En el marco de la creación de la tesis doctoral que lleva por nombre tentativo “Eti- quetador automático de los estados de activación en el español del noroeste de Méxi- co”, se plantea la construcción de COPENOR. Este corpus recolecta 380 notas de 92 medios de comunicación del noroeste de México, región que abarca los estados de Baja California, Baja California Sur, Sonora, Chihuahua, Durango y Sinaloa. El obje- tivo de este corpus es servir como base para el análisis de un grupo de categorías pragmáticas que pertenecen a la Estructura de la Información, llamadas “Estados de Activación” [1]. La meta de este análisis es desarrollar estrategias para identificar y etiquetar estas categorías de manera automática.
La creación de este corpus la hemos dividido en dos etapas. En la primera etapa se recolectaron los medios de cada estado a partir de la base de datos de dos páginas de internet [2, 3]. Posterior a esto, se corroboró con dos periodistas de Baja California que no hiciera falta algún medio importante. Se consultó cada medio para revisar que tuvieran una producción de por lo menos una nota local a la semana. La muestra de la cantidad de notas se tomó a partir de considerar que un medio productivo genera aproximadamente 10 notas al día. Con esto, llegamos a que los medios del noroeste estarían generando 57,000 notas en una ventana temporal de dos meses. Una muestra de este universo tomando un 95% de confianza y un 5% de margen de error dio como resultado 380 notas. Con un programa en Python, se asignó un muestreo aleatorio por conglomerado (tomando como parámetro cada estado) y se recolectaron diariamente 7 notas entre el 23 de mayo y el 16 de julio del 2019, notas que fueron guardadas en un documento XML. Un segundo paso, que inicia en agosto de este año, es el etiquetado gramatical utilizando EAGLES, el análisis y etiquetado de Frases Nominales, y el análisis y asignación de la propiedad del Estado de Activación. En la presentación se pretende mostrar el proceso a partir del cual se etiquetan a mano estas propiedades gramaticales y el uso del Diccionario del Español de México para asistir a esta tarea. La pertinencia de este corpus reside principalmente en las variaciones dialectales que existen en el noroeste de México, considerado desde hace años como zona dialectal [4, 5], además de la nula existencia de un corpus del español mexicano etiquetado con estas propiedades discursivas.
Referencias
- Lambrecht, K., Information structure and sentence form: topic, focus, and the mental rep- resentations of discourse referents. Cambridge University Press, New York (1994).
- ABYZ News Links http://www.abyznewslinks.com/
- Prensa Escrita http://www.prensaescrita.com/
- Serrano, J. C., ¿Existe el noroeste mexicano como zona dialectal? Un acercamiento per- ceptual. En: M endoza Guerrero, E., López Berríos, M . y M oreno Rojas, I. E. (eds.) LENGUA, LITERATURA Y REGIÓN, pp. 107-130. Universidad Autónoma de Sinaloa, M éxico (2009).
- M endoza Guerrero, E., El Español del noroeste mexicano: un acercamiento desde adentro. En Cestero M ancera, A. M ., M olina M artos, I. y Paredes García, F. (eds.) ESTUDIOS SOCIOLINGÜÍSTICOS DEL ESPAÑOL DE ESPAÑA Y AM ÉRICA, pp. 159-167. Arco Libros, M adrid (2006).