A versión 4.1 do CORGA supera os 45 millóns de palabras e marca un fito en codificación

Alumnado empregando a ferramenta lingüística nunha imaxe de Santi Alvite (USC)

A Universidade de Santiago achegou máis datos sobre a versión 4.1 do Corpus de Referencia do Galego Actual (CORGA) da que informamos os días pasados dende Código Cero, destacando que esta versión acadaba xa un total de 45.665.649 palabras ortográficas (54.737.277 elementos gramaticais), o que supón dous millóns e medio máis de vocábulos cós que incorporaba a versión 4.0, presentada a comezos de 2022. A nova versión do corpus, unha ferramenta lingüística en liña desenvolvida polo Centro Ramón Piñeiro para a Investigación en Humanidades (Secretaria Xeral de Lingua) e a USC, marca un fito lingüístico-tecnolóxico en materia de codificación, explica a universidade compostelá.
Trátase pois dun “corpus pequeno pero cunha rica codificación, o cal contrasta cos corpus doutras linguas de miles de millóns de palabras construídos a partir de Internet, pero cunha escasa codificación”, explica a profesora da USC María Sol López Martínez, codirectora do proxecto xunto a Guillermo Rojo, profesor emérito da USC. CORGA está coordinado, na súa parte lingüística, por Eva María Domínguez Noya e, na súa parte informática, por NLPgo Technologies S.L.
O CORGA é un corpus documental aberto que abrangue cronoloxicamente dende 1975 ata a actualidade, cuxo obxectivo é fornecer datos para o estudo da lingua galega actual dende múltiples perspectivas: léxica, morfolóxica, sintáctica, fraseolóxica, terminolóxica, discursiva, etc, e a súa mellora realízase de xeito continuo no marco do convenio entre o Centro Ramón Piñeiro para a Investigación en Humanidades a través da Secretaría Xeral da Lingua e a Universidade de Santiago de Compostela.
Con este corpus é posibel, por exemplo, identificar a partir de que ano se empeza a utilizar unha determinada palabra ou cando deixa de empregarse de forma cotián por cambios tecnolóxicos ou sociais, entre outros, ou localizar bibliografía que trate dun determinado tema.
Esta nova versión presenta utilidades innovadoras coma a recuperación de información pola modalidade inventario ou un dicionario de frecuencias que ten en conta o índice de dispersión, co que achega resultados moito máis relevantes sobre a frecuencia do léxico. Así mesmo, facilita o recoñecemento de formas con gheada e seseo e permite realizar estudos variados dende a perspectiva de xénero: tendo en conta o emprego da linguaxe inclusiva non binaria directa, atendendo á discriminación dos resultados en función do sexo da persoa autora ou interlocutora ou habililitando cruzamentos entre o sexo dunha persoa autora e o dos personaxes.
Ademais póñense á disposición da comunidade dúas novas ferramentas no Etiquetador/Lematizador do Galego Actual XIADA: na sección Demostración, calquera persoa pode etiquetar morfosintacticamente arquivos de texto sen necesidade de instalar programas, sen ter que se rexistrar e sen precisar coñecementos técnicos e na pestana Flexionador accédese a un recurso verbal e nominal que proporciona os elementos do paradigma, asociados sempre a unha etiqueta morfosintáctica e con indicacións sobre a súa normatividade. A maiores, o flexionador conéctase co CORGA, de xeito que se poden observar os elementos do paradigma en múltiples contextos reais de uso.
En síntese, indica María Sol López, o sistema CORGA-XIADA “é unha ferramenta potente, flexíbel, amigábel e tamén innovadora, de suma utilidade para extraer datos da lingua galega actual”.