Corpus del catalán medieval (OLDCA)

Descripción del corpus

Este corpus diacrónico del catalán, desarrollado por el grupo de investigación GLIF de la Universitat Pompeu Fabra, comprende 222 textos desde el siglo XI hasta el XVII, que suman un total de 5.020.237 palabras. La selección de los textos se ha hecho con criterios de representatividad en cuanto al género, fecha y origen geográfico.

Etiquetado del corpus

El corpus ha sido etiquetado con un analizador lingüístico ya existente, Freeling (http://nlp.lsi.upc.edu/freeling/). Esta herramienta está pensada para el catalán contemporáneo, y ha sido necesario ampliarla para que pudiera gestionar la variabilidad léxica y ortográfica de un corpus diacrónico. Para ello se ha aprovechado la técnica desarrollada por Cristina Sánchez-Marco para habilitar la versión de Freeling para el español contemporáneo a un corpus diacrónico. Aquí se explica cómo se llevó a cabo ese proceso.

Freeling utiliza el etiquetario Parole, desarrollado por el grupo EAGLES como una herramienta común para el tratamiento informatizado de las distintas lenguas europeas (http://www.lsi.upc.edu/~nlp/tools/parole-sp.html). Sin embargo, en algunos aspectos las etiquetas utilizadas en este corpus difieren de las originales del Parole. Se han introducido algunos cambios por dos motivos principales: por un lado, para adaptar el etiquetario a las diferentes fases de la evolución del catalán; y, por el otro, se han implementado nuevas etiquetas ara que el resultado del análisis pueda funcionar como input adecuado a un analizador sintáctico, cuyo desarrollo es el siguiente paso de este proyecto. Aquí se puede consultar la lista de las etiquetas utilizadas en este corpus. Si se encuentra ya familiarizado con el sistema Parole, consulte la lista para ver los cambios que se han introducido.

Consultar el corpus

El corpus puede ser consultado a través del Corpus Query Processor (CQP), tanto en su versión para línea de comandos como en su versión con interfaz gráfica CQPweb. En cualquiera de los dos casos, CQP permite llevar a cabo búsquedas por patrones complejos utilizando atributos posicionales, relacionados con un solo ítem (palabra, lema, etiqueta), o bien atributos estructurales, relacionados con frases (longitud, posición en en el texto...) o textos (fecha, título, autor, género...). Los atributos disponibles se pueden consultar aquí. Estos atributos se pueden utilizar para refinar las búsquedas a través de la opción 'Restricted Query', en vez de 'Standard Query', en la interfaz del CQPweb. En el actual estado de desarrollo, la interfaz CQPweb permite restringuir automáticamente la búsqueda por siglo, medio siglo, y longitud de frase.

CQPweb permite utilitzar la sintaxis CQP, como se haría en una terminal, o en un lenguaje simplificado llamado 'Simple Query'. El manual de CQP, con la descripción de su sintaxis, se puede encontrar aquí; una breve guía para realizar búsquedas utilizando 'Simple Query' se encuentra aquí. Si usted desea acceder al corpus, por favor pida la información necesaria a través de este formulario.

Etiquetas

1. Adjetivos

Posición	Atributo	Valor	Código
1	Categoría	Adjetivo	A
2	Tipo	Calificativo	Q
		Ordinal	O
		Posesivo	X
3	Grado	-	0
		Apreciativo	A
4	Género	Masculino	M
		Femenino	F
		Común	C
5	Número	Singular	S
		Plural	P
		Invariable	N
6	Persona	-	0
		Primera	1
		Segunda	2
		Tercera	3
7	Poseedor	-	0
		Singular	3
		Plural	P

Los adjetivos calificativos y ordinales están etiquetados siguiendo el sistema Parole. Hay, sin embargo, una nueva categoría: adjectiu possessiu (AX). Ésta incluye las palabras etiquetadas como pronombres posesivos en el Parole original. Los motivos para ello son básicamente distribucionales: Freeling etiqueta secuencias muy frecuentes como ‘la meva’, con una categoría nominal nula, como determinante + pronombre; sin embargo, estas combinaciones deben en principio ser evitadas en la lengua (*el les, *el tu), y un analizador sintáctico debería ser capaz de reconocer la agramaticalidad de una secuencia así. Como distribucionalmente estos elementos (meva, teva, nostra...) se comportan como adjetivos (e incluso podría aducirse que, semánticamente, lo son), hemos tomado la decisión de etiquetarlos como adjetivos posesivos.

