pagina principal DTIL

• PREFACIO
• ÍNDICE

TERMINOLOGÍA Y FRASEOLOGÍA

M. Teresa Cabré, Rosa Estopà, Mercè Lorente

1.- Introducción

La selección de terminología para la elaboración de un glosario especializado se encuentra en la etapa de extracción o vaciado terminológicos de la documentación ante cuatro problemas cruciales. El primer problema lo constituyen los criterios que deben usarse para determinar si una unidad es o no terminológica (criterio de especificidad temática). El segundo problema es saber si las unidades consideradas terminológicas son propias o no de un campo especializado (criterio de atribución de ámbito). La tercera cuestión consiste en establecer los criterios que permitan determinar si las unidades que aparecen en la documentación de trabajo son o no pertinentes para un determinado vocabulario (criterio de pertinencia). El cuarto problema lo constituye saber delimitar el segmento formal que corresponde a una unidad terminológica, o dicho de otro modo, establecer cuál es su forma lingüística; esta no ofrece dudas en el caso de unidades simples o sintagmáticas altamente específicas, pero provoca una gran confusión ante unidades semiespecíficas de forma sintagmática (criterio de delimitación).

Si bien estos problemas han sido planteados constantemente por la terminología, o mejor por la terminografía, la automatización del trabajo terminológico los ha puesto nuevamente sobre la mesa por una motivación exclusivamente práctica: para realizar extracción automática de terminología es necesario que el ordenador posea unos criterios absolutamente explícitos que le permitan realizar cuatro operaciones sobre los términos: reconocerlos, seleccionarlos, delimitarlos y representarlos.

En nuestro trabajo, basándonos en materiales obtenidos de un corpus textual del ámbito jurídico-administrativo, nos proponemos, a título experimental, varios objetivos. En primer lugar, queremos presentar una tipología estructural de las unidades terminológicas centrándonos en la definición de unidad terminológica de carácter sintagmático, que, siguiendo a Corbin (1994), consideraremos que es una unidad polilexemática. En segundo lugar, nos proponemos discutir brevemente la problemática frontera entre unidad terminológica polilexemática lexicalizada, sintagma de discurso y unidad fraseológica especializada, para proponer algunos criterios que un sistema automático pueda utilizar para distinguir entre unidades sintagmáticas libres, de un lado, y unidades sintagmáticas fijadas, de otro; y, dentro de estas últimas, llegar a establecer características que nos permitan diferenciar las unidades sintagmáticas totalmente fosilizadas (en todos los casos, correspondientes a términos), de aquellas concurrencias de alto grado de frecuencia, que suelen corresponder a fraseologismos. Estos criterios se establecen a partir del análisis de materiales extraídos del corpus de lenguajes especializados que está desarrollando nuestro Instituto y se inscribe en la línea de investigación sobre Terminología.

La estrategia de trabajo que seguimos se basa, dentro del ámbito de la lingüística aplicada, en la relación entre descripción y aplicación; en esta línea, partiendo de la observación directa de los datos lingüísticos aportados por el corpus textual seleccionado, hemos establecido y aplicado criterios de detección y análisis, sirviéndonos de herramientas informatizadas que se proponen explorar los textos. Nuestra aportación pretende abordar el problema del reconocimiento automático de unidades terminológicas a partir de criterios de naturaleza distinta: cuantitativos y estructurales; en concreto nos proponemos explicitar estos criterios que servirán de base a nuestra futura experimentación en el campo de la extracción automática de terminología.

2. Criterios terminológicos y competencia

En la elaboración de terminología, como se ha dicho en el punto anterior, los terminólogos se encuentran ante cuatro problemas a resolver:

La resolución de todas estas cuestiones, sin embargo, no puede llevarse a cabo de manera global, ya que la competencia requerida para abordarlas es diversa para cada una, y el conjunto de competencias necesarias no siempre coincide en el mismo tipo de especialista.

Ciertamente, si analizamos los dos primeros problemas observamos que mientras que el reconocimiento de los términos de un ámbito de especialidad es una tarea que sólo pueden resolver de manera directa los especialistas en la materia, la atribución a su ámbito de origen (noción distinta al reconocimiento de cada uno de los términos usados en un ámbito determinado) no puede ser resuelta por ellos, por cuanto no poseen conocimientos suficientes de todas las áreas de especialidad. Pueden identificar las unidades especializadas de su dominio, pero no las unidades de valor terminológico que pertenecen a dominios ajenos.

Paralelamente, una situación parecida se produce cuando un especialista intenta resolver las dos últimas cuestiones: considerar la pertinencia de un término para un vocabulario y delimitar las unidades complejas. Para resolver el primer caso, sólo alguien formado en metodología terminológica que sepa aplicar adecuadamente los principios de caracterización de un vocabulario (tema, destinatarios, funciones y funcionalidades) podrá definir si una unidad (independientemente del hecho de que sea originaria de uno u otro ámbito) debe formar parte de la nomenclatura de un diccionario especializado, ya que sólo los objetivos y características generales de un producto terminológico deben condicionar la selección de las unidades que este debe contener.

En lo que se refiere a la cuarta cuestión, para establecer los límites del segmento que corresponde a un término de estructura sintagmática, la competencia en el tema es una condición necesaria para el reconocimiento de su carácter de término, pero no es una condición suficiente. En efecto, en los ámbitos especializados, más técnicos que científicos, observamos que aparecen muy frecuentemente combinaciones lexemáticas que corresponden a descripciones de conceptos; estas combinaciones a veces forman una unidad terminológica y otras son paráfrasis de dichas unidades. En estos casos, sólo un buen conocimiento lingüístico de las estructuras possibles y probables de cada ámbito especializado podrá ayudar a diferenciar las unidades terminológicas de las simples combinaciones de discurso que las describen, y que representan, grosso modo, su definición. Serán también los criterios gramaticales los que decidirán más explícitamente el segmento exacto que corresponde a una unidad terminológica. Finalmente, en la difícil frontera entre un término de estructura sintagmática y una combinación con un alto valor de aparición, sólo los criterios cuantitativos, los formales, aducidos por el análisis lingüístico, y el reconocimiento por la competencia permitirán establecer diferenciaciones con un cierto rigor y precisión.

3. Las unidades polilexemáticas

Las unidades lingüísticas formadas por más de un lexema son las unidades que realmente suponen un problema para los diseñadores de programas automáticos o semiautomáticos de extracción de terminología. En efecto, estos programas no tienen suficientes criterios para seleccionar por una lado, las unidades polilexemàticas de los fragmentos de discurso, y del otro las unidades terminològicas polilexemáticas de la fraseología especializada.

En este trabajo, partimos del supuesto que las cadenas sintácticas se pueden dividir en dos grandes grupos:

--unidades polilexemáticas

--fragmentos de discurso

A su vez, las unidades polilexemáticas se pueden subdividir en:

Tanto las ULP como las UF pueden pertenecer a la lengua general o ser propias de un ámbito temáticamente especializado.

El siguiente cuadro refleja esta clasificación que hacemos de las cadenas sintácticas:

CADENAS SINTÁCTICAS

unidades polilexemáticas (UP) fragmentos de discurso

léxicas (UPL) fraseológicas (UF)

lengua general lengua especializada lengua general lengua especializada

UPL unidades terminológicas polilexemáticas (UTP) UF unidades fraseológicas especializadas (UFE)

Las unidades de estudio en las que centramos nuestro trabajo son las unidades terminológicas polilexemáticas² en relación con las unidades fraseológicas especializadas y con los fragmentos discursivos.

4. La unidad terminológica polilexemática

Considerando la terminología como una materia de intersección y adoptando una orientación lingüística, consideraremos que la unidad terminológica es una unidad léxica usada en un ámbito especializado concreto. Partiremos del supuesto que la unidad básica de la terminología, y en el fondo de los lenguajes de especialidad, es la unidad terminológica concebida como una unidad lingüística que forma parte del lenguaje natural, y dejaremos de lado otros signos que, aunque presentes en el discurso especializado, no son de carácter lingüístico.

Así desde un punto de vista lingüístico, los términos, como unidades gramaticales de un código establecido, son básicamente sistemáticos, tanto en su forma como en su contenido. Formalmente, su estructura morfológica y sintáctica respeta las leyes de formación de palabras y las reglas de flexión de cada lengua. Sémanticamente, los términos mantienen relaciones de significado con los demás términos que forman parte del sistema conceptual de un ámbito especializado. Y a nivel sintáctico, los términos son unidades distribucionales que se combinan con otros términos y otras palabras para formar sintagmas y oraciones, que a su vez se combinan entre sí para formar textos.

En este trabajo, siguiendo a Corbin (1994), utilizaremos la denominación unidad terminológica polilexemática (UTP) para referirnos a las unidades que cumplen, como mínimo, las cuatro premisas siguientes:

Una unidad terminológica polilexemática será una unidad léxica propia de un dominio de especialidad formada por más de un lexema. Así, las UTP pueden considerarse un subconjunto de las unidades terminológicas de los lenguajes de especialidad, que a la vez son un subgrupo de las unidades léxicas complejas de una lengua, que funcionan como una sola entidad, y que están formadas por más de una unidad de significación.

En contraposicón, una unidad fraseológica especializada será una unidad sintáctica, pero no léxica⁴, propia de un dominio de especialidad formada por más de un lexema, altamente frecuente.

5. La fraseología desde la óptica de la terminología

En los ámbitos científicos y profesionales de la terminología se ha venido detectando, en los últimos quince años, un interés creciente por la fraseología, demostrado feacientemente en diversos foros, como el congreso EUROPHRAS 88 (Strasbourg 1988), el Symposium on Terminology and Phraseology (Viena 1989), el coloquio Phraséologie et terminologie en traduction et en interprétation (Ginebra 1991), la mesa redonda Terminologie, discours et textes spécialisés del Congreso de Lingüistas (Québec 1992) o el seminario internacional sobre Phraséologie, celebrado en Hull (Canadá) en 1993, y otros coloquios sobre fraseología más recientes, como el de Otawa 1994. No obstante, este interés por introducir aspectos discursivos en los estudios terminológicos y en los proyectos terminográficos no se ha limitado al debate teórico, sinó que ha conducido a la reproducción de contextos textuales y de fraseología específica en las entradas de diversos vocabularios o bases de datos especializados.

Concretamente, los terminólogos han incorporado la fraseología a su objeto de estudio por diversas razones, de carácter teórico y aplicado.

1) Primero, se ha convenido que el estudio de la fraseología propia de los lenguajes de especialidad permite incrementar la identificación y la delimitación conceptual de los términos, porqué la contextualización de éstos puede facilitar su precisión semántica.

2) Segundo, la descripción de la fraseología propia de cada lenguaje de especialidad y su representación en materiales terminográficos puede favorecer la implantación de la terminología en los usos lingüísticos de los hablantes, rechazando el estudio de la terminología descontextualizada por cuanto queda alejada de los actos comunicativos de los hablantes.

3) Tercero, la recuperación de la fraseología desde los textos especializados, para ser incorporada en los diccionarios de especialidad o en los bancos de datos terminológicos, se ha visto favorecida por el incremento de técnicas informáticas y por la constitución de corpus textuales, más o menos amplios, que recogen directamente los usos lingüísticos de los especialistas, sin la intervención de mediadores lingüísticos, como traductores, lexicógrafos o terminógrafos.

