Avaliación dun etiquetador automático estatístico para o galego actual: Xiada

Abstract

Neste traballo avaliamos, dende o punto de vista lingüístico, un etiquetador automático estatístico, desenvolto conxuntamente polo Centro Ramón Piñeiro para a Investigación en Humanidades e o Grupo COLE das Universidades de Vigo e A Coruña, destinado a etiquetar os documentos do Corpus de Referencia do Galego Actual co obxecto de proporcionar recursos e ferramentas para a análise lingüística computacional do galego actual.

Corpus y construcciones: perspectivas hispánicas

“…O CORGA está etiquetado automaticamente na súa totalidade co Etiquetador do galego actual XIADA, ferramenta desenvolta conxuntamente entre o Centro Ramón Piñeiro para a investigación en humanidades e o grupo COLE das universidades da Coruña e Vigo. 17 Trátase dun etiquetador estatístico baseado nos modelos de Markov de grao 2 que se alicerza nuns recursos lingüísticos, descritos polo miúdo en Domínguez (2013), dos que deseguido imos ve-las características máis salientables.…”

“…O sistema XIADA. Gráfico elaborado a partir de Domínguez (2013) No lexicón intégrase a información morfosintáctica que lle corresponde a cada unidade gramatical simple illada no texto, sen incluí-las contraccións ou conglomerados de forma verbal e enclíticos, cuxo recoñecemento se produce por outro lado. Así pois, no lexicón non se recollen, por exemplo, os alomorfos lo e no do pronome de terceira acusativo, xa que estes se amalgaman sempre a outras unidades, pero si a primeira forma o. É no lexicón xa que logo onde se indica que amable é un adxectivo no que non aplica o grao, que presenta tres valores para o atributo xénero, como viamos máis arriba, e que forma o plural engadindo -s. Agora ben, cómpre precisar que no lexicón non existen formas, estas xéranse a partir da información que nel introducimos.…”

“…De este enriquecimiento es de lo que trata este trabajo. Como señalan Graña (2000) y, siguiendo su senda, Domínguez (2013 y García (2014), en la anotación morfosintáctica de corpus con un etiquetador morfosintáctico probabilístico hay que tener en cuenta el tamaño y la calidad del corpus de entrenamiento (a mayor tamaño y mejor calidad, mejor aprendizaje del modelo), el conjunto de etiquetas y el diccionario. En el apartado 2 nos referiremos a la anotación empleada en ESLORA para estos tres elementos.…”