El Corpus Nacional Británico, por sus siglas en inglés BNC (British National Corpus), es una colección de 100-millones de palabras y muestras habladas y escritas en inglés, que provienen de varias fuentes. El corpus cubre inglés británico desde finales del hasta una amplia variedad de géneros con la intención de que sea una muestra representativa del inglés Británico hablado y escrito de la época.
Historia Para poder crea BNC se requirieron 3 editoriales, la prensa de la Universidad de Oxford como colaboración líder, junto con Longman y W. & R. Chambers), dos universidades, la Universidad de Oxford y la Universidad de Lancaster , y finalmente con la ayuda de la librería Británica.
La creación de la BNC comenzó en 1991 bajo el consorcio de la misma, el proyecto terminó en 1994. No ha habido adiciones de nuevas muestras a partir de 1994 pero la BNC se sometió a revisiones leves antes del lanzamiento de la segunda edición mundial (2001), la tercera edición de la BNC fue la edición XML (2007).What is the BNC?. Retrieved 12 March 2012.
Antecedentes Inicialmente la BNC era la visión de los lingüistas computacionales cuyo objetivo era un corpus (colección de textos) moderno, con un lenguaje natural que manejara palabras, textos o escrito que pudieran ser analizada por un ordenador. Dicho esto, se compila como un corpus general que se hace legible por los ordenadores para facilitar la búsqueda automática y el procesamiento en el campo de la lingüística. Una de las cualidades de la BNC que logró diferenciarla de los demás corpus existentes, fue agregar los datos del uso de la investigación académica, uso comercial y educativo.
El corpus se limita al inglés británico y no se extendió para cubrir lenguas inglesas globales; esto se debe a que una gran porción del costo del proyecto fue financiado por el gobierno británico, con el fin de apoyar la documentación de su propia diversidad lingüística.
Debido a su tamaño y a su falta de precedentes, la BNC requiere fondos de las instituciones comerciales y académicos también, a su vez, se convirtieron entonces en valores almacenados de la BNC, datos disponibles para la investigación comercial y académica.
Descripción La BNC es un corpus monolingüe, ya que únicamente registra muestras del lenguaje Británico, aunque en ocasiones, palabras y frases de otros idiomas también pueden estar presentes. Es un corpus sincrónico ya que sólo se representó el uso del lenguaje utilizado a finales del . La BNC no se destina como un registro histórico sobre el desarrollo de inglés británico a través de los años. Desde el principio los que participan en el registro de datos escritos trataron en hacer que la BNC fuera un corpus equilibrado y por lo tanto buscaron datos en varias fuentes.
Componentes y contenido thumb|upright=3.1|Estructura de la BNC. Corpus escrito 90% de la BNC son muestras del uso del lenguaje escrito. Estas muestras fueron extraídas de periódicos regionales y nacionales, revistas de investigación o periódicos de distintos ámbitos académicos, ficción, material inédito, folletos, catálogos, cartas, ensayos escritos por estudiantes de diferentes niveles académicos , discursos, guiones y muchos otros tipos de textos.British National Corpus. Retrieved 12 March 2012.
Corpus hablado El 10% restante de la BNC son muestras del uso del lenguaje hablado. Estos se presentan y se registran en forma de transcripciones ortográficas. El corpus hablado consta de dos partes: una parte es demográfica, que contiene las transcripciones de conversaciones espontáneas naturales producidos por voluntarios de diferentes grupos de edad, clases sociales y procedentes de diferentes regiones. Estas conversaciones fueron producidas en diferentes situaciones, incluyendo reuniones de negocios, gubernamentales, formales, conversaciones en programas de radio y llamadas telefónicas. Estas muestras principalmente sirvieron para tener en cuenta tanto la distribución demográfica de la lengua oral como la variación lingüística a causa del contexto.
La segunda parte consiste en muestras de contexto, las cuales se manejan como transcripciones de las grabaciones realizadas en determinados tipos de reuniones y eventos. Todas las muestras de grabación originales disponibles para su inclusión en la BNC se han depositado en los Archivos de Biblioteca Sonora Británica. La mayoría de las grabaciones están disponibles de manera gratuita en el siguiente enlace.
https://www.phon.ox.ac.uk/AudioBNC
Sub-corpus Existen dos sub-corpus (subconjuntos de los datos BNC) para el público: "BNC baby" y "BNC Sampler", ambas puede pedirse en línea a través de la página web de BNC."BNC baby" es un sub-corpus de BNC que consta de cuatro grupos de muestras, cada uno cuenta con un millón de palabras en la categoría. Las palabras de cada conjunto de muestras corresponden a una etiqueta de género específico, un conjunto de muestras contienen conversaciones habladas y los otros tres conjuntos de la muestra contiene textos escritos divididos en: escritura académica, ficción y periódicos respectivamente. La última edición (tercera), salió a la venta y se presenta en formato XML.
La "BNC Sampler" es un sub-corpus que consta de dos segmentos, una parte para cada uno de los datos escritos y hablados. Cada parte contiene un millón de palabras. Originalmente fue utilizado en un proyecto para encontrar la manera de mejorar el proceso de etiquetado (tagging) para el BNC, que finalmente llevan a la edición BNC Mundial. A lo largo del proyecto, la "BNC Sampler" mejoró al aumentar la experiencia y el conocimiento para etiquetar (tagging), lo cual conduce a las mejoras actuales que hoy ofrece.
Etiquetado (Tagging) El corpus de la BNC ha sido etiquetado con información gramática (parte de la oración). El sistema de marcado o Tagging, denominado "Garras", fue sufriendo cambios y mejoras mejoras para lograr la última actualización "CLAWS4", la cual sirve como herramienta para etiquetar a la BNC. CLAWS1 se basó en un Modelo Oculto de Markov (HMM) y cuando se emplea en el etiquetado automático logra etiquetar con éxito 96% a 97% de cada texto analizado. CLAWS1 se actualizó a CLAWS2, a partir de la necesidad de la eliminación del procesamiento manual para preparar los textos etiquetados automáticamente. La última versión, CLAWS4, incluye mejoras como la más potente habilidad de desambiguación lingüística (WSD), y la capacidad para diferenciar a la variación de la ortografía y el lenguaje de marcado. Posteriormente el sistema de etiquetado observó el aumento en las tasas de éxito para el tagging automático y la reducción del trabajo necesario para el proceso manual, manteniendo al mismo tiempo la eficacia y la eficiencia mediante la introducción de software para el reemplazo de cierto porcentaje del trabajo manual.
Subsecuente mente, un nuevo sistema llamado "Plantillas Tagger" se introdujo para una función correctiva y más tarde se añadieron taggs para temas con mayor ambigüedad. El etiquetado manual sigue siendo necesario, ya que CLAWS4 todavía es incapaz de reconocer palabras extranjeras.
Información técnica El corpus sigue las recomendaciones de la Iniciativa de Codificación de texto, el cual incluye la anotación lingüísticacompleta y la información contextual.
Acceso La licencia para CLAWS4 , puede ser comprado para usar el etiquetador. Alternativamente, la Universidad de Lancaster también ofrece un tagger.
La BNC en sí puede ser ordenada como una licencia personal o institucional. La edición disponible es la edición de XML BNC y viene con el software que incluye el motor de búsqueda Xaira. Estos pedidos también puede llevarse a cabo a través de la página web BNC. El corpus cuenta con un administrador en línea, BNCweb, el cual ha sido desarrollado para la edición de XML BNC. La interfaz está diseñada para ser fácil y de uso intuitivo, el programa ofrece características y funciones de consulta para el análisis del corpus, los usuarios pueden recuperar resultados y datos de búsquedas y análisis.
Problemas con identificación del usuario El BNC fue el primer corpus de texto de su tamaño en difundirse ampliamente. Esto podría atribuirse a la manera estándar del acuerdo entre los titulares de los derechos, por otra parte también se atribuye consorcio.Los derechos (DPI) son titulares de propiedad intelectual, se buscaron para su el acuerdo con la licencia estándar, sobre todo por la voluntad de incorporar sus materiales en el corpus sin excepción. Esta disposición de derechos puede facilitarse por la originalidad del concepto y la importante asociación con el proyecto.
Sin embargo, fue un reto para mantener oculta la identidad de los contribuyentes sin desacreditar el valor de su trabajo. Cualquier clara alusión a la identidad de los contribuyentes fue eliminado y se discutió la alternativa de sustituir la identidad con un nombre diferente. Aun así, esta solución no se consideró factible.
Anteriormente, a los contribuidores se les pidió únicamente incorporar versiones transcritas de su discurso y no uno creado por ellos, mientras que el permiso podría buscarse a partir de colaboradores iniciales, una vez más la falta de éxito en el proceso de anonimización significaba que sería un desafío buscar materiales de los contribuyentes iniciales. Al mismo tiempo dos factores agravan la falta de voluntad de los propietarios de derechos de propiedad intelectual a donar sus materiales: primeramente, los textos completos debían ser excluidos, y finalmente, no había ningún motivo para transmitir información a través del corpus, en particular desde el corpus sobre alguna base no comercial .
Problemas y limitaciones
Categorías excesivamente amplias Para el año 2001 la BNC aún no tenía la división de los textos en categorías más allá de los textos en dominio, y ninguna categorización de textos hablados excepto por el contexto y las clases demográficas o socioeconómicas, por ejemplo, una amplia variedad de textos imaginativos (novelas, cuentos, poemas y guiones de teatro) se incluyeron en el BNC, pero dichas inclusiones se consideraron inútiles ya que los investigadores no fueron capaces de recuperar fácilmente los subgéneros con los cuales se tenían que trabajar (por ejemplo poesías) ya que esta información se omitió en las cabeceras de los archivos y en toda la documentación BNC. Dicho esto, no había manera de saber si un texto "imaginativo" en realidad procedía de una novela, un cuento, un guion de teatro o una colección de poemas a menos que el título en realidad incluye palabras como "novela" o "poema".
Con la introducción de una nueva versión en el 2002, surge el "World Edition BNC", el cual trató de solucionar este problema. Además de registros de dominio, en la actualidad hay 70 categorías de género para ambos textos hablados y los datos grabados, motivo por el cual los investigadores ahora pueden archivar o buscar específicamente por género.
Aún después de las actualizaciones la aplicación sigue siendo complicada, ya que la asignación de un género o subgénero a un texto no es sencillo. Las divisiones son menos claras para los datos hablados que los datos escritos ya que no había más variación en el tema y ejecución. Además, siempre habrá posibles subconjuntos de géneros de cada subgénero. ¿A qué distancia se subdividen géneros se pre-determina por lo específico de la búsqueda, pero los investigadores tienen la opción de hacer las divisiones más generales o específicas en función de sus necesidades. La categorización es también un problema ya que algunos textos se considera parte de algún género interdisciplinario como la lingüística, incluyen contenido que posteriormente se clasifica en cualquiera de las artes o categorías de la ciencia debido al tipo de su contenido. Se advierte a los usuarios estar conscientes de estas posibilidades.
Error de clasificación o errores ortográficos