COPE

La RAE actualiza el Corpus del Español con más de 4,5 millones de transcripciones de radio, televisión o YouTube

Europa Press

Tiempo de lectura: 2'Actualizado 14:25

La Real Academia Española, en colaboración con la Asociación de Academias de la Lengua Española (ASALE), ha actualizado el Corpus del Español del Siglo XXI (CORPES XXI), que incluye la incorporación de más de 4,5 millones de transcripciones de textos orales (programas de radio y televisión, entrevistas en medios de comunicación, YouTube).

En total, la más reciente versión de la herramienta, la 0.93, cuenta con más de 316.000 documentos, que suman algo más de 333 millones de formas ortográficas, procedentes de textos escritos y de transcripciones de textos orales. Con respecto a la versión anterior, publicada en mayo de 2020, supone un incremento de más de 21 millones de formas.

Algunos archivos ofrecen el sonido alineado correspondiente a la transcripción; en otros es posible la descarga del archivo de audio, además de la visualización del vídeo, de acuerdo con la procedencia del texto fuente.

Por lo que respecta al bloque de ficción (novelas, guiones de cine, relatos, obras de teatro), las formas de CORPES sobrepasan los 93 millones, mientras que las contenidas en textos de libros de no ficción y en publicaciones periódicas (ciencias sociales, salud, política, artes, tecnología) se acercan a los 238 millones.

Los textos procedentes de libros suponen casi 166 millones de formas; las publicaciones periódicas están representadas con unos 158 millones. Además, 6,5 millones más provienen de blogs, entrevistas digitales, redes sociales y miscelánea.

En cuanto a la distribución temporal, aumenta el número de textos producidos entre 2016 y 2020, con algo más de 42 millones de formas en esta versión. Por lustros, el mayor peso en esta versión, todavía provisional, recae en el segmento 2006-2010, con más de 107 millones de formas; más de 100 millones corresponden a formas producidas entre 2001 y 2005; y, de 2011 a 2015, alcanza casi 82 millones de formas.

El equilibrio previsto entre España y América (30%-70%) se mantiene: las formas correspondientes a textos generados en España suponen algo más del 30% y los de América superan los 217 millones de formas. Además, el CORPES contiene textos procedentes de Filipinas y Guinea Ecuatorial.

CONJUNTO DE TEXTOS

El Corpus del Español del Siglo XXI (CORPES XXI) es, al igual que el CREA, un corpus de referencia. En lingüística, se llama corpus a un conjunto lo más extenso y ordenado posible de textos. Los corpus son empleados habitualmente para conocer el contexto y las propiedades de las palabras, expresiones y construcciones a partir de los usos reales registrados.

Dado el tamaño que poseen, los corpus tienen que estar en formato electrónico. Un corpus general (llamado de referencia) tiene como propósito básico el de servir para obtener las características globales que presenta una lengua en un momento determinado de su historia. En el caso del español actual, el corpus debe contener textos de todos los tipos y también de todos los países que constituyen el mundo hispánico.

Radio en directo COPE
  • item no encontrado

En directo

Tiempo de Juego

Con Paco González, Manolo Lama y Pepe Domingo Castaño

Reproducir
Directo Tiempo de Juego

Tiempo de Juego

Con Paco González, Manolo Lama y Pepe Domingo Castaño

Escuchar