los corpus lingüísticos y la industria del lenguaje pascual cantos pcantos@um.es universidad de...

Los corpus lingüísticos y la industria del lenguaje

Pascual Cantos pcantos@um.es Universidad de Murcia

VIII Seminario TIC-ETL

Los corpus lingüísticos

¿Qué es un corpus?•Una recopilación de palabras/textos•¿Teoría o metodología lingüística?

¿Por qué usar corpus?•Indican/corroboran tendencias/normalidad sobre el uso real de la lengua

•Indican usos raros (textos aislados)•Método objetivo (humano/ordenador)

¿Cómo compilar un corpus?•Gran volumen de texto•Representativo (lenguaje general, fines específicos, género literario, autor, etc.

•Formato digitalizado y estandarizado•Referencia o estándar•Anotaciones (partes de la oración, etc.)

Texto sin anotar

Marcadores de título y párrafos

Marcadores oracionales

Marcadores de puntuación

Macadores de palabras

Marcadores de categorías gramaticales

Tipología de corpus lingüísticos

1. Corpus especializados:▫Géneros (literarios, lenguaje periodístico,

etc.)▫Cronológicos (2000-2005, etc.)▫Topográficos (textos en español

publicados en China, etc.)2. Corpus generalistas:

▫Mayor tamaño que los especializados (BNC: 100M, EBr oral y escrito)

Tipología de corpus lingüísticos

3. Corpus multilingües (español-inglés, etc.)

4. Corpus paralelos (CRATER, etc.)5. Corpus de “aprendices”

(International Corpus of Learner English, etc.)

6. Corpus históricos/diacrónicos (Helsinki Corpus 700-1700)

7. Corpus monitor (Bank of English)

Concepto de cuantificación

“WASH”

Frecuencia 2415

Distribución/textos 952

Fuente (BNC) 97.626.093

Frecuencia relativa/mil.

Concepto de cuantificación

“WASH”

Categoría Palabras Frecuencia Frecuencia relativa/M

Femeninos 3.267.444 298 91,2

Masculinos 4.920.742 178 36,17

Total 8.188.186 476 58,13

Aplicaciones a la industria del lenguaje

1. Lexicografía, EL y terminología 2. Lingüística forense y clínica3. Ingeniería lingüística

a. Resumen automático de textosb. Memorias de traducción y traducción automáticac. Comprensión/generación automática del discursod. Anotación automática del corpuse. Respuesta automática a preguntasf. Reconocimiento de temag. Desambiguación automáticah. …

Lexicografía • Descripción del vocabulario de una

lengua -> diccionarios• Fuentes de información tradicionales

▫Intuición▫Otros diccionarios▫Citas de autores reconocidos en libros/

periódicos, etc.

Lexicografía • Problemas:

▫Parcialmente válidas▫Plagio▫Insuficientes para compilación de

diccionarios

No dan una visión actualizada y completa del uso lingüístico real

Lexicografía • Córpora:

▫ Posibilidades de análisis lingüístico se multiplican

▫ Análisis detallado de la lengua tal y como es usada:

Descubrir regularidades (e irregularidades) Amplio espectro del uso real:

Perspectiva más amplia y Con índices de frecuencia relativa más fiables

Lexicografía • Iniciativa pionera: Universidad de

Birmingham y editorial Collins (ahora Harper-Collins), Proyecto COBUILD

• Collins COBUILD Dictionary of English Language supuso una revolución:

▫ Ámbitos del estudio lingüístico y lexicológico Construcción del corpus Creación de la base de datos Compilación del diccionario

Lexicografía • Examen detallado de muestras

representativas orales y escritos (de 20 millones de palabras)

• Profundo análisis empírico de la lengua

• Evidencia mensurable: metodología cuantitativa y cualitativa

Lexicografía • Extraer información sobre

▫ Significado de las palabras▫ Usos▫ Patrones sintácticos que caracterizan cada

una de las diferentes acepciones ▫ Colocaciones más frecuentes

• Diccionario innovador:▫ Estructura de las definiciones ▫ Organización de las entradas

Lexicografía • Córpora:

▫ Herramienta lexicográfica fundamental: Diferentes acepciones Colocaciones y fraseología Información decisiva sobre:

