電子コーパスの自動処理において、言語情報のタグ付けを行わない「非教師あり」の新しい方法論を提示した研究書です。文字列間の組み合わせ関係、エントロピー、経済性といった量的特性を測定することで、言語対象を特定する手法を解説しています。この方法を用いると、スペイン語、マヤ語、ララムリ語などの膠着的言語において、形態論の事前知識なしに、接辞の「力」や「エネルギー」を測定することで語幹と接辞の境界を見出し、接辞形態論を発見できます。言語特性の測定は現実の単純化に過ぎないという見方もありますが、ガリレオの原則に従い、測定可能なものは測定し、まだ測定できないものも測定可能にする試みとして、量的手法は不可欠だと著者は主張します。


Description:
En el contexto del procesamiento automático de los corpus electrónicos, un método supervisado se refiere al enriquecimiento de estos recursos mediante la aplicación de etiquetas con información típicamente lingüística, de cualquier nivel del lenguaje. La ganancia adquirida contribuye al aprendizaje de cosas imprevisibles sobre los fenómenos lingüísticos y extralingüístico s que los corpus representan.

En cambio, un método no supervisado, como el que se describe en este libro, no presupone más que el corpus o muestra textual en su estado original, pero permite la generación de conocimiento lingüístico de maneras sorprendentes. Por ejemplo, el método descrito aquí busca identificar objetos lingüísticos mediante la medición de propiedades cuantitativas, como las relaciones combinatorias, entrópicas y económicas entre cadenas de caracteres.

Así, este método contribuye a descubrir la morfología afijal de lenguas concatenativas como el español, el maya o el ralámuli, sin conocimiento previo de sus morfologías, mediante medidas de una fuerza o energía imaginada de afijalidad que permiten determinar las fronteras entre lexemas y afijos.

Puede pensarse que la medición de propiedades lingüísticas implica la reducción y simplificación de la realidad al máximo. Sin embargo, para conocer verdaderamente estas propiedades, los métodos cuantitativos parecen imprescindibles, especialmente si optamos por seguir una de las reglas básicas de Galileo: medir todo lo medible e intentar hacer medible todo lo que aún no lo es.