LINGUISTICA COMPUTACIONAL

Autor: OLIVER GONZÁLEZ ANTONIO.
Año: 2003.
Universidad: BARCELONA [www.ub.es].
Centro de lectura: FOLOLOGÍA.
Centro de realización: UNIVESTAT DE BARCELONA.

Resumen: En esta tesis se presentan deversas metodologías de adquisición automática de información léxica y morfosintáctica y de aprendizaje no supervisado de la morfología a partir de corpus sin anotar.Las metoddología que presentamos se han probado para dos lenguas eslavas:el ruso y el croata;lenguas que se caracterizan por tener una morfología rica y de tipo predominantemente concatenativo.Esta caracteristica se ha aprovechado en el diseño de los algoritmos, que se pueden adaptar fácilmente para funcionar para otras lenguas que presenten una morfología relativamente rica y cuyos principales procesos morfologícos, ya sean sufijales o prefijales, se puedan describir de una manera concatenativa. Se ha realizado una evaluación exhaustiva de las metodologías presentadas y se ha demostrado que funcionan muy satisfactoriamente para estas lesguas.El hecho que funcionen de corpus sin anotar hace que sean muy interesantes para la creación de nuevos recursos léxicos o para la ampliación de recursos existentes. Los algoritmos presentados en este trabajo pueden utilizar Internet para buscar información no presente en el corpus, lo que supone que se puedan aplicar los procesos sin la necesidad de recopilar corpus de gran tamaño.

Autor: AMARO DE MELO BIANCA.
Año: 2003.
Universidad: POMPEU FABRA [www.upf.edu].
Centro de lectura: INSTITUTO UNIVERSITARIO DE LINGÚISTICA APLICADA.
Centro de realización: UNIVERSIDAD POMPEU FABRA.

Resumen: Presenta, a partir de las bases teóricas de la Teoría Comunicativa de la Terminología , una propuesta de modelo de construcción y gestión de un banco de datos terminológicos para el Mercado Común del Sur. Para llegar a la formulación de la referida propuesta de modelo fueron analizadas las diversas recomendaciones existentes en la literatura sobre el tema, como también la situación de formación de las lenguas de los países miembros del MERCOSUR y la situación comunicacional de dicho Mercado Común. Se presenta también una propuesta de formato para la entrada e intercambio de datos teminológicos , las características que el sistema propuesto en el modelo debe tener , y la evaluación de viabilidad de realización de cada etapa de su construcción.

Autor: SOROA ECHAVE AITOR.
Año: 2004.
Universidad: PAÍS VASCO [www.ehu.es].
Centro de lectura: FACULTAD DE INFORMATICA.
Centro de realización: FACULTAD DE INFORMATICA.

Resumen: En esta tesis se propone construir un sistema de integración de recursos léxicos. En esta propuesta la autonomía e los recursos integrados es muy amplia, es decir, los recursos integrados no deben camibar su diseño en ningún sentido para tomar parte en nuestro sistema. Así, decimos que las fuentes léxicas integradas tienen "vida propia". De hecho, las fuentes léxicas pueden no "saber" que están siendo integradas. Nuestra propuesta de integración se basa en un modelo general de representación de información léxica, llamado Modelo Conceptual Global (MCG). El MCG cumple dos funciones principales en el sistema. Por un lado, garantiza la comunicación con el usuario; así, el usuario utilizará los conceptos y relaciones del MCG para representar sus consultas. Por otro lado, el MCG será el esquema general sobre el cual se integrarán las distintas fuentes léxicas del sistema: Cada esquema de los recursos integrados se relacionará con el MCG a través de reglas semánticas de integración. En esta tesis se presenta ELHISA (Ezagutza Lexikal Heterogeneoen Integrazio Sistema, Sistema de Integración de Conocimiento Léxico Heterogéneo). Por medio del sistema ELHISA, el usuario ---ya sea un usuario humano o una aplicación de TLN--- conseguirá acceder a recursos léxicos diferentes de una manera unificada. Para ello, mandará una consulta al sistema, y éste se encargará de enviarla a las fuentes léxicas integradas (previamente la consulta original se traduce a los esquemas de cada una de las fuentes relevantes para responderla), recibir las respuestas de éstas, y presentar finalmente una respuesta unificada al usuario.

Autor: LERSUNDI AYESTARAN MIKEL.
Año: 2004.
Universidad: PAÍS VASCO [www.ehu.es].
Centro de lectura: FACULTAD DE CIENCIAS SOCIALES Y DE LA COMUNICACION.
Centro de realización: FACULTAD DE FILOLOGIA, GEOGRAFIA E HISTORIA.

Resumen: Ezagutza-base lexikala eraikitzeko Euskal Hiztegiko definizioen azterketa sintaktiko-semantikoa. Hitzen arteko erlazio lexiko-semantikoak: definizio-patroiak, eratorpena eta postposizioak. Tesi hau Euskararen Ezagutza-Basea eraikitzeko lehen urratsa da. Urrats honetan euskarazko hiztegi elebakarra aztertu dugu (Euskal Hiztegia; Sarasola, 1996) eta bertan dauden hitzen arteko erlazio lexiko-semantikoak erauzi ditugu. Hitzen arteko erlazioak markatzeak testu laburpenak, itzulpen automatikoa, eta abar, egitea erraztuko ditu. Erlazioak erauzteko hiztegian agertzen diren definizio-patroiak aztertu ditugu sarrera-hitza eta definizioan agertzen diren hitzen arteko erlazioak ezagutzeko. Baina ez dira horiek atera ditugun erlazio bakarrak. Definizio barruko hitzen arteko erlazioak zehaztu ditugu, eta horretarako definizioan dauden patroi lexikalak eta hitzen arteko loturak gauzatzen dituzten postposizioak aztertu ditugu. Lan hau beste hizkuntzetako hiztegietan agertzen diren definizioekin lotu dugu, eta, beraz, espainierazko eta ingelesezko preposizioen azterketa egin behar izan dugu. Horretarako Marylandeko unibertsitatean garatutako preposizioen Egitura Lexiko Kontzeptualak (LCS) erabili ditugu. Eratorpena ere landu dugu eta hitz eratorria dagoenean, eratorri horren eta oinarriren arteko erlazioa zehazten saiatu gara. Análisis léxico-semántico del diccionario Euskal Hiztegia para la construcción de una Base de Conocimiento. Relaciones léxico-semánticas entre palabras: patrones definitorios, derivación léxica y postposiciones. Esta tesis es el primer paso en la construcción de una Base de Conocimiento del euskara. Para ello, hemos analizado el diccionario monolingüe Euskal Hiztegia (Sarasola, 1996) y hemos extraído las relaciones léxico-semánticas que existen entre las palabras que aparecen en el diccionario. Marcar las relaciones que hay entre palabras, es un paso importante para poder realizar resúmenes de textos, traducción automática y demás en euskara. Para extraer las relaciones léxico-semánticas que aparecen entre las palabras de las definiciones y las entradas léxicas, hemos analizado los patrones definitorios utilizados en el diccionario. Pero no han sido esas las únicas relaciones que hemos extraído. También hemos extraído las relaciones existentes entre las palabras que forman la definición, y para ello hemos analizado los patrones lexicales y las postposiciones que sirven para unir las diferentes palabras. Hemos conectado este trabajo con definiciones de diccionarios monolingües del inglés y del español, y para ello hemos estudiado las preposiciones de estas dos lenguas. Para este estudio, hemos utilizado las Estructuras Léxico Conceptuales (LCS) desarrolladas en la universidad de Maryland para describir las preposiciones del inglés y del español. Otro punto de investigación ha sido la derivación léxica. Cuando una entrada es una palabra derivada, hemos relacionado la entrada léxica y su raíz gracias a la definición.

Autor: MARTINEZ IRAOLA DAVID.
Año: 2004.
Universidad: PAÍS VASCO [www.ehu.es].
Centro de lectura: FACULTAD DE INFORMATICA.
Centro de realización: FACULTAD DE INFORMATICA.

Resumen: Tesi-lan honetan Lengoaia Naturalaren Prozesamenduan (LNP) garrantzia handia duen Hitzen Adiera Desanbiguazioa (HAD) landu da. Zabalki, eta ikuspegi desberdinetatik aztertua izan den arazo honen aurrean, gure ekarpen nagusia desanbiguazio sistema gainbegiratuen azterketa sakona izan da, beraien mugak aztertuz eta konponbideak proposatuz. Sistema gainbegiratuek, eskuz landutako adibideak (hau da, pertsonek gainbegiratutakoak) behar dituzte beraien ereduak algoritmo estatistikoekin ikasteko. Metodo hauek dira azken urteetan hedatu diren ebaluazio-saioetan emaitza onenak lortzen dituztenak hizkuntza guztietarako. Gure lanean, bereziki ondorengo gaiak jorratu ditugu: testuinguruaren errepresentazio aberatsak, datu sakabanaketaren arazoa konpontzeko "leuntze" teknikak, automatikoki adibideak lortzeko metodoak, eta HAD sistemen garraiotasun arazoak.

Autor: FARRERES DE LA MORENA JAVIER.
Año: 2004.
Universidad: POLITÉCNICA DE CATALUÑA [www.upc.edu].
Centro de lectura: DEPARTAMENTO LLENGUATGES I SISTEMES INFORMÁTICS.
Centro de realización: EDIFICI C6 CAMPUS NORD.

Autor: Rodríguez Penagos Carlos.
Año: 2004.
Universidad: POMPEU FABRA [www.upf.edu].
Centro de lectura: Departamento de Traducción y Filología.
Centro de realización: Departamento de Traducción y Filología.

Resumen: Este trabajo presenta un estudio empírico del uso y función del metalenguaje en el conocimiento científico experto y los lenguajes de especialidad en lengua inglesa, con especial atención al establecimiento, modificación y negociación de la terminología común del grupo de especialistas de cada área. Mediante enunciados discursivos llamados Operaciones Metalingüsticas Explícitas se formaliza y analiza el carácter dinámico de las estructuras conceptuales científicas y los sublenguajes que las vehiculan. Por otro lado, se presenta la implementación de un sistema automático de extracción de información metalingüstica en textos de especialidad. El sistema MOP (Metalinguistic Operation Processor) extrae enunciados metalingüsticos y definiciones de documentos especializados, utilizando tanto autómatas de estados finitos como algoritmos de aprendizaje automático. El sistema crear bases semi-estructurades de información terminológica llamadas Metalinguistic Information Databases (MID), de utilidad para la lexicografía especializada, el procesamiento del lenguaje natural y el estudio empírico de la evolución del conocimiento científico, entre otras aplicaciones.

Autor: NICA MIHAELA IULIANA.
Año: 2004.
Universidad: BARCELONA [www.ub.es].
Centro de lectura: FACULTAD DE FILOLOGÍA.
Centro de realización: FACULTAD DE FILOLOGÍA UNIVERSIDAD DE BARCELONA.

Resumen: La Desambiguación Semántica Automática (DSA) es una cuestión abierta dentro del área del Procesamiento del Lenguaje Natural. En la presente tesis, se estudian modalidades concretas para la incorporación de conocimiento lingüistico en el proceso de DSA, con el objetivo de mejorar la calidad de la terea. Se propone una nueva estrategia de desambiguación de las palabras no aisladas, sino integradas en patrones léxico sintácticos. Esta integración permite la extración de información paradigmática y antagmática relacionada con una ocurrencia ambigna dada a partes del corpus. En paralelo, se deriva a partir de EnoWodnet una nueva fuente léxica, Discrimadores de Sentido y se define en relación con ésta un nuevo algorítmo de DSA, Pueba de Conmutabilidad. La aplicación de este último algoritmo y del algoritmo de la Marcas de Especficita sobre la información precisamente extraída del corpus lleva a u n sistema de DSA con varias heurísticas. Los resultados obtenidos en la experimentación (una precisión de aproximadamente 95%) indican que el enfoque adoptado es idóneo para mejorar el nivel de la tasa de DSA. La tesis abre una nueva línea de investigación en DSA.

Autor: ALONSO ALEMANY LAURA.
Año: 2004.
Universidad: BARCELONA [www.ub.es].
Centro de lectura: FACULTAD DE FILOLOGÍA.
Centro de realización: FACULTAD DE PSICOLOGÍA (UNIVERSIDAD DE BARCELONA).

Resumen: En esta tesis se trata el problema se resume automático desde una perspectiva lingüstica. Se muestra que muchas aproximaciones satisfactorias al problema la abordan mediante caracteristicas generales de los textos. La tesis muestra que algunos propiedades generales de la organización discursiva de los Textos se pueden edentificar a nivel superficial, que aportan evidencia objetiva para las teorías sobre la organzación de los textos y que son útiles para mejorar aproximaciones existentes al resumen automático. Para mostrar esta oseveración, he identificado y sistematizado claves dsicursivas relevanes y he validado su utilidad empiricamente.

Autor: GALLARDO PEREZ CAROLINA.
Año: 2005.
Universidad: POLITÉCNICA DE MADRID [www.upm.es].
Centro de lectura: FACULTAD DE INFORMATICA.
Centro de realización: FACULTAD DE INFORMATICA UNIVERSIDAD POLITECNICA DE MADRID.

Resumen: La aproximación más tradicional a la formalización y tratamiento del conocimiento lingüstico se ha basado en las gramáticas formales derivadas de teorías lingüsticas. Sin embargo, las necesidades de sistemas de PLN para aplicaciones reales han descubierto las deficiencias que soportan los sistemas basados en teorías lingüsticas. Estas son aptas para crear herramientas de investigación teórica, pero inadecuadas para el diseño de sistemas orientados a la aplicación real, debido a la excesiva rigidez que el marco teórico de una teoría lingüstica impone sobre el conocimiento lingüstico. Las teorías lingüsticas no son el único "conocimiento" que la lingüstica proporciona. Las gramáticas descriptivas, aunque no están orientadas a un uso computacional, ofrecen una descripción del uso de la lengua provista de una mayor cobertura de conocimiento gramatical a pesar de su menor grado de formalización. Debido a este menor grado de formalización, el PLN ha dirigido sus trabajos a los modelos más directamente computables, los derivados de las gramáticas teóricas en detrimento de gramáticas de tipo descriptivo mucho más orientadas a los datos obtenidos por observación que a la aplicación computacional, de manera que el cúmulo de conocimiento gramatical contenido en una gramática descriptiva queda obviado. En este contexto, se ha orientado este trabajo tomando como objetivo la definición de un modelo que permita educir el conocimiento de la lengua española contenido en la mayor obra de referencia hasta el momento: la "Gramática Descriptiva de la Lengua Española" (GDLE) de la Real Academia Española, y representarlo de una manera computable de forma independiente de su aplicación final. Para ello se ha realizado un análisis profundo desde la fuente (GDLE) -mediante el uso de metodologías de ingeniería del conocimiento- modelizando sus contenidos por medio de una representación de conocimiento basada en un modelo estático (objetos y clases) y un modelo dinámico (reglas, operaciones y procesos). Es decir, se ha seguido un método de desarrollo de Sistemas Basados en el Conocimiento para educir el conocimiento desde una gramática descriptiva. Esta representación es la única que puede garantizar que el modelo sea útil y mantenible por sus características de modularidad, haciéndolo muy escalable (lo que permitiría su aumento de cobertura lingüstica con mucha facilidad) y también reversible, es decir, que las reglas no dependan de la dirección del flujo de los grandes procesos básicos de análisis y de generación de lengua. Los distintos procesos involucrados se han agrupado en unas unidades funcionales (Léxico, Sintáctico y Semántico) que han sido la base de la definición de una arquitectura computacional propia de los sistemas distribuidos, como es la pizarra. El modelo definido se ha experimentado mediante un conjunto de casos de prueba orientados a garantizar la cobertura lingüstica definida en las hipótesis de trabajo y también la corrección del modelo sobre todo en lo que a la reversibilidad se refiere. Este modelo no tiene precedente en la lengua española, lo cual abre una nueva línea de trabajo que permite desarrollar gramáticas computables con gran facilidad. Asimismo el modelo es exportable a otras lenguas ya que incluso la arquitectura y las estructuras del modelo son lo suficientemente elásticas como para permitir una adaptación rápida y coherente (salvo en el proceso de extracción de conocimiento) a las mismas.

Autor: DÍAZ GARCÍA MARÍA TERESA.
Año: 2005.
Universidad: SANTIAGO DE COMPOSTELA [www.usc.es].
Centro de lectura: FACULTAD DE FILOLOGÍA.
Centro de realización: FACULTAD DE FILOLOGÍA.

Resumen: Los avances en la sociedad de la información se manifiestan en el uso cada vez mayor de nuevas tecnologías para comunicarse y obtener información de todo tipo, incluida la lingüstica. Deriv@ -el resultado de esta tesis- es un sistema de aprovechamiento inteligente de esta. Los datos gestionados por esta aplicación tienen que ver con la morfología derivacional, pues la palabra derivada es el punto de partida de las relaciones establecidas con otros elementos lingüsticos. Deriv@ es una base de datos lingüsticos con dos modelos de representación, uno para las palabras castellanas formadas por el procedimiento de la derivación y otro para las correspondientes palabras latinas. Ofrecemos un corpus analizado gramaticalmente, -desde los puntos de vista sincrónico y diacrónico- para realizar consultas personalizada según los intereses del usuario y que nos permita la creación de un diccionario de palabras derivadas. Deriv@ permite y facilita el acceso sin restricciones a la información contenida en las dos bases de datos. El modelo resulta válido para cualquier forma derivada del español (o de otras lenguas románticas), y -en su versión para entorno Web- deja abierta la posibilidad de acceso en tiempo real a cualquier usuario, que podrá interactuar con el sistema y contribuir a su perfeccionamiento. (www.derivar.com).

Autor: SERNA NOCEDAL AINHOA.
Año: 2005.
Universidad: MONDRAGÓN UNIBERTSITATEA [www.mondragon.edu].
Centro de lectura: MONDRAGON GOI ESKOLA POLITEKNIKOA.
Centro de realización: MONDRAGON GOI ESKOLA POLITEKNIKOA MONDRAGON UNIBERTSITATEA.

Resumen: Impulsado por el esfuerzo de los fabricantes de SGBD en unificar el mundo de los datos y la gestin del contenido, los SGBD's existentes han añadido soporte para XML, en paralelo se han desarrollado sistemas nativos en XML denominados NXD (Native XML Database) ambos en la industria y en el ámbito académico. El estudio comparativo de rendimiento de estos enfoques tiene un relevante interés científico. En los experimentos llevados a cabo se han identificado varios criterios para evaluar estas diferentes soluciones a través del desarrollo de un Benchmark, que implementa diferentes métricas para medir el rendimiento de todas las aplicaciones con datos en formato XML. Se han estudiado cuatro criterios claves que son: la relevancia, la portabilidad, la escalabilidad y la simplicidad.

Autor: GUERRICAGOITIA ARRIEN JON KEPA.
Año: 2005.
Universidad: MONDRAGÓN UNIBERTSITATEA [www.mondragon.edu].
Centro de lectura: MONDRAGON GOI ESKOLA POLITEKNIKOA.
Centro de realización: MONDRAGON GOI ESKOLA POLITEKNIKOA MONDRAGON UNIBERTSITATEA.

Resumen: En el año 2001, la industria del software auspiciada por la W3C, acuerda las bases de un modelo de comunicación entre aplicaciones heterogéneas en Internet, denominada Web Service. Los fabricantes proclaman qeu va a transformar la industria, enfatizando los aspectos de una tecnología de futuro e ignorando las limitaciones e inconvenientes. Esta es la razón para investigar la realidad de esta nueva paradigma tecnológico. La contribución principal es guiar el proceso de adopción tecnológico en el contexto de investigación, que está formado por las empresas relacionadas con Mondragón Unibertsitatea. Para tal fin, se investiga en este orden la tecnología, su aplicabilidad e interoperabilidad.

Autor: MELERO NOGUÉS MARÍA TERESA.
Año: 2005.
Universidad: POMPEU FABRA [www.upf.edu].
Centro de lectura: INSTITUTO UNIVERSITARIO DE LINGÒÍSTICA APLICADA.
Centro de realización: INSTITUTO UNIVERSITARIO DE LINGÒÍSTICA APLICADA.

Resumen: Esta tesis describe una gramática de generación sintáctica, que combina reglas escritas a mano y técnicas de aprendizaje automático. Esta gramática pertenece a un sistema de Traducción Automática de calidad comercial desarrollado en Microsoft Research. La primera parte de la tesis describe la gramática, así como las estrategias lingüsticas que subyacen a las reglas. El uso real del sistema de TA en situaciones cotidianas exige del Generador un alto grado de robustez, que se resuelve añadiendo a éste un módulo de pregeneración. Este módulo es capaz de garantizar la integridad de la entrada, sin necesidad de incorporar elementos ad-hoc en las reglas de la gramática. En la segunda parte exploramos el uso de los clasificadores de árboles de decisión para aprender automáticamente una de las operaciones que tiene lugar en el módulo de pregeneración, en concreto la selección léxica del verbo copulativo en castellano (ser o estar). Demostramos que es posible inferir con gran precisión, a partir de ejemplos, los contextos de este fenómeno lingüstico no trivial.

Autor: MARTÍN IGLESIAS JOAQUÍN.
Año: 2006.
Universidad: NACIONAL DE EDUCACIÓN A DISTANCIA [www.uned.es].
Centro de lectura: FILOLOGÍA.
Centro de realización: UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA.

Resumen: La presente Tesis Doctoral se basa en la investigación sobre la adquisición de vocabulario en una segunda lengua, su actualización con el uso de la multimedia y TICS en el aula de inglés de secundaria, análisis de software para dichos fines, desarrollo de un protocolo coherente para el diseño de actividades multimedia educativas, diseño de dichas actividades y experimentación sobre adquisición léxica, retención a corto y largo plazo de vocabulario en inglés como lengua extranjera, motivación y diferentes variables que afectan a dichos procesos. Los resultados obtenidos, aunque no universalizados por el número de participantes, muestran cómo el uso de multimedia favorece la creación de una adquisición natural, creación de esquemas léxicos mentales efectivos, integración del nuevo vocabulario en el conocimiento previo y su posterior uso en la creación y comprensión lingüstica del alumno.

Autor: ZAMORANO MANSILLA JUAN RAFAEL.
Año: 2006.
Universidad: COMPLUTENSE DE MADRID [www.ucm.es].
Centro de lectura: FILOLOGÍA.
Centro de realización: FILOLOGÍA.

Resumen: Esta tesis ofrece un análisis contrastivo de los sistemas de tiempo y aspecto del inglés y el español. El análisis se basa en un estudio de corpus (CREA para el español y BNC para el inglés) y sigue los principios de la gramática sistémico-funcional. Los resultados de dicho análisis fueron aplicados posteriormente a la creación de recursos lingüísticos para la generación automática de tiempo y aspecto en oraciones de los dos idiomas mediante el generador KPML-