1. Introducción
Uno de los aspectos de la
investigación en lingüÃstica es el estudio del uso de la lengua en documentos
escritos; se trata de identificar y analizar la aparición de determinadas
construcciones, lo que, en gran medida, puede entenderse como una clase
particular de lo que en informática se conoce como recuperación de información.
En el ámbito de la recuperación de información se ha tenido desde siempre
conciencia de la insuficiencia de las búsquedas exacta y parcial de las palabras
de un texto, y también de la necesidad de incorporar información lingüÃstica
para una recuperación más completa. Las ya antiguas búsquedas con truncamiento
parten de la hipótesis de que las distintas formas de una palabra se componen de
una raÃz fija acompañada de un sufijo o un prefijo variables; tal hipótesis
suele ser bastante acertada para lenguas poco flexivas, pero resulta muy pobre
con lenguas muy flexivas y con altas tasas de irregularidad. Las búsquedas con
máscara, por similitud o en base a expresiones regulares no incorporan la
adecuada información sobre la naturaleza morfológica de las
palabras.
2. Antecedentes
El Grupo de Estructuras de Datos y LingüÃstica
Computacional (GEDLC, http://www.gedlc.ulpgc.es/) del Departamento de Informática y Sistemas de la Universidad de
las Palmas de Gran Canaria lleva algún tiempo desarrollando trabajos en
morfologÃa computacional, sintaxis automatizada, análisis de textos y
lexicografÃa que incluyen lematizadores y flexionadores del español, asà como el
estudio de relaciones morfoléxicas entre las palabras.
El bagaje de conocimientos acumulado y la experiencia en el
desarrollo de herramientas en el campo se ponen en este trabajo al servicio del
desarrollo de sistemas de localización de fenómenos morfológicos del español
dentro de un texto. Se ha realizado una aplicación de búsqueda lingüÃstica
aplicada a un procesador de textos popular —Microsoft
Word.
El hecho de que el diálogo "Buscar y reemplazar" de MS-Word XP ofrezca una opción llamada «Todas las
formas de la palabra» que según la ayuda de la aplicación sirve para «Buscar o
reemplazar sustantivos, adjetivos o tiempos verbales» demuestra el interés de
este tipo de búsquedas en el contexto de un procesador de textos. Pero la propia
ayuda de la aplicación hace dudar del alcance de tales búsquedas al poner
ejemplos como: «reemplace 'manzana' por 'naranja' y, al mismo tiempo,
reemplazará 'manzanas' por 'naranjas'» o «reemplace 'peor' por 'mejor' y, al
mismo tiempo, reemplazará 'el peor' por 'el mejor'»; ambos casos corresponden a
simples sustituciones de cadenas de caracteres que no requieren ningún
conocimiento lingüÃstico especial y que, de hecho, se pueden realizar sin
seleccionar la opción «Todas las formas de la palabra»; más prometedor parece el
ejemplo de los verbos: «reemplace 'dormir' por 'salir' y, al mis mismo tiempo,
reemplazará 'dormido' por 'salido'», pero el GEDLC no ha logrado verlo funcionar.
3. La herramienta desarrollada
Se ha desarrollado una
herramienta de búsqueda textual para MS-Word
que incorpora los aspectos flexivos, derivativos y prefijales entre otros
mecanismos de formación de palabras del español, lo que aporta una gran potencia
de búsqueda.
A la hora de diseñar una aplicación que permita especificar
patrones de búsqueda que tengan en cuenta aspectos flexivos y derivativos de la
lengua hay que observar una cuestión fundamental: la gran cantidad de detalles
que son susceptibles de configuración —la flexión verbal admite 116
configuraciones diferentes.
3.1 Organización
La aplicación se ha diseñado para presentar distintos
niveles de detalle. El nivel básico muestra: una caja de entrada de texto, en la
que el usuario debe introducir la palabra a buscar, un botón para iniciar la
búsqueda, otro para usar la palabra como parte de una coocurrencia, y un par de
flechas que dan acceso a mayores detalles.
Figure 1
El usuario sólo tiene que escribir una palabra y pulsar el
botón Buscar. El patrón de búsqueda que se aplicará será el que esté configurado
—por defecto corresponde a "cualquier palabra del texto que tenga una forma
canónica que coincida con alguna de las formas canónicas de la palabra de
búsqueda y que, para esa forma canónica, tenga la misma flexión".
En el siguiente nivel de detalle se pueden elegir los
grados de derivación y de flexión; se usan tres escalas independientes: una para
la derivación y otras dos para la flexión de las formas verbales y de las no
verbales.
Si el usuario requiere una recuperación más precisa
accederá al último nivel de detalle de la flexión —las relaciones morfoléxicas
continúan en un nivel paralelo—, donde se podrá modificar el patrón de búsqueda,
ampliando o recortando elecciones de flexión. Existe la posibilidad de añadir o
quitar del patrón de búsqueda prefijos y, en el caso de los verbos, pronombres
enclÃticos.
Cabe tener en cuenta las formas canónicas que correspondan
a la palabra de búsqueda o ignorarlas: por ejemplo, buscar palabras que sean
"primera persona del singular del presente de indicativo de un verbo
introducido" o, ignorando la forma canónica, "primera persona del singular del
presente de indicativo de cualquier verbo".
Eligiendo una forma canónica se accede a la interfaz de
configuración de las relaciones morfoléxicas en donde se puede indicar qué
formas relacionadas se desea incluir en la búsqueda.
Si el usuario escribe un asterisco en lugar de una palabra,
se abre la posibilidad de configurar un patrón de búsqueda por caracterÃsticas
morfogramaticales, sin determinación léxica; por ejemplo, localizar todas las
palabras que sean "sustantivos femeninos plurales" o "formas verbales del
presente de indicativo", independientemente de cualquier forma canónica.
Además de la búsqueda de palabras individuales, es posible
la localización de coocurrencias, tanto con determinación léxica, como por
caracterÃsticas morfogramaticales —lo que permite afinar la búsqueda hasta el
punto de poder situar fenómenos lingüÃsticos especÃficos, tales como: perÃfrasis
verbales, regÃmenes preposicionales y colocaciones léxicas.
4. Conclusiones
Se ha elegido MS-Word por ser, seguramente, el procesador de
textos más extendido bajo el entorno MS-Windows y disponer de interfaz COM (Component
Object Model) que facilita la interoperabilidad con otras aplicaciones. La
concepción de la herramienta en si es tal que podrÃa interactuar con otras
aplicaciones que ofrezcan interfaces COM.
De hecho, el objetivo principal consistió en cómo
configurar una interfaz que aprovechara lo motores de lematización desarrollados
por el GEDLC para realizar búsquedas que
incorporen conocimiento lingüÃstico de forma potente, usable y efectiva. La
decisión de que la herramienta desarrollada se aplicase a un procesador de
textos pretendió evitar las distracciones derivadas de problemas particulares de
otros ámbitos, tales como los de la navegación, si la herramienta se aplicaba a
realizar búsquedas en la red, por ejemplo. El siguiente paso será adaptar la
interfaz desarrollada para aplicarla a entornos más complejos que un procesador
de textos, tales como: el análisis de corpus, el estudio del uso de la lengua en
Internet, herramientas de apoyo a la enseñanza, etc. Es un proceso abordable
dada la experiencia que también posee el GEDLC
en ese campo, como se refleja en trabajos previamente publicados sobre
analizadores de páginas Web. Análogamente, la herramienta desarrollada podrÃa
aplicarse a la recuperación de información en bases de datos
textuales.