Lingüística de corpus

Como sabemos, el mayor o menor número de hablantes de
una lengua está principalmente condicionado por cuestiones sociales y no lingüísticas.
La lengua de signos nos conduce a la reflexión lingüística
necesaria para responder a las cuestiones que condicionan la respuesta al número de signantes en lengua de signos española. ¿Quiénes son los nativos de las lenguas de signos y cómo han llegado a la lengua de signos?

La presente investigación tiene como principal interés la revisión, descripción y organización, tanto cronológica como semántico-conceptual, de los significados atribuidos al vocablo "perulero", de acuerdo con lo hallado en un grupo de testimonios escritos producidos en diversas regiones hispanohablantes entre los inicios del siglo XVI y la mitad del siglo XIX, es decir, básicamente, a lo largo del tiempo de existencia del Virreinato del Perú. La base documental de la que se obtiene los textos sometidos a análisis está compuesta, por un lado, por el Nuevo Tesoro Lexicográfico de la Lengua Española (NTLLE) y, por otro, por el Corpus Diacrónico del Español (CORDE), ambos elaborados por la Real Academia Española (RAE). Es, en efecto, sobre la base de estas dos colecciones textuales, que se busca aprovechar tanto las descripciones semánticas ya disponibles sobre los significados de "perulero" (en el NTLLE) como el empleo de esta voz en documentos de diversa índole (en el CORDE), para poder determinar, en función de las evidencias obtenidas, la polisemia desarrollada por "perulero" a lo largo del periodo cronológico ya especificado.
Así, a partir de los hallazgos textuales ya comentados y, además, un grupo de fuentes historiográficas interesadas en describir la presencia de los mercaderes peruleros en el temprano comercio colonial peruano, así como tras la elaboración de un marco teórico especialmente enfocado en la construcción del significado de acuerdo con estereotipos y la configuración de redes polisémicas en torno de un vocablo, la investigación aquí planteada propone, en términos generales, tres significados consistentemente reconocibles para "perulero": ‘mercader transatlántico que se enriquece luego de transportar mercancías entre el Virreinato del Perú y la España peninsular’, ‘natural o relativo al Perú’ y ‘vasija de barro’. Se busca, por tanto, a lo largo del presente trabajo, ofrecer ciertos alcances acerca de la historia de "perulero", sus valores semánticos y las relaciones entre estos en función de lo que los datos analizados ofrecen sobre las épocas y contextos de uso y conocimiento de la voz en cuestión.

Resumen Como es sabido, las metáforas taurinas españolas expresan una multitud de significados figurativos en el lenguaje cotidiano, y los hablantes ni siquiera suelen darse cuenta de que son expresiones tomadas del dominio conceptual de la corrida. Este fenómeno se cita a menudo como un prototipo de la relación entre una lengua y una cultura. Sin embargo, la cultura evoluciona más rápido que la lengua, tanto en el plano histórico como en el geográfico. El dominio fuente (en este caso, la tauromaquia "real") ha desaparecido hace mucho tiempo en algunas ex colonias, mientras que sigue existiendo en España y otros países latinoamericanos, por lo tanto, el conocimiento básico estructurado, supuestamente proyectado en otros dominios conceptuales, no es compartido por toda la comunidad lingüística. Si la pérdida de la motivación cultural afecta al uso, ello podría conllevar una frecuencia menor (o incluso nula) de esas metáforas en los países sin tauromaquia, y, en cambio su conservación debería conllevar una mayor frecuencia en los países donde la corrida sigue practicándose. Esta hipótesis es sometida a verificación mediante el estudio cuantitativo de un gran corpus digital panhispánico representativo de diversas zonas geolingüísticas. Palabras clave: tauromaquia, corrida, fraseología española, variación diatópica; variación fraseológica. Abstract: It is a well-known fact that Spanish bullfighting metaphors express a great number of figurative meanings in everyday language, and that speakers do not even realize that they are using metaphors taken from the "corrida" conceptual domain. This phenomenon is often quoted as a prototype of the intertwined relationship between a language and a culture. However, culture moves faster than language, both in terms of history and geography. The source domain (in this case, "real" bullfighting) has disappeared long ago in certain former colonies, while it still exists in Spain and other Latin-American countries. Therefore, the basic structured knowledge, supposedly mapped on other conceptual domains, is not shared by the whole linguistic community. If the loss of cultural motivation affects the frequency use, this could lead to a lesser frequency of these metaphors (or even none) in the countries without bullfighting, while its conservation should lead to a greater frequency in countries where bullfighting is still practiced. This hypothesis is verified through the quantitative study of a large pan-Hispanic digital corpus representative of various geolinguistic areas.

