Corpus del castellano medieval (OLDES)

Descripción del corpus

Este corpus diacrónico del castellano, desarrollado por Cristina Sánchez-Marco, incluye 674 textos que cubren desde el siglo XII hasta el siglo XX y que suman un total de 44.470.288 palabras. Los textos proceden de repositorios abiertos y de colecciones consultables en distintas bibliotecas universitarias. Se ha procurado que los textos sean rePresenteativos y equilibrados en cuanto a géneros y presencia de material de los distintos siglos cubiertos. Los géneros que se hallan rePresenteados son: poesía, historia, leyes, didáctica, prosa, religión, medicina, cartas, teatro y prensa. El objetivo del proyecto es desarrollar una herramienta que sirva para entender el cambio lingüístico en general y la evolución del castellano peninsular en particular; todos los textos pertenecen, pues, a esa variedad.

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 castellano contemporáneo, y ha sido necesario ampliarla para que pudiera gestionar la variabilidad léxica y ortográfica de 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 del castellano; y, por el otro, se han implementado nuevas etiquetas para que el resultado del análisis pueda funcionar como input adecuado para 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 cualquier caso, 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 restringir automáticamente la búsqueda por siglo, género y autor.

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.

Etiquetario

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: adjetivo posesivo (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 mía', con una categoría nominal nula, como determinante + Pronombre; sin embargo, estas combinaciones deben en principio ser evitadas en la lengua (*el las, *el tú), y un analizador sintáctico debería ser capaz de reconocer la agramaticalidad de una secuencia así. Como distribucionalmente estos elementos (mío, tuya, nuestra...) 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 en cuanto a los elementos con morfología de participio (-ado/ada/ados/adas) 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

No hay cambios respecto al etiquetario Parole original.

 

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, mucho, todo y cada. A pesar de sus diferencias, estos tres elementos tienen rasgos en común:

• Pueden legitimar un sinEtiquetama nominal: cada niño, todo niño, muchos niñosos.
• Algunos pueden combinarse con un determinante: todos los niños, los muchos niñosos.
• Algunos pueden comportarse como adjetivos predicativos o Adverbios: son muchos, me gusta mucho.
• 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 todo, cada y mucho 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

No hay cambios respecto al etiquetario Parole original.

 

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

 

Ejemplos de paradigmas verbales completos:

Verbos Principales Tiempo Forma Lema Etiqueta Presente de Indicativo canto cantar VMIP1S0 cantas cantar VMIP2S0 canta cantar VMIP3S0 cantamos cantar VMIP1P0 cantáis cantar VMIP2P0 cantan cantar VMIP3P0 Pretérito Imperfecto cantaba cantar VMII1S0 cantabas cantar VMII2S0 cantaba cantar VMII3S0 cantábamos cantar VMII1P0 cantabais cantar VMII2P0 cantaban cantar VMII3P0 Pretérito Perfecto Simple canté cantar VMIS1S0 cantaste cantar VMIS2S0 cantó cantar VMIS3S0 cantamos cantar VMIS1P0 cantasteis cantar VMIS2P0 cantaron cantar VMIS3P0 Futuro de Indicativo cantaré cantar VMIF1S0 cantarás cantar VMIF2S0 cantará cantar VMIF3S0 cantaremos cantar VMIF1P0 cantaréis cantar VMIF2P0 cantarán cantar VMIF3P0 Condicional cantaría cantar VMCP1S0 cantarías cantar VMCP2S0 cantaría cantar VMCP3S0 cantaríamos cantar VMCP1P0 cantaríais cantar VMCP2P0 cantarían cantar VMCP3P0 Presente de Subjuntivo cante cantar VMSP1S0 cantes cantar VMSP2S0 cante cantar VMSP3S0 cantemos cantar VMSP1P0 cantéis cantar VMSP2P0 canten cantar VMSP3P0 Pretérito Imperfecto cantara cantar VMSI1S0 cantaras cantar VMSI2S0 cantara cantar VMSI3S0 cantáramos cantar VMSI1P0 cantarais cantar VMSI2P0 cantaran cantar VMSI3P0 cantase cantar VMSI1S0 cantases cantar VMSI2S0 cantase cantar VMSI3S0 cantásemos cantar VMSI1P0 cantaseis cantar VMSI2P0 cantasen cantar VMSI3P0 Futuro de Subjuntivo cantare cantar VMSF1S0 cantares cantar VMSF2S0 cantare cantar VMSF3S0 cantáremos cantar VMSF1P0 cantareis cantar VMSF2P0 cantaren cantar VMSF3P0 Gerundio cantando cantar VMG0000 Imperativo canta cantar VMMP2S0 cante cantar VMMP3S0 cantemos cantar VMMP1P0 cantad cantar VMMP2P0 canten cantar VMMP3P0 Infinitivo cantar cantar VMN0000

