Corpus y Subconjuntos

El corpus es una colección de uno o más textos seleccionados para el análisis.

Cada subconjunto del corpus se define por medio de una modalidad de una variable.

T-LAB permite explorar y analizar las relaciones entre las unidades de análisis de todo el corpus o de sus subconjuntos.

Algunos ejemplos de corpus:

• un solo texto o documento que trate cualquier tema;
• un conjunto de artículos tomados de la prensa, referentes al mismo tema;
• una o varias entrevistas realizadas en el mismo proyecto de investigación;
• un conjunto de respuestas a una pregunta abierta de un cuestionario;
• una lista de direcciones sacada de internet;
• uno o varios libros del mismo autor que afronten temas similares;
• un conjunto de respuestas a una pregunta abierta de un cuestionario;
• transcripciones de focus groups.

Algunos ejemplos de subconjuntos:

• unos o más capítulos de un libro
• unos o más artículos periodísticos publicados en el mismo año;
  
• unas o más entrevistas con la misma categoría de gente;
  
• un subconjunto de respuestas a una pregunta abierta.

NOTA: Algunos subconjuntos del corpus son los "clusters temáticos" de documentos o de contextos elementales obtenidos usando las herramientas correspondientes de T-LAB.

Para ser importado a T-LAB, el corpus debe ser un archivo con formato solo texto ASCII/ANSI, con extensión .txt.

En el caso de un corpus compuesto por varios textos, para hacer un conjunto correctamente analizable, se requiere que todas sus piezas tengan dos características que las hagan comparables:

a) una cierta homogeneidad temática y/o de contexto en el cual se han producido, para obtener datos comparables;

b) relaciones equilibradas entre sus dimensiones, tanto en términos de frecuencias como en términos de kilobytes, para no incurrir en anomalías estadísticas.

En la lógica de T-LAB, el corpus es una base de datos organizada en registros y campos. Más exactamente, los registros se componen de las entidades registradas (textos, segmentos de texto, palabras) y los campos se componen de las etiquetas usadas para clasificar las diversas entidades (los autores del texto, los contextos de referencia, los tipos de palabra, etc.).

Véase Preparación del corpus.