En el presente trabajo se estudian las unidades fraseológicas (UF) florísticas del español de Argentina, a saber, aquellas que mencionan plantas, frutas, cereales y hortalizas. En la primera parte se presenta un corpus de dichas unidades extraídas manualmente del Diccionario fraseológico del habla argentina. Frases, dichos y locuciones (DiFHA 2010), que se analiza partiendo de la teoría de la metáfora conceptual planteada por Lakoff y Johnson (1980). Estudiando el corpus, hemos validado la hipótesis inicial que las UF florísticas cotejadas poseen rasgos semánticos y formales exclusivos que las distinguen y connotan, generando una relación antropocéntrica hombre-naturaleza basada en sentidos originales, físicos y sensoriales (Soriano, 2012). En la segunda parte del trabajo, observamos el uso de la web como instrumento para las investigaciones fraseológicas de tipo diatópico: en este sentido, hemos comprobando que el Corpus de Referencia del Español Actual (CREA) raramente encuentra casos de UF florísticas del habla argentina, mientras que la búsqueda en Google -con sus ventajas y desventajas- proporciona buena cantidad de usos auténticos. A partir de los resultados obtenidos podemos adelantar, de forma razonable, que la combinación de diferentes tipos de recursos electrónicos representa actualmente la solución más provechosa para este tipo de indagaciones.

Enlace al libro: https://www.peterlang.com/view/title/72370?tab=aboutauthor&result=4&rskey=E9SCfi

Este libro comprende un análisis sociolingüístico del género gramatical a lo largo de dos siglos de historia de la lengua española. Se trata de un estudio diacrónico llevado a cabo sobre un corpus que se basó en publicaciones periódicas de la opinión pública de los siglos XVIII y XIX, gracias a los hablantes de dicha época que nos dejaron testimonios explícitos e implícitos sobre el género gramatical y su estrecha relación a veces con la categoría óntica «sexo» del espacio extralingüístico. Asimismo, en este trabajo se han descrito nuevos mecanismos teóricos y sociolingüístico-cognitivos con el objetivo de entender cuándo el hablante activaría en su conciencia los rasgos de sexo, esto es, cuándo, cómo y por qué se produciría la injerencia del sexo en el español hablado y escrito a través de estructuras gramaticales concretas.

La Lingüística del Corpus (LDC, Caravedo 1999) es un enfoque para estudiar datos provenientes de producciones reales contextualizadas, los cuales son organizados según principios metodológicos precisos y explícitos, con el fin de que el investigador se acerque a la realidad lingüística de una comunidad. Por ende, en el marco de la LDC, es importante plantear una discusión sobre la elaboración de corpus y el análisis y tratamiento de los datos. En tal sentido, el objetivo de este artículo es presentar el Corpus de Interacciones de Jóvenes Universitarios (CIJU) como una experiencia en el marco teórico-metodológico de la LDC, además de suscitar una reflexión sobre los alcances de los corpus pequeños en las investigaciones individuales, partiendo de los principios de extensión y representatividad, y siguiendo el criterio de número de palabras.

The aim of this study is to refine and optimize the mainly statistical and distributional approach TO automatic extraction of phraseological units (PU) in text corpora, by introducing minimal linguistic elements (lemmatization and grammatical tagging). These operations were first tested using the same corpora as in our previous experiments. This provided us with a set of data, which we compared with the previous results, observing an enhancement of the detection ability, especially when dealing with verb noun and verb adjective collocations. This methodology was then applied to a larger corpus of about 1,137,000 words) obtaining encouraging results, attaining phraseological densities up to 64.5% for the V+N category.

