Métodos Esenciales de Anotación de Corpus para Procesamiento del Lenguaje Natural (NLP)

Tipos de Anotación Lingüística en Corpus

2. Lematización

Este tipo de anotación está íntimamente ligada a la identificación de partes de la oración (el proceso anterior). Consiste en la reducción de las palabras de un corpus a sus respectivas formas básicas (entradas o lemas que aparecen normalmente en un diccionario).

El lema está formado por las variantes flexivas de esa palabra. Por ejemplo:

• Lema: amar
• Formas flexivas incluidas: amo, amas, amó, etc.

Se trata de un tipo de anotación especialmente importante para la lexicografía y los estudios de vocabulario. Si el corpus está lematizado, el usuario puede examinar todas las variantes de una palabra de una vez sin necesidad de buscar explícitamente una por una, así como extraer toda la información sobre frecuencia y distribución.

3. Anotación Sintáctica o Parsing

El etiquetado gramatical y la lematización son solo una parte de una empresa mayor: el análisis sintáctico o parsing de un corpus. De un corpus analizado sintácticamente es posible recuperar información más abstracta que no puede especificarse en términos de palabras o clases léxicas. Esta información se refiere a la estructura interna de las oraciones, incluyendo:

• Frases y cláusulas.
• Constituyentes (frases nominales, adjetivas, adverbiales, preposicionales).

El etiquetado sintáctico es la forma más común de anotación después de la categorial y es especialmente útil en la mayoría de aplicaciones del Procesamiento del Lenguaje Natural (PLN).

Tipos de Parsing

El parsing puede ser de dos tipos, dependiendo del nivel de detalle que se alcance:

1. Full parsing: Análisis detallado.
2. Skeleton parsing: Análisis menos detallado.

4. Anotación Semántica

Asigna etiquetas que tienen que ver con las relaciones semánticas que existen entre los elementos de un enunciado.

5. Anotación Anafórica

Consiste en la identificación de los referentes de las expresiones anafóricas, tales como pronombres, frases nominales, etc. Es decir, en la determinación de qué elementos de un texto aluden al mismo referente (correferencia), hecho de suma importancia para la cohesión de los textos.

6. Otros Tipos de Anotación

Es posible también anotar otro tipo de informaciones lingüísticas en un corpus, dependiendo de la finalidad de la investigación:

• Anotación pragmática: Marca los actos de habla que aparecen en diálogos.
• Anotación estilística: Identifica los rasgos de estilo de textos literarios.
• Anotación de errores: Presente en corpus formados por textos de aprendices de una lengua extranjera.
• Anotación fonética y prosódica: Solo en corpus orales.
• Anotaciones específicas: Diseñadas para marcar un fenómeno muy concreto, según la necesidad del proyecto.