Teaching Plan Information

Presentation

Associated skills

CGS1. Creativity for postgraduate research and professional practice

CT1.6. Ability to design and review processes systematically

CE. Develop with the methodology of argumentative and empirical linguistic analysis.

Learning outcomes

—  Application of state-of-the-art criteria for corpus design and use of tools to compile a corpus for specific purposes

—  Use of concepts, such as representativeness and significance, for empirical research in linguistics

—  Definition of requirements needed to find tools (and information sources) and functionalities to utilize them.

—  Discovery, installation and use of tools that perform typical Corpus Linguistics functions, including the understanding of pattern matching with Regular Expressions and corpus annotation tools

—  Familiarity with terminology of NLP and Text Processing.

Sustainable Development Goals

#ODS4 Educació de qualitat

4.3 Per al 2030, assegurar l’accés en condicions d’igualtat per a tots els homes i les dones a una formació tècnica, professional i superior, inclosa la universitat, accessible i de qualitat.

4.4 Per al 2030, augmentar substancialment el nombre de joves i adults que tenen les competències necessàries, en particular tècniques i professionals, per accedir a l’ocupació, el treball decent i l’emprenedoria

#ODS5 Igualtat de gènere

5.b Millorar l’ús de la tecnologia instrumental, en particular la tecnologia de la informació i les comunicacions, per promoure l’apoderament de la dona

#ODS9 Indústria, innovació i infraestructura

9.5 Augmentar la recerca científica i millorar la capacitat tecnològica dels sectors industrials de tots els països, en particular els països en desenvolupament, entre altres coses fomentant, per al 2030, la innovació i l’augment substancial del nombre de persones que treballen en el camp de la investigació i el desenvolupament per cada milió de persones, així com augmentant les despeses en recerca i desenvolupament dels sectors públic i privat

Prerequisites

No prerequisits

Contents

Section 1

—  What is a corpus? Why to use computers?

—  Tools for basic functions. Keyword in Context, KWIC and concordances. Count frequencies of words. Significance of frequency related to contexts. Count frequencies of sequences of words. Count frequencies of sequences of words that are specially related, i.e. collocations. Assessment of the strength of a relation, i.e. Mutual Information. Pattern search and Regular Expressions.

Section 2

—  Representativeness, balance and sampling. Reference corpus. Most well-known reference corpus and other sources of texts.       

—  Types of corpora. General corpora. Specialized corpora. Written corpora. Spoken corpora. Synchronic corpora. Diachronic corpora. Learner corpora. Monitor corpora. Copyrights and other legal issues.

Section 3

—  Corpus mark-up. From character encoding to Corpus mark-up languages. Metadata for describing corpus.

—  Corpus annotation. Levels of Linguistic Annotation. Tools for the annotation of corpora.

Section 4

—  Parallel corpora and specific tools. Tools for finding parallel texts. Alignment of parallel texts. Exploitation of parallel corpora.

Teaching Methods

The main characteristics of the course are the following: The course is based mainly on practical exercises  for the student to acquire the competences listed in section 3 of this document. Since competence is defined as a learned ability to adequately perform a task and encompasses knowledge, skills and attitudes, the goal of this course is for the students to be able to successfully perform specific corpus-based related tasks using processing tools. The class time will be devoted to the introduction of contents regarding these tools. The seminar time will be devoted to discussions and exercises.

The course will be organized in two main blocks that roughly correspond to 5 weeks each. In the first half, we will follow two selected studies (and publications), which compose a quick introduction to prototypical tools following experiments/studies made by others. Thus, the students will work on exercises following the content introduced in classes.

The second half of the course requires the students to define an experiment that involves the definition and creation of a corpus and its exploitation by means of the tools they have learned about in the first part of the course. In order to evaluate his or her project, each student will be required to write a paper about it. The paper will be peer-reviewed by other students of the course (using guidelines based on current peer review process for outstanding conferences).

Evaluation

Main evaluation will be based on getting evidence on the acquisition of the competences mentioned before and the final mark will be assessed from the following ratios:

a.   Homework assignments: 45%  

b.   Final project, the paper: 45%

c.   Participation in the final project peer-evaluation process: 10%

In case of failure after the main evaluation, the student must deliver a (revised) final project in two months time.

Bibliography and information resources

Información del Plan Docente

Presentación

La asignatura Corpus y herramientas de software presenta la metodología para realizar investigaciones empíricas basadas en corpus sobre lingüística y lingüística aplicada. En particular, se trata de utilizar programas como herramientas básicas para gestionar grandes cantidades de datos de texto.

El objetivo de la asignatura es que el estudiante conozca la razón de los programas y herramientas que ayudan a los investigadores a la hora de trabajar con datos lingüísticos procedentes de un objeto de estudio llamado corpus, que es una colección de textos.

Competencias asociadas

CGS1. Creatividad para la investigación de posgrado y la práctica profesional

CT1.6. Capacidad para diseñar y revisar procesos de forma sistemática

CE. Desarrollar con la metodología del análisis lingüístico argumentativo y empírico.

Resultados del aprendizaje

- Aplicación de criterios de para el diseño de corpus y uso de herramientas última generación para compilar un corpus con fines específicos.

- Uso de conceptos como representatividad y significación para la investigación empírica en lingüística

- Definición de los requisitos necesarios para encontrar herramientas (y fuentes de información) y funcionalidades para utilizarlas.

- Descubrimiento, instalación y uso de herramientas que realizan funciones típicas de la lingüística de corpus, incluida la comprensión de la búsqueda de patrones con expresiones regulares y herramientas de anotación de corpus.

- Conocimiento de la terminología de PNL y procesamiento de textos.

Objetivos de Desarrollo Sostenible

# ODS4 Educación de calidad

4.3 Para 2030, garantizar la igualdad de acceso de todos los hombres y mujeres a la enseñanza técnica, profesional y superior, incluida la universitaria, accesible y de alta calidad.

4.4 De aquí a 2030, aumentar sustancialmente el número de jóvenes y adultos que poseen las competencias necesarias, en particular técnicas y profesionales, para acceder al empleo, al trabajo decente y al espíritu empresarial.

# ODS5 Igualdad de género

5.b Mejorar el uso de la tecnología instrumental, en particular la tecnología de la información y la comunicación, para promover el empoderamiento de las mujeres

# ODS9 Industria, innovación e infraestructuras

9.5 Aumentar la investigación científica y mejorar la capacidad tecnológica de los sectores industriales de todos los países, en particular de los países en desarrollo, entre otras cosas fomentando, para 2030, la innovación y un aumento sustancial del número de personas que trabajan en el ámbito de la investigación y el desarrollo por millón de habitantes, así como aumentando el gasto en investigación y desarrollo en los sectores público y privado

Prerrequisitos

No hay pre-requisitos.

Contenidos

Sección 1

- ¿Qué es un corpus? ¿Por qué utilizar ordenadores?

- Herramientas para funciones básicas. Palabra clave en contexto, KWIC y concordancias. Contar frecuencias de palabras. Importancia de la frecuencia relacionada con los contextos. Contar las frecuencias de secuencias de palabras. Contar las frecuencias de secuencias de palabras especialmente relacionadas, es decir, colocaciones. Evaluación de la fuerza de una relación, es decir, información mutua. Búsqueda de patrones y expresiones regulares.

Sección 2

- Representatividad, equilibrio y muestra. Corpus de referencia. Corpus de referencia más conocidos y otras fuentes de textos.

- Tipo de corpus. Corpus generales. Corpus especializados. Corpus escritos. Corpus hablados. Corpus sincrónicos. Corpus diacrónicos. Corpus del aprendiz. Monitor de corpus. Derechos de autor y otras cuestiones legales.

Sección 3

- Mark-up y corpus. Desde la codificación de caracteres hasta los lenguajes de marcación Corpus. Metadatos para describir el corpus.

- Anotación del corpus. Niveles de anotación lingística. Herramientas para la anotación de corpus.

Sección 4

- Corpus paralelos y herramientas específicas. Herramientas para encontrar textos paralelos. Alineación de textos paralelos. Explotación de corpus paralelos.

Metodología docente

Las características principales de la asignatura son las siguientes:

La asignatura se basa principalmente en ejercicios prácticos para que el estudiante adquiera las competencias enumeradas en el apartado 3 de este documento. Dado que la competencia se define como una habilidad aprendida para realizar adecuadamente una tarea y engloba conocimientos, habilidades y actitudes, el objetivo de este curso es que los estudiantes sean capaces de realizar con éxito tareas específicas relacionadas con corpus mediante herramientas de procesamiento. El tiempo de clase se dedicará a la introducción de contenidos relativos a estas herramientas. El tiempo del seminario se dedicará a debates y ejercicios.

El curso se organizará en dos bloques principales que corresponden a aproximadamente 5 semanas cada uno. En la primera mitad, seguiremos dos estudios (y publicaciones) seleccionados, que componen una rápida introducción a las herramientas prototípicas después de experimentos/estudios realizados por otros. Así, los alumnos trabajarán ejercicios siguiendo los contenidos introducidos en las clases.

En la segunda mitad del curso se exige que el alumnado diseñe un experimento que implica la definición y creación de un corpus y su explotación mediante las herramientas que ha aprendido en la primera parte del curso y escribir un trabajo.  El documento será revisado por pares por otros estudiantes del curso (utilizando directrices basadas en el proceso de revisión por iguales actual para conferencias destacadas).

Evaluación

La evaluación principal se basará en la obtención de evidencias de la adquisición de las competencias antes mencionadas y la nota final se valorará a partir de los siguientes ratios:

a. Prácticas: 45%

b. Proyecto final, el artículo: 45%

c. Participación en el proceso de evaluación por iguales del proyecto final: 10%

En caso de suspenso después de la evaluación principal, el estudiante deberá entregar un trabajo final (revisado) en un plazo de dos meses.

Bibliografía y recursos de información