Facultad de Filología Edificio Josep Carner, 5º piso

Persona de contacto: Montserrat Nofre Tel: 934035694

stel@ub.edu / montsenofre@ub.edu

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 AnCora

http://clic.ub.edu/corpus/es/ancora

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