Asociación de Academias de la Lengua Española

   

Versión beta

CORPES XXI

CORPES XXI

El Corpus del Español del Siglo XXI (CORPES XXI) es, al igual que CREAun corpus de referencia. En lingüística, se llama corpus a un conjunto formado por 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 con una distribución de 25 millones de formas por cada uno de los años correspondientes al siglo XXI.

La primera versión se presentó en el VI Congreso Internacional de la Lengua Española (Panamá, octubre de 2013) y desde diciembre de 2013 es posible realizar consultas al CORPES XXI a través de una aplicación específica que permite recuperar los casos contenidos en el corpus de una palabra, una expresión o una categoría o subcategoría gramatical. En la primera fase del proyecto, finalizada en diciembre de 2014, se incorporaron textos producidos entre 2001 a 2012.

En abril de 2015 se publicó la versión 0.8 con dos grandes novedades: la posibilidad de la recuperación del sonido alineado con textos orales y la consulta por categoría gramatical. En noviembre del mismo año, la 0.82 con más de 215 millones de formas. La versión 0.83 se publicó en junio de 2016 con un incremento de unos diez millones sobre la anterior. En julio de 2018, la versión 0.9 llegó a los 276 millones y la 0.91 se publicó en diciembre del mismo año con unos 286 millones de formas. Ya en 2020, en mayo, se publicó la versión 0.92, con algo más de 312 millones de formas.

La versión 0.93 se dio a conocer en el mes de febrero de 2021, con 333 millones de formas ortográficas.

La versión actual es la 0.94, publicada en el mes de julio de 2021. Cuenta con más de 327 000 documentos que suman ya unos 350 millones de formas ortográficas, procedentes de textos escritos y de transcripciones orales. Con respecto a la versión anterior supone un incremento de unos 18 millones de formas. Casi cinco millones de ellas proceden de textos orales y algunos archivos ofrecen el sonido alineado correspondiente a la transcripción; en otros es posible la descarga del archivo de audio, además de la visualización del vídeo de acuerdo con la procedencia del texto fuente.

Por lo que respecta al bloque de ficción (novelas, guiones de cine, relatos, obras de teatro) las formas de CORPES sobrepasan los 95 millones, mientras que las contenidas en textos de libros de no ficción y en publicaciones periódicas (ciencias sociales, salud, política, artes, tecnología...) se acercan a los 250 millones. Los textos procedentes de libros suponen casi 172 millones de formas; las publicaciones periódicas están representadas con unos 167 millones. Seis millones y medio más provienen de blogs, entrevistas digitales y miscelánea.

En cuanto a la distribución temporal, aumenta el número de textos producidos entre 2016-2020, con algo más de 51 millones de formas, y se añaden ya textos producidos en 2021, más de un millón de formas. Por lustros, el mayor peso recae actualmente en el segmento 2006-2010, con más de 107 millones de formas; más de 102 millones corresponden a formas producidas entre 2001 y 2005; y el comprendido entre 2011 y 2015 alcanza los 82 millones de formas.

El equilibro previsto entre España y América (30 %-70 %) se mantiene: las formas producidas en textos clasificados como España suponen algo más del 30 % y los de América superan los 250 millones de formas.

Dosier informativo (fase 2001-2012)

Diccionarios

Tuits de @ASALEinforma

Formulario de búsqueda