Explicación
Un corpus es una colección estructurada de datos lingüísticos diseñada para responder preguntas mediante muestras de uso, no un espejo exhaustivo de una lengua. Puede contener texto escrito, conversaciones, transcripciones, audio y video, y puede ser general, especializado, histórico, clínico, infantil o multilingüe. Su valor depende de cómo fue construido y con qué finalidad.
La pregunta más directa es cuántas veces aparece una forma. La frecuencia relativa normaliza el recuento según el tamaño del corpus, lo que permite comparar corpus distintos. Las frecuencias de token y de tipo miden propiedades diferentes: una construcción usada muchas veces con una sola palabra no demuestra la misma generalización que otra distribuida en muchos tipos léxicos. Los metadatos, como edad, región o fecha, habilitan preguntas que de otro modo serían imposibles.
Ningún método observa directamente la gramática: un corpus registra producción, un juicio registra evaluación. Los corpus permiten estudiar frecuencia, distribución y uso natural con alta validez ecológica, pero menor control causal que un experimento. Por eso suelen combinarse con juicios de aceptabilidad, experimentos y modelos computacionales, en una triangulación que separa el uso, la aceptabilidad, el procesamiento y el aprendizaje.
Distinciones útiles
La ausencia de una construcción en un corpus no demuestra que sea agramatical: puede ser rara, propia de otro registro o posible sin haberse producido en la muestra. Una frecuencia alta, en cambio, sí demuestra uso real. Tampoco existe un corpus universalmente representativo: el balance de géneros, regiones y edades depende del objetivo, y la inferencia debe corresponder a la muestra.
Ejemplos
Si un corpus contiene «habló, habló, habló, cantó, miró», la frecuencia de token del sufijo relevante es 5, mientras el número de tipos verbales es 3.
Un corpus de redes sociales puede sobrerrepresentar jóvenes, escritura informal y ciertas regiones: es correcto afirmar que una variante es más frecuente en ese corpus, pero no concluir sin más que los hablantes de español la prefieren.
Un corpus clínico no necesita representar novelas, pero sí debe representar adecuadamente tipos de consulta, instituciones y periodos.
Con corpus infantiles puede preguntarse cuántas veces oyó un niño una construcción antes de producirla, aunque el corpus disponible representa solo una fracción de su input total.
Comparar «Corpus» con otro concepto ↗
Lectura y fuentes
Esta entrada se apoya en Métodos empíricos en lingüística. Allí puedes consultar el desarrollo y la bibliografía.
También en estas lecturas
Conceptos relacionados
REFERENCIA DE LA EDICIÓN WEB
Citar esta página
Corpus. (s. f.). Lingüística y Semiótica. https://linguisticaysemiotica.org/glosario/corpus
Referencia encabezada por el título: la dirección editorial del proyecto no se presenta como autoría individual de cada texto. Consulta los criterios de citación y el registro de cambios.
La fecha de publicación de esta entrada no está documentada. Actualización del contenido: .