# Métodos de corpus para el análisis del discurso

Un investigador reúne mil noticias sobre una misma crisis sanitaria y descubre que la palabra *riesgo* aparece con mucha frecuencia. La primera tentación es convertir esa cifra en una conclusión y afirmar que la prensa describió el acontecimiento como una amenaza. La palabra podría aparecer, sin embargo, en advertencias atribuidas a especialistas, en titulares alarmistas, en críticas al alarmismo o en frases que relativizan peligros anunciados antes. Tal vez se concentre en tres periódicos. Puede incluso que los textos más largos expliquen buena parte de las apariciones. Antes de interpretar esa frecuencia hay que determinar quién habla, en qué posición del texto aparece la expresión, qué otras palabras la acompañan y qué alternativas existían para representar el mismo acontecimiento.

Ese desplazamiento, desde contar palabras hasta reconstruir regularidades discursivas, define el trabajo con corpus. Un corpus es una colección de muestras lingüísticas reunidas según criterios explícitos y conservadas en un formato que permite consultarlas sistemáticamente. Su valor depende de la relación entre los datos y la pregunta formulada. Una recopilación enorme de publicaciones de origen desconocido puede ser menos útil que cien entrevistas registradas con cuidado. Un corpus tampoco tiene que ser exclusivamente escrito. Puede contener audio, video, transcripciones, mensajes digitales o documentos vinculados a situaciones institucionales.

La lingüística de corpus aporta procedimientos para explorar esas colecciones. McEnery y Hardie (2012) describen ese repertorio y discuten la relación entre método y teoría dentro de la disciplina. El análisis del discurso, por su parte, pregunta cómo se organizan las representaciones, las posiciones de los participantes y las acciones realizadas mediante el lenguaje. Ambas perspectivas se encuentran cuando una regularidad cuantitativa ayuda a localizar prácticas discursivas que deben examinarse en contexto. Paul Baker (2006) sistematizó precisamente esta articulación entre frecuencias, concordancias, colocaciones y análisis discursivo. La asociación es productiva y exige conservar una distinción decisiva. Un patrón estadístico describe la distribución de unas formas. La interpretación de su función discursiva requiere argumentos adicionales.

## Del archivo acumulado al corpus diseñado

Un directorio con miles de documentos dista de ser automáticamente un corpus de investigación. Hay que saber qué fenómeno documentan esos archivos, cómo se seleccionaron y qué quedó fuera. Una colección de noticias descargadas de una plataforma puede estar sesgada por el buscador utilizado, las reglas de acceso, el periodo de conservación y la presencia de duplicados. Si solo se recuperaron noticias que contienen *depresión*, no sería razonable usar después ese conjunto para estimar cuánto habla de depresión la prensa general, porque el criterio de búsqueda ya asegura su presencia.

El diseño comienza por definir la población pertinente. Esta puede ser el conjunto de editoriales publicados por seis periódicos chilenos durante un año, las intervenciones de parlamentarios en determinadas sesiones o las entrevistas iniciales de una unidad asistencial realizadas con un protocolo común. A continuación se identifican las unidades que se seleccionarán. En la prensa puede ser el artículo, en una entrevista la sesión completa y en una conversación digital el hilo o la secuencia interactiva. La unidad de muestreo no siempre coincide con la unidad de análisis. Es posible seleccionar entrevistas completas y estudiar dentro de ellas episodios de desacuerdo, preguntas o reformulaciones.

Un corpus puede buscar representatividad respecto de una población delimitada, cobertura de los géneros relevantes o máxima diversidad de circunstancias. Cada objetivo exige decisiones distintas. Existen también corpus especializados, comparables, paralelos y longitudinales. Los paralelos alinean textos con sus traducciones. Los comparables reúnen materiales de características semejantes en lenguas o periodos diferentes. Los longitudinales permiten estudiar cambios en el tiempo. Ninguna de estas etiquetas asegura la comparabilidad. Dos conjuntos rotulados como *entrevistas clínicas* pueden diferir radicalmente si uno proviene de urgencias y el otro de controles ambulatorios.

Biber, Conrad y Reppen (1998) mostraron cómo las grandes colecciones de datos permiten estudiar la variación entre registros y situaciones. Para el análisis del discurso, esa variación impide tratar el lenguaje como si circulara con independencia de las instituciones donde se produce.