Otro cambio que debe ser tenido en cuenta respecto a los elementos con morfología de participio (-at/ada/ats/ades) es que todos ellos forman ahora una nueva categoría separada (T; ver abajo).

 

2. Adverbios

Posición	Atributo	valor	Código
1	Categoría	Adverbio	R
2	Tipo	General	G
		Negativo	N

No hay cambios respecto al etiquetario Parole original.

 

3. Determinantes

Posición	Atributo	Valor	Código
1	Categoría	Determinante	D
2	Tipo	Demostrativo	D
		Posesivo	P
		Interrogativo	T
		Exclamativo	E
		Indefinido	I
		Artículo	A
		Relativo	R
		Numeral	N
3	Persona	Primera	1
		Segunda	2
		Tercera	3
4	Género	Masculino	M
		Femenino	F
		Común	C
		Neutro	N
5	Número	Singular	S
		Plural	P
		Invariable	N
6	Poseedor	Singular	S
		Plural	P

Hemos presentado arriba la categoría adjectiu possessiu (AX). Esta categoria no ha reemplazado del todo la categoría determinant possessiu. Los casos que no van precedidos de artículo y además van seguidos de nombre continúan siendo etiquetados como determinant possessiu (ma, ton, sa, nostre…).

 

4. Cuantificadores

Posición	Atributo	Valor	Código
1	Categoría	Cuantificador	Q
3	Género	Masculino	M
		Femenino	F
		Común	C
4	Número	Singular	S
		Plural	P
		Invariable	N

Esta categoría no existía en el Parole original. Incluye, como lemas, molt, tot i cada. A pesar de sus diferencias, estos tres elementos tienen rasgos en común:

• Pueden legitimar un sintagma nominal: cada nen, tot nen, molts nens.
• Algunos pueden combinarse con un determinante: tots els nens, els molts nens.
• Algunos pueden comportarse como adjetivos predicativos o adverbios: són molts, m’agrada molt..
• Son muy frecuentes.
• Tanto la gramática tradicional como el etiquetario Parole tienen problemas para tratarlos, y deben recurrir a asignarles múltiples categorías gramaticales (D, P, A, Adv...).

La etiqueta Q está pensada para darles un tratamiento unificado y para generar un input adecuado para el analizador sintáctico. Hay que tener un cuenta que todas las ocurrencias de tot, cada y mold son analizadas como cuantificadores. Sin embargo, la definición exacta de esta categoría y la extensión de la etiqueta Q a otros elementos similares se irá definiendo en la siguiente fase del proyecto.

 

5. Nombres

Posición	Atributo	Valor	Código
1	Categoría	Nombre	N
2	Tipo	Común	C
		Propio	P
3	Género	Masculino	M
		Femenino	F
		Común	C
4	Número	Singular	S
		Plural	P
		Invariable	N
5-6	Clasificación semántica	Ser-Persona	SP
		Organización	O0
		Lugar	G0
7	Grado	Apreciativo	A

Aquí se muestra el etiquetario Parole original. En el momento actual, los valores de classificació semántica y grauau no están todavía implementados. Los nombres propios, en este momento, reciben todos la etiqueta NP00000.

 

6. Verbos

Posición	Atributo	Valor	Código
1	Categoría	Verbo	V
2	Tipo	Principal	M
		Auxiliar	A
		Semiauxiliar	S
3	Modo	Indicativo	I
		Subjuntivo	S
		Imperativo	M
		Infinitivo	N
		Gerundio	G
4	Tiempo	Presente	P
		Imperfecto	I
		Futuro	F
		Pasado	S
		Condicional	C
		-	0
5	Persona	Primera	1
		Segunda	2
		Tercera	3
6	Número	Singular	S
		Plural	P
7	Género	Masculino	M
		Femenino	F

Verbos principales Tiempos Forma Lema Etiqueta Presente de Indicativo canto cantar VMIP1S0 cantes cantar VMIP2S0 canta cantar VMIP3S0 cantem cantar VMIP1P0 canteu cantar VMIP2P0 canten cantar VMIP3P0 Pretérito Imperfecto cantava cantar VMII1S0 cantaves cantar VMII2S0 cantava cantar VMII3S0 cantàvem cantar VMII1P0 cantàveu cantar VMII2P0 cantaven cantar VMII3P0 Pretérito Perfecto cantí cantar VMIS1S0 cantares cantar VMIS2S0 cantà cantar VMIS3S0 cantàrem cantar VMIS1P0 cantàreu cantar VMIS2P0 cantaren cantar VMIS3P0 Futuro de Indicativo cantaré cantar VMIF1S0 cantaràs cantar VMIF2S0 cantarà cantar VMIF3S0 cantarem cantar VMIF1P0 cantareu cantar VMIF2P0 cantaran cantar VMIF3P0 Condicional cantaria cantar VMIC1S0 cantaries cantar VMIC2S0 cantaria cantar VMIC3S0 cantaríem cantar VMIC1P0 cantaríeu cantar VMIC2P0 cantarien cantar VMIC3P0 Presente de Subjuntivo canti cantar VMSP1S0 cantis cantar VMSP2S0 canti cantar VMSP3S0 cantem cantar VMSP1P0 canteu cantar VMSP2P0 cantin cantar VMSP3P0 Pretérito Imperfecto cantés cantar VMSI1S0 cantessis cantar VMSI2S0 cantés cantar VMSI3S0 cantéssim cantar VMSI1P0 cantéssiu cantar VMSI2P0 cantessin cantar VMSI3P0 Gerundio cantant cantar VMG0000 Imperativo canta cantar VMM02S0 canti cantar VMM03S0 cantem cantar VMM01P0 canteu cantar VMM02P0 cantin cantar VMM03P0 Infinitivo cantar cantar VMN0000

Verbo semiauxiliar Forma Lema Etiqueta sóc ser VSIP1S0 ets ser VSIP2S0 és ser VSIP3S0 som ser VSIP1P0 sou ser VSIP2P0 són ser VSIP3P0 era ser VSII1S0 eres ser VSII2S0 era ser VSII3S0 érem ser VSII1P0 éreu ser VSII2P0 eren ser VSII3P0 fui ser VSIS1S0 fores ser VSIS2S0 fou ser VSIS3S0 fórem ser VSIS1P0 fóreu ser VSIS2P0 foren ser VSIS3P0 seré ser VSIF1S0 seràs ser VSIF2S0 serà ser VSIF3S0 serem ser VSIF1P0 sereu ser VSIF2P0 seran ser VSIF3P0 seria ser VSIC1S0 series ser VSIC2S0 seria ser VSIC3S0 seríem ser VSIC1P0 seríeu ser VSIC2P0 serien ser VSIC3P0 sigui ser VSSP1S0 siguis ser VSSP2S0 sigui ser VSSP3S0 siguem ser VSSP1P0 sigueu ser VSSP2P0 siguin ser VSSP3P0 fos ser VSSI1S0 fossis ser VSSI2S0 fos ser VSSI3S0 fóssim ser VSSI1P0 fóssiu ser VSSI2P0 fossin ser VSSI3P0 essent ser VSG0000 sigues ser VSM02S0 sigui ser VSM03S0 siguem ser VSM01P0 sigueu ser VSM02P0 siguin ser VSM03P0 ser ser VSN0000

El etiquetado de los verbos sigue los criterios del Parole, excepto en un punto importante: el tratamiento de los participios pasados, que han sido trasladados a una nueva categoría, T (ver abajo).

 

7. Participios

Posición	Atributo	Valor	Código
1	Categoría	Participio	T
2	Tipo	Principal	M
		Auxiliar	A
		Semiauxiliar	S
3	Género	Masculino	M
		Femenino	F
		Común	C
4	Número	Singular	S
		Plural	P
		Invariable	N

 

Ejemplos:

Forma	Lema	Etiqueta
cantada	cantar	TPSF
estat	ser	TPSM
cantat	cantar	TPSM
cantades	cantar	TPPF
cantats	cantar	TPPM

Como se ha dicho arriba, todos los elementos con morfología participial, originalmente incluidos en las categorías adjetivos y verbos en el Parole, se han reunido dentro de esta nueva categoría. La razón de este cambio es que nuestro etiquetario debe ser capaz de cubrir los primeros estadios de una lengua romántica, el catalán, en los que no siempre es fácil averiguar si un elemento con la morfología -at/ada/ats/ades se comporta como un verbo o como un adjetivo. Hemos decidido unificar su tratamiento, de modo que hay que tener en cuenta que todos los usos de estos elementos (incluso cuando su función es claramente verbal o adjetival según el criterio tradicional) quedan etiquetados como T.

 

8. Pronombres

Posición	Atributo	Valor	Código
1	Categoría	Pronombre	P
2	Tipo	Personal	P
		Demostrativo	D
		Posesivo	X
		Indefinido	I
		Interrogativo	T
		Relativo	R
		Numeral	N
		Exclamativo	E
3	Persona	Primera	1
		Segunda	2
		Tercera	3
4	Género	Masculino	M
		Femenino	F
		Común	C
		Neutro	N
5	Número	Singular	S
		Plural	P
		Invariable	N
6	Caso	Nominativo	N
		Acusativo	A
		Dativo	D
		Oblicuo	O
7	Poseedor	Singular	S
		Plural	P
8	Politeness (cortesía)	Polite (cortés)	P

En esta categoría se ha introducido un cambio muy significativo en comparación con el etiquetario Parole original: la categoría pronoms personals se haa dividido en pronoms personals (normalmente llamados pronoms forts) y clíticos (o pronoms febles).. Los clíticos forman ahora una categoría separada (L). La tabla siguiente muestra la nueva distribución (con los lemas entre paréntesis). Téngase en cuenta que aquí no están representados todos los elementos que conforman las dos categorías.

Pronombres personales (PP)	Clíticos (L)
Jo (jo) mi (jo) nosaltres (jo) nós (jo) tu (tu) vostè (tu) vostès (tu) vós (tu) vosaltres (tu) ella (ell) ell (ell) ells (ell) elles (ell)	Em (em) et (et) el (el) la (el) l' (el) li (li) es (es) ens (em) us (et) els (els) les (el) ho (ho) hi (hi) en (en)

 

9. Clíticos

Posición	Atributo	Valor	Código
1	Categoría	Clítico	L
2	Persona	Primera	1
		Segunda	2
		Tercera	3
3	Género	Masculino	M
		Femenino	F
		Común	C
		Neutro	N
4	Número	Singular	M
		Plural	F
		Neutro	N
5	Caso	-	0
		Acusativo	A
		Dativo	D

 

Ejemplos:

Forma	Lema	Etiqueta
m’	em	L1CS0
la	el	L3FSA
els	els	L3CP0
ho	ho	L3NN0
hi	hi	L3CN0
se	es	L3CN0

Todos los clíticos (pronombres átonos) quedan ubicados dentro de esta nueva categoría L, que no existía en el Parole original. Los clíticos pueden ser un objeto de estudio importante en la investigación en diacronía. En el sistema Parole no se distinguen claramente del resto de pronombres personales, y la longitud de las etiquetas resultantes hace que trabajar con ellas sea a veces poco ágil. Para simplificarlo, hemos creado esta nueva categoría, aunque ello conlleve que unos cuantos elementos que son pronombres queden fuera de la categoría llamada ‘pronombres’. Los lemas son siempre la versión masculina singular de cada clítico. Hay una excepción: els, quee puede ser dativo (li en singular) o acusativo (el en singular), tiene els como lema.

 

10. Conjunciones

Posición	Atributo	Valor	Código
1	Categoría	Conjunción	C
2	Tipo	Coordinada	C
		Subordinada	S

No hay cambios respecto al etiquetario Parole original.

 

11. Interjecciones

Posición	Atributo	Valor	Código
1	Categoría	Interjección	I

No hay cambios respecto al etiquetario Parole original.

 

12. Preposiciones

Posición	Atributo	Valor	Código
1	Categoría	Adposición	S
2	Tipo	Preposición	P
3	Forma	Simple	S
		Compuesta	C
3	Género	Masculino	0
2	Tipo	Preposición	0
4	Número	Singular	0
		Plural	0

No hay cambios respecto al etiquetario Parole original.

 

13. Signos de puntuación

Posición	Atributo	Valor	Código
1	Categoría	Puntuación	F

No hay cambios respecto al etiquetario Parole original.

 

14. Cifras

Posición	Atributo	Valor	Código
1	Categoría	Cifra	Z
2	Tipo	Moneda	m

No hay cambios respecto al etiquetario Parole original.