Available via license: CC BY 3.0
Content may be subject to copyright.
artnodes
REVISTA DE ARTE, CIENCIA Y TECNOLOGÍA
http://artnodes.uoc.edu
Universitat Oberta de Catalunya
118
Revista científica electrónica impulsada por la UOC
Gael Vaamonde
Artnodes, N.º 22 (2018) I ISSN 1695-5951
FUOC, 2018
CC
CC
Fecha de presentación: abril de 2018
Fecha de aceptación: octubre de 2018
Fecha de publicación: noviembre de 2018
ARTÍCULO
La multidisciplinariedad en la creación
de corpus históricos:
El caso de Post Scriptum
NODO «HUMANIDADES DIGITALES: SOCIEDADES, POLÍTICAS, SABERES»
Gael Vaamonde
Centro de Lingüística de la Universidad de Lisboa
Resumen
Los corpus históricos convencionales suelen estar centrados en el contenido lingüístico
de los documentos recopilados, que son almacenados como texto plano para facilitar su
procesamiento. Esta aproximación monodisciplinar tiende a obviar aspectos como la grafía
original, las características físicas y presentacionales de los manuscritos o la información
sociohistórica y contextual asociada a cada texto, aspectos que son relevantes para otros
campos de investigación, cuando no para el propio estudio lingüístico. Frente a esta situación,
el corpus histórico epistolar Post Scriptum es el resultado de un proyecto multidisciplinar
formado por lingüistas e historiadores, y que combina métodos de las humanidades digitales
y de la lingüística de corpus. Con esto, constituye un recurso electrónico que pretende ser de
utilidad a varias disciplinas científicas, como la crítica textual, la lingüística histórica, la historia
moderna, la paleografía o la cultura escrita.
Cita recomendada
Vaamonde, Gael 2018. «La multidisciplinariedad en la creación de corpus históricos: El caso
de Post Scriptum». En: «Humanidades digitales: sociedades, políticas, saberes». Artnodes. N.º
22: 118-127. UOC. [Fecha de consulta: dd/mm/aa] http://dx.doi.org/10.7238/a.v0i22.3238
Los textos publicados en esta revista están sujetos –si no se indica lo contrario– a una licencia de
Reconocimiento 4.0 Internacional de CreativeCommons. La licencia completa se puede consultar en
https://creativecommons.org/licenses/by/4.0/deed.es_ES.
http://artnodes.uoc.edu
artnodes
Universitat Oberta de Catalunya
La multidisciplinariedad en la creación de corpus históricos…
119
Revista científica electrónica impulsada por la UOC
Gael Vaamonde
Artnodes, N.º 22 (2018) I ISSN 1695-5951
FUOC, 2018
CC
CC
Palabras clave
multidisciplinariedad, lingüística de corpus, edición digital, corpus histórico, carta privada
Multi-disciplinarity in building historical corpora: The case of Post Scriptum
Abstract
Traditional historical corpora tend to focus on the linguistic content of the compiled documents,
which are stored in plain text to facilitate their processing. By adopting this mono-disciplinary
approach, relevant aspects to other fields of research, and even to linguistic study itself, are
disregarded: original spelling, manuscript physical description or socio-historical context. Taking
this into account, the historical and epistolary corpus of Post Scriptum takes a multi-disciplinary
approach involving linguists and historians, and combining methods from digital humanities
and corpus linguistics. As a result of this approach, Post Scriptum becomes a useful resource
for several research areas, such as textual criticism, historical linguistics, modern history,
paleography or literary culture.
Keywords
Multidisciplinarity, corpus linguistics, digital edition, historical corpus, private letter
1. Post Scriptum: proyecto multidisciplinar
P. S. Post Scriptum. Archivo digital de escritura cotidiana en Portugal
y España en la Edad Moderna (en adelante, Post Scriptum)1 es un
proyecto de investigación ya concluido, desarrollado en el Centro de
Lingüística de la Universidad de Lisboa desde el año 2012 hasta el
año 2017, y centrado en la búsqueda sistemática, edición y estudio
histórico-lingüístico de unas 5000 cartas privadas escritas en España
y Portugal entre el siglo xvi y el primer tercio del siglo xix.
El punto de partida de Post Scriptum radica en haber constatado
previamente una oportunidad excepcional sobre la conservación de
fuentes históricas.2 Entre la documentación oficial generada por los
tribunales del Antiguo Régimen, se conservaron cartas particulares de
gente muy distinta, cartas que llegaron hasta nuestros días archivadas
dentro de procesos judiciales y que en su momento fueron utilizadas
por los propios jueces como una prueba más de los delitos sobre los
que deliberaban. Generalmente, se conservaron porque su contenido
resultaba interesante a ojos de la ley para tomar decisiones sobre los
crímenes de los que eran acusados sus autores, sus destinatarios o
terceras personas relacionadas con ellos o mencionadas por algún
motivo en el texto. Las cartas son inéditas en su amplia mayoría, y
fueron producidas por personas de distinta condición social: hombres,
mujeres, esclavos, condes, ladrones, artesanos, curas, soldados,
1. El proyecto de investigación Post Scriptum (http://ps.clul.ul.pt/) ha sido financiado por el Consejo Europeo de Investigación (7FP/ERC Advanced Grant - GA 295562).