Abstract: This article shows the lexical neologisms hitherto not compiled in reference dictionaries (DIEC2, DDLC, DNV and DCVB) which have been found in the dictionary of the nature of the literary work by Enric Valor (DOLEV-Nature). This has been achieved with the help of the tools of the Corpus Informatitzat Multilingüe de Textos Antics i Contemporanis (CIMTAC) by ISIC-IVITRA. These tools allowed us to compile the corpus of the literary work by Enric Valor (COLEV).
Resum: En aquest article mostrem les novetats lèxiques no recopilades pels diccionaris de referència (DIEC2, DDLC, DNV i DCVB) que s’han trobat en el diccionari de la natura de l’obra literària d’Enric Valor (DOLEV-Natura). Tot açò s’ha fet amb l’ajuda de les eines del Corpus Informatitzat Multilingüe de Textos Antics i Contemporanis (CIMTAC) de l’ISIC-IVITRA, cosa que ens ha permés confeccionar el corpus de l’obra literària d’Enric Valor (COLEV).

Correlación entre o derradeiro grafema (ou fonema) e a situación da tónica en palabras galegas, baseada en datos lexicográficos (VOLGA) e de corpus (teatral en BIVIR), onde tamén se consideran a categoría gramatical e o número de sílabas.

- - - -

Correlation between the last grapheme (or phoneme) and the placement of the stress in Galician words, based on lexicographic (VOLGA) and corpus (theatrical in BIVIR) data, where also the part-of-speech and number of syllables are accounted for.

L’objectiu d’aquest treball és aprofundir en el coneixement de l’estil poètic de Vicent Andrés Estellés. Concretament, s’han intentat identificar les principals idees i conceptes presents en la poesia d’Estellés, així com entendre millor les relacions entre
ells. Ens referirem a aquests conceptes clau i a les seues interrelacions com a univers conceptual del poeta, tot basant-nos en el treball d’Elena Sánchez sobre l’estil poètic
d’Ausiàs March a partir de cerques n-gram d’una sola paraula (a partir d’ara, unimot).

A partir de datos del español de la Ciudad de México, el objetivo de esta investigación es describir las funciones de que esto (y) que lo otro como marcador discursivo y determinar si puede considerarse como un mecanismo del lenguaje vago o por aproximación (Channell; Vigara, Español). Los datos provienen de tres corpus de español de la Ciudad de México que, en conjunto, componen un total de 174 entrevistas. El análisis permitió identificar tres funciones: (i) enumeración indeterminada, (ii) cierre indeterminado de serie y (iii) sustituto de habla reportada. A partir de estos resultados, se concluye que que esto (y) que lo otro codifica valores pertenecientes al lenguaje vago, relacionados con la abreviación discursiva, la cortesía positiva y la atenuación asertiva, todo esto gracias al carácter indeterminado del marcador.

RESUMEN En este artículo se analiza la práctica habitual de elaboración de corpus del español, tanto europeo como americano, del periodo comprendido entre finales del siglo XV y finales del XIX. Se prestará especial atención al modelo seguido por seis corpus diacrónicos: CHARTA, CODEA 2015, CORDIAM, CorLexIn, Post Scriptum y Cíbola, con el objeto de extraer conclusiones metodológicas aplicables a trabajos futuros o iniciales, como el corpus Oralia diacrónica del español (ODE), actualmente en fase de elaboración en la Universidad de Granada. El análisis efectuado revela que, si bien no se aprecian grandes diferencias en el rigor y los criterios de transcripción documental, no parece haber acuerdo en lo referente a la manera de procesar y estructurar la información, tanto textual como metatextual. En este trabajo se defiende la conveniencia de adoptar un modelo estandarizado basado en el uso de XML, siguiendo las directrices del consorcio TEI para la codificación y etiquetado de corpus históricos. Este modelo permitirá la integración de diferentes corpus y, sobre todo, un más fácil acceso a la información por parte de los usuarios. Palabras clave: Historia de la lengua española, corpus diacrónicos, lingüística de corpus, XML, oralidad en los textos escritos.

This article aims to discuss the advantages of carrying out a combined approach when addressing the historical study of the Spanish lexicon in the Americas, i.e., to retrieve and carefully combine the data available both in thesauri and textual corpora. In this sense, by exploring the polysemy of perulero, -a and its lexical variation with peruano, -a and peruviano, -a, on the basis of the information obtained via the Nuevo Tesoro Lexicográfico de la Lengua Española (NTLLE) and the Corpus Diacrónico del Español (CORDE), it is ultimately intended to discuss the role of both type of sources, and, moreover, the one provided by additional historical data, as well as eventual fortuitous contents.

