Contribuciones del Procesamiento del Lenguaje Natural a la navegación de corpus digitales
Abstract
La charla discute cómo el Procesamiento del lenguaje natural puede ayudar a proporcionar experiencias de exploración de corpus más ricas para los usuarios. Se presentan tres estudios de caso: Primero, la navegación de actores y sus afirmaciones en un corpus de negociaciones diplomáticas sobre el cambio climático, llamado Earth Negotiations Bulletin. Segundo, la navegación de conceptos en los manuscritos de Jeremy Bentham. Finalmente, se muestra cómo aplicar las mismas tecnologías PLN para anotar ocurrencias de un fenómeno poético llamado "encabalgamiento" en un corpus de poesía. También se aborda la evaluación de estas tecnologías y de su utilidad para expertos de dominio en las áreas de aplicación citadas. Programa de la jornada (Internet Archive)
Full text
Pablo Ruiz Fabo ([email protected]) Laboratorio de Innovación en Humanidades Digitales, UNED Miembro del proyecto POSTDATA - Poetry Standardization and Linked Open Data Contribuciones del Procesamiento del Lenguaje Natural a la navegación de corpus digitales Jornada BNE, 12/2017 1
Plan •Introducción –Exploración de corpus –Procesamiento del Lenguaje Natural –Relación con la edición digital (académica) •Estudios de caso –Earth Negotiations Bulletin –Manuscritos de Jeremy Bentham –Diachronic Spanish Sonnet Corpus 2
Plan •Introducción –Exploración de corpus –Procesamiento del Lenguaje Natural –Relación con la edición digital (académica) •Estudios de caso –Earth Negotiations Bulletin –Manuscritos de Jeremy Bentham –DISCO: Diachronic Spanish Sonnet Corpus 3
Exploración simple de corpus 4
Exploración simple de corpus 5
•Anotaciones automáticas de características lingüísticas •Permiten acotar búsquedas según criterios lingüísticos •Generación automática de metadatos –Palabras clave – Locutores, temas, … Procesamiento del lenguaje natural (PLN) 6
•Edición (digital académica) implica enriquecimiento de los textos mediante trabajo filológico •PLN proporciona anotaciones que pueden ayudar en este proceso •¿Navegación? Edición digital académica como interfaz ¿PLN + Navegación de corpus + Edición digital ? 7
8
Plan •Introducción –Exploración de corpus –Procesamiento del Lenguaje Natural –Relación con la edición digital (académica) •Estudios de caso –Earth Negotiations Bulletin –Manuscritos de Jeremy Bentham –DISCO: Diachronic Spanish Sonnet Corpus 9
16 Navegación por relaciones
17 Actores Navegación por relaciones
18 Predicados Navegación por relaciones
19 Mensajes Navegación por relaciones
20 Triples (proposiciones) correspondientes a la búsqueda Navegación por relaciones
21 Oraciones y documentos para las triples Navegación por relaciones
22 Metadatos extraídos de los mensajes Navegación por relaciones
23 Metadatos extraídos de los mensajes Navegación por relaciones
24 Metadatos •Palabras clave •Conceptos genéricos (DBpedia) •Conceptos de dominio (Tesauro) Navegación por relaciones
25 •Objetivo: Comparar cómo los actores hablan de género (gender) Paso 1: Buscar gender en los mensajes Ejemplo de búsqueda
Manuscritos de Jeremy Bentham •Filósofo y reformador inglés (1748-1832) •Corpus inédito •Transcribe Bentham (UCL, Causer & Terras) •Transcripción por voluntarios (crowdsourcing) •Muestra de 17.000 páginas 32
Transcribe Bentham (Causer, Terras et al.) (Causer & Terras) 33
Análisis léxico y visualización •Extracción léxica (palabras clave) •Agrupación según similitud contextual (clustering) •Visualización en forma de red de cooccurrencias 34
35 Ejemplo de búsqueda Mapa del corpus
36 Noción de interest en el corpus
37 Ejemplo de búsqueda
Evaluación •Ejercicio de uso de la interfaz y entrevista con un investigador de Bentham 38
39
Análisis automático de encabalgamiento •ANJA: Automatic Enjambment Analyzer •DISCO: Diachronic Spanish Sonnet Corpus https://sites.google.com/site/ spanishenjambment 40
Encabalgamiento •Desacuerdo entre pausas métricas (versos) y unidades sintácticas (sintagmas) •Se puede detectar con análisis gramatical automático •Mismas tecnologías que las usadas para extraer actores y sus mensajes en Earth Negotiations Bulletin 41
Resumen •Tecnologías de anotación lingüística automática (PLN) •Integración en interfaces de navegación •Contribución al acceso relevante a contenidos textuales •Utilidad para la edición •Evaluación 48
[email protected] http://www.lattice.cnrs.fr/ Ruiz-Fabo-Pablo http://postdata.linhd.es/ http://linhd.uned.es