[論文レビュー] An Annotated Corpus of Emerging Anglicisms in Spanish Newspaper Headlines

Elena Álvarez Mellado|arXiv (Cornell University)|Apr 1, 2020

Linguistics, Language Diversity, and Identity参考文献 1被引用数 2

ひとこと要約

本稿では、発生中の英語由来語を手動でアノテートした21,570件のヨーロピアン・スペイン語新聞見出しのコーパスと、自動的英語由来語検出を目的とした手作業特徴を備えた条件付きランダムフィールド（CRF）ベースラインモデルを提示する。本研究は、スペイン語のニューズライターにおける英語由来語の識別に向けた基盤的リソースと手法を確立し、辞書作成および自然言語処理（NLP）の応用を支援する。

ABSTRACT

The extraction of anglicisms (lexical borrowings from English) is relevant both for lexicographic purposes and for NLP downstream tasks. We introduce a corpus of European Spanish newspaper headlines annotated with anglicisms and a baseline model for anglicism extraction. In this paper we present: (1) a corpus of 21,570 newspaper headlines written in European Spanish annotated with emergent anglicisms and (2) a conditional random field baseline model with handcrafted features for anglicism extraction. We present the newspaper headlines corpus, describe the annotation tagset and guidelines and introduce a CRF model that can serve as baseline for the task of detecting anglicisms. The presented work is a first step towards the creation of an anglicism extractor for Spanish newswire.

研究の動機と目的

• 発生中の英語由来語を含む、大規模で手動でアノテートされたヨーロピアン・スペイン語新聞見出しのコーパスを構築すること。
• スペイン語ニューズライターのテキストにおける英語由来語の自動検出のためのベースラインモデルを開発すること。
• スペイン語メディアにおける英語からの新しい語彙的借用語の特定と分類を通じて、辞書作成作業を支援すること。
• スペイン語処理における英語由来語の認識を必要とする下流のNLPタスクを可能にすること。
• スペイン語における英語由来語の一貫した識別を可能にする標準化されたアノテーションフレームワークとタグセットを確立すること。

提案手法

• コーパスはヨーロピアン・スペイン語の新聞見出しから構築され、合計21,570件の見出しを含む。
• コーパス全体にわたる一貫性のある英語由来語のラベル付けを実現するため、独自のアノテーションタグセットと詳細なガイドラインを開発した。
• 条件付きランダムフィールド（CRF）モデルを、文脈内の英語由来語を検出するために、手作業で作成した言語的特徴を用いて学習させた。
• 特徴には、語の形態、品詞タグ、変形パターン、および候補語の周囲の文脈窓が含まれた。
• アノテート済みコーパス上でモデルを学習および評価し、英語由来語抽出のベースライン性能を確立した。
• 反復的レビューと合意形成を通じて、アノテータ間の一貫性と品質管理を確保した。

実験結果

リサーチクエスチョン

• RQ1 ヨーロピアン・スペイン語の新聞見出しにおける発生中の英語由来語の分布と頻度はどのようになっているか？
• RQ2 スペイン語メディアのテキストにおける英語由来語に対して、一貫性があり信頼性の高いアノテーションスキームをどのように設計できるか？
• RQ3 CRFベースの系列ラベリングモデルにおいて、英語由来語とスペイン語固有語を区別するのに最も効果的な特徴は何か？
• RQ4 手作業特徴を備えたCRFモデルは、スペイン語ニューズライターにおける英語由来語検出のベースラインとしてどの程度の性能を示すか？
• RQ5 アノテート済みコーパスは、将来的なスペイン語におけるNLPおよび辞書学的応用をどの程度支援できるか？

主な発見

• コーパスには21,570件のヨーロピアン・スペイン語の新聞見出しに手動でアノテートされた英語由来語が含まれており、言語学的およびNLP研究の貴重なリソースを形成している。
• 開発されたアノテーションタグセットとガイドラインにより、多様な語彙的および文法的文脈において英語由来語の一貫した識別が可能になった。
• 手作業特徴を備えたCRFモデルは、英語由来語検出のベースライン性能を達成し、今後の改善の出発点を提供している。
• 語彙的および文脈的特徴の組み込みにより、モデルの英語由来語とスペイン語固有語の区別能力が顕著に向上した。
• コーパスとモデルの両方が、スペイン語ニューズライターおよび関連分野におけるスケーラブルな英語由来語検出への基盤的ステップを示している。
• アノテータ間の一貫性が高く維持されており、アノテーションプロセスの信頼性が裏付けられた。