Nos hemos basado en un corpus formado por las páginas privadas de 2000 alojamientos de Francia y Canadá de diferentes tipos categorías compuesto por 33.500 palabras en lengua francesa. Hemos clasificado el léxico aparecido por orden de frecuencia. Un término recurrente es la palabra lumière, con 226 frecuencias en nuestro corpus. Analizaremos los diferentes usos y significados de este término en las páginas web analizadas, tanto en sentido real como figurado y/o metafórico (estrategia promocional). El corpus en el que hemos basado esta investigación es fruto del trabajo del equipo de investigación COMETVAL al que pertenecemos como investigadores dentro del marco del proyecto del mismo nombre.

We will explore the possibility of shifting from a do-it-yourself (DIY) towards a do-it-together (DIT) approach in corpus creation, as well as in the way translators use and share sources, resources and tools. Building on previous research on current trends and future perspectives in translation aids, we suggest moving towards collaboration by means of a one-stop DIT site aimed not only at corpus creation, design and analysis, but also at sharing translation aids. In order to test this approach, we have defined and analyzed a specific translation scenario—that of Uruguayan English-Spanish certified translators—and a translation brief. We have anticipated some of the problems our end users could encounter when translating, and looked for solutions and different translation options using a corpus-based approach. Testing the usefulness and feasibility of this approach for legal translation has, in turn, helped us predict if our end users would be interested in creating DIT corpora and participating in a collaborative site in the future. Even though we have not been able to fully test this approach, the perspectives are quite optimistic and future lines of research are suggested.

El proyecto MOMENT pretende contribuir a mejorar la comprension del trastorno mental grave a partir del analisis del discurso de los dos grandes colectivos implicados, personas diagnosticadas y profesionales de la salud mental, aplicando como metodo de analisis la Teoria de la Metafora Conceptual y la linguistica de corpus. En este marco, se constituira un corpus anotado manualmente de testimonios en primera persona de ambos colectivos, que a su vez pueda servir como banco de experimentacion en deteccion automatica de metaforas. De esta manera, se pretende avanzar tanto en la deteccion y anotacion manual de metaforas, como en la deteccion computacional. Desde un punto de vista social, el objetivo del proyecto es identificar y sistematizar las concepciones y asunciones dominantes sobre el trastorno mental grave, asi como promover el cambio de posibles discursos que nieguen la capacidad agentiva de las personas diagnosticadas.

Resumen: Tradicionalmente, el análisis de sentimientos se ha centrado en la clasificación de textos cortos con unidades lingüísticas simples como el adjetivo. Sin embargo, otras unidades, como elementos predicativos, podrían ser discriminantes de elementos discursivos más grandes como las noticias de prensa. Así, en este artículo, se caracteriza la estructura predicativa [verbo + objeto directo] en un corpus de noticias sobre pobreza en tres diarios colombianos. Se concluye que este tipo de unidades tienen un carácter discriminante en el dominio de este corpus.

