La lingüística de corpus
Aquesta pàgina ja no s’actualitza
La noció de corpus
Un corpus es pot definir com un conjunt estructurat i documentat de materials lingüístics escrits, orals o signats, recollits en funció de criteris explícits.
|
(Font de la imatge: Centre for Corpus Research. (2025). John Sinclair (1933-2007). University of Birmingham. https://www.birmingham.ac.uk/schools/edacs/departments/englishlanguage/events/2025/sinclair)
|
|
(Font de la imatge: School of Social Sciences. (s. d.). Professor Tony McEnery. Lancaster University. https://www.lancaster.ac.uk/social-sciences/people/tony-mcenery)
|
(Font de la imatge: Linguistics & English Language. (s. d.). Dr Andrew Wilson. Lancaster University. https://web.archive.org/web/20220118032900/https://www.lancaster.ac.uk/linguistics/about/people/andrew-wilson)
|
|
(Font de la imatge: School of Languages and Cultures. (s. d.). Professor Felicity Meakins. The University of Queensland.
https://languages-cultures.uq.edu.au/profile/971/felicity-meakins)
|
(Font de la imatge: Jennifer Green [Perfil a Google Scholar]. (s. d.). Google Scholar. Consultat el 7 d’octubre de 2025, a https://scholar.google.com/citations?user=mes6Ue4AAAAJ)
|
|
(Font de la imatge: Sydney Conservatorium of Music. (s. d.). Professor Myfany Turpin. The University of Sydney.
https://www.sydney.edu.au/music/about/our-people/academic-staff/myfany-turpin.html)
|
La lingüística de corpus
La lingüística de corpus estudia la llengua a partir de mostres reals del seu ús.
 |
 |
Manuals de lingüística de corpus
Actes de congressos i compilacions
GELC Students & Researchers Channel. (2013, 5 de desembre). History of corpus linguistics [Vídeo]. YouTube. https://www.youtube.com/watch?v=L1kKKsWA6R4
La utilitat dels corpus
Teoria i descripció lingüístiques
- Fonètica.
- Fonologia.
- Morfologia.
- Lexicologia.
- Sintaxi.
- Semàntica.
- Pragmàtica.
- Anàlisi del discurs.
- Anàlisi de la conversa.
- Lingüística del text.
Lingüística «empirista» basada en corpus i lingüística «racionalista» basada en la introspecció.
McEnery, T. i Wilson, A. (2001). Early corpus linguistics and the Chomskyan revolution. Corpus linguistics (2a ed., p. 1–27). Edinburgh University Press. https://www.lancaster.ac.uk/fss/courses/ling/corpus/Corpus1/1FRA1.HTM
|
(Font de la imatge: Lakoff, G. (2014, 18 de febrer). Charles Fillmore, discoverer of Frame Semantics, dies in SF at 84: He figured out how framing works. The blog of the International Computer Science Institute. https://www.icsi.berkeley.edu/icsi/blog/chuck-fillmore-dies-at-84)
|
Recerca en lingüística aplicada
- Adquisició de la primera llengua (L1).
- Adquisició de segones llengües i llengües estrangeres (L2/LE).
- Lingüística clínica.
- Lingüística judicial.
- Sociolingüística.
- Lingüística contrastiva.
- Lingüística diacrònica.
- Lexicografia.
- Terminologia.
- Traductologia.
- Comunicació mediatitzada per ordinador.
- Documentació de llengües minoritzades.
Desenvolupament de tecnologies lingüístiques
- Conversió de text a parla.
- Reconeixement automàtic de la parla.
- Sistemes de diàleg.
- Analitzadors morfològics.
- Analitzadors sintàctics.
- Analitzadors semàntics.
- Analitzadors en el nivell del discurs.
- Gramàtiques computacionals.
- Lèxics computacionals.
- Xarxes lèxico-semàntiques.
- Ontologies.
Productes en l’àmbit de les tecnologies lingüístiques
- Sistemes de conversió de text a parla.
- Sistemes de dictat automàtic.
- Correctors ortogràfics, gramaticals i d’estil.
- Sistemes de traducció automàtica i de traducció assistida.
- Eines per al tractament de la informació.
Aplicacions dels corpus escrits
Tipologia de corpus
Corpus escrits o corpus textuals
En anglès written corpora o text corpora.
Consistents en texts originalment escrits, existents en format digital o digitalitzats a partir d’altres formats.
El tractament i l’anàlisi del corpus es realitza a partir de la forma escrita.
El corpus pot estar etiquetat o anotat en funció de diversos criteris.
Corpus de llengua oral
Corpus orals
La constitució d’un corpus
Planificació del projecteDisseny del corpus
Disponibilitat dels materials
Drets d’autor i consentiment dels informants
Format dels materials
Recollida de les dades
Codificació
Transcripció
Alineació
Anotació o etiquetatge
Documentació
Validació
Producció
Distribució
Manteniment
Planificació del projecte
Definició d’objectius.
