Más de 333 millones de formas ortográficas, procedentes de textos escritos y de transcripciones de textos orales, integran la nueva actualización del Corpus del Español del Siglo XXI (CORPES XXI), que ha presentado la RAE, en colaboración con la Asociación de Academias de la Lengua Española.
Se trata de la última versión de esta herramienta lingüística, la 0.93, que cuenta con más de 316.000 documentos y más de 333 millones de formas ortográficas, lo que supone un incremento de más de 21 millones de formas respecto a la versión anterior, publicada en mayo de 2020, según ha informado este lunes la RAE.
El corpus es un conjunto lo más extenso y ordenado posible de textos empleado habitualmente para conocer el contexto y las propiedades de las palabras, expresiones y construcciones a partir de los usos reales registrados. Dado el tamaño que poseen, los corpus tienen que estar en formato electrónico.
Un corpus general (llamado de referencia) tiene como propósito básico el de servir para obtener las características globales que presenta una lengua en un momento determinado de su historia. En el caso del español actual, el corpus debe contener textos de todos los tipos y también de todos los países que constituyen el mundo hispánico.
Más de cuatro millones y medio de las formas incorporadas en esta actualización son transcripciones de textos orales (programas de radio y televisión, entrevistas en medios de comunicación, o de YouTube).
Por lo que respecta al bloque de ficción (novelas, guiones de cine, relatos, obras de teatro), las formas del Corpes sobrepasan los 93 millones, mientras que las contenidas en textos de libros de no ficción y en publicaciones periódicas (ciencias sociales, salud, política, artes, tecnología) se acercan a los 238 millones.
Los textos procedentes de libros suponen casi 166 millones de formas mientras que las publicaciones periódicas están representadas con unos 158 millones. Seis millones y medio más provienen de blogs, entrevistas digitales y redes sociales.
En cuanto a la distribución temporal, aumenta el número de textos producidos entre 2016 y 2020, con algo más de 42 millones de formas en esta versión. Por lustros, el mayor peso en esta versión, todavía provisional, recae en el segmento 2006-2010, con más de 107 millones de formas; más de 100 millones corresponden a formas producidas entre 2001 y 2005; y, de 2011 a 2015, alcanza casi 82 millones de formas.
Las formas correspondientes a textos generados en España suponen algo más del 30 por ciento mientras que el resto procede de América, con más de 217 millones de formas, además de contener textos procedentes de Filipinas y Guinea Ecuatorial.