El columnismo lingüístico es un género de larga tradición en los medios de comunicación y, particularmente, en la prensa, al que, sin embargo, no se ha prestado demasiada atención. Académicos como Lázaro Carreter o Julio Casares, periodistas como Luis Calvo o Álex Grijelmo, profesores, como Luis Cortés o Humberto Hernández, personalidades como el Marqués de Tamarón, entre otros muchos, han dedicado páginas a reflexionar sobre la lengua. En un tono más o menos beligerante, sus textos son un testimonio vivo de cómo se usa y cambia la lengua en una comunidad lingüística. Las columnas sobre la lengua (CSL) se hacen eco de ese saber metalingüístico que hace posible que los hablantes hablen de su propia lengua, tomen postura, opinen, la juzguen, sean capaces de explicitar su punto de vista sobre el idioma, valoren sus usos, perciban la unidad y la diversidad, la norma y la transgresión. “La gente común –señalan Milroy y Milroy (1991: 12)– está acostumbrada desde tiempo inmemorial a hacer juicios sobre el lenguaje”. Y las columnas sobre la lengua (CSL) no son sino la consecuencia institucionalizada de esta práctica cultural general.
Los trabajos de este volumen son el resultado de las distintas direcciones en las que el equipo del Proyecto METAPRES ha abordado el examen del columnismo lingüístico. Quiere ser la carta de presentación de unos textos que tienen un enorme valor como notarios de lo que “la lengua es”, como transmisores  de conocimiento no formal sobre la lengua y como difusores de valores y normas sobre el lenguaje estrechamente relacionados con sus contextos sociales e ideológicos. Para todos los trabajos se ha utilizado el corpus recopilado a lo largo del desarrollo del Proyecto METAPRES que, en la actualidad, cuenta con casi 6.000 columnas, de 25 columnistas, publicadas en diarios nacionales y regionales entre los años 1939 y 2019.
El libro está compuesto por una introducción, en la que se definen, se justifica y se explica la naturaleza de las columnas sobre la lengua (CSL), y dos partes. En la primera figuran cuatro capítulos que analizan varias dimensiones caracterizadoras de las CSL: como discurso lúdico, normativo, argumentativo y metalingüístico. En la segunda, se presentan cinco trabajos sobre algunos de los temas más frecuentemente tratados por los columnistas a lo largo del tiempo: purismo, préstamos, dimensiones de la autoridad, variedades de la lengua y feminismo.
Las CSL son transmisoras de la norma y reflejo inequívoco del uso y, en ellas, se dan cita las fuerzas centrípetas –en muchas ocasiones son los propios columnistas– y las centrífugas –la sociedad y los medios de comunicación–, que acaban conformando el transcurrir de una lengua. Con esta publicación queremos poner en primer plano una producción discursiva, el columnismo lingüístico, cuyo conocimiento no hará sino contribuir a una mejor comprensión de los rasgos que identifican el español moderno.

This article presents the Oralia diacrónica del español (ODE) (Spanish diachronic oral discourse) corpus-a continuation of the Corpus diacrónico del español del reino de Granada, 1492-1833 (CORDEREGRA) (Diachronic Corpus of Spanish in the Kingdom of Granada), primarily comprised of declarations by witnesses and inventories of goods. One new feature of the ODE is the transcription of the manuscripts into XML, according to the character coding standard proposed by the TEI consortium, and closely following the model that was successfully carried out in the P.S. Post Scriptum: A Digital Archive of Ordinary Writing (Early Modern Portugal and Spain) project. The TEITOK (Janssen 2016) tool, designed for creating, maintaining and publishing linguistically annotated corpora and to provide them with a robust search engine, is being used for the tokenization, standardization and labelling of the corpus. 1. Introducción La investigación en lingüística histórica no se concibe en la actualidad sin el re-curso a los corpus digitales en línea. Para el español, contamos con grandes corpus de iniciativa académica, como el CORDE y el Corpus del nuevo diccionario his-tórico del español, o extraacadémica, como el subcorpus histórico del Corpus del español. Además, en los últimos años, el esfuerzo se está concentrando en la con-fección de corpus especializados, geográfica, temática o tipológicamente 1 .

Monferrer, Aina (2015) "Reseña de Sánchez López, E. (2013): Estudi de la llengua d’Ausiàs March a través de les col·locacions. Una aproximació semiautomática. Berlin/Boston: Walter de Gruyter". Revista de Lingüística y Lenguas Aplicadas, 10: 117-119.

espanolEste articulo analiza un corpus de estudiantes de ingles del grado de Educacion de la Universidad Internacional de La Rioja (UNIR), Espana. Recoge las intervenciones de mas de 129 alumnos de la asignatura Tecnologias de la Informacion Aplicadas al Aprendizaje de la Lengua Inglesa y esta siendo analizado por un grupo de investigadores de UNIR para ofrecer una taxonomia de errores dentro del marco de los estudios de grado. El analisis de resultados refleja el uso las mayusculas en los datos recabados. Las intervenciones se han analizado con un programa especifico de gestion de corpus. EnglishThis article analyses a specific corpus from students of English for the Degree of Early years Education at UNIR University, Spain. It collects the input of more than one hundred students in the subject “ICT tools applied to the learning of English language”. The corpus is being analyzed by a group of researchers from the English Department at UNIR, so as to offer a taxonomy of errors and m...

