Oralia Diacrónica del Español (ODE). Descripción del sistema de codificación

Oralia Diacrónica del Español (ODE) Descripción del sistema de codificación Autor: Gael Vaamonde Última actualización: 28/10/2025 2 Cómo citar este trabajo: Vaamonde, Gael (2024). Oralia Diacrónica del Español (ODE). Descripción del sistema de codificación. Zenodo. https://doi.org/10.5281/zenodo.14060223. Oralia Diacrónica del Español (ODE). Descripción del sistema de codificación © 2024 by Gael Vaamonde is licensed under Creative Commons Attribution ShareAlike 4.0 International. 3 1. INTRODUCCIÓN ________________________________________________________ 4 2. LA CABECERA _________________________________________________________ 6 2.1 Descripción del archivo electrónico _______________________________________ 6 2.1.1 Declaración del título _____________________________________________________________ 6 2.1.1.1 Título __________________________________________________________________________ 7 2.1.1.2 Edición y financiación___________________________________________________________ 8 2.1.1.3 Declaración de responsabilidades_____________________________________________ 10 2.1.2 Declaración de la publicación ___________________________________________________ 11 _____________________________________________________________________________________ 12 2.1.3 Descripción de la fuente ________________________________________________________ 12 2.1.3.1 Identificador del manuscrito ___________________________________________________ 12 2.1.3.2 Contenido del manuscrito _____________________________________________________ 15 2.1.3.3 Información adicional _________________________________________________________ 18 2.2 Descripción de la codificación ____________________________________________ 19 2.2.1 Descripción del proyecto _______________________________________________________ 19 2.2.2 Declaración de la muestra ______________________________________________________ 20 2.2.3 Declaración de la edición _______________________________________________________ 21 2.2.4 Declaración de la clasificación __________________________________________________ 22 2.3 Descripción del perfil del texto ___________________________________________ 22 2.3.1 Creación _______________________________________________________________________ 23 2.3.2 Descripción del contexto________________________________________________________ 23 2.3.3 Clasificación del texto __________________________________________________________ 24 2.4 Ejemplo completo de cabecera ___________________________________________ 25 3. LA EDICIÓN FACSIMILAR _____________________________________________ 28 4. EL TEXTO _____________________________________________________________ 29 4.1 La transcripción paleográfica _____________________________________________ 29 4.1.1 Los elementos estructurales ____________________________________________________ 29 4.1.1.1 Inicio de página ______________________________________________________________ 30 4.1.1.2 Inicio de línea ________________________________________________________________ 31 4.1.1.3 Inicio de columna _____________________________________________________________ 32 4.1.2 Las abreviaturas _______________________________________________________________ 33 4.1.3 Texto cancelado ________________________________________________________________ 34 4.1.4 Texto añadido __________________________________________________________________ 35 4.1.5 Texto resaltado _________________________________________________________________ 37 4.1.6 Texto omitido ___________________________________________________________________ 39 4.1.7 Texto conjeturado ______________________________________________________________ 41 4.1.8 Texto superfluo _________________________________________________________________ 42 4.1.9 Texto inexacto __________________________________________________________________ 42 4.1.10 Texto citado ___________________________________________________________________ 43 4.1.11 Texto en otra lengua ___________________________________________________________ 43 4.1.12 Texto de nueva mano _________________________________________________________ 44 4.1.13 Discurso en estilo directo ______________________________________________________ 44 4.1.14 Firma _________________________________________________________________________ 45 4.2 El corpus lingüístico ______________________________________________________ 46 4.2.1 Tokenización ___________________________________________________________________ 46 4.2.2 Normalización ortográfica_______________________________________________________ 48 4.2.3 Lematización y etiquetado morfosintáctico ______________________________________ 49 4.2.4 Anotación lingüística adicional __________________________________________________ 52 5. TEITOK VS. TEI P5 ____________________________________________________ 55 4 1. INTRODUCCIÓN Oralia Diacrónica del Español (en adelante, ODE) es un corpus diacrónico especializado compuesto por documentación manuscrita inédita producida entre el siglo XVI y el siglo XIX. Actualmente, está conformado por tres tipos textuales: inventarios de bienes, declaraciones de testigos y certificados médicos. La mayor parte de estos documentos procede de la región meridional de la península ibérica, aunque también se están incorporando muestras textuales de otras zonas de España. ODE no solo reúne una amplia colección de fuentes manuscritas del español clásico y moderno, sino que las ofrece en dos formatos preparados para la búsqueda: el de la edición paleográfica digital y el del corpus lingüísticamente anotado. Esto lo convierte en un recurso electrónico versátil, que puede explorarse como archivo digital de documentos manuscritos o como corpus histórico. Cada documento se almacena en un archivo XML individual, que integra información sobre la edición paleográfica y la anotación lingüística. En esencia, por tanto, ODE se compone de múltiples archivos XML, tantos como documentos conforman este recurso electrónico. ODE está disponible en acceso abierto desde su página oficial (http://corpora.ugr.es/ode/) y se gestiona mediante la plataforma web TEITOK, que permite consultar el corpus y explorar documentos individualmente de forma eficiente. Los diferentes modos de consulta y visualización disponibles en ODE se detallan en Vaamonde (2024) 1 . Al consultar un documento, el usuario puede descargar el archivo XML en dos modelos diferentes: el modelo TEITOK (TEITOK XML), diseñado para su uso interno en la plataforma, y el modelo TEI P5 (TEI P5 XML), basado rigurosamente en las directrices propuestas por la versión más reciente de la Text Encoding Initiative. 1 Vaamonde, Gael (2024). Oralia Diacrónica del Español (ODE). Descripción del sistema de consulta. Zenodo. https://doi.org/10.5281/zenodo.14080389. 5 El modelo TEITOK es un modelo interno, personalizado, no estandarizado y diseñado fundamentalmente para facilitar el análisis y procesamiento de datos dentro de la plataforma TEITOK. Debido a su naturaleza específica, no es adecuado para el intercambio de datos fuera del proyecto ODE, salvo en contextos relacionados con la creación de corpus históricos desarrollados en esta plataforma. Para resolver este inconveniente, ODE también pone a disposición del usuario la descarga de cada archivo XML en TEI P5, un estándar ampliamente reconocido en el ámbito de las Humanidades Digitales que garantiza la interoperabilidad y la reutilización de datos en diversos entornos. La conversión del modelo TEITOK en el modelo TEI P5 se realiza automáticamente mediante el script ode2teip5, desarrollado por Gael Vaamonde. La presente guía de usuario se enfoca en explicar el modelo TEI P5 utilizado en los documentos de ODE, con el objetivo de facilitar su comprensión y aplicación en proyectos de investigación, tanto dentro como fuera de la plataforma TEITOK. 