ISSN: 2255-3703
107
Skopos 9 (2018), 107-122
Big data y corpus lingüísticos para el estudio de la
densidad léxica
Adela González Fernández
Universidad de Córdoba
adela.gonzalez@uco.es
Fecha de recepción: 20.7.2018
Fecha de aceptación: 15.09.2018
Resumen: La unión entre la Informática y de la Lingüística es cada vez más
frecuente en las investigaciones en el campo del lenguaje y de las lenguas. La
Lingüística de corpus, en especial, se está viendo beneficiada por este
emparejamiento, gracias a los avances a la hora de gestionar y procesar los corpora.
En este trabajo damos un paso más y proponemos el trabajo en Lingüística de
corpus a través de big data, en general, y de Twitter, en particular. Gracias a la
creación de una herramienta informática diseñada específicamente para el trabajo
lingüístico en big data, obtendremos una inmensa cantidad de información textual
que nos servirá para la compilación de corpora mediante los que estudiaremos la
diversidad léxica en el lenguaje de cuatro escritores españoles. Para ello,
extraeremos los tuits publicados por ellos en sus cuentas de Twitter y los
procesaremos a través de nuestra herramienta para obtener la información deseada.
Intentaremos demostrar, también, la mejora que esta nueva metodología supone en
este tipo de estudios.
Palabras clave: lingüística de corpus; densidad léxica; diversidad léxica; big data;
Twitter.
Big data and linguistic corpora as a tool for the study of lexical
density
Abstract: The merger of Computer Sciences and Linguistics is increasingly common
in researches in the field of languages. Corpus linguistics, specially, is benefiting
from this matching, due to the improvements in management and processing of
corpora. In this work we go one step further and suggest working in Corpus
linguistics with big data, in general, and Twitter, in particular. Thanks to the
development of a software specifically designed for linguistic work with big data, we
will obtain a vast amount of information which will be used to compile linguistic
corpora through which we will study the lexical density in four Spanish writers. In
order to do that, we will obtain the tweets published by them in their Twitter accounts
and we will process them with our software tool. We also aim to prove the benefits
that this methodology implies in this kind of research.
Key words: corpus linguistics; lexical density; lexical diversity; big data; Twitter.
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
108
Skopos 9 (2018), 107-122
Sumario: Introducción. 1. Marco teórico. 2. Metodología. 3. Resultados. Conclusiones.
Introducción
La relación entre la Lingüística y la Informática ha pasado por
distintas etapas desde sus inicios hasta la actualidad, y se ha vuelto tan
estrecha que ya es difícil imaginarse el estudio sobre el lenguaje sin el
soporte informático. Para Tognini-Bonelli (2001), la introducción de los
ordenadores en el ámbito lingüístico y, más concretamente, en el trabajo
con corpus, recorre fundamentalmente tres etapas. La primera de ellas
consideraba a la Informática como una simple herramienta para el trabajo
lingüístico –hasta el momento la mayor contribución a la Lingüística, según
la autora–, gracias a la cual era posible gestionar y procesar la información
de una manera más rápida y cómoda. La siguiente fase se caracterizó no
solo por la mayor abundancia de ejemplos reales de información, sino por la
propia naturaleza de los ordenadores, que afectó al marco metodológico de
la investigación gracias a una mayor velocidad, sistematización y volumen
de los datos. La década de los noventa fue testigo de la tercera etapa que
describe Tognini-Bonelli, gracias al increíble aumento de la información
procesable con la ayuda del ordenador, que contribuyó no solo a la mejora
cualitativa sino también a la cuantitativa y, con ellas, a la revolución que ha
aportado nuevos enfoques y removido cuestiones teóricas ya establecidas.
Este hecho ha provocado que autores como Leech (1992), Halliday (1993) o
la propia Tognini-Bonelli (2001) entre muchos otros, defiendan la posición
de la Lingüística de Corpus como ciencia, más allá del estatus metodológico
que se le ha otorgado tradicionalmente.
Reconocen Renouf y Kehoe (2006) que, tras más de veinte años, la
Lingüística de Corpus acoge una mayor variedad de actividades,
relacionadas con la elaboración de corpus de pequeño, mediano o gran
tamaño, así como con la construcción de corpus multidimensionales.
Además, también está relacionada con el análisis de estos corpus, su
evaluación y la revisión de teorías existentes. Insisten los autores en el
prólogo de su libro The Changing Face of Corpus Linguistics (Renouf y
Kehoe, 2006) en que no son estos los únicos aspectos en los que la
Lingüística de Corpus está sufriendo cambios, y nos recuerdan que la
lengua es un fenómeno cambiante y que el concepto de corpus se está
viendo modificado a partir de la disponibilidad de textos accesibles desde la
World Wide Web. Leech (2007: 133) refuerza esta idea cuando afirma que:
in one sense corpus linguistcs appear to inhabit an expanding universe.
The Internet provides a virtually boundless resource for the methods of
corpus linguistics. In addition, there is continuing growth in the number
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
109
Skopos 9 (2018), 107-122
and extent of text archives and other text resources.... This is greatly to
be welcomed, obviously.
Siguiendo esta línea, hemos utilizado para este trabajo una
metodología novedosa que supera la etapa de la Web como corpus
(Kilgarriff 2001; Kilgarriff y Grefenstette 2003) puesto que aúna el trabajo
con corpus y con big data.
Entendemos por big data, grosso modo, los grandes conjuntos de
información que por sus características no pueden ser obtenidos,
gestionados ni procesados por herramientas tradicionales en un período de
tiempo razonable. Big data se caracteriza por tres rasgos fundamentales
que lo diferencian de la información tradicional: el enorme volumen de datos
que lo componen, la velocidad con la que esos datos se generan y se
transmiten y la variedad de formatos, temas, procedencias y tipos que lo
forman. Las posibilidades que se le abren al investigador lingüístico en este
sentido son muy numerosas, puesto que gracias a big data es posible
realizar análisis más exhaustivos, basados en millones de datos y con muy
poca inversión de tiempo, lo que repercute en mayor conocimiento y
mayores beneficios, con mucho menor esfuerzo por parte del analista.
Dentro de big data, hemos seleccionado el servicio de microblogging
más utilizado mundialmente, Twitter, como base de datos para llevar a cabo
análisis sobre el lenguaje debido a su naturaleza, más centrada en
elementos textuales que gráficos o audiovisuales, así como su
consideración por parte de los usuarios como plataforma para comunicarse
con los demás, expresar opiniones y sentimientos o para transmitir
información. Como Gantz y Reinsel (2011) afirman, los medios sociales,
como Twitter, son las nuevas fuentes de información porque han construido
sistemas en los que los consumidores, de manera consciente o no, generan
flujos de información continuos que tienen la capacidad de expandirse
rápidamente gracias a las características de Internet.
Son numerosas las investigaciones acerca de la densidad lingüística,
como el Proyecto Aracne de la Fundéu BBVA (2015), Ávila (1991), Gómez
Molina (2004), Rodríguez-Tapia (2016), etc., aunque ninguna de ellas
trabaja con las técnicas de big data. Algunos estudios lingüísticos de otra
índole que han seguido esta técnica son, por ejemplo, el de Grieve, Nini,
Guo y Kasakoff (2015) Huang, Guo, Kasakoff y Grieve (2016), donde
estudian la variedad y el cambio lingüístico a través de Twitter; o Renouff
(2015), quien destaca las ventajas de la utilización de big data para la
Lingüística de Corpus.
Esta investigación pretende demostrar la utilidad de trabajar con esta
metodología para la obtención de información que nos permita determinar la
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
110
Skopos 9 (2018), 107-122
densidad léxica de determinados tipos de textos. En este caso concreto,
hemos querido seleccionar para el estudio, y para evidenciar la posibilidad
de realizar este tipo de estudios a través de una herramienta informática
sobre el corpus de Twitter, el lenguaje de cuatro escritores españoles.
1. Marco teórico
Antes de comenzar, es importante tener en cuenta algunas
consideraciones teóricas acerca de la cuestión de la densidad léxica.
Johansson (2008) define diversidad léxica como una “medida que da
cuenta del número de palabras diferentes que hay en un texto”, mientras
que explica que la densidad léxica “mide la proporción de elementos léxicos
(sustantivos, verbos, adjetivos y algunos adverbios) en el texto” (Johansson
2008: 63). Explica la autora, además, que es teoréticamente posible que un
texto tenga una alta diversidad léxica –que contenga muchos tipos distintos
de palabras– y una baja densidad léxica –porque aparezcan más
pronombres y verbos auxiliares que sustantivos o verbos léxicos– o
viceversa.
Gelbukh, Sidorov y Chanona (2002: 3) explican que una de las
desventajas de los corpus tradicionales es que presentan pocas o ninguna
ocurrencia de muchas palabras, mientras que otras aparecen muy
repetidas, debido al fenómeno conocido como la ley de Zipf (Zipf 1965).
También Rayson, Walkerdine, Fletcher y Kilgarriff (2006) achacan a esta ley
el hecho de que la mitad de las palabras que hay en los corpus aparecen
una sola vez, por lo que los grandes corpus son necesarios para asegurar la
inclusión de palabras y frases fundamentales y para aumentar las
posibilidades de aparición
Algunos autores, como Daller, van Hout y Treffers-Daller (2003)
intercambian indistintamente el uso del término diversidad léxica con el de
riqueza léxica, mientras que otros, como Malvern et al. (2004), en
Johansonn (2008), indican que la diversidad léxica es solo una parte del
concepto multidimensional de riqueza léxica. En esta línea, Laufer y Nation
(1995: 309) enumeran varios elementos para medir la riqueza léxica, que
son: originalidad léxica, densidad léxica, sofisticación léxica y variación
léxica. En este trabajo, siguiendo a Daller, van Hout y Treffers-Daller (2003),
así como a Gregori Signes y Clavel Arroitia (2015) y al Proyecto Aracne de
la Fundéu BBVA (2015), utilizaremos los términos densidad léxica, riqueza
léxica y diversidad léxica como sinónimos.
Tradicionalmente, la riqueza léxica de los textos se ha medido a
través de la denominada TTR (Type-Token Ratio), donde token se refiere al
número total de palabras que un texto contiene (casos, en español) y type al
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
111
Skopos 9 (2018), 107-122
repertorio de palabras distintas (tipos, en español) (Bergman y Paavola
2003). Cuanto más variado sea el vocabulario de un texto, mayor diversidad
léxica tendrá, lo que significa que estará compuesto por un alto número de
palabras distintas y poco repetidas. La relación tipo-caso se obtiene de
dividir los primeros entre los segundos:
TTR=tipo/caso
La siguiente oración, por ejemplo, tiene una TTR de 1, puesto que
tiene el mismo número de tipos que de casos, porque no se repite ninguna
palabra:
El viaje consistió únicamente en cinco días cabalgando y
descansando, sin conversaciones.
La oración consta de doce palabras y ninguna de ellas se repite, por
lo que 12/12=1. Por el contrario, la siguiente oración:
Él se detuvo unos pasos por delante y se dio la vuelta.
Tiene una ratio de 0,91, puesto que, de 12 palabras que la
componen, hay una (“se”) que se repite dos veces. Por lo tanto: 11/12=0,91.
La relación entre los tipos y los casos se mueve inevitablemente entre
los valores 0 y 1, puesto que, siendo los tipos de un texto n –dependiendo
de su longitud–, los casos, como mínimo, darán un valor de 1 y, como
máximo, de n. Esto quiere decir que los valores posibles de TTR oscilarán
entre 1/n –cuando haya solo una palabra distinta–y n/n (que es igual a 1) –
cuando no se repita ninguna palabra.
En este trabajo, mostramos los resultados de densidad lingüística en
términos de porcentajes, como es habitual en los estudios lingüísticos, para
facilitar la comprensión. Estos porcentajes resultan de multiplicar por cien el
resultado de la división entre tipos y casos.
