Un corpus común para el bribri, líneas de trabajo
Línea de trabajo
Un corpus que se mantiene
Una plantilla para que cada secuencia didáctica nueva se registre como datos, y un programa que revisa el repositorio y deja preguntas para una persona, sin escribir nunca texto en bribri.
Línea posterior. Requiere que exista el corpus o el mapa. Duración estimada: dos meses.
Situación actual
Un corpus sin mantenimiento se degrada, porque los enlaces cambian y los sitios se mudan. La revista que publicó varios estudios sobre el bribri, por ejemplo, cambió de dirección: su enlace original devuelve un error, y su archivo está ahora en otro dominio de la Universidad.1 Los enlaces que la citan quedaron rotos.
Cada secuencia didáctica se publica como PDF, con sus funciones, vocabulario, estructuras, dialecto y autores dentro de la prosa. Cada material nuevo requiere una conversión manual antes de poder medirse.
El patrón de una base de conocimiento que un programa mantiene con tres operaciones, ingesta, consulta y revisión, ya está descrito.2 Esta línea lo aplica a un corpus de documentación, con una regla añadida: el programa no escribe texto en bribri.
Qué se entrega
- La plantilla de secuencia. Un documento con un bloque de datos que registra función, nivel, vocabulario, estructuras, dialecto, fuentes, autores y estado de revisión, con un esquema y una validación.
- El paso de publicación. De una plantilla llena a la ficha de catálogo, al texto en formato abierto y a una página web. La publicación de paquetes de metadatos como sitios web a partir de plantillas tiene un precedente reciente.3
- Las secuencias existentes, cargadas por la plantilla. Con eso, la medición de los materiales se repite sola para cada secuencia nueva.
- El revisor automático. Corre el validador del repositorio, revisa el estado de cada enlace, detecta audio sin texto y glosas faltantes, detecta subidas nuevas al sitio de materiales y abre una solicitud con preguntas concretas para una persona. Nunca genera texto en bribri. Nunca cambia una copia original.
- Una capacitación de una hora y una guía en español.
Plan
| Semanas | Trabajo |
|---|---|
| 1 a 2 | La plantilla, el esquema y la validación. Carga de las secuencias existentes. |
| 3 | El paso de publicación. Prueba de la plantilla con quienes elaboran las secuencias. |
| 4 a 5 | El revisor automático. |
| 6 a 7 | Dos semanas de corridas sin supervisión. Conteo de lo que detectó y de lo que detectó mal. |
| 8 | Una nota de método y la entrega. |
Qué requiere
- Una hora de quienes elaboran las secuencias para probar la plantilla, antes de construir el revisor.
- Que alguien responda las solicitudes que el revisor abre. La mayoría son preguntas sobre metadatos. Las que tocan glosas o lemas van a quien conozca la lengua.
Qué queda al final
La siguiente secuencia didáctica entra como datos desde el primer día, y el repositorio avisa cuando algo se rompe.
Riesgos
- Una herramienta que nadie usa no es una contribución. Un estudio de caso reciente encontró que un modelo de glosado con buenos puntajes no respondía a las necesidades de los lingüistas que lo probaron.4 Por eso la plantilla se prueba con quienes elaboran las secuencias en la semana 3, antes de construir el revisor.
- En un curso sobre trabajo con modelos, lingüistas de documentación prefirieron limpiar los datos de entrenamiento antes que aumentarlos.5 El revisor solo señala y pregunta.
- Un revisor que abre solicitudes ruidosas enseña a ignorarlas. La nota de método mide su precisión y los umbrales se ajustan.
Referencias
- Universidad de Costa Rica. (s. f.). Estudios de Lingüística Chibcha (cesada) [Archivo de la revista]. archivo.revistas.ucr.ac.cr/2/index.php/chibcha↑
- Karpathy, A. (2026, 4 de abril). LLM Wiki [Gist]. GitHub. gist.github.com/karpathy/442a6bf555914893e9891c11519de94f↑
- Foley, B., Davis, A., y Meakins, F. (2026). Digital posters: Publishing Gurindji plant and animal poster content as websites using an open-source template-based RO-Crate preview tool. En Proceedings of the Ninth Workshop on the Use of Computational Methods in the Study of Endangered Languages (ComputEL-9) (pp. 55–61). Association for Computational Linguistics. doi.org/10.18653/v1/2026.computel-1.6↑
- Rice, E., von der Wense, K., y Palmer, A. (2025). Interdisciplinary research in conversation: A case study in computational morphology for language documentation. En Proceedings of the 2025 Conference on Empirical Methods in Natural Language Processing (pp. 11273–11285). Association for Computational Linguistics. doi.org/10.18653/v1/2025.emnlp-main.568↑
- Moeller, S., y Arppe, A. (2024). Machine-in-the-loop with documentary and descriptive linguists. En Proceedings of the Seventh Workshop on the Use of Computational Methods in the Study of Endangered Languages (pp. 27–32). Association for Computational Linguistics. doi.org/10.18653/v1/2024.computel-1.5↑