Palabras y elementos funcionales en atribución de autoría árabe

Transcripción

1 Palabras y elementos funcionales en atribución de autoría árabe David García Barrero 1

2 ÍNDICE Marco teórico Objetivos Hipótesis Metodología Corpus Herramientas Variables Análisis estadístico ANOVA A. Discriminante Conclusiones Investigación futura 2

3 MARCO TEÓRICO Lingüística aplicada Lingüística forense Lenguaje evidencial o probatorio Atribución/determinación de autoría de textos ejecutiva (que no:» declarada» colaborativa» de revisión) Variación lingüística Lingüística computacional y de corpus (metodología) 3

4 OBJETIVOS 1. Verificar para el árabe las hipótesis ya validadas para otras lenguas de trabajo (inglés, castellano, catalán). 2. Determinar las variables potencialmente discriminantes en árabe (tipológicamente diversa de aquellas). 3. Establecer una metodología fiable de atribución, que permita realizar con rigor científico la comparación forense de textos escritos en árabe estándar moderno. 4

5 HIPÓTESIS Estilo idiolectal (Turell 2010) 1. Variación interautor > intraautor 2. Variación interautor intragénero > intraautor intergénero 3. Variación interautor intratiempo > intraautor intertiempo 5

6 METODOLOGÍA: Corpus Variedad: árabe estándar moderno Variable de control 1 origen: autores marroquíes (v. diatópica) Variables de estratificación 2 géneros (relato y artículo de crítica literaria) 2 tiempos relativos Muestras de 650 palabras [adaptación estándar 800] 3 autores, 2 tiempos, 2 géneros; x 5 = 60 muestras Dificultad: recopilación, procesamiento (no OCR) 6

7 METODOLOGÍA: Herramientas CADIM (Columbia's Arabic Dialect Modeling Group), Universidad de Columbia MADA 3.2 (Morphological Analysis and Disambiguation for Arabic) + TOKAN ( a general tokenizer for Arabic ) Buckwalter Arabic Morphological Analyzer (BAMA) Standard Arabic Morphological Analyzer (SAMA) Aramorph 1.2.1, desde MADA 3.2 (febrero 2012), gratuito. 7

8 METODOLOGÍA: Herramientas input TOKAN MADA العربية وخصوصياتها Alcrbya wxswsyatha ال+ عربية و+ خصوصيات +ها Al+ crbya w+ xswsyat +Ha [+PRON] N [CONJ+] N [ART+] 8

9 METODOLOGÍA: Variables Unidades Palabras segmentadas Artículo (+) Pronombres (+/-) Preposiciones (+/-) Conjunciones (+/-) Demostrativos (-) Negadores (-) Puntuación (-) Combinaciones (enegramas) de conjunción y puntuación Mediciones Frecuencias relativas WordSmith Densidad léxica (ratio type/token) Desviación estándar de palabra por frase Palabras con n caracteres 9

10 METODOLOGÍA: Variables Combinación de conjunciones y puntuación: [, y] Trigrama de caracteres Bigrama de tokens (palabras, puntuación) Bigrama de categoría gramatical y puntuación Arroja información sobre categorías oracionales: [ ], y[ ] 10

11 Análisis: ANOVA INTERAUTOR INTERGÉNERO INTERTIEMPO T1G1 T1G2 T2G1 T2G2 MEDIA A1T1 A1T2 A2T1 A2T2 A3T1 A3T2 A1G1 A1G2 A2G1 A2G2 A3G1 A3G2 108 ratio type/token (ag) 0, , , , , , , , , , , , , , , , , ratio type/token (sg) 0, , , , , , , , , , , , , , , , ,38723 و, 89 0, , , , , , , , , , , , , , , , , palabras de 2 letras (ag) 0, , , , , , , , , , , , , , , , , REL. palabras de 2 letras (ag) 0, , , , , , , , , , , , , , , , , RATIO,/. 0, , , , , , , , , , , , , , , , ,01861 و/ 103 RATIO 0, , , , , , , , , , , , , , , , , types (segmentados) 0, , , , , , , , , , , , , , , , ,79675 و. 90 0, , , , , , , , , , , , , , , , , SUBTOTAL (pronombres independientes) 0, , , , , , , , , , , , , , , , , REL. palabras de 9 letras (ag) 0, , , , , , , , , , , , , , , , , desviación estándar (de palabras por frase) 0, , , , , , , , , , , , , , , , , palabras de 3 letras (ag) 0, , , , , , , , , , , , , , , , ,49500 (و (frases que comienzan con و + و. 95 0, , , , , , , , , , , , , , , , ,81068 هو 9 0, , , , , , , , , , , , , , , , , letter words 0, , , , , , , , , , , , , , , , , letter words 0, , , , , , , , , , , , , , , , , REL. 8-letter words 0, , , , , , , , , , , , , , , , ,

12 Análisis: ANOVA 139 palabras de 7 letras 142 REL. palabras de 3 letras INTERAUTOR INTERGÉNERO INTERTIEMPO T1G1 T1G2 T2G1 T2G2 A1T1 A1T2 A2T1 A2T2 A3T1 A3T2 A1G1 A1G2 A2G1 A2G2 A3G1 A3G2 0,7717 0,0853 0,2623 0,0018 0,0008 0,0663 0,0030 0,0011 0,3828 0,1095 0,5689 0,0289 1,0000 0,0633 0,2585 0,3802 0,3937 0,1660 0,0014 0,2609 0,0006 0,0620 0,0079 0,0005 0,0227 0,1452 0,6999 0,0968 0,0241 0,2509 0,4606 0, REL.TOTAL (sg) 0,4420 0,0290 0,1813 0,3924 0,0000 0,0151 0,2683 0,0230 0,0226 0,0976 0,0266 0,2035 0,7724 0,5750 0,7192 0, frases (ag) 0,1825 0,0679 0,0660 0,7371 0,0215 0,0208 0,0975 0,0040 0,0936 0,0256 0,3221 0,0815 0,0474 0,3671 0,2088 0, (inicio de línea) 112 media en palabras (de frases, ag) 115 media en palabras (de frases, sg) 0,3265 0,0209 0,1902 0,5472 0,0014 0,1000 0,0215 0,0037 0,0093 0,0790 0,8743 0,2527 0,5698 0,4910 0,4247 0,0155 0,1376 0,1393 0,0614 0,7675 0,0029 0,0065 0,1650 0,0006 0,0450 0,0156 0,2634 0,0621 0,0698 0,3856 0,1109 0,3546 0,2078 0,1432 0,2117 0,5413 0,0029 0,0085 0,1324 0,0024 0,0530 0,0058 0,3740 0,0677 0,0997 0,2831 0,1199 0, frases (sg) 0,2690 0,0683 0,2242 0,7351 0,0206 0,0221 0,1771 0,0020 0,0920 0,0084 0,4038 0,0801 0,0481 0,2709 0,1541 0, REL.TOTAL (artículo, ag) 0,8637 0,0259 0,2461 0,4237 0,0000 0,0132 0,1856 0,0212 0,0098 0,1166 0,0214 0,1700 0,9519 0,5495 0,7968 0, incremento en % ال 1 0,1044 0,2138 0,8131 0,8791 0,0021 0,0215 0,0784 0,0843 0,0859 0,3911 0,2216 0,1765 0,1413 0,6634 0,5319 0,9436 0,9260 0,0336 0,4184 0,6863 0,0000 0,0237 0,1090 0,0364 0,0066 0,1061 0,0735 0,0602 0,6889 0,6968 0,7251 0,

13 Análisis Discriminante % Clasificación original % Clasificación validación cruzada 12 variables (F: 3,84-2,71) 98,3 (1 error) 93,3 (4 errores) 9 variables (F: 5,5-4,5) 96,7 (2 errores) 95 (3 errores) 7 variables (F: 7-6) 98,3 (1 error) 95 (3 errores) 5 variables (F: 8-7) 93,3 (4 errores) 85 (9 errores) 13

14 Análisis Discriminante % Clasificación original % Clasificación validación cruzada 8 variables (F: 3,84-2,71) 98,3 (1 error) 83,3 (10 errores) 4 variables (F: 5,5-4,5) 81,7 (11 errores) 78,3 (13 errores) 14

15 Análisis Discriminante % Clasificación original % Clasificación validación cruzada 9 variables (F: 3,84-2,71) 86,7 (8 errores) 73,3 (16 errores) 6 variables (F: 5,5-4,5) 75 (15 errores) 68,3 (19 errores) 15

16 Análisis Discriminante % Clasificación original % Clasificación validación cruzada 10 variables (F: 3,84-2,71) variables (F: 5,5-4,5) ,7 (1 error) 16

17 Análisis Discriminante % Clasificación original % Clasificación validación cruzada 11 variables (F: 3,84-2,71) variables (F: 5,5-4,5) ,7 (1 error) 17

18 Análisis Discriminante Variables seleccionadas (más discriminantes): ratio type/token (densidad léxica), y ( (و+. y., entonces (ثم) [C], pues ( (ف+ [R],..(.), " / y, frases, (puntuación y conjunciones copulativas) palabras de 2, 3 caracteres desviación estándar palabras/frases (variabilidad de longitud de frase) que (ان) (conjunción subordinativa sustantiva [ambig]) sobre (على) (preposición) estos (هو لاء) [persona masculino, R] (demostrativo) no (لا) [presente] (لم) [pasado] / frases (negación) 18

19 Análisis Discriminante 83 Distribución type/token ratio 82,65 82,45 80, ,23 78,65 78,23 78,02 78,06 76,83 76,26 75,99 75,30 74,54 74,79 75,00 73,88 73,65 73,37 72,47 71, ,90 71,51 70,68 70,63 69,60 69, , ,44 68,73 68,70 68,24 66,21 66,38 65,65 65, ,60 65,11 65,14 64,24 63, ,68 63,23 61,13 59,82 75,98 75,71 75,38 74,77 74,16 73,58 72,57 71,94 71,58 70,89 1 Medini 2 Tasi 3 Berrada 78,68 73,98 73,32 68,44 Relato Tiempo 1 Relato Tiempo 2 Crítica Tiempo 1 Crítica Tiempo 2 19

20 Conclusiones Primeros resultados positivos Escaso procesamiento Textos segmentados, sin revisar Primer grado de desambiguación Textos sin segmentar Hipótesis: Variación interautor > intraautor / intergénero» para determinadas variables Variación interautor > intertiempo 20

21 Investigación futura Más variables Desviación estándar del número de palabras por frase [EP]» comas»» conjunciones» Frecuencias de enegramas de categorías gramaticales [FL] Mayor corpus 21

22 و+ شكرا [gracias] 22