¿Cómo se representa la TEI en D4R?

Esta entrada tiene como objetivo principal, introducir a los investigadores del proyecto D4R a la codificación[1] de textos.  Este artículo se estructurará desde lo más simple hasta lo más complejo teniendo en cuenta cada uno de los elementes que se vayan adjuntando al tratamiento[2] de los documentos del corpus.

Dejaremos de lado las partes de la estructura XML/TEI que no conciernen al grueso de quienes intervienen en el proceso de codificación. Esto con el fin de no perturbar el trabajo con informaciones inútiles y sobre las cuales podremos discutir más profundamente en caso de necesidad. Empecemos por saber cuales son las formas en las que podemos escribir una etiqueta en el programa <oXygen/> XML Editor.

Para añadir una etiqueta

Hay varias opciones para añadir una nueva etiqueta:

• • • • Seleccione la porción de texto a etiquetar y haga doble clic en el nombre de la etiqueta en la ventana de elementos
      • Seleccione la porción de texto a etiquetar y pulse CTRL+E o Cmd+E (en el caso de macOS) para elegir la etiqueta a añadir  en el cuadro de diálogo que se abre
      • escribir directamente las etiquetas de apertura y cierre a ambos lados de la porción de texto que se va a etiquetar.

Nota: el sistema predictivo de <oXygen/>XML Editor le permitirá seleccionar la etiqueta en entre las que se despliegan en el momento que comience a escribir el nombre de la etiqueta

Para añadir un atributo

Coloque el cursor en una etiqueta y rellene el valor de uno de los atributos en el área de atributos o al final nombre de la etiqueta de apertura escriba un espacio; el sistema predictivo de <oXygen/> le permitirá seleccionar el atributo entre los que se despliegan en el momento que comience a escribir. Por último, puede simplemente escribir el nombre el atributo directamente y su valor en la etiqueta de apertura

Para borrar una Etiqueta

Seleccione la etiqueta de apertura y elimínela. Esto también eliminará la etiqueta de cierre.

Los elementos que cualquiera puede codificar en un documento usando la XML/TEI

En un primer momento nos ocuparemos solamente de lo que concierne a el etiquetado de una pequeña serie de informaciones en el texto:

1. 1. 1. 1. Marcado de las páginas
         2. Fechas
         3. Personas
         4. Lugares
         5. Instituciones
         6. Expansiones de abreviaciones
         7. Regularizaciones lingüísticas

Marcado de las páginas

Para el reconocimiento de las páginas, principalmente de los manuscritos un simple sistema nos servirá para señalar el inicio de cada página. Verbigracia, si queremos marcar el inicio de la página delantera del folio uno de un proceso, tendremos como resultado una etiqueta autocerrada de la siguiente manera:

<pb n="fol_1r"/>

Notese que las etiquetas autocerradas tienen la barra (/) al final, y no al principio como las etiquetas de cierre <pb/> que significa page beginning, el atributo @n que significa número y en el valor del atributo, el identificador respectivo que se compone de la siguiente forma :

Fechas

En lo que concierne a las fechas, sabemos que estas se manifiestan de multiples formas dentro del texto: si en el texto nos encontramos con la fecha “el 20 de abril de mil y quinientos sesenta” encerraremos el texto dentro de la etiqueta <date>, pondremos el atributo @when y en el valor del atributo, pondremos la fecha en formato “aaaa-mm-dd”, “aaaa-mm” o “aaaa” ello se ve representado de la siguiente forma en XML/TEI.

<date when="1560-04-20">20 de abril de mil y quinientos sesenta<date/>

Personas

Cuando nos encontramos con el nombre de personajes como Tomas de Torquemada, Pedro de Cazalla e Isabel de Castilla, procederemos de la siguiente forma: el nombre completo (de la forma en la que aparezca en el documento) estará al interior de la etiqueta <persName> a ello se le agregará el atributo @ref y el valor del atributo será el identificador único que el proyecto ha asignado a la persona en cuestión.

<persName ref="#Cazalla_Pedro">don Pedro de Cazalla</persName>
<persName ref="#Inq_TorquemadaTomas">don Tomás de Torquemada</persName>
<persName ref="#IsabelITrastamara_BNEXX1146476">Isabel la católica</persName>

Nota: Los valores de Atributo que hacen referencia a identificadores únicos en un documento XML se escriben siempre precedidos del signo #. Pronto se publicará una base de datos de consulta con los identificadores únicos de cada una de las personas que ya están en la base de datos. También se pondrá a disposición un formulario que permitirá adjuntar nuevas personas a la base de datos. Esta base de datos se expresará en XML en el teiHeader general del proyecto y estará a disposición de todos aquellos que estén encargados de codificar textos.

¿Por qué son tan diferentes los identificadores de estas tres personas? La respuesta es sencilla, las tres personas pertenecen a grupos de personas diferentes. Los reyes de España tienen un identificador único relacionado en la Biblioteca Nacional de España. En el caso de Isabel elaboramos el identificador único a partir de las siguientes informaciones:

[nombre] [nombre generacional] [Casa real] [un guion bajo] [BNE] [Identificador único proporcionado por la BNE]

El identificador único de la BNE de Isabel I de Castilla es: XX1146476. Por lo tanto tenemos como informaciones:

[Isabel] [I] [Trastamara] [_] [BNE] [XX1146476]

En lo que toca a los inquisidores, el sistema de identificación se simplifica un poco, en este caso no recurrimos a identificadores únicos, nuestro identificador está compuesto de 5 elementos

[Inq][un guion bajo][Apellido][un guion bajo][Nombre]

En el ejemplo de Tomás de Torquemada nos queda un identificador con los siguientes elementos:

[Inq][_][Torquemada][_][Tomas]

En el caso del resto de personas, nos encontramos con identificadores que están compuestos por tres elementos [Apellido][guion bajo][Nombre] en algunos caso pueden comportar un elemento adicional que permita distinguirlo de algún homónimo, el caso de Pedro de Cazalla y su padre que es homónimo. De este modo Pedro de Cazalla padre se llamará “#Cazalla_PedroPadre”

Lugares

Cuando debemos señalar lugares debemos tener en cuenta dos variables, si son ciudades o son países, en los casos de Valladolid o Francia insertaremos el texto dentro de la etiqueta <placeName> con el atrobuto @ciudad o @pais según corresponda de la siguiente manera:

<placeName type="ciudad">Valladolid</placeName>
<placeName type="pais">Francia</placeName>

Instituciones

Al momento de codificar instituciones como el Consejo y comisaría cruzada o la Universidad de Salamanca, vamos a constituir identificadores basados en nombre de la institución verbigracia:

<orgName ref="#Uni_Salamanca">Universidad de Salamanca</orgName>
<orgName ref="#Cruzada_Comisaria">Consejo y comisaría cruzada</orgName></persName>

Expansiones de abreviaciones

Multiples tipos de abreviaciones son tenidas en cuenta por las guidelines de la TEI las principales con las que nos encontraremos son:

• suspensión  la abreviatura proporciona la(s) primera(s) letra(s) de la palabra o frase, omitiendo el resto.
• contracción la abreviatura omite alguna(s) letra(s) del medio.
• brevigrafía la abreviatura comprende un símbolo o marca especial.
• superscripción, la abreviatura incluye una escritura por encima de la línea en exponencial.
• acrónimo, la abreviatura comprende las letras iniciales de las palabras de una frase.
• título, la abreviatura corresponde a un título de dirección (Dr, Ms, Mr,).
• organización la abreviatura es para el nombre de una organización.

Todas las anteriores serán tratadas de la manera siguiente:

<choice><abbr>sup.o</abbr><expan>suplicó</expan></choice>

Existen otras contracciones en las que en una sola palabra se abrevian dos o más tokens por ejemplo : ‘lescribio’ por ‘le escribió’. ‘deso’ por ‘de eso’  ‘porques’ por ‘porque es’, para identificarlas adjuntaremos a la etiqueta <choice> , al interior de ésta última nos eencontraremos dos estiquetas la etiqueta <abbr> con un atributo @type con un valor de atributo “multi” y la etiqueta <expan>, lo que  se vería representado de la siguiente manera:

<choice><abbr type="multi">porques</abbr><expan>porque es</expan></choice></persName>

Regularizaciones lingüísticas

EL proyecto ya tiene una serie de equivalencias (configuradas en forma de diccionarios python) que permiten asociar las escrituras del s. XVI a lemas estandarizados para el tratamiento automático. En nuestro etiquetado de palabras solo tendremos en cuenta las que debemos desambiguar para evitar cualquier confusión de la máquina a la hora de analizar de forma automática el texto.  Algunos ejemplos pueden ser:

Supo puede ser una abreviación de “suplicó” pero sería reconocida por un sistema automático como una forma conjugada del verbo saber, en caso de que nuestro texto haga referencia al verbo suplicar, nuestro resultado debería ser el siguiente:

<choice><orig>suplico</orig><reg>suplicó</reg></choice></persName>

Las regularizaciones, y las expensiones de abreviaciones se harán teniendo en cuenta las actuales normas de gramática, esto por una razón principal: No hallamos sentido más allá del estético en escribir las palabras en una forma que parezca de la época, además, ya que lo que no interesa es apuntar a la explotación de datos, no tiene muchos sentidos estar adjuntando palabras que no dan un valor agregado a nuestro corpus.

Todas las anotaciones anteriormente mencionadas se verían de la siguiente manera en un árbol como se ve en la siguiente imagen: