El corpus ROBOT TALK se creó con el objetivo de servir de muestra del lenguaje para hacer los análisis lingüísticos contrastivos tanto cuantitativos como cualitativos necesarios para responder a la pregunta principal del proyecto:  ¿es posible distinguir si un texto en español ha sido generado por un LLM o por una persona utilizando rasgos lingüísticos del texto?

Se trata de un corpus comparable monitor en español. Está compuesto por textos comparables por autor (humano, Bard, Claude, GPT-3.5-Turbo, GPT-4, Mixtral) de tres géneros principales, noticias, reseñas de cine y artículos científicos especializados en lingüística. 

 

  Muestra del corpus 

 

Características del corpus

• Texto escrito en español
• Comparables por autor
  • humano
  • Bard
  • Claude
  • GPT-3.5-Turbo
  • GPT-4
  • Mixtral
• Fuentes:
  • Revistas científicas de lingüística
  • Noticieros en línea
  • Web de reseñas de cine
• Géneros
  • Artículos científicos
  • Noticias
  • Reseñas de cine

 

Fuentes del cropus

• Artículo científico de lingüística
  • RSEL, Revista de investiación Lingüística, Revista electrónica de lingüística aplicada, Sintagma, Círculo de Lingüística Aplicada a la Comunicación, Asterisco, …
• Noticia
  • RTVE, EFE
• Reseña de cine
  • Filmaffinity

 

Descripción del corpus

Corpus comparable	Autor	Humano	Bard	Claude	GPT-3.5-Turbo	GPT-4	Mixtral	N.º de textos por género
Género de los textos	Artículos científicos	144	90	0	90	95	90	509
	Noticias	171	171	60	111	171	111	795
	Reseñas de cine	160	160	65	95	160	95	735
N.º total de textos		475	421	125	296	426	296	2039