Post on 28-Jan-2016
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?
Los corpus lingüísticos
¿Por qué usar corpus?•Indican/corroboran tendencias/normalidad sobre el uso real de la lengua
•Indican usos raros (textos aislados)•Método objetivo (humano/ordenador)
Los corpus lingüísticos
¿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.)
Los corpus lingüísticos
Texto sin anotar
Los corpus lingüísticos
Marcadores de título y párrafos
Los corpus lingüísticos
Marcadores oracionales
Los corpus lingüísticos
Marcadores de puntuación
Los corpus lingüísticos
Macadores de palabras
Los corpus lingüísticos
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
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.
24,74
Concepto de cuantificación
Concepto de cuantificación
Concepto de cuantificación
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. …
Aplicaciones a la industria del lenguaje
Lexicografía • Descripción del vocabulario de una
lengua -> diccionarios• Fuentes de información tradicionales
▫Intuición▫Otros diccionarios▫Citas de autores reconocidos en libros/
periódicos, etc.
Aplicaciones a la industria del lenguaje
Lexicografía • Problemas:
▫Parcialmente válidas▫Plagio▫Insuficientes para compilación de
diccionarios
No dan una visión actualizada y completa del uso lingüístico real
Aplicaciones a la industria del lenguaje
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
Aplicaciones a la industria del lenguaje
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
Aplicaciones a la industria del lenguaje
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
Aplicaciones a la industria del lenguaje
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
Aplicaciones a la industria del lenguaje
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
Aplicaciones a la industria del lenguaje
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
Aplicaciones a la industria del lenguaje
Aplicaciones a la industria del lenguaje
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
Aplicaciones a la industria del lenguaje
Aplicaciones a la industria del lenguaje
Aplicaciones a la industria del lenguaje
Aplicaciones a la industria del lenguaje
Aplicaciones a la industria del lenguaje
Aplicaciones a la industria del lenguaje
Terminología• Textos especializados• Unidades léxicas relevantes
▫ Frecuencia o de prominencia temática• Unidades de significación especializada
▫ Unidades terminológicas
Aplicaciones a la industria del lenguaje
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
Aplicaciones a la industria del lenguaje
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
Aplicaciones a la industria del lenguaje
Aplicaciones a la industria del lenguaje
Aplicaciones a la industria del lenguaje
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:
Lingüística clínica y forense
• For instance, suppose we have a speech sample of Harold Wilson
Lingüística clínica y forense
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).
Lingüística clínica y forense
Atención en …•Datos “no” normales (más allá ± 2 DS)•Grandes fluctuaciones
Lingüística clínica y forense
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)
Lingüística clínica y forense
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
Lingüística clínica y forense
Rank
Word Main set Suspect Unknown playMean SD Score Z-
scoreScore Z-
ScoreDiff. Abs.Dif
f
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
…
Lingüística clínica y forense
Rank
Word Main set Suspect Unknown playMean SD Score Z-
scoreScore Z-
ScoreDiff. Abs.Dif
f
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
… 1
Lingüística clínica y forense
Rank
Word Main set Suspect Unknown playMean SD Score Z-
scoreScore Z-
ScoreDiff. Abs.Dif
f
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
…
2
1
Lingüística clínica y forense
Rank
Word Main set Suspect Unknown playMean SD Score Z-
scoreScore Z-
ScoreDiff. Abs.Dif
f
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
…
2
1
3
Lingüística clínica y forense
•Burrows’ DeltaSuspects ∆ Candidate
1 0.6402 1st
2 1.205 4th
3 1.075 2nd
4 1.087 3rd
5 2.632 5th
…
Lingüística clínica y forense
•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 forense
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
Ingeniería lingüística
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.
Ingeniería lingüística
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
Ingeniería lingüística
Memorias de traducción:• Traducción automática:
▫Crea traducciones automáticas a partir de segmentos
▫Recupera traducciones anteriores
Ingeniería lingüística
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
Ingeniería lingüística
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
Ingeniería lingüística
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.
Ingeniería lingüística
Traducción automática• Google Translate:
▫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
Ingeniería lingüística
Traducción automática• Google Translate:
▫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)
Ingeniería lingüística
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
Ingeniería lingüística
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…)
Ingeniería lingüística
Ingeniería lingüística
Ingeniería lingüística
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.
Ingeniería lingüística
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.
Ingeniería lingüística
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
Ingeniería lingüística
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
Ingeniería lingüística
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
Ingeniería lingüística
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
Ingeniería lingüística
“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