Definició de tasques.
Avaluació de materials existents.
Avaluació d’estàndards existents.
Recursos humans.
Recursos tècnics.
Recursos econòmics.
Planificació temporal.
Disseny del corpus
El disseny del corpus depèn de la finalitat de la recerca.
Definició del material lingüístic contingut en el corpus.
Definició de les característiques dels texts o dels parlants.
Definició de l’entorn i del procediment de recollida de dades.
Definició dels criteris i nivells de representació de les dades.
Els nivells de representació de les dades depenen dels objectius del corpus.
Disponibilitat dels materials
Materials existents en format digital
- Materials procedents de la web.
- Materials en altres formats digitals.
- Textos disponibles creats mitjançant programes de processament de texts.
- Gravacions en format digital.
Materials disponibles en format analògic
La conversió dels materials disponibles en paper a texts en format electrònic requereix, almenys, quatre etapes:
- Escanejat: conversió de text a imatge.
- Reconeixement òptic de caràcters (ROC, en anglès, OCR, Optical Character Recognition): conversió de la imatge a text.
- Correcció del resultat del ROC mitjançant una eina de verificació ortogràfica.
- Codificació del text mitjançant un llenguatge de marcatge.
La conversió de gravacions analògiques en gravacions digitals requereix un procés de digitalització del senyal sonor.
La conversió d’analògic a digital
Drets d’autor i consentiment dels informants
Si es constitueix un corpus per a la difusió pública o per a l’explotació comercial, cal tenir en compte que els materials originals poden estar subjectes a drets d’autor, regulats per les lleis relatives a la propietat intel·lectual.
La recollida de dades que impliqui la participació de persones (per exemple, en la gravació d’un corpus oral) requereix el consentiment informat dels participants.
Format dels materials
Els documents d’un corpus textual o les transcripcions d’un corpus oral poden emmagatzemar-se en diversos formats:
- Text sense marques, únicament en caràcters ASCII (American Standard Code for Information Interchange) o «text pla» (.txt).
- Text codificat mitjançant un llenguatge de marcatge com SGML (Standard Generalized Markup Language) o XML (eXtensible Markup Language).
SGML, Standard Generalized Markup Language – XML, eXtensible Markup Language
Els documents sonors d’un corpus oral solen emmagatzemar-se en format .wav (Waveform Audio File Format) o en altres formats de so compatibles.
Cadascun dels documents o fitxers que formen el corpus ha d’estar associat a una descripció que inclogui les dades sobre la procedència del document i tota la informació rellevant per a l’ús posterior del corpus.
En els corpus codificats mitjançant SGML (Standard Generalized Markup Language) o XML (eXtensible Markup Language), segons els estàndards de la TEI (Text Encoding Initiative), aquesta informació s’inclou a la capçalera (TEI Header) del document.
En els corpus orals, la capçalera (header) de cadascun dels documents sonors conté la informació sobre la gravació i sobre el contingut dels fitxers.
La informació relativa als texts o a les gravacions també pot emmagatzemar-se en una base de dades convencional.
Recollida de les dades
Eines per a la recollida de les dades i, si cal, la seva transformació al format dels materials definit per al corpus.
Estàndards i procediments de gravació.
Procediment de cerca i selecció de parlants.
La codificació
En anglès, encoding.
Procediment de representació dels caràcters, de l’estructura del text i de l’anotació, de manera que l’estructura i l’anotació es mantenen separades del contingut del corpus.
Sistema o esquema de codificació.
- Fenòmens representats en els diferents nivells del corpus.
- Etiquetes corresponents als fenòmens representats.
La codificació dels texts permet:
- Separar el contingut del text i la seva estructura (títols, subtítols, paràgrafs, etc.).
- Separar el text original de les anotacions introduïdes per l’investigador.
Exemple de text sense codificar:
La codificació del text
Els estàndards de la TEI
La Text Encoding Initiative ha definit un conjunt d’estàndards per a la codificació dels texts. Així, és possible separar el contingut d’un document del format en què es presenta.
