CEDEL2 Corpus Escrito del Español L2 http://www.uam.es/woslac/cedel2.htm

1. CEDEL2Corpus Escrito del Español L2http://www.uam.es/woslac/cedel2.htm Cristóbal Lozano Universidad 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

19. Datos actuales: Palabras por grupo

20. Datos actuales:Nº de participantes

21. Datos actuales:Procedencia

22. Datos:Llamamientos a la participación

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]