Un corpus común para el bribri, líneas de trabajo

Situación actual

El corpus oral del bribri está en un sitio propio, con transcripción, análisis morfológico y traducción, pero su anotación solo se publica como tablas HTML. El audio sí está en línea.¹1Flores Solórzano, S. (2017). Corpus oral pandialectal de la lengua bribri

Los diccionarios pictográficos son PDF, y sus grabaciones están dentro de aplicaciones de escritorio. El diccionario general existe como dos archivos XML que carga el sitio de su autor.²2Krohn, H. S. (2019–2025). Diccionario bribri–español, español–bribri Los textos de un tercer sitio están en páginas de Google Sites y en archivos de Google Drive. Varios escaneos, entre ellos un periódico de 1978 y artículos de revista, no tienen capa de texto.³3Universidad de Costa Rica (s. f.). Dipalicori: Diversidad y patrimonio lingüístico de Costa Rica

Hoy no hay una versión común del conjunto. Existe un conjunto paralelo de unas seis mil oraciones, armado para traducción automática a partir de libros, diccionarios y del corpus oral,⁴4Feldman 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. La conversión de aplicaciones web heredadas a formatos abiertos tiene un método publicado,⁵5Forkel, Swanson y Moran (2024). Converting Legacy Data to CLDF: A FAIR Exit Strategy for Linguistic Web Apps y un artículo de posición reciente sostiene que la documentación de lenguas necesita mejor infraestructura, no mejores modelos.⁶6Gessler et al. (2026). The Missing Middle: Language Documentation Needs Better Infrastructure, Not Better Models

Existe, aparte, un corpus de documentación nueva. En 2025 se depositó en el Endangered Languages Archive una colección de los dialectos de Amubre y Coroma, con grabaciones nuevas de audio y video, en parte con acceso restringido hasta 2027.⁷7Herrera Miranda, R. (2025). Documentation of Talamancan Bríbri (Chibchan, Costa Rica) Esa colección no reúne el material ya publicado, y esta línea no la reemplaza. Las dos se pueden enlazar por identificador.

Qué se entrega

1. El repositorio. Un directorio por material, con la copia original, una versión en un formato abierto para datos lingüísticos, con sus audios e ilustraciones,⁸8Forkel et al. (2018). Cross-Linguistic Data Formats, advancing data sharing and re-use in comparative linguistics las capas automáticas, y un archivo de metadatos con titular de derechos, licencia, estado del permiso, nivel de acceso, procedencia e identificadores externos.
2. Identificadores. Un identificador por material y por enunciado, asignado una sola vez. Una tabla que relaciona los conjuntos de datos publicados por terceros con esos identificadores, por coincidencia de transcripción, de modo que sus resultados se puedan referir al corpus sin copiar sus datos.
3. Capas automáticas. Intervalos de tiempo por enunciado, alineación palabra por palabra, la salida del analizador morfológico por palabra con su tasa de análisis, y enlaces del diccionario donde una forma coincide con una entrada. Toda salida de máquina queda marcada como tal y nunca se mezcla con el texto base.
4. Los archivos de anotación regenerados a partir de las tablas HTML, uno por texto, y una capa de texto para cada escaneo, revisada a ojo contra la imagen.⁹9Gessler, L. y Haynes, A. (2026). CoRSAL-OCR: Evaluating Zero-Shot OCR for Language Archive Materials
5. La construcción. Un validador, un catálogo estático, un visor por material con audio, búsqueda en el navegador, y exportación a los formatos habituales de la documentación lingüística y de los archivos.
6. Alojamiento y depósito. El sitio bajo un dominio de la Universidad. Un paquete de depósito por material, con un identificador citable, listo para el repositorio institucional.
7. Una guía para quien continúe el trabajo.

Plan

Qué requiere

• Un acuerdo de publicación con los autores de los materiales, que ya son públicos, para la copia en formato abierto. Hasta entonces cada material queda en privado.
• Una respuesta de la Universidad sobre qué dominio y qué servidor estático puede ofrecer.
• Nada de las comunidades. Todo el material ya está publicado. La revisión de la capa de texto de los escaneos requiere ojos, no conocimiento del bribri.

Qué queda al final

Todo el material publicado queda catalogado, en formato abierto y, con el permiso de sus autores, alojado en la Universidad. La tabla de correspondencia permite que otros grupos reutilicen el corpus sin copiarlo.

Riesgos

• El alojamiento en la Universidad puede no existir en la forma necesaria. Alternativa: un sitio estático bajo un subdominio de la Universidad, con el depósito en el repositorio institucional.
• Un autor puede no dar su acuerdo. Su material queda en privado.
• La calidad de la alineación palabra por palabra sobre conversaciones grabadas en campo no se ha medido. Un estudio anterior, con unos cinco minutos de habla bribri de un solo hablante por grabación, obtuvo errores de 2 a 3 milisegundos en el centro de las palabras con alineadores entrenados para otras lenguas.¹¹11Coto-Solano y Flores Solórzano (2016). Alineación forzada sin entrenamiento para la anotación automática de corpus orales de las lenguas indígenas de Costa Rica
• Algunos libros pueden perder estructura al extraer el texto del PDF. La copia original se conserva, la versión abierta contiene lo que se extrae, y la procedencia lo indica.

Referencias

1. Flores Solórzano, S. (2017). Corpus oral pandialectal de la lengua bribri [Corpus en línea]. bribri.net/↑
2. Krohn, H. S. (2019–2025). Diccionario bribri–español, español–bribri [Diccionario en línea]. www.haakonkrohn.com/bribri/↑
3. Universidad de Costa Rica. (s. f.). Dipalicori: Diversidad y patrimonio lingüístico de Costa Rica [Sitio web]. dipalicori.ucr.ac.cr/↑
4. 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↑
5. Forkel, R., Swanson, D., y Moran, S. (2024). Converting legacy data to CLDF: A FAIR exit strategy for linguistic web apps. En Proceedings of the 2024 Joint International Conference on Computational Linguistics, Language Resources and Evaluation (LREC-COLING 2024) (pp. 3978–3982). ELRA; ICCL. aclanthology.org/2024.lrec-main.353/↑
6. 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↑
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. 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↑
9. Gessler, L., y Haynes, A. (2026). CoRSAL-OCR: Evaluating zero-shot OCR for language archive materials. En Proceedings of the Ninth Workshop on the Use of Computational Methods in the Study of Endangered Languages (ComputEL-9) (pp. 125–135). Association for Computational Linguistics. doi.org/10.18653/v1/2026.computel-1.14↑
10. Blokland, R., Partanen, N., Rießler, M., y Wilbur, J. (2019). Using computational approaches to integrate endangered language legacy data into documentation corpora: Past experiences and challenges ahead. Proceedings of the Workshop on Computational Methods for Endangered Languages, 2, 24–30. doi.org/10.33011/computel.v2i.451↑
11. Coto-Solano, R., y Flores Solórzano, S. (2016). Alineación forzada sin entrenamiento para la anotación automática de corpus orales de las lenguas indígenas de Costa Rica. Káñina, 40(4), 175–199. doi.org/10.15517/rk.v40i4.30234↑