En aquest cas, la codificació es durà a terme fent servir el llenguatge de marcatge conegut com XML (eXtensible Markup Language) i mitjançant una eina disponible a https://teigarage.tei-c.org
Exemple de text codificat en XML (eXtensible Markup Language) segons els estàndards de la versió 5 de la Text Encoding Initiative mitjançant l’eina TEIGarage:
<author/>
<editionStmt>
<date/>
</edition>
<publicationStmt>
<sourceDesc>
<revisionDesc>
<name/>
<date/>
</change>
<text>
<div type="div1">
<p rend="color(#000000)">La <hi rend="italic">Text Encoding Initiative</hi> ha definit un conjunt d’estàndards per a la <hi rend="bold">codificació</hi> dels texts. Així, és possible separar el contingut d’un document del format en què es presenta.</p>
<p rend="color(#000000)">En aquest cas, la codificació es durà a terme fent servir el llenguatge de marcatge conegut com XML (<hi rend="italic">eXtensible Markup Language</hi>) i mitjançant una eina disponible a <ptr target="https://teigarage.tei-c.org"/>. </p>
La Text Encoding Initiative (TEI) ha establert un conjunt de normes per a la codificació dels texts electrònics basada en els llenguatges de marcatge SGML (Standard Generalized Markup Language) i XML (eXtensible Markup Language).
SGML, Standard Generalized Markup Language – XML, eXtensible Markup Language
La codificació dels corpus de llengua oral
La transcripció
Primer nivell de representació d’un corpus oral.
|
(Font de la imatge: Departament de Filologia Catalana i Lingüística General. (s. d.). Lluís Payrató. Universitat de Barcelona. https://filcat.ub.edu/directori-organitzatiu/lluis-payrato)
|
Nivells de transcripció en un corpus oral
- Transcripció ortogràfica
- Transcripció fonèmica o fonològica (transcripció ampla; transcripció sistemàtica; transcripció fonotípica).
- Transcripció al·lofònica (transcripció sistemàtica).
- Transcripció fonètica (transcripció estreta).
- Transcripció prosòdica.
La representació fonètica de corpus orals
L’alineació
En anglès, alignment, temporal alignment o time alignment.
El senyal sonor es sincronitza temporalment (és a dir, s’alinea) amb la transcripció ortogràfica i amb la transcripció fonètica, fonològica o prosòdica.
Etiquetatge i alineació de segments (transcripció fonètica), síl·labes (transcripció fonètica) i paraules (transcripció ortogràfica) en l’enunciat «arribareu demà», realitzats mitjançant el programa Praat.
Consortium CORLI - CORpus, Langues, Interactions. (2021). Time alignment. Glossaire. https://web.archive.org/web/20221201174131/https://corli.huma-num.fr/en/glossaire/time-alignment/
L’anotació o etiquetatge
En anglès, annotation o labelling.
|
(Font de la imatge: Myers, G. (2014). In memory of Geoffrey Leech. https://wp.lancs.ac.uk/geoffreyleech/)
|
Enriquiment del corpus mitjançant informació addicional introduïda per l’investigador en funció dels seus objectius i de la seva interpretació lingüística de les dades.
Per a cada nivell de representació s’estableix un conjunt d’etiquetes (en anglès, labels) que s’associen a unitats d’anàlisi del corpus.
- Etiquetatge fonètic segmental (transcripció fonètica): reflecteix les característiques articulatòries o acústiques dels sons de la parla. Requereix accés al senyal sonor.
- Etiquetatge fonològic (transcripció fonològica): reflecteix els sons de la parla que són distintius en una llengua determinada.
- Etiquetatge prosòdic (transcripció prosòdica): incorpora informació sobre els elements suprasegmentals.
- Etiquetatge morfològic (en anglès tagging): reflecteix les propietats morfològiques i lèxiques de les paraules.
- Etiquetatge sintàctic (en anglès, parsing): expressa l’estructura de constituents dels enunciats.
Els corpus etiquetats sintàcticament es coneixen com a treebanks. - Etiquetatge semàntic: incorpora informació sobre el significat lèxic.
- Etiquetatge pragmàtic: reflecteix informació de naturalesa pragmàtica (actes de parla, intencionalitat, etc.).
- Etiquetatge de l’estructura del discurs.
Necessitat d’establir un inventari d’etiquetes (en anglès, tag set), en alguns casos adaptat a corpus multilingües.
Documentació
La documentació és essencial per garantir la reutilització del corpus.
Pot presentar-se en forma d’un o diversos manuals o en forma de metadades.
|
(Font de la imatge: Lou Burnard [Perfil a Google Scholar]. (s. d.). Google Scholar. Consultat el 3 d’octubre de 2025, a https://scholar.google.com/citations?user=6QHeEHgAAAAJ)
|
Validació
Procés de verificació dels aspectes formals i de contingut del corpus.
La validació la poden dur a terme els mateixos investigadors o bé pot realitzar-se externament en centres especialitzats.
European Language Resources Association. (2024). Validation. https://www.elra.info/catalogues/services/validation-2/
Producció
Publicació del corpus en un suport físic o a la xarxa.
Distribució
La distribució pot realitzar-se a través de centres especialitzats en la distribució de recursos lingüístics.
Centres de distribució de recursos lingüístics
Iniciatives per a la identificació i la distribució de recursos lingüístics
Manteniment
Els corpus publicats a la xarxa requereixen un manteniment, especialment pel que fa als aspectes tècnics.