Diferencias de uso entre lengua oral vs. escrita

Frecuencia relativa de uso de determinadas palabras y acepciones

Inclusión/exclusión de entradas o acepciones

Lexicografía • Análisis exhaustivo de grandes cantidades de

texto computerizado:▫ Información indispensable sobre la gramática▫ Relaciones semánticas▫ Aceptabilidad de determinados usos▫ Usos innovadores u obsoletos de palabras▫ Palabras o expresiones de nueva creación▫ Aspectos pragmáticos

• La macroestructura de los diccionarios ha cambiado. Cada vez se incluye más información sobre la lengua y su uso

Lexicografía • Un corpus no es de utilidad:

▫ Si no se cuenta con las herramientas de análisis adecuadas (software/técnicas):

Procesar los textos de formas diferentes Ofrecer un alto nivel de flexibilidad en el tipo

de búsquedas

Terminología• Textos especializados• Unidades léxicas relevantes

▫ Frecuencia o de prominencia temática• Unidades de significación especializada

▫ Unidades terminológicas

Terminología• El conocimiento es un continuo, integra

▫ Conocimiento de un área de especialidad ▫ De otras áreas afines▫ Conocimiento general

• Propuesta de representarlo en una ontología de conceptos

▫ Relaciona conceptos específicos con otros De otras áreas afines o Del conocimiento general

Terminología• Ontología: ámbito de la ingeniería del

conocimiento:▫ Conjunto de conceptos organizados jerárquicamente▫ Representados en algún sistema informático ▫ Sirve de soporte a aplicaciones que requieren de

conocimiento específico sobre la materia que la ontología representa

Cuerpo estructurado de conocimiento

Lingüística clínica y forense

Lingüística clínica y forense•Las alteraciones del lenguaje es una de las manifestaciones más habituales de la EA

•Los trastornos del lenguaje suelen aparecer después de la afectación de la memoria

•En fases tempranas de la EA pueden aparecer dificultades de lenguaje incluso antes de evidenciarse ninguna de las manifestaciones clínicas

Lingüística clínica y forenseObjetivo:• Identificar potenciales variables

lingüísticas susceptibles de alterarse en la fase incipiente de Alzheimer

Lingüística clínica y forenseVariables:

• For instance, suppose we have a speech sample of Harold Wilson

Depresión: •Estado anímico

muy negativo:▫Baja estima ▫Falta de interés

Hipomanía:•Estado anímico

muy positivo:▫Euforia y energía▫Creatividad

Lingüística clínica y forenseVariables: • Técnicas/metodología de lingüística de corpus• Medidas léxicas estándar de lingüística de corpus (8):

▫ Riqueza léxica: (1) Ratio tipo-token estándarizada (Tweedie and Baayen 1998) (2) Ratio palabras de contenido (Stubbs 2002)

▫ Rasgos léxicos del léxico mental: (3) Longitud media de palabras (Nam et al. 2004) (4) Palabras “largas” (>10 caractéres; Biber and Jones 2005) (5) Hapax legomena (Oaks 2009) (6) Hapax legomena exclusivas

▫ Dificultad léxico-semántica de los textos: (7) Longitud media oraciones (palabras: Kelih et al. 2006). (8) Automated readability index (Bruce and Rubin 1988).

Atención en …•Datos “no” normales (más allá ± 2 DS)•Grandes fluctuaciones

Abnormalities:

Lingüística clínica y forenseConclusionesPeriodo 1: alternaciones en

léxico y sintaxisPeriodo 2: gran variabilidad en

las alternacionesPeriod 3: alternaciones en

exclusión mutua en dos sub-periodos: (i) med.1842 (palabras “raras”) y (ii) fin 1842 – princ.1843 (variabilidad léxica)

Period 4: alteraciones más notables; siguen patrón (menor especificidad léxica, variabilidad léxica y sintáctica)

Delta de Burrows:•Medir diferencias léxicas entre textos (determinar autorías, lingüística forense…)

•Se basa en el perfil léxico de las frecuencias relativas de las palabras funcionales

Word Main set Suspect Unknown playMean SD Score Z-

scoreScore Z-

ScoreDiff. Abs.Dif

1 The 4.242

0.630 4.719 0.757 4.901 -0.239 -0.996 0.996

2 And 3.770

0.501 4.407 1.272 4.165 0.789 -0.483 0.483

3 Of 1.821

0.315 2.420 1.905 2.769 3.015 1.110 1.110

4 A 1.601

0.430 0.893 -1.645 0.696 -2.103 -0.458 0.458

5 To 1.419

0.272 1.247 -0.634 1.289 -0.480 0.154 0.154

scoreScore Z-

ScoreDiff. Abs.Dif

1 The 4.242

0.630 4.719 0.757 4.091 -0.239 -0.996 0.996

2 And 3.770

0.501 4.407 1.272 4.165 0.789 -0.483 0.483

3 Of 1.821

0.315 2.420 1.905 2.769 3.015 1.110 1.110

4 A 1.601

0.430 0.893 -1.645 0.696 -2.103 -0.458 0.458

5 To 1.419

0.272 1.247 -0.634 1.289 -0.480 0.154 0.154

scoreScore Z-

ScoreDiff. Abs.Dif

1 The 4.242

0.630 4.719 0.757 4.091 -0.239 -0.996 0.996

2 And 3.770

0.501 4.407 1.272 4.165 0.789 -0.483 0.483

3 Of 1.821

0.315 2.420 1.905 2.769 3.015 1.110 1.110

4 A 1.601

0.430 0.893 -1.645 0.696 -2.103 -0.458 0.458

5 To 1.419

0.272 1.247 -0.634 1.289 -0.480 0.154 0.154

scoreScore Z-

ScoreDiff. Abs.Dif

1 The 4.242

0.630 4.719 0.757 4.091 -0.239 -0.996 0.996

2 And 3.770

0.501 4.407 1.272 4.165 0.789 -0.483 0.483

3 Of 1.821

0.315 2.420 1.905 2.769 3.015 1.110 1.110

4 A 1.601

0.430 0.893 -1.645 0.696 -2.103 -0.458 0.458

5 To 1.419

0.272 1.247 -0.634 1.289 -0.480 0.154 0.154

•Burrows’ DeltaSuspects ∆ Candidate

1 0.6402 1st

2 1.205 4th

3 1.075 2nd

4 1.087 3rd

5 2.632 5th

•Linguistic Inquiry and Word Count (LIWC; Pennebaker, Francis y Booth, 2001):▫2.200 palabras y raíces léxicas agrupadas

en 75 categorías y▫Clasificadas en cuatro grandes

dimensiones: Procesos lingüísticos estándares Procesos psicológicos Relatividad y Asuntos personales

Lingüística clínica y forenseMedida F1 (media armónica de precisión y exhaustividad):•Dimensión 2 (procesos psicológicos 68,3%); mejor clasificador independiente (verdad: pensar/saber; mentira: siempre/nunca).•Dimensión 3: bajo rendimiento como dim. única.•Dimensión 1+2+3 resulta más exitosa (73,1%)•Los mejores resultados obtenidos sobre el conjunto de datos de las corridas de toros se consiguen con la combinación 1_3 (68%)•Saturación factorial de las cuatro dimensiones y su correlato con la temática juegan un papel importante

Ingeniería lingüística

Objetivo:•Facilitar la comunicación hombre-máquina

y máquina-máquina•Se nutre de diferentes disciplinas:

▫Terminología▫Lingüística computacional▫Traducción ▫Otras disciplinas relacionadas con la

informática y la lengua

Se orienta a aplicaciones diversas:•Generación de textos•Localización de ontologías•Recuperación de información•Traducción automática o asistida•Analizadores sintácticos•Análisis de contenido multilingüe •….etc.

Memorias de traducción:• Depósito de textos en una lengua con

sus correspondientes traducciones a una o más lenguas

• Memorias de traducción = corpora paralelos

• Una memoria de traducción es básicamente un tipo especial de base de datos

Memorias de traducción:• Traducción automática:

▫Crea traducciones automáticas a partir de segmentos

▫Recupera traducciones anteriores

Memorias de traducción:• Evita tener que traducir de nuevo un

segmento ya traducido • Ayuda notable para la traducción de textos

repetitivos ▫Manuales técnicos, documentos

administrativos, partes meteorológicos o financiares,...

→ Reducción de los costes de uso

Memorias de traducción:• Aumento de la productividad (10-30%) • Ahorro de tiempo y de dinero • Aumento de la coherencia: ayuda para

traducir los segmentos de la misma manera que han sido traducidos antes

• Plazo de entrega reducido

Traducción automática• Google Translate:

▫ No utiliza algoritmo de traducción▫ No extrae el significado de las frases a partir

del vocabulario y de normas gramaticales▫ Parte de la suposición de que toda frase ha

podido ser dicha/traducida antes▫ No funcionaría sin el trabajo de miles de horas

de quienes ya han traducido en el pasado.

▫Dispone de enorme base de datos (corpus) para consultar frases registradas anteriormente en el idioma requerido: Documentos UE, ONU, agencias (varios idiomas

oficiales) Incluyen distintos registros (tribunales

internacionales, informes de empresa, etc.) Artículos y libros en formato bilingüe

▫Busca en toda esa información▫Si encuentran varias traducciones para un

texto: Selecciona la versión más aceptable a través

de métodos estadísticos▫Ofrece traducciones hasta en 58 idiomas

(doble vía)

Resumen automático de textos• Localizar los fragmentos más relevantes

(según las necesidades del usuario):▫Segmentos, oraciones, párrafos o pasajes

• Ordenación de estos fragmentos por relevancia

• Producción del resumen

Resumen automático de textos• Tres pasos:

▫ Identificación temática: extracción de términos/palabras clave

▫ Identificación de oraciones/segmentos con dichos términos/palabras clave

▫Generación del resumen (coherencia…)

Minería de textos• Tecnología emergente • Objeto:

▫ Descubrir a partir de texto/datos Conocimiento/información no trivial,

desconocida y potencialmente útil; que no está literalmente en dichos documentos

Buscar tendencias, opiniones, promedios, desviaciones, dependencias, etc.

Minería de textos• Área multidisciplinar, convergen

diferentes paradigmas de computación: ▫Construcción de árboles de decisión▫ Inducción de reglas▫Redes neuronales artificiales▫Descubrimiento basado en instancias▫Programación lógica▫Algoritmos estadísticos, etc.

Minería de textos: ejemplos• Comercio/Marketing

▫ Identificación de patrones de compra de los clientes

▫ Búsqueda de asociaciones entre clientes y características demográficas

▫ Predicción de respuesta a campañas de correo

▫ Análisis de cestas de la compra

Minería de textos: ejemplos• Banca

▫ Detección de patrones de uso fraudulento de tarjetas de crédito

▫ Identificación de clientes leales▫ Predicción de clientes con probabilidad de

cambiar su afiliación▫ Determinación del gasto de tarjeta de crédito

por grupos

Minería de textos: ejemplos• Medicina

▫ Identificación de terapias médicas adecuadas para diferentes enfermedades

▫ Asociación de síntomas y clasificación diferencial de patologías

▫ Estudio de factores (genéticos, precedentes, hábitos, alimenticios, etc.) de riesgo

Big Data• Disciplina que se ocupa de todas las

actividades relacionadas con los sistemas que manipulan grandes conjuntos de datos

• Dificultades más habituales:▫ Captura▫ Almacenamiento▫ Búsqueda▫ Análisis▫ Visualización

“There are more things in heaven and earth, Horatio, than are dreamt of in your philosophy.” (Hamlet, Act 1, Scene V)

Epílogo

El estudio de la lengua real/en uso para potenciales aplicaciones comerciales precisa irremediablemente de los corpus lingüísticos.

No se concibe una industria del lenguaje sin corpus lingüísticos y/o grandes conjuntos de datos lingüísticos.

Muchas Gracias

los corpus lingüísticos y la industria del lenguaje pascual cantos pcantos@um.es universidad de...

Documents

01. taller herramienta etl - kettle

comunicaciones - um.es

procesos etl -_power_data

proceso etl masivo de xmls

introducciÓn - um.es

introducción cristología etl 07

racefyn - um.es

taller etl

cÓdigos lingÜÍsticos y no lingÜÍsticos

ebau2022 - um.es

elementos etl - kettle pentaho

automatizar procesos etl | solidq summit 2014

vtee - um.es

simposio - um.es

ssis - automatizar procesos etl

pentaho etl

Índice - um.es

nuevos etl

lab etl pentaho

unidad01 etl