## La pregunta de investigación y lo que se cuenta

Supongamos que interesa analizar cómo se atribuye la responsabilidad por los retrasos asistenciales. Una pregunta poco precisa sería *¿Qué lenguaje usan los hospitales?* Una formulación investigable podría ser *¿Con qué recursos gramaticales se atribuye u omite el agente responsable del retraso en los comunicados institucionales publicados durante un periodo determinado?* Esta segunda pregunta orienta la selección de documentos, la identificación de estructuras pasivas e impersonales y la comparación con formulaciones de agencia explícita.

La noción de variable necesita una definición operacional. Una expresión como *hubo un retraso* carece de agente gramatical explícito. De ahí no se sigue una intención de ocultarlo. Podría resumir una situación compleja, evitar una atribución todavía incierta o responder a las convenciones del género. Para investigar el desplazamiento de responsabilidad habrá que reconstruir quién podría ocupar esa posición, qué se sabe del evento y cómo se presenta en otros lugares del texto. La forma lingüística orienta el análisis, mientras que la explicación social necesita otros apoyos.

Las preguntas descriptivas deben distinguirse de las comparativas y de las explicativas. Las descriptivas examinan qué formas ocurren y en qué condiciones. Las comparativas contrastan grupos, momentos o géneros. Las explicativas proponen mecanismos que vinculan las diferencias discursivas con prácticas institucionales o procesos históricos. Es habitual que un estudio avance desde la primera clase hacia las otras. El diseño debe reconocer, en todo caso, qué conclusiones permite cada nivel.

Esta precisión afecta a la búsqueda. Si se quieren estudiar acusaciones indirectas, contar el verbo *acusar* resultará insuficiente. Muchas imputaciones se construyen con presuposiciones, preguntas retóricas, citas selectivas o repartos de responsabilidad dentro de una narración. El corpus puede localizar candidatos mediante patrones léxicos y sintácticos. Una parte del fenómeno requerirá, de todos modos, anotación humana. El método debe adaptarse al objeto. Reducir el objeto a lo que el programa cuenta con facilidad suele producir investigaciones eficientes sobre preguntas empobrecidas.

## Muestreo, metadatos y comparabilidad

Muestrear exige justificar qué textos deben dar cuenta del fenómeno de interés. La sola cantidad resuelve poco. Una investigación sobre debates educativos podría seleccionar prensa nacional y regional, medios de distinta orientación editorial y varios momentos del calendario político. Debería establecer, además, si incluirá artículos de opinión, noticias informativas, entrevistas y comunicados reproducidos sin cambios. Mezclar esos géneros puede ser adecuado para una pregunta general, aunque introduce diferencias de registro que deben quedar en los metadatos.

Los metadatos documentan el origen de cada muestra, como la fecha, la fuente, el autor cuando corresponde, el género, la modalidad, el lugar y las condiciones de producción. En el material hablado cuentan el tipo de interacción, las posiciones de los participantes, la duración de la grabación y la transcripción utilizada. Una ficha de procedencia permite examinar si un supuesto aumento de ciertas expresiones coincide con el ingreso de un nuevo medio al corpus. Sin ella, los cambios de composición se confunden con cambios lingüísticos.

El muestreo puede ser probabilístico, estratificado o por conveniencia. El primero puede sostener ciertas inferencias sobre una población bien definida, siempre que exista un marco de muestreo adecuado. El estratificado asegura la presencia de categorías relevantes, aunque puede requerir una ponderación posterior. El de conveniencia es común cuando el acceso está restringido. No invalida el estudio, pero sí restringe las generalizaciones. El investigador debe reconocer qué textos podía obtener y cuáles le resultaron inaccesibles.

La comparabilidad exige atender al tamaño de los documentos y a su distribución. Si una colección contiene una sola transcripción de cuarenta mil palabras y otra reúne cincuenta conversaciones breves, las cifras globales pueden reflejar a una persona o una situación excepcional. Por eso hay que conservar un identificador por documento y, cuando corresponda, por hablante. Así pueden estudiarse las diferencias entre archivos además de las frecuencias totales. En los datos de pacientes, esta estructura es indispensable para que varias intervenciones de una misma persona no se traten como observaciones independientes.

## Preparación del material y huellas de cada transformación

Una vez reunidos los datos empieza un trabajo menos visible que el análisis, aunque capaz de condicionarlo por completo. Se extraen los textos de los documentos, se corrigen errores de codificación y se decide cómo tratar notas, encabezados, firmas, citas y contenidos duplicados. Una página web puede incorporar menús y recomendaciones automáticas que aparecerán cientos de veces si se descargan sin limpieza. En las transcripciones, un sistema automático puede sustituir pausas por puntos o alterar negaciones. La cadena de procesamiento debe quedar registrada.

La tokenización determina qué cuenta como unidad. *Dámelo* puede analizarse como un solo token ortográfico o descomponerse según las necesidades morfosintácticas. Las contracciones, los nombres compuestos, las etiquetas de redes sociales y los signos de puntuación plantean otros problemas. La lematización reúne formas bajo una entrada, de modo que *dije*, *decía* y *diré* corresponden al lema *decir*. Sirve para recuperar todas las formas de un verbo y elimina, a la vez, información si interesa justamente la distribución de los tiempos verbales. Normalizar mayúsculas o tildes puede facilitar las búsquedas y borrar, al mismo tiempo, diferencias relevantes.

Una política de limpieza demasiado agresiva destruye señales discursivas. Los emojis, los alargamientos gráficos y las repeticiones pueden ser irrelevantes para ciertas preguntas léxicas y centrales si se estudia la interacción digital. Formas de tratamiento como *doctor*, *profe* o *señora* pueden revelar relaciones de autoridad. Una pausa en una entrevista es un dato temporal cuya desaparición modifica la secuencia observable. En los corpus multimodales debe preservarse, además, la posibilidad de volver al audio o al video original.

El criterio general consiste en conservar una copia íntegra e inalterada de las fuentes, generar versiones procesadas identificables y documentar las reglas aplicadas. Cuando la privacidad impide difundir los originales, puede mantenerse un registro interno seguro y compartir los scripts, las especificaciones de procesamiento y los ejemplos autorizados. La reproducibilidad es compatible con proteger el material sensible y no exige publicarlo sin restricciones.

## Anotar categorías sin introducir la conclusión en los datos

La anotación agrega capas de información, como categorías gramaticales, dependencias sintácticas, entidades nombradas, actos de habla, posiciones argumentativas o funciones discursivas. Algunas capas pueden obtenerse automáticamente y otras requieren decisiones humanas. En ambos casos hay que distinguir el dato primario de la etiqueta interpretativa. Una oración como *Se informó un error* permite identificar formalmente una construcción impersonal. Clasificarla como *evasión deliberada de responsabilidad* exige pruebas que la gramática no entrega.

Un manual de anotación necesita definiciones, ejemplos positivos y casos fronterizos. Si dos personas codifican *justificación*, deben compartir una regla para distinguirla de la explicación, la excusa o la descripción de antecedentes. Es recomendable ensayar el sistema en un subconjunto de textos y revisarlo antes del análisis principal. Los desacuerdos revelan defectos de las categorías o una ambigüedad auténtica del discurso. Ambas posibilidades son informativas.

El acuerdo entre anotadores puede estimarse con estadísticas apropiadas cuando la tarea supone categorías relativamente estables. Un coeficiente elevado dice poco, sin embargo, sobre la validez de una definición, porque dos anotadores pueden aplicar con enorme consistencia una categoría mal construida. Tampoco todos los estudios cualitativos buscan reducir las interpretaciones a una clasificación única. En algunos enfoques, las diferencias de lectura se examinan como parte del proceso analítico. Lo que corresponde es justificar la relación entre el objetivo del estudio y el procedimiento de evaluación.

Los modelos automáticos añaden otras dificultades. Un etiquetador entrenado con noticias españolas puede rendir de manera desigual en transcripciones chilenas, en conversaciones fragmentadas o en variedades lingüísticas poco representadas. Revisar a mano una muestra estratificada ayuda a identificar errores sistemáticos. Si esas equivocaciones afectan de manera distinta a los grupos comparados, una diferencia aparente podría ser obra del instrumento. La tasa general de aciertos es insuficiente para descartar este problema.

## Frecuencia, denominadores y distribución

Contar ocurrencias es el punto de entrada más sencillo y quizá el más fácil de interpretar mal. Si *fracaso* aparece cincuenta veces en una colección y treinta en otra, falta conocer el tamaño de cada una. Una comparación elemental utiliza frecuencias normalizadas. Supongamos dos corpus ficticios de comunicados. A contiene 120.000 palabras y registra 90 apariciones de *riesgo*, mientras que B contiene 110.000 palabras y registra 30. Por cada diez mil palabras, A presenta 7,5 apariciones y B aproximadamente 2,73. La diferencia persiste al normalizar, aunque todavía no sabemos cómo se distribuye entre los documentos.

Si 75 de las 90 apariciones de A provienen de un único informe extenso, la regularidad podría ser local. Para examinarlo se calcula la dispersión, es decir, cuántos documentos contienen el término, qué proporción de cada texto ocupa y cómo varía su frecuencia según la fuente o el periodo. Dos expresiones con frecuencias totales semejantes pueden comportarse de maneras radicalmente distintas. Una aparece moderadamente en casi todas las fuentes y la otra se concentra en una controversia particular. Solo la primera justificaría una afirmación amplia sobre el uso regular dentro del corpus.

Los números necesitan también una unidad estadística coherente. Tratar las palabras como ensayos independientes ignora que ocurren agrupadas en textos y que las decisiones de un mismo autor tienden a correlacionarse. En un estudio entre instituciones puede ser preferible resumir primero las tasas por documento o emplear modelos que consideren la estructura jerárquica de los datos. El número total de tokens dista mucho del número de observaciones independientes.

Una frecuencia elevada tampoco implica mayor relevancia discursiva. Los pronombres y los verbos auxiliares pueden ser frecuentes por razones gramaticales, mientras que una expresión rara puede marcar una posición ideológica decisiva. La interpretación debe atender a las alternativas funcionales, el género, la distribución y el contexto. En las investigaciones exploratorias, las listas de frecuencias ayudan a detectar caminos posibles, pero establecer qué significa un conjunto de textos requiere otros pasos.

## Concordancias y entorno de cada aparición

Una concordancia muestra las ocurrencias de una expresión junto con fragmentos anteriores y posteriores. La presentación tradicional, conocida como *key word in context* o KWIC, alinea el término buscado en el centro. Su ventaja es que deja ver regularidades que pasan inadvertidas al leer los documentos por separado. Los contextos pueden ordenarse por la palabra inmediatamente anterior, por la posterior, por la fuente o por la fecha.

Imaginemos una búsqueda de *adherencia* en documentos sanitarios. Una serie de ejemplos construidos para esta explicación podría incluir *baja adherencia del paciente*, *dificultades de acceso que comprometen la adherencia*, *adherencia estimada por autorreporte* y *favorecer la adherencia mediante seguimiento*. La misma palabra participa en marcos distintos. En el primero aparece como propiedad atribuida al paciente, en el segundo como resultado condicionado por un sistema, en el tercero como variable sometida a medición y en el cuarto como objetivo de una intervención. Interesa el patrón completo, más allá del sustantivo aislado.

La ventana KWIC tiene una limitación, ya que el fragmento visible puede omitir la negación, la atribución a una voz o el antecedente que permite entender la expresión. Ante un resultado relevante hay que abrir el documento entero. Un titular que parece responsabilizar a una persona puede formar parte de una noticia que cuestiona explícitamente esa acusación. Debe observarse también si la expresión pertenece al autor del texto, a una cita o a un fragmento copiado de otra fuente.

Un estudio cuidadoso combina la inspección extensiva con la intensiva. Las concordancias permiten reconocer familias de usos, mientras que la lectura de casos completos permite interpretarlas. Puede ser útil seleccionar casos típicos, casos extremos y ejemplos que contradigan la hipótesis inicial. Los casos negativos tienen un valor especial, porque impiden presentar una asociación frecuente como regla sin excepciones. Sinclair (1991) contribuyó a consolidar esta manera de examinar las unidades léxicas a través de sus contextos repetidos.

## Colocaciones y asociaciones entre palabras

Una colocación es la tendencia de ciertas palabras a aparecer juntas en un entorno definido. El criterio puede ser una ventana de cinco palabras a cada lado, una relación sintáctica o una construcción gramatical específica. Buscar los adjetivos que acompañan a *crisis* plantea una pregunta diferente de buscar cualquier palabra que aparezca cerca de ese sustantivo. La primera búsqueda delimita una relación. La segunda descubre asociaciones que después habrá que clasificar. Una misma palabra puede tener colocaciones distintas en noticias económicas, narraciones personales y documentos médicos.

La asociación se calcula con medidas que responden a preguntas diferentes. La información mutua puntual (*pointwise mutual information*, PMI) puede destacar combinaciones relativamente exclusivas aunque sus frecuencias sean bajas. Las medidas basadas en evidencia estadística tienden a favorecer patrones suficientemente frecuentes. Otras buscan equilibrar la fuerza de la asociación con la cantidad de ocurrencias. Los valores dependen de la ventana, las frecuencias marginales, los filtros aplicados y el tamaño del corpus. Elegir la medida después de ver cuál produce el resultado más llamativo aumenta el riesgo de confirmación retrospectiva.

La proximidad tampoco permite inferir causalidad ni equivalencia semántica. Que *paciente* aparezca a menudo junto a *difícil* puede deberse a relatos sobre procedimientos difíciles para el paciente, a expresiones que critican la etiqueta *paciente difícil* o a una formulación institucional que efectivamente lo califica así. Las concordancias permiten distinguir estas posibilidades. En los corpus comparativos es recomendable contrastar las asociaciones con muestras completas y examinar su estabilidad entre documentos.

Stubbs (2001) mostró la utilidad de analizar patrones recurrentes para comprender los valores y las expectativas asociados a las expresiones. Esos patrones pertenecen al uso social del lenguaje y no deben confundirse con asociaciones psicológicas estables alojadas en la mente de cada hablante. La colocación es una propiedad observable de las distribuciones textuales que adquiere valor discursivo cuando se reconstruyen las prácticas donde ocurre.

## Palabras clave, contraste y elección del corpus de referencia

En lingüística de corpus, una *palabra clave* (*keyword*) se define por su frecuencia relativa y no por la importancia de su significado. Es una forma cuya frecuencia destaca cuando se compara un corpus de interés con otro de referencia, de modo que el contraste responde a una pregunta relativa. Si un corpus de cartas de reclamo se compara con un conjunto amplio de novelas, probablemente emerjan *solicitud*, *reembolso* o *plazo*. El resultado revela diferencias entre géneros antes que rasgos específicos de la institución examinada. Si el objetivo es comparar prácticas de atención, la referencia más informativa podría reunir cartas de otras organizaciones o comunicaciones de distintos periodos.

La elección de la referencia es, por tanto, una decisión teórica. Un término puede parecer distintivo frente a una población general de textos y ser común dentro del mismo ámbito profesional. Hay que examinar también las categorías gramaticales y la variación morfológica. Un cambio en la distribución de *debe* puede reflejar obligación, conjetura o una diferencia en los tipos de oración utilizados. Las búsquedas tienen que permitir distinguir esos usos cuando la hipótesis lo requiere.

Las medidas estadísticas de *keyness* dan índices de desviación respecto de una distribución esperada. Algunas detectan contrastes en grandes volúmenes de datos aunque su magnitud práctica sea pequeña. Por eso deben acompañarse de tasas normalizadas, diferencias de proporciones y examen contextual. Hay que considerar, además, que una lista de cientos de términos destacados supone múltiples comparaciones. Si se ensayan demasiadas hipótesis sin corrección ni validación, algunos hallazgos surgirán por azar.

La pregunta sustantiva persiste después de obtener la lista. ¿Qué prácticas explica el contraste? ¿Está distribuido entre las fuentes? ¿Puede atribuirse a una persona que aparece reiteradamente o a una plantilla institucional? Sin estas comprobaciones, las palabras clave terminan siendo una clasificación de géneros disfrazada de análisis ideológico.

## Preferencia semántica, prosodia discursiva y patrones

Las colocaciones pueden agruparse por campos de significado. Una expresión aparece repetidamente con verbos de amenaza, otra con verbos de apoyo y una tercera con categorías administrativas. En la tradición asociada a Sinclair y desarrollada por otros investigadores de corpus se han estudiado la *preferencia semántica* y la llamada *prosodia semántica*. Esta última denominación se ha empleado de maneras diferentes para describir asociaciones evaluativas que se desarrollan a través de patrones de coocurrencia, por lo que cada investigación debe precisar qué entiende por ella.

Consideremos *desencadenar*. Una inspección inicial de sus contextos podría encontrar *desencadenar una crisis*, *desencadenar una reacción* o *desencadenar un conflicto*. Sería plausible investigar una tendencia hacia eventos problemáticos. Habría que verificarla en un corpus amplio, distinguir los usos metafóricos y observar las excepciones. Seleccionar tres ejemplos compatibles y declarar que el verbo contiene una valoración negativa intrínseca sería un procedimiento insuficiente.

Para el análisis del discurso es especialmente útil identificar unidades de significado mayores que la palabra aislada. *Cumplir con el tratamiento* puede presentarse como una obligación individual, mientras que *hacer posible la continuidad del tratamiento* organiza la misma cuestión como un problema de condiciones asistenciales. Las diferencias de construcción desplazan la atención hacia actores y responsabilidades distintos. Intervienen también las formas gramaticales, las modalidades y las construcciones impersonales.

Una limitación de los análisis automáticos es que las categorías semánticas dependen de decisiones previas. Un modelo vectorial puede agrupar palabras por similitud distribucional, aunque esa similitud varía con el corpus utilizado y puede confundir sentidos diferentes. La inspección de expresiones concretas conserva una función de control que ningún índice abstracto reemplaza por completo.

## Del patrón al argumento discursivo en un caso construido

Imaginemos un estudio ficticio de doscientas comunicaciones institucionales sobre listas de espera, distribuidas en dos periodos. El grupo investigador quiere saber si cambió la manera de presentar la demora. Diseña el corpus manteniendo constantes, en lo posible, el tipo de institución y el género de los comunicados. Conserva el identificador de cada documento, la fecha y el lugar de publicación. Después de eliminar los duplicados, registra las expresiones relacionadas con la espera, la disponibilidad, la prioridad y la responsabilidad.

El primer análisis encuentra un aumento de la frase *se ha producido un retraso* en el segundo periodo. Las concordancias muestran que suele aparecer junto a justificaciones administrativas. Al revisar los textos completos se observa, sin embargo, que algunos comunicados incluyen después el compromiso *asumimos la responsabilidad de reorganizar la atención*. Para esos documentos sería incorrecto interpretar la estructura impersonal inicial como prueba de evasión. En otros, el retraso se atribuye enteramente a circunstancias externas sin información suficiente para evaluar esa explicación.

Los investigadores amplían entonces el esquema de anotación. Distinguen la mención del retraso, la atribución causal explícita, la asunción de responsabilidad y las medidas correctivas anunciadas. Registran también los casos en que varias categorías coexisten. Revisan un subconjunto de decisiones ambiguas y examinan si el cambio se concentra en determinadas instituciones. El resultado final podría mostrar una transformación de las estrategias de presentación pública acompañada de heterogeneidad institucional. Esa conclusión sería más estrecha que afirmar que *las instituciones dejaron de responsabilizarse*, aunque estaría mejor respaldada.

El ejemplo deja ver la articulación metodológica. La búsqueda identifica un patrón y la concordancia revela sus usos. El retorno al documento recupera el argumento completo, la anotación vuelve comparables los casos y el análisis de la distribución impide las generalizaciones apresuradas. La interpretación final depende del vínculo entre estas operaciones y la pregunta que organizó el diseño. Baker y colaboradores (2008), en una investigación sobre las representaciones de refugiados y solicitantes de asilo en un corpus de 140 millones de palabras de prensa británica, mostraron cómo combinar herramientas de corpus con un análisis discursivo detallado sin reducir la investigación a una lista de términos.

## Corpus orales, interacción y límites de las transcripciones

En el lenguaje hablado, el archivo de audio tiene propiedades que la transcripción ortográfica habitual no conserva. Las pausas, los solapamientos, las vacilaciones, la velocidad y los cambios prosódicos pueden modificar la acción realizada por una frase. *Está bien* puede expresar aceptación, resignación, cierre de una discusión o ironía. Un corpus de transcripciones permite localizar la secuencia verbal sin que alcance siempre para distinguir estos valores. Cuando se investigan funciones interaccionales, el acceso a la grabación original forma parte del método.

La segmentación introduce también supuestos. Una pausa puede ocurrir sin que termine la oración. Un turno puede quedar gramaticalmente suspendido porque el interlocutor lo completa. Las respuestas breves, los sonidos de asentimiento y las emisiones simultáneas son datos para estudiar cómo se sostiene la conversación. Un sistema automático de reconocimiento del habla suele producir un texto legible, aunque puede normalizar discontinuidades que serían relevantes en un estudio de la interacción.

Los corpus orales amplios permiten investigar regularidades por grupos, contextos y periodos. El análisis de la conversación, que se desarrolla en el texto siguiente, suele atender a la organización minuciosa de secuencias registradas. Los dos enfoques pueden complementarse. Con todo, una frecuencia de formas dentro de un corpus deja sin explicar qué acción local realizan los interlocutores. Una respuesta aparentemente afirmativa puede ser un desacuerdo mitigado si sigue a una propuesta y precede a una objeción.

En las entrevistas clínicas hay que registrar quién formula cada pregunta y qué respuesta provoca. Contar las negaciones emitidas por los pacientes puede ser engañoso si un profesional usa mayoritariamente preguntas de respuesta sí o no sobre síntomas ausentes. Parte de la frecuencia observada deriva entonces del formato de indagación. Las características del entrevistador, el procedimiento y la transcripción deben considerarse antes de atribuir el patrón al estado clínico de una persona.

## Errores estadísticos, modelos computacionales y causalidad

La disponibilidad de programas ha facilitado la exploración de grandes colecciones y ha multiplicado los procedimientos posibles sobre los mismos datos. Un investigador puede probar miles de expresiones, ventanas de coocurrencia y agrupaciones hasta encontrar un contraste aparentemente impresionante. Si solo informa el resultado seleccionado, se pierde la dimensión exploratoria de la búsqueda. La transparencia exige distinguir las hipótesis previas de los hallazgos generados después de inspeccionar el corpus.

En los estudios comparativos pesa la dependencia entre textos. Cien mil frases de cincuenta participantes siguen siendo datos de cincuenta personas. Los intervalos de incertidumbre, las pruebas de permutación y los métodos de remuestreo deben respetar, cuando corresponda, la unidad documental o individual. La normalización de frecuencias resuelve el problema del tamaño desigual de los corpus, pero deja intactas las diferencias de selección, la confusión por género y los sesgos de anotación.

Los sistemas de aprendizaje automático permiten clasificar textos, agrupar temas y estimar semejanzas. Sus salidas pueden orientar la lectura de grandes volúmenes de material. Un modelo temático agrupa patrones estadísticos, mientras que los nombres asignados a los grupos son interpretaciones humanas. Un LLM puede proponer categorías de discurso, aunque su fluidez nada dice sobre si aplicó criterios estables. Hay que evaluar su desempeño con datos independientes, revisar los casos discrepantes y documentar las versiones y las instrucciones de procesamiento.

La inferencia causal queda todavía más restringida. Si una reforma coincide con cambios en los comunicados institucionales, podría existir una influencia directa, aunque también pudieron cambiar los responsables de prensa, el medio de publicación o las exigencias legales. El corpus detecta una variación en el lenguaje registrado. Atribuirle una causa requiere diseños temporales y evidencias adicionales. Las correlaciones discursivas son hechos que piden una explicación, la cual debe construirse aparte.

## Privacidad, poder y representación de personas

Los corpus que contienen experiencias personales plantean dilemas particulares. Aunque un texto sea públicamente accesible, sus autores pueden no anticipar que será reunido, cruzado con otras fuentes y sometido a análisis automatizado. En poblaciones pequeñas, unas pocas expresiones bastan para reconocer a una persona, incluso si se eliminaron nombres y números identificadores. Las citas textuales pueden localizarse mediante buscadores. El protocolo de investigación debe sopesar el consentimiento, las bases legítimas del tratamiento de datos, los riesgos de reidentificación y las posibilidades reales de minimizar el daño.

