Visor de Ngram de Google Libros

El Google Books Ngram Viewer es un motor de búsqueda en línea que grafica las frecuencias de cualquier conjunto de cadenas de búsqueda utilizando un recuento anual de n -gramas encontrados en fuentes impresas publicadas entre 1500 y 2022 ^{[ 1 ] [ 2 ] [ 3 ] [ 4 ]} en los corpus de texto de Google en inglés, chino (simplificado), francés, alemán, hebreo, italiano, ruso o español. ^{[ 1 ] [ 2 ] [ 5 ]} También existen algunos corpus especializados en inglés, como inglés americano, inglés británico e inglés de ficción. ^{[ 6 ]}

El programa puede buscar una palabra o una frase. ^{[ 5 ]} Los n -gramas se comparan con el texto dentro del corpus seleccionado y, si se encuentran en 40 o más libros, se muestran como un gráfico. ^{[ 6 ]} El programa admite búsquedas de partes de la oración y comodines . ^{[ 6 ]} Se utiliza habitualmente en la investigación. ^{[ 7 ] [ 8 ]}

El Ngram Viewer fue creado por los ingenieros de software de Google Will Brockman y Jon Orwant ^{[ 9 ]} , quienes se asociaron con los investigadores de Harvard Jean-Baptiste Michel y Erez Lieberman Aiden . El servicio se lanzó el 16 de diciembre de 2010. ^{[ 2 ] [ 10 ]} Antes del lanzamiento, era difícil cuantificar la tasa de cambio lingüístico debido a la ausencia de una base de datos diseñada para este propósito, dijo Steven Pinker , ^{[ 11 ]} un conocido lingüista que fue uno de los coautores del artículo de Science publicado el mismo día. ^{[ 1 ]} El Google Books Ngram Viewer se desarrolló con la esperanza de abrir una nueva ventana a la investigación cuantitativa en el campo de las humanidades, y la base de datos contenía 500 mil millones de palabras de 5,2 millones de libros disponibles públicamente desde el principio. ^{[ 2 ] [ 3 ] [ 10 ]}

El público objetivo era académico, pero el Google Books Ngram Viewer permitió que cualquier persona con una computadora viera fácilmente un gráfico que representa el cambio diacrónico del uso de palabras y frases. Lieberman declaró a The New York Times que los desarrolladores pretendían brindar incluso a los niños la capacidad de explorar las tendencias culturales a lo largo de la historia. ^{[ 10 ]} En el artículo de Science , Lieberman y sus colaboradores denominaron al método de análisis de datos de alto volumen en textos digitalizados " culturomics ". ^{[ 1 ] [ 10 ]}

Las comas delimitan los términos de búsqueda introducidos por el usuario, donde cada término separado por comas se busca en la base de datos como un n- grama (por ejemplo, "escuela infantil" es un 2-grama o bigrama). ^{[ 6 ]} El visor de n-gramas devuelve entonces un gráfico de líneas . Debido a las limitaciones en el tamaño de la base de datos de n-gramas, solo se indexan las coincidencias encontradas en al menos 40 libros. ^{[ 6 ]}

Los conjuntos de datos del Ngram Viewer han sido criticados por su dependencia de un reconocimiento óptico de caracteres (OCR) impreciso y por incluir una gran cantidad de textos con fechas y categorías incorrectas. ^{[ 12 ]} Debido a estos errores, y a que no se controlan los sesgos ^{[ 13 ]} (como la creciente cantidad de literatura científica, que hace que otros términos parezcan perder popularidad), se debe tener cuidado al usar los corpus para estudiar el lenguaje o probar teorías. ^{[ 14 ]} Además, los conjuntos de datos pueden no reflejar el cambio lingüístico o cultural general y solo pueden sugerir dicho efecto porque no incluyen metadatos como fecha de publicación, autor, longitud o género, para evitar posibles infracciones de derechos de autor . ^{[ 15 ]}

Los errores sistémicos, como la confusión entre s y f en textos anteriores al siglo XIX (debido al uso de ſ , la s larga , que es similar en apariencia a f ), pueden causar sesgo sistémico. ^{[ 14 ]} Aunque el equipo de Google Books afirma que los resultados son fiables desde 1800 en adelante, el deficiente OCR y la insuficiencia de datos implican que las frecuencias dadas para idiomas como el chino solo pueden ser precisas a partir de 1970, con partes anteriores del corpus que no muestran ningún resultado para términos comunes, y datos de algunos años que contienen más del 50 % de ruido. ^{[ 16 ] [ 17 ]}

Se han propuesto directrices para realizar investigaciones con datos de Google Ngram que intentan abordar algunos de los problemas mencionados anteriormente. ^{[ 18 ]}

• Tendencias de Google
• Análisis léxico

• Lin, Yuri; et  al. (julio de 2012). "Anotaciones sintácticas para el corpus de n-gramas de Google Books" (PDF) . Actas de la 50.ª Reunión Anual . Documentos de demostración. 2. Jeju, República de Corea: Asociación de Lingüística Computacional: 169–174 . 2390499. Libro blanco que presenta la edición de 2012 del corpus de n-gramas de Google Books.

• Sitio web oficial