2. Compilación de corpus

2.2 Compilación de corpus textuales

Preguntas (Tareas)

Temario

• Identificación del objetivo

  • Tipo de corpus

  • Propósitos

  • Límites del corpus

• Selección de textos

  • Selección de documentos

  • Selección de las partes del texto

• Obtención de los textos

  • Búsqueda de documentos

  • Derechos de autor

  • Registro de documentos

• Definición del equipo de trabajo

  • Líder de proyecto.
  • Administrador financiero.
  • Diseñador del corpus.
  • Relaciones públicas para búsqueda de documentos y adquisición de derechos.
  • Revisor de seguimiento del proyecto.
  • Digitalizadores.
  • Etiquetadores.
  • Desarrolladores del sistema.
  • Informáticos de apoyo.

• Digitalización de documentos

  • Textos a formato electrónico:

    • Textos previamente en formato electrónico = f (formato)

    • Tecleado = f (capturista)

    • Lectura óptica automática = f (software, hardware, operador, papel)

  • El digitalizador de imágenes

  • Tipos de escáneres: de sobremesa o planos (de gran tamaño), de mano (portátiles) y de rodillo (para hojas sueltas).

  • Reconocedores de textos

    • OCR vs. ICR

    • Programas existentes: OmniPage, ABBYY

    • Características de los reconocedores: entrenamiento, diccionarios, etc.

  • Procedimiento de digitalización

    • manual para la digitalización de documentos con el OmniPage se tiene aquí.

    • Problemas en la digitalización de textos

Lecturas obligatorias

• Inciso 4.1 del artículo de Joan Torruela y Joaquim Llisterri, “Diseño de corpus textuales y orales”^[2]

Lecturas sugeridas

• Capítulo 2. First capture your data, del libro Language and Computers de Geoff Barnbrook.
• Creacion de corpus de John Sinclair^[1].

Ejercicio de la clase

• Digitalizar un texto T1, T2, T3

  • Describir el proceso y comentar los problemas.