3.2 Anotación textual

3.2.1 Conceptos básicos de SGML/XML

Entidad de marcaje (markup entity)

• Una entidad de marcaje es cualquier objeto concreto del texto que sea de interés para marcar, tales como:
  • un caracter o conjunto de caracteres;
  • una palabra o una serie de palabras;
  • una línea
  • un párrafo;
  • un dibujo, gráfica, tabla, etc.;
  • una nota de pié de página o a fin de documento;
  • una capítulo entero;
  • el documento completo
• Cada entidad tiene un nombre o posee una referencia.
• Las entidades pueden estar compartidas por distintos documentos.
• Las entidades se encuentra organizadas en el texto mediante una estructura lógica y jerarquizada.

Referencia de entidad

• SGML utiliza los caracteres con base en el estándar ASCII (American Standard Coding for the Interchange of Information).
• Los caracteres especiales como letras diferentes al inglés (á, ü, ñ), símbolos matemáticos, signos ($, &, '), letras griegas, etc., se transformen en representaciones ACII y se llaman referencias de entidad.
• Una referencia de entidad sirve como nombre único para una pieza de datos.
• Las referencias de entidades están compuestas por un ampersand (&) y un punto y coma (;).
• Una lista amplia de referencias de entidad lo proporciona el W3C, (Massachusetts Institute of Technology, Institut National de Recherche en Informatique et en Automatique, Keio University). http://html.conclase.net/w3c/html401-es/sgml/entities.html

Elemento de marcaje

• El elemento de marcaje es un concepto abstracto que sirve para denominar a los elementos del documento que nos interesa anotar. Por ejemplo, el nombre "fecha" es un elemento de marcaje.
• Los elementos de marcaje están delimitados por una etiqueta de apertura <elemento> y una etiqueta de cierre </elemento>.

Atributo de marcaje

• El atributo de un elemento de marcaje proporciona información adicional dependiente de un elemento de marcaje.
• Los atributos tienen un nombre y un valor.
• Los nombres de los atributos se separan del elemento de marcaje con un espacio en blanco.
• Los valores de los atributos se introducen con un signo igual.

Comentarios

• Los comentarios se usan en un documento SGML/XML para presentar información que técnicamente no forma parte del contenido de ese documento.
• Los comentarios se usan para proporcionar descripciones de datos de documentos para provecho del usuario.
• Los comentarios se pueden utilizar en cualquier parte de un documento en la que aparezcan datos de caracteres analizados sintácticamente.
• Los comentarios empiezan con <!- y terminan con ->. La única limitación a los comentarios es que no se pueden incluir guiones altos (-) en un comentario, ya que entrarían en conflicto con la sintaxis de comentarios.

Definición de tipo de documento (DTD)

• Se conoce principalmente como DTD = Document Type Definition (término más usado) y Document Type Declaration (término usado en la ISO), o en español Definición (Declaración) del Tipo de Documento.
• La DTD define las reglas correspondientes a las etiquetas que se han creado para un corpus.
• Una DTD define los nombres de las etiquetas y el modelo de contenido (por ejemplo, el orden de las ocurrencias y las reglas de anidación para una implementación SGML particular).
• La DTD se escribe en SGML y se representa como un simple archivo en el sistema.
• La DTD consta generalmente de tres partes: una etiqueta inicial, el contenido y una etiqueta final. El nombre del elemento aparece en las etiquetas inicial y final.
• Se acostumbra usar un editor estructurado con un analizador sintáctico para ir validando e indicando las inconsistencias de las etiquetas que se van anotando en el documento con relación a la DTD.
• Ejemplos de DTD:
  • BNC
  • TEI Lite

Reglas básicas

• Documento válido: El documento debe cumplir la estructura predefinida en el DTD.
• Documento bien formado: Documento que es sintácticamente correcto.

3.2.2 Estructura de documentos

Un documento SGML/XML consta de dos partes:

• El DTD o descripción del documento.
• El documento etiquetado. A su vez, el documento consta de un encabezado y del texto del documento.

El encabezado puede describir los siguientes rubros:

• Descripción bibliográfica del documento. Esta información permite ubicar el documento. Aquí se incluye la información bibliográfica del documento y el tamaño aproximado del texto.
• Metodología de la codificación. Contiene información relevante sobre la relación que existe entre el texto anotado y las fuentes originales, además de los métodos y principios editoriales que se siguieron durante la transcripción del corpus. TEI distingue seis componentes:
  • Descripción del proyecto y del propósito por el que fue codificado el texto.
  • Descripción narrativa de los métodos usados en la creación del corpus.
  • Descripción detallada de los principios y prácticas editoriales aplicados durante la codificación.
  • Información detallada sobre las etiquetas aplicadas al corpus.
  • Especificación de las referencias canónicas construidas para el texto.
  • Definición de los códigos de clasificación para el texto dentro del corpus.
• Caracterización bibliográfica del texto (perfil). Proporciona información sobre los diferentes aspectos que describen a un texto, como: datos de la creación de un texto, los idiomas que aparecen en el texto y el tema del texto conforme a un tesauro o clasificación estándar.
• Descripción de la revisión. Registra los cambios realizados en el texto.

El texto del documento contiene:

• Body. Es el cuerpo del documento y es la información básica y obligatoria.
• Front. La información que precede al cuerpo del documento, como portada, índice, dedicatorias, etc.
• Back. Información posterior al body, como apéndices, bibliografía, índices temáticos, etc.

Ejemplos de codificaciones

• BNC User Reference Guide
• TEI