Corpus de lengua oral en español

CORLEC, Corpus Oral de Referencia del Español Contemporáneo
Macrocorpus de la norma lingüística culta de las principales ciudades del mundo hispánico
Subcorpus Oral del Corpus de Referencia del Español Actual (CREA)
Corpus de conversación coloquial - Grupo Val.Es.Co
C-ORAL-ROM, Corpus integrado de referencia en lenguas romances
PRESEEA, Proyecto para el Estudio Sociolingüístico del Español del España y de América

Corpus orales y corpus de lengua oral en español

CORLEC, Corpus Oral de Referencia del Español Contemporáneo

Laboratorio de Lingüística Informática, Departamento de Lingüística, Lenguas Modernas, Lógica y Filosofía de la Ciencia, Universidad Autónoma de Madrid
http://www.lllf.uam.es/ESP/Corlec.html

Contenidos

• Transcripción ortográfica de grabaciones de lengua oral (1991-1992).
• 1.100.000 palabras.
• Textos administrativos, científicos, conversacionales o familiares, educativos, humanísticos, instrucciones de megafonía, jurídicos, lúdicos (concursos), políticos y periodísticos: debates, deportes, documentales, entrevistas, noticiario, publicitarios, religiosos y técnicos.
• Porcentaje de representatividad en función del tipo de texto:

• Administrativos y políticos - 5.6%.
• Científicos - 3.3%.
• Conversacionales o familiares - 24.5%.
• Educativos - 5.3%.
• Humanísticos - 5.6%.
• Instrucciones (megafonía) - 0.6%.
• Jurídicos - 3.2%.
• Lúdicos (concursos, etc.) - 5.6%.
• Periodísticos:

• Debates - 8.5%.
• Deportes - 5.3%.
• Documentales - 2.6%.
• Entrevistas - 15.6%.
• Noticiario - 6.6%.
• Publicitarios - 2.8%.
• Religiosos . 1.1%.
• Técnicos - 3.9%.

Información y descripción del corpus

Fenómenos codificados

• Palabras cortadas.
• Reconstrucción de segmentos omitidos por el hablante.
• Vacilaciones.
• Elementos fáticos (afirmación, duda, interrogación, negación).
• Ruidos (ruidos solapados en la conversación; risas, aplausos, música).
• Onomatopeyas.
• Identificación de los hablantes.
• Simultaneidad de turno de palabras.
• Silencio.
• Siglas.
• Palabras extranjeras.
• Texto leído.
• Errores de producción del hablante.
• Dificultades de transcripción.
• Texto no transcrito.
• Borrado involuntario.
• Interrupción de la grabación.

Información y descripción del corpus

Información contenida en la cabecera

• Número de la cinta donde se encuentra el texto grabado.
• Posición del texto en la cinta.
• Fecha.
• Procedencia del texto.
• Autor de la transcripción.
• Tipo de texto transcrito.
• Temas tratados.
• Identificación de los hablantes que intervienen.
• Edad, sexo y profesión del los hablantes.

Información y descripción del corpus

Referencias

Macrocorpus de la norma lingüística culta de las principales ciudades del mundo hispánico

Macrocorpus de la norma lingüística culta de las principales ciudades del mundo hispánico (MC-NLCH). Preparado por José Antonio Samper Padilla, Clara Eugenia Hernández Cabrera y Magnolia Troya Déniz. Edición en CD-ROM. Las Palmas de Gran Canaria: Servicio de Publicaciones de la Universidad de Las Palmas de Gran Canaria, 1998.

Contenidos

• Transliteración de ochenta y cuatro horas de grabación.
• Muestras paralelas de doce ciudades hispánicas: México, Caracas, Santiago de Chile, Santafé de Bogotá, Buenos Aires, Lima, San Juan de Puerto Rico, La Paz, San José de Costa Rica, Madrid, Sevilla y Las Palmas de Gran Canaria.
• Catorce entrevistas individuales de aproximadamente media hora con intervención del encuestador para cada ciudad.
• Muestras distribuidas por generación y por sexo.

Formato de los textos y estándares de codificación

• Textos en Microsoft Word.
• Textos en ASCII.
• Textos codificados según el sistema del Corpus de Referencia del Español Actual (CREA) de la Real Academia Española.

Referencias

Subcorpus Oral del Corpus de Referencia del Español Actual (CREA)

Recursos Lingüísticos, Banco de Datos, Real Academia Española
http://www.rae.es/

Contenidos

• Los textos orales constituyen el 10% del CREA y equivalen a unos 9 millones de registros procedentes de más de 1600 documentos.
• Textos procedentes de grabaciones de radio o de televisión transcritos y codificados.
• Textos procedentes de otros corpus orales adaptados a los estándares del CREA:

• Análisis de la Conversación de la Universidad de Alcalá de Henares.
• Macrocorpus de la norma lingüística culta de las principales ciudades del mundo hispánico de la Asociación de Lingüística y Filología de América Latina.
• Caracas-77: Estudio sociolingüístico de Caracas, 1977.
• Caracas-87: Estudio sociolingüístico de Caracas, 1987.
• Corpus de Encuestas en Asunción de Paraguay.
• Corpus oral de la variedad juvenil universitaria del español hablado en Alicante.
• Corpus para el estudio del español hablado en Santiago de Compostela.
• Corpus Sociolingüístico de Mérida-Venezuela.
• UAM: Corpus Oral de Referencia del Español Contemporáneo de la Universidad Autónoma de Madrid.
• Material público procedente de Internet.

• Medio:

• Canal comunicativo:

• Radio.
• Televisión.
• Grabación directa.
• Teléfono.
• Otros.

• Procedencia:

• Grabación.
• Texto previamente transcrito.
• Texto previamente transcrito y codificado.

• Origen:

• España: 50%.
• Hispanoamérica: 50%:

• Zona Andina: Venezuela, Colombia, Ecuador, Perú y Bolivia.
• Zona Caribeña: Cuba, Pánama, Puerto Rico, República Dominicana, costas de Venezuela y Colombia y sudeste de Estados Unidos.
• ZonaCentral: Costa Rica y Nicaragua.
• Zona Chilena: Chile.
• Zona Mexicana: Guatemala, Honduras, El Salvador, México y Sudoeste de Estados Unidos.
• Zona Rioplatense: Argentina, Paraguay y Uruguay.

• Época:

• 1975-1979.
• 1980-1984.
• 1985-1989.
• 1990-1994.
• 1995-1999.
• 2000-2004.

• Tipología textual:

• Textos procedentes de grabaciones de radio y de televisión:

• Noticias.
• Reportajes.
• Entrevistas.
• Debates.
• Tertulias.
• Documentales.
• Retransmisiones deportivas.
• Magacines.
• Revistas deportivas.
• Variedades.
• Sorteos y concursos.

• Otros textos: discursos políticos, conversaciones telefónicas, mensajes en contestadores, diálogos informales, etc..

• Grado de formalidad:

• Formalidad = alta, Audiencia = interlocutor, Canal = cara a cara.
• Formalidad = alta, Audiencia = interlocutor, Canal = otro.
• Formalidad = alta, Audiencia = oyente pasivo, Canal = cara a cara.
• Formalidad = alta, Audiencia = oyente pasivo, Canal = otro.
• Formalidad = baja, Audiencia = interlocutor, Canal = cara a cara.
• Formalidad = baja, Audiencia = interlocutor, Canal = otro.
• Formalidad = baja, Audiencia = oyente pasivo, Canal = cara a cara.
• Formalidad = baja, Audiencia = oyente pasivo, Canal = otro.

Formato de los textos y estándares de codificación

• Codificación en SGML (Standard Generalized Markup Language) en una primera etapa y en XML (Extensive Markup Language) en una segunda etapa.
• Codificación según los estándares de la Text Encoding Initiative (TEI) y del Expert Advisory Group on Language Engineeting Standards (EAGLES).
• Transcripción ortográfica correspondiente al nivel II del Network of European Reference Corpora (NERC) y de EAGLES.
• Plantillas y macros para Word que permiten la automatización del proceso de transcripción.
• Alineación entre el texto y la señal sonora en la segunda etapa del CREA.

Fenómenos codificados

• Divisiones en el texto.

<div>

Cada entrevista o conversación constituye una unidad <div>

Se indica el nivel jerárquico (<div1>, <div2>, <div3>, ... <div8>) si se encuentran entrevistas o conversaciones dentro de entrevistas o conversaciones más amplias.

<s>

Secuencia separada del resto del texto por un punto, exclamación o interrogación.

• Turnos de palabra de cada hablante y tipo de transición entre turnos.

<u>

Segmento precedido y/o seguido de un cambio de hablante.

Atributo who: código identificador del participante.

• Tipo de transición entre turnos y superposiciones entre hablantes.

<u>

Atributo trans

smooth cuando <u> empieza con una pausa normal.

overlap cuando <u> empieza antes de que la anterior haya finalizado.

• Pausas.

<pause>

• Fenómenos no vocales y no comunicativos.

<event>

Atributo desc: describe el tipo de evento del que se trata.

• Fenómenos no vocales comunicativos.

<kinesic>

Atributo desc: describe el tipo de gesto del que se trata.

• Expresiones semiléxicas o no léxicas que comunican algún tipo de estado.

<vocal>

Atributo type: recoge la transcripción del fenómeno vocal:

tos, respiración, estornudo, risa

aha, tch tch, e..., risa

Atributo desc: describe la intención comunicativa del fenómeno vocal:

asentimiento, negación

• Discurso directo.

<q>

Atributo rend: indica el tipo de resalte empleado en la transcripción.

• Texto leído.

<writing>

• Palabras extranjeras.

<foreign>

Atributo lang: especifica la lengua según el código ISO 639.

• Números.

<num>

• Palabras deletreadas.

<distinct>

Atributo type

dele

• Abreviaturas.

<abbr>

Atributo type: especifica el tipo de abreviatura:

normal

acronym

• Texto resaltado en la transcripción ortográfica.

<hi>

Atributo rend: especifica el tipo de resalte:

cdob: comillas dobles.

curs: cursiva.

mayu: mayúscula.

• Fragmentos poco claros en la grabación.

<unclear>

Atributo cert: recoge el grado de certeza.

unclear: fragmento poco claro, que se reproduce de la manera más ajustada posible.

unintelligible: fragmento ininteligible, que no se reproduce.

• Errores de producción del hablante.

<sic>

• Palabras fragmentarias o truncadas y repeticiones de palabras.

<distinct>

Atributo type

titu: palabra fragmentaria por titubeo.

repe: palabra repetida por titubeo.

Información contenida en la cabecera

• Título y subtítulo del documento.
• Responsable de la transcripción y codificación del texto.
• Información sobre la edición electrónica del texto.
• Información sobre la extensión del texto.
• Localización del texto en la grabación.
• Procedencia española o hispanoamericana del texto y país de procedencia.
• Descripción de la codificación.
• Clasificación del texto.
• Descripción de los hablantes: código de identificación, nombre, papel, sexo, edad, lengua materna, variante dialectal, origen geográfico, país de procedencia, clase social y nivel de estudios..
• Información sobre la revisión del texto.

Pino, M. (1998). Transcripción, codificación y almacenamiento de los textos orales del corpus CREA. Versión 2.0. Instituto de Lexicografía, Real Academia Española. 29/07/1997. En J. A. Samper Padilla, C. E. Hernández Cabrera, & M. Troya Déniz (Eds.), Macrocorpus de la norma lingüística culta de las principales ciudades del mundo hispánico (MC-NLCH). [CD-ROM] Las Palmas de Gran Canaria: Servicio de Publicaciones de la Universidad de Las Palmas de Gran Canaria.

Pino, M. y Sánchez, M. (1999). El subcorpus oral del banco de datos CREA-CORDE (real academia española): Procedimientos de transcripción y codificación. Oralia. Análisis del Discurso Oral, 2, 83-138.

Referencias

Corpus de conversación coloquial - Grupo Val.Es.Co

Grupo Val.Es.Co (Valencia Español Coloquial), Departamento de Filología Española, Universidad de Valencia - Universidad de Alicante
http://www.valesco.es/

Contenidos

• Transcripción ortográfica de grabaciones de conversaciones coloquiales.
• 341 horas de grabación.
• Entre 2 y 4 interlocutores por grabación.
• Grabación secreta o en el entorno familiar del informante.

