Empfohlen
Empfohlen
Weitere ähnliche Inhalte
Ähnlich wie Contribuciones del Procesamiento del Lenguaje Natural a la navegación de corpus digitales
Ähnlich wie Contribuciones del Procesamiento del Lenguaje Natural a la navegación de corpus digitales (20)
Kürzlich hochgeladen
Kürzlich hochgeladen (20)
Contribuciones del Procesamiento del Lenguaje Natural a la navegación de corpus digitales
- 1. Pablo Ruiz Fabo (pablo.ruiz@linhd.uned.es) 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
- 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 – Diachronic Spanish Sonnet Corpus 2
- 3. 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
- 4. Exploración simple de corpus 4
- 5. Exploración simple de corpus 5
- 6. • 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
- 7. • 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. 8
- 9. 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
- 12. 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 12
- 14. Earth Negotiations Bulletin • Resúmenes de negociaciones diplomáticas entre países sobre el cambio climático 14
- 15. Extracción de relaciones 15 The EU, with NEW ZEALAND and opposed by CHINA, MALAYSIA and BHUTAN, supported including the promotion of natural regeneration within the definitions of "afforestation" and "reforestation." ACTORES PREDICADOS MENSAJES 1 European_Union supported including the promotion of natural regeneration within the definitions of "afforestation" and "reforestation." 2 New_Zealand 3 China ~supported4 Malaysia 5 Bhutan
- 20. 20 Triples (proposiciones) correspondientes a la búsqueda Navegación por relaciones
- 21. 21 Oraciones y documentos para las triples Navegación por relaciones
- 22. 22 Metadatos extraídos de los mensajes Navegación por relaciones
- 23. 23 Metadatos extraídos de los mensajes Navegación por relaciones
- 24. 24 Metadatos • Palabras clave • Conceptos genéricos (DBpedia) • Conceptos de dominio (Tesauro) Navegación por relaciones
- 25. 25 • Objetivo: Comparar cómo los actores hablan de género (gender) Paso 1: Buscar gender en los mensajes Ejemplo de búsqueda
- 26. 26 Paso 2: Examinar palabras clave usadas por diferentes actores en mensajes que hablan de gender Ejemplo de búsqueda
- 27. 27 Paso 2: Examinar palabras clave usadas por diferentes actores en mensajes que hablan de gender Ejemplo de búsqueda
- 28. 28 • Anotación automática implica tasa de error • Scores de confianza Tasa de error
- 29. 29 • Anotación automática implica tasa de error • Scores de confianza Tasa de error
- 30. Evaluación • Dos aspectos a evaluar – Las anotaciones automáticas per se (evaluación cuantitativa) – La utilidad de estas, y de su presentación en interfaces, para expertos en el corpus analizado (evaluación cualitativa) 30
- 31. 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 31
- 32. 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
- 33. Transcribe Bentham (Causer, Terras et al.) (Causer&Terras) 33
- 34. Análisis léxico y visualización • Extracción léxica (palabras clave) • Agrupación según similitud contextual (clustering) • Visualización en forma de red de cooccurrencias 34
- 35. 35 Ejemplo de búsquedaMapa del corpus
- 36. 36 Noción de interest en el corpus
- 38. Evaluación • Ejercicio de uso de la interfaz y entrevista con un investigador de Bentham 38
- 39. 39
- 40. Análisis automático de encabalgamiento • ANJA: Automatic Enjambment Analyzer • DISCO: Diachronic Spanish Sonnet Corpus https://sites.google.com/site/ spanishenjambment 40
- 41. 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
- 42. Estudios previos • Quilis, A. (1964). Estructura del encabalgamiento en la métrica española. Madrid. CSIC. 42
- 43. Aporte de la automatización • Análisis de gran volumen de textos • Análisis cuantitativo de la evolución del fenómeno en el tiempo 43
- 44. Distribución de versos con encabalgamiento por período en sonetos 44 Siglos XV a XVII Siglo XIX Porcentaje de encabalgamientos por par de versos en sonetos
- 45. 45 Siglos XV a XVII Siglo XIX Distribución de versos con encabalgamiento por período en sonetos Porcentaje de encabalgamientos por par de versos en sonetos
- 46. 46 Siglos XV a XVII Siglo XIX Distribución de versos con encabalgamiento por período en sonetos Porcentaje de encabalgamientos por par de versos en sonetos
- 47. Corpus DISCO y evaluación • Atributos de certitud según la fiabilidad de la detección automática para cada tipo de encabalgamiento 47
- 48. 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