corpus

El término corpus posee una naturaleza polisémica que varía significativamente según el campo de estudio. En el ámbito de la lingüística y la ciencia de datos, se refiere a un conjunto masivo y organizado de textos o grabaciones que sirve como base para el análisis estadístico o el entrenamiento de inteligencias artificiales. En este contexto, no se traduce como un cuerpo físico, sino como una base de datos textual.

Es fundamental no confundir este uso técnico con el significado anatómico o literario. Mientras que en medicina se utiliza para referirse a un cuerpo físico o un cadáver, y en la escritura para designar el cuerpo principal de un texto (la parte central sin contar prólogos o anexos), en la lingüística el corpus es una herramienta de investigación.

Distinciones Semánticas y Confusiones Comunes

Para un hablante de español, la palabra es un cognado directo, pero el riesgo reside en aplicar la acepción general de "cuerpo" a un contexto técnico de datos. Por ejemplo, decir que un modelo de lenguaje ha sido entrenado con un "cuerpo de textos" es comprensible, pero en el entorno profesional se debe utilizar específicamente la palabra corpus para denotar que dicha colección es estructurada y representativa de una lengua.

Uso Lingüístico: A balanced corpus of spoken English (Un corpus equilibrado de inglés hablado).
Uso Literario/Legal: The corpus of the document (El cuerpo del documento).
Uso Anatómico: The corpus callosum (El cuerpo calloso).

Consideraciones Gramaticales

En inglés, corpus es un sustantivo contable. Un punto crítico para los estudiantes es su pluralización. Aunque en el lenguaje cotidiano se puede encontrar el plural anglicizado corpuses, en contextos académicos y técnicos es predominante el uso del plural latino corpora.

Singular: The corpus is extensive (El corpus es extenso).
Plural: Several corpora were analyzed (Se analizaron varios corpora).

Es recomendable utilizar corpora en redacciones formales o científicas para mantener la precisión terminológica.