En salud mental, las palabras forman parte de una relación clínica en la que el entrevistador participa activamente. Convertir transcripciones en indicadores diagnósticos sin considerar esa relación introduce errores interpretativos y puede amplificar desigualdades lingüísticas. La edad, la escolaridad, el dialecto, el estado cognitivo, los tratamientos y el contexto de la entrevista influyen en la expresión. El mismo contenido puede, además, expresarse en registros muy diferentes. Un hallazgo estadístico de grupo nunca permite inferir automáticamente algo sobre un individuo.

Hay que examinar también el poder del investigador para establecer categorías. Calificar reiteradamente de *resistencia* las respuestas que cuestionan una pregunta profesional puede desatender la posibilidad de que esa pregunta fuera imprecisa o tendenciosa. El corpus permite revisar ejemplos y discutir decisiones. El punto de vista desde el cual se organiza la investigación sigue presente. Documentar los casos negativos, contar con la participación de expertos en el contexto estudiado y discutir explícitamente las interpretaciones alternativas reduce el riesgo de presentar prejuicios como resultados de una medición neutral.

Compartir los resultados exige equilibrar verificabilidad y confidencialidad. Puede ser apropiado publicar estadísticas agregadas, diccionarios de categorías, materiales sintéticos y procedimientos computacionales, mientras los registros originales permanecen en un entorno protegido. La protección de los datos tampoco justifica omitir la descripción del método. Deben quedar claros los criterios de inclusión, el volumen y la composición del corpus, las transformaciones realizadas y los límites de acceso.

## Cómo informar un estudio para que otro investigador pueda evaluarlo

Un informe metodológico completo permite reconstruir el recorrido entre la pregunta, la muestra y la conclusión. Debe presentar la población buscada, el modo de recopilación, las fechas, las exclusiones, el número de documentos y de palabras, así como las condiciones de acceso. Luego corresponde describir la transcripción o extracción del texto, las transformaciones automáticas, el sistema de anotación y sus comprobaciones. Las medidas de frecuencia, asociación o contraste deben identificarse junto con sus parámetros y denominadores.

Los resultados ganan claridad cuando muestran tanto distribuciones como ejemplos contextualizados. Una tabla de frecuencias puede acompañarse de concordancias seleccionadas con un criterio explícito y de pasajes completos que permitan evaluar la lectura discursiva propuesta. Cuando hay discrepancias, hay que informar qué se hizo con ellas. Los patrones que no se sostuvieron en subgrupos o periodos distintos pueden ser tan informativos como los que se mantuvieron.

El análisis de corpus deja una enseñanza metodológica más general. La escala amplía la observación y reduce la dependencia de ejemplos escogidos de antemano, aunque a cambio obliga a justificar la selección de los datos y las operaciones que convierten documentos en conteos. Entre un millón de palabras y una afirmación sobre el discurso social median decisiones de diseño, lectura e inferencia. Cuanto mejor documentadas estén, más fácil será distinguir lo que se ha descubierto de lo que sigue abierto.

## Referencias y lecturas

- Baker, P. (2006). *Using Corpora in Discourse Analysis*. Continuum.
- Baker, P., Gabrielatos, C., KhosraviNik, M., Krzyżanowski, M., McEnery, T., & Wodak, R. (2008). A useful methodological synergy? Combining critical discourse analysis and corpus linguistics to examine discourses of refugees and asylum seekers in the UK press. *Discourse & Society, 19*(3), 273–306. https://doi.org/10.1177/0957926508088962
- Biber, D., Conrad, S., & Reppen, R. (1998). *Corpus Linguistics: Investigating Language Structure and Use*. Cambridge University Press. https://doi.org/10.1017/CBO9780511804489
- McEnery, T., & Hardie, A. (2012). *Corpus Linguistics: Method, Theory and Practice*. Cambridge University Press. https://doi.org/10.1017/CBO9780511981395
- Sinclair, J. (1991). *Corpus, Concordance, Collocation*. Oxford University Press.
- Stubbs, M. (2001). *Words and Phrases: Corpus Studies of Lexical Semantics*. Blackwell.

---