1

CEDEL2 Corpus Escrito del Español L2

http://www.uam.es/woslac/cedel2.htm

Cristóbal LozanoUniversidad de Granada

AESLA, Universidad de Almería, 5 abril 2008

2

Estado de la cuestión Si bien el uso de grandes corpus está extendido entre los

investigadores de adquisición de L1 desde hace varias décadas (CHILDES, McWhinney 2000), la existencia de corpus de L2 es escasa, excepto el corpus ICLE de L2 inglés (Granger et al. 2002a) y otros corpora no disponibles comercialmente.

En el caso del español L2, aún no existe ningún corpus similar disponible.

Debido al auge de estudios formales de adquisición del español L2 en los últimos años (Lafford & Salaberry 2003, Montrul 2004), CEDEL2 surge para dar respuesta a esta creciente necesidad investigadora.

Por tanto, CEDEL2 aportará nuevos datos que ofrecerán nuevas respuestas a los investigadores.

3

CEDEL2 Corpus escrito del español L2 (datos provienen de redacciones) L1 inglés – L2 español Todos los niveles de competencia (principiante, intermedio, avanzado)

según test estandarizado (Univ. of Wisconsin 1998). Datos recogidos electrónicamente online vía internet.

CEDEL2 surge en seno de: Grupo de investigación WOSLAC (Word Order in Second Language

Acquisition Corpora) – Amaya Mendikoetxea, Univ. Autónoma Madrid – véase: http://www.uam.es/woslac Chocano et al. 2007

Objetivo de WOSLAC: Papel de las interfaces en la adquisición del orden de palabras en L2 (véase

Sorace 2005, 2006) Creación de 2 corpus para ver si los déficits del orden de palabras proceden de la

L1 o son universales (interfaces): WRICLE (L1 español – L2 inglés) CEDEL2 (L1 inglés – L2 español)

4

Corpus de aprendices de español L2 Mayoría corpus de aprendices en inglés L2

ICLE: International Corpus of Learner English LLC: Longman Learner Corpus CLC: Cambridge Learner Corpus SULEC: Santiago University Learner Corpus

Auge de ELE y de la investigación de español L2, especialmente en USA Lafford & Salaberry 2003, Montrul 2004, Pérez-Leroux & Liceras 2002

En este contexto surgen: CEDEL2 SPLLOC (Spanish Learner Language Oral Corpus)

Universidad de Southampton (Mitchell et al. 2008) Corpus oral, L1 inglés-L2 español Formato CHAT, estará disponible en CHILDES Tareas orales semi-naturales y tareas controladas (elicitación de clíticos y

órdenes de palabras). Sin test de nivel (clasificación en niveles según curso y edad)

5

Metodología de CEDEL2

Algunos corpus de aprendices: metodología ad hoc Se diseña el corpus para elicitar/recoger ciertas

estructuras lingüísticas CEDEL2: metodología de diseño

recomendada por especialistas (Sinclair 2005) diseño ha de estar guiado por nociones como

representatividad, muestreo y equilibrio. Sinclair propone 10 principios de diseño:

6

Metodología:Principios de diseño

PRINCIPIO 1: Contenido del corpus. Sinclair 2005:1: El contenido del corpus debe ser

creado según criterios externos (la función comunicativa de los textos del corpus) y no criterios internos (los referidos a la lengua de los textos).

CEDEL2: se emplearon criterios externos y NO se elicitaron determinadas estructuras (criterios internos) – ver principio 2.

7

PRINCIPIO 2. Representatividad. Sinclair 2005: 2: El corpus debe ser lo más

representativo posible de la lengua de la que ha sido escogido.

CEDEL2: para representar fielmente interlengua, aprendices pueden escoger 12 temas de redacción. Estos temas elicitan todo tipo de estructuras y todo tipo

de tiempos verbales. Diversos grados de dificultad (de más fácil a más difícil)

para representar competencia (de principiante a avanzado)

8

PRINCIPIO 3. Contraste. Sinclair 2005:3: Sólo aquellos componentes del

corpus que han sido diseñados para ser contrastados independientemente, deben ser contrastados.

CEDEL2 permite contrastar: Distintos niveles de IL: p. ej., intermedio vs. avanzado IL vs gramática nativa (CEDEL2 contiene subcorpus

de hablantes nativos español).

9

PRINCIPIO 4. Criterios estructurales. Sinclair 2005:5: Los criterios para determinar la estructura de un

corpus deben ser reducidos en número y claramente separables los unos de los otros.

Este criterio es importante para los monitor corpora de decenas de millones de palabras (BNC, ICE, etc).

CEDEL2: criterios estructurales: 3 niveles de competencia (principiante, intermedio, avanzado) 2 subcorpus (aprendices y nativos) Sólo lengua escrita

PRINCIPIO 5. Etiquetado. Sinclair 2005:5: Cualquier información acerca del texto (aparte

de la información alfanumérica: palabras y signos de puntuación) debería ser almacenada separadamente del texto puro para posteriormente ser fusionada con el texto si la aplicación informática lo requiere.

CEDEL2: Nuestro etiquetador (UAM CorpusTool) almacena el texto etiquetado en un archivo independiente en formato XML.

10

PRINCIPIO 6. Muestra. Sinclair 2005:6-7:

Las muestras de la lengua del corpus, al ser posible, deberían consistir en documentos o transcripciones de eventos del habla completos. Esto implica que las muestras diferirán en tamaño sustancialmente.

Desde un punto de vista lingüístico, no existe motivo para que las muestras sean del mismo tamaño. Aunque ésta era la norma en los corpus antiguos y se ha perpetuado hasta ahora ... es difícil justificar la continuación de esta práctica. La integridad y la representatividad de los textos completos es más importante que la dificultad de conciliar textos de tamaños diferentes.

CEDEL2: variabilidad en el tamaño de los textos Principiantes: textos relativamente cortos (desde un párrafo

hasta varios cientos de palabras). Avanzados: generalmente textos más largos (hasta 500

palabras).

11

PRINCIPIO 7. Documentación. Sinclair (2005:8): El diseño y la composición de un corpus

debería ser documetada detalladamente con información sobre los contenidos. Así, si se obtienen resultados “extraños” o “contra-intuitivos”, el investigador deberá comprobar si se deben a fallos en la estructura del corpus o de los textos.

CEDEL2: se recoge amplia documentación sobre cada participante y sobre la redacción (como se verá más adelante).

PRINCIPIO 8. Equilibrio. Sinclair 2005:9: El diseñador de corpus debe de tener como

nociones meta la representatividad y el balance. Sinclair se refiere a que el corpus debe estar equilibrado en lo

que se refiere a la procedencia de las muestras (lenguaje oral y escrito).

CEDEL2: sólo lenguaje escrito -- es tan bueno como el oral para estudiar la interlengua (la idea de que el lenguaje escrito no es tan fidedigno como el oral

procede de la Monitor Hypothesis, Krashen 1982 y se ha perpetuado).

12

PRINCIPIO 9. Tema. Sinclair (2005: 10): Cualquier control en el tema del corpus

debería ser regido por criterios externos y no criterios internos.

CEDEL2: Como queda dicho (principios 1 y 2), los temas de redacción elegidos por los aprendices están sopesados para dar lugar a un lenguaje lo más representativo posible.

PRINCIPIO 10. Homogeneidad. Sinclair 2005:14: El objetivo del corpus es alcanzar la

homogeneidad de sus componentes y, al mismo tiempo, mantener una cobertura adecuada y evitar los textos atípicos (rogue texts).

CEDEL2: Una vez finalizada la recogida de datos, se examinará cada texto para detectar posibles textos atípicos.

13

Recogida de datos

Recogida de datos online: http://www.uam.es/woslac/start.htm

Aprendices de español: 3 formularios: Historial educativo Test de nivel Redacción

Nativos de español: 2 formularios Historial educativo Redacción

14

Learningbackground(historialeducativo)

15

Placementtest(test de nivel)

16

Composition(redacción)

17

Etiquetado de datos Etiquetador: UAM CorpusTool

Desarrollado por Mick O’Donnell Disponible gratuitamente:

http://www.wagsoft.com/CorpusTool

Procedimiento de etiquetado: seleccionar un

segmento de texto asignarle etiquetas

previamente definidas por el lingüista mediante un esquema.

18

Datos actuales: Evolución

CEDEL2: Evolución del nº total de palabras

0 7000 15

597 3489

4

4761

2

5672

1

6503

9 9446

6

1477

81

1861

79

1976

08

1993

15

2020

00

2147

04

2286

58

2330

09

2350

00

2383

33

2390

00

2400

00

2541

76

3401

83 3679

21

3795

30

3804

21

0250005000075000

100000125000150000175000200000225000250000275000300000325000350000375000400000

feb-

06

mar

-06

abr-

06

may

-06

jun-

06

jul-0

6

ago-

06

sep-

06

oct-

06

nov-

06

dic-

06

ene-

07

feb-

07

mar

-07

abr-

07

may

-07

jun-

07

jul-0

7

ago-

07

sep-

07

oct-

07

nov-

07

dic-

07

ene-

08

feb-

08

Nº

de

pa

lab

ras

19

Datos actuales: Palabras por grupo

CEDEL2: Nº total de palabras (por grupo)

Nativos; 95139; 25%

Aprendices; 285282; 75%

Nativos

Aprendices

20

Datos actuales:Nº de participantes

CEDEL2: Nº total de participantes (por grupo)

Nativos33524%

Aprendices103776%

Nativos

Aprendices

21

Datos actuales:Procedencia

Aprendices: procedenciaLEYENDA: País; número de aprendices; % de aprendices UK; 50; 5%

SPAIN; 29; 3%

NEW ZEALAND; 18; 2%

AUSTRALIA; 8; 1%

OTHER/UNKNOWN; 73; 7%

USA; 851; 81%

CANADA; 8; 1%

22

Datos:Llamamientos a la participación

Fecha y Lista de distribución 2006 Fecha y Lista de distribución 2007 May 2006 Portal del Hispanismo (Instituto Cervantes) May 2006 TodoELE.net May 2006 INFOLING May 2006 AEDEAN (Asociación Española de Estudios Anglo-Norteamericanos) May 2006 WordPress.com May 2006 Centro Virtual Cervantes (Tablón del foro didáctico) May 2006 FORMESPA June 2006 OESI (Oficina de Español en la Sociedad de la Información, Instituto Cervantes) June 2006 Corpora List June 2006 Linguist List June 2006 Corpus4you [Japanese webpage] June 2006 AltaTECH June 2006 International Speech Communication Association (ISCA) Oct 2006 AESLA Oct 2006 Linguist List Oct 2006 Infoling Oct 2006 DeEstranjis blogspot Oct 2006 FORMESPA

Mar 2007 AEDEAN Mar 2007 AESLA Mar 2007 Corpora List Mar 2007 Linguist List Apr 2007 Infoling May 2007 Democratic Underground.com May 2007 ELE.inicios.es Oct 2007 Linguist List Oct 2007 FORMESPA Oct 2007 AESLA Oct 2007 AEDEAN Oct 2007 Infoling Oct 2007 Corpora List Nov 2007 AATPS (American Association of Teachers of Portuguese and Spanish)

23

Conclusión

CEDEL2 es un corpus que se está confeccionando para dar respuesta a las crecientes necesidades de investigación en el ámbito de español L2.

El corpus consta de cerca de 400.000 palabras y se espera alcance 1 millón al final del periodo de investigación.

CEDEL2 estará disponible gratuitamente en Internet para ser utilizado como fuente de datos por los investigadores de español L2 y como fuente de ejemplos para profesionales de ELE y aprendices del español.

24

Referencias Corpus Escrito Del Español L2 (CEDEL2) < http://www.uam.es/woslac/cedel2.htm > [Fecha de la consulta: 19-02-2008] Chocano, G., Jiménez, R., Lozano, C., Mendikoetxea, A., Murcia, S., O’Donnell, M., Rollinson, P. y Teomiro, I. 2007. “An

exploration into word order in learner corpora: The WOSLAC Project”. Eds. M. Davies, P. Rayson, S. Hunston, y P. Danielsson. Proceedings of the Corpus Linguistics Conference 2007. Birmingham: University of Birmingham.

French Learner Language Oral Corpus (FLLOC). < http://www.flloc.soton.ac.uk > [Fecha de la consulta: 19-02-2008] Granger, S., Dagneaux, E., and Meunier, F. 2002. International Corpus of Learner English. Louvain: UCL Presses

Universitaires de Louvain. Louvain Corpus Of Native English Essays (LOCNESS). < http://www.fltr.ucl.ac.be/fltr/germ/etan/cecl/Cecl-Projects/Icle

/locness1.htm > [Fecha de la consulta: 19-02-2008] Lozano, C. en prensa. “Selective deficits at the syntax-discourse interface: Evidence from the CEDEL2 corpus”. Eds. Y.-I.

Leung, N. Snape y M. Sharwood-Smith. Representational Deficits in SLA. Amsterdam: John Benjamins. Lozano, C. y Mendikoetxea, A. en prensa. “Postverbal subjects at the interfaces in Spanish and Italian learners of L2

English: a corpus análisis”. Eds. G. Gilquin, S. Papp y B. Díez. Linking up contrastive and corpus learner research. Amsterdam: Rodopi.

Lozano, C. y Mendikoetxea, A. 2007. “Learner corpora and the acquisition of word order: A study of the production of Verb-Subject structures in L2 English”. Eds. M. Davies, P. Rayson, S. Hunston, y P. Danielsson. Proceedings of the Corpus Linguistics Conference 2007. Birmingham: University of Birmingham.

Lüdeling, A., Kytoe, M., and McEnery, T. eds. 2008. Corpus Linguistics: An International Handbook. Berlin: Mouton de Gruyter.

McEnery, T. Xiao, R., and Tono, Y. 2005. Corpus-based Language Studies: An Advanced Resource Book. London: Routledge.

Mitchell, R., Domínguez, L., Arche, M., Myles, F., Marsden, E., enviado 2008. “SPLLOC: A new corpus for Spanish second language acquisition research”. EUROSLA Yearbook 8.

Sinclair, J. 2005. “Corpus and text – Basic principles”. Ed. M. Wynne. Developoing Linguistic Copora: A guide to good practice. Oxford: Oxbow Books.

Sorace, A. 2006. “Possible manifestations of shallow processing in advanced second language speakers”. Applied Psycholinguistics 27, 88-91.

Sorace, A. 2005. “Selective optionality in language development”. Eds. L. Cornips y K. P. Corrigan. Syntax and variation: Reconciling the biological and the social. Amsterdam: John Benjamins. 55-80.

Spanish Learner Language Oral Corpus (SPLLOC) [en línea] < http://www.splloc.soton.ac.uk > [Fecha de consulta: 19-02-2008]

University of Wisconsin, 1998. The University of Wisconsin College-Level Placement Test: Spanish (Grammar) [Form 96M]. Madison, WI: University of Wisconsin Press.

Word Order in Second Language Acquisition Corpora (WOSLAC), Universidad Autónoma de Madrid [en línea] < http://www.uam.es/woslac > [Fecha de consulta: 19-02-2008]