[논문 리뷰] An Annotated Corpus of Emerging Anglicisms in Spanish Newspaper Headlines

Elena Álvarez Mellado|arXiv (Cornell University)|2020. 04. 01.

Linguistics, Language Diversity, and Identity참고 문헌 1인용 수 2

한 줄 요약

이 논문은 유럽 스페인어 뉴스 헤드라인 21,570건을 수록한 어휘 자료를 제시하며, 이는 기초적인 조건부 랜덤 필드(CRF) 모델을 포함하여 자동으로 영어어휘를 탐지하기 위한 수작업 특징을 갖춘 것으로, 스페인어 뉴스보도 자료에서 영어어휘를 식별하는 데 기초 자원과 방법을 제공한다. 이는 어휘학적 및 자연어처리(NLP) 응용 분야를 지원한다.

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.

연구 동기 및 목표

• 스페인어 뉴스 헤드라인에 포함된 신규 영어어휘를 수반한 대규모 수작업 주석 처리 어휘 자료를 구축하여 언어학적 및 NLP 연구를 위해 활용한다.
• 스페인어 뉴스보도 텍스트에서 영어어휘를 자동으로 탐지하기 위한 기초 모델을 개발한다.
• 스페인어 미디어에서 영어어휘의 신규 어휘 빌려쓰기 현상을 식별하고 분류하여 어휘학적 연구를 지원한다.
• 스페인어 언어 처리에서 영어어휘를 인식하는 것이 필요한 후속 NLP 작업을 가능하게 한다.
• 스페인어에서 영어어휘를 일관되게 식별하기 위한 표준화된 주석 프레임워크와 태그셋을 수립한다.

제안 방법

• 어휘 자료는 총 21,570개의 유럽 스페인어 뉴스 헤드라인에서 구성되었다.
• 어휘 자료 전반에 걸쳐 일관된 영어어휘 식별을 위해 맞춤형 주석 태그셋과 상세한 지침을 개발하였다.
• 후보어휘 주변의 문맥을 고려하여 영어어휘를 문맥에서 탐지하기 위해 수작업 특징을 활용한 조건부 랜덤 필드(CRF) 모델을 훈련시켰다.
• 특징으로는 단어 형태, 품사 태그, 형태소 패턴, 후보어휘 주변의 문맥 윈도우가 포함되었다.
• 주석 처리된 어휘 자료를 기반으로 모델을 훈련하고 평가하여 영어어휘 추출을 위한 기초 성능을 확립하였다.
• 반복적 검토와 공통 합의를 통해 상호 주석자 간 일致성과 품질 관리를 확보하여 주석 과정을 보장하였다.

실험 결과

연구 질문

• RQ1 유럽 스페인어 뉴스 헤드라인에서 나타나는 신규 영어어휘의 분포와 빈도는 어떻게 되는가?
• RQ2 스페인어 미디어 텍스트에서 영어어휘를 일관되고 신뢰성 있게 주석 처리하기 위한 프레임워크는 어떻게 설계할 수 있는가?
• RQ3 CRF 기반 시퀀스 레이블링 모델에서 영어어휘를 스페인어 어휘와 구분하는 데 가장 효과적인 특징는 무엇인가?
• RQ4 수작업 특징을 갖춘 CRF 모델은 스페인어 뉴스보도에서 영어어휘 탐지의 기초 성능으로서 어떻게 작동하는가?
• RQ5 주석 처리된 어휘 자료는 향후 스페인어 분야의 NLP 및 어휘학 응용 분야에서 어느 정도 지원할 수 있는가?

주요 결과

• 어휘 자료는 수작업 주석 처리된 영어어휘를 포함한 총 21,570개의 유럽 스페인어 뉴스 헤드라인을 수록하며, 언어학적 및 NLP 연구에 유용한 자원이 된다.
• 개발된 주석 태그셋과 지침은 다양한 어휘적 및 문법적 맥락에서 영어어휘를 일관되게 식별할 수 있도록 보장한다.
• 수작업 특징을 활용한 CRF 모델은 영어어휘 탐지의 기초 성능을 확보하여 향후 개선의 기초가 된다.
• 형태소적 및 문맥적 특징의 통합은 모델이 영어어휘를 스페인어 어휘와 구분하는 능력을 크게 향상시킨다.
• 어휘 자료와 모델은 스페인어 뉴스보도 및 관련 분야에서 확장 가능한 영어어휘 탐지의 기초 단계를 대표한다.
• 상호 주석자 간 일치도가 높은 수준을 유지하여 주석 과정의 신뢰성을 검증하였다.