Se plantea la posibilidad de utilizar las expresiones que describen noticias publicadas en prensa de información general, como fuente para la actualización de los macrotesauros de la UNESCO y de la Unión Europea (EUROVOC), que requieren una frecuencia de revisión mayor que la presente. Para ello, se ha indizado un conjunto de artículos periodísticos de divulgación científico-tecnológica, mediante un proceso de comparación terminológica y analizado la similitud conceptual y léxica entre las palabras clave ex- traídas y los términos (preferentes y no preferentes) recogidos en los macrotesauros indicados. Los resultados preliminares indican que alrededor del 40% de los términos obtenidos no se incluyen en éstos y aproximadamente un 10% podrían incluirse como término genérico o específico respecto al término propuesto por el método. Estos datos confirmarían la necesidad de actualizar con más frecuencia los macrotesauros estudiados y que las noticias de periódicos generalistas constituyen una fuente adecuada para dicho proceso Esta presentación deriva del siguiente artículo: BAÑOS-MORENO, María-José. "Fuentes para la actualización de macro-tesauros: Noticias de divulgación científica". Cuadernos de Gestión de Información. Volumen 3 (1), 2013 http://fcdmurcia.es/ojs/index.php?journal=cuadernos&page=article&op=view&path%5B%5D=143 - See more at: http://documentalistaparaboss.blogspot.com.es/p/curriculum.html#sthash.U6xvA4qn.dpuf

1. Fuentes para la actualización de macrotesauros: Noticias de divulgación científica
María José Baños Moreno
Master en Gestión de Información en las Organizaciones
Facultad de Comunicación y Documentación
Universidad de Murcia
Julio, 2013

2. Introducción
• Contexto: ritmo exponencial del crecimiento de la información y
la dispersión de datos
• Productos que tratan de solucionar el problema: los tesauros.
Fines:
o Describir la información
o Recuperar la información
o Servir de fuente para elaborar otras herramientas que respondan
a necesidades específicas
• Tesauros analizados: Unesco y Unión Europea, fundamentales
para la construcción de otros productos
Diapositiva 2

3. Entidad
Creación
Objeto
Campos
Jerarquía
Idiomas
Actualización
Tunesco
UNESCO
1977
Multidisplinar
Monojerárquico
Español, inglés, francés y
ruso
Teurovoc
Unión Europea
1984
Tratamiento de
información generada
internamente
Multidisplinar
Polijerárquico
22 lenguas UE + Croata
+ Serbio
2008
2012
Análisis temático y
búsqueda de documento
Características de los Tesauros de la Unesco (Tunesco) y Unión Europea (Teurovoc). FUENTE:
Elaboración propia a partir de la información que consta en las webs de las respectivas
instituciones
Diapositiva 3

4. Objetivos
• Analizar el grado de actualización de Tunesco y Teurovoc.
Consideración: indicador de calidad extrínseca
• Conocer si las noticias de divulgación científica pueden ser
utilizadas como fuente de renovación
• Determinar si estos vocabularios resultan adecuados para
describir noticias de divulgación científica
Diapositiva 4

5. Metodología
Muestra: corpus de 1599
noticias
de
divulgación
científica, obtenidas a partir de
la selección sucesiva de países,
diarios, secciones y titulares
durante 4 meses (del 9 de
marzo al 9 de julio de 2012)
Dos submuestras:
 M1: 159 noticias (10%)
 M2: 320 noticias (20%)
País
Alemania
Canadá
Medio
Süddeutsche Zeitung
The Global and Mail
China Daily
China
The China Post
Corea
The Korea Times
España
El Mundo
The New York Times
EE.UU
The Washington Post
Francia
Le Monde
Italia
La Reppublica
Japón
Yomiuri Shimbun
Reino Unido The Daily Telegraph
Rusia*
Pravda
Selección de países y medios y conformación de las
sub-muestras M1 y M2. FUENTE: Elaboración propia
Diapositiva 5

6. Metodología
• Indización manual y en
lenguaje natural de titulares
• Traducción a español, inglés y
francés
• Búsqueda
automática
de
equivalencias con N-gramas y
Apache Solr
• Clasificación de resultados
según equivalencias
• Cálculo de estadísticas
• Cálculo de precisión exacta,
cercana y total
Código
Relación
TC
Equivalencia exacta
TS
Sinonimia
TE
Específica
TG
Genérica
TR
Asociativa
TN*
Nueva
TFE
Falsa equivalencia
Códigos de clasificación de resultados para
cada par de términos. FUENTE: Elaboración
propia
Diapositiva 6

7. Método N-gramas
SUB-MUESTRA M1, 10% NOTICIAS
1.Identificación de los bi-gramas únicos solapados:
•Cálculo del Coeficiente de Dice (Cd), en cada idioma, para cada par de términos
(titular y tesauro) y de la media (Msi) de los tres idiomas
•Selección del término con Msi más elevada, entre posibles candidatos
•Clasificación de medias (Msi) en intervalos agrupados de similitud: [0 – 0,6),
[0,6 – 0,8) y [0,8 – 1]
Diapositiva 7

8. Método N-gramas, resultados
≈ 55% de términos
correctos (TC)
≈ 6% de relaciones de tipo
jerárquico (TE + TG)
≈ 10% de términos
relacionados (TR)
+
22%
de
falsos
equivalentes (TFE)
TC
TS
TG
TE
TR
TFE
Tunesco
Teurovoc
Total
%
Total %
161 53,49 176 58,47
7
2,33
4
1,33
7
2,33
9
2,99
15
4,98
11
3,65
28
9,30
30
9,97
83
27,57
69 22,92
Clasificación de términos de acuerdo a resultados
obtenidos con N-gramas. FUENTE: Elaboración
propia
Diapositiva 8

9. Un par de ejemplos de falsos equivalentes
“dinosaurio” y “tesauro”
Grado de equivalencia: 0,40
“evacuación” y “devaluación”
Grado de equivalencia: 0,75
Diapositiva 9

10. Método Apache Solr
SUB-MUESTRA M2, 20% NOTICIAS
•Construcción de una colección de documentos (términos del
tesauro)
Campo
id
type
des_es
des_fr
des_en
nd_es
nd_fr
nd_en
Descripción
Identificador del concepto
Tesauro (Tunesco ó Teurovoc)
Término descriptor en Español
Término descriptor en Francés
Término descriptor en Inglés
Término no-descriptor en Español
Término no-descriptor en Francés
Término no-descriptor en Inglés
Estructura de campos para la indización de términos como documentos en
Apache Solr. FUENTE: Elaboración propia
Diapositiva 10

11. Método Apache Solr
• Ecuación de búsqueda (términos extraídos) compuesta por 7
procesos para hallar la mejor correspondencia entre términos:
Consulta
Q1
Q2
Q3
Q4
Q5
Q6
Q7
Descripción
Palabras, en índice general
Literal, en el campo descriptor
Literal, en el campo no-descriptor
Expresión lematizada, en el campo descriptor
Expresión lematizada, en el campo no-descriptor
Palabras lematizadas, en campo descriptor
Palabras lematizadas en campo no-descriptor
Boost
2,5
5
3
0
0
0
0
Consultas efectuadas en Apache Solr. FUENTE: Elaboración propia
• Apache Solr proporciona una medida de similitud o score entre
pares de términos
Diapositiva 11

12. Método Apache Solr, resultados
- 50% de términos extraídos tenían
similitud exacta
≈ 15% mantienen una relación de
jerarquía
≈ 12% guardan una relación de
tipo asociativo (TR)
Para ≈ 25% no se halló ninguna
relación (términos nuevos, TN) o
ésta fue mal asignada (falsos
equivalentes, TFE).
TC
TS
TG
TE
TR
TFE
TN
Tunesco
Teurovoc
Total % Total %
264 44,07 290 48,41
14 2,34 10 1,67
25 4,17 43 7,18
69 11,52 42 7,01
75 12,52 70 11,69
69 11,52 83 13,86
83 13,86 61 10,18
Clasificación de términos de acuerdo a
resultados obtenidos con Apache Solr.
FUENTE: Elaboración propia
Diapositiva 12

13. Resultados (TFE y TN)
Términos Falsos Equivalentes y Nuevos
devueltos por ambas técnicas para
Tunesco. FUENTE: Elaboración propia
Términos Falsos Equivalentes y Nuevos
devueltos por ambas técnicas para
Teurovoc. FUENTE: Elaboración propia
Diapositiva 13

14. Un ejemplo de falso equivalente
“virus animal” y “virus informático” (Teurovoc) –> TFE
“virus animal” y “virus” (Tunesco) -> TG
Diapositiva 14

15. Resultados de precisión
• Para evaluar la eficacia de cada método, se calculó su precisión (P) con
cada macro-tesauro:
• Se realizaron varios cálculos:
 Precisión exacta (PEX): tiene en cuenta los términos correctos (TC)
 Precisión cercana (PCLOSE): añade los sinónimos (TC + TS)
 Precisión total (PTOTAL): incluye cualquier tipo de relación entre
términos (TC+TS+TE+TG+TR)
Diapositiva 15

16. • Método N-gramas aporta mejores
resultados
• Teurovoc,
ligeramente
más
actualizado
Precisión total
Precisión exacta
Precisión cercana
Resultados
Datos de precisión para cada técnica y tesauro. FUENTE: Elaboración propia
Diapositiva 16

17. Discusión
• Influencia de la especialización de los campos
elegidos
• Subjetividad de la indización humana
• Ausencia de relación semántica entre pares de
términos: las técnicas empleadas se basan en el
cálculo de similitud morfológica
• No se ha profundizado en las relaciones entre
términos presentes en los tesauros. Se aprecia la
necesidad de revisión, para la redefinición de
categorías y relaciones
Diapositiva 17

18. Conclusiones: los macro-tesauros
En cuanto a los OBJETIVOS 1 y 3:
•Es necesaria una mayor frecuencia de revisión de Tunesco y
Teurovoc para incrementar su grado de actualización
•Por tanto, ninguno debe ser utilizado para describir noticias de
divulgación
•Sin embargo, sí que se pueden utilizar como base para la
construcción de otras herramientas. En este sentido, un trabajo
posterior podría analizar el uso concreto de Tunesco y Teurovoc
como punto de partida de otros vocabularios
Diapositiva 18

19. Conclusiones: las noticias
En cuanto al OBJETIVO 2:
•Las noticias de divulgación científica son una fuente adecuada
para la actualización de estos macro-tesauros. Incluyen muchos
términos no contemplados por éstos, que son reflejo de la
evolución en ciencia y tecnología
•En el futuro, un estudio podría centrarse en la utilidad de la
información periodística para la construcción y/o actualización
de otros tesauros o herramientas de organización del
conocimiento distintas
Diapositiva 19

20. Conclusiones: las técnicas
•
Los lenguajes pivote permiten resolver casos de homonimia, polisemia y
riqueza lingüística. En el futuro se podrían añadir al análisis otras lenguas
•
La lematización es necesaria. No se ha utilizado en N-gramas, provocando
errores en los resultados. Un estudio posterior podría trabajar en esta
cuestión
•
La paronimia ha elevado el número de TFE. Ejemplo: “corrupción política”
y “coalición política”. Es otra línea futura para mejorar el método N-gramas
•
Las precisiones exacta y cerca son aproximadamente un 10% mejores para
la técnica N-gramas. Pero Apache Solr aporta como ventaja los TN, para los
que no existe equivalencia. Otra línea de investigación podría centrarse en el
análisis concreto de los datos obtenidos para cada palabra clave extraída y
técnica, analizando las diferencias
Diapositiva 20

21. GRACIAS POR VUESTRA
ATENCIÓN