Una Herramienta de Recuperación Morfoléxica Aplicada a Microsoft Word

1. Introducción
Uno de los aspectos de la investigación en lingüística 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 lingüística 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 raíz 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 Lingüística
Computacional (GEDLC, <http://www.gedlc.u
lpgc.es> ) del Departamento de Informática y Sistemas de
la Universidad de las Palmas de Gran Canaria lleva algún
tiempo desarrollando trabajos en morfología computacional,
sintaxis automatizada, análisis de textos y lexicografía que
incluyen lematizadores y flexionadores del español, así 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 lingüística 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 lingüístico
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. 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 enclíticos.
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
características 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 características morfogramaticales —lo que permite
afinar la búsqueda hasta el punto de poder situar fenómenos
lingüísticos específicos, tales como: perífrasis verbales,
regímenes 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 podría 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 lingüístico 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 podría aplicarse a la recuperación
de información en bases de datos textuales.
Bibliografía
Figuerola, Carlos G., Raquel Gómez Diaz, Angel F. Zazo
Rodríguez, and José Luis Alonso Berrocal. "Spanish
monolingual track: the impact of stemming on retrieval."
Evaluation of Cross-Language Information Retrieval Systems.
Second Workshop of the Cross-Language Evaluation Forum,
CLEF 2001. Darmstadt, Germany, September 2001; Revised
papers, volume LNCS 2406 of Lecture Notes in Computer
Science (2002): 253-261.
Figuerola, Carlos G., Raquel Gómez, Angel F. Zazo Rodríguez,
and José Luis Alonso Berrocal. "Stemming in Spanish: A first
approach to its impact on information retrieval." Results of the
Cross-Language System Evaluation Campaign CLEF 2001,
Darmstadt, Germany. Ed. Carol Peters. September 2001.
197-202.
Santana, O., F. Carreras, J. Pérez, and G. Rodríguez.
"Relaciones morfoléxicas prefijales del español."
Procesamiento de Lenguaje Natural 32 (2004): 9-36. Santana, O., F. Carreras, J. Pérez, and G. Rodríguez.
"Relaciones morfoléxicas sufijales en español." Procesamiento
de Lenguaje Natural 30 (Marzo, 2003): 1-73.
Santana, O., J. Pérez, Z. Hernández, F. Carreras, and G.
Rodríguez. "FLAVER: Flexionador y lematizador automático
de formas verbales." Lingüística Española Actual XIX.2
(1997): 229-282.
Santana, O., J. Pérez, F. Carreras, Z. Hernández, J. Duque, and
G. Rodríguez. "FLANOM: Flexionador y lematizador
automático de formas nominales." Lingüística Española Actual
XXI.2 (1999): 253-297.