Sumario

Contents

1. INTRODUCIÓN

A nomenclatura científica binomial é a resposta, universalmente adoptada, ó reto taxonómico que supón a inxente diversidade de organismos vivos que habitan a Terra. As súas orixes están indisolublemente ligadas a Carlos Linneo, considerado o pai da nomenclatura binomial moderna, sen que isto impida recoñece-lo papel de figuras precursoras como a de Caspar Bauhin e, en xeral, o carácter gradual da evolución da nomenclatura científica (Pavlinov 2021). Neste sentido, hai que entender que os medios de descrición da biodiversidade ofrecidos polos sistemas de nomenclatura mostran unha evolución paralela á das ideas sobre a estrutura da biodiversidade e sobre os métodos para describila. Con todo, non nos deteremos aquí nas diferenzas entre escolas nomenclaturistas, pois non son relevantes para o presente traballo.

O principal obxectivo da nomenclatura científica é nomear de maneira unívoca cada especie de organismo coñecida e, ó tempo, agrupa-las especies pertencentes a un mesmo xénero. Deste xeito, emprégase un sistema semellante ó da onomástica (nome e apelido) no que cada denominación é o resultado da combinación de dous termos: o nome do xénero (con maiúscula inicial) e o nome da especie (en minúscula). En ocasións podemos atopar un terceiro elemento que actúa como especificador dos dous anteriores e, nestes casos, a denominación taxonómica designa unha subespecie. A nomenclatura científica facilita así a identificación exacta de calquera organismo, vivo ou extinto, e, ademais, resolve os problemas que puidesen resultar da diversidade de denominacións vernáculas. Esta variabilidade maniféstase, desde un punto de vista interlingüístico, en expresións romances como polbo, pulpo, pop ou polvo e, desde unha perspectiva intralingüística, en termos galegos como cabala, correolo, escombro, rincha, verdel ou xarda. A nomenclatura científica dá resposta a estes dous casos de multiplicidade denotativa mediante Octopus vulgaris e Scomber scombrus, respectivamente, ofrecendo así unha denominación estandarizada e universal.

No ámbito da lingüística computacional, a nomenclatura científica é estudada en relación co seu recoñecemento e extracción en textos de linguaxe técnica e, particularmente, no ámbito do recoñecemento de entidades mencionadas (NER, Named Entity Recognition, nas súas siglas en inglés), que ten como fin atopar e clasifica-las entidades mencionadas nun texto ou corpus. Os achegamentos NER á nomenclatura científica serven fins diversos. Por exemplo, Pafilis et al. (2013), ante o fluxo masivo de bibliografía biomédica, desenvolven ferramentas encargadas de minar textos científicos á procura de denominacións binomiais que permitan recoñecer entidades biolóxicas mencionadas, asistindo así no labor de selecciona-las contribucións bibliográficas relevantes para un determinado tema. Os nomes científicos tamén poden xogar un papel importante na busca de correspondencias entre nomes comúns de especies biolóxicas en diferentes linguas, como mostran Seideh, Fehri & Haddar (2017), que deseñan un método para establecer emparellamentos entre expresións francesas e árabes empregando os termos científicos. Unha última mostra do interese da nomenclatura no ámbito NER témola no traballo de Nguyen, Gabud & Ananiadou (2019), onde elaboran un corpus de entidades mencionadas na bibliografía sobre biodiversidade co obxectivo de rexistra-la ocorrencia de especies biolóxicas, especialmente aquelas ameazadas ou en perigo de extinción.

