¿Qué es la Iniciativa de Codificación de Textos?
|Cornucopia TEI, segunda parte
Texte intégral
Asuntos editoriales
1Cuando se emprende la digitalización de materiales de fuentes primarias, la primera prioridad suele ser producir imágenes digitales de buena calidad de los documentos originales de la fuente. La transcripción y codificación de esas imágenes es una operación costosa y difícil que no se puede automatizar fácilmente, si es que se hace, pero es un paso importante en la creación de una verdadera “edición digital”. Para el lector humano avezado, la imagen digital de sus páginas puede ser todo lo que se necesita para que la fuente sea útil. Sin embargo, para un público más amplio, y desde luego para cualquier tipo de análisis o búsqueda automatizada, una transcripción codificada será un complemento esencial a la imagen. TEI dispone de una variedad de mecanismos para facilitar la producción de ediciones digitales de todo tipo.
Imagen y transcripción
2Anteriormente hemos mencionado el elemento <facsimile> (facsímil), que puede utilizarse para agrupar y organizar las imágenes digitales en función de las superficies físicas que representan —mediante el elemento <surface> (superficie)— y de las zonas lógicas de interés dentro de esas superficies —mediante el elemento <zone> (zona)—. Un <facsimile> puede ser todo lo que contenga un documento TEI, o puede estar complementado por una transcripción.
3Cuando se dispone tanto de un facsímil como de una transcripción, se puede utilizar un atributo global @facs para vincularlos o vincular algunas de sus partes, según convenga. Supongamos, por ejemplo, que tenemos una sola hoja, con imágenes de sus dos superficies en dos archivos llamados pag1r.png y pag1v.png respectivamente. Transcribimos ambas superficies dentro de un elemento <text>, como es habitual, utilizando <pb> para marcar los puntos de la transcripción que se corresponden con el inicio de cada nueva página en la fuente. El documento resultante podría tener el siguiente aspecto:
<facsimile>
<surface xml:id="s1">
<graphic url="pag1r.png"/>
</surface>
<surface xml:id="s2">
<graphic url="pag1v.png"/>
</surface>
</facsimile>
<text>
<body>
<pb facs="#s1"/>
<!-- texto transcrito de la página 1 recto aquí -->
<pb facs="#s2"/>
<!-- final texto transcrito de la página 1 verso aquí -->
</body>
</text>
4Nótese que asociar la transcripción con la superficie en lugar de con el archivo de imagen directamente nos ofrece la flexibilidad de añadir más archivos de imagen (de mayor o menor resolución, por ejemplo) sin alterar la estructura.
5El atributo @facs utilizado anteriormente es global, por lo que puede utilizarse para asociar cualquier parte de una transcripción con cualquier parte de un elemento <facsimile>. Podríamos, por ejemplo, vincular algunas palabras de la transcripción con la parte de la imagen en la que aparecen.
Edición de una transcripción
6Al transcribir una fuente, sobre todo una antigua, siempre existe una tensión entre el deseo de representar fielmente el estado real del documento y el deseo de conseguir que ese documento sea comprensible para un lector contemporáneo no especializado. El proceso de transcripción conlleva necesariamente una especie de normalización, en la que los diferentes símbolos escritos (los glifos) de un manuscrito o de un documento impreso antiguo se mapean en los códigos inequívocos de un conjunto de caracteres moderno. Por lo tanto, una codificación que intente representar las palabras de un documento producido según normas diferentes de las nuestras, o corregir errores “evidentes” en el texto de la copia resulta casi inevitable. TEI proporciona formas de marcar tramos de texto como normalizados o corregidos por el codificador, independientemente de que consideremos esto como “edición” en el sentido tradicional.
7Ya hemos mencionado que TEI se inscribe conscientemente en la larga tradición filológica occidental que se ocupa de la identificación y recuperación de textos a partir de testimonios documentales dispersos. Por lo tanto, no es de extrañar que también ofrezca facilidades para representar fenómenos como la corrección o la alteración por parte de los escribas, cuando se manifiestan en un documento concreto, o para representar un cotejo de lecturas variantes. Mientras que los editores de textos anteriores a la era digital se ocupaban necesariamente de la producción de una única versión impresa de un texto, minuciosamente preparada y corroborada, la economía de la producción digital ha facilitado enormemente la producción de ediciones digitales o documentales “diplomáticas”, que pretenden presentar objetivamente los hechos de una determinada colección de documentos de forma que el lector pueda determinar la plausibilidad de cualquier versión “editada” que la acompañe, o incluso derivar dicha edición por sí mismo.
8Al transcribir un texto fuente, se puede utilizar el elemento <corr> (corrección) para encerrar una parte que ha sido corregida y el elemento <reg> (regularización) para una parte que ha sido normalizada. En el caso contrario, se puede utilizar el elemento <sic> (así) cuando algo debería haber sido corregido pero no lo ha sido; y el elemento <orig> (original) para los casos en que se ha conservado la ortografía original aunque parezca desconocida. Por ejemplo, una versión modernizada del soneto de Shakespeare mostrado anteriormente probablemente comenzaría:
<l>My Mistress' eyes are nothing like the sun,</l>
<l>Coral is far more red than her lips red,</l>
9Incluso en una versión modernizada de este tipo, un codificador concienzudo que desee mostrar dónde se ha apartado de la fuente original puede simplemente encerrar las palabras Mistress', sun, etc. en el elemento <reg>. Sin embargo, lo más habitual es que un codificador desee conservar la ortografía original junto con la versión modernizada, de modo que cualquiera de ellas esté disponible para su visualización. El elemento <choice> (elección) atiende a este requisito:
<l>
My
<choice>
<reg>Mistress'</reg>
<orig>Mistres</orig>
</choice>
eyes are nothing like the
<choice>
<reg>sun</reg>
<orig>Sunne</orig>
</choice>,
</l>
<l>
<choice>
<reg>Coral</reg>
<orig>Curral</orig>
</choice>
is far more red
<choice>
<reg>than</reg>
<orig>then</orig>
</choice>
her lips red,
</l>
10El elemento <choice> puede utilizarse cuando sean posibles varias codificaciones diferentes, pero solo se pueda elegir una de ellas para una aplicación concreta. Es menos apropiado cuando haya muchos testimonios posibles diferentes, que proporcionen múltiples lecturas, todas las cuales deben tenerse en cuenta. TEI dispone de un conjunto más potente y complejo de etiquetas para marcar un aparato crítico tradicional de este tipo. El elemento <app> (aparato) se utiliza para marcar el punto donde se está considerando una variante; dentro de este elemento, el codificador puede suministrar una serie de elementos <rdg> (reading, lectura), uno por cada lectura variante identificada. Si la política editorial lo permite, una de estas lecturas puede considerarse como la “primaria” o “correcta”, en cuyo caso se etiquetará mediante el elemento <lem> en lugar de como otro <rdg>. El elemento <rdg> tiene un atributo @wit que puede utilizarse para identificar los testimonios en los que se atestigua la lectura en cuestión. Por ejemplo, la primera línea del Cuento de la esposa de Bath de Chaucer comienza: Experience though noon Auctoritee ..., aunque su primera palabra está escrita de forma muy diferente en tres de los manuscritos que se conservan. En conjunto, estas variaciones ortográficas aportan pruebas útiles para la reconstrucción de la historia de la tradición manuscrita en cuestión, por lo que nuestra codificación desea preservarlas. Podríamos hacerlo de la siguiente manera:
<l n="1">
<app>
<rdg wit="#El #Hg">Experience</rdg>
<rdg wit="#La">Experiment</rdg>
<rdg wit="#Ra2">Eryment</rdg>
</app> though noon Auctoritee ...
</l>
11Aquí los valores del atributo @wit identifican los manuscritos en cuestión: como indica el signo de numeral, son en realidad enlaces a elementos de una lista de los manuscritos que se cotejaron para producir este aparato.
Codificación del proceso de escritura
12Consideremos ahora un último ejemplo de las posibilidades que TEI ofrece para trabajar en la transcripción detallada de materiales de fuentes primarias. Aquí se muestran algunos de los elementos necesarios para registrar el proceso de escritura real, por ejemplo para registrar los pasajes que han sido suprimidos, añadidos, corregidos, etc., ya sea por el autor de un texto literario o por un escriba que copia un manuscrito. El análisis de estas modificaciones documentales puede ser esencial antes de presentar un texto para lectura y resulta de evidente importancia en el proceso de redacción.
13El ejemplo está tomado del manuscrito de autor que se conserva de un poema del escritor inglés Wilfred Owen, del que se muestra una parte:
Figura 6

Detalle de Dulce et decorum est, manuscrito autógrafo conservado en la English Faculty Library de la Universidad de Oxford
14Owen escribió primero Helping the worst among us, pero luego lo borró, añadiendo Dragging the worst amongt us encima. Asimismo, revisó la frase half-blind borrando half y añadiendo all encima. En la última línea, Owen empezó a escribir una palabra que comenzaba por fif, antes de borrarla para escribir la palabra five-nines. Podemos codificar todo esto como sigue:
<l>And towards our distant rest began to trudge,</l>
<l>
<subst>
<del>Helping the worst amongst us</del>
<add>Dragging the worst amongt us</add>
</subst>, who'd no boots
</l>
<l>But limped on, blood-shod. All went lame;
<subst>
<del>half-</del>
<add>all</add>
</subst> blind;
</l>
<l>Drunk with fatigue; deaf even to the hoots</l>
<l>Of tired, outstripped
<del>fif</del>
five-nines that dropped behind.
</l>
15Los elementos <add> (adición) y <del> (deletion, eliminación) se utilizan para encerrar los pasajes añadidos o borrados, respectivamente. Existen atributos adicionales como @resp para indicar la responsabilidad de la modificación, o @place para indicar en qué parte del texto (por ejemplo, por encima o por debajo de la línea) se ha realizado la modificación. Cuando el codificador desee afirmar que la adición y la supresión constituyen un único acto editorial de sustitución, estos elementos pueden combinarse dentro de un elemento <subst>, como se muestra arriba.
16Un examen muy cuidadoso de la segunda modificación muestra que Owen en realidad escribió amongt en lugar de amongst, presumiblemente por error. Un editor igualmente cuidadoso que desee restaurar la s que falta podría utilizar el elemento <subst> (sustitución) para indicar que lo ha hecho:
<add>
Dragging the worst
among<supplied resp="#ED">s</supplied>t us
</add>
17Aquí se ha utilizado el atributo @resp para indicar que la s no la escribió Owen sino otra persona, en concreto la persona documentada en otro lugar por un elemento con el identificador ED.
Transcripción de un discurso oral
18El soporte digital almacena y representa sonido o video con la misma facilidad y eficacia con la que lo hace con imágenes. Las transcripciones de las grabaciones de sonido o vídeo pueden utilizarse para complementarlas del mismo modo que se utilizan para complementar las imágenes de las páginas. Ya sean producidas de forma automática o manual, las transcripciones de discursos orales son de especial interés para numerosas ramas de la lingüística; por ejemplo, en los estudios de adquisición del lenguaje, en los estudios de las variaciones del lenguaje o de la relación entre el discurso oral y el escrito tanto en las sociedades alfabetizadas como en las prealfabetizadas. El estudio del habla transcrita es también un componente esencial de estudios sociológicos como la historia oral.
19Sin embargo, no hay acuerdo universal sobre las unidades en las que se lleva a cabo dicho análisis —en términos de TEI, los elementos que componen un <texto> que contiene un discurso transcrito—, e incluso pueden ser controvertidas. Otro factor que complica las cosas es que el proceso de transcripción del habla es técnicamente difícil y a menudo se lleva a cabo con la ayuda de software para fines específicos; esto es una complicación porque la mayoría de estos programas tienden a utilizar sus propios formatos internos en lugar de un estándar definido externamente.
20No obstante, TEI propone un conjunto de elementos que pueden ser útiles para la codificación detallada de las transcripciones de voz y que, según un artículo reciente de Thomas Schmidt, podrían utilizarse como una especie de interlingua para los métodos de codificación alternativos existentes.
21El modelo de TEI se ocupa del habla como sistema comunicativo; por ello, propone el etiquetado explícito de cualquier parte de un sonido grabado que tenga una función o efecto comunicativo. Así, acontecimientos como el toque de una campana o el sobrevuelo de un avión se señalan explícitamente mediante el elemento <incident> (incidente). La comunicación oral se efectúa mediante la voz, pero no todos los efectos vocales se consideran léxicos y no toda la comunicación es vocal; por ello, TEI proporciona el elemento <vocal> (vocal) para los fenómenos no léxicos, como la tos o la risa, así como el elemento <kinesic> (cinético) para los fenómenos no léxicos y no vocales, como los gestos o la expresión facial. Estos elementos se complementan con otros relacionados con lo que podría llamarse la representación (rendition) del discurso, especialmente <pause> (pausa) y <shift> (elevación); este último se utiliza para indicar cambios en la calidad de la voz (por ejemplo, en el volumen, el tono o la velocidad). Estos funcionan de forma muy similar a los elementos de hito introducidos anteriormente.
22Una de las nociones más controvertidas en la investigación del discurso hablado es la de turno de palabra (turn) o proferencia (utterance). TEI ofrece el elemento <u> (proferencia), que puede utilizarse para delimitar un fragmento de discurso de un solo hablante, sin hacer ninguna afirmación sobre el estatus o la función discursiva de dicho fragmento. El elemento lleva un atributo @who (quién) que puede utilizarse para vincularlo a otro elemento que proporcione información sobre la persona que habla, tal como hemos visto ya para el atributo @ref.
23Para muchos tipos de análisis lingüístico, el elemento <s> mencionado anteriormente puede ser una forma más útil de organizar una transcripción, ya que permite al codificador categorizar cada segmento independientemente del enunciado que lo contiene, sobre todo porque los enunciados pueden ser mucho más largos (o cortos) que las unidades de análisis habituales.
24A continuación presentamos un ejemplo simplificado tomado del British National Corpus (BNC) en el que se han utilizado tanto <s> como <u> para segmentar la señal del discurso transcrito:
<u who="#PS6P0">
<s n="3">There ain't</s>
</u>
<u who="#PS6NY">
<s n="4">
<shift new="riendo"/>There is<shift/>
</s>
</u>
<u who="#PS6P0">
<s n="5">Oh shut up</s>
</u>
<u who="#PS6NY">
<s n="6">Ach you do get corners on boats</s>
</u>
<u who="#PS6P0">
<s n="7">No</s>
<s n="8">Boats are shaped like a bloody rugby ball shape type</s>
</u>
<u who="#PS6NY">
<s n="9">No they ain't</s>
<s n="10">One end is and the other one ain't <pause/> and it was
a yacht <pause/> and a yacht they got little rooms in or something cos
<unclear/> innit</s>
</u>
<u who="#PS6P0">
<s n="11">Oh that<pause/> th the rooms are shaped ni <pause/>
like to the size of the boat<pause/> you nonce
<vocal desc="chasqueo"/>
</s>
</u>
<u who="#PS6NY">
<s n="12">Let's ask your Mum if there's <pause/> if there's any
corners on a boat</s>
</u>
<u who="#PS6P0">
<s n="13">Of course there ain't</s>
</u>
<u who="#PS6NY">
<s n="14">Just ask your Mum that</s>
</u>
<u who="#PS6P0">
<s n="15">Yeah</s>
</u>
<u who="#PS6NY">
<unclear/>
</u>
<u who="#PS6P0">
<s n="16">I bet she'll probably side with you</s>
</u>
25Al transcribir el discurso oral, el transcriptor también debe tomar decisiones sobre cómo representar los sonidos no estándar o solo semi-lexicalizados que emiten los hablantes, como hmmm, o el ach o el tsk del ejemplo anterior (en este caso se ha optado por tratar el primero como palabra y el segundo como <vocal>). Incluso cuando está claro que el sonido es léxico, no siempre está claro cómo debe escribirse: por ejemplo, el sonido representado arriba como yeah podría escribirse igualmente yeh o yuh o incluso yes.
26En los corpus lingüísticos de este tipo también es una práctica común marcar cada palabra explícitamente, a menudo utilizando el elemento <w> (word, palabra). Decidir cómo debe hacerse esta tokenización no siempre es evidente: en el BNC, por ejemplo, las formas elididas como ain't y there's se etiquetan como sendos elementos <w>, y se utilizan etiquetas adicionales para distinguir los inicios falsos o las formas truncadas como th y ni en el ejemplo anterior. Sin embargo, el uso principal de este etiquetado es proveer información adicional como el análisis de categorías gramaticales o el análisis morfosintáctico, tal como describiremos en la sección Anotación lingüística más adelante.
27Hay otra función importante del modelo de TEI para la transcripción del habla: la alineación. Mientras que en una imagen la transcripción debe alinearse dentro de un espacio de coordenadas bidimensional, en un medio basado en el tiempo como el audio, las distintas partes de una transcripción deben situarse en el tiempo. Los hablantes suelen interrumpirse unos a otros, o hablar al mismo tiempo; la comprensión de un diálogo es imposible sin información sobre la secuencia de eventos transcritos. TEI propone una forma de registrar explícitamente una especie de escala temporal, utilizando el elemento <timeline> (línea de tiempo), que contiene definiciones de puntos en el tiempo, representados como elementos <when> (cuándo). Los eventos de una transcripción que tienen lugar en un punto determinado del tiempo pueden entonces alinearse con los elementos <when> apropiados utilizando atributos como @sync (sincrónico). La ventaja de este método es que permite que una transcripción represente el mínimo de información necesaria para alinear sus componentes, sin necesidad de una marca de tiempo precisa para cada uno de ellos; sin embargo, dicha marca de tiempo generalmente lo proporciona un sistema de transcripción automática y, por lo tanto, puede ser más sencillo utilizarlo.
Diccionarios
28TEI dispone de elementos para la codificación detallada de tan solo un reducido conjunto de tipos de documentos distintos, ya que en general prefiere definir elementos específicos para determinados tipos de análisis o enfoques. Sin embargo, sí proporciona un conjunto de etiquetas para el marcado de diccionarios y léxicos, quizás porque históricamente estos se encuentran entre el tipo de obras de referencia que primero demostraron poder manejarse manifiestamente mejor en forma digital que impresa.
29Los diccionarios, sobre todo en forma impresa, se diferencian de la mayoría de documentos en que no consisten en un texto seguido, sino en entradas separadas dentro de las cuales se pueden reconocer fácilmente los subcomponentes individuales y semánticamente significativos (aunque no siempre se presenten tan sistemáticamente como desearía un diseñador de bases de datos). Una entrada de diccionario siempre tiene una palabra principal o lema, seguida normalmente de alguna información lingüística, como su categoría gramatical, y de una serie de definiciones de sentido, a menudo ordenadas jerárquicamente. También puede haber información etimológica, ejemplos de uso, referencias a homónimos, etc.
30En una codificación al estilo de TEI, todas estas y otras partes de una entrada se distinguirán tan claramente como sea posible, tanto si el propósito es producir un nuevo diccionario (donde todos estos elementos deben presentarse de modo coherente), como si se trata de representar uno ya existente (donde distinguirlos mejorará el rango de búsqueda inteligente).
31En un primer ejemplo sencillo, consideremos la imagen siguiente:
32Una codificación TEI mínima para esta entrada distinguiría la forma de la palabra utilizada como lema, su codificación ortográfica y gramatical, la etimología proporcionada y los dos sentidos:
<entry>
<form type="lema">
<orth rend="mayúsculas">A'PPLE</orth>.
<gramGrp>
<pos norm="nombre">n.s.</pos>
</gramGrp>
</form>
<etym>
[<foreign xml:lang="ang">æppel</foreign>,
<lang>Saxon</lang>.]
</etym>
<sense n="1">
<def>The fruit of the apple tree.</def>
<cit>
<quote type="verso">
<l>Tall thriving trees confess'd the fruitful mold;</l>
<l>The red'ning <hi>apple</hi> ripens here to gold.</l>
</quote>
<bibl>Pope's <title>Odyssey</title>.</bibl>
</cit>
</sense>
<sense n="2">
<def>The pupil of the eye.</def>
<cit>
<quote>
He instructed him; he kept him as the apple of his eye.
</quote>
<bibl>Deut. ii. 10.</bibl>
</cit>
</sense>
</entry>
Notas
33Los textos, sobre todo los antiguos, suelen ir acompañados de extensas anotaciones y comentarios, ya sea aportados por el escritor original o, más frecuentemente, por un editor o comentarista posterior. Todos los escritos académicos, del tipo que sean, se caracterizan también por las notas a pie de página, las notas al margen, las glosas, las referencias bibliográficas, etc. El modo más natural de etiquetar todas estas características es utilizar un elemento <note> (nota) para contener la anotación propiamente dicha, e incrustarla dentro del texto que se anota en el “punto de anclaje” (point of attachment), es decir, el lugar donde suele aparecer una llamada a nota a pie de página u otra marca en un texto impreso. Los atributos del elemento <note> pueden utilizarse para categorizarlo de alguna manera, para indicar su ubicación aproximada y para indicar quién es el responsable de ella.
34Según la práctica moderna de impresión (especialmente en las publicaciones anglosajonas), las anotaciones explicativas suelen trasladarse al final del libro. Por ejemplo, en una discusión sobre las actitudes contemporáneas hacia los lingüistas publicada en 1995, encontramos el siguiente comentario:
35El número 6, aquí en superíndice, significa aquí que la autora ha ofrecido un comentario adicional, que aparece debidamente recogido unas dieciocho páginas después:
36Un modo simple de codificar el texto principal podría ser el siguiente:
<div>
<head>Beyond "anything goes"</head>
<p>
Why does the language-maven in the street
(or the senior common-room, or the bar at the Groucho
Club<note>An establishment patronized by media folk
in London (provided the club will have them as
members).</note>) have such a low opinion of
linguists? Because ...
</p>
</div>
37Aquí la nota se codifica incrustada dentro del texto, aunque en la fuente impresa se hayan separado las notas y el texto. Esto facilita la presentación de la nota de diversas maneras (por ejemplo, como una ventana emergente en una versión en línea) y también simplifica su codificación. Sin embargo, también es perfectamente posible tratar las notas como una sección separada del documento y colocar enlaces explícitos en el texto en el punto de anclaje, utilizando el elemento <ptr>:
<div>
<head>Beyond "anything goes"</head>
<p>
Why does the language-maven in the street
(or the senior common-room, or the bar at the Groucho
Club <ptr target="#nota6"/>) have such a low opinion of
linguists? Because ...
</p>
</div>
<back>
<head>Notes</head>
<!-- otras notas aquí -->
<note xml:id="nota6">
An establishment patronized by media folk in London
(provided the club will have them as members).
</note>
<!-- y aquí -->
</back>
38Para representar el vínculo entre el texto y la nota, primero damos al elemento <note> un identificador único (nota6) y luego colocamos un elemento <ptr> en el punto del texto desde el que queremos referirnos a ella (el “punto de anclaje”). Este elemento puntero representa a la vez el 6 en superíndice en nuestra fuente original e indica que su función es apuntar a la nota cuyo identificador es suministrado por su atributo @target (destino). Alternativamente, si queremos registrar exactamente la forma como aparece el punto de anclaje en el texto, podríamos utilizar el elemento <ref>:
...
the Groucho Club
<ref target="#nota6">6</ref>) have
...
Anotación lingüística
39Durante la preparación de un texto codificado, es natural que el codificador tienda a querer añadir sus propias anotaciones. En cierto sentido, por supuesto, cada pieza de anotación añadida a un texto representa el resultado de un análisis, ya sea humano o automático, y por ello es natural pensar en representar dichas anotaciones de forma gradual mediante anotaciones a un texto digital. El elemento <note> puede utilizarse con este fin. Sin embargo, para muchas personas, los análisis con fines lingüísticos (como esto es un verbo o esta secuencia de palabras tiene esta función sintáctica, o incluso esto es una metáfora) son específicamente diferentes de las anotaciones discutidas en otras partes de este libro (como esto es un título, esto es un nombre personal, etc.). En particular, hay menos consenso sobre las categorías implicadas: la mayoría de la gente estará fácilmente de acuerdo en que “topónimo” es un concepto útil y definible, pero los conceptos que subyacen al análisis lingüístico son mucho más variados. Por ello, TEI no ofrece etiquetas como <name> (sustantivo) o <adjunct> (complemento circunstancial) o <metaphor> (metáfora), sino que propone elementos de uso genérico para segmentar los textos en unidades más pequeñas, cualquiera de las cuales puede llevar etiquetas definidas por el proyecto.
40Este método es particularmente útil cuando el texto digital se analiza automáticamente por medio de software (por ejemplo, por un programa analizador morfosintáctico o un etiquetador de categorías gramaticales), ya que el formato utilizado para las salidas de dichos sistemas automatizados difiere considerablemente. TEI ofrece una forma sencilla de segmentar explícitamente el texto en cuestión en unidades similares a palabras y de asociar códigos lingüísticos a cada uno de esos segmentos. Por ejemplo, al igual que muchos otros corpus lingüísticos, el BNC proporciona códigos que identifican la categoría gramatical (sustantivo, adjetivo, verbo, etc.) de cada palabra, así como su forma base o no flexionada. Por lo tanto, podríamos representar la oración citada anteriormente en TEI de la siguiente manera:
<u who="PS6NY">
<s n="12">
<w ana="#VM0" lemma="lets">Lets </w>
<w ana="#VVI" lemma="ask">ask </w>
<w ana="#DPS" lemma="you">your </w>
<w ana="#NN1" lemma="mum">Mum </w>
<w ana="#CJS" lemma="if">if </w>
<w ana="#EX0" lemma="there">there</w>
<w ana="#VBZ" lemma="be">'s</w>
<w ana="#DT0" lemma="any">any </w>
<w ana="#NN2" lemma="corner">corners </w>
<w ana="#PRP" lemma="on">on </w>
<w ana="#AT0" lemma="a">a </w>
<w ana="#NN1" lemma="boat">boat</w>
<pc>. </pc>
</s>
</u>
41En esta codificación (producida en gran medida de manera automatizada, por supuesto) se ha utilizado el elemento <w> (word, palabra) para delimitar cada ítem léxico. En cada unidad de este tipo, se utiliza el atributo @ana (analysis, análisis) para apuntar a una definición de categoría gramatical, y el atributo @lemma (lema) para proporcionar una forma base.
42Los análisis lingüísticos de este tipo se utilizan desde hace muchas décadas y son esenciales para la mayoría de los sistemas actuales utilizados en el Procesamiento del Lenguaje Natural (NLP, por sus siglas en inglés, Natural Language Processing). En consecuencia, tanto las técnicas utilizadas como las categorías representadas están en proceso de normalización, al menos para las principales lenguas de Europa occidental. El enfoque de TEI permite al codificador elegir cuán mucho o cuán poco desea explicitar el significado del análisis señalado por el atributo @ana: es decir, cómo definir lo que significa realmente VBZ o NN1.
43Un método consiste en proporcionar una definición adicional para la categoría, normalmente como parte de la descripción de la codificación en el encabezado TEI, utilizando un elemento <taxonomy> (taxonomía). Se trata de una definición exclusivamente significativa para un ser humano, pero aún así puede ser muy útil proporcionarla.
44En el otro extremo, las categorías pueden definirse formalmente utilizando las recomendaciones conjuntas TEI/ISO para representar los análisis lingüísticos en términos de estructuras de rasgos (véase además el capítulo 18 de las Directrices TEI ). Este tipo de análisis se utiliza actualmente de forma bastante generalizada en la comunidad del NLP, por ejemplo como medio para mapear la información entre diferentes léxicos computacionales.
45Una solución intermedia consiste en realizar la categorización lingüística con referencia a una norma existente, como la que proporciona el Registro de Categorías de Datos de la ISO (véase Ide y Romary 2009 para mayor información). Este enfoque comparte muchos rasgos con otros intentos de armonización de datos en la web: simplifica la interoperabilidad de los sistemas, del mismo modo que los documentos TEI en general pueden ser interoperables.
46También cabe señalar que los mismos mecanismos pueden utilizarse para cualquier tipo de análisis, no necesariamente lingüístico; los análisis estilísticos (que suelen caracterizar fragmentos de texto superiores a una sola palabra) también pueden codificarse de forma muy parecida, adjuntando el atributo @ana a cualquier elemento que se elija para encerrar dicho tramo de texto, por ejemplo un <p>, <div>, <s>, etc.
47Por supuesto, las unidades de texto que se analizan no coinciden necesariamente con las unidades de texto directamente representadas dentro del texto. En la sección Hitos del capítulo anterior nos hemos referido a una forma de abordar el “problema de solapamiento”, bastante común. Otra es utilizar un “marcado separado” (stand off), en el cual las unidades analizadas se representan no mediante elementos XML sino mediante punteros. En el capítulo 20 de las Directrices TEI se analizan estas y otras técnicas con más detalle.
Table des illustrations
![]() | |
---|---|
Titre | Figura 6 |
Légende | Detalle de Dulce et decorum est, manuscrito autógrafo conservado en la English Faculty Library de la Universidad de Oxford |
URL | http://books.openedition.org/oep/docannexe/image/15687/img-1.png |
Fichier | image/png, 107k |
![]() | |
Titre | Figura 7 |
Légende | Apple, en el Dictionary of the English Language (1755) de Samuel Johnson (1755) |
URL | http://books.openedition.org/oep/docannexe/image/15687/img-2.png |
Fichier | image/png, 74k |
![]() | |
Titre | Figura 8 |
Légende | Fragmento de Verbal Hygiene de Deborah Cameron (p. 229) |
URL | http://books.openedition.org/oep/docannexe/image/15687/img-3.png |
Fichier | image/png, 266k |
![]() | |
Titre | Figura 9 |
Légende | Fragmento de Verbal Hygiene de Deborah Cameron (p. 247) |
URL | http://books.openedition.org/oep/docannexe/image/15687/img-4.png |
Fichier | image/png, 658k |
© OpenEdition Press, 2022