2. Esta constatación se materializó en el proyecto CARDS (Cartas Desconhecidas), predecesor de Post Scriptum y cuyo objetivo se limitó al estudio de 2000 cartas portuguesas.
comerciantes, presos, amantes y un largo etcétera que completa un
universo heterogéneo de autores y destinatarios.
Estas misivas son interesantes como fuente de datos lingüísti-
cos, pero también como fuente de datos históricos e incluso como
objetos que representan fragmentos de una práctica, producidos
manualmente por cientos de personas que vivieron en algún punto
de la Edad Moderna y que plasmaron en papel sus preocupaciones
diarias. Estamos ante un tipo de documentación que puede y debe
ser abordado al menos desde tres perspectivas diferentes: como
artefacto, entendido como objeto físico; como texto, entendido como
contenido lingüístico; y como contexto, entendido como el conjunto
de circunstancias históricas asociadas al texto y al artefacto (Honka-
pohja, Kaislaniemi y Marttila 2009, 453). Para dar respuesta a esta
triple perspectiva, Post Scriptum reunió un equipo multidisciplinar
formado por historiadores y lingüistas y combinó métodos propios
de las humanidades digitales y de la lingüística de corpus.
El resultado final es la creación de un archivo digital y un corpus
anotado formado por unas 5000 cartas privadas (españolas y por-
tuguesas), que se presenta como un recurso electrónico útil para la
investigación en diferentes disciplinas científicas, entre las cuales
cabe destacar la historia moderna, la lingüística histórica, la escritura
cotidiana o la cultura escrita.
http://artnodes.uoc.edu
artnodes
Universitat Oberta de Catalunya
La multidisciplinariedad en la creación de corpus históricos…
120
Revista científica electrónica impulsada por la UOC
Gael Vaamonde
Artnodes, N.º 22 (2018) I ISSN 1695-5951
FUOC, 2018
CC
CC
2.1. La dimensión filológica en Post Scriptum
Durante el proceso de compilación de un corpus histórico, resulta
obligado tomar una decisión sobre el tipo de fuentes documentales
en las que se ha de basar la selección y el almacenamiento digital
de los textos. Nos referimos a la posibilidad de partir de la fuente
original, que generalmente será documentación manuscrita, o de
alguna edición moderna de esta fuente. Ante esta disyuntiva, el uso
de ediciones modernas de textos históricos ha predominado sobre
la transcripción de la fuente original como método de recopilación
de datos. La razón de esta preferencia no es difícil de imaginar:
la edición moderna de un texto histórico es por lo general de fácil
acceso; evita la toma decisiones editoriales, pues el trabajo filológico
ya está hecho de antemano; y sobre todo, agiliza enormemente el
proceso de digitalización. Si la edición seleccionada de un texto no
existe ya en formato electrónico, y por tanto está accesible en red,
la tecnología actual en torno al reconocimiento óptico de caracteres
permite escanear un documento impreso de manera rápida y eficaz.
En otras palabras, partir de ediciones modernas permite obtener
mayor accesibilidad, facilidad y rapidez de digitalización, librando al
lingüista del tiempo y esfuerzo que supone transcribir y editar fuentes
primarias. Las evidentes ventajas de esta situación de philological
outsourcing, como la denomina Dollinger (2004), explica el uso
predominante de ediciones modernas en la construcción de corpus
históricos, principalmente en la compilación de los denominados
macrocorpus y corpus de referencia:
«The compiler is confronted with the task of computerization and would
like to use, and in many cases due to time and labour constraints is bound
to use, the work of philologists as a base. If an edition of a given text
can be found, why should any time be dedicated to the transcription of
texts from manuscript sources?» (Dollinger 2004, 5).
Desde un punto de vista práctico, el recurso de la edición moderna
está fuera de toda duda. Desde el punto de vista lingüístico, sin
embargo, no resulta la opción más adecuada y, de hecho, supone
una serie de inconvenientes que se han venido señalando en los
últimos años en el ámbito de la lingüística histórica (véase Lass 2004;
Dollinger 2004; Grund 2006; Claridge 2008, 250-251; Honkapohja,
Kaislaniemi y Marttila 2009, 456-460, inter alia).
Destacamos aquí al menos dos problemas relacionados con el uso
de ediciones contemporáneas en lugar de manuscritos originales. En
primer lugar, cabe citar la representación inadecuada del contenido
textual. Generalmente, las ediciones usadas en corpus históricos
no parten de una transcripción rigurosamente fiel al original. Las
abreviaturas, la puntuación original del texto, los símbolos y demás
elementos pictóricos, e incluso determinados caracteres, suelen ser
obviados o normalizados con diferentes criterios, en función del editor.
Además, el uso de diferentes ediciones implica distintos criterios de
normalización ortográfica, cuya documentación no suele aparecer
recogida en el corpus histórico. En segundo lugar, existe una repre-
sentación superficial de la realidad del manuscrito. Generalmente,
la edición moderna se centra únicamente en el texto mismo (por
ejemplo, caracteres alfanuméricos), ignorando otro tipo de rasgos
del manuscrito que también pueden resultar relevantes, como por
ejemplo los aspectos visuales, estructurales y paratextuales del
documento original (Meurman-Solin 2013).
Conscientes de esta problemática, y de las limitaciones que se
derivan de una transcripción inadecuada o incompleta de la fuente
original, en Post Scriptum nos propusimos como un objetivo funda-
mental la creación de ediciones diplomáticas digitales de las cartas
manuscritas. Así, el archivo digital que ofrece Post Scriptum se ha
construido a partir de transcripciones que mantienen rigor filológico
y son fieles al manuscrito original, respetando tanto su contenido
textual (abreviaturas, puntuación, decoración, disposición del texto,
etc.) como su dimensión presentacional (adiciones, cancelaciones,
daños en el soporte, cambios de mano, conjeturas, lagunas, etc.).
Siguiendo las prácticas habituales en el ámbito de las humanidades
digitales, las transcripciones se han llevado a cabo mediante lenguaje
XML y aplicando los estándares de codificación de fuentes primarias
propuestos por la Text Encoding Initiative (TEI) en su versión P5. Junto
con la transcripción original, para cada carta del corpus se ofrece
también la imagen del facsímil, para que el usuario tenga en todo
momento la posibilidad de cotejar la transcripción propuesta con el
manuscrito original.
Recogemos a continuación la imagen facsimilar de una carta de
Post Scriptum y su correspondiente transcripción en XML-TEI. Por
razones de claridad, la transcripción se ha simplificado y las líneas
aparecen numeradas y sangradas para facilitar su localización.
Como se puede observar, la transcripción no contempla nor-
malizaciones sobre la ortografía original del manuscrito (línea 5,
nobedad; línea 9, diezynuebe), ni alteraciones en la distinción entre
mayúsculas y minúsculas (línea 11, Obliga; línea 12, Papel). Además,
se conserva la forma no desarrollada de las abreviaturas (línea 2,
Sn; línea 17, Q B S M), así como la puntuación original y las figuras o
ilustraciones que puedan aparecer a lo largo del texto (línea 1, cruz de
encabezamiento). Finalmente, cualquier fragmento cancelado (línea
10, embyio) o adicionado (línea 14, en), así como otros aspectos
paratextuales, también han sido debidamente marcados para su
posterior recuperación en el corpus.
Se trata, en definitiva, de una edición semipaleográfica del ma-
nuscrito epistolar. El prefijo «semi» en semipaleográfica responde
al hecho de no haber respetado al menos dos cuestiones en las
transcripciones textuales de Post Scriptum: la frontera de palabra y
la distinción entre las grafías u, v, i, y, en los dos casos por razones
prácticas, pues la caligrafía que presentan muchas de las cartas
dificultaba una delimitación objetiva de tales aspectos gráficos.
El trabajo filológico y paleográfico llevado a cabo en Post Scriptum
no se limitó solo a la transcripción de los textos, sino que comprendió
http://artnodes.uoc.edu
artnodes
Universitat Oberta de Catalunya
La multidisciplinariedad en la creación de corpus históricos…
121
Revista científica electrónica impulsada por la UOC
Gael Vaamonde
Artnodes, N.º 22 (2018) I ISSN 1695-5951
FUOC, 2018
CC
CC
Imagen 1. Facsímil de carta escrita en 1801 por Francisco Vázquez y Bóveda3
3. Carta accesible en http://ps.clul.ul.pt/index.php?action=file&id=PS6196.xml.
4. En el ámbito hispánico, por ejemplo, véase la comparación entre el CORDE y el CdE (Davies 2009).
también la marcación y, por tanto, la posterior recuperación y análisis
de otros aspectos relacionados con el documento en tanto que objeto
físico. Concretamente, la disposición del texto, la descripción del
soporte, el estado de conservación, las medidas del documento o la
presencia de material adicional (sobrescrito) constituyen información
que fue debidamente marcada y catalogada por cada misiva que pasó
a formar parte de Post Scriptum.
2.2. La dimensión lingüística en Post Scriptum
Los corpus lingüísticos, tanto históricos como contemporáneos, se
pueden dividir en dos grandes grupos: corpus no anotados y corpus
anotados. Los primeros son aquellos que ofrecen únicamente el texto
plano sin ningún tipo de información adicional; los segundos se ca-
racterizan por presentar el texto enriquecido con anotación lingüística
de algún tipo (morfológica, léxica, sintáctica, semántica, etc.). El uso
de corpus no anotados no significa necesariamente que estos no
puedan ser explotados lingüísticamente, aunque dependiendo del
corpus, puede ser necesario un procesamiento previo de los datos,
así como el manejo de expresiones regulares de diferente complejidad
según la información que uno desee recuperar (Schulte 2009). En
cualquier caso, las posibilidades de búsqueda que admite un corpus
anotado serán siempre (ceteris paribus) mayores y más eficaces que
las que puede ofrecer un corpus no anotado.4
Entre el tipo de anotación más habitual en la construcción de
corpus lingüísticos, cabe destacar la anotación morfosintáctica (esto
es, la asignación de la clase de palabra) y la lematización del corpus
(esto es, la asociación de cada forma con su lema correspondiente),
un proceso que se suele llevar a cabo mediante la utilización de
anotadores automáticos, y cuyo resultado, dependiendo del tamaño
del corpus, puede ser parcial o totalmente revisado por un anotador
manual. La aplicación de este proceso a corpus históricos encuentra,
sin embargo, un obstáculo adicional: el de la variación ortográfica que
presentan los textos históricos. Una misma palabra puede aparecer
escrita de múltiples formas, incluso dentro de un mismo texto. Por
ejemplo, la forma vergüenza en el corpus español de Post Scriptum
aparece atestiguada de trece formas diferentes (verguença, verguen-
za, berguenza, berguença, berguenssa, etc.). Esta variación repercute
en el porcentaje de acierto del anotador automático y, por tanto, se
traduce en un mayor tiempo y esfuerzo en la etapa de revisión manual.
La solución adoptada en Post Scriptum pasa por acometer
una normalización ortográfica de los datos con posterioridad a su
transcripción original, cuya información siempre se conserva (véase
apartado 6), y como paso previo a la anotación lingüística. De este
modo, el anotador automático se aplica únicamente sobre la forma
normalizada (por ejemplo, vergüenza) y no directamente sobre las
Imagen 1. Facsímil de carta escrita en 1801 por Francisco Vázquez y Bóveda3
Imagen 2. Transcripción en XML-TEI de la carta anterior
http://artnodes.uoc.edu
artnodes
Universitat Oberta de Catalunya
La multidisciplinariedad en la creación de corpus históricos…
122
Revista científica electrónica impulsada por la UOC
Gael Vaamonde
Artnodes, N.º 22 (2018) I ISSN 1695-5951
FUOC, 2018
CC
CC
formas originales del manuscrito. Para la anotación morfosintáctica
y lematización del corpus, se hizo uso del anotador NeoTag (Janssen
2012). NeoTag no solo sirve para etiquetar los textos del corpus,
sino que además utiliza el propio corpus ya anotado como corpus
de entrenamiento, mejorando así progresivamente su porcentaje de
acierto a medida que se aumenta el conjunto de datos. Además,
NeoTag no impone un sistema de etiquetas propio, sino que permite
utilizar un sistema personalizado. En el caso de Post Scriptum, se
tomó como base el conjunto de etiquetas propuesto por el grupo
EAGLES,5 que se rige por un sistema de posiciones. Por ejemplo,
la forma vergüenza es etiquetada como NCFS000, que quiere decir
«Nombre Común Femenino Singular», y asociada al lema «vergüenza»;
la forma avergüenzo es etiquetada como VMIP1S0, que quiere decir,
«Verbo Principal Indicativo Presente Primera persona Singular», y
asociada al lema «avergonzar». A modo de ilustración, recogemos
a continuación un fragmento de una carta en versión verticalizada
por columnas y con la correspondiente forma original (columna 1),
forma normalizada (columna 2), etiqueta morfosintáctica (columna3)
5. http://www.ilc.cnr.it/EAGLES96/home.html.
6. Carta accesible en http://ps.clul.ul.pt/index.php?action=file&id=PSCR6925.xml.
y lema (columna 4). Todas las cartas incluidas en Post Scriptum se
pueden descargar en un archivo TXT con este formato.6
Junto con la anotación morfosintáctica y la lematización, se han
llevado a cabo otro tipo de anotaciones de carácter lingüístico. En
primer lugar, la tarea de normalización ortográfica incluyó la aplicación
de puntuación contemporánea sobre los textos, lo que permitió la
división automática del corpus en oraciones ortográficas (esto es,
unidades delimitadas por puntuación fuerte). Una vez hecho esto, se
ha acometido también la anotación sintáctica de una pequeña parte
del corpus, más reducida en el caso del español. Esta anotación
toma como punto de partida el sistema originalmente creado para
los Penn Parsed Corpora of Historical English, convenientemente
adaptado a los datos del portugués y del español. Finalmente, el
trabajo de enriquecimiento lingüístico del corpus contempló también
una anotación de carácter discursivo. Por un lado, cada carta del
corpus está asociada a un tipo temático basado en una clasificación
epistolar tradicional: amor, amistad, familiar, particular o anónima.
Por otro lado, se incluye en la transcripción del texto la marcación de
posibles partes formulares que presente la carta, a saber: apertura,
saludo, arenga, narración, peroración, cierre y posdata.
2.3. La dimensión histórica en Post Scriptum
La aproximación tradicional en la construcción de corpus históricos
tiende a focalizar la atención en el contenido lingüístico en sí, limitan-
do, cuando no obviando, no solo los aspectos paleográficos presentes
en el documento original (disposición del texto, tipografía, etc.), sino
también diferentes aspectos contextuales asociados a la producción
del texto. Cierto es que sobre estos últimos, el compilador de corpus
se ve muchas veces limitado porque no se conserva información
suficiente que permita enriquecer un texto dado con factores de
carácter histórico, social o cultura para multiplicar así las opciones
de búsqueda del corpus. Por norma general, los corpus históricos
se suelen ceñir únicamente a unos pocos aspectos extratextuales
(marco cronológico, procedencia geográfica y género textual), que
suelen además ser tratados en un nivel muy superficial (Meurman-
Solin 2001).
Asumida esta situación, el caso de Post Scriptum no deja de
representar una oportunidad excepcional. Las misivas que han po-
dido ser localizadas y recopiladas no han llegado hasta nosotros de
manera aislada, sino como parte de una pieza documental mayor,
que es el proceso judicial. Desde el punto de vista histórico, este
hecho resulta crucial, pues la lectura atenta de aquellos procesos que
contienen cartas permitió encarar una caracterización sociohistórica
de los textos, materializada en dos tipos de información: contexto
situacional de la carta e información biográfica de los participantes.
Imagen 3. Anotación de un fragmento de carta en Post Scriptum6
http://artnodes.uoc.edu
artnodes
Universitat Oberta de Catalunya
La multidisciplinariedad en la creación de corpus históricos…
123
Revista científica electrónica impulsada por la UOC
Gael Vaamonde
Artnodes, N.º 22 (2018) I ISSN 1695-5951
FUOC, 2018
CC
CC
Por un lado, fue posible contextualizar la carta, es decir, comprender
la razón que motivó la escritura de esa carta y su relación con el
proceso. En otras palabras, fue posible abordar una reconstrucción
de la situación comunicativa de la carta. Por otro lado, a partir de los
interrogatorios incluidos en muchos de los procesos, así como del
resto de la documentación relacionada con la carta, generalmente fue
posible recuperar información biográfica de los autores y destinatarios
de las misivas: profesión, edad, religión, procedencia geográfica, etc.
Respecto al primer aspecto, y tomando el ejemplo de la carta
mostrada en la figura 1, junto a la transcripción filológica del ma-
nuscrito y la anotación lingüística del texto, es posible acceder a la
siguiente información histórica:
«Pleito de 1804 de Benito Vázquez y Bóveda con Benito Sotelo Pérez, por
la herencia y pago de una deuda. Benito Sotelo Pérez debía 1400 reales
a Francisco Vázquez y Bóveda, difunto abad de San Juan de Crespos.
Benito Vázquez y Bóveda, hermano de Francisco Vázquez, reclamaba
el cobro de esos 1400 reales y aportó la carta aquí transcrita como
prueba de la existencia de esa deuda. No obstante, durante el proceso
se demostró que Benito Vázquez y Bóveda había rechazado la herencia
de su hermano, por lo que no tenía derecho a recibir ningún dinero».
Siendo heterogénea la motivación que puede lleva a usar una carta
como prueba instrumental de un proceso, los contextos situacionales
reconstruidos en Post Scriptum resultan de lo más variado. Algunas
veces, las cartas eran incautadas por los propios medios de perse-
cución de las instituciones, tanto de la Inquisición como de tribunales
civiles, eclesiásticos y militares. Otras veces, como en el ejemplo
anterior, las cartas eran aportadas por alguna de las partes litigantes
para demostrar algún hecho inculpatorio o exculpatorio. También
encontramos correspondencia producida a raíz del propio proceso
judicial (entre abogados y clientes, entre acusados ya apresados
y sus familiares o allegados, etc.), que presentan igualmente una
interacción entre bastidores y pueden ser encuadradas en términos
situacionales. Los delitos a partir de los que se generó, aportó o
confiscó material epistolar presentan también una casuística variada,
que va desde deudas económicas juzgadas por tribunales civiles hasta
delitos inquisitoriales como los de bigamia, solicitación, alumbrados,
etc. En todos los casos, suponen una excepción en el corpus las cartas
para las que no fue posible establecer un contexto situacional mínimo
que permita conocer las razones por las que se escribió una carta y
por las que se usó como prueba en un proceso judicial.
Respecto al segundo aspecto, toda la información biográfica de
autores y destinatarios, una vez recuperada a partir de la información
del proceso, fue catalogada, marcada y organizada en lenguaje XML-
TEI. Ofrecemos como ejemplo la entrada correspondiente a Juan
Antonio Sierra, autor y destinatario de cartas entre 1745 y 1754:
Junto a la información sociohistórica recuperable a partir del
proceso judicial, también se llevó a cabo una clasificación de cada
carta en términos históricos y culturales mediante la asignación de
palabras clave tomadas de un conjunto amplio y cerrado de opciones.
Esta clasificación no redunda sobre la normalización o la lematiza-
ción del corpus, que permite obtener cualquier forma atestiguada
en los textos, sino que funciona como un nivel complementario de
recuperación al introducir y asignar a cada carta términos que no
necesariamente aparecen en el cuerpo del texto y que permiten
catalogar su contenido según parámetros históricos. Por ejemplo,
la carta que venimos usando como ejemplo (figura 1) está asociada
a tres términos de búsqueda: «Herencia», «Deudas» y «Petición». El
número total de palabras clave con el que se trabajó asciende a unos
trescientos términos aproximadamente.
3. Explotación de los datos
La idea central en Post Scriptum siempre fue la de ofrecer simul-
táneamente una edición digital de los manuscritos y un corpus
histórico anotado. La consideración de este doble objetivo, filológico
y lingüístico, nos ha llevado a encarar un problema que ya ha sido
apuntado en otras ocasiones en el ámbito de la lingüística histó-
rica: el hecho de que los métodos de anotación desarrollados por
las humanidades digitales y por la lingüística de corpus apenas
presentan puntos de encuentro (Honkapohja, Kaislaniemi y Marttila
2009; Kytö 2011):
«The searchability of a corpus is crucially dependent on how the corpus
has been annotated. Again, there is a lack of consensus on this point,
and compilers of historical corpora have been slow or even reluctant to
apply standards such as the Text Encoding Initiative (TEI) Guidelines (P5).