Fronte ó interese suscitado no eido NER, o recoñecemento e etiquetaxe da nomenclatura binomial en corpus lingüísticos foi obxecto de escasa atención. É máis, malia que a identificación e o tratamento das unidades multipalabra hai anos que é foco de interese (Calzolari et al. 2002, Villavicencio et al. 2007 ou Caseli et al. 2009), pódese considerar que esta é aínda unha tarefa pendente do procesamento da linguaxe natural, como apuntan Darriba, Doval & Kuriyozov (2021). Estes autores, que tentan demostra-la utilidade de técnicas de aprendizaxe profunda para a detección e identificación de expresións multipalabra empregando o CORGA, que na altura non incluía aínda a mellora na anotación da nomenclatura científica, teñen en conta no seu estudo dous grandes bloques: entidades mencionadas (isto é, Universidade de Vigo, Fondo Monetario Internacional, Xunta de Galicia, Unión Europea) e locucións adverbiais, adxectivas, conxuntivas, prepositivas e substantivas (isto é, sen dúbida, azul celeste, e mais, cara a, visto e prace).

O CORGA é un corpus documental aberto representativo da lingua galega actual, codificado en XML e enriquecido con anotación morfosintáctica mediante a ferramenta XIADA, un etiquetador de tipo estatístico, cuxo obxectivo é fornecer datos para o estudo do galego dende múltiples perspectivas: léxica, morfolóxica, sintáctica, fraseolóxica, terminolóxica, comunicativa etc. Na actualidade pode afirmarse que o CORGA acadou un grao de madurez importante, pero aínda admite melloras en moi distintos aspectos. Estas melloras poden dirixirse, seguindo a idea exposta por Bunge (1972), ó crecemento en superficie e ó crecemento en profundidade. O crecemento en superficie consiste no incremento do volume de textos codificados e anotados e, no caso do rexistro oral, tamén na súa transcrición e aliñamento. O crecemento en profundidade, co que se relaciona o presente traballo, inclúe melloras en tódolos procesos, especialmente nos relativos á etiquetaxe morfosintáctica e ás posibilidades de explotación.

Coma calquera etiquetador, o de XIADA aplica un conxunto de etiquetas, o etiquetario, ó corpus obxecto de anotación, o CORGA. En tanto que etiquetador estatístico, faino fundamentalmente a partir dunha base de datos léxica na que se asocia a cada entrada unha etiqueta e un lema, así como dun corpus de adestramento que proporciona o modelo de desambiguación. Completa estes módulos outro de regras lingüísticas que permite mellorar a taxa de acerto (Domínguez Noya 2016).

Na primeira capa de análise lingüística aplicada sobre o CORGA (Domínguez Noya 2013) non se tiveron en conta as entidades. A identificación destas como substantivos propios no interior de secuencia obedece, grosso modo, á presenza dunha maiúscula inicial seguida de caracteres en minúscula, de forma que toda palabra que comeza con maiúscula se identifica como substantivo propio. Isto entronca directamente coa convención que, no establecemento da nomenclatura científica para as especies, determina escribi-la inicial do xénero en maiúscula, o cal conduce na etiquetaxe automática das versións do CORGA anteriores á 4.0 a unha análise desagregada errónea da expresión binomial (isto é, Octopus vulgaris), na que a forma correspondente ó xénero se caracteriza como substantivo propio e recibe como lema o propio nome (Octopus/Sp00/Octopus), mentres que a parte relativa ó subtipo adoita clasificarse como substantivo ou adxectivo (para o exemplo, substantivo común masculino/feminino plural, sen lema: vulgaris/Scap/*). Son precisamente estas caracterizacións incorrectas a xeito de unidades independentes as causantes de que nos acheguemos ás expresións binomiais da nomenclatura científica, co fin de favorece-la súa anotación conxunta, integrándoas de modo coherente coas características dun recurso que conta xa con algo máis de 40 millóns de palabras (43 162 364 palabras ortográficas / 51 451 088 elementos gramaticais).

Nesta contribución, tras revisa-lo seu tratamento noutros corpus peninsulares, ilustrámo-lo proceso mediante o cal engadímo-la nomenclatura binomial ó repertorio de expresións multipalabra do CORGA coa esperanza de que poida resultar útil tanto para a súa futura inclusión en estudos de procesamento da linguaxe natural que empreguen este corpus como para a súa aplicación noutros corpus doutras linguas.

2. A ANOTACIÓN DOS TERMOS CIENTÍFICOS NOUTROS CORPUS

A consulta doutros corpus anotados, de referencia ou técnicos, do galego (Tesouro Informatizado da Lingua Galega [TILG] e Corpus Técnico Anotado do Galego [CTAG]), español (Corpus del Español del Siglo XXI [CORPES]), portugués (Corpus de Referência do Português Contemporâneo [CRPC]) e catalán (Corpus Tècnic [CT] e Corpus Textual Informatitzat de la Llengua Catalana [CTILC]) presenta resultados heteroxéneos, como amosa a selección recollida na táboa 1.

Dos corpus examinados, entre os que, ademais dos referenciados na táboa 1, cómpre engadirmos o British National Corpus (BNC), o Corpus Brasileiro (CB) e mailo Corpus del español (CdE) e o Corpus do português (CdP) de Mark Davies, ningún reserva unha etiqueta específica para a nomenclatura científica e só o CTAG e mailos dous do catalán, CT e CTILC, consideran esas expresións unha unidade multipalabra. O CTAG e o CT etiquétanas ademais como nomes comúns, aplicando no caso do primeiro xénero e número, mentres que o segundo deixa indeterminados tales atributos. O resto dos corpus analiza os membros por separado e a súa categorización tende á que amosa o CORPES: estranxeirismo ou substantivo propio para o xénero, e estranxeirismo ou descoñecido para o subtipo. Comentario á parte merece, sen dúbida, o CRPC, que amosa as análises máis sorprendentes, inda que xustificables por se-la etiquetaxe automática, ó caracteriza-lo termo para o subtipo sativa, scrofa e alba como forma verbal de 3.ª persoa singular indicativa en copretérito, presente e antepretérito, respectivamente.

3. PROPOSTA DE ANÁLISE

A investigación inicial sobre as denominacións científicas binomiais ou trinomiais —en que consisten, cales son as súas características etc.— lévanos a consideralas expresións latinizadas que conforman unha unidade multipalabra cuxo comportamento é similar ó dun substantivo. Propoñemos, polo tanto, a súa integración nesta clase de palabras. Non obstante, rexeitamos tratalos como propios por entender que tanto a denominación vernácula como a científica son comúns, inda que por convención a inicial do xénero se escriba con maiúscula, feito que conduce na anotación automática á interpretación xeneralizada como propio.

Á luz do tratamento unitario que o CTAG, o CT e o CTILC aplican sobre as denominacións científicas binomiais, así como da súa caracterización, cremos conveniente tratalas tamén no CORGA como substantivos (S). Con todo, optamos por crear un novo subtipo que denominamos nomenclatura científica (n) e non integralos entre os substantivos comúns. Tal decisión alicérzase en dous motivos. O primeiro deles pode sintetizarse en que estas expresións pertencen a unha lingua distinta do galego: son expresións latinas ou latinizadas que non forman parte, por tanto, do seu acervo léxico; como tales, ademais, fóra algún caso de uso xa común, non se recollen nas obras lexicográficas que inventarían o léxico dunha lingua. Por último, a mesma relación de termos científicos que denominan especies ou subespecies é de uso no galego, no catalán, no español ou no portugués, por só citar algunhas das linguas posibles, sen necesidade de adaptación. En consecuencia, non estamos ante un trazo intrínseco a unha lingua específica, cuxo comportamento gramatical difire en función da lingua de que se trate, como ocorre, por exemplo, coa flexión do número para os substantivos agudos polisílabos rematados en -n. É precisamente esta universalidade a que permite extrapola-la presente proposta aplicada no CORGA para o galego a outros corpus e linguas. O segundo dos motivos fundaméntase na practicidade: a creación dun valor exclusivo para a nomenclatura científica individualiza estes elementos mediante unha etiqueta específica e facilita a súa recuperación e extracción na plataforma de consulta.

En relación, finalmente, cos trazos gramaticais de xénero e número pertinentes para a clase de palabra substantivo, as denominacións binomiais aparecen frecuentemente en contextos lingüísticos pobres, onde os atributos gramaticais propios dos substantivos non se manifestan: como primeiro elemento da entrada dun apéndice tipo dicionario (“Quercus suber L. = Sobreira.”); como aclaración dun nome común (“dereita: un delicioso rolo de kelp de AMTI (Saccharina latissima) preparado por Chris Aerni [...]”); en aposición a un substantivo común (“Nas zonas protexidas, a especie Fucus vesiculosus viuse fortemente danada [...]”, “Na páxina anterior, unha colleiteira nas costas galegas da alga Gelidium corneum utilizada pola industria dos ficocoloides.”); en enumeracións (“Proponse a separación da vexetación en tres tramos altitudinais, caracterizado cada un deles por unha especie dominante sobre a paisaxe vexetal: o piñeiro (Pinus pinaster), o castiñeiro (Castanea vulgaris), o carballo (Quercus pedunculata) e o xenebro (Juniperus nana), segundo unha orde de altitudes crecentes.”); etc.

Con todo, non é raro atopar no CORGA expresións binomiais en contextos lingüisticamente máis ricos nos que se dá algún tipo de determinación e/ou modificación: “Na Galiza tamén podemos atopa-la Dactylorhiza sambucina.”, “É moi semellante ao Boletus edulis, do que se diferenza polo tamaño, é algo máis pequeno.”, “Especial interese, cara á quimioprofilaxe e ó tratamento, teñen os P. Falciparum resistentes á cloroquina e, polo tanto, teno tamén o coñecemento da súa distribución xeográfica.”, “En principio, a localización das Muscari neglectum atopadas, non facía prever un dano próximo a esta pequena poboación.”.

Aínda así, seguindo o CT e o CTILC, decidimos non concreta-los valores de xénero e número para o subtipo nomenclatura científica. O feito de apareceren maioritariamente illados en unidades parentéticas, de seren termos non galegos, de non contarmos con coñecementos suficientes de latín, de non dispormos de glosarios coa información gramatical xenérica oportuna e de requirir un labor de investigación que, en termos de tempo e recursos, iría en detrimento do proxecto conducen ó establecemento de hipervalores en ámbolos dous atributos1. Así, na terceira posición dos caracteres que constitúen a abreviación da etiqueta, ‘Snaa’, o ‘a’ equivale ó valor inespecificado ‘masculino/feminino’, mentres que o ‘a’ da cuarta posición corresponde ó valor ‘singular/plural’. A seguir descríbense os procesos requiridos para aplicar na anotación morfosintáctica a nova etiqueta.

4. IMPLEMENTACIÓN DA NOVA ETIQUETA NO SISTEMA XIADA

O etiquetador de XIADA, coma calquera outro, aplica o etiquetario definido ó corpus obxecto de anotación, o CORGA. En tanto que etiquetador estatístico, faino principalmente a partir dunha base de datos léxica na que se asocia a cada entrada unha etiqueta e un lema, así como dun corpus de adestramento a partir do cal infire a información gramatical que lle proporciona o modelo de desambiguación. Estes módulos compleméntanse con outros que melloran a taxa de acerto ou inciden sobre a reconstrución do elemento gramatical cando este está inmerso, como palabra ortográfica, nunha amálgama.

Para implementa-la etiqueta ‘Snaa’ en XIADA non basta con introduci-lo valor nomenclatura científica no subtipo dos substantivos2 nin abonda con suma-la etiqueta e un exemplo de uso á listaxe de etiquetas que poden aparecer asignadas no CORGA3. Estas son tarefas exclusivamente de documentación que non repercuten na etiquetaxe do corpus: só informan das clases de palabras recoñecidas e mais dos trazos morfosintácticos que as caracterizan, xunto con exemplos de uso.

En realidade, para poder empregala, o etiquetador só esixe que a etiqueta estea recollida no que en lingüística de corpus se denomina Training Corpus Zero, ó cal imos referirnos de aquí en diante como kérnel ou núcleo de XIADA. Se se cumpre esta condición, a nova etiqueta ‘Snaa’ formará xa parte do xogo de candidatos que a ferramenta de anotación manexará para caracteriza-las palabras do texto que se pretenda procesar. Agora ben, para que a anotación automática poida realizarse con certas garantías de éxito, un etiquetador de tipo probabilístico, como é o de XIADA, debe contar tamén con información sobre cando esa etiqueta posúe máis probabilidades de se-la que corresponde aplicar e debe, por último, dispoñer dunha relación de unidades susceptibles de recibir tal caracterización morfosintáctica. Ou sexa, hai que intervir tamén sobre o corpus de adestramento e o lexicón. Nos subapartados que seguen, desenvolvemos con máis detalle as actuacións realizadas, respectivamente, sobre estes tres módulos: kérnel, corpus de adestramento e lexicón.

5. EFICACIA DA NOVA ETIQUETA

A implementación da etiqueta ‘Snaa’ no sistema XIADA actúa nun dobre sentido: por un lado, facilita a recuperación global e/ou individualizada de casos de nomenclatura científica binomial ou trinomial presentes no CORGA e abre as portas a estudos relacionados coa súa presenza nun xénero textual específico, coa súa frecuencia de uso, posibles causas etc.; por outro lado, supón unha mellora substancial na etiquetaxe do propio corpus por canto reduce os casos mal identificados e mal anotados que proporcionaban as versións previas, como sucedía coa análise de Octopus vulgaris e outros moitos, descrita no apartado introdutorio.

Entre a información estática que fornece o CORGA é de interese para o tema que nos ocupa a listaxe da frecuencia das etiquetas10, posto que permite obter con suma facilidade o dato da frecuencia no total do etiquetario para ‘Snaa’. Así, das 454 etiquetas diferentes ás que dá lugar o tagset de XIADA, no corpus etiquetado automaticamente concorren 419, e destas, a de ‘Snaa’ ocupa a posición 222, cun total de 2354 ocorrencias, das cales son formas distintas 1234. Recollemos como mostra deseguido os vinte termos científicos binomiais máis frecuentes, xunto co número de ocorrencias global (frecuencia absoluta) e mailo número de documentos diferentes no que se localizan. Son os seguintes: E. coli (60/9), Homo sapiens (34/11), Saccharina latissima (33/8), Romulea columnae (19/2), Homo erectus (18/5), Barlia robertiana (15/2), Eucalyptus glóbulus (13/1), Pinus pinaster (13/7), Boletus edulis (12/5), Escherichia coli (12/6), P. olseni (12/1), Centaurea borjae (11/2), Eucalyptus globulus (11/6), Homo habilis (11/4), Quercus robur (11/8), Castanea sativa (10/5), Digitalis purpurea (10/5), D. magna (10/1), Ensis siliqua (10/4) e Ostrea edulis (10/7).

A recente actualización do CORGA permitiu examina-la eficacia dos dous métodos empregados para a detección e identificación dos termos científicos binomiais. Primeiramente, en novembro de 2021, realizouse a etiquetaxe do corpus, no que atinxe á nomenclatura científica, coa información proporcionada só polo lexicón (1014 termos de nomenclatura científica), o cal posibilitou o recoñecemento de 5446 ocorrencias, das cales eran formas distintas 2459. Unhas cifras, en principio, inesperadamente altas. Non obstante, a observación dos resultados amosou formas simples ás que o módulo de adiviñación lles asignaba a etiqueta ‘Snaa’, entendemos que pola semