O Centro Ramón Piñeiro presenta a nova versión do Corpus Documental do Galego Actual

O secretario xeral de Política Lingüística, Valentín García, participou esta mañá no Pazo de San Roque, na presentación da nova versión do Corpus Documental do Galego Actual (CORGA 3.2.), unha ferramenta lingüística en liña desenvolvida polo Centro Ramón Piñeiro para a Investigación en Humanidades (CRPIH) representativa do uso lingüístico do galego actual.

Valentín García recordou que o Ramón Piñeiro, centro de investigación dependente da Consellería de Cultura e Turismo, “ten entre as súas finalidades fundacionais o deseño e o desenvolvemento de recursos informáticos que axuden á incorporación da lingua galega ao mundo das tecnoloxías da información e da comunicación” e que “o do CORGA é un dos proxectos de investigación que se centran en darlle cumprimento a este obxectivo”.

Na presentación da versión 3.2. do CORGA, o representante da Xunta estivo acompañado por Manuel González, coordinador científico do CRPIH; Marisol López, directora da Área de Lingüística do CRPIH e do proxecto CORGA; Guillermo Rojo, investigador colaborador do Ramón Piñeiro; Eva Domínguez e Mario Barcala, responsables, respectivamente, da coordinación lingüística e informática do proxecto.

Nova versión 3.2.

O CORGA é un corpus documental desenvolvido no CRPIH, por medio dun convenio de colaboración coa USC, e integrado por distintos tipos de textos -xornais, semanarios, revistas, ensaios e textos de ficción (novela, relato curto e teatro)- que abrangue temporalmente desde o ano 1975 ata a actualidade e que está codificado no estándar XML (eXtensible Markup Language). A amplitude de documentos que o configuran e os criterios empregados na súa selección permiten considerar este corpus representativo do uso lingüístico do galego actual.

O corpus da versión ampliada -accesible no enderezo http://corpus.cirp.gal/corga-, foi enriquecido automaticamente coa lematización e etiquetaxe morfosintáctica dos seus textos e contén 40.178.271 palabras ortográficas (48.184.012 elementos gramaticais) pertencentes maioritariamente a distintos tipos de textos escritos, mais tamén inclúe 25 horas de transcricións ortográficas de programas de radio nas que se aliña o texto coa voz.

As principais novidades que mostra fronte á versión anterior son a visualización da información recuperada en forma de expresións coincidentes, de xeito que os resultados iguais se reducen a un, e a presentación, a modo de dicionario de frecuencias, de listaxes personalizadas relativas a formas, etiquetas, lemas e hiperlemas mediante os parámetros lingüísticos e clasificatorios dispoñibles no sistema. Estas funcionalidades veñen completar as que xa se deron a coñecer na versión 3.1. do CORGA, agora ampliada.

Facilidade de consulta

A flexibilidade e potencialidade da aplicación de consulta permite empregar nunha mesma procura comodíns, operadores booleanos, sensibilidade a acentos ou maiúsculas e variables clasificatorias dos documentos combinándoos cos distintos tipos de modalidade de busca, por palabras ortográficas ou elementos gramaticais, ben sucesivos ben descontinuos, e mesmo reducir os resultados a expresións coincidentes ou obter frecuencias personalizadas de formas, lemas, etiquetas etc., o que converte o CORGA nunha ferramenta moi útil para extraer datos da lingua galega actual de tipo léxico, gramatical, terminolóxico, fraseolóxico, ou discursivo.

Para etiquetar e lematizar automaticamente os documentos do CORGA, a fin de dar un salto cualitativo na recuperación de información e formular consultas utilizando información gramatical, empregouse o XIADA, un etiquetador estatístico de alta precisión cuxa versión 2.7., tamén mellorada, está á disposición pública.