Catégorie : Informations pratiques
¿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:
-
-
-
- Marcado de las páginas
- Fechas
- Personas
- Lugares
- Instituciones
- Expansiones de abreviaciones
- 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:
Workshop 31 de mayo 1° de junio 2022 – Universitat de Barcelona
Informaciones prácticas sobre el workshop del 31 de mayo/ 1° de junio
Informaciones prácticas
Ateliers D4R
31 mai – 1er juin 2022
Lieu des séances:
Programme:
Mardi 31 mai | |
08h30-09h30 | Buffet de bienvenue |
09h30-10h30 | Synthèse et état d’avancement du projet
M. Boeglin – Andrés Echavarría – David Kahn |
Pause | |
11h15-13h00 | Ateliers par groupes : Livre & Documents historique (GT2-GT4) – Informatique & linguistique (GT3-4-5) |
13h00-15h00 | Repas et pause |
15h30-16h30 | Restitution des ateliers |
16h30 -17h00 | Pause boissons |
17h00-18h30 | Solutions à implémenter. Notamment concernant les chaînes de traitement et automatisation de la saisie des données |
Mercredi 1er juin | |
08h30 | Buffet |
09h30 | Atelier Histoire informatique & traitement de l’information.
Ontologies et concepts clés (Andrés Echavarria) Restitution des cheminements à partir de cas particuliers dans l’exploitation des corpus Ignacio Mathilde Albisson, Ignacio García Pinilla, Doris Moreno, David Panzoli |
11h30 | Pause |
12h00-13h00 | Discussion & Restitution |
Répartition de responsabilités Planning des prochaines rencontres et séminaires de travail |
|
13h30 | Repas |
15h30 | Quartier libre |
Hôtels:
Gloriès – c/ Padilla
Hn-H Top Bcn City Travessera De Gracia 380-384
XML-TEI
El XML-TEI es el formato escogido por el proyecto D4R para estructurar sus documentos, ya que permite establecer parámetros únicos para la descripción de todos los componentes del corpus y además es un sistema que permite el intercambio para que otros proyectos y personas en el presente y el futuro, puedan hacer uso de los datos recolectados y anotados durante nuestro trabajo.
¿Qué es el XML?
XML es la sigla usada para hacer referencia al eXtensible Markup Language (Lenguaje de Marcado Extensible). Fue desarrollado a partir de las bases de datos existentes por el W3C (World Wide Web Consortium) y se utiliza para almacenar datos de forma legible.
El XML se creó con algunos objetivos principales. En primer lugar, era importante que fuera idéntico al HTML en cuanto a la recepción, el tratamiento y el almacenamiento de la información, de modo que pudiera utilizar las tecnologías ya desarrolladas para este último. Otro elemento importante era que XML debía ser conciso en la información para poder definir los datos en su almacenamiento. Por otro lado, el hecho de que fuera extensible significaba que XML podía ser utilizado por todos los dominios del conocimiento para almacenar sus bases de datos. Se convirtió en algo fácil de leer y editar, además de la facilidad de programación que ello implicaba.
El XML no sólo se utiliza en las plataformas de Internet, sino que se plantea como una posibilidad de estandarizar la información que puede estructurarse de diferentes maneras para integrarse en bases de datos, editores de texto y casi cualquier otro formato imaginable. XML no es una tecnología aislada, hay muchas otras tecnologías que la complementan y la hacen mucho más importante, siendo su principal función hoy en día permitir la compatibilidad entre sistemas para compartir información de forma ágil, segura y fiable. Echemos un vistazo a la estructura de un documento XML.
¿Cómo se hace un documento XML?
La unidad mínima dentro de un documento XML es la etiqueta o elemento, estos pueden contener otras etiquetas o elementos. Para crear una etiqueta en XML, utilizamos los símbolos “menor que” (<) seguido del nombre de la etiqueta y más que (>) para cerrar la etiqueta, luego añadimos el contenido que tendrá la etiqueta y cerramos la etiqueta utilizando menos que (<), la barra (/) el nombre de la etiqueta y “más que” (>). Los nombres de las etiquetas no deben tener espacios, cuando se hace un espacio dentro de la etiqueta todo escrito después del espacio es considerado como un atributo.
Las etiquetas pueden contener texto, otras etiquetas (o ambas), también pueden estar vacías o incluso ser etiquetas que se cierran en sí mismas.
<etiqueta>contenido de la etiqueta</etiqueta>
<etiqueta>contenido de la etiqueta<otraEtiqueta></otraEtiqueta></etiqueta>
<etiqueta></etiqueta>
<etiqueta/>
Para que un document XML sea válido debe tener tres características:
- Solo puede contener un único elemento raíz
- Debe tener una estructura estrictamente jerárquica, que no es otra cosa que respetar la estructura de un árbol.lo que quiere decir que un par de etiquetas puede contener otros pares de etiquetas. Si y sólo si las dos etiquetas (de apertura y de cierre) de cada par están contenidas en este par de etiquetas de la siguiente forma:
- Los valores atributos en XML siempre deben estar encerrados entre comillas simples o dobles
<etiqueta atributo="Valor_atributo"></etiqueta>
¿Qué es la TEI?
La TEI es la sigla de la Text Encoding Initiative, es uno de los proyectos más antiguos de lo que se conoce como las Humanidades Digitales, y se creó como un proyecto de investigación informática en Humanidades hace más de 30 años. El objetivo de este proyecto era “proponer un conjunto de recomendaciones sobre cómo los investigadores deben crear recursos textuales legibles por ordenador”. Lou Burnard, hablando de la evolución de los métodos de investigación en las humanidades y las ciencias sociales, explica el nacimiento y el desarrollo de la TEI, en un contexto en el que todavía no existía la World Wide Web y en el que “la única computación seria se hacía en grandes máquinas (mainframes)” (Burnard, 2014).
Algunos intelectuales empezaron a hablar de la necesidad de trabajar con recursos a gran escala, a pensar en posibles formas de utilizar los avances del “tratamiento de textos para el trabajo lexicográfico”, en un mundo en el que abundaban las teorías sobre cómo utilizar la información “hipertextualmente”. En otoño de 1987, el NEH (National Endowment for the Humanities) financió una reunión para establecer las directrices del TEI (Burnard, 2014).
Al principio, en un entorno en el que los cambios en los lenguajes de representación textual dentro de la informática eran permanentes, el objetivo era facilitar la creación, el intercambio y la integración de datos textuales informatizados (TEI, 1988), con parámetros bien establecidos para garantizar la sostenibilidad del proyecto en el tiempo, y cuyas herramientas debían ser suficientes para representar las características textuales necesarias para la investigación. Todo tenía que ser sencillo, claro y concreto, fácil de usar para los investigadores sin necesidad de un software especial. El TEI debe permitir una definición rigurosa y un procesamiento eficaz del texto y, por último, proporcionar extensiones definidas por el usuario para cumplir con las normas existentes y emergentes (Text Encoding Initiative).
El TEI es una iniciativa que se preocupa más por el significado del texto que por la apariencia del mismo, razón principal por la que es independiente del software, lo que permite procesar la información sin ninguna pérdida entre sistemas operativos. Burnard sostiene que el éxito del TEI a lo largo de su historia responde a un sentido estrictamente darwiniano en el que “el TEI evoluciona respondiendo a los cambios que su comunidad de usuarios considera beneficiosos, mientras que ignora los que no lo son” (Burnard, 2014).
Cuando nos referimos al TEI, se puede hablar de tres cosas diferentes pero estrechamente relacionadas. En primer lugar, el TEI es un consorcio internacional, creado en 1987, que desarrolla y mantiene directrices para la codificación electrónica de textos en las ciencias sociales y las humanidades. El TEI es también una iniciativa científica que sirve para codificar textos de todo tipo y de todas las épocas, para que puedan ser explotados digitalmente. Por último, TEI podría definirse como un enfoque metodológico específico que se incorpora a las directrices TEI para codificar textos en formato XML.
En conclusión, la TEI se nos presenta como una “forma” de hacer XML en la que el conjunto de etiquetas a utilizar ya está definido. además, es una norma, ampliamente utilizada, que permite intercambiar datos utilizando el “mismo lenguaje” (principio de interoperabilidad).
El uso básico del programa <oXygen/> XML Editor
Para facilitar el manejo de los documentos (que pueden llegar a ser bastante complejos) el proyecot D4R ha priorizado la utilización del programa <oXygen/> XML Editor es el editor de texto más avanzado en el uso de la TEI, además de ser el más eficiendo en evitar y corregir posibles errores en los documentos, veremos a continuación los elementos principales de la interfaz de este programa: