facultad de filología edificio josep carner, 5º piso...
TRANSCRIPT
Facultad de Filología Edificio Josep Carner, 5º piso
Persona de contacto: Montserrat Nofre Tel: 934035694
[email protected] / [email protected]
http://stel.ub.edu
Presentación
El Servei de Tecnologia Lingüística (STeL) se creó el año 2006.
Es la continuación de la Unidad de Lexicometría, creada en los años 90, gracias a un convenio con la Université de la Sorbonne nouvelle-Paris 3.
Ubicación: Facultad de Filología,
Edificio Josep Carner, 5º piso
Dirección: M. Antònia Martí
Responsable técnica: Montserrat Nofre
Técnico informático: Santi Reig
Objetivos
• Fomentar la incorporación de las nuevas tecnologías de la información y la comunicación en la actividad docente e investigadora de la comunidad universitaria.
• Poner al servicio del colectivo de investigadores de la UB herramientas y recursos de tecnología lingüística a fin de mejorar la calidad de la investigación y la docencia.
• Promover la difusión de la investigación.
• Formar a los investigadores y docentes en las nuevas tecnologías.
Para empezar: Formación
Año académico 2015-2016:
• Estadística aplicada a las ciencias humanas y sociales
• Análisis de datos cualitativos con Atlas.ti
• Introducción a la traducción asistida por ordenador
Otros cursos impartidos anteriormente:
• Análisis cuantitativo de textos
• ELAN: anotación de corpus audiovisuales
• LaTeX, un editor de documentos científicos
• Transcriber, transcriptor de textos orales
Tareas desarrolladas por el STeL
• Asesoramiento tecnológico
• Desarrollo de aplicaciones vinculadas a:
- proyectos de investigación
- proyectos docentes
- grupos de investigación
- congresos, departamentos, etc.
• Procesamiento de datos
Corpus Diana-Araknion
Similitud semántica
http://clic.ub.edu/corpus/es/busquedas-araknion
Corpus Diana-Araknion
Búsqueda de verbos similares (similitud de estructuras léxico-semánticas)
http://clic.ub.edu/corpus/es/busquedas-araknion
Corpus Diana-Araknion
Clústers
http://clic.ub.edu/corpus/es/busquedas-araknion
Corpus en español
Biodigithum: corpus de escritos autobiográficos (UB)
http://stel.ub.edu/biodigithum
Arthus (Archivo de textos hispánicos de la Universidad de Santiago de Compostela)
http://www.bds.usc.es/corpus.html
A partir de este corpus, se ha creado la Base de Datos Sintácticos del Español Actual (BDS)
http://www.bds.usc.es/consultas/index.html
Corpus del Español (Mark Davies)
http://www.corpusdelespanol.org/
Herramientas para el español
SOL (Spanish on line). Concordancias españolas en la web
http://spraakbanken.gu.se/lb/konk/rom2
Molino de Ideas
http://molinodeideas.es/
Lenguando
http://blog.lenguando.com/tag/ele/
Bookmarks for Corpus-based Linguistics
http://martinweisser.org/corpora_site/CBLLinks.html
Otras herramientas
Proyecto Aracne
http://www.fundeu.es/aracne/
Googl Ngram Viewer
https://books.google.com/ngrams
http://www.wired.com/2015/10/pitfalls-of-studying-language-with- google-ngram/
Análisis estilistico de un texto
http://memex2.dsic.upv.es/StylisticAnalysis/es/index.jsp
Últimas tendencias en los estudios lingüísticos (aspectos morfológicos/sintácticos/léxicos del lenguaje)
• Análisis de la lengua espontánea
• La comunicación en las redes sociales
Análisis de la lengua espontánea
Estamos en la época de mayor expresión en lengua espontánea.
Anteriormente:
- diarios personales
- cartas
- publicaciones humorísticas/satíricas
En la actualidad:
- redes sociales: Twitter, Facebook
- foros
- opiniones de productos (reviews)
- comentarios en medios de información digitales
La comunicación en la red
• Inmediata
• Rápida
• Ahorra de espacio y tiempo
• Expresa emociones
• Deja la normativa en un segundo plano
• Utiliza funciones paralingüísticas (énfasis, autocensura)
• Utiliza elementos no lingüísticos (emoticonos, hashtags)
• Ironía/sarcasmo
La comunicación en la red
oscarbrinas Si t gusta correr y participar en causas d@
concienciación apúntate mañana a carrera x
#diabetESP/#Bilbao #running
@qmph_es La audiencia de @tv3cat debe ser muy crítica con
esto. Dan por buena la mentira de q medicamentos 3a causa
muerte
wendy_elvira Muchos ánimos a los CM de @TMBinfo y@
@rodalies, vais a tener un día de *****, pero mañana
colgáis un gatito y os volveremos a querer igual
@Megachix Llega 1 certificado d retenciones. Llega de una
clienta MÍA. XDFactory es MI empresa. La carta llega a
nombre de mi marido #Micromachismos
@FerranAdriaSays Se escribe gromenauer pero se lee
gromenaua, igual que fundraising, que se escribe así pero
se lee funreisin. En la Fundeison lo sabemos.
Nuevo registro: lengua escrita espontánea
no convences a nadie, por supuesto que es el oficio mas viejo del
mundo, y siempre a existido en todas partes,de eso no hay duda,
pero jorge waschintown, ni ningun presidente de francia, ni de la
conchinchina, primero, ni convirtieron a las porstitutas en
milicianas y federadas y cederistas, prometiendoles, jurandoles,
y creando una consigna que no se permitiria el ejercicio de la
prostitucion bajo su gobierno,,llegando al extremo de la
persecusion, y la represion contra las prostitutas,,,acusando a
los paises libres, a las democracias, era un cassete, un disco
rayado,, de que en los paises libres y democraticos existia la
prostitucion, por supuesto que siempree ha existido, presisamente
porque hay libertad, es algo asi como una puerta entreabierta,,
pero tu asquerosa dictadura ha usado a las mujeres cubanas, como
un instrumento, para atraer el turismo, de carnada, para que
vayan los turistas a cuba a un turismo sexual barato, debido a
las nesesidades que ellos mismos han creado, crean las miserias y
nesesidades, y crean el turismo sexual, pra atrear a los
asquerosos turistas sexuales,,,,,
Nuevo registro: lengua escrita espontánea
no convences a nadie, por supuesto que es el oficio mas viejo del
mundo, y siempre a existido en todas partes,de eso no hay duda,
pero jorge waschintown, ni ningun presidente de francia, ni de la
conchinchina, primero, ni convirtieron a las porstitutas en
milicianas y federadas y cederistas, prometiendoles, jurandoles,
y creando una consigna que no se permitiria el ejercicio de la
prostitucion bajo su gobierno,,llegando al extremo de la
persecusion, y la represion contra las prostitutas,,,acusando a
los paises libres, a las democracias, era un cassete, un disco
rayado,, de que en los paises libres y democraticos existia la
prostitucion, por supuesto que siempree ha existido, presisamente
porque hay libertad, es algo asi como una puerta entreabierta,,
pero tu asquerosa dictadura ha usado a las mujeres cubanas, como
un instrumento, para atraer el turismo, de carnada, para que
vayan los turistas a cuba a un turismo sexual barato, debido a
las nesesidades que ellos mismos han creado, crean las miserias y
nesesidades, y crean el turismo sexual, pra atrear a los
asquerosos turistas sexuales,,,,,
Nuevo registro: lengua escrita espontánea
Las herramientas estándar de procesamiento del lenguaje natural (PLN) no sirven para analizar y procesar estos textos.
•errores ortográficos
•segmentación incorrecta de palabras
•segmentación incorrecta de oraciones
•uso incorrecto de mayúsculas
•abreviaturas
•repeticiones
•elementos enfáticos
•uso incorrecto de los signos de puntuación
•(auto)censura
•emoticonos
•palabras/fragmentos en otras lenguas
Lengua escrita espontánea: errores ortográficos
Cualquier error ortográfico (b/v, acentos, h,...), o de tecleo: en estos casos, el lema ha de ser el correspondiente, con la ortografía correcta. Añadimos la etiqueta <anomaly>.
forma = regimen lema = régimen
forma = porstitutas lema = prostituta
forma = siempree lema = siempre
forma = pequena lema = pequeño
forma =q lema = que
forma = jorge_waschintown lema = George_Washington
Lengua escrita espontánea: variantes
Cualquier variante de procedencia oral o escrita se considera también <anomaly> y se lematiza según su forma normativa en la lengua que corresponda.
forma = persecusión lema = persecución
forma = amoto lema = moto
forma = taxis lema = tax (se marca como propia de otra lengua)
Lengua escrita espontánea: segmentación
Esto estan de incrédulos Esto es tan de incrédulos
esq este pueblo es q este pueblo
Sistema de gener ación de bitcoins Sistema de generación de
bitcoins
Se mantiene la segmentación en los casos de juegos de palabras, aunque se tratan como expresiones multipalabra (multiwords)
forma = melón_dramático lema = melón_dramático
(analizado como adjetivo)
Lengua escrita espontánea: elementos enfáticos
Mayúsculas la franquicia de 25 dólares es RIDÍCULA
NO ha habido juicio
Repetición de signos de puntuación eso está mal!!!!
donde los compran???
Repetición de letras ya estoy crazyyyyyy
Lengua escrita espontánea: autocensura
forma = p$$ta lema=puta
forma = mi$$erda lema = mierda
forma = p3nd3jos lema = pendejo
forma = **** lema = depende del contexto
Lengua escrita espontánea: emoticonos
jajaja XD
hay una cola laaaaarga con la solicitud en la mano :-)
ya se esta quemando la cabeza con tanta informacion =(
https://es.wikipedia.org/wiki/Anexo:Emoticonos
“¿Qué quieres decir con ?” (El País, 15-04-2016)
Lengua escrita espontánea: práctica
¿Qué anomalías hay en estos fragmentos?
... vaya pongamolo asi snoopy.
danos UNA razon UNA explicala bien, no vengas y digas "por ahi
dicen" y "aliens" razonanos UN argumento, pero razonalo, pensa,
tenes q sentir q te rechinan los engranes en el nuegado.
Y cuando tengas algo razonable veni y lo discutimos si?
aca mira... está casi al final del articulo...jajaja. no se de
donde ptas sacas que me refería a la niña
Lengua escrita espontánea: segmentación
no convences a nadie, por supuesto que es el oficio mas viejo del
mundo, y siempre a existido en todas partes,de eso no hay duda,
pero jorge waschintown, ni ningun presidente de francia, ni de la
conchinchina, primero, ni convirtieron a las porstitutas en
milicianas y federadas y cederistas, prometiendoles, jurandoles,
y creando una consigna que no se permitiria el ejercicio de la
prostitucion bajo su gobierno,,llegando al extremo de la
persecusion, y la represion contra las prostitutas,,,acusando a
los paises libres, a las democracias, era un cassete, un disco
rayado,, de que en los paises libres y democraticos existia la
prostitucion, por supuesto que siempree ha existido, presisamente
porque hay libertad, es algo asi como una puerta entreabierta,,
pero tu asquerosa dictadura ha usado a las mujeres cubanas, como
un instrumento, para atraer el turismo, de carnada, para que
vayan los turistas a cuba a un turismo sexual barato, debido a
las nesesidades que ellos mismos han creado, crean las miserias y
nesesidades, y crean el turismo sexual, pra atrear a los
asquerosos turistas sexuales,,,,,
Lengua escrita espontánea: segmentación
no convences a nadie,
por supuesto que es el oficio mas viejo del mundo, y siempre a
existido en todas partes,de eso no hay duda, pero jorge
waschintown, ni ningun presidente de francia, ni de la
conchinchina, primero, ni convirtieron a las porstitutas en
milicianas y federadas y cederistas, prometiendoles, jurandoles,
y creando una consigna que no se permitiria el ejercicio de la
prostitucion bajo su gobierno,,llegando al extremo de la
persecusion, y la represion contra las prostitutas,,,acusando a
los paises libres, a las democracias,
era un cassete, un disco rayado,,
de que en los paises libres y democraticos existia la
prostitucion,
por supuesto que siempree ha existido, presisamente porque hay
libertad, es algo asi como una puerta entreabierta,,
pero tu asquerosa dictadura ha usado a las mujeres cubanas, como
un instrumento, para atraer el turismo, de carnada, para que
vayan los turistas a cuba a un turismo sexual barato,
debido a las nesesidades que ellos mismos han creado, crean las
miserias y nesesidades, y crean el turismo sexual, pra atrear a
los asquerosos turistas sexuales,,,,,
Lengua escrita espontánea: ironía/sarcasmo
•Ferran Adrià confiesa que su secreto es echarle a todo vinagre de
Módena caramelizado
•La enciclopedia de Ferran Adrià se pone en marcha. Más de 80
personas trabajarán en el nuevo proyecto
•Hacienda contrata a Iker Jiménez para que investigue sociedades
fantasma
•Despiden a dos empleados de Loctite porque se estaban pegando
•La alcaldesa de Teruel robó fondos públicos aprovechando que la
ciudad no existe
•Garzón e Iglesias no se ponen de acuerdo en cuál de los dos
dormirá en la litera de arriba.
•Annie Leibovitz fotografía a Isabel II en el castillo de Windsor
por su 90 cumpleaños. Muestra a una reina diferente.
•Un estudio analiza la salud mental de los 37 primeros presidentes
de EE UU. La mitad sufrió algún tipo de trastorno
Lengua escrita espontánea: ironía/sarcasmo
Modelo de detección:
- frecuencias: palabras raras
- ambigüedad
- sinónimos
- sentimientos
- puntuación
- sorpresa
Análisis de opiniones
Se analizan los mensajes de redes sociales para conocer las opiniones acerca de un producto/marca/persona WOM (word of mouth digital, eWOM)
Porque el iPhone es el mejor teléfono del mundo? porque
reune un telefono, un ipod, un nintendo y una mini pc en un
solo dispositivo
Ayer comí por primera vez una hamburguesa en el Alfredo’s.
Me pareció riquíiiiiisima.
Análisis de opiniones
-Normalización: expresiones coloquiales, jerga lenguaje formal
-Clasificación de subjetividad: se distinguen entre mensajes
objetivos y subjetivos.
-(Geolocalización)
-Clasificación de sentimientos: decidir de forma automática el
sentimiento positivo o negativo de cada mensaje
Análisis de opiniones (deceptive reviews)
Detección de opiniones falsas (deceptive reviews): -longitud: opinones muy cortas falsas (las verdaderas puntúan por estrellas) - imprecisión: opiniones imprecisas falsas (aplican generalidades a productos distintos) -uso de lenguaje emocional (maravilloso, fantástico, patético, ridículo): opiniones emocionales falsas (una opinión objetiva resume y critica el contenido o características de un producto) - Cantidad de opiniones de un mismo usuario: muchas opiniones falsas - Descarte de las opiniones con calificaciones más altas y más bajas
Análisis de opiniones (deceptive reviews)
I have stayed at many hotels for both business and
pleasure and I can honestly stay that XX is tops. The
service at the hotel is first class. The rooms are
moderns and very comfortable. The location is perfect
within walking distance to all of the great sights and
restaurants. Highly recommended to both business
travellers and couples.
My husband and I stay at XX for our anniversary. This
place is fantastic! We knew as soon as we arrived we
made the right choice! The rooms ara BEAUTIFUL and the
staff very attentive and wonderful!! The area of the
hotelisgreat,sinceIlovetoshopIcouldn’task
foir more!! We will definatly be vabck to Chicago and
we will for sure be back to the XX.
Análisis de opiniones (deceptive reviews)
Tomasso Fornaciani: “Deception detection in science and police practices: from polygraph to NLP perspectives” (23-24 de mayo)
Análisis de sentimientos
Objetivo : determinar la actitud con respecto a algún tema, o la polaridad global contextual de un documento. - Clasificación de la subjetividad: identificar fragmentos de texto que poseen una carga subjetiva, expresada por parte de la persona que lo ha escrito (opinión, sentimiento, etc.) - Clasificación de la polaridad: clasificar fragmentos de texto en positivo o negativo, dependiendo de su significado emocional. -Clasificación de la intensidad: clasificar los textos de acuerdo a la intensidad emocional expresada (positivo, neutro y negativo;
Análisis de sentimientos
https://www.meaningcloud.com/es/demo#
Concepto de polaridad
“Las palabras alegres ganan a las tristes” (El País, 15-02-2015)
http://elpais.com/elpais/2015/02/10/ciencia/1423584383_770666.html
La hipótesis Pollyanna
There is a universal human tendency to use evaluatively positive words more frequently, diversely and facilely than evaluatively negative words. Put even more simply, humans tend to “look on (and talk about) the bright side of life.” (J. Boucher, C. E. Osgood, 1969)
Concepto de polaridad
- Diccionario de polaridad
Concepto de polaridad
- Diccionario de polaridad
- Polaridad en las oraciones
- Intensificadores
- Coordinación
- Operadores de negación
- Negación léxica
Polaridad: práctica
- no está mal
- no me ha gustado
- no me ha gustado en absoluto
- no recomiendo demasiado su compra
- no torturan la mente del espectador
- no existe ninguna otra forma de llegar al aeropuerto
- no eran reparaciones imprevistas
- no es que sea un mal libro
- el libro no es más que eso
- el coche lo compre para viajar, ¿no?
- hasta que no me pase el disgusto
- por no comentar que las habitaciones están sucias
- no dejas de poner lavadoras
- no deja de compararla con Mónica
- ¿no se supone que es inteligente?
Polaridad: práctica II
- me dijo que no se debía a mal uso por mi parte
- quería pasarme un día entero sin comer
- no tenía culpa de no tenerlo
- ni tengo carnet
- la segunda parte, lejos de mantener mi entusiasmo, lo sepulta
- no solo lo reconoce sino que le premia
- su exterior no me gusta tanto como el de otras marcas
- ¿no podría hacer otra pregunta?
- pregunto si me devuelven el dinero o no
- fiabilidad cero
- no sabría qué destacar si no es la banda sonora
- pasan sin pena ni gloria
- me gusta a más no poder
- por no decir que es una basura
- no hay más que poner el programa de color
- a falta de un coche en condiciones
- no deja de compararla con Mónica
- la amabilidad del personal brilla por su ausencia
- en mi vida he hecho una reserva con tanta antelación
- es cualquier cosa menos pequeño
Gracias por vuestra atención