Nueva actualización del Corpus del Español del Siglo XXI (CORPES XXI)

La Real Academia Española (RAE) y la Asociación de Academias de la Lengua Española (ASALE) publican una nueva actualización del Corpus del Español del Siglo XXI (CORPES XXI), la versión 0.91, disponible gratuitamente en el portal web académico gracias al apoyo del Santander.

Dirigido por el académico Guillermo Rojo, el CORPES XXI cuenta en la actualidad con más de 285 000 documentos que suman alrededor de 286 millones de formas, procedentes de textos escritos y de transcripciones de textos orales. Con respecto a la versión anterior, publicada en julio de 2018, supone un incremento de 10 millones de formas. Aproximadamente cuatro millones están constituidos por textos orales y se ofrece, en una parte de ellos, el sonido alineado correspondiente a la transcripción. Además, en bastantes casos es posible la descarga del archivo de audio o la visualización del vídeo del documento fuente.

Los textos procedentes de libros suponen más de 140 millones de formas. Por lo que respecta al bloque de ficción (novelas, guiones, relatos, obras de teatro) las formas del CORPES XXI sobrepasan los 81 millones, mientras que las contenidas en textos de no ficción (ciencias sociales, salud, política, artes, tecnología…) se acercan a los 207 millones.

Por otro lado, la prensa está representada con aproximadamente 142 millones de formas. Cinco millones más provienen de blogs, entrevistas digitales y miscelánea.

El CORPES XXI

El CORPES XXI es un corpus de referencia. En lingüística, se llama corpus a un conjunto formado por miles o cientos de miles de textos (novelas, obras de teatro, guiones de cine, noticias de prensa, ensayos, transcripciones de noticiarios radiofónicos o televisivos, transcripciones de conversaciones, discursos, etc.) y cientos o miles de millones de formas. Son empleados habitualmente para conocer el significado y características de 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.

Para ello, los textos que integran el CORPES se seleccionan de acuerdo con una serie de parámetros y son tratados con un sistema de codificación especialmente diseñado para este corpus y para la recuperación de sus datos desde cualquiera de esos parámetros.

Para continuar y desarrollar las líneas seguidas anteriormente, en el congreso celebrado en Medellín en marzo de 2007, las academias de la lengua española acordaron encomendar a la Real Academia Española la construcción del Corpus del Español del Siglo XXI (CORPES XXI), formado por textos escritos y orales procedentes de España, América, Filipinas y Guinea Ecuatorial.