Em conformidade com o arcabouço teórico-metodológico da Linguística de Corpus e da Fraseologia, este estudo visa discutir as contribuições pedagógicas de um glossário bilíngue de colocações da área médica para o ensino de inglês como  Língua  Estrangeira,  (doravante  LE),  compilado  a  partir  do  corpus paralelo constituído pelas legendas em inglês e em português do seriado House M.D. Com base nas colocações presentes no glossário, elaboramos propostas de  atividades  que  poderão  servir  como  subsídio  para  o  ensino  de  inglês como LE, principalmente, quando se considera a relevância dessas unidades fraseológicas no enriquecimento da competência lexical de aprendizes. Além destas, também propomos outras atividades colocacionais baseadas em corpus.

Caracteres. Estudios culturales y críticos de la esfera digital Caracteres es una revista académica interdisciplinar y plurilingüe orientada al análisis crítico de la cultura, el pensamiento y la sociedad de la esfera digital. Esta publicación prestará especial atención a las colaboraciones que aporten nuevas perspectivas sobre los ámbitos de estudio que cubre, dentro del espacio de las Humanidades Digitales. Puede consultar las normas de publicación en la web (http://revistacaracteres.net/normativa/).

La Reingeniería de Corpus es el proceso de reconfiguración de muestras de habla para su reutilización en diversos ámbitos (Guirado 2014, 2015, 2018). Esta investigación propone crear un subcorpus a partir de la reingeniería de corpus orales de tres ciudades venezolanas (Maracaibo, Caracas y Mérida), para realizar estudios dialectales en una microdiacronía del siglo XX. La metodología para el rediseño incluyó: i. describir la estructuración de los corpus originales; ii. evaluar los aspectos estables e inoperantes; iii. crear el nuevo diseño y estimar su representatividad. Como resultado se obtuvo el CORDIA-VEN-sXX, el cual consta de 144 entrevistas, distribuidas equitativamente según metrópolis, edad, nivel socioeconómico y sexo. En conclusión, la Reingeniería de Corpus resulta una práctica eficaz dentro de la Lingüística de Corpus para la diversificación de algunos materiales en nuevos contextos interpretativos.

Los trabajos de este anexo monográfico representan una selección de los presentados durante el congreso internacional "EUROPHRAS 2019 Productive Patterns in Phraseology", que tuvo lugar los días 24 y 25 de enero de 2019 en la Universidade de Santiago de Compostela. De acuerdo con el lema, las contribuciones presentadas coincidían en señalar el carácter regular de las unidades fraseológicas desde un múltiple enfoque morfosintáctico, semántico y pragmático.
Los doce artículos que conforman este monográfico han sido agrupados
en los siguientes bloques, en virtud de su temática particular y metodología:
1. Teoría cognitiva de la metáfora.
2. Patrones sintáctico-semánticos.
3. Fraseodidáctica del español.
4. Desautomatización.

Cumieira.  Cadernos de investigación da nova Filoloxía Galega é un proxecto do Departamento de Filoloxía Galega e Latina da Universidade de Vigo, que publica traballos académicos d@s investigador@s máis nov@s no ámbito da Filoloxía Galega.  Neste vol. 2 (2017) contén seis traballos. Susana Brandariz Varela participa cun traballo  sobre o procedemento de deseño e construción dun corpus inglés-galego lematizado e desambiguado semanticamente, que deu como resultado o corpus SensoGal. Darío Álvarez Moure achégase ao movemento das vangardas en Galicia e, particularmente, rastrexa o impacto do futurismo no sistema literario galego. Estefanía González Álvarez  escribe sobre a concepción do amor cortés na cantiga de amor medieval galego-portuguesa, especialmente cando ese amor pola muller ideal chega a se converter nunha obsesión do trobador. Nuria Díaz Guedella, partindo de datos de dous centros de ensino da cidade de Ourense, examína como a incorporación ao sistema educativo inflúe na lingua do alumnado de Educación Infantil. Icía Moreiras Villamarín analiza o nome propio latino Caecilia e os seus descendentes en galego. E  Andrea Castelo Veiga analiza o léxico do galego do Bierzo contido na obra de Fernández Morales Ensayos poéticos en dialecto berciano (1861), da cal extracta un breve glosario que facilita a súa lectura.