6 2. LA CABECERA Todos los documentos presentan una cabecera destinada a proporcionar información descriptiva de carácter metatextual. Esta información se incluye dentro del elemento <teiHeader>, esto es, la cabecera o encabezado TEI. En ODE, la información contenida dentro de este elemento se organiza en tres subapartados: • <fileDesc> (Descripción del archivo). Contiene una descripción bibliográfica completa del archivo electrónico. • <encodingDesc> (Descripción de la codificación). Documenta la relación entre el texto electrónico y la fuente de la que deriva. • <profileDesc> (Descripción del perfil del texto). Proporciona una descripción detallada de los aspectos no bibliográficos del texto. 2.1 Descripción del archivo electrónico El elemento <fileDesc> contiene una descripción bibliográfica completa del archivo. En ODE, este elemento consta de tres subapartados: • <titleStmt> (Declaración del título). Agrupa la información referente al título de la obra y a los responsables de su contenido intelectual. • <publicationStmt> (Declaración de la publicación). Agrupa la información referente a la publicación o distribución del texto electrónico. • <sourceDesc> (Descripción de la fuente). Proporciona una descripción del texto fuente del que deriva el texto electrónico. 2.1.1 Declaración del título El elemento <titleStmt> agrupa la información referente al título de una obra y a los responsables de su contenido intelectual. En ODE, este elemento consta de cuatro elementos: • <title> (Título). Título completo de la obra. • <editor> (Editor). Responsable de edición de la obra. • <funder> (Responsable de la financiación). Responsable de la financiación del proyecto. • <respStmt> (Declaración de responsabilidad). Otros responsables del contenido intelectual de la obra. 7 2.1.1.1 Título a. El elemento <title> contiene la información referente al título del texto electrónico, que en ODE siempre es la edición digital de un documento manuscrito, producido entre el siglo XVI y el siglo XIX. b. La redacción del título no sigue un esquema preestablecido; más bien, se trata de texto libre; no obstante, guarda relación con el tipo textual en el que se clasifique el documento (ver sección 2.2.3 y sección 2.3.3). En el caso de los inventarios de bienes, por ejemplo, el título suele comenzar por expresiones como inventario, relación, carta de dote, testamento, etcétera; en el caso de las declaraciones de testigos, por otras como declaración, juicio, pleito, probanza, etcétera; y en el caso de los certificados médicos, subtipo especial dentro de las declaraciones de testigos, por otras como certificado médico, declaración de médico, declaración de cirujano, declaración de maestro sangrador, declaración de esencia, etcétera. Se aportan a continuación algunos ejemplos: Inventarios de bienes: Declaraciones de testigos: <title>Inventario de los bienes de doña Luisa Francisca de Olerson para su venta a José del Villar</title> <title>Carta de pago de dote de Juan Serrano para María Núñez</title> <title>Testamento de María Sánchez, mujer de García Sánchez de Velasco</title> <title>Partición de los bienes de María Gómez Cabeza entre sus tres hermanas</title> <title>Declaración de Andrés Cardeña de la Guerra, procurador y vecino de Málaga, testigo presentado por el solicitador del fiscal en el pleito entre Luis Muñoz y Juan Pérez</title> <title>Juicio sobre las cuchilladas que un esclavo le dio a otro, provocándole la muerte</title> 8 Certificaciones médicas: c. La amplia mayoría de textos incluidos en ODE son documentos originales. No obstante, también se admite un número limitado de documentos que son copias o traslados de originales (ver sección 2.1.3.2i y s.). En estos casos, el título generalmente comienza con expresiones como copia de, traslado de, copia coetánea de o traslado coetáneo de, según corresponda: Por ejemplo: 2.1.1.2 Edición y financiación a. El corpus ODE está conformado es el resultado de diversos proyectos de investigación financiados por organismos autonómicos y nacionales. En ODE, los elementos <editor> y <funder> se utilizan para detallar esta información. <title>Pleito incoado de oficio por la justicia de Atarfe sobre averiguación de cómo el niño de nueve años Antonio Triana, vecino de dicha villa, cayó a un pozo y se ahogó</title> <title>Certificado médico de Julián Román, sobre una herida en la cabeza</title> <title>Declaración del cirujano Isidro Moraita por el reconocimiento de las heridas que tenían los hermanos Melchor y Dionisio Otañez</title> <title>Declaración de esencia del sangrador Diego Lozano por la cura de las heridas de Francisco de Castro</title> <title>Traslado de testimonio de presentación de demanda del Dr. Arias contra el regimiento de la villa de Medina del Campo por impago de unos servicios médicos prestados contenido en un pleito de 15431546</title> <title>Copia coetánea de declaración de Bartolomé Hernández, esclavo del obispo D. Diego de la Calzada, sobre las heridas propinadas a Juana de Herrera, hija de Martín de Herrera, presentada en el pleito de 1600-1602 que sigue este contra Cristóbal de Hornazo, alguacil de la villa, por negligencia al dejar escapar de la cárcel a dicho esclavo</title> <title>Probanza. El fiscal contra Esteban y Francisco Carvajal, vecinos de Vélez Málaga, presos, sobre la tenencia de armas prohibidas</title> 9 b. El elemento <editor> contiene información relacionada con el nombre del proyecto de investigación en el que se ha desarrollado la edición digital del texto. Además, contiene un atributo @xml:id que sirve para asignar un identificador único a cada proyecto de investigación. Actualmente, existen cinco opciones: (ver Tabla 1): Tabla 1. Relación entre el elemento <editor> y el atributo @xml:id en ODE. c. El elemento <funder> contiene información referente al nombre del organismo que financia el proyecto de investigación. Actualmente, se contemplan cinco posibilidades, una por cada proyecto de investigación mencionado anteriormente (ver Tabla 2). Tabla 2. Contenido de los elementos <editor> y <funder> en ODE. Nombre del proyecto de investigación <editor> Identificador único @xml:id HISPATESD: Hispanae Testium Depositiones. Las declaraciones de testigo en la historia de la lengua española. 1492-1833 HISPATESD ALEA XVIII: Atlas lingüístico y etnográfico de Andalucía, siglo XVIII. Patrimonio documental y Humanidades Digitales ALEA18 ALEA oriental-XVIII. Atlas Lingüístico y Etnográfico de Andalucía oriental, s. XVIII. Patrimonio documental y Humanidades Digitales ALEAO18 ALEA oriental-XIX. Atlas Lingüístico y Etnográfico de Andalucía oriental, s. XIX. Patrimonio documental y Humanidades Digitales ALEAO19 VIVE. Vita Verborum. Los peritajes de las Chancillerías castellanas en la historia del español (1650 - 1833) VIVE Nombre del proyecto (o subcorpus) <editor> Financiación <funder> HISPATESD: Hispanae Testium Depositiones. Las declaraciones de testigo en la historia de la lengua española. 14921833 MINECO/AEI/FEDER/UE: FFI2017-83400-P ALEA XVIII: Atlas lingüístico y etnográfico de Andalucía, siglo XVIII. Patrimonio documental y Humanidades Digitales Junta de Andalucía, Consejería de Transformación Económica, Industria, Comercio y Universidades/FEDER: P18-FR695 ALEA oriental-XVIII. Atlas Lingüístico y Etnográfico de Andalucía oriental, s. XVIII. Patrimonio documental y Humanidades Digitales Junta de Andalucía, Consejería de Transformación Económica, Industria, Comercio y Universidades/FEDER. Proyectos I+D+i del Programa Operativo FEDER 2020: AHUM-116-UGR20 ALEA oriental-XIX. Atlas Lingüístico y Etnográfico de Andalucía oriental, s. XIX. Patrimonio documental y Humanidades Digitales Proyectos de Investigación Aplicada del Plan Propio de Investigación y Transferencia de la Universidad de Granada, 2023, financiados por el Programa operativo FEDER Andalucía 20212027: C-HUM-038-UGR23 VIVE. Vita Verborum. Los peritajes de las Chancillerías castellanas en la historia del español (1650 - 1833) Ministerio de Ciencia e Innovación. Proyectos de Generación de Conocimiento 2022. PID2022-136256NB-I00 16 c. El elemento <summary> no se ha completado sistemáticamente en ODE. En los casos en que no se ha incluido esta información, el elemento aparece vacío. d. El elemento <msItem> se utiliza para codificar dos tipos de información: (i) la foliación que ocupa el fragmento transcrito dentro del manuscrito, y (ii) la autenticidad del fragmento transcrito, esto es, si corresponde a un original o a una copia posterior. La información relativa a la foliación se codifica mediante el elemento <locus> y la información relativa a la autenticidad del documento se codifica mediante el elemento <filiation>. Por tanto, el elemento <msItem> consta de dos elementos en ODE, en este orden: • <locus> (Paginación). Define la secuencia de folios del fragmento transcrito dentro del manuscrito. • <filiation> (Filiación). Contiene información referente a la filiación del fragmento transcrito, esto es, a su posible relación con otros testimonios del mismo texto. e. Por regla general, el elemento <locus> señala el intervalo que abarca el fragmento transcrito dentro de un manuscrito, especificando el folio inicial y final que ocupa e incluyendo la orientación (recto o vuelto) en cada caso. Por ejemplo, si un fragmento abarca desde el folio 124 recto hasta el folio 126 vuelto, se representará del modo siguiente: f. Si se trata de varios intervalos no consecutivos, se indican todos, separando cada intervalo por coma: <summary/> <locus>124r-126v</locus> <locus>323r-323v, 324v-325v, 326v-327r, 329r-329v, 330v</locus> <summary>D. Matías Rodríguez, natural y vecino de Cádiz, hijo de D. Juan de Dios Rodríguez y Dª Manuela Jerónima Guerrero, vecinos y naturales de la misma ciudad, otorga recibo de los bienes dotales concertados en su matrimonio con Dª Ignacia Fernández de Otáñez, hija de D. Miguel Fernández de Otáñez y Dª Petronila de Gálvez y Montenegro, naturales y vecinos de Cádiz, que ella había recibido a cuenta de sus legítimas en prendas de oro, plata, ropa, alhajas y dinero que D. Juan Fernández de Otáñez, vecino de México, había remitido a sus padres en la última flota de Indias. Por su parte, D. Matías le da en arras 280 pesos escudos asignados en unas casas situadas al final de la calle de la Horca de los Franceses de Cádiz, esquina con el molino del Viento, heredadas de su madre.</summary> 17 g. Si el fragmento transcrito carece de numeración, pero esta puede deducirse a partir de la numeración de la unidad documental, el elemento <locus> incluye un atributo @cert con el valor "high". Esta misma estrategia se aplica en el atributo @n del elemento <pb> (ver sección 4.1.1.1c). h. Si no hay foliación explícita, el contenido del elemento <locus> será la abreviatura "sf" (sin foliación). Esta misma estrategia se aplica en el atributo @n del elemento <pb> (ver sección 4.1.1.1d). i. El elemento <filiation> contiene un atributo @type que puede tomar dos valores —"original" o "copy"—, según si el fragmento transcrito es un original o una copia posterior. La mayoría de los documentos en el corpus ODE son originales. Sin embargo, algunos pleitos consultados en los archivos históricos incluyen documentación que es resultado de un proceso de transmisión documental, de tal forma que las partes litigantes aportan como prueba inventarios o testamentos que son copias de originales de años anteriores. El uso del elemento <filiation> en ODE es precisamente para identificar estos casos, absolutamente excepcionales dentro del corpus. j. En el caso de tratarse de una copia, el elemento <filiation> incluye dos elementos: <origDate> y <date>. El primero informa del año de creación del texto original, mientras que el segundo informa del año de creación de la copia. El siguiente ejemplo corresponde a una copia de 1706 de un inventario escrito originalmente en 1690: k. En el caso de tratarse de un original, el elemento <filiation> se deja vacío: <locus>sf</locus> <filiation type="copy"> <origDate>1690</origDate> <date>1706</date> </filiation> <filiation type="original"/> <locus cert="high">5r-5v, 7r-7v</locus> 18 l. La fecha de creación del texto se recoge, en cualquier caso, dentro del apartado <setting> (ver sección 2.3.2d). 2.1.3.3 Información adicional a. El elemento <additional> agrupa información adicional sobre el manuscrito. En ODE consta de dos elementos: • <adminInfo> (Información administrativa). Contiene información relativa a la gestión y a la disponibilidad del manuscrito. • <surrogates>. (Reproducción). Contiene información relativa a posibles representaciones del manuscrito en diferentes formatos. b. El elemento <adminInfo> incluye un elemento <availability>, utilizado en ODE para especificar los permisos de uso de las imágenes facsimilares. La licencia de uso de estas imágenes, almacenadas en el corpus ODE, depende de la autorización de la institución correspondiente, es decir, del archivo histórico que custodia el manuscrito (ver sección 2.1.3.1c). Por tanto, el contenido de <availability> consiste en un párrafo prácticamente invariable, en el que solo cambia el nombre de la institución correspondiente en cada caso. Por ejemplo: c. El elemento <surrogates> se utiliza en ODE para especificar el formato de las reproducciones facsimilares. Su estructura en XML incluye un elemento <bibl>, que contiene a su vez un elemento <title> con el atributo @type y el valor "gmd" (general material designation). Puesto que todas las ediciones facsimilares de ODE están guardadas en formato JPEG, el contenido de este elemento <title> es invariable. Por ejemplo: <adminInfo> <availability> <p>Para hacer uso de las imágenes es necesaria la autorización del Archivo Municipal de Vera</p> </availability> </adminInfo> <adminInfo> <availability> <p>Para hacer uso de las imágenes es necesaria la autorización del Archivo de la Real Chancillería de Granada</p> </availability> </adminInfo> 19 2.2 Descripción de la codificación El elemento <encodingDesc> está diseñado para documentar la relación entre el texto electrónico y la fuente de la que deriva. En ODE, se utiliza para describir cuatro tipos de información: (i) las características principales del corpus, (ii), el subcorpus al que pertenece el documento transcrito, (iii) las herramientas empleadas para llevar a cabo las diversas tareas de procesamiento automático del texto, y (iv) la clasificación utilizada para asignar el tipo textual a cada documento transcrito. La información general del corpus se incluye en el elemento <projectDesc>, el subcorpus en que se integra el documento se incluye en el elemento <samplingDecl>, la información sobre el uso de herramientas de procesamiento automático se incluye en el elemento <editorialDecl> y la información relativa a la clasificación textual se incluye en el elemento <classDecl>. Por tanto, el elemento <encodingDesc> consta de cuatro elementos en ODE, en este orden: • <projectDesc> (Descripción del proyecto). Describe el propósito para el que un archivo electrónico ha sido codificado. • <samplingDecl> (Declaración de la muestra). Contiene información sobre la creación de una selección de textos. • <editorialDecl> (Declaración de la edición). Proporciona detalles de principios editoriales y prácticas aplicadas en la codificación de un texto. • <classDecl> (Declaraciones de clasificación). Contiene una o más taxonomías que definen cualquier código usado en algún punto del texto. 2.2.1 Descripción del proyecto El elemento <projectDesc> contiene la descripción general del corpus ODE. Se trata, por tanto, de un elemento con contenido invariable que adopta la forma siguiente: <surrogates> <bibl> <title type="gmd">facsímil digital guardado en formato JPEG</title> </bibl> </surrogates> 20 2.2.2 Declaración de la muestra a. Actualmente, ODE está constituido por tres subcorpus, diferenciados de acuerdo con un criterio geográfico. El elemento <samplingDecl> se utiliza para proporcionar información relativa al subcorpus al que pertenece cada documento. Los tres subcorpus que constituyen ODE en la actualidad son los siguientes: • Extremadura - CORTENEX • Andalucía • Madrid y otros b. El elemento <samplingDecl> contiene un atributo @xml:id que puede tomar tres valores —"EXT", "AND" y "MAD"—, según el subcorpus al que pertenezca el documento transcrito. c. El subcorpus de Extremadura se denomina CORTENEX (Corpus de textos notariales extremeños) y está siendo compilado por Inmaculada González Sopeña. El subcorpus de Andalucía es resultado del trabajo realizado en diferentes proyectos de investigación hasta al actualidad, fundamentalmente CORDEREGRA (Corpus Diacrónico del Español del Reino de Granada), ALEA XVIII, ALEA oriental-XVIII y ALEA oriental-XIX. El tercer subcorpus es fruto del trabajo realizado en distintos archivos históricos fuera de Andalucía, con el objetivo de ir conformando un subcorpus de control que sirva de referencia comparativa respecto a la documentación andaluza. Actualmente, está formado, en su mayoría, por documentación procedente de Madrid, con una representación significativa de Burgos y Valladolid, y una presencia menor de otros fondos documentales del centro y norte peninsular, como Toledo, León, Soria, Álava, Cantabria, Palencia o Zamora, entre otros. <projectDesc> <p><ref target=" http://corpora.ugr.es/ode/">Oralia diacrónica del español (ODE)</ref> es un corpus de inventarios de bienes, declaraciones de testigos en juicios penales y certificaciones de barberos y cirujanos de los siglos XVI a XIX. Actualmente, ofrece documentación de todas las provincias andaluzas, para contribuir a la elaboración de un ALEA de carácter histórico, y de algunas regiones peninsulares, que sirven de corpus de control de la documentación andaluza</p> </projectDesc> 21 d. Se presentan a continuación algunos ejemplos de codificación del elemento <samplingDecl> en ODE: 2.2.3 Declaración de la edición El elemento <editorialDecl> tiene como propósito enumerar las diferentes tareas de procesamiento automático aplicadas al texto, así como las herramientas empleadas para llevar a cabo cada una de ellas. Se trata de un elemento con contenido invariable que se presenta de la forma siguiente: <ediorialDecl> <p>La tokenización se ha realizado con el script <term>xmltokenize.pl</term>, desarrollado por Maarten Janssen</p> <p>La normalización se ha realizado con el script <term>nformtreat.pl</term>, desarrollado por Maarten Janssen</p> <p>La lematización y el etiquetado morfosintáctico se han realizado con el anotador <term>NeoTag</term>, desarrollado por Maarten Janssen</p> <p>La anotación de información fonética, etimológica y semántica se ha realizado con el script <term>ltags.pl</term>, desarrollado por Gael Vaamonde</p> <p>La conversión de la codificación XML al estándar TEI P5 se ha realizado con el script <term>ode2teip5.pl</term>, desarrollado por Gael Vaamonde</p> </ediorialDecl> <samplingDecl xml:id="EXT"> <p>Este texto forma parte de la muestra de documentos de ODE producidos en Extremadura e integra el subcorpus CORTENEX (Corpus de textos notariales extremeños), compilado por <name>Inmaculada González Sopeña</name></p> </samplingDecl> <samplingDecl xml:id="AND"> <p>Este texto forma parte de la muestra de documentos de ODE producidos en Andalucía</p> </samplingDecl> <samplingDecl xml:id="MAD"> <p>Este texto forma parte de la muestra de documentos de ODE producidos en Madrid y otras provincias del centro y norte peninsular</p> </samplingDecl> 22 2.2.4 Declaración de la clasificación a. El elemento <classDecl> contiene un elemento <taxonomy> que recoge la taxonomía empleada en ODE para clasificar los documentos en función del tipo textual. Esta taxonomía comprende actualmente cuatro categorías: • inventarios de bienes • certificados médicos • declaraciones de testigos • otros b. Cada categoría de la taxonomía se define mediante un elemento <category>, al que se asigna un identificador único: "inv" para inventarios, "cer" para certificados médicos, "dec" para declaraciones de testigos y "oth" para otros. Finalmente, el elemento <catDesc> describe brevemente cada categoría. Según lo expuesto, elemento <classDecl> es de contenido invariable y adopta la siguiente estructura XML en ODE: c. La categoría específica asignada a cada documento se indica dentro del elemento <textClass> (ver sección 2.3.3). 2.3 Descripción del perfil del texto El elemento <profileDesc> agrupa aspectos no bibliográficos del texto. En ODE este elemento consta de cuatro elementos: <classDecl> <taxonomy> <category xml:id="inv"> <catDesc>inventarios de bienes</catDesc> </category> <category xml:id="cer"> <catDesc>certificados médicos</catDesc> </category> <category xml:id="dec"> <catDesc>declaraciones de testigos</catDesc> </category> <category xml:id="oth"> <catDesc>otros</catDesc> </category> </taxonomy> </classDecl> 23 • <creation> (Creación). Contiene información sobre la creación del texto. • <settingDesc> (Descripción del contexto). Describe el marco contextual en el que tiene lugar una interacción lingüística. • <textClass> (Clasificación del texto). Agrupa información que describe la temática de un texto de acuerdo con un esquema predefinido. 2.3.1 Creación a. En ODE, el elemento <creation> se emplea para registrar el nombre del escribano que redactó el manuscrito. Para ello, incluye un elemento <name> que contiene dicho nombre. Por ejemplo: b. Este elemento no se ha completado sistemáticamente. En los casos en que no se ha incluido esta información, el elemento <name> aparece vacío: 2.3.2 Descripción del contexto a. El elemento <settingDesc> incluye un elemento <setting>, que recoge información referente al lugar y la fecha de creación del manuscrito. b. La codificación de la información relativa al lugar de creación del manuscrito es de particular importancia en ODE, ya que este corpus ha sido diseñado específicamente para llevar a cabo estudios de dialectología histórica. Esta información se incorpora mediante tres estrategias complementarias, todas ellas incluidas dentro del elemento <placeName>. En primer lugar, este elemento incluye tres valores separados por comas, que representan el país, la provincia y la ciudad donde se creó el manuscrito. En segundo lugar, estos mismos tres valores se distribuyen en elementos <name> individuales. Cada elemento <name> tiene un atributo @n que asigna una numeración correlativa (1, 2, 3) y un atributo @type que indica el nivel de organización territorial correspondiente <creation> <name/> </creation> <creation> <name>Diego Hernández Cárdenas</name> </creation> 24 (country, province, city). En tercer lugar, se añade un elemento <geo>, que contiene las coordenadas geográficas correspondientes al nivel de organización más específico (city). Estas coordenadas incluyen la latitud y la longitud, en ese orden y separadas por espacio. Por ejemplo: c. En caso de que el nombre de la provincia y el de la ciudad coincidan, se repite el valor coincidente, de manera que la información siempre se presente en tres partes: d. La información relativa a la fecha de creación del manuscrito se especifica de dos maneras: año y siglo. Esta información se distribuye en sendos elementos <date>, que utilizan un atributo @n para ser numerados correlativamente y un atributo @type con uno de dos valores posibles, "year" o "century", según corresponda. Por ejemplo: e. En caso de tratarse de una copia producida en años posteriores a la creación del testimonio original, la fecha aquí recogida es siempre la del testimonio original. En cualquier caso, ambas fechas, la de la copia y la del original, se recogen dentro del elemento <filiation> (ver sección 2.1.3.2i y ss.). 2.3.3 Clasificación del texto a. El elemento <textClass> se utiliza para clasificar el texto según la taxonomía descrita en el elemento <classDecl> (ver sección 2.2.3). Esta clasificación se codifica dentro del elemento <catRef>, específicamente en el valor del atributo @target. <placeName> España, Granada, Loja <name n="1" type="country">España</name> <name n="2" type="province">Granada</name> <name n="3" type="city">Loja</name> <geo>37.1664839 -4.1496374</geo> </placeName> con dos valores <date n="1" type="year">1690</date> <date n="2" type="century">XVII</date> <placeName> España, Granada, Granada <name n="1" type="country">España</name> <name n="2" type="province">Granada</name> <name n="3" type="city">Granada</name> <geo>37.3210180 -4.0111230</geo> </placeName> con dos valores 25 b. Los posibles valores para el atributo @target, conforme a la taxonomía utilizada en ODE, son "#inv", "#cer", "#dec" y "#oth". La almohadilla (#) se utiliza para señalar referencias a identificadores de elementos dentro del mismo documento (ver Tabla 6). Tabla 6. Relación entre los elementos <catRef> y <category> en ODE. c. De acuerdo con lo mencionado anteriormente, en el siguiente ejemplo el valor "#inv" hace referencia al elemento que contiene el identificador único "inv", es decir, al elemento <category xml:id="inv"> incluido en la taxonomía: 2.4 Ejemplo completo de cabecera Se recoge a continuación un ejemplo completo de cabecera (<teiHeader>). Corresponde al archivo electrónico CA1708I2525.xml, que contiene un inventario de bienes producido en Cádiz en el año 1708. La edición digital del documento está disponible para su consulta en la página web de ODE, específicamente en este enlace. Categoría asignada al documento <catRef> Categoría referenciada en la taxonomía <category> <catRef target="#inv"/> <category xml:id="inv"> <catDesc>inventarios de bienes</catDesc> </category> <catRef target="#cer"/> <category xml:id="cer"> <catDesc>certificados médicos</catDesc> </category> <catRef target="#dec"/> <category xml:id="dec"> <catDesc>declaraciones de testigos</catDesc> </category> <catRef target="#oth"/> <category xml:id="oth"> <catDesc>otros</catDesc> </category> <textClass> <catRef target="#inv"/> </textClass> 32 c. El atributo @break señala si el inicio de línea coincide con el final de una palabra o si, por el contrario, se encuentra en mitad de una palabra. En el primer caso, el atributo toma el valor "yes", y en el segundo caso, el valor es "no". Así, en el primer ejemplo recogido a continuación el inicio de línea se sitúa entre las palabras en y veinte, lo que significa que el atributo @break adopta el valor "yes" (es decir, el inicio de línea marca el final de la palabra ortográfica adyacente, que es en); en cambio, en el segundo ejemplo el inicio de línea se encuentra a mitad de la palabra veinte, por lo que el atributo @break toma el valor "no": 4.1.1.3 Inicio de columna a. El elemento <cb> marca el inicio de una nueva columna de texto en una página dividida en columnas. Aunque esta disposición es poco común en los documentos de ODE, existen algunos casos en los que se utiliza, por lo que se incluye este elemento estructural en esta guía. Al igual que el elemento <lb>, el elemento <cb> incluye dos atributos: @n, que señala el número de columna, y @break, que indica si el inicio de columna marca el final de la palabra ortográfica adyacente. Por ejemplo, una página constituida por 20 líneas distribuidas en dos columnas y 10 líneas por columna tendría una estructura similar a la siguiente: ochocientos ve<lb n="12" break="no"/>inte reales en <lb n="264" break="yes"/> veinte reales <pb n="1r" facs="IMG_0001.jpg" break="yes"/> <lb n="1" break="yes"/> <!-- inicio de la primera línea --> <lb n="2" break="yes"/> <!-- inicio de la segunda línea --> <!-- continúa la numeración correlativa de líneas --> <lb n="15" break="yes"/> <pb n="1v" facs="IMG_0002.jpg" break="yes"/> <lb n="16" break="yes"/> <lb n="17" break="yes"/> <!-- continúa la numeración correlativa de líneas --> <lb n="30" break="yes"/> <!-- inicio de la última línea --> 33 b. El atributo @break señala si el inicio de columna coincide con el final de una palabra o si, por el contrario, se encuentra en mitad de una palabra. En el primer caso, el atributo toma el valor "yes", y en el segundo caso, el valor es "no". Así, en el primer ejemplo recogido a continuación el inicio de columna se sitúa entre las palabras doña y Manuela, lo que significa que el atributo @break adopta el valor "yes" (es decir, el inicio de columna marca el final de la palabra ortográfica adyacente, que es doña); en cambio, en el segundo ejemplo el inicio de columna se encuentra a mitad de la palabra Manuela, por lo que el atributo @break toma el valor "no": 4.1.2 Las abreviaturas a. En ODE se marcan y se desarrollan todas las abreviaturas que aparecen en el cuerpo del texto. Para la marcación de abreviaturas se utiliza el elemento <abbr> y para la forma desarrollada correspondiente se utiliza el elemento <expan>. Puesto que se trata de dos alternativas de transcripción que remiten a un mismo fragmento de texto, ambos elementos se incluyen dentro de un elemento <choice>. Por ejemplo, la forma vo como abreviatura de vecino se marca del modo siguiente: <choice> <abbr>vo</abbr> <expan>vecino</expan> </choice> doña Ma<cb n="45" break="no"/>nuela doña <cb n="45" break="yes"/> Manuela <pb n="1r" facs="IMG_0001.jpg" break="yes"/> <cb n="1" break="yes"/> <!-- inicio de la primera columna --> <lb n="1" break="yes"/> <!-- inicio de la primera línea --> <lb n="2" break="yes"/> <!-- inicio de la segunda línea --> <!-- continúa la numeración correlativa de líneas --> <lb n="10" break="yes"/> <cb n="2" break="yes"/> <!-- inicio de la segunda columna --> <lb n="11" break="yes"/> <lb n="12" break="yes"/> <!-- continúa la numeración correlativa de líneas --> <lb n="2'" break="yes"/> <!-- inicio de la última línea --> 34 b. El desarrollo de la abreviatura no implica necesariamente su normalización ortográfica. Por ejemplo, la forma vzo como abreviatura de vezino se marca del modo siguiente: c. La estructura de marcado de las abreviaturas se incluye dentro del elemento <w>, que contiene la información referente a cada palabra del texto (ver sección 4.2.1). 4.1.3 Texto cancelado a. El elemento <del> se utiliza para marcar un segmento de texto que ha sido cancelado, pero cuyo contenido se puede leer. Este elemento incluye siempre un atributo @rend, que señala cómo está representada la cancelación en el texto fuente. En ODE, el atributo @rend solo puede tomar uno de dos valores posibles: "cancelled" y "overwritten". b. El valor "cancelled" se usa para marcar segmentos de texto que han sido tachados o cancelados mediante algún tipo de rayado. Un caso ilustrativo es la palabra nuebas en el ejemplo siguiente: c. El valor "overwritten" se usa para marcar segmentos de texto que fueron reemplazados por contenido nuevo, escrito encima del anterior. En estos casos, el elemento <del> se combina siempre con el elemento <add>, que indica el contenido añadido (ver sección 4.1.4). Un ejemplo ilustrativo es la r de la palabra armoadas, sobre la que se superpuso una l, como se observa a continuación: <choice> <abbr>vzo</abbr> <expan>vezino</expan> </choice> quatro sabanas <del rend="cancelled">nuebas</del> Vsadas 35 4.1.4 Texto añadido a. El elemento <add> se utiliza para marcar un segmento de texto que ha sido añadido. Este elemento incluye siempre un atributo @place, que señala en qué parte del manuscrito se ha añadido el segmento. En ODE, el atributo @place puede tomar uno de siete valores posibles: • "above": encima de la línea • "below": debajo de la línea • "left": en el margen izquierdo • "right": en el margen derecho • "top": en el margen superior • "bottom": en el margen inferior • "inline": en la línea de escritura b. El valor "above" se usa para marcar segmentos de texto añadidos por encima de la línea; por ejemplo, el segmento ñamo de la palabra cáñamo, que se observa a continuación: c. El valor "below" se usa para marcar segmentos de texto añadidos por debajo de la línea: por ejemplo, el segmento con lo qe tiene dentro, que se observa a continuación: quatro a<del rend="overwritten">r</del><add place="inline">r</add>moadas Roapies de ca<add place="above">ñamo</add> 36 d. El valor "left" se usa para marcar segmentos de texto añadidos en el margen izquierdo de la página: por ejemplo, el segmento ropa de color, que se observa a continuación: e. El valor "right" se usa para marcar segmentos de texto añadidos en el margen derecho de la página. En ODE, estos casos suelen ser precios referidos a tasaciones de objetos: por ejemplo, el segmento d100, que se observa a continuación: f. El valor "top" se usa para marcar segmentos de texto añadidos en el margen superior de la página: por ejemplo, el segmento agosto 27, que se observa a continuación: Vn arca de marca mayor madera de pino <add place="below">con lo qe tiene dentro</add> <add place="left">ropa de color</add> <add place="right">d100</add> <add place="top">agosto 27</add> 37 g. El valor "bottom" se usa para marcar segmentos de texto añadidos en el margen inferior de la página: por ejemplo, el segmento va vna pat testada, que se observa a continuación h. El valor "inline" se utiliza para señalar segmentos añadidos directamente en la línea del texto. En ODE, este valor se reserva específicamente para marcar casos de segmentos de texto sobrescritos, en donde el elemento <add> se utiliza en combinación con el elemento <del> (ver sección 4.1.3). El contenido reemplazado se marca con <del> y el contenido nuevo con <add>: por ejemplo, en la palabra lebanttarlo, la b se escribió encima de una p original, como se observa a continuación: 4.1.5 Texto resaltado a. El elemento <hi> se utiliza para marcar un segmento de texto que aparece destacado de algún modo. Este elemento incluye siempre un atributo @rend que indica cómo se presenta el resaltado en el texto original. En ODE, el atributo @rend puede tomar uno de dos valores posibles: <add place="bottom">va vna pat testada</add> le<del rend="overwritten">p</del><add place="inline">p</del>anttarlo 38 • "underlined": texto subrayado • "bold": texto en negrita b. El valor "underlined" se usa para marcar segmentos de texto subrayados: por ejemplo, el segmento Dijo que habiendo visto y reconocido a la misma que se observa a continuación: c. El valor "bold" se usa para marcar segmentos de texto que presentan tinta más intensa: por ejemplo, el segmento Partizion de los Vienes que quedaron que se observa a continuación: d. Los valores "underlined" y "bold" pueden aparecer simultáneamente dentro del atributo @rend. En este caso, los valores deben ir separados por espacio. Es lo que sucede con el segmento Cuerpo de Hazienda que se observa a continuación: <hi rend="underlined">Dijo que habi<lb n="11" break="no"/>endo visto y reconocido a la misma</hi> <hi rend="bold">Partizion de los Vienes que quedaron</hi> 39 4.1.6 Texto omitido a. El elemento <gap> se utiliza para marcar un segmento de texto que ha sido omitido en la transcripción, bien por el editor ―esto es, por quien transcribe el texto en lenguaje XML―, bien por el propio escribano. Este elemento, que por definición es siempre un elemento vacío, incluye un atributo @reason que indica la razón de la omisión. En ODE, el atributo @reason puede tomar uno de tres valores posibles: • "illegible": texto ilegible, que el editor no puede transcribir • "editorial": texto irrelevante, que el editor decide no transcribir • "omitted": texto omitido por el propio escribano en el texto fuente b. El valor "illegible" abarca diversas causas que impiden la correcta lectura del texto, tales como daños en el manuscrito, grafías difíciles de interpretar o fragmentos inaccesibles debido a la encuadernación, entre otras. Por ejemplo, el segmento de texto posterior a Pedro fernandez de es ilegible debido a la costura del documento, como se observa a continuación: <hi rend="bold underlined">Cuerpo de Hazienda</hi> Pedro fernandez de <gap reason="illegible"/> 40 De modo análogo, el segmento de texto posterior a confesando como confiesa es ilegible debido al deterioro del papel, como se observa a continuación: c. El valor "editorial" se utiliza para omitir fragmentos de texto que el editor decide excluir de la transcripción, bien por tratarse de contenido anterior o posterior al discurso de interés para el corpus, bien por ser repetitivo en relación con lo ya transcrito. Por ejemplo, en el último párrafo del siguiente documento comienza un certificado médico, que constituye el verdadero objeto de interés, de modo que en la transcripción de esa página se omite todo el contenido previo al inicio del certificado: confesando como confiesa <gap reason="illegible"/> <gap reason="editorial"/> <add place="left">Declarazon del zirujano</add> En el lugar del Atarfee, en veinte y quatro dias del mes de abril del dho año, 41 d. El valor "omitted" se utiliza para marcar lagunas textuales producidas por el propio escribano en el texto fuente: por ejemplo, la que se observa entre dias y del en el segmento los dias del mes, a continuación: 4.1.7 Texto conjeturado a. El elemento <supplied> se utiliza para marcar un segmento de texto conjeturado por el editor, cuando el texto original presenta dificultades que impiden una lectura clara. Este elemento incluye un atributo @cert que indica el grado de certeza del editor con respecto a la interpretación del texto. En ODE, el atributo @cert puede tomar uno de dos valores posibles: • "high": alto grado de certeza • "low": bajo grado de certeza b. Como ejemplo de uso del valor "high" valga el siguiente ejemplo, en donde la tinta del reverso del folio dificulta una lectura clara del texto; no obstante, el editor conjetura, con un alto grado de certeza, que en el manuscrito aparece la palabra extteras: c. Como ejemplo de uso del valor "low" valga el siguiente caso. Se trata de un manuscrito parciamente dañado que impide leer la palabra posterior a la expresión los bienes aqui espresados y. El editor conjetura que dicha palabra podría ser el pronombre clítico le, aunque también cabe la posibilidad de que sea el clítico la. Dado que esta decisión es lingüísticamente relevante ―podría tratarse de un caso de leísmo con referente femenino o de laísmo―, el transcriptor conjetura la opción que parece más plausible, pero marca la esa Certificamos que sobre los dias <gap reason="omitted"/> del mes Ytm de <supplied cert="high">extteras</supplied> diez y ocho rr 48 e. El atributo @orig contiene la forma original de la palabra, desprovista de cualquier marca en lenguaje XML. Si el contenido textual de <w> se limita a caracteres alfanuméricos, su valor coincidirá con el de @orig: Si, por el contrario, el contenido textual de <w> incluye código XML relacionado con la marcación de aspectos de la edición paleográfica digital, el valor de @orig contendrá únicamente los caracteres alfanuméricos correspondientes: f. En el caso de las abreviaturas, el contenido textual del elemento <w> sigue la marcación de TEI P5 especificada para la expansión de abreviaturas (ver sección 4.1.2), mientras que el valor del atributo @orig contiene la forma original abreviada, tal como aparece en el manuscrito: g. De lo expuesto anteriormente en este apartado se deduce que, aunque cada archivo XML contiene mucha información de diferente naturaleza, los valores del atributo @orig permiten reconstruir fielmente el texto original del manuscrito, respetando sus peculiaridades gráficas; por otro lado, el contenido textual del elemento <w> permite reconstruir fielmente la edición paleográfica digital, incluyendo todo su aparato de marcación en TEI P5. Esta estrategia garantiza la preservación de la autenticidad del manuscrito y logra una integración coherente, aunque diferenciada, entre el contenido textual, la edición digital y el corpus anotado. 4.2.2 Normalización ortográfica La normalización consiste en asignar a cada palabra del corpus su forma ortográfica correspondiente según el estándar actual. En ODE, este procedimiento se realiza automáticamente mediante el script nformtreat.pl, desarrollado por Maarten Janssen y ejecutado desde la plataforma TEITOK. El <w orig="vezino">vez<lb n="32" break="no"/>ino</w> <w orig="vezino">vezino</w> <w orig="vo"> <choice> <abbr>vo</abbr> <expan>vecino</expan> </choice> </w> 49 resultado generado por el script es revisado manualmente por el equipo de lingüistas de ODE: 4.2.3 Lematización y etiquetado morfosintáctico a. La lematización consiste en la asignación del lema correspondiente a cada token, esto es, la forma que representa al conjunto de variantes morfológicas de una palabra y encabeza la entrada de un diccionario. El etiquetado morfosintáctico consiste en la asignación de una etiqueta con información gramatical a cada token. En ODE, este doble procedimiento se realiza automáticamente mediante el etiquetador morfosintáctico Neotag, desarrollado por Maarten Janssen y ejecutado desde la plataforma TEITOK. El resultado generado por Neotag es revisado manualmente por el equipo de lingüistas de ODE. b. El conjunto de etiquetas usado para el etiquetado del corpus ODE ha sido diseñado siguiendo las directrices del proyecto EAGLES (Expert Advisory Group on Linguistic Engineering Standards), uno de los estándares más reconocidos para la anotación lingüística de corpus y usado, por ejemplo, por el anotador FreeLing o por algunos de los corpus en español contenidos en la herramienta Sketch Engine. Este conjunto de etiquetas sigue una estructura posicional: cada etiqueta está compuesta por una secuencia de símbolos —letras y números—, donde cada símbolo representa un rasgo morfosintáctico específico según su posición en la secuencia. El significado de cada posición se define en función de la categoría principal, indicada por la primera letra de la secuencia y que representa la clase de palabra. c. Por ejemplo, la forma vezino lleva la etiqueta "NCMS000", donde la "N" indica que se trata de un nombre; la "C", que es común; la "M", que es masculino, y la <w orig="vezino" norm="vecino">vezino</w> <w orig="abia" norm="había">abia</w> <w orig="vzo" norm="vecino"> <choice> <abbr>vzo</abbr> <expan>vezino</expan> </choice> </w> 50 S, que es singular. De modo análogo, la forma abia, se etiqueta VAII3S0, donde la "V" indica que se trata de un verbo; la "A", que es auxiliar; la "I" de la tercera posición, que es indicativo; la "I" de la cuarta posición, que es tiempo imperfecto; el 3, que es tercera persona, y la S, que es singular: d. Los ceros (0) se utilizan como indicadores de ausencia de información específica para un rasgo particular en una posición determinada. Esto significa que el rasgo correspondiente no está especificado —el rasgo "persona" en una forma verbal de gerundio, por ejemplo— o no aplica en el contexto del análisis morfosintáctico de la palabra etiquetada para la lengua en cuestión —el rasgo "caso" en los sustantivos del español, por ejemplo—. La etiqueta principal para los signos de puntuación es "F", mientras que para los números es "Z". Para una descripción completa de las etiquetas utilizadas en ODE, véase el etiquetario de ODE. e. Las contracciones y las formas verbales con pronombres enclíticos se consideran tokens complejos, es decir, palabras ortográficas que representan dos o más palabras gramaticales. El etiquetado morfosintáctico de los tokens complejos requiere descomponer la palabra ortográfica en sus unidades <w orig="vezino" norm="vecino" lemma="vecino" pos="N" msd="NCMS000">vezino</w> <w orig="abia" norm="había" lemma="haber" pos="V" msd="VAII3S0">abia</w> <pc orig="." lemma="." pos="F" msd="Fp">.</pc> <w orig="5" lemma="5" pos="Z" msd="Z">5</w> 51 gramaticales constitutivas y asignar a cada una la información lingüística correspondiente. Para representar estos casos en TEI P5, se emplea el elemento <w> de manera recursiva. Cada uno de los elementos <w> (es decir, palabras gramaticales) anidados dentro de otro <w> (palabra ortográfica) lleva un atributo @part, que indica el orden de cada palabra gramatical dentro de la secuencia ortográfica: el valor "I" corresponde a la posición inicial, "M" a la posición intermedia y "F" a la posición final: f. Si un token complejo requiere normalización ortográfica, esta se aplica tanto al nivel de la palabra ortográfica como al de la palabra gramatical, cuando sea necesario: <w orig="habiéndoselo">habiéndoselo <w part="I" orig="habiendo" lemma="haber" pos="V" msd="VMN0000"/> <w part="M" orig="se" lemma="se" pos="P" msd="PP3CND00"/> <w part="F" orig="lo" lemma="lo" pos="P" msd="PP3MSA00"/> </w> <w orig="del">del <w part="I" orig="de" lemma="de" pos="S" msd="SPS00"/> <w part="F" orig="el" lemma="el" pos="D" msd="DA0MS0"/> </w> 52 4.2.4 Anotación lingüística adicional a. El corpus ODE no solo incluye anotación lingüística de índole gramatical ―lematización y etiquetado morfosintáctico―, sino que también incorpora otros tipos de anotación lingüística adicional. Actualmente, el corpus está siendo enriquecido con anotaciones de tipo gráfico-fonético, etimológico y semántico. Esta anotación se realiza de forma automática mediante el script ltags.pl, desarrollado por Gael Vaamonde y ejecutado desde la plataforma TEITOK. Téngase en cuenta que estas capas de información lingüística todavía se encuentran en fase de revisión, por lo que los resultados deben interpretarse con cautela. Es posible que aún contengan inconsistencias o errores que requieren un análisis más exhaustivo. b. Todos los tipos de anotaciones adicionales se representan mediante estructuras de rasgos, esto es, utilizando el elemento <fs> (feature structure). Este elemento incluye siempre un atributo @type con el valor "annotation" y presenta una organización interna que consiste en un subelemento <f> con un atributo @name y, dentro de <f>, un subelemento <symbol> con el atributo @value. En el atributo @name se indica el tipo de anotación (por ejemplo, "etymology"), mientras que en el atributo @value se indica el valor correspondiente (por ejemplo, "arabism"): <w orig="habiéndoselo" norm="habiéndoselo">aviendoselo <w part="I" orig="aviendo" norm="habiendo" lemma="haber" pos="V" msd="VMN0000"/> <w part="M" orig="se" lemma="se" pos="P" msd="PP3CND00"/> <w part="F" orig="lo" lemma="lo" pos="P" msd="PP3MSA00"/> </w> 53 c. Dado que la anotación lingüística adicional implementada en ODE se aplica exclusivamente a nivel de palabra, la estructura de rasgos <fs> se incorpora necesariamente dentro del elemento <w>. Por ejemplo, la forma almuadas se anota de la siguiente manera: De forma análoga, pero ilustrando otros tipos de anotación, las formas aborresido y alcuza se anotan de la siguiente manera: <fs type="annotation"> <f name="etymology"> <symbol value="arabism"/> </f> </fs> <w orig="almuadas" norm="almohadas" lemma="almohada" pos="N" msd="NCFS000">almuadas <fs type="annotation"> <f name="etymology"> <symbol value="arabism"/> </f> </fs> </w> <w orig="aborresido" norm="aborrecido" lemma="aborrecer" pos="V" msd="VMP00SM">aborresido <fs type="annotation"> <f name="phonetics"> <symbol value="seseo"/> </f> </fs> </w> <w orig="alcuza" lemma="alcuza" pos="N" msd="NCFS000">alcuza <fs type="annotation"> <f name="semantics"> <symbol value="cookware"/> </f> </fs> </w> 54 d. Una misma palabra puede ser objeto de varias anotaciones. Si la palabra está asociada a dos (o más) valores de un mismo tipo de anotación, estos se separan por guion dentro del mismo atributo @value. Es el caso de la forma porsolana, por ejemplo, que se anota del modo siguiente: En cambio, si la palabra está asociada a dos (o más) valores referidos a diferentes tipos de anotación, se declaran tantos elementos <f> dentro de <fs> como sean necesarios para dar cuenta de todos los valores asignados a esa palabra. Es el caso de la forma alcusa, que se anota del modo siguiente: <w orig="porsolana" norm="porcelana" lemma="porcelana" pos="N" msd="NCFS000">porcelana <fs type="annotation"> <f name="phonetics"> <symbol value="seseo-vowel_system"/> </f> </fs> </w> <w orig="alcusa" norm="alcuza" lemma="alcuza" pos="N" msd="NCFS000">alcuza <fs type="annotation"> <f name="phonetics"> <symbol value="seseo"/> </f> <f name="semantics"> <symbol value="cookware"/> </f> </fs> </w> 55 5. TEITOK VS. TEI P5 Como se ha explicado en la introducción, los archivos XML de ODE se pueden descargar en dos formatos, correspondientes a dos modelos distintos: el modelo TEITOK, de uso interno en la plataforma, y el formato TEI P5, que sigue estrictamente las directrices de la última versión del estándar TEI y en el que se centra esta guía. A continuación, se presenta unas tablas de correspondencias entre los elementos y atributos de ambos modelos, que permite al usuario identificar las diferencias principales y comprender cómo el formato interno de ODE se adapta a una estructura de marcado conforme a las recomendaciones de la TEI (ver Tabla 7 y Tabla 8). Tabla 7. Correspondencias en la cabecera entre el modelo TEITOK y el modelo TEI P5. TEITOK XML TEI P5 XML @id @xml:id @lang @xml:lang <respStmt> <resp id="transcription"> Gael Vaamonde </resp> </respStmt> <respStmt n="1"> <resp>Transcripción</resp> <name>Gael Vaamonde</name> </respStmt> <idno ref="http://..."> ARCHV PCR 2114/0004 </idno> <idno source="http://..."> ARCHV PCR 2114/0004 </idno> <msItem class="original"> <p> <locus>422r-444v</locus> </p> </msItem> <msItem> <locus>422r-444v</locus> <filiation type="original"> </msItem> <msItem class="copy" when="1706"> <p> <locus>331r-333r</locus> </p> </msItem> <msItem> <locus>331r-333r</locus> <filiation type="copy"> <origDate>1690</origDate> <date>1706</date> </filiation> </msItem> <locus>7r-7v</locus> <locus cert="high">7r-7v</locus> <locus>[7r-7v]</locus> <locus cert="low">7r-7v</locus> 56 Tabla 8. Correspondencias en el texto entre el modelo TEITOK y el modelo TEI P5. <surrogates> <cit> <bibl> facsímil digital guardado en formato JPG </bibl> </cit> </surrogates> <surrogates> <bibl> <title type="gmd"> facsímil digital guardado en formato JPG </title <bibl> </surrogates> <encodingDesc> <classDecl></classDecl </encodingDesc> <encodingDesc> <projectDesc></projectDesc> <editorialDecl></editorialDecl> <classDecl></classDecl </encodingDesc> <name type="place" subtype="Almería" geo="37.170972 2.839710"> España, Almería, Fiñana </name> <placeName>España, Almería, Fiñana <name n="1" type="country"> España </name> <name n="2" type="province"> Almería </name> <name n="3" type="city"> Fiñana </name> <geo>37.1709721 -2.8397107</geo> </placeName> <date when="1789" when-custom="XVIII"> 1789 </date> <date n="1" type="year">1832</date> <date n="2" type="century">XIX</date> <catRef target="inv"/> <catRef target="#inv"/> TEITOK XML TEI P5 XML <foreign lang="la"> <foreign xml:lang="la"> <pb n="[3r]"/> <pb n="3r" cert="high"/> tres <lb id="e-1"/> reales tres <lb n="1" break="yes"/> reales tres re<lb id="e-2"/>ales tres re<lb n="2" break="no"/>ales <tok> <w> <!-- palabras --> <pc> <!-- signos de puntuación --> <tok>vecino</tok> <w orig="vecino">vecino</w> 57 <tok form="vecino"> ve<lb id="e-2"/>cino </tok> <w orig="vecino"> ve<lb n="2" break="no"/>cino </w> <tok fform="vecino"> vo </tok> <w orig="vo"> <choice> <abbr>vo</abbr> <expan>vecino</expan> </choice> </w> <tok nform="vecino"> vezino </tok> <w orig="vezino" norm="vecino"> vezino </w> <tok lemma="vecino"> vecino </tok> <w lemma="vecino"> vecino </w> <tok pos="NCMS000"> vecino </tok> <w pos="N" msd="NCMS000"> vecino </w> <tok>del <dtok form="de" lemma="de" pos="SPS00"/> <dtok form="el" lemma="el" pos="DA0MS0"/> </tok> <w orig="del">del <w part="I" orig="de" lemma="de" pos="S"/> msd="SPS00"/> <w part="F" orig="el" lemma="el" pos="D" msd="DA0MS0"/> </w> <tok ltags="arabism"> almohada </tok> <w>almohada <fs type="annotation"> <f name="etymology"> <symbol value="arabism"/> </f> </fs> </w>