211service.com
AAD22L: Detección automática de acrónimos en 22 idiomas presentado en Europa
Todos hemos tenido la experiencia de leer un informe, un artículo científico o simplemente un artículo noticioso extenso que TMUA (Demasiados acrónimos innecesarios) arruinó. El autor introduce un acrónimo en el primer párrafo, otros en el segundo y tercer párrafo dando lugar a un párrafo final que no es más que una secuencia de letras mayúsculas incomprensibles.
Hoy, contamos con ayuda gracias al trabajo de Maud Ehrmann en la Universidad Sapienza de Roma en Italia y algunos amigos que han desarrollado un analizador de texto que reconoce más de 1 millón de siglas en 22 idiomas diferentes. El trabajo es parte de un esfuerzo más amplio para analizar el contenido de las noticias para realizar un seguimiento de la cobertura de los medios de las organizaciones, empresas, gobiernos, etc.
La tarea de detectar acrónimos en un texto es relativamente sencilla. Estos chicos han adaptado un algoritmo que se desarrolló originalmente para detectar acrónimos en textos médicos en inglés. Busca expresiones cortas en mayúsculas entre corchetes y asume que las palabras inmediatamente a la izquierda de los corchetes son la expansión de forma larga del acrónimo.
Luego, el algoritmo filtra los resultados para eliminar secuencias de letras que incluyen elementos como símbolos de moneda y un espacio después de la primera letra, etc.
Eso conduce a algunos problemas inevitables. Uno ocurre cuando el algoritmo no reconoce el acrónimo en absoluto. La razón principal para el no reconocimiento son los casos en los que la forma corta del acrónimo está en un idioma diferente de la forma larga, como en el alemán Vereinigte Nationen (UNO), donde la forma larga en alemán es seguida por la forma corta en inglés, dice Ehrmann. and co. (UNO significa Organización de las Naciones Unidas, más comúnmente conocida como la ONU en inglés.
Otro problema es cuando el algoritmo encuentra la versión larga incorrecta de un acrónimo. Un ejemplo de esto sería Charles Otieno (CEO) y suele ocurrir con siglas genéricas que se pueden aplicar a gran cantidad de personas u organizaciones.
Sin embargo, estos problemas son menores y el algoritmo generalmente funciona bien. Ehrmann y compañía dicen que encuentra acrónimos con una precisión superior al 90 por ciento para los 22 idiomas que probaron, con la excepción del francés (87 por ciento).
Y especulan que debería funcionar bien con cualquier idioma que use texto en mayúsculas para representar acrónimos. Si bien sospechamos que el método funcionará bien con idiomas que usan, por ejemplo, los alfabetos cirílico o griego, probablemente no funcionará bien con idiomas que usan los alfabetos árabe o hebreo porque estos no distinguen entre mayúsculas y minúsculas, dicen.
Ehrmann y compañía tienen planes de ampliar aún más el trabajo. Una idea es encontrar formas de vincular las formas largas de las siglas en diferentes idiomas. Otra es encontrar formas de reconocer y comprender automáticamente los acrónimos que no vayan acompañados de su expansión de forma larga (un problema complicado incluso para los humanos). Eso podría ser posible explorando el contexto local en busca de pistas, pero este es un objetivo ambicioso.
Curiosamente, tres de los cuatro autores detrás de este trabajo están en el Centro Común de Investigación, el laboratorio de investigación de la Comisión Europea en Bélgica. El idioma es un problema importante y costoso para la CE, el órgano ejecutivo de la Unión Europea. Debe facilitar la comunicación entre personas de 28 países que utilizan 24 lenguas oficiales a un coste de unos 330 millones de euros al año, o unos 60 céntimos por cada ciudadano de la UE.
Por tanto, existe un interés considerable en automatizar tanto como sea posible. Los acrónimos son un primer paso pequeño pero útil.
Ref: arxiv.org/abs/1309.6185 : Reconocimiento y procesamiento de acrónimos en 22 idiomas