Un corpus común para el bribri

1 Situación actual

Tres fuentes concentran el material de este plan. El Corpus oral pandialectal de la lengua bribri reúne 35 textos transcritos de los dialectos de Amubri, Coroma y Salitre, con audio, análisis morfológico y traducción al español, y su proyecto contó con el apoyo de la Universidad.¹1Flores Solórzano, S. (2017). Corpus oral pandialectal de la lengua bribri DIPALICORI, el sitio de diversidad y patrimonio lingüístico de la Universidad, publica diccionarios pictográficos, una enciclopedia, secuencias didácticas, libros, juegos y escaneos de publicaciones antiguas.²2Universidad de Costa Rica (s. f.). Dipalicori: Diversidad y patrimonio lingüístico de Costa Rica El diccionario bribri-español de Haakon Krohn, profesor de la Universidad, ofrece más de seis mil entradas en bribri.³3Krohn, H. S. (2019–2025). Diccionario bribri–español, español–bribri

Cada fuente conserva la forma en que se publicó (cuadro 1). El corpus oral existe como páginas web, una por texto, y su anotación se lee solo en esas tablas. En los diccionarios pictográficos, el significado de cada palabra es un dibujo: una ilustración por tema, con un círculo para cada área y una línea para cada punto que una palabra nombra.⁴4Proyecto Diversidad Lingüística de Costa Rica (2015). Diccionario pictográfico de la casa tradicional bribri Sus grabaciones están dentro de aplicaciones de escritorio. El texto de las secuencias didácticas se puede extraer de sus PDF, pero las marcas diacríticas del bribri salen duplicadas o separadas de su letra, y hay que normalizarlas antes de buscar una palabra. Las fuentes tampoco escriben una misma marca con el mismo carácter: la nasalidad aparece como dos caracteres distintos de Unicode, y el apóstrofo como tres. Esta variación ya se documentó para la escritura en teclado.⁵5Flores Solórzano, S. (2010). Teclado chibcha: un software lingüístico para los sistemas de escritura de las lenguas bribri y cabécar Los escaneos más antiguos no tienen capa de texto.

Hoy no hay una versión común del conjunto, y quien quiera trabajar con él, para una secuencia, una herramienta o un estudio, convierte cada fuente por su cuenta. Existe un conjunto paralelo de unas seis mil oraciones en bribri y español, armado para traducción automática a partir de libros, diccionarios y del corpus oral.⁶6Feldman y Coto-Solano (2020). Neural Machine Translation Models with Back-Translation for the Extremely Low-Resource Indigenous Language Bribri Pero no se encontró un corpus que reúna los materiales completos, con su audio y su procedencia, en un mismo esquema. Existe, aparte, una colección de documentación nueva de los dialectos de Amubre y Coroma, depositada en 2025 en el Endangered Languages Archive, con parte del acceso restringido hasta 2027.⁷7Herrera Miranda, R. (2025). Documentation of Talamancan Bríbri (Chibchan, Costa Rica) Esa colección no reúne el material publicado, y este plan no la toca. Un artículo de posición reciente sostiene, desde su título, que la documentación de lenguas necesita mejor infraestructura, no mejores modelos.⁸8Gessler et al. (2026). The Missing Middle: Language Documentation Needs Better Infrastructure, Not Better Models

2 Qué se propone

El plan tiene dos partes, y la segunda depende de la primera. La primera produce el corpus. La segunda es su primer uso, y responde una pregunta propia de la didáctica de segundas lenguas: qué vocabulario del habla enseñan los materiales que ya existen.

2.1 Reunir: el corpus, primera etapa

Cada fuente entra al repositorio por un convertidor propio y queda en tres formas: la copia original sin cambios, una versión en formato abierto y un archivo de metadatos con el titular de derechos, la licencia, la procedencia y el estado del permiso de publicación (figura 1). El formato abierto es CLDF, el formato tabular con esquema en que se distribuyen, por ejemplo, WALS y Glottolog.⁹9Forkel et al. (2018). Cross-Linguistic Data Formats, advancing data sharing and re-use in comparative linguistics Cada texto y cada enunciado recibe un identificador estable. El texto se guarda tal como se publicó, y una capa normalizada escribe cada marca con un solo carácter, según una tabla de correspondencias que se define en este trabajo y queda documentada en el repositorio, con la razón de cada decisión. Quien prefiera otra decisión parte de la copia original. Donde el texto extraído pierde marcas que la página muestra, sus metadatos lo indican hasta que se corrija contra la página. Así, cualquier capa posterior, sea una medición o una corrección, se refiere a ese identificador sin copiar el texto.

En este plan entran las fuentes de la Universidad: el corpus oral, los materiales de DIPALICORI con el audio de sus aplicaciones, y el diccionario de Krohn. El corpus no es solo texto. Del corpus oral entran el texto y el audio, y de los diccionarios pictográficos entran también sus ilustraciones. Cada entrada une la palabra en bribri, su traducción, su grabación y la ilustración, con el área o el punto que la palabra nombra. CLDF tiene desde 2021 una tabla propia para estos archivos de medios.¹⁰10Cross-Linguistic Data Formats (2021). CLDF, versión 1.1: MediaTable Así, la definición de cada palabra, que en estos diccionarios es un dibujo, pasa también al formato abierto. Los metadatos de cada ilustración nombran a su ilustrador, que puede ser un titular de derechos distinto del autor del texto. A partir de las tablas del corpus oral se regenera un archivo ELAN por texto, con el tiempo de cada enunciado, para que se pueda abrir y corregir con la herramienta habitual de anotación. Un visor privado permite buscar una forma, ver los enunciados que la contienen, escuchar cada uno y ver la ilustración de cada entrada de diccionario. El repositorio y el visor quedan privados hasta que los autores de cada material acuerden su publicación.

Quedan fuera de este plan, y descritos en la sección 7: la publicación del sitio bajo un dominio de la Universidad, la alineación palabra por palabra, la capa de texto de los escaneos y las fuentes externas a la Universidad.

2.2 Medir: lo que enseñan los materiales

La investigación sobre vocabulario en segundas lenguas trabaja con la cobertura: la proporción de las palabras de un texto o de un discurso que conoce quien aprende.¹¹11Nation, I. S. P. (2006). How large a vocabulary is needed for reading and listening? Para el inglés y otras lenguas con corpus grandes, las listas de frecuencia que permiten calcularla existen desde hace décadas, y el paso de un corpus a listas de vocabulario para la enseñanza tiene un procedimiento publicado para el galés.¹²12Knight et al. (2023). Corpus to curriculum: developing word lists for adult learners of Welsh No se encontró una lista de frecuencias publicada para el bribri.

El corpus oral permite una primera aproximación. Con 13 535 palabras es pequeño, y sus bandas de frecuencia resultan gruesas, pero es habla real de tres dialectos y seis géneros. La medición calcula, para cada secuencia didáctica y cada diccionario, qué proporción de las palabras del corpus cubre su vocabulario, por banda de frecuencia, por dialecto y por género. También produce dos listas: las palabras frecuentes en el habla que ningún material incluye, y las palabras de los materiales que no aparecen en el corpus.

La unidad de conteo es la forma escrita, después de normalizar la codificación de los diacríticos. Donde el analizador morfológico del propio corpus logra analizar una forma, el informe da también el lema, junto con la proporción de formas analizadas. El resultado es una página que se lee sin ayuda, pensada como insumo para la próxima edición de los materiales. Sus autores la ven antes que nadie.

3 Calendario y horas

El plan cubre 28 semanas de trabajo y 280 horas, a razón de 10 horas por semana, del 15 de octubre de 2026 al 19 de mayo de 2027 (figura 2). Deja libres dos semanas de fin de año y la Semana Santa. Las horas de cada actividad son una estimación. La bitácora del TCU registra las horas cada semana, y cada reunión de seguimiento compara lo registrado con el plan. Si el trabajo se atrasa, el recorte cae en la medición, que puede limitarse a las secuencias didácticas. El corpus no se recorta, porque todo lo demás depende de él. El plan termina con margen antes del cierre del periodo de doce meses del TCU.

4 Qué se entrega y cómo se comprueba

1. El repositorio, con el corpus oral, los materiales de DIPALICORI y el diccionario en formato abierto, con las ilustraciones de los diccionarios unidas a sus entradas, y cada material con su copia original y sus metadatos.Se comprueba: el validador de CLDF lo acepta sin errores, una muestra de enunciados elegida en la reunión coincide con su fuente, y en una muestra de entradas cada palabra señala la parte correcta de su ilustración.
2. Los archivos ELAN regenerados del corpus oral, uno por texto.Se comprueba: cada archivo abre en ELAN, y cada enunciado suena en su intervalo.
3. El visor privado, con búsqueda por forma, filtros por dialecto y género, audio por enunciado y la ilustración de cada entrada de diccionario.Se comprueba: una demostración en la reunión de inicios de marzo.
4. El informe de cobertura, como página de resultados y como documento breve.Se comprueba: revisión en la reunión de finales de abril, antes de cualquier difusión. Los ajustes que salgan de esa revisión entran antes de la entrega.
5. Una guía para quien continúe, y el informe final del TCU.Se comprueba: una persona que no participó instala el repositorio y repite la medición siguiendo solo la guía.

5 Qué se necesita

• La aprobación del alcance y de este plan de trabajo, que el reglamento del TCU pide coordinar con el equipo responsable del proyecto.¹³13Consejo Universitario (2018). Reglamento del Trabajo Comunal Universitario
• Una reunión de seguimiento de 30 a 45 minutos cada dos semanas, presencial o virtual.
• Si existen, los archivos de anotación originales del corpus oral, o el contacto de quien los conserva. Con ellos, los archivos regenerados se comparan contra el original.
• Más adelante, y fuera de este plan, una decisión con los autores de cada material sobre la publicación del corpus.

El plan no pide nada a las comunidades. Todo el material ya está publicado, y el trabajo no requiere a nadie que lea bribri. No hay presupuesto: el trabajo corre en equipo propio, sin costo de operación.