4) Cuarto, la voluntad de consignar información fraseológica en diccionarios y vocabularios ha hecho necesario que se establezcan criterios para la selección y la representación lexicográfica de la fraseología.

Aunque los motivos por los que la terminología se ha interesado por la fraseología son claros, las aportaciones que se han hecho en este campo se han encontrado con obstáculos de tipo teórico, heredados ya de la lingüística general. Los problemas teóricos más relevantes podrían resumirse en afirmaciones como las siguientes:

1. El conjunto de estructuras fraseológicas se corresponde con una gran diversidad de expresiones diferentes, por su categoría gramatical, su estructura interna, su significado, su frecuencia, su grado de lexicalización o su grado de fijación. Para poder establecer distinciones entre esta variación de estructuras fraseológicas tendremos que referirnos a criterios de naturaleza distinta: criterios semánticos, sintácticos, lexicológicos, terminológicos, estadísticos, etc.

2. Esta complejidad y la diversidad de criterios adoptados han producido una abundante proliferación de términos para designar, más o menos aproximadamente, un concepto similar, como coocurrencias, concurrentes, colocaciones, frasemas, fraseologismos, frases hechas, locuciones, idiomatismos, expresiones fijas, etc; diversidad de denominaciones que no se relacionan, casi nunca unívocamente, con conceptos bien delimitados⁵.

3. Pero, tal vez, el problema más grave se refiera a la falta de delimitación conceptual de la noción general de "fraseología". No todos los autores que han reflexionado sobre el concepto de fraseología han utilizado los mismos parámetros: mientras que algunos tienen una visión restringida de los fenómenos propiamente fraseológicos, otros observan una actitud más laxa que permite consignar bajo la etiqueta de fraseología cualquier estructura superior a la palabra.

4. Esta falta de precisión conceptual, si bien se detecta también en las aportaciones realizadas desde la lingüística teórica y descriptiva, se hace más compleja en el caso de la terminología, porqué, si se acepta la existencia de términos de construcción sintagmática (estructuras superiores a una palabra que hemos denominado anteriormente UTP, unidades terminológicas polilexemáticas sintácticas), la teoría tiene que delimitar los ámbitos de la terminología y de la fraseología. En síntesis, es preciso poder distinguir entre los términos sintagmáticos (UTP) y las construcciones fraseológicas especializadas (UFE), y además hay que establecer la relación que ambas mantienen entre sí.

Varias han sido las posiciones que los lingüistas han adoptado para centrar el tema. Algunos autores han optado por seleccionar uno o un reducido número de criterios de identificación (Sinclair, 1980); otros han acumulado criterios diferentes (Roberts, 1993). En resumen, podemos observar que se han aplicado los siguientes criterios para definir la fraseología:

-Criterios gramaticales

-relacionados con las estructuras sintagmáticas implicadas

-relacionados con restricciones sobre las categorías gramaticales

-Criterios semánticos

-sobre el significado exocéntrico o endocéntrico de las expresiones

-sobre la metaforización (sentidos interpretables)

-sobre el sentido figurado (opaco en el caso de idiomatismos muy fijados)

-Criterios léxico-semánticos (o terminológicos)

-sobre el grado de lexicalización

-Criterios léxico-sintácticos

-sobre el grado de fijación de los componentes

-sobre las posibilidades de variación en las combinaciones

-sobre los paradigmas léxicos implicados y sus limitaciones

-Criterios cuantitativos

-sobre la frecuencia en el lenguaje de especialidad

-sobre la frecuencia en los textos

En este trabajo partiremos de la noción de unidad polilexemática y distinguiremos entre las unidades propiamente terminológicas (UTP) y las unidades fraseológicas especializadas (UFE). Y asumiremos que la diferenciación entre las UTP y las UFE, coincidentes aparentemente en su forma y estructura, es el resultado de la aplicación de criterios restrictivos de diversa índole, que, en nuestro trabajo, serán los siguientes:

-la categoría gramatical

-la estructura interna

-la frecuencia

-el grado de fijación y de variación de sus componentes

Estos criterios no son excluyentes entre sí, ni existe un claro predominio de unos sobre otros, sino que van interactuando de manera ordenada y así los aplicamos en nuestro trabajo.

6. Corpus

Nuestro trabajo, de caracter experimental, se basa en los materiales obtenidos a partir de un corpus textual especializado en catalán. Más concretamente, el corpus está formado por un fragmento de 10.000 palabras extraído del capítulo sobre derecho de navegación del libro Dret mercantil de Rodrigo Uría, publicado en 1995 . Esta obra es un manual dirigido a alumnos de los últimos años de la facultad de derecho. Se trata, pues, de un texto bastante especializado, y aunque la muestra sea pequeña, nos parece suficiente para explorar la viabilidad de los criterios que proponemos.

Des del punto de vista informático, hemos tratado el texto en cuatro fases sucesivas:

• en la primera fase, se ha realizado el etiquetado estructural del documento
• en la segunda fase, se ha efectuado el preprocesamiento, de forma que se han rechazado los segmentos considerados no analizables
• en la tercera fase, se ha procedido a la lematización, mediante la que se han agrupado las diferentes formas flexionadas bajo el misno lema
• finalmente, en la cuarta fase, se ha aplicado el proceso de la desambiguación, a dos niveles: en un primer nivel, sobre la base de reglas lingüísticas, y, en el segundo, sobre la base de reglas estadísticas.