Muestra del corpus

Fuente: http://www.valesco.es/corpus.wav

Fenómenos codificados

Sistema de transcripción

Referencias

Briz, A. (Ed). (1995). La conversación coloquial (materiales para su estudio) [Cuadernos de Filología, Anejo XVI]. València: Facutat de Filologia, Departament de Filologia Espanyola, Universitat de València.

Briz, A. (Ed). (2000). Corpus de conversaciones coloquiales [Anejo 1 de Oralia]. Madrid: Arco/Libros.

C-ORAL-ROM, Corpus integrado de referencia en lenguas romances

LABLITA, Laboratorio Linguistico, Dipartimento di Italianistica, Università di Firenze
http://lablita.dit.unifi.it/coralrom/

Laboratorio de Lingüística Informática, Departamento de Lingüística, Lenguas Modernas, Lógica y Filosofía de la Ciencia, Universidad Autónoma de Madrid
http://www.lllf.uam.es/ESP/Coralrom.html

Contenidos

• 300.000 palabras para cada una de las 4 lenguas del corpus.
• Estilos de habla.

• Habla informal: 50%.
• Habla formal: 35%.
• Medios de comunicación: 15%.

• Variación sociolingüística y acústica equivalente en las cuatro lenguas.

Muestras del corpus

Formato de los textos y estándares de codificación

• Codificación en XML (Extensible Markup Language) con posibilidad de conversión a formato .txt mediante macros.
• Alineación entre la señal sonora y la transcripción ortográfica mediante el programa WinPitch.
• Segmentación prosódica en enunciados y etiquetado prosódico en unidades tonales.

Fenómenos codificados

Referencias

Cresti, E. y Moneglia, M. (Eds). (2005). C-ORAL-ROM. Integrated reference corpora for spoken romance languages. Amsterdam: John Benjamins.

PRESEEA, Proyecto para el Estudio Sociolingüístico del Español del España y de América

Coordinación: Departamento de Filología, Universidad de Alcalá de Henares
http://preseea.linguas.net

Contenidos

• Conversaciones grabadas entre el investigador y los informantes seleccionados.
• Selección de los informantes a partir de criterios sociolingüísticos para conseguir una muestra estratificada.
• Entrevistas semi-dirigidas de unos 45 minutos de duración estructuradas en función de un conjunto de módulos:

• Saludos.
• El tiempo.
• Lugar donde vive.
• Familia y amistad.
• Costumbres.
• Peligro de muerte.
• Anécdotas importantes en la vida.
• Deseo de mejora económica.
• Final.

Archivo sonoro de muestra

Fuente: http://preseea.linguas.net

Fenómenos codificados

• Paralenguaje.

<(hh)><(m:)><(ts)><(e:)><(pf)>

• Fragmentos ininteligibles o interrupciones en la grabación.

<ininteligible> </ininteligible>

<interrupción de la grabación>

• Pausas.

<silencio>

Pausa larga; incluye lo que en pragmática se identifica como “lapso” y como “silencio”.

• Risa.

<risas=R/todos>

• Ruidos.

<ruido>

• Superposición de turnos.

<simultáneo></simultáneo>

<suspensión voluntaria>

• Palabras cortadas, correcciones y vacilaciones del hablante.

<palabra cortada>

<corrección>

<vacilación>: repetición de palabra.

• Valores expresivos y modalidad oracional.

<expresivo></expresivo>: admiración, exclamación.

<interrogativo></interrogativo>

• Estilo directo.

<estilo directo></estilo directo>

PRESEEA. (2009). Marcas y etiquetas mínimas obligatorias [Versión 1.2] (Versión 1.2). Consultado en http://preseea.linguas.net

Referencias

Corpus de lengua oral en español

Corpus orales y corpus de lengua oral en español

Corpus de lengua oral en español
Joaquim Llisterri, Universitat Autònoma de Barcelona
http://liceu.uab.cat/~joaquim/language_resources/spoken_res/Corp_leng_oral_esp.html
Last updated: 26/5/13 22:54

This work is licensed under a Creative Commons Attribution-Noncommercial-Share Alike 3.0 License.