Google Ngram Viewer

El Google Ngram Viewer, o Google Books Ngram Viewer es un buscador en línea que muestra un gráfico de la frecuencia de cualquier grupo de búsquedas con formato de texto delimitado por comas, utilizando el conteo anual de n-grams encontrado en recursos impresos entre el año 1500 y el 2019[1]​[2]​ [3]​ [4]​ [5]​ en el corpora de texto de Google en inglés, chino (simplificado), francés, alemán, hebreo, italiano, ruso o español.[2]​[6]​ También hay algunos corpora especializados en inglés, tales como inglés americano, inglés británico, inglés de ficción e “inglés un millón”; además la versión 2009 de la mayor parte de los corpora está también disponible.[7]​

El programa es capaz de ejecutar búsquedas por palabra o por frase, incluyendo texto con errores ortográficos o texto sin sentido.[6]​ Los n-grams son comparados con el texto en el corpus seleccionado, con la opción de ortografía case-sensitive (que compara el uso exacto de las mayúsculas y minúsculas),[3]​ y, si se encuentran en 40 libros o más, se ilustran en un gráfico.[8]​

El visualisador Google Ngram Viewer, a 2016 de 01, es compatible con búsquedas de Partes de la oración y comodines.[7]​

Historia

El programa fue desarrollado por Jon Orwant y Will Brockman y publicado a mediados de diciembre del 2010.[2]​[4]​ Fue inspirado por un prototipo (llamado “Bookworm”, o comelibros) creado por Jean-Baptiste Michel y Erez Aiden del Observatorio Cultural de Harvard, Yuan Shen del MIT y Steven Pinker.[9]​

Funcionamiento y restricciones

Los términos de búsqueda provistos por el usuario son delimitados por comas que indican cada palabra o frase que se va a buscar.[8]​ El Ngram Viewer presenta un gráfico lineal segundos después de que el usuario presione la Tecla Enter o el botón de “Buscar” en la pantalla.

Para tomar el cuenta el hecho de que una mayor cantidad de libros se han publicado en ciertos años, la data es normalizada, como nivel relative, por el número de libros publicados en cada año.[8]​

Google llenó la base de datos basándose en más de 5 millones de libros publicados hasta el 2008. Por tanto, a partir de enero de 2016, ningún dato será comparado con publicaciones posteriors al año 2008, sin importar si el corpus fue generado en el 2009 o el 2012. Debido a limitaciones sobre el tamaño de la base de datos Ngram, solo resultados que se correspondan con al menos 40 libros están indexados en la base de datos; sin esta restricción, la base de datos no podría archivar todas las posibles combinaciones.[8]​

En general, los términos de búsqueda no pueden terminar con ningún signo de puntuación, aunque un punto final separado sí se puede buscar.[8]​ En adición, una entrada que termine en un signo de interrogación (por ejemplo, “qué?”) resultará en una búsqueda separada del signo de interrogación.[8]​

Omitir puntos en las abreviaturas permite una forma de correspondencia, por ejemplo utilizar "R M S" para buscar el término "R.M.S." en vez de "RMS".

Corpora

El corpora utilizados por el buscador están compuestos por total_counts, 1-grams, 2-grams, 3-grams, 4-grams, and 5-grams archivos para cada idioma. El formato de cada archivo es tab-separated data. Cada línea tiene el siguiente formato[10]​

  • total_counts file
    year TAB match_count TAB page_count TAB volume_count NEWLINE
  • Version 1 ngram file (generated in July 2009)
    ngram TAB year TAB match_count TAB page_count TAB volume_count NEWLINE
  • Version 2 ngram file (generated in July 2012)
    ngram TAB year TAB match_count TAB volume_count NEWLINE

El Google Ngram Viewer usa match_count para producir el gráfico.

Por ejemplo, la palabra "Wikipedia" del archivo versión 2 del 1-grams en inglés esta archivada como:[11]​

ngram year match_count volume_count
Wikipedia 1904 1 1
Wikipedia 1912 11 1
Wikipedia 1924 1 1
Wikipedia 1925 11 1
Wikipedia 1929 11 1
Wikipedia 1943 11 1
Wikipedia 1946 11 1
Wikipedia 1947 11 1
Wikipedia 1949 11 1
Wikipedia 1951 11 1
Wikipedia 1953 22 2
Wikipedia 1955 11 1
Wikipedia 1958 1 1
Wikipedia 1961 22 2
Wikipedia 1964 22 2
Wikipedia 1965 11 1
Wikipedia 1966 15 2
Wikipedia 1969 33 3
Wikipedia 1970 129 4
Wikipedia 1971 44 4
Wikipedia 1972 22 2
Wikipedia 1973 1 1
Wikipedia 1974 2 1
Wikipedia 1975 33 3
Wikipedia 1976 11 1
Wikipedia 1977 13 3
Wikipedia 1978 11 1
Wikipedia 1979 112 12
Wikipedia 1980 13 4
Wikipedia 1982 11 1
Wikipedia 1983 3 2
Wikipedia 1984 48 3
Wikipedia 1985 37 3
Wikipedia 1986 6 4
Wikipedia 1987 13 2
Wikipedia 1988 14 3
Wikipedia 1990 12 2
Wikipedia 1991 8 5
Wikipedia 1992 1 1
Wikipedia 1993 1 1
Wikipedia 1994 23 3
Wikipedia 1995 4 1
Wikipedia 1996 23 3
Wikipedia 1997 6 1
Wikipedia 1998 32 10
Wikipedia 1999 39 11
Wikipedia 2000 43 12
Wikipedia 2001 59 14
Wikipedia 2002 105 19
Wikipedia 2003 149 53
Wikipedia 2004 803 285
Wikipedia 2005 2964 911
Wikipedia 2006 9818 2655
Wikipedia 2007 20017 5400
Wikipedia 2008 33722 6825

El gráfico de Google Ngram Viewer basado en los datos presentados arriba se encuentra aquí.

Críticas

Los datos han sido criticados por su dependencia en la técnica de reconocimiento óptico de caracteres, o en inglés, OCR, por una abundancia desproporcional de literatura científica y por incluir un gran número de textos incorrectamente datados o categorizado.[12]​[13]​

Por estos errores, y porque no está controlada contra la parcialidad[14]​ (por ejemplo el incremento en literatura científica que hace que la popularidad de otros términos baje), es arriesgado utilizar este corpus para estudios lingüísticos o para evaluar teorías.[15]​ Dado que este recurso no incluye metadata, es posible que no refleje el cambio cultural o lingüístico general,[16]​ aspecto sobre el cual sólo puede dar pistas.

Otro problema es que el corpus es en sí una biblioteca que contiene una copia de cada libro. Un solo autor prolífico puede entonces insertar una cantidad notable de nuevas frases en el vocabulario de Google Books, sean sus textos ampliamente leídos o no.[14]​

Problemas con OCR

El reconocimiento óptico de caracteres (o en inglés, Optical character recognition, OCR), no siempre funciona de forma fiable, y algunos caracteres pueden ser idendificados incorrectamente. En particular, errores sistemáticos como la confusión de la letra “s” y la “f” en textos previos al siglo XIX (dado el uso de la s larga) que tenía apariencia muy similar a la “f”) puede causar tendencias erróneas. Aunque el Ngram Viewer dice que los resultados son confiables para textos a partir del 1800, los problemas con el OCR y la insuficiencia de datos significan que para algunos idiomas, como el chino, las frecuencias son confiables sólo a partir del 1970, visto que las secciones previas del corpus no muestran ningún resultado aún para términos de búsqueda communes, y que los datos correspondientes a algunos años contienen más de 50% de ruido.[17]​[18]​

Véase también

Referencias

  1. ↑ "Quantitative analysis of culture using millions of digitized books", JB Michel et al, Science 2011, DOI: 10.1126/science.1199644. [1]
  2. ↑ a b c "Google Ngram Database Tracks Popularity Of 500 Billion Words", Huffington Post, 17 December 2010, webpage: HP8150
  3. ↑ a b "Google Ngram Viewer - Google Books", Books.Google.com, May 2012, webpage: G-Ngrams
  4. ↑ a b "Google's Ngram Viewer: A time machine for wordplay", Cnet.com, 17 December 2010, webpage: CN93 Archivado el 23 de enero de 2014 en Wayback Machine.
  5. ↑ "A Picture is Worth 500 Billion Words – By Rusty S. Thompson", HarrisburgMagazine.com, 20 September 2011, webpage: HBMag20.
  6. ↑ a b "Google Books Ngram Viewer - University at Buffalo Libraries", Lib.Buffalo.edu, 22 August 2011, webpage: Buf497 Archivado el 2 de julio de 2013 en Wayback Machine.
  7. ↑ a b Google Books Ngram Viewer info page: https://books.google.com/ngrams/info
  8. ↑ a b c d e f "Google Ngram Viewer - Google Books" (Information), Books.Google.com, December 16, 2010, webpage: G-Ngrams-info: notes bigrams and use of quotes for words with apostrophes.
  9. ↑ The RSA (4 de febrero de 2010). «Steven Pinker - The Stuff of Thought: Language as a window into human nature» – via YouTube. 
  10. ↑ «Google Books Ngram Viewer». Google. 
  11. ↑ googlebooks-eng-all-1gram-20120701-w.gz at http://storage.googleapis.com/books/ngrams/books/datasetsv2.html
  12. ↑ Google Ngrams: OCR and Metadata Archivado el 27 de abril de 2016 en Wayback Machine.. ResourceShelf, 19 December 2010
  13. ↑ Nunberg, Geoff (16 de diciembre de 2010). «Humanities research with the Google Books corpus». Archivado desde el original el 10 de marzo de 2016. 
  14. ↑ a b Pechenick, Eitan Adam; Danforth, Christopher M.; Dodds, Peter Sheridan; Barrat, Alain (7 de octubre de 2015). «Characterizing the Google Books Corpus: Strong Limits to Inferences of Socio-Cultural and Linguistic Evolution». PLOS ONE 10 (10): e0137041. doi:10.1371/journal.pone.0137041. 
  15. ↑ Zhang, Sarah. «The Pitfalls of Using Google Ngram to Study Language». WIRED (en inglés estadounidense). Consultado el 24 de mayo de 2017. 
  16. ↑ Koplenig, Alexander (2 de septiembre de 2015). «The impact of lacking metadata for the measurement of cultural and linguistic change using the Google Ngram data sets—Reconstructing the composition of the German corpus in times of WWII». Digital Scholarship in the Humanities (2017-04-01) 32 (1): 169-188. ISSN 2055-7671. doi:10.1093/llc/fqv037. 
  17. ↑ Google n-grams and pre-modern Chinese. digitalsinology.org.
  18. ↑ When n-grams go bad. digitalsinology.org.

Bibliografía

Enlaces externos

Read other articles:

ANGI Homeservices

ANGI Homeservices, Inc.Berkas:Angi-logo.pngURLhttp://www.angieslist.com/ dan http://www.angieslist.com/ Tipeperusahaan bisnis dan Perusahaan publik PemilikIACService entry (en)1995 Lokasi kantor pusatIndianapolis dan Denver NegaraAmerika Serikat Total omset US$1.132 miliar (2018)[1] ANGI Homeservices Inc. adalah perusahaan layanan internet yang dibentuk pada tahun 2017 melalui penggabungan Angie's List dan HomeAdvisor.[2] Perusahaan ini pada awalnya berakar dari situs web...

 

مقاطعة تاني (ميزوري)

مقاطعة تاني    شعار   الإحداثيات 36°39′N 93°02′W / 36.65°N 93.04°W / 36.65; -93.04  [1] تاريخ التأسيس 1837  سبب التسمية روجر بروك تاني  تقسيم إداري  البلد الولايات المتحدة[2]  التقسيم الأعلى ميزوري  العاصمة فورسيث  التقسيمات الإدارية فورسيث  خصائ...

 

Spice (bomb)

Israeli precision-guided bomb kit Spice Close-up front view of a Spice-guided bombTypeGuided bombPlace of originIsraelService historyIn service2003Used byIsraeli Air Force Indian Air Force Hellenic Air ForceProduction historyManufacturerRafael Advanced Defense SystemsSpecificationsMass453 kg, 907 kg, or 113 kg (1000, 2000, or 250 pounds)WarheadMk. 83 or Mk. 84 warheadsAccuracy3 m CEPLaunchplatformF-15, F-16, Panavia Tornado, Gripen, Mirage 2000, Sukhoi-30 MKI, Tejas Mk2 Th...

Territorial Defense Student

This article needs additional citations for verification. Please help improve this article by adding citations to reliable sources. Unsourced material may be challenged and removed.Find sources: Territorial Defense Student – news · newspapers · books · scholar · JSTOR (July 2011) (Learn how and when to remove this template message) Territorial defense studentsนักศึกษาวิชาทหารRTGS: Nak suek sa wicha thahanEmblem of T...

 

Dawson City

Pemandangan Dawson Citu dari utara. Dawson City adalah sebuah kota yang terletak di Yukon, Kanada. Pada tahun 2006, kota ini memiliki populasi sebesar 1.327 jiwa. Wilayah ini menarik 60.000 pengunjung setiap tahunnya. Kota ini memiliki luas sebesar 32.45 km². Pranala luar Yukon Wide Listings Dawson City Music Festival 2006 photos Dawson City Citizens' Forum Klondike Visitors Association Tr'ondëk Hwëch'in First Nation Yukon Communities. Dawson Community Profile Diarsipkan 2005-04-04 di...

 

Арвальские братья

Портрет императора Луция Вера как арвальского брата (около 160 года н. э.) Арва́льские бра́тья (лат. Fratres Arvales, «бра́тья-па́хари» от лат. arvum — пашня) — римская коллегия 12 жрецов. В обязанности её входили молитвы богам о ниспослании урожая и процветании общины гр�...

1988 en Lorraine

Chronologies Données clés 1985 1986 1987  1988  1989 1990 1991Décennies :1950 1960 1970  1980  1990 2000 2010Siècles :XVIIIe XIXe  XXe  XXIe XXIIeMillénaires :-Ier Ier  IIe  IIIe Chronologies géographiques Afrique Afrique du Sud, Algérie, Angola, Bénin, Botswana, Burkina Faso, Burundi, Cameroun, Cap-Vert, République centrafricaine, Comores, République du Congo, République démocratique du Congo, Côte d'Ivoire, Djibouti, Égyp...

 

Simon Poulsen

Simon Poulsen Informasi pribadiNama lengkap Simon Busk PoulsenTanggal lahir 7 Oktober 1984 (umur 39)Tempat lahir Sønderborg, DenmarkTinggi 1,84 m (6 ft 1⁄2 in)Posisi bermain BekInformasi klubKlub saat ini AZNomor 15Karier junior UlkebølKarier senior*Tahun Tim Tampil (Gol)2002–2005 SønderjyskE 71 (23)2005–2007 Midtjylland 63 (5)2008–2012 AZ 93 (6)2012–2014 Sampdoria 7 (0)2014– AZ 36 (3)Tim nasional‡2002–2003 Denmark U-19 7 (0)2003–2004 Denmark U-20...

 

A. J. Pierzynski

American baseball player (born 1976) Baseball player A. J. PierzynskiPierzynski with the Chicago White Sox in 2009CatcherBorn: (1976-12-30) December 30, 1976 (age 47)Bridgehampton, New York, U.S.Batted: LeftThrew: RightMLB debutSeptember 9, 1998, for the Minnesota TwinsLast appearanceSeptember 10, 2016, for the Atlanta BravesMLB statisticsBatting average.280Hits2,043Home runs188Runs batted in909 Teams Minnesota Twins (1998–2003) San Francisco Giants (2004)...

Obitorio

L'ingresso dell'obitorio Victoria ad Hong Kong. Gli alloggiamenti nelle celle frigorifere. Un obitorio (dal latino òbitus, morte) o deposito di osservazione, o morgue, è un edificio, o una stanza, usato per contenere i cadaveri dei defunti prima che sia avvenuta la loro identificazione ed eventualmente prima che venga effettuata l'autopsia. I locali possono essere refrigerati per impedire la decomposizione dei corpi. Una scena all'obitorio di New York nel 1866. Viene denominato anche camera...

 

1917 Australian conscription referendum

1917 Australian conscription referendum 20 December 1917 (1917-12-20) Are you in favour of the proposal of the Commonwealth Government for reinforcing the Australian Imperial Force oversea?Results Choice Votes % Yes 1,015,159 46.21% No 1,181,747 53.79% Valid votes 2,196,906 97.28% Invalid or blank votes 61,315 2.72% Total votes 2,258,221 100.00% Registered voters/turnout 2,776,440 81.34% Results by state.   Yes   No The 1917 Australian referendum was h...

 

Redshank (soldier)

A Highland mercenary fighting in Europe during the Thirty Years War, with a bow, plaid and blue bonnet. Redshank was a nickname for Scottish mercenaries from the Highlands and Western Isles contracted to fight in Ireland; they were a prominent feature of Irish armies throughout the 16th century. They were called redshanks because they went dressed in plaids and waded bare-legged through rivers in the coldest weather. An alternative etymology, illustrated by Jamieson by a quote from Sir Walter...

Stasiun Rogojampi

Stasiun Rogojampi PW PB TA Tampak depan bangunan utama Stasiun Rogojampi, 2023LokasiRogojampi, Rogojampi, Banyuwangi, Jawa Timur 68462IndonesiaKoordinat8°18′16.207″S 114°17′33.295″E / 8.30450194°S 114.29258194°E / -8.30450194; 114.29258194Ketinggian+89 mOperator Kereta Api IndonesiaDaerah Operasi IX Jember Letak km 72+197 lintas Kalisat-Kabat-Banyuwangi Lama km 0+000 lintas Rogojampi-Benculuk[1] Jumlah peron3 (satu peron sisi yang rendah dan dua per...

 

Untung Angsa

Artikel ini membutuhkan rujukan tambahan agar kualitasnya dapat dipastikan. Mohon bantu kami mengembangkan artikel ini dengan cara menambahkan rujukan ke sumber tepercaya. Pernyataan tak bersumber bisa saja dipertentangkan dan dihapus.Cari sumber: Untung Angsa – berita · surat kabar · buku · cendekiawan · JSTOR Untung Angsa Untung Angsa Penampilan perdana Wintertime Wager tahun 1948 Pencipta Carl Barks Pengisi suara Rob Paulsen Informasi terkait Nama a...

 

Enhanced Defense Cooperation Agreement

2014 Philippines-United States agreement Enhanced Defense Cooperation AgreementAgreement Between the Republic of the Philippines and The Government of the United States on Enhanced Defense CooperationSignedApril 28, 2014 (2014-04-28)LocationManila, PhilippinesParties Philippines United StatesLanguageEnglish The Enhanced Defense Cooperation Agreement (EDCA) is an agreement between the United States and the Philippines intended to bolster the American–Philippine allia...

Suisun–Fairfield station

Suisun–Fairfield, CACapitol Corridor train leaving Suisun–Fairfield station in 2019General informationLocation177 Main StreetSuisun City, CaliforniaUnited StatesCoordinates38°14′36″N 122°02′29″W / 38.243287°N 122.041272°W / 38.243287; -122.041272Owned byCity of Suisun (station)Union Pacific (platforms and tracks)[1]Line(s)UP Martinez Subdivision[2]Platforms1 side platform, 1 island platformTracks2Connections Delta Breeze: 50 FAST: 5, GX ...

 

Ram Karmi

Ram KarmiNama asalרם כרמיLahir1931YerusalemMeninggal11 April 2013(2013-04-11) (umur 81–82)[1]Warga negaraIsraelAlmamaterTechnion, Haifa, dan Architectural Association School of Architecture, LondonPekerjaanArsitekTempat kerjaRam Karmi Architects CompanyGayaBrutalisKota asalTel AvivSuami/istriRivka Karmi-EdryAnak6 (2002) Penghargaan Israel Rechter Prize (en) Ram Karmi (Ibrani: רם כרמי‎; 1931 – 11 April 2013[1]) adalah seorang arsitek Israel...

 

Domaine royal français

Ne doit pas être confondu avec Domaine de la Couronne. Si ce bandeau n'est plus pertinent, retirez-le. Cliquez ici pour en savoir plus. Cet article contient une ou plusieurs listes (octobre 2023). Ces listes gagneraient à être rédigées sous la forme de paragraphes synthétiques, plus agréables à la lecture, les listes pouvant être aussi introduites par une partie rédigée et sourcée, de façon à bien resituer les différents items.D'autre part, Wikipédia n'a pas pour rôle de con...

Butch Vig

Butch Vig Nazionalità Stati Uniti GenereRock alternativoGrunge Periodo di attività musicale1978 – in attività Gruppi attualiGarbage Modifica dati su Wikidata · Manuale Butch Vig, pseudonimo di Bryan Vigorson (Viroqua, 2 agosto 1955), è un batterista e produttore discografico statunitense. Dopo decenni passati producendo, nei celebri Smart Studios, piccole band locali prevalentemente punk rock, Butch Vig raggiunge la notorietà nel 1991 con Nevermind, che po...

 

Serie Promozione

Serie PromozioneSport Calcio TipoClub Paese Svizzera OrganizzatoreASF/SFV Cadenzaannuale Aperturasettembre Chiusuragiugno Formulatre gironi eliminatori Promozione inSerie A Retrocessione inSerie B StoriaFondazione1921 Soppressione1930 Numero edizioni9 Modifica dati su Wikidata · Manuale La Serie Promozione è stata il torneo cadetto del campionato svizzero di calcio tra il 1921 ed il 1930. Organizzata dall'ASF/SFV, vide competere un numero di squadre variabile, generalmente suddivi...