Verbos Auxiliares Forma Lema Etiqueta soy ser VAIP1S0 eres ser VAIP2S0 es ser VAIP3S0 somos ser VAIP1P0 sois ser VAIP2P0 son ser VAIP3P0 era ser VAII1S0 eras ser VAII2S0 era ser VAII3S0 éramos ser VAII1P0 erais ser VAII2P0 eran ser VAII3P0 fui ser VAIS1S0 fuiste ser VAIS2S0 fue ser VAIS3S0 fuimos ser VAIS1P0 fuisteis ser VAIS2P0 fueron ser VAIS3P0 seré ser VAIF1S0 serás ser VAIF2S0 será ser VAIF3S0 seremos ser VAIF1P0 seréis ser VAIF2P0 serán ser VAIF3P0 sería ser VACP1S0 serías ser VACP2S0 sería ser VACP3S0 seríamos ser VACP1P0 seríais ser VACP2P0 serían ser VACP3P0 sea ser VASP1S0 seas ser VASP2S0 sea ser VASP3S0 seamos ser VASP1P0 seáis ser VASP2P0 sean ser VASP3P0 fuera ser VASI1S0 fueras ser VASI2S0 fuera ser VASI3S0 fuéramos ser VASI1P0 fuerais ser VASI2P0 fueran ser VASI3P0 fuese ser VASI1S0 fueses ser VASI2S0 fuese ser VASI3S0 fuésemos ser VASI1P0 fueseis ser VASI2P0 fuesen ser VASI3P0 fuere ser VASF1S0 fueres ser VASF2S0 fuere ser VASF3S0 fuéremos ser VASF1P0 fuereis ser VASF2P0 fueren ser VASF3P0 siendo ser VAG0000 sé ser VAMP2S0 sea ser VAMP3S0 seamos ser VAMP1P0 sed ser VAMP2P0 sean ser VAMP3P0 ser ser VAN0000

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
estado	estar	TPSM
cantado	cantar	TPSM
cantadas	cantar	TPPF
cantados	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 castellano, en los que no siempre es fácil averiguar si un elemento con la morfología -ado/ada/ados/adas 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	Persona	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 pronombres personales se ha dividido en pronombres personales (normalmente llamados ‘pronombres fuertes’) y clíticoss (o ‘pronombres débiles’). Los clíticos forman ahora una categoría separada (L). La tabla siguiente muestra la nueva distribución. Téngase en cuenta que aquí no están representados todos los elementos que conforman las dos categorías.

Pronombres Personales (PP)	Clíticos (L)
Yo mi nosotros nosotras conmigo ti tú usted ustedes vos vosotras vosotros contigo él ella ellas ello ellos	me nos te os le las yo lo lo los les se y (arcaico) en (arcaico)

 

9. Clíticos

Posición	Atributo	Valor	Código
1	Categoría	Clítico	L
2	Persona	Primera	1
		Segunda	2
		Tercera	3
		Neutro	0
3	Género	Masculino	M
		Femenino	F
		Común	C
		Neutro	N
4	Número	Singular	S
		Plural	P
		Neutro	N
5	Caso	Acusativo	A
		Dativo	D
		Otros (distintas formas de SE, etc.)	O

 

Ejemplos:

Forma	Lema	Etiqueta
me (me preocupo)	me	L1CSO
se (... se vino a la corte)	se	L3CNO
se (...conseio de se defender ...)	se	L0CNO
lo (lo vio)	lo	L3MSA
lo (lo siento mucho)	lo	L3CNA
os (os dio un caballo)	te	L2CPD
las (las vio)	lo	L3FPA

Todos los clíticos (pronombres débiles) 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 engorroso. Para simplificarlo, hemos creado esta nueva categoría, aunque ello conlleve que unos cuantos elementos que son pronombres queden fuera de la categoría ‘pronombres’. Los lemas son siempre la versión masculina singular de cada clítico.

 

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	Signo de 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.