Parámetros de selección de textos
El CORPES XXI pretende ser un corpus de referencia que se mueva en los parámetros utilizados actualmente en esta línea de trabajo: 25 millones de formas por año y una distribución general del 70 % para textos americanos y el 30 % para textos españoles. Se concibe como un corpus semiabierto, un corpus que se irá incrementando en los próximos años con las cantidades previstas.
Los textos que integran el CORPES han sido seleccionados de acuerdo con los siguientes parámetros:
Medio
El 90 % de los textos corresponde a la lengua escrita y el 10 % a la lengua oral.
Los materiales escritos proceden en un 40 % de libros, publicaciones periódicas (40 %), material de Internet (7,5 %) y miscelánea (2,5 %).
Geográfico
La distribución general del CORPES asigna un 30 % del total a formas procedentes de España y un 70 % a formas procedentes de América. La correspondiente a las grandes áreas lingüísticas del mundo hispánico se establece mediante el cruce de criterios diferentes, entre los que figuran la población, el volumen de publicaciones, la cantidad de ediciones digitales de periódicos y revistas, etc. El material producido en América se clasifica, a su vez, en las zonas lingüísticas habituales: andina, Antillas (caribeña), Caribe continental, chilena, Estados Unidos, México y Centroamérica y Río de la Plata.
Es importante señalar, como una de las novedades en los corpus académicos, que el CORPES incluye también textos correspondientes a Guinea Ecuatorial y a Filipinas.
Temático
Todos los textos, escritos y orales, siguen una clasificación común, lo que posibilitará la búsqueda temática de una forma independientemente de su realización oral o escrita. La clasificación contempla dos grandes bloques temáticos (ficción y no ficción) que se distribuyen en diferentes áreas temáticas: ciencias y tecnología, ciencias sociales, creencias y pensamiento, política, economía, comercio y finanzas, artes, ocio, vida cotidiana, salud, novela, teatro, relatos y guiones.
Tipología
Además de las asignaciones procedentes del medio y el soporte, los textos reciben una caracterización por tipo o género textual: novela, cuento, teatro y guiones para los textos de ficción; noticias y reportajes, opinión para periódicos y revistas; prosa académica y no académica; entrevistas, conversaciones, etc., para orales; texto escrito para ser leído (noticias de radio o televisión), etc.
El cruce de los géneros con los medios, los soportes y las áreas temáticas producirá una riquísima tipología textual que permitirá a los investigadores afinar considerablemente la recuperación selectiva de la información.