6 Riesgos

7 Después de este plan

El repositorio queda como base para otros trabajos. Las líneas siguientes pueden tomarlas otros estudiantes de TCU, o continuar en un periodo posterior. Cada una tiene su propuesta completa, con su situación, entregables, plan, requisitos y riesgos.

• El corpus completounos tres meses
  La publicación bajo un dominio de la Universidad con el acuerdo de los autores, la alineación palabra por palabra, la capa de texto de los escaneos, las fuentes externas y un depósito con identificador citable.
• Lo que enseñan los materialesseis semanas
  La medición de este plan, ampliada con una revisión de las formas dialectales que usa cada material y de cómo se repite el vocabulario a lo largo de una secuencia.
• Un mapa de lo que existedos meses
  Un catálogo público de los recursos, conjuntos de datos, herramientas y artículos sobre el bribri, con un programa que revisa cada semana que sigan en línea.
• Un corpus que se mantienedos meses
  Una plantilla para que cada secuencia didáctica nueva entre al corpus como datos, y un revisor automático que detecta problemas y deja preguntas para una persona.
• El corpus en el aulaun mes
  Una vista del corpus para docentes, que funciona sin conexión, probada con dos docentes en una tarea real.
• Lo que dice el sonidodos meses
  Mediciones acústicas del tono del bribri en el habla del corpus, por dialecto. Es la línea de carácter más investigativo.

8 Referencias

1. Flores Solórzano, S. (2017). Corpus oral pandialectal de la lengua bribri [Corpus en línea]. bribri.net/↑
2. Universidad de Costa Rica. (s. f.). Dipalicori: Diversidad y patrimonio lingüístico de Costa Rica [Sitio web]. dipalicori.ucr.ac.cr/↑
3. Krohn, H. S. (2019–2025). Diccionario bribri–español, español–bribri [Diccionario en línea]. www.haakonkrohn.com/bribri/↑
4. Proyecto Diversidad Lingüística de Costa Rica. (2015). Diccionario pictográfico de la casa tradicional bribri [Diccionario]. Escuela de Filología, Lingüística y Literatura, Universidad de Costa Rica. dipalicori.ucr.ac.cr/wp-content/uploads/Diccionario_casa_tradicional_bribri.pdf↑
5. Flores Solórzano, S. (2010). Teclado chibcha: un software lingüístico para los sistemas de escritura de las lenguas bribri y cabécar. Revista de Filología y Lingüística de la Universidad de Costa Rica, 36(2), 155–161. https://doi.org/10.15517/rfl.v36i2.1110↑
6. Feldman, I., y Coto-Solano, R. (2020). Neural machine translation models with back-translation for the extremely low-resource indigenous language Bribri. En Proceedings of the 28th International Conference on Computational Linguistics (pp. 3965–3976). International Committee on Computational Linguistics. doi.org/10.18653/v1/2020.coling-main.351↑
7. Herrera Miranda, R. (2025). Documentation of Talamancan Bríbri (Chibchan, Costa Rica) [Colección bribri-herreramiranda-0778, proyecto ELDP IPF0426]. Endangered Languages Archive. hdl.handle.net/2196/cd0c64c6-951d-43d1-820c-abcd78bae63c↑
8. Gessler, L., Anastasopoulos, A., Auderset, S., Bodt, T., Chelliah, S., Christian, S., Fily, M., Herrera, S., Huber, E., Loáiciga, S., Meelen, M., Östling, R., Palmer, A., y Visser, E. (2026). The missing middle: Language documentation needs better infrastructure, not better models. En Proceedings of the Ninth Workshop on the Use of Computational Methods in the Study of Endangered Languages (ComputEL-9) (pp. 136–147). Association for Computational Linguistics. doi.org/10.18653/v1/2026.computel-1.15↑
9. Forkel, R., List, J.-M., Greenhill, S. J., Rzymski, C., Bank, S., Cysouw, M., Hammarström, H., Haspelmath, M., Kaiping, G. A., y Gray, R. D. (2018). Cross-Linguistic Data Formats, advancing data sharing and re-use in comparative linguistics. Scientific Data, 5, Artículo 180205. doi.org/10.1038/sdata.2018.205↑
10. Cross-Linguistic Data Formats. (2021). CLDF Specification, version 1.1: MediaTable [Especificación]. GitHub. github.com/cldf/cldf/tree/master/components/media↑
11. Nation, I. S. P. (2006). How large a vocabulary is needed for reading and listening? The Canadian Modern Language Review, 63(1), 59–82. doi.org/10.3138/cmlr.63.1.59↑
12. Knight, D., Fitzpatrick, T., Morris, S., Tovey-Walsh, B., Prosser, H., y Davies, E. (2023). Corpus to curriculum: Developing word lists for adult learners of Welsh. Applied Corpus Linguistics, 3(2), Artículo 100052. doi.org/10.1016/j.acorp.2023.100052↑
13. Consejo Universitario, Universidad de Costa Rica. (2018). Reglamento del Trabajo Comunal Universitario (reforma integral, sesión 6206-06). www.cu.ucr.ac.cr/normativa/trabajo_comunal.pdf↑