El Corpus del Español del Siglo XXI (CORPES XXI) es, al igual que CREA, un corpus de referencia. En lingüística, se llama corpus a un conjunto formado por miles de textos (novelas, obras de teatro, guiones de cine, noticias de prensa, ensayos, transcripciones de noticiarios radiofónicos o televisivos, transcripciones de conversaciones, discursos, etc.) y cientos de millones de formas. Son empleados habitualmente para conocer el significado y características de palabras, expresiones y construcciones a partir de los usos reales registrados. Dado el tamaño que poseen, los corpus tienen que estar en formato electrónico.
Un corpus general (llamado de referencia) tiene como propósito básico el de servir para obtener las características globales que presenta una lengua en un momento determinado de su historia. En el caso del español actual, el corpus debe contener textos de todos los tipos y también de todos los países que constituyen el mundo hispánico.
Para ello, los textos que integran el CORPES se seleccionan de acuerdo con una serie de parámetros y son tratados con un sistema de codificación especialmente diseñado para este corpus y para la recuperación de sus datos desde cualquiera de esos parámetros.
Para continuar y desarrollar las líneas seguidas anteriormente, en el congreso celebrado en Medellín en marzo de 2007, las academias de la lengua española acordaron encomendar a la Real Academia Española la construcción del Corpus del Español del Siglo XXI (CORPES XXI), formado por textos escritos y orales procedentes de España, América, Filipinas y Guinea Ecuatorial con una distribución de 25 millones de formas por cada uno de los años comprendidos en el periodo 2001 a 2012.
La versión provisional se presentó en el VI Congreso Internacional de la Lengua Española (Panamá, octubre de 2013) y desde diciembre de 2013 es posible realizar consultas al CORPES XXI a través de una aplicación específica que permite recuperar los casos contenidos en el corpus de una palabra o expresión. En la primera fase del proyecto, finalizada en diciembre de 2014, se incorporaron textos producidos entre 2001 a 2012.
El 4 de febrero de 2015, la RAE y Banco Santander renovaron el convenio de colaboración que permite el desarrollo de este proyecto. El nuevo acuerdo estará vigente cuatro años más, hasta 2018. El objetivo final es reunir, en 2018, un conjunto textual constituido por 400 millones de formas y palabras de la lengua común de casi 500 millones de hispanohablantes.
En junio de 2016 se ha publicado una nueva versión de consulta, la 0.83. Cuenta con 237 678 documentos que suman unos 225 millones de formas. Con respecto a la versión anterior (noviembre de 2015) supone un incremento de unos 10 millones. En abril de 2015 se publicó la versión 0.8 con dos grandes novedades: la posibilidad de la recuperación del sonido alineado con textos orales y la consulta por categoría gramatical.
Desde diciembre de 2018, el CORPES XXI (versión 0.91) cuenta con más de 285 000 documentos que suman alrededor de 286 millones de formas, procedentes de textos escritos y de transcripciones de textos orales. Con respecto a la versión anterior, publicada en julio de 2018, supone un incremento de 10 millones de formas. Aproximadamente cuatro millones están constituidos por textos orales y se ofrece, en una parte de ellos, el sonido alineado correspondiente a la transcripción. Además, en bastantes casos es posible la descarga del archivo de audio o la visualización del vídeo del documento fuente.
Los textos procedentes de libros suponen más de 140 millones de formas. Por lo que respecta al bloque de ficción (novelas, guiones, relatos, obras de teatro) las formas del CORPES XXI sobrepasan los 81 millones, mientras que las contenidas en textos de no ficción (ciencias sociales, salud, política, artes, tecnología…) se acercan a los 207 millones.
Por otro lado, la prensa está representada con aproximadamente 142 millones de formas. Cinco millones más provienen de blogs, entrevistas digitales y miscelánea.
- Con el asesoramiento y la colaboración de las academias de la lengua española.
- Con el patrocinio de Banco Santander | Vídeo de la firma del convenio (2012).
- Con la colaboración de grupos editoriales y autores.
- Con la participación de equipos de codificación pertenecientes a diferentes instituciones españolas y americanas.
- Dosier informativo