Las muestras siguientes ejemplifican estas cuatro fases de tratamiento automático del texto:

0) Documento sin procesar

(fragmento de d0037 muestra 14 -Dret Mercantil-)

DRET DE LA NAVEGACIÓ

ESTATUT JURÍDIC DEL VAIXELL I DE L'AERONAU EL VAIXELL

Concepte i naturalesa jurídica

En sentit tècnic parlem de vaixell per referir-nos a qualsevol construcció destinada a la navegació marítima o fluvial. A aquesta idea atenen també, en general, els ordenaments positius moderns en determinar, amb major o menor amplitud, la noció jurídica del vaixell."

1) Documento con marcas estructurales

<div1 n=6 complete=n>

<head type=main>DRET DE LA NAVEGACI&Oacute;</head>

<div2 n=72>

<head type=main>ESTATUT JUR&Iacute;DIC DEL VAIXELL I DE L'AERONAU</head>

<div3 n=1>

<head type=main>EL VAIXELL</head>

<div4 n=1.107>

<head type=main>Concepte i naturalesa jur&iacute;dica</head>

<p><s>En sentit t&egrave;cnic parlem de vaixell per referir-nos a qualsevol construcci&oacute; destinada a la navegaci&oacute; mar&iacute;tima o fluvial.</s><s>A aquesta idea atenen tamb&eacute;, en general, els ordenaments positius moderns en determinar, amb major o menor amplitud, la noci&oacute; jur&iacute;dica del vaixell.</s></p>

2) Documento preprocesado

<div1 n=6 complete=n>

<head type=main>DRET DE LA NAVEGACI&Oacute;</head>

<div2 n=72>

<head type=main>ESTATUT JUR&Iacute;DIC DEL VAIXELL I DE L'AERONAU</head>

<div3 n=1>

<head type=main>EL VAIXELL</head>

<div4 n=1.107>

<head type=main>Concepte i naturalesa jur&iacute;dica</head>

<p><s>En sentit t&egrave;cnic parlem de vaixell per referir-nos a qualsevol construcci&oacute; destinada a la navegaci&oacute; mar&iacute;tima o fluvial.</s><s>A aquesta idea atenen tamb&eacute;, <loc pos='D'>en general</loc>, els ordenaments positius moderns en determinar, amb major o menor amplitud, la noci&oacute; jur&iacute;dica del vaixell.</s></p>

3) Documento lematizado

(información morfológica con ambiguedad '|')

## TAG <div1 n=6 complete=n>

## TAG <head type=main>

1 TOK DRET BOS dret\JQ--MS|dret\N5-MS

2 TOK de de\P|de\N5-FS

3 TOK la el\AFS|la\REEC3FS|la\N5-FS

4 TOK NAVEGACI&Oacute; EOS navegaci&oacute;\N5-FS

## TAG </head>

## TAG <div2 n=72>

## TAG <head type=main>

5 TOK ESTATUT BOS estatut\N5-MS

6 TOK JUR&Iacute;DIC jur&iacute;dic\JQ--MS

7 TOK de de\P

8 PGR l el\AMS

9 TOK VAIXELL vaixell\N5-MS

10 TOK i i\C|i\N5-FS

11 TOK de de\P|de\N5-FS

12 TOK L ?\N5-66|?\JQ--66

##- DLI ' =\DELIM

13 TOK AERONAU EOS aeronau\N5-FS

## TAG </head>

## TAG <div3 n=1>

## TAG <head type=main>

14 TOK el BOS el\AMS|el\REEC3MS

15 TOK VAIXELL EOS vaixell\N5-MS

## TAG </head>

## TAG <div4 n=1.107>

## TAG <head type=main>

16 TOK Concepte BOS concepte\N5-MS

17 TOK i i\C|i\N5-FS

18 TOK naturalesa naturalesa\N5-FS

19 TOK jur&iacute;dica EOS jur&iacute;dic\JQ--FS

## TAG </head>

## TAG <p>

## TAG <s>

4a) Documento lematizado y desambiguado lingüísticamente

## TAG <div1 n=6 complete=n>

## TAG <head type=main>

1 TOK DRET BOS dret\N5-MS|dret\JQ--MS

2 TOK DE de\P

3 TOK LA el\AFS

4 TOK NAVEGACI&Oacute; EOS navegaci&oacute;\N5-FS

## TAG </head>

## TAG <div2 n=72>

## TAG <head type=main>

5 TOK ESTATUT BOS estatut\N5-MS

6 TOK JUR&Iacute;DIC jur&iacute;dic\JQ--MS

7 TOK D de\P

8 PGR EL el\AMS

9 TOK VAIXELL vaixell\N5-MS

10 TOK I i\C

11 TOK DE de\P

12 TOK L el\A6S

##- DLI ' =\DELIM

13 PGR AERONAU EOS aeronau\N5-FS

## TAG </head>

## TAG <div3 n=1>

## TAG <head type=main>

14 TOK EL BOS el\AMS

15 TOK VAIXELL EOS vaixell\N5-MS

## TAG </head>

## TAG <div4 n=1.107>

## TAG <head type=main>

16 TOK Concepte BOS concepte\N5-MS

17 TOK i i\C

18 TOK naturalesa naturalesa\N5-FS

19 TOK jur&iacute;dica EOS jur&iacute;dic\JQ--FS

## TAG </head>

## TAG <p>

## TAG <s>

4b) Documento desambiguado estadísticamente

## TAG <div1 n=6 complete=n>

## TAG <head type=main>

1 TOK DRET BOS dret\N5-MS

2 TOK DE de\P

3 TOK LA el\AFS

4 TOK NAVEGACI&Oacute; EOS navegaci&oacute;\N5-FS

## TAG </head>

## TAG <div2 n=72>

## TAG <head type=main>

5 TOK ESTATUT BOS estatut\N5-MS

6 TOK JUR&Iacute;DIC jur&iacute;dic\JQ--MS

7 TOK D de\P

8 PGR EL el\AMS

9 TOK VAIXELL vaixell\N5-MS

10 TOK I i\C

11 TOK DE de\P

12 TOK L el\A6S

##- DLI ' =\DELIM

13 PGR AERONAU EOS aeronau\N5-FS

## TAG </head>

## TAG <div3 n=1>

## TAG <head type=main>

14 TOK EL BOS el\AMS

15 TOK VAIXELL EOS vaixell\N5-MS

## TAG </head>

## TAG <div4 n=1.107>

## TAG <head type=main>

16 TOK Concepte BOS concepte\N5-MS

17 TOK i i\C

18 TOK naturalesa naturalesa\N5-FS

19 TOK jur&iacute;dica EOS jur&iacute;dic\JQ--FS

## TAG </head>

## TAG <p>

## TAG <s>

7. Criterios para el reconocimiento de unidades

Una vez obtenida la versión lematizada y desambiguada del texto, se ha procedido a diseñar una estrategia adecuada para el reconocimiento automático, construida a partir de una serie de criterios que permitan ir diferenciando paulatinamente las siguientes parejas de variables:

-Unidades sintagmáticas vs. simples combinaciones

-Unidades suficientemente frecuentes vs. unidades poco frecuentes

-Unidades terminológicas y unidades fraseologicas vs. combinaciones sintácticas libres

-Unidades terminológicas vs. unidades fraseológicas

Los criterios que proponemos deberán aplicarse en el orden establecido para asegurar la extracción de todos y cada uno de los grupos diferenciales anteriores. La estrategia ordenada prevé que los criterios más generales (aplicables a textos de distintos ámbitos de especialidad) sean los primeros, mientras que los criterios que afectan particularmente a las estructuras más productivas de cada lenguaje de especialidad se apliquen a continuación.

Dentro de la serie de criterios establecidos, distinguimos entre supuestos previos, condiciones, filtros, acciones y pruebas, porqué entendemos que se corresponden a elementos de diversa naturaleza y que ejercen funciones específicas en la aplicación.

Un supuesto previo consiste en una hipótesis de trabajo, que nos permite prever tendencias de correspondencia entre estructuras y clases de unidades. Una condición se caracteriza por un input informativo, basado en un conjunto de supuestos previos, que permite restringir el ámbito de aplicación de los filtros. Consideramos que un filtro es una orden informática que rechaza información no pertinente y crea un archivo con la información que cumple las condiciones establecidas previamente. Una acción es una orden informática que analiza y clasifica la información, a partir de las restricciones impuestas por las condiciones, y la reserva en archivos diferenciados, para su tratamiento posterior. Una prueba es una técnica de procesamiento, de carácter cualitativo o cuantitativo, que puede aplicarse indistintamente a todo el corpus o a los archivos producidos por el filtraje o por las acciones, para reforzar los resultados o para corregir errores. El uso de una acción o de un filtro siempre implica el establecimiento, con anterioridad, de supuestos previos o de condiciones restrictivas.

Los diversos criterios se aplicarían en cuatro fases sucesivas, establecidas por objetivos, de manera que al final de cada fase detectaríamos un conjunto de secuencias candidatas a seguir el proceso y rechazaríamos secuencias que no cumplieran los requisitos de detección.

• 1a. fase de detección de unidades terminológicas (UT) simples
• 2a. fase de detección de secuencias candidatas a unidades terminológicas polilexemáticas (UTP) y a unidades fraseológicas (UF)
• 3a. fase de verificación de las UTP y de las UF en el seno de un ámbito especializado concreto
• 4a. fase de aplicación de criterios finales de reconocimiento

Al final del proceso obtendríamos probables unidades terminológicas simples y polilexemáticas y probables unidades fraseológicas, resultado que generaría aún silencio, en el sentido que seguramente el proceso habría dejado de lado unidades pertinentes, pero que, en cambio, no produciría demasiado ruido, en el sentido que los candidatos detectados tendrían un alto grado de probabilidad de ser confirmados como términos o fraseologismos del ámbito especializado en cuestión.

Presentamos a continuación el contenido de las dos primeras fases y introducimos el supuesto sobre el que se construye la tercera fase. Los resultados de la experimentación que les detallamos aquí son, por tanto, parciales y provisionales, pero suficientes para mostrar la estrategia que sigue nuestro diseño de una herramienta que permita la detección terminológica. Insistimos en el carácter provisional de nuestra experimentación, puesto que el diseño necesitará más experimentaciones que apliquen el proceso entero sobre corpus textuales más amplios.

8. Criterios generales para la detección de UT simples (1ª fase del proceso)

Dado que el objetivo final está en la detección de unidades terminológicas sintagmáticas y de unidades fraseológicas, y que para ello operamos exclusivamente con estructuras complejas, la primera parte de la estrategia de procesamiento terminológico del texto consistirá necesariamente en la extracción de los términos de estructura simple. Partiendo del supuesto que una unidad terminológica simple es una estructura léxica, situada en el texto escrito entre blancos y frecuente en un texto especializado, esta primera parte del proceso se limita a aplicar una acción y dos filtros informáticos.

En primer lugar, sobre los materiales del corpus (textos marcados estructuralmente, preprocesados, lematizados y desambiguados⁶) se ejerce una acción de segmentación de unidades simples, consistente en aislar todos los lemas simples del texto. De manera que sobre las casi 10.000 palabras del corpus, que corresponden a 1840 lemas distintos, la segmentación nos ofrece un listado de unidades simples de naturaleza diversa, como las siguientes:

(1) de si

ser demanar

contracte orientació

condomini formulació

marítim típica

A continuación, sobre este listado, se aplica el filtro léxico, que excluye las palabras gramaticales (artículos, preposiciones, conjunciones, adverbios, pronombres), los verbos copulativos y otros verbos de uso muy general, reservando lemas como los del ejemplo siguiente:

(2) contracte orientació

condomini formulació

marítim típica

En tercer lugar, se aplica un filtro de frecuencia para los lemas simples (cuyo resultado aparece bajo el formato de índice alfabético de frecuencias de lemas simples) para resolver, mediante el análisis estadístico de frecuencias relativas a los textos analizados, qué lemas simples són frecuentes y cuáles no lo son. Este filtro rechaza los lemas poco frecuentes y guarda en un archivo los lemas simples frecuentes, como en el ejemplo de (3) que muestra el número de frecuencias en el texto de cada lema del ejemplo anterior.

(3) Lemas frecuentes Lemas rechazados

contracte (34) orientació (1)

condomini (8) formulació (1)

marítim (14) típica (1)

Esta función estadística puede interactuar con un verificador lexicográfico, alimentado permanentemente, para aumentar la fiabilidad de los resultados.

Al cierre de esta primera fase, se procede a guardar en un archivo los lemas simples más frecuentes que configurarían el conjunto de unidades simples presumiblemente terminológicas (UT) del texto analizado.

(4) Resultado de la fase: candidatos a UT simples

contracte

condomini

marítim

9. Criterios generales para la detección de UTP i UF (2ª fase del proceso)

La segmentación y los filtros de la fase anterior no reducen el corpus textual a analizar para detectar términos complejos y fraseologismos, porque tanto algunas de las piezas rechazadas como algunos de los candidatos a términos simples pudieran estar incluidos en una estructura terminológica sintagmática. Así, en esta segunda parte de la estrategia se procesa de nuevo todo el corpus lematizado y desambiguado para detectar estructura sintagmáticas que cumplan el requisito de unidad, ya sea léxica o terminológica, ya sea fraseológica.

En primer lugar, sobre el corpus textual, se procede a la acción de localización de coocurrencias léxicas, para establecer un listado ordenado de combinaciones léxicas que tengan un grado de aparición significativo (índices alfabéticos de frecuencias de combinaciones de lemas).

A continuación, sobre el listado de formas coocurrentes resultante, se aplica un criterio de naturaleza estadística, el filtro de frecuencia para las coocurrencias, para rechazar aquellas combinaciones poco frecuentes y reservar en un archivo aquellas otras combinaciones que tengan un grado de frecuencia significativo, en relación al texto, como las de (5).

(5) és a dir fer referència

però destinades amb com a dret a

adquirir la propietat constituir la hipotèca

prèvia taxació judicial caràcter permanent al servei

espècie de reconeixement oficial determinació del valor dels vaixells

vida humana al mar navegació de cabotatge

només més endavant així succeeix amb

privilegi marítim en interès de la hipoteca creditor marítim al dret de preferència

contraure per preparar vaixell per referir

pertànyer pro indiviso procurar forma

En este punto de la estrategia, consideramos que el análisis de frecuencias anterior permite distinguir entre combinaciones libres y combinaciones recurrentes. Así suponemos que las coocurrencias poco frecuentes rechazadas serán presumiblemente combinaciones de discurso libres. En cambio, partimos del supuesto sobre las coocurrencias frecuentes, que establece que las coocurrencias léxicas frecuentes, como las de (5), podrán ser identificadas más adelante como:

• unidades terminológicas (UTP)
• unidades fraseológicas (UF), de la lengua general o de la lengua especializada
• segmentos repetidos⁷

A continuación, y puesto que el objectivo principal de esta fase es delimitar unidades polilexemáticas sintagmáticas, se aplica el filtro de unidad estructural sobre el output del filtro de frecuencia anterior, es decir sobre el archivo de combinaciones frecuentes. Este filtro valida la condición de estructura que presente la combinación analizada. Así sólo reservará aquellas combinaciones de lemas que respondan a una unidad del tipo SV, SN, SA o SP (con todas sus variantes), y rechazará cualquier coincidencia de lemas de origen discursivo que no respondan a un esquema de estructura sintagmática completa. Para ello, es preciso que el sistema disponga de un repertorio de las estructuras con las variaciones posibles. El resultado de la aplicación de este filtro se concreta en un archivo de unidades polilexemáticas sintagmáticas frecuentes, como las de (6), donde quedaría excluída cualquier combinación no estructural⁸.

(6) és a dir fer referència

adquirir la propietat constituir la hipotèca

prèvia taxació judicial caràcter permanent al servei

espècie de reconeixement oficial determinació del valor dels vaixells

vida humana al mar navegació de cabotatge

privilegi marítim en interès de la hipoteca creditor marítim al dret de preferència

El proceso continua con el uso de un verificador lexicográfico, que permite observar si los sintagmas identificados en el output del criterio anterior estan ya documentados en diccionarios de referencia (diccionarios de la lengua general, diccionarios bilingües, vocabularios terminológicos o simples glosarios). La verificación consiste en comprobar si los sintagmas están configurados como entradas o subentradas y si van precedidos por etiquetas temáticas, que puedan desvelar su carácter especializado.

De manera que si una unidad sintáctica determinada figura en el corpus lexicográfico de referencia con la indicación de que pertenece a una área temática, será automáticamente considerada una unidad terminológica (UTP). En nuestra experimentación, para llevar a cabo esta selección, hemos partido de un diccionario electrónico elaborado a partir de las acepciones marcadas con las etiquetas de área temática dr i com/mar del Hiperdicionari de la editorial Enciclopèdia Catalana (Barcelona, 1993). La verificación lexicográfica efectuada sobre el conjunto de ejemplos de (6) daría el siguiente resultado:

(7) Sintagma documentado lexicográficamente con marca temática

navegació de cabotatge

Por otro lado, si el diccionario de referència incluye información fraseológica, sin previa marca temática, corresponde generalmente a casos idiomáticos de alto grado de fijación y muy frecuentes en los diiscursos de la lengua general. Sobre el conjunto de ejemplos de (6), el diccionario general mencionado detectaría las siguientes secuencias equivalentes a unidades fraseológicas de la lengua general (UF)⁹:

(8) Fraseología general documentada lexicográficamente

és a dir

fer referència

Así, consideramos que los sintagmas localizados en el diccionario de referencia, como entradas o subentradas, que coinciden con SN y que van precedidos por etiquetas de área temática son UTP reconocidas, mientras que los sintagmas localizados, que coinciden generalmente con SV y que llevan alguna indicación al respecto, son UF reconocidas. Por otro lado, asumimos que el resto de los sintagmas que no han sido documentados por el verificador lexicográfico aún podrían ser UTP, UF o combinaciones libres.

Los resultados de la aplicación de esta prueba de verificación constituyen tres archivos: dos compuestos respectivamente por las UTP y por las UF documentadas, que se reservarán en un archivo definitivo clasificados como terminología o fraseología, respectivamente, y un tercer archivo formado por las unidades candidatas a ser consideradas o bien UTP o bien UF, que serán objeto del proceso de reconocimiento que sigue a continuación.

(9) Unidades polilexemáticas no documentadas lexicográficamente

adquirir la propietat

vida humana al mar

constituir la hipotèca

prèvia taxació judicial

caràcter permanent al servei

espècie de reconeixement oficial

determinació del valor dels vaixells

privilegi marítim en interès de la hipoteca

creditor marítim al dret de preferència

Dado que el archivo de unidades no documentadas, sobre el que sigue el proceso, contiene tanto SN, SV, SA y SP, como podemos observar en los ejemplos de (9), establecemos el supuesto de tendencia por categoría gramatical de la estructura, que se apoya en la observación de los datos aportados por las unidades documentadas lexicográficamente, de manera que:

(a) un SN filtrado con un índice de frecuencia medio-alto respecto de un texto especializado tenderá a ser terminológico, aunque pueda no serlo, y

(b) un SV filtrado con un índice de frecuencia medio-alto respecto de un texto especializado tenderá a ser no terminológico, aunque pueda ser fraseológico o de construcción libre.

De acuerdo con las hipótesis anteriores, ejerceremos una acción de classificación de sintagmas por la categoría que, primero, localice los SA y los SP para considerarlos integrantes de otros sintagmas (SN o SV) y que, después, separe, en dos archivos, los SN y los SV. En este sentido, consideraremos que las condiciones de "ser un SN" y la de "ser un SV" son fundamentales en el establecimiento sistemático de candidatos a ser presumiblemente UTP o UF respectivamente¹⁰, como se observa en los ejemplos siguientes:

(10) SN, candidatos a UTP SV, candidatos a UF

vida humana al mar adquirir la propietat

prèvia taxació judicial constituir la hipotèca

caràcter permanent al servei

reconeixement oficial

determinació del valor dels vaixells

privilegi marítim

creditor marítim

Atendiendo al hecho que las categorías de SN y de SV pueden presentar la variación estructural que presentamos a continuación, la acción de despliegue de estructuras permite clasificar los conjuntos de SN y de SV resultantes de la acción de clasificación anterior en tantos subarchivos como estructuras distintas existan.

Variantes de SN: NA, AN, N Quant A, Quant N A, N prep (det) N, N prep V_inf

Variantes de SV: V (det) N, V prep (det) N, V prep V_inf

10. Criterios del ámbito especializado (lenguaje jurídico) (3ª fase del proceso)

A partir de este punto, la estrategia prevé que los criterios de esta tercera fase se apliquen exclusivamente sobre las estructuras filtradas y que puedan ser distintos para cada ámbito de especialidad. Así, los corpus de discurso especializado de distintas áreas temáticas podrían compartir los criterios de las dos primeras fases, pero se procesarán con criterios distintivos que darán cuenta de las diferentes tendencias de construcción de secuencias sintagmáticas y oracionales de que disponen los discursos especializados. Estos criterios se constituyen a partir de la toma en consideración de modelos de referencia, establecidos fuera del ámbito estricto de la experimentación, que pueden provenir de fuentes lexicográficas especializadas, de estudios descriptivos de un determinado lenguaje de especialidad o de convenciones generales sobre la terminología y la fraseología.

En nuestro caso, y para el corpus de lenguaje jurídico analizado, propondremos diversos criterios que se aplicarán distintamente sobre los SN candidatos a UTP y sobre los SV candidatos a UFE, para poder obtener al final del proceso candidatos que sean suficientemente consistentes. En este artículo, para ejemplificar los criterios de esta tercera fase, presentamos a continuación el supuesto inicial sobre el que se basa la estrategia para detectar unidades terminológicas polilexemáticas (UTP).

Para el procesamiento del archivo de SN, partimos de la consideración del supuesto previo de patrones productivos, derivado del análisis de los esquemas sintagmáticos de las entradas y subentradas de un diccionario especializado en el ámbito¹¹ determimado, que nos permite establecer qué estructuras sintagmáticas son más productivas en los discursos propios de ese ámbito. Así, para los SN y para el lenguaje jurídico, consideramos que son estructuras productivas las siguientes: NA, N prep N, N prep det N. Y que, en cambio, son poco productivas otras estructuras que también aparecían en el despliegue de SN (AN, N Quant A, Quant NA, N prep V_inf ).

La estrategia de detección nos permite establecer las siguientes hipótesis en relación con los productividad de patrones:

(a) Si un SN responde a un patrón productivo, esta condición refuerza la tendencia del SN a ser terminológico (SN presumiblemente terminológicos).

(b) Si un SN no responde a un patrón productivo, esta condición refuerza la tendencia del sintagma a ser libre, sin que esto signifique que no pueda ser fraseológico (SN presumiblemente NO terminológicos).

De acuerdo con los datos anteriores, aplicamos a continuación un filtro de patrones productivos, basado en el análisis lexicográfico incluido en el supuesto anterior, sobre el archivo de SN, resultando

• un archivo de NA, candidatos a términos
• un archivo de N prep N , candidatos a términos
• un archivo de N prep det N, candidatos a términos
• y un archivo de sintagmas nominales que no corresponden a patrones productivos, que en un análisis posterior determinará si se trata de sintagmas libres o fraseológicos.

(11) Ejemplos de candidatos a términos

vida humana

taxació judicial

caràcter permanent

reconeixement oficial

determinació del valor dels vaixells

privilegi marítim

creditor marítim

11. Conclusiones

Y hasta aquí la descripción de la primera parte del proceso de detección de términos, e identificación de UTP y UF. Los archivos de unidades sintagmáticas clasificadas continuarán su cadena de tratamiento mediante pruebas de carácter lingüístico y estadístico que irán refinando su identificación. Esta segunda parte será objecto de una publicación posterior.

No obstante, a la vista de la experimentación descrita en este artículo, hemos llegado a algunas conclusiones, que presentamos muy sintéticamente organizadas en tres bloques:

(1) Conclusiones sobre el proceso de reconocimiento de las unidades terminológicas.

En este bloque queremos destacar los siguientes puntos a modo de conclusión:

• la utilidad de los corpus para establecer criterios en terminología;

• la utilidad del criterio de frecuencia como factor determinante en la detección automática de unidades terminológica simples gráficamente; y relevante para las unidades terminológicas sintagmáticas;

• la insuficiencia de un solo criterio, como el de la frecuencia, en la consideración de un proceso complejo de detección automática de términos y fraseología; y por consiguiente la necesidad de combinar diversos criterios estructurales y estadísticos;

• la importancia de la diferenciación establecida en el trabajo entre diversos tipos de criterios, según su función en el proceso:

(2) Conclusiones sobre las diferencias entre unidades sintagmáticas fijadas, en algún grado, versus combinaciones libres de discurso.

Además, en relación a la diferenciación de las UTP y las UF (combinaciones sintagmáticas con algún grado de fijación) respecto de las combinaciones libres (UL), podemos concluir:

• que no son suficientes los criterios estructurales, sino que conviene matizarlos con la presencia o la ausencia de determinados componentes (aspecto no descrito en este artículo, porque forma parte de la segunda fase del proceso) y con la interactuación con otro tipo de criterios (como los estadísticos);

• que es importante el uso de criterios de frecuencia y de las indexaciones de coocurrencias para detectar el grado de variación de ciertas combinaciones de lemas.

• y que la utilidad de un análisis léxico de un corpus lexicográfico especializado de referencia, morfológicamente etiquetado, agiliza la identificación de UTP reconocidas y permite establecer patrones de productividad en un ámbito especializado.

(3) Conclusiones sobre las diferencias entre UTP y UF

Podemos establecer también que, para la distinción entre UTP y UF, es fundamental observar la categoría de las unidades sintagmáticas polilexemáticas, por cuanto en el ámbito especializado que hemos analizado (derecho) la identificación entre UTP y los SN filtrados y la correspondencia entre UF y los SV filtrados es bastante regular.

Y para terminar, queremos dejar constancia de dos ideas que inicialmente constituían los supuestos no probados y que se han ido confirmando a lo largo de nuestras consideraciones.

La primera es que tanto las UTP como las UF en general, siempre lo son en el marco de un ámbito de especialidad; y que, por tanto, no consideramos que haya términos ni fraseología especializada en abstracto.

La segunda es que, si bien, para la fraseología, la suma de criterios estructurales y estadísticos es suficiente para la detección automática; en el caso de la terminología siempre nos veremos obligados a recurrir, en último extremo, a la competencia cognitiva, que incluye el conocimiento sobre la estructuración conceptual del área especializada y sobre las relaciones entre referente, concepto y denominación, para asegurar que las unidades sintagmáticas seleccionadas por una aplicación informática son efectivamente unidades terminológicas del ámbito especializado pertinente.

BIBLIOGRAFÍA

Cabré, M. Teresa (1992): La terminología. Teoría, metodología y aplicaciones. Barcelona: Antártida, 1993.

Estopà, Rosa (1996): Las unitats terminològiques polilexemàtiques en els lèxics d’especialitat: dret i medicina. Tesi de llicenciatura, Universitat Pompeu Fabra de Barcelona.

Pavel, Silvia (1992): Bibliographie de la phraséologie 1905-1992. Bureau de la taduction (Canada) & RINT (Réseau International de Néologie et Terminologie).

Roberts, Roda (1993): "La phraséologie: état des recherches". En Terminologies nouvelles (1993: 10), pp. 36-42.

Sinclair, John (1980): "Some implications of discourse analysis for ESP methodology". En Applied Linguistics (1980:1-3), pp. 253-261.

Phraséologie. Actes du séminaire international (Hull, mai 1993). Terminologies nouvelles (1993: 10)

Phraséologie et terminologie en traduction et interpretation (Actes du Colloque de Genève 1991). Terminologie et traduction (1992: 2-3)