronald Carter, 'Introducción'. Del corpus al aula: uso del lenguaje y enseñanza del lenguaje . Prensa de la Universidad de Cambridge, 2007)
'En 1992 [Jan Svartvik] presentó las ventajas de la lingüística de corpus en un prefacio a una influyente colección de artículos. Sus argumentos se dan aquí en forma abreviada:
- Los datos de corpus son más objetivos que los datos basados en la introspección.
- Los datos del corpus pueden ser fácilmente verificados por otros investigadores y los investigadores pueden compartir los mismos datos en lugar de compilar siempre los suyos.
- Los datos del corpus son necesarios para los estudios de variación entre dialectos , registros y estilos .
- Los datos del corpus proporcionan la frecuencia de aparición de elementos lingüísticos.
- Los datos del corpus no solo proporcionan ejemplos ilustrativos, sino que son un recurso teórico.
- Los datos del corpus brindan información esencial para una serie de áreas aplicadas, como la enseñanza de idiomas y la tecnología lingüística (traducción automática, síntesis de voz, etc.).
- Los corpus brindan la posibilidad de una responsabilidad total de las características lingüísticas: el analista debe tener en cuenta todo lo que hay en los datos, no solo las características seleccionadas.
- Los corpus informatizados dan acceso a los datos a investigadores de todo el mundo.
- Los datos de corpus son ideales para hablantes no nativos del idioma.
(Svarvik 1992: 8-10) Sin embargo, Svartvik también señala que es crucial que el lingüista del corpus también se dedique a un análisis manual cuidadoso: las meras cifras rara vez son suficientes. También subraya que la calidad del corpus es importante.'
(Hans Lindquist, Corpus Linguistics y la descripción del inglés . Prensa de la Universidad de Edimburgo, 2009)
Aparte de las aplicaciones en la investigación lingüística per se , se pueden mencionar las siguientes aplicaciones prácticas.
Lexicografía
Las listas de frecuencias derivadas de corpus y, más especialmente, las concordancias se están consolidando como herramientas básicas para la lexicógrafo . . . .
Idioma Enseñando
. . . El uso de concordancias como herramientas de aprendizaje de idiomas es actualmente un gran interés en el aprendizaje de idiomas asistido por computadora (CALL; ver Johns 1986). . . .
Discurso Procesando
Máquina traducción es un ejemplo de la aplicación de corpus para lo que los informáticos llaman procesamiento natural del lenguaje . Además de la traducción automática, uno de los principales objetivos de investigación de la PNL es procesamiento del habla , es decir, el desarrollo de sistemas informáticos capaces de generar voz producida automáticamente a partir de una entrada escrita ( síntesis de voz ), o convertir la entrada de voz en forma escrita ( reconocimiento de voz ).' (Geoffrey N. Leech, 'Corpora.' La enciclopedia lingüística , ed. por Kirsten Malmkjaer. Routledge, 1995)