A pesar del uso generalizado de este procedimiento, existen algunos
problemas y limitaciones que es necesario tener en cuenta a la hora de
utilizarlo para medir la densidad léxica de un texto.
En primer lugar, la relación entre los tipos y los casos surgió como
recurso para analizar la lengua inglesa, cuya variación morfológica es
mucho menor que la del español. Por ello, la ratio TTR considera distintas
las palabras que comparten un mismo lema, algo que puede resultar útil
para lenguas poco flexivas. Sin embargo, esto implica que un mismo lema
en un idioma flexivo como el español es contabilizado como varias palabras
distintas, según vaya variando en género y en número (o persona y tiempo,
en el caso de los verbos). De esta forma, los artículos determinados el, la,
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
112
Skopos 9 (2018), 107-122
los, las, son contemplados como cuatro palabras distintas, mientras que en
inglés es solo una: the.
Por otro lado, es obvio que esta relación se ve muy condicionada por
la longitud de los textos, ya que, cuanto mayor sea su extensión, más
probabilidades hay de que las palabras aparezcan en más de una ocasión.
2. Metodología
Para poder llevar a cabo un estudio de estas características, en el
que la fuente de información y el material para la elaboración del corpus es
big data, hemos realizado el diseño y la implementación de una herramienta
informática que permite extraer de Twitter la información lingüística que se
le solicite, así como almacenarla, gestionarla y analizarla (González-
Fernández 2016). En este caso, hemos confeccionado un corpus con el
material textual de las cuentas individuales de esta plataforma de cuatro
escritores españoles de reconocido prestigio y con una participación activa
en ella. Los autores son: Mónica Carrillo (@MonicaCarrillo), Arturo Pérez
Reverte (@perezreverte), Daniel Sánchez Arévalo (@sanchezarevalo) y
Lucía Etxebarria (@LaEtxebarria). La elección de estos escritores y no otros
viene motivada por su alta participación en la red social y, por consiguiente,
las posibilidades que ofrecían para la realización de un estudio significativo.
La herramienta que hemos mencionado contiene distintas
funcionalidades que permiten al usuario trabajar con la información de
diversas maneras y obtener resultados desde perspectivas diferentes,
según las necesidades de la investigación. Los datos son extraídos a partir
de la API oficial de Twitter: TwitterAPI. Entendemos por API (Application
Programming Interface):
Un conjunto de reglas (código) y especificaciones que las aplicaciones
pueden seguir para comunicarse entre ellas: sirviendo de interfaz entre
programas diferentes de la misma manera en que la interfaz de usuario
facilita la interacción humano-software (Merino, 2014).
La herramienta obtiene los tuits a partir de esta interfaz, que facilita el
intercambio de datos, los procesa y los transforma en lenguaje JSON. JSON
(JavaScript Object Notation) es un formato ligero de intercambio de datos,
independiente del lenguaje y basado en el texto que permite la transmisión
de información estructurada entre todos los lenguajes de programación. A
partir de este momento, se realizan, mediante toda una serie de técnicas
informáticas, se realizan procesos de análisis de los datos desde una
perspectiva puramente lingüística. Puesto que nuestro interés, en este caso,
ha sido realizar un análisis de la densidad léxica en el corpus extraído,
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
113
Skopos 9 (2018), 107-122
hemos realizado la búsqueda en las cuentas de los escritores mencionados
y hemos aplicado la función de análisis de densidad léxica.
El corpus obtenido, que por motivos de espacio no podemos mostrar
aquí, contiene una media aproximada de 2300 tuits por cada escritor; es
decir, unos 9200 tuits en total. Las fechas de publicación de estos tuits
varían, puesto que, aunque el número de tuits de cada uno es similar –en la
Figura 5 se muestran los datos–, no lo es la frecuencia con la que escriben
o no todos han escrito exactamente en las mismas fechas. Por lo tanto, se
tratan de los últimos tuits obtenidos con fecha de marzo de 2016.
3. Resultados
A continuación, mostramos los resultados obtenidos tras el análisis de
todos estos tuits, de forma individual para cada escritor. Como podemos ver
en las distintas figuras (Figura 1, Figura 2, Figura 3 y Figura 4), la
información devuelta por la herramienta hace referencia a los conceptos de
tipos, casos y densidad de la lengua, explicados anteriormente.
Mónica Carrillo:
Figura 1. Relación tipo/caso en la cuenta de Mónica Carillo
Arturo Pérez-Reverte:
Figura 2. Relación tipo/caso en la cuenta de Arturo Pérez-Reverte
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
114
Skopos 9 (2018), 107-122
Daniel Sánchez Arévalo:
Figura 3. Relación tipo/caso en la cuenta de Daniel Sánchez Arévalo
Lucía Extebarria:
Figura 4. Relación tipo/caso en la cuenta de Lucía Etxebarria
La información que nos aportan estas tablas consiste en un recuento
del número de casos de los tuits recopilados, por un lado (fila 2); el número
total de tipos (fila 1), por otro; y, por último, la relación entre ambos valores,
representada en términos de porcentaje (fila 3), como hemos visto
anteriormente.
Si comparamos los datos pertenecientes a los cuatro escritores,
podemos ver cómo Mónica Carillo y Lucía Etxebarria obtienen
prácticamente el mismo nivel de densidad léxica –28,06% y 28,05%,
respectivamente–. Arturo Pérez-Reverte está muy próximo a ellas, con una
diferencia de un 0,24%, mientras que Daniel Sánchez Arévalo se queda
más atrás con 24,14%.
Para que el análisis resulte más sencillo, presentamos a continuación
los datos obtenidos en una tabla comparativa:
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
115
Skopos 9 (2018), 107-122
Datos
Carrillo
Pérez-
Reverte
Sánchez
Arévalo
Etxebarria
Número
de tuits
2509
1629
2820
2201
Tipos
6925
6054
9119
8860
Casos
24678
21768
37768
31583
Densidad
28,06%
27,81%
24,14%
28,05%
Figura 5. Comparación densidad léxica entre los autores analizados
Como se puede observar, en la tabla se ha incluido un dato más,
relativo al número de tuits que la herramienta devuelve de cada autor. Este
dato es importante porque, recordemos, la longitud del texto determina el
cálculo de su densidad léxica, como ya hemos explicado.
Según esto, la baja densidad de Daniel Sánchez Arévalo puede venir
explicada por el mayor número de publicaciones –y, por ende, de casos–
con respecto a sus compañeros. Por otro lado, Lucía Etxebarria, de quien
se han obtenido menos tuits que de su compañera, Mónica Carrillo, tiene un
número mayor de casos que esta, lo que indica que ha introducido más
variedad en los 140 caracteres disponibles para cada post. Esto quiere decir
que el alto valor de densidad léxica de Etxebarria se ve reforzado, teniendo
en cuenta que, aunque haya publicado menos tuits, ha producido más
casos que los dos anteriores.
Puesto que la longitud del texto y el número de casos son factores
limitantes a la hora de establecer una densidad léxica real, estos resultados
no pueden considerarse como valores absolutos. Las comparaciones, por
tanto, no son estrictamente fieles a la realidad ya que sería necesario
analizar el mismo número de casos en los distintos sujetos de estudio, para
poder determinar con fiabilidad cuáles son las densidades en cada uno de
ellos.
Para ello, la herramienta que se ha diseñado propone una solución,
que consiste en una gráfica segmentada que permite seleccionar un número
concreto de casos en un momento determinado y en todas las cuentas. Esto
quiere decir que es posible saber, dado un número determinado de palabras
producidas, cuál es la relación entre tipos y casos de ese usuario y, por lo
tanto, obtener una comparación real.
