BUSCADOR DE ORACIONES CORPUS SENSEM

Transcripción

1 BUSCADOR DE ORACIONES CORPUS SENSEM Esta herramienta se ha creado en el marco del proyecto SenSem ( En dicho proyecto se ha anotado un corpus con información sintáctico-semántica. Las frases anotadas tienen como núcleo un verbo de los 250 lemas verbales escogidos en el proyecto. El alcance de la anotación responde a los límites marcados por el sujeto y los complementos verbales y éstos no se analizan internamente. Así, si un verbo objeto de análisis es el núcleo de una oración subordinada, sólo se anota esta. Del mismo modo, si un verbo objeto de análisis rige una oración subordinada, esta se incluye en el ámbito de la anotación sin especificar su estructura interna, puesto que dicha estructura será analizada, si procede, en el ámbito del verbo núcleo de la subordinada. Con dicha herramienta se pueden consultar todas las oraciones del corpus o bien filtrarlas según los criterios de búsqueda elegidos por el usuario. En la columna de la izquierda de la pantalla del buscador aparece la estructura básica del menú para realizar las búsquedas (apartado A). En la columna de la derecha, aparecerán listadas las oraciones recuperadas por el buscador (apartado B). A. CRITERIOS DE BÚSQUEDA Como se puede observar en la figura 1, el menú de búsqueda contiene cinco secciones (Idiomas y corpus, Verbo, Oración, Participantes y Búsqueda por palabra). En cada sección hay un submenú que se despliega cuando se hace clic sobre su título, presentando sus respectivos identificadores. Para desplegar el submenú hay que colocar el cursor encima del título de la sección para que aparezca una flecha vertical con dos puntas que nos permite pinchar en el nombre de la sección. Para esconder el submenú hay que realizar la misma operación.

2 Figura 1. Menú inicial y cursor para abrir las diferentes secciones Las opciones elegidas se van acumulando para filtrar la búsqueda. Para saber si un determinado criterio se ha elegido para la búsqueda, en la cabecera de cada una de las 5 secciones mencionadas se aporta información sobre el criterio elegido. Por ejemplo, en Verbo se indica el lema del verbo elegido. Por otro lado, en Oración se visualiza un * y el número de criterios elegidos, como se puede observar en la figura 2. Figura 2. Visualización de los criterios de búsqueda seleccionados Si se quiere eliminar un criterio de búsqueda habrá que volver al menú específico de dicho criterio y elegir la opción Escoge del desplegable, que

3 indica que no hay ningún criterio elegido. Si se quieren eliminar todos los criterios de búsqueda, hay que pinchar Nueva búsqueda. Como al desplegar los diferentes submenús la sección de criterios de búsqueda puede ir aumentando sus dimensiones en el eje vertical, se presentan los botones Nueva búsqueda y Buscar tanto al inicio como al final, para facilitar la navegación al usuario. Idioma y corpus La primera opción para filtrar oraciones en el buscador consiste en seleccionar el idioma del texto y/o el fragmento de corpus que se quiere consultar. Esta etiqueta contiene dos identificadores por tanto: Idioma y Fuente. El identificador Idioma presenta las dos lenguas comprendidas en el corpus: español y catalán. En la actualidad se puede consultar sólo el español y algunas oraciones del catalán. El identificador Fuente ofrece dos opciones de registro (periodístico y literario), desglosando, en cada caso, los diarios y las obras literarias utilizados como fuente para la obtención de las frases. Para el catalán sólo se pueden consultar oraciones del corpus periodístico. El corpus está formado por un poco más de oraciones (aproximadamente palabras) recopiladas de acuerdo con los 250 verbos de uso más frecuente en español (120 oraciones como mínimo por lema verbal: 100 de registros periodísticos y otras 20 de registros literarios narrativos, ambos registros escritos) y anotadas según el comportamiento sintáctico y semántico de estos verbos en sus diversos sentidos. El corpus periodístico está constituido por frases, por tanto, compuestas por palabras aproximadamente. Las frases del corpus literario fueron extraídas de fragmentos de textos literarios de tipo narrativo de autores españoles de los siglos XX y XXI y contienen aproximadamente palabras. Hay que decir que para la confección del corpus literario se han usado fragmentos de textos recogidos en portales literarios principalmente. Para llegar a cubrir las 20 frases de cada verbo en algunos casos se ha

4 recurrido a la extracción de oraciones CREA (Corpus de Referencia del Español Actual), de la Real Academia Española. Verbo Contiene dos identificadores, Verbo y Sentido. En el identificador Verbo se relacionan los 250 verbos que se han considerado en el proyecto. El usuario dispone de 3 opciones de búsqueda en esta sección: - la elección de todos los verbos permite observar el alcance de un fenómeno lingüístico de forma general en la lengua; - la elección de un solo verbo en todos sus sentidos permite ver la distribución de un fenómeno en los sentidos de un verbo; - y, por último, la elección de un sentido único de un verbo determinado permite al usuario focalizarse en el análisis de un fenómeno para sentidos específicos. Oración Contiene información relacionada con 4 aspectos básicos de la semántica oracional: la aspectualidad, la modalidad, la polaridad y la construcción. Aspectualidad Lo relativo a la aspectualidad se encuentra reflejado en los identificadores Aspecto y Aspectualidad. En el identificador Aspecto el usuario puede elegir entre tres opciones sobre el tipo de SV. Es decir, partiendo del tipo aspectual léxico de cada sentido verbal (consultar léxico verbal), y teniendo en cuenta la cuantificación del complemento directo las posibles interpretaciones aspectuales del SV son: estado, evento y proceso. La etiqueta evento denota la idea de la presencia de un límite cuantitativo (telicidad) en la acción, mientras que la etiqueta proceso indica la ausencia de este límite. Existen verbos que léxicamente no están definidos entre proceso y

5 evento y que se delimitan según el SV. Por ejemplo: escribir1 ( comunicar ideas mediante letras o signos trazados sobre una superficie ). Este sentido no está determinado léxicamente con relación a la presencia o ausencia de límite, y por ello se actualiza en cada oración según el sintagma que lo modifique. Una oración como Lo escribí a mano y lo regalé a mis clientes ha sido anotada como evento, mientras que Ha escrito sobre el 11-M? ha sido anotada como proceso. Así, estos verbos que vienen caracterizados como proceso/evento en la base de datos léxica quedan desambiguados en el corpus. En el identificador Aspectualidad se encuentra la información de tipo aspectual que pueden aportar los diferentes elementos que comparecen en una determinada oración más allá del SV, ya sean auxiliares, desinencias verbales o determinados complementos o adjuntos. Se encuentran disponibles en este identificador las opciones relativas a los tres valores que se han tenido en cuenta para su definición: - en primer lugar, si la oración en su conjunto presenta una lectura perfectiva o imperfectiva; - en segundo lugar, si se da la lectura habitual, relativa a acciones que se presentan como reiteradas en el tiempo; - y, por último, el aspecto estativo permanente o temporal de la acción. Modalidad En la modalidad se presentan las opciones de asertividad o no de la proposición. En el caso de la no asertividad, se han especificado los siguientes subtipos: 1 - Interrogativa directa: pregunta en discurso directo - Interrogativa indirecta: pregunta en discurso indirecto - Imperativa: orden directa - Intención: propósito, como en Mañana me pongo con el tema. - Potencial: evento futuro 1 Se trata de una subespecificación en prueba y no exhaustiva.

6 o uso del modo subjuntivo en una oración subordinada (Quiere que vengas) o probabilidad (Mañana lloverá) o posibilidad de que el evento suceda en el futuro (Londres teme que, si accede a las peticiones griegas, cree un precedente), o acción futura, expresada de distintas formas, como típicamente en algunas oraciones condicionales con tiempos presentes, imperfectos de Subjuntivo, futuros y condicionales simples (Si hablas, te escucharé; Si hablara, le escucharía). - Potencial epistémico: grado de certeza (El tren sale a las 10 esta noche, si no hay retraso) de que el evento suceda en el futuro. - No potencial: uso del modo subjuntivo en oraciones subordinadas para transmitir una información conocida (No está bien que te comportes así), - No potencial epistémico: grado de certeza (Tiene que haber llegado), probabilidad (Quizás ha llegado; Debe haber llegado) o posibilidad (Puede que haya llegado) de que el evento haya sucedido en el pasado. - Imposible: uso del condicional compuesto y también de una forma compuesta de subjuntivo en una oración que hace referencia a una acción pasada (Si hubiera hablado, le habría escuchado). Polaridad Asociada a la modalidad, también se le ofrece al usuario la opción relativa a la anotación de la oración con respecto a la Polaridad, que puede ser positiva o negativa. Semántica de la construcción El usuario puede utilizar como criterio de búsqueda la distinción entre las oraciones en que el sujeto lógico coincide con el tema o tópico de la oración (construcciones denominadas típicamente activas, aunque aquí incluimos oraciones en las que no participan agentes, sino experimentadores, entre otros)

7 y las en que se topicaliza otro participante diferente al sujeto lógico, siempre que el sujeto lógico deje de tener la función de sujeto sintáctico (construcciones impersonales, antiagentivas, anticausativas y pasivas). Para el primer tipo de construcciones se ha usado el término Topicalización del sujeto lógico y para el segundo, Destopicalización del sujeto lógico. Aunque no se han tenido en cuenta todos los fenómenos relacionados con las cuestiones de tópico, se ha considerado que estos términos permitían agrupar construcciones que semánticamente están relacionadas. Tanto para los casos de topicalización del sujeto lógico como de destopicalización, se presenta un menú desplegable donde el usuario puede solicitar en cada caso la recuperación de todas las oraciones o bien diferenciar según dos criterios. En el primer tipo de topicalización, el usuario puede escoger, en primer lugar, el rol semántico del sujeto lógico topicalizado y, en segundo lugar, puede solicitar sólo los casos de reflexividad o reciprocidad. En cuanto a los casos de destopicalización, se puede elegir también, por un lado, el rol semántico del participante destopicalizado y, por otro, el mecanismo formal usado en la oración para dicha topicalización (pronominal, sintáctico o impersonal). Más abajo, el usuario también dispone de las alternativas de búsqueda relativas a las oraciones que hayan sido etiquetadas como construcción de dativo o de sujeto elidido. Participantes La sección Participantes permite realizar búsquedas específicas sobre la sintaxis y/o la forma en relación a los constituyentes de la oración. La búsqueda por participantes puede realizarse a través de cualquiera de las 4 propiedades que se han usado para anotar dichos elementos en el corpus: - rol semántico - categoría sintáctica - función sintáctica - argumentalidad

8 Cada una de estas 4 categorías presenta un menú desplegable y en las tres primeras las búsquedas se pueden realizar a distintos niveles de generalización. A título de ejemplo, la primera categoría, rol semántico, contiene una serie de etiquetas que van más allá de las contempladas en las propuestas teóricas tradicionales, dada la insuficiencia de estas. Así, a las tradicionales etiquetas agente (aplicable a los casos en que se observa voluntariedad y control, como en ordenar poner en orden ) y experimentador (aplicable a los casos en que el participante experimenta un proceso mental sin quererlo, como en lamentar) han sido añadidas etiquetas como agenteexperimentador, creada para etiquetar aquellos participantes de procesos mentales de tipo voluntario (estudiar), y el doble rol agente/causa, pensado para aquellos casos en que no sea posible desambiguar entre ambas opciones por el contexto. Además se han usado otras etiquetas relacionadas con la agentividad: agente plural (compartir), agente-destino (adquirir), agente-origen (decir) y agente-tema (objeto desplazado) (acercarse). El sistema permite solicitar oraciones con todos los roles agente, o bien sólo con el prototípico, o bien con los otros subtipos por separado. Esto mismo es aplicable a algunas categorías sintagmáticas y a algunas funciones sintácticas. Búsqueda por palabra El usuario puede optar por la búsqueda por palabra, es decir, por forma, de cualquier elemento textual del corpus. Esta sección incluye los identificadores Núcleo y Anotado, pensados para la obtención del tipo semántico de los argumentos. El identificador Núcleo sirve como filtro que permite exigir que la palabra pretendida esté anotada como núcleo del sintagma al que pertenece. Como en los casos de uso metafórico o metonímico de un constituyente se ha adoptado como criterio de anotación la marca de su núcleo con la etiqueta metafórico, el mismo identificador Núcleo también ofrece la opción de búsqueda a las palabras anotadas con sentido metafórico o metonímico.

9 El identificador Anotado permite descartar de la búsqueda aquellas palabras que pertenecen a los contextos de las oraciones anotadas, restringiendo la búsqueda, por tanto, a las formas contenidas en estas mismas oraciones. Por último, existe la posibilidad de que la búsqueda por palabras no sea exacta. Para ello se puede usar el comodín *, que puede ser añadido a cualquier palabra o fragmento de palabra para que el buscador liste las frases que contienen la forma solicitada y las posibles terminaciones asociadas a esta forma. Por ejemplo, la instrucción cas* permite la búsqueda de casa, casas, caso, etc. B. RESULTADOS DE LAS BÚSQUEDAS Una vez realizada solicitud de búsqueda, los resultados se despliegan en el marco derecho de la pantalla de la interfaz obedeciendo al orden alfabético de los verbos a los que las frases están asociadas en el corpus. Presentamos la figura 3 como ejemplo del resultado de una búsqueda realizada sobre todos los verbos del corpus en relación a las oraciones de polaridad negativa. Cada pantalla o página aporta un máximo de 120 frases. La cantidad de frases que han resultado de la búsqueda viene indicada al principio de la página, debajo del título Resultados. En la misma línea, pero en el extremo derecho se indican cuántas páginas ocupan los resultados de la búsqueda y un menú para ir desplazándose a cada una de ellas. Debajo se presentan los lemas verbales y se indica para cada lema cuántos de los sentidos de dicho lema se incluyen entre los resultados de la búsqueda. A continuación se presentan dichos sentidos identificados con el número de sentido y la definición. En la misma línea pero en el extremo derecho se indica también cuántas frases responden a los criterios de búsqueda del total de oraciones de cada sentido en el corpus. A continuación se listan las frases de cada sentido. Cada frase aparece precedida de su identificador, que es el localizador de la misma en la base de datos. En cada frase, el verbo, que es el núcleo del segmento u oración

10 anotada, aparece en negrita. Para todas las frases se puede visualizar la anotación, así como solicitar más información, para obtener el contexto y la fuente. Si se quieren visualizar todas las anotaciones de todas las oraciones de la página que se está consultando, en el extremo superior derecho aparece esta opción, que sirve también para ocultar a la vez todas las anotaciones. Figura 3. Ejemplo de visualización de resultados