Fundaci

1
Fundación Duques de Soria La ingeniería
lingüística en la sociedad de la información
17-21 de julio de 2000
Tratamiento de corpora bilingües Joseba
Abaitua Universidad de Deusto
2
Tratamiento de corpora bilingüesJoseba
AbaituaUniversidad de Deusto

• La lingüística de corpus
• Tipos de corpora bilingües/traducciones
• Técnicas de tratamiento
• Anotaciones
• Segmentación y alineación
• Aplicaciones
• Plurilingüismo en Internet

3
Aplicaciones

• Enseñanza de segundas lenguas
• Didáctica de la traducción
• Lexicografía y terminografía
• Traducción automática
• Edición plurilingüe
• Internalización de productos
• Búsquedas translingüísticas
• Internet

4
La lingüística de corpus

• Introducciones McEnery y Wilson 1996, Pérez
  Guerra 1998
• Estructuralismo, descripción gramatical (Fries
  1952, Quirk y otros 1985)
• Generativismo (1960) intuiciones frente a datos,
  críticas de Birdsong 1989, LC
• Consorcios internacionales para la creación de
  corpora (1980/90)

5
Problemas de los formalismos gramaticales
derivados del generativismo (ATN, DCG, LFG, GPSG,
HPSG...)

• Aplicaciones reales requieren gramáticas
  complejas (gt 1.000 reglas)
• Redundancia
• Explosión combinatoria (alternativas, ambigüedad)
• Incongruencias, contradicciones
• Alto coste de desarrollo, transportabilidad y
  mantenimiento

6
Consorcios internacionalespara la creación de
corpora

• Europa
• ELRA

• EEUU
• Data Collection Initiative (ACL/DCI)
• Linguistic Data Consortium (LCD)
• Consortium for Lexical Research (CLR)

7
Tipos de corpus

• Corpus oral, sonidos sin transliteración
• Corpus de lengua hablada, transliteraciones de
  textos grabados
• Corpus de lengua escrita, de cualquier modalidad
• Corpus especializado Hansard, Aarhus
• Corpus de referencia BNC (90-10), CREA

8
Propiedades de un corpus de referencia

• Representatividad (Atkins, Clear y Ostler 1992)
• Cobertura amplia (registros, estilos, géneros,
  modos...)
• Aspectos relevantes de una lengua
• Criterios de categorización (Biber y Finegan
  1986, Nakamura 1991)
• Género función pragmática (novela, ensayo,
  manual, formulario...)
• Tipo aspectos cuantitativos (longitud de
  oraciones, densidad léxica, frecuencias...)

9
Representatividad según géneros
10
Compilación de corpora en España

• Castellano RAE (CREA, CORDE -125 k.) VOX (10
  k.), SGEL (8 k.), SM (0,8 k.)
• Catalán IEC, IULA
• Euskara Euskaltzaindia, UZEI, IXA, Deusto
• Gallego Academia da Lingua (?)

11
Compilación de corpora bilingüe?

• Castellano RAE (CREA, CORDE -125 k.) VOX (10
  k.), SGEL (8 k.), SM (0,8 k.)
• Catalán IEC, IULA
• Euskara Euskaltzaindia, UZEI, IXA, Deusto
• Gallego

12
Tipos de corpora bi/multilingües

• Corpora de textos en distintos idiomas (ECI/MCI)
• Corpora comparables
• Baker 1995, textos que sin ser traducciones
  comparten similar temática, tamaño, extensión y
  origen
• Corpora paralelos
• misma colección de textos en más de una lengua,
  generalmente son traducciones

13
Contribución de los traductólogos

• Equivalencia (Nord 1994)
• Función (Rabadán 1994)
• Status de la traducción (Sager 1993)

14
Distintas dimensiones de equivalencia (Nord
1994)

• Semántica (contenido, significado)
• Estilística (forma)
• Pragmática (función, efecto comunicativo)

15
Función de la traducción (Rabadán 1994)

• Presentación de contenido, argumento, relato
• Introducción de elementos culturales,
  tecnológicos
• Innovación literaria, desarrollo lingüístico
  (Garcilaso, Lutero)
• Emulación del autor original (Borges, Ezra Pound)
• Recreación de obras originales (Shakespeare,
  Fitzgerald Rubáiyat)
• Promoción de ideología (Macbeth de Garneau 1978)

16
Status de la traducción(Sager 1993)

• Tipo A Tr. autónomas, que sustituyen a los
  originales (novelas de Julio Verne)
• Tipo B Tr. que complementan al original, a modo
  de glosa (ediciones bilingües de obras
  literarias)
• Tipo C Tr. simétricas, canónicas (traducciones
  de Atxaga, Gimferrer, Hansard, Biblia del Rey
  Jacobo, etc.)

17

• Our Father, who art in heaven,
• hallowed be thy name
• thy kingdom come
• thy will be done
• on earth as it is in heaven.
• Give us this day our daily bread.
• And forgive us our trespasses,
• as we forgive those who trespass against us.
• And lead us not into temptation
• but deliver us from evil.
• For thine is the kingdom, the power and the
  glory,
• for ever and ever. Amen.

18
Corpora bi/multilingües

• Hansard (actas parlamento candiense, EN, FR)
• Aarhus (derecho contractual europeo, EN, FR, DA)
• China News Service (CH, EN) Xu y Tau 1999, Fung
  1995
• NACSIS- National Center for Science Information
  Systems (JP, EN) Kando y Aizawa 1998
• IULA (FR, EN, DE, ES, CA)
• BOB o Legebiduna (EU, ES) Martínez 1998

19
Tratamiento (1/10)

• Texto puro (ASCII) estudios cuantitativos
• listas de formas, frecuencias, colocaciones,
  concordancias
• filología (verificación de autoría), ling.
  cuantitativa, ling. diacrónica, dialectología,
  sociolingüísitica...
• Laviosa 1998 obtiene perfiles de traductores
• Stubbs 1996 lista nuclear (list head), palabras
  más frecuentes
• Texto anotado explicitación de la información

20
Tratamiento anotaciones máximas de Leech 1993

• 1. Facilitar la eliminación de las anotaciones,
  de forma que sea posible recuperar la versión
  original de los textos.
• 2. Permitir la extracción de las anotaciones por
  sí mismas, de manera que puedan constituir una
  base de conocimientos autónoma, independiente del
  texto al que se deben.
• 3. Distribuir las normas en las que se basan las
  anotaciones para que los usuarios finales puedan
  interpretarlas sin dificultad.
• 4. Indicar el procedimiento por el que se
  introdujeron las anotaciones en los textos y las
  personas responsables del proceso.
• 5. Alertar sobre la posibilidad de que el corpus
  anotado contenga errores. La anotación de un
  corpus es un acto de interpretación de
  estructuras y de contenidos y no es infalible.
• 6. Permitir la más amplia funcionalidad y
  reutilización del corpus acudiendo a propuestas
  con mayor aceptación y neutras en lo posible
  respecto a formalismos o teorías gramaticales
  concretas.
• 7. Admitir la existencia de otras normas y
  estándares de anotación.

21
7ª máxima de Leech 1993 Admitir la existencia
de otras normas y estándares de anotación

• TEI-P3 (SGML), 1994- ACL, ACH, MLA
• BCN, CREA...
• EAGLES
• PAROLE
• MULTEXT
• CES
• CRATER

22
Tipos de anotaciones

• Información extralingüística (cabecera)
• registro de lengua, fecha(s), autor, editor,
  transcriptor, género, status, función, etc.
• Cuestiones tipografémicas
• ASCII 256 c., ISO-8859-1 (ISO-Latin)
• JUNET
• ISO-10646 (UCS, UNICODE 65.000 c.)
• Información lingüística

23
Información lingüística

• Anotaciones estructurales
• Anotaciones morfosintácticas
• Lematización
• Análisis sintáctico, (semántico)
• Anotaciones orientadas a la tarea
• Códigos de correspondencia

24
Lematización y etiquetado POS
25
(No Transcript)
26
Alineación (Martínez 1999)

• 1. Enfoque estadístico similitud de algunos
  rasgos cuantitativos en el corpus, como la
  longitud de oraciones, el número de palabras o de
  caracteres, etc. (Brown y otros 1991, Gale y
  Church 1991).
• 2. Enfoque lingüístico emparejamiento previo de
  unidades sintagmáticas o de estructuras
  dependenciales (Sadler 1991, Kaji y otros 1992,
  Matsumoto y otros 1993).
• 3. Enfoque mixto método que aprovecha la
  identificación de categorías gramaticales como
  apoyo para la alineación estadística (Chen 1993).
  

27
(No Transcript)
28
(No Transcript)
29
(No Transcript)
30
Aplicaciones

• Enseñanza de segundas lenguas (International
  Corpus of Learner English, ICLE)
• Didáctica de la traducción (Baker...)
• Lexicografía y terminografía
• Traducción automática
• Edición plurilingüe (MultiMétéo, TREE, GIST)
• Internalización de productos
• Búsquedas translingüísticas
• Internet

31
Traducción automática

• Métodos simbólicos (RBMT)
• directa, transferencia, interlingüe (KBMT)
• Métodos analógicos (ABMT)
• Probabilidades Weawer 1949, Brown 1990 (Watson
  Center de IBM)
• Basado en ejemplos (EBMT), Nagao 1984
• Memorias de traducción
• Déjà Vu, TW, Transit, SDLX

32
Internet plurilingüe
33
Itzulpenak mekanizatzeko, zein sistema
hobe?Joseba Abaitua, Deustuko Unibertsitatea

• ZER itzuli nahi dugu?
• ZERTARAKO?
• NOIZKO?
• ZENBAT ?etan?
• -NORK
• -NOLA

34
ZER itzuli nahi dugun?

• Testuen sailkapena
• tipoa (Biber y Finegan 1986, Nakamura 1991)
• esaldien luzapena, dentsitate lexikoa, estiloa...
• generoa
• foru aginduak, eguraldiko berriak, olerkiak...
• modua
• ahozkoa (1, 2 orality)
• idatzizkoa
• elektronikoa (HTML, XML, PDF, PPT)
• helburuak...

35
ZERTARAKO?

• Informazioa eskuragatik?
• Behin behingo testu/erreferentziak sortzeko?
• Argitaratzeko?
• hitzaldi baterako, mintzoa sustatzeko, eztabaida
  sortarazteko...
• ahoz kontatua izateko
• irakurria izateko
• WWWen, softwaren barruan, produkturen dok.
• paperean, inprentan, CD-ROM...

36
NORK eta NOLA

• Term extraction and substitution
• Machine Translation (MT)
• SYSTRAN, LOGOS, METAL...
• Translation Memories
• Déjà Vu (Atril/Ampersan)
• TW (Trados)
• Transit (Star)
• SDLX (SDL)

37
Translation Memories

• Abantailak
• Kalitatezko itzulpenak (giza-itzultzaileak eginak
  eta balidatuak)
• TMX
• Desabantailak
• testu kanonikoak, itxiak (bakarrik)
• itzulpen partzialak (testu - zatiak)

38

• Our Father, who art in heaven,
• hallowed be thy name
• thy kingdom come
• thy will be done
• on earth as it is in heaven.
• Give us this day our daily bread.
• And forgive us our trespasses,
• as we forgive those who trespass against us.
• And lead us not into temptation
• but deliver us from evil.
• For thine is the kingdom, the power and the
  glory,
• for ever and ever. Amen.

39
(No Transcript)
40
(No Transcript)
41
(No Transcript)
42
Tipos de anotaciones

• Información extralingüística (cabecera)
• registro de lengua, fecha(s), autor, editor,
  transcriptor, género, status, función, etc.
• Cuestiones tipografémicas
• ASCII 256 c., ISO-8859-1 (ISO-Latin)
• JUNET
• ISO-10646 (UCS, UNICODE 65.000 c.)
• Información lingüística

43
Etiquetado de i. lingüística

• Segmentación
• Anotaciones estructurales
• Anotaciones morfosintácticas
• Lematización
• Análisis sintáctico, (semántico)
• Anotaciones orientadas a la tarea
• Alineación

44
Lematización y etiquetado POS
45
Alineación (Martínez 1999)

• 1. Enfoque estadístico similitud de algunos
  rasgos cuantitativos en el corpus, como la
  longitud de oraciones, el número de palabras o de
  caracteres, etc. (Brown y otros 1991, Gale y
  Church 1991).
• 2. Enfoque lingüístico emparejamiento previo de
  unidades sintagmáticas o de estructuras
  dependenciales (Sadler 1991, Kaji y otros 1992,
  Matsumoto y otros 1993).
• 3. Enfoque mixto método que aprovecha la
  identificación de categorías gramaticales como
  apoyo para la alineación estadística (Chen 1993).