En el momento de utilizar esta función de la herramienta, hemos
seleccionado el punto de la gráfica coincidente con 20.000 palabras en los
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
116
Skopos 9 (2018), 107-122
cuatro casos. El motivo de esta cifra es la búsqueda de un valor alto, pero
que todos los escritores compartieran, para que pudiera hacerse la
comparación. Como Pérez-Reverte es el que menos casos tiene, se ha
escogido una cifra próxima a su máximo de palabras. A continuación
mostramos las gráficas individuales, donde la línea roja diagonal representa
el 100% de los casos y que la línea indica el número de tipos en relación a
los casos concretos, según vayan aumentando a lo largo del tiempo. Como
se puede observar, aparece, en verde, el número de casos seleccionado –
20000– y, en color negro, los tipos contabilizados dentro de ese número de
casos. El porcentaje de la densidad es el resultado de la división del número
de tipos entre el número de casos y su multiplicación por 100.
Mónica Carrillo:
Figura 6. Densidad léxica segmentada de Mónica Carrillo
Arturo Pérez-Reverte:
Figura 7. Densidad léxica segmentada de Arturo Pérez-Reverte
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
117
Skopos 9 (2018), 107-122
Daniel Sánchez Arévalo:
Figura 8. Densidad léxica segmentada de Daniel Sánchez Arévalo
Lucía Etxebarria:
Figura 9. Densidad léxica segmentada de Lucía Etxebarria
En la figura siguiente, aparece una tabla a modo de resumen con los
resultados obtenidos:
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
118
Skopos 9 (2018), 107-122
Datos
Carrillo
Pérez-
Reverte
Sánchez
Arévalo
Etxebarria
Casos
20.000
20.000
20.000
20.000
Tipos
5866
5706
5478
5984
Densidad
29,3%
28,5%
27,39%
29,9%
Figura 10. Comparación densidad léxica segmentada entre los autores analizados
Como era de esperar, los valores de la densidad léxica no solo varían
con respecto a los valores totales, sino que todos ellos aumentan y,
además, se acercan entre sí; lo que demuestra que, efectivamente, cuanto
mayor sea longitud del texto que analicemos, menor será la variedad de
palabras que éste contenga. Sin embargo, a pesar de la variación de
porcentajes, el orden de los autores que mayor o menor densidad presentan
no se ve alterado prácticamente, con la excepción de Lucía Etxebarria, que
supera a Mónica Carrillo en seis décimas. Una vez más, por tanto,
comprobamos que el hecho de tener más casos le supone, a la postre, que
su valor de densidad se iguale al de Carrillo, a pesar de los casi 7000 casos
de diferencia entre ambas autoras.
Conclusiones
Tras la realización de este estudio, nos preguntamos si la densidad
léxica está relacionada con un lenguaje pobre, inexacto o incorrecto.
Aunque, en principio, no tenemos la convicción de que exista
necesariamente una relación directa entre estos dos aspectos, es posible
que un lenguaje cuidado y sobre el que se ha reflexionado conduzca, casi
de manera natural, a un aumento en la variedad de las palabras que lo
componen. Esto redunda en una reflexión más profunda acerca de la lengua
que tiene como resultado un uso más correcto de sus reglas.
En los escritores estudiados se cumple esta premisa con el autor que
presenta menor densidad léxica, Sánchez Arévalo. Realizando un análisis
más exhaustivo de sus producciones textuales, comprobamos que comete
algunos usos no normativos, relacionados con el queísmo o algunas
expresiones como en base a. Además, utiliza numerosos rasgos
característicos del lenguaje coloquial, la expresión en plan, o
representaciones de la risa (jajajaja):
7 nov 2015,
13:39 h.
@faustianovich Te he tocado la patata? ;) Me alegro.
(Me acabo de dar cuenta que este tweet nunca se
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
119
Skopos 9 (2018), 107-122
envió. Qué cosas)
25 may 2014,
22:18 h.
Las radios del Spotify siempre empiezan bien, con buen
criterio en base a tu selección, pero luego se les
empieza a ir la olla cosa fina.
01 mar 2016,
21:09 h.
@Lucia_Alvarez_ Jajaja, qué maja! Llévatela a la isla a
jugar con Noesunponi!
15 feb 2016,
21:24 h.
@YUSAN_5 Jajajaja. A mí también me falta
lamentablemente mi talento
20 mar 2013,
20:57 h.
@SallyBurton @ariadnunii @quimyo A nosotros aunque
vayamos de guays y tal en plan estrellitas del celuloide,
también nos animais los días ;)
30 jun 2014,
23:37 h.
@iguardans Pues sí, deberían estar en plan SGAE, que
te pillan siempre en cualquier lugar remoto del planeta
donde pongas un chunda chunda
Como decimos, el uso de expresiones de tipo informal, de
emoticonos, sufijos, anglicismos y expresiones coloquiales acercan la
lengua de Sánchez Arévalo en Twitter a la oralidad mucho más que la del
resto de escritores, en los que apenas encontramos este tipo de ejemplos.
Por ejemplo, este autor utiliza la expresión “en plan” en 9 ocasiones,
mientras que de los otros, solo Pérez Reverte lo utiliza, en 2 ocasiones y
Etxebarria, 1. En cuanto a la expresión onomatopéyica de la risa, aparecen
53 ocurrencias en Sánchez Arévalo y 1 en Etxebarria.
Es posible que aquí resida la explicación a la menor variedad léxica
del escritor, ya que los porcentajes de densidad varían según se trate de
material oral o escrito. Ure (1971) y Halliday (1985) afirman que los textos
con menor densidad son más sencillos de entender y, además, suelen
pertenecer a la lengua oral, mientras que aquellos con mayor variedad son
característicos de la lengua escrita. Sin embargo, ya hemos mencionado
que el lenguaje en Twitter es un híbrido, que se encuentra a medio camino
entre la oralidad y la escritura, con lo que sería difícil determinar con
exactitud cuáles serían los valores estándar dentro de los cuales debería
oscilar el porcentaje.
Consideramos fundamental, también, concluir la conveniencia de la
utilización de big data, y más en concreto, de Twitter, para la investigación
lingüística. Como podemos observar en este estudio, centrado en la
densidad léxica, la cantidad de información que compone los corpora es
considerablemente grande, mientras que el tiempo invertido para la
compilación del corpus ha sido incomparablemente menor que si se hubiera
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
120
Skopos 9 (2018), 107-122
realizado de una forma más tradicional, ya que la herramienta ha generado
de forma automática las listas de tuits que componen los corpora.
Referencias bibliográficas
ÁVILA, R. (1991): “Densidad léxica y adquisición del vocabulario: niños y
adultos”. En HERNÁNDEZ, C., et al. (Eds.), El español de América.
Actas del III congreso internacional del español en América,
Valladolid, 3 a 9 de julio de 1989, vol. 2, Castilla y León: Consejería
de Cultura y Turismo, 621-630.
BERGMAN, M. & PAAVOLA, S. (Eds.). (2003): The commens dictionary of
Peirce’s terms. Peirce’s terminology in his own words [en línea]. [ref.
de 15 de diciembre de 2016]. Disponible en web:
<http://www.commens.org/dictionary/term/token>.
DALLER, H., VAN HOUT, R. y TREFFERS-DALLER, J. (2003): “Lexical
richness in the spontaneous speech of bilinguals”. Applied Linguistics,
24/2, 197-222.
GANTZ, J. y REINSEL, D. (2011): Extracting Value from Chaos. IDC iView,
1-12 [en línea]. [ref. de 20 de diciembre de 2016]. Disponible en web:
https://www.emc.com/collateral/analyst-reports/idc-extracting- value-
from-chaos-ar.pdf.
GELBUKH, A. SIDOROV, G. y CHANONA, L. (2002): “Compilation of a
Spanish Representative Corpus”. En International Conference on
Computational Linguistics and Intelligent Text Processing CICLing02,
Lecture Notes in Computer Science 2276, Springer, 285-288.
GÓMEZ MOLINA, J. R. (2004): “Los contenidos léxico-semánticos”. En
SÁNCHEZ LOBATO, J., y SANTOS GARGALLO, I. Vademécum
para la formación de profesores. Enseñar español como segunda
lengua (L2) / lengua extranjera (LE), Madrid: SGEL, 789-810.
GONZÁLEZ-FERNÁNDEZ, A. (2016): Más allá del corpus: Big data en la
investigación lingüística. Evolución, análisis y predicción del uso de la
lengua a través de Twitter. Tesis doctoral, Universidad de Córdoba,
Córdoba, España.
GREGORY SIGNES, C. y CLAVEL ARROITIA, B. (2015): “Analysing lexical
density and lexical diversity in university students’ written discourse”.
En Procedia: Social and Behavioral Sciences, Current Work in Corpus
Linguistics: Working with Traditionally- conceived Corpora and
Beyond. Selected Papers from the 7th International Conference on
Corpus Linguistics (CILC2015), 198: 546-446.
HALLIDAY, M. A. K. (1985): Spoken and written language. Geelong Vict.:
Deakin University.
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
121
Skopos 9 (2018), 107-122
HALLIDAY, M. A. K. (1993): “Quantitative studies and probabilities in
grammar”. En HOEY, M. (Ed.), Data, description, discourse, London:
HarperCollins, 1-25.
JOHANSSON, V. (2008): “Lexical diversity and lexical density in speech and
writing: a developmental perspective”. Working Papers, 53, Lund
University, Department of Linguistics and Phonetics, 61-79.
KILGARRIFF, A. (2001): “Web as corpus”. En Proceedings of the Corpus
Linguistics Conference (CL 2001). University Centre for Computer
Research on Language Technical Paper Vol. 13, Special Issue,
Lancaster University, 342-344.
KILGARRIFF, A. y GREFENSTETTE, G. (2003): Introduction to the Special
Issue on the Web as as Corpus. Computational linguistics, 29(3), 333-
347.
LAUFER, B. y NATION, P. (1995): “Vocabulary Size and Use: Lexical
Richness in L2 Written Production”. Applied Linguistics, 16(3), 307-
322.
LEECH, G. (2007): “New resources, oro just better old ones? The Holy Grail
of representativeness”. En HUNDT, M., NESSELHAUF, N., y
BIEWER, C. (Eds.) Corpus linguistics and the web, Amsterdam:
Rodopi, 132-150.
LEECH, G. y FALLON, R. (1992): “Computer Corpora. What do they tell us
about Culture?”. ICAME Journal, 16, 29-50.
MALVERN, D., RICHARDS, B., CHIPERE, N. y Duran, P. (2004): Lexical
diversity and language development: quantification and assessment.
New York: Palgrave Macmillan.
MERINO, M. (2014): ¿Qué es una API y para qué sirve?, Ticbeat. [en línea].
[ref. de 30 de enero de 2017]. Disponible en web:
<http://www.ticbeat.com/tecnologias/que-es-una-api-para-que-sirve/>.
FUNDÉU BBVA. Proyecto Aracne. [en línea]. [ref. de 25 de febrero de
2017]. Disponible en web: <http://www.fundeu.es/aracne/>.
RAYSON, P., WALKERDINE, J., FLETCHER, W. H. y KILGARRIFF, A.
(2006): Annotated web as corpus. En Proceedings of the 2nd
International Workshop on Web as Corpus, Stroudsburg, PA: ACM,
27-33.
RENOUF, A. y KEHOE, A. (Eds.). (2006): The changing face of corpus
linguistics. Amsterdam: Rodopi.
RODRÍGUEZ-TAPIA, S. (2016): “Clasificación cuantitativa de los textos
según su grado de especialidad: parámetros para la elaboración de
los índices de densidad terminológica y de reformulación de un
corpus sobre insuficiencia cardíaca”. Anuario de Estudios Filológicos,
39, 227-250.
Adela González Fernández
Big data y corpus lingüísticos para el estudio de la densidad léxica
122
Skopos 9 (2018), 107-122
TOGNINI-BONELLI, E. (2001): Corpus linguistics at work. Amsterdam: J.
Benjamins.
URE, J. (1971): Lexical density and register differentiation. En Perren, J. E.,
y Trim, J. L. M. (eds.), Applications of linguistics, Cambridge:
Cambridge University Press, 443-452.
ZIPF, G. (1965): The Psycho-Biology Of Language. Cambridge: MIT Press.