Many of the better known corpora are annotated for the main textual
features but not all, and not as exhaustively as could have been the case».
A esto se suma, además, la necesidad de incorporar la información
sociohistórica apuntada en el apartado anterior y, especialmente, la
Imagen 4. Ejemplo de ficha biográfica en Post Scriptum
http://artnodes.uoc.edu
artnodes
Universitat Oberta de Catalunya
La multidisciplinariedad en la creación de corpus históricos…
124
Revista científica electrónica impulsada por la UOC
Gael Vaamonde
Artnodes, N.º 22 (2018) I ISSN 1695-5951
FUOC, 2018
CC
CC
caracterización biográfica de autores y destinatarios de las cartas,
de modo que se puedan hacer búsquedas cruzadas entre variables
sociales y datos lingüísticos. En definitiva, Post Scriptum demandó
la existencia de una plataforma que permitiese sacar partido de todo
el trabajo previo llevado a cabo en las diferentes dimensiones del
proyecto: filológica, paleográfica, lingüística e histórica.
La solución técnica al problema anterior vino de la mano de TEI-
TOK (Janssen 2016), una plataforma interactiva que permite reunir en
un único soporte XML tanto el corpus anotado como la edición crítica
digital, incluyendo asimismo la información metatextual. TEITOK fue
pensado y diseñado originalmente para dar respuesta a las demandas
de Post Scriptum, aunque actualmente son varios los proyectos de
investigación que han volcado sus datos a esta plataforma:
«TEITOK isa web-based system for viewing, creating, and editing corpora
with both rich textual mark-upand linguistic annotation. For visitors,
the system provides a graphical user interface in which te annotated
document can be visualized in a number of different ways, depending on
what the user is interested in. And for administrators of the corpus, TEITOK
uses the same interface to easily and efficiently edit the underlying XML
document» (Janssen, 2014).
Por su parte, la base de datos biográfica de Post Scriptum está
vinculada con las transcripciones XML de las cartas mediante un
identificador único para cada participante. Esta estrategia permite
incorporar los datos sociales de los participantes al corpus lingüístico,
abriendo así la posibilidad de hacer búsquedas útiles para estudios
sobre dialectología o sociolingüística histórica. En realidad, una vez
que los datos son importados a la plataforma TEITOK y que el sistema
es configurado adecuadamente, pueden ser recuperados de múltiples
formas y a partir de cualquier combinación que el usuario considere
oportuna. Veamos algunos ejemplos ejecutados directamente desde
la interfaz de consulta de TEITOK, tal y como está configurada para
el corpus de Post Scriptum:
La interfaz consta de dos bloques principales. El bloque «Bús-
queda del texto» permite hacer búsquedas sobre los datos textuales,
tanto en su forma original como en su forma normalizada, así como
búsquedas por etiqueta morfosintáctica y lema. El bloque «Búsqueda
del documento» permite recuperar información relacionada con los
datos extratextuales: lengua de la carta (español o portugués), año,
lugar de origen, aspectos sobre el autor o el destinatario, etc. Final-
mente, existe también un tercer bloque relacionado con aspectos
discursivos, que permite filtrar la búsqueda en función del tipo de
carta y/o de las partes formulares incluidas en ella.
Un usuario interesado únicamente en cuestiones extratextuales
puede recuperar, por ejemplo, todas las cartas de amor escritas
por autores pertenecientes al estamento eclesiástico en el corpus
español. Para ello, basta con que seleccione «español» en el campo
«Lengua», «clero» en el campo «Estatus social del autor», y «amor»
en el campo «Tipo de carta». Actualmente, obtendrá 16 resultados,
es decir, 16 cartas que cumplen estos parámetros de búsqueda, con
sus respectivos enlaces para poder consultar cada texto.
Un usuario interesado en cuestiones puramente lingüísticas
puede obtener, por ejemplo, todas las variantes ortográficas ates-
tiguadas en el corpus español para la forma «salud». Para ello, debe
seleccionar el corpus español («español» en el campo «Lengua»)
y teclear «salud» en el campo «Normalización». En primer lugar,
obtendrá la lista de concordancias de la forma normalizada «salud»
en el corpus.
No obstante, en la parte inferior de la ventana de resultados,
el usuario puede agrupar los datos por diferentes criterios. Orde-
nando por el campo «Transcripción provisional», que es el que se
corresponde con la forma original de la palabra tal y como aparece
en el manuscrito, obtendrá una tabla similar a la que recogemos a
continuación. Esta tabla ofrece la lista, por orden de frecuencia, de
formas originales asociadas a la forma normalizada «salud» en el
corpus español:
Imagen 5. Interfaz de consulta de Post Scriptum Imagen 6. Lista de concordancias de la forma «salud»
http://artnodes.uoc.edu
artnodes
Universitat Oberta de Catalunya
La multidisciplinariedad en la creación de corpus históricos…
125
Revista científica electrónica impulsada por la UOC
Gael Vaamonde
Artnodes, N.º 22 (2018) I ISSN 1695-5951
FUOC, 2018
CC
CC
También es posible hacer búsquedas sobre dos o más palabras
consecutivas. Por ejemplo, un usuario puede estar interesado en
recuperar formas compuestas de «haber + participio» en el corpus
español. Para ello, basta con teclear «haber» en el campo «Lema»
y «VMP0000» en el campo «POS» o, alternativamente, ejecutar la
siguiente orden en lenguaje CQP:
[lemma=”haber”] [pos=”VMP0000”]
Sirvan estos ejemplos como muestra del tipo de datos que son fácil y
rápidamente recuperables a través de la interfaz de búsqueda de Post
Scriptum. Además, la posibilidad de cruzar los datos lingüísticos del
corpus con variables extralingüísticas abre todavía más las opciones
de explotación del corpus. Por ejemplo, la búsqueda anterior podría
limitarse en función de si el autor es hombre o mujer; u obtener solo
los casos atestiguados en un intervalo temporal concreto; o filtrar
únicamente por una zona geográfica determinada o por el archivo
histórico en el que se localizó la documentación epistolar.
4. Conclusiones
Post Scriptum es un recurso de acceso libre en línea que aúna me-
todologías y técnicas propias de las humanidades digitales y de la
lingüística de corpus, y que presta atención no solo a la dimensión
lingüística de los textos, sino también a su tratamiento filológico
y a su contextualización histórica. Actualmente, desde la dirección
electrónica del proyecto es posible consultar, entre otros, los aspectos
siguientes:
• Digitalización del facsímile.
• Edición semipaleográfica.
• Edición con grafía normalizada.
• Anotación morfosintáctica y lematización.
•
Diferente información extratextual: fecha, lugar de origen y des-
tino, resumen del contenido, contexto situacional, descripción
del soporte, medidas, grafismo, estado de conservación, etc.
• Anotación sintáctica de una parte del corpus.
• Fichas biográficas de autores y destinatarios.
• Mapas con geolocalización de autores.
Toda esta información se integra en una interfaz de búsqueda que
facilita no solo la consulta de cualquiera de los aspectos menciona-
dos, sino también la búsqueda cruzada de los datos. Post Scriptum
constituye, así, un recurso electrónico que responde a los intereses de
varias disciplinas científicas, entre las cuales cabe destacar la crítica
textual, la lingüística histórica (incluyendo sociolingüística, pragmática
y dialectología históricas), la historia moderna o la cultura escrita.
Creemos que este tipo de corpus especializados, que permiten un
análisis meticuloso y multidisciplinar de los datos, son necesarios y
aun complementarios de los grandes corpus existentes para avanzar
en la investigación de la historia de la lengua. Finalmente, esperamos
que en un futuro próximo surjan otros corpus similares que primen la
calidad de los datos ofrecidos, tan demandada en lingüística histórica,
sobre la cantidad de textos recopilados.
«Bigger may not always be better, and size may not win all. Indeed, there
are signs that the first decade of this new century will well turn out to be
the decade of the small specialized corpus» (Swales 2006).
Referencias bibliográficas
Claridge, C. 2008. «Historical Corpora». En: A. Lüdeling; M. Kytö (eds.).
Corpus Linguistics: An International Handbook (Vol. 1), Berlín /
Nueva York: Walter de Gruyter, 242-259.
Davies, M. 2009. «Creating useful historical corpora: a comparison of
CORDE, the Corpus del Español and the Corpus do Português». En:
E. Arias (ed.). Diacronía de las lenguas iberorrománicas. Nuevas
aportaciones desde la lingüística de corpus. Madrid/Fráncfort:
Iberoamericana/Vervuert, 137-166.
Dollinger, S. 2004. «“Philological computing” vs. “philological outsou-
rcing” and the compilation of historical corpora: a Late Modern
English test case». En: C. Dalton-Puffer y otros (eds.). Vienna
English Working Papers (VIEWS), n.º 13: 3-23.
Grund, P. 2006. «Manuscripts as sources for linguistic research: A
methodological case study based on the Mirror of Lights». Journal
of English Linguistics, n.º 34: 105-125.
Honkapohja, A.; Samuli, K.; Ville, M. 2009. «Digital Editions for Cor-
pus Linguistics: Representing Manuscript Reality in Electronic
Corpora». En: A. H. Jucker; D. Schreier; M. Hundt (eds.). Corpora:
Imagen 7. Formas originales asociadas a la forma normalizada «salud»
http://artnodes.uoc.edu
artnodes
Universitat Oberta de Catalunya
La multidisciplinariedad en la creación de corpus históricos…
126
Revista científica electrónica impulsada por la UOC
Gael Vaamonde
Artnodes, N.º 22 (2018) I ISSN 1695-5951
FUOC, 2018
CC
CC
Pragmatics and Discourse, Ámsterdam / Nueva York: Rodopi,
451–475.
Janssen, M. 2012. «NeoTag: a POS tagger for grammatical neologism
detection». Proceedings of the Language Resources and Evalua-
tion Conference (LREC 2012), ELRA. Estambul, Turquía, mayo del
2012, 2118-2124.
Janssen, M. 2016. «TEITOK: Text-Faithful Annotated Corpora». Pro-
ceedings of the Language Resources and Evaluation Conference
(LREC 2016) ELRA. Portoroz, Eslovenia, mayo de 2016, 4037-4043.
Kytö, M. 2011. «Corpora and historical linguistics». Revista Brasileira
de Linguística Aplicada, Belo Horizonte, n.º 11, vol. 2:417-457.
Lass, R. 2004. «Ut custodiant litteras: Editions, Corpora and Witnes-
shood». En: M. Dossena; R. Lass (eds.). Methods and Data in
English Historical Dialectology (Linguistic Insights16). Berna: Peter
Lang, 21–48.
Meurman-Solin, A. 2001. «Structured text corpora in the study of lan-
guage variation and change». Literary and Linguistic Computing,
n.º 16, vol. 1: 5-27.
Meurman-Solin, A. 2013. «Principles and Practices for the Digital
Editing and Annotation of Diachronic Data». En: A. Meurman-Solin;
J. Tyrkkö (eds.). Studies in Variation, Contacts and Change in
English (vol. 14). Helsinki: Varieng.
Schulte, K. 2009. «Using non-annotated diachronic corpora: benefits,
methods and limitations». En: E. Arias (ed.). Diacronía de las len-
guas iberorrománicas. Nuevas aportaciones desde la lingüística
de corpus. Madrid/Fráncfort: Iberoamericana/Vervuert, 167-180.
Swales, J. M. (2006). «Corpus Linguistics and English for Academic
Purposes». En: E. Arnó y otros (eds.). Information Technology in
Languauges for Specific Purposes, Springer, 19-33. https://doi.
org/10.1007/978-0-387-28624-2_2
Gael Vaamonde
Centro de Lingüística de la Universidad de Lisboa
gaelvmnd@gamil.com
Faculdade de Letras da Universidade de Lisboa
Alameda da Universidade (Lisboa) 1600-214. Portugal
Gael Vaamonde es licenciado en Filología Hispánica por la Universidad
de Vigo (2002) y doctor en Lingüística por esta misma Universidad
(2011). Entre 2002 y 2011 desarrolló su actividad investigadora en
el Departamento de Traducción y Lingüística de la Universidad de
Vigo, formando parte del proyecto ADESSE: Alternancias de Diátesis
y Esquemas Sintáctico-Semánticos del Español. ADESSE es una base
de datos con información sintáctica, semántica y léxica para todos los
verbos y cláusulas de un corpus del español. Desde el 2002 hasta el
2011, compaginó su colaboración en ADESSE y en sus sucesivas am-
pliaciones con su formación investigadora en el área de la lingüística de
corpus. La Universidad de Vigo le concedió una ayuda predoctoral para
los años 2004 y 2005, periodo en el que obtuvo el diploma de estudios
avanzados en Lingüística. En el 2006, defendió su tesis de licenciatura
sobre la estructura argumental en español. Desde el 2006 hasta el
2010, fue beneficiario de una beca predoctoral FPI concedida por el
Ministerio de Educación y Ciencia, que le permitió realizar estancias
breves de investigación en Aarhus (2007), Berkeley (2009) y Leipzig
(2010), sumando un total de 8 meses de estancia en universidades
fuera de España. Defendió su tesis doctoral en julio del 2011, centrada
en el dativo posesivo y otras construcciones afines en español.
En el año 2012, obtuvo una beca posdoctoral vinculada a un
proyecto subvencionado por el ERC: Post Scriptum: A Digital Archive
of Ordinary Writings (7FP/ERC Advanced Grant - GA 295562). Post
CV
http://artnodes.uoc.edu
artnodes
Universitat Oberta de Catalunya
La multidisciplinariedad en la creación de corpus históricos…
127
Revista científica electrónica impulsada por la UOC
Gael Vaamonde
Artnodes, N.º 22 (2018) I ISSN 1695-5951
FUOC, 2018
CC
CC
Scriptum reúne una amplia colección de cartas privadas escritas en
español y portugués durante la Edad Moderna, y las ofrece en dos
formatos preparados para la búsqueda: el de la edición digital y el
del corpus lingüísticamente anotado. En este periodo, desarrollado
íntegramente en la Universidad de Lisboa, continuó su investigación
en el campo de la lingüística de corpus, al tiempo que adquirió com-
petencias significativas en las áreas de la lingüística computacional
y las humanidades digitales. Desde el 2017 hasta la actualidad, está
contratado por el Centro de Lingüística de la Universidad de Lisboa
como becario posdoctoral, ofreciendo asesoramiento y apoyo técnico
a proyectos relacionados con la anotación de corpus y/o la edición
digital de textos.
Actualmente, su perfil investigador combina experiencia en la
compilación y anotación de corpus contemporáneos e históricos, co-
nocimientos sobre edición digital de fuentes primarias y capacidades
técnicas en programación y procesamiento del lenguaje natural. Sus
líneas de investigación preferentes son la gramática del español, la
lingüística de corpus, el procesamiento del lenguaje natural y la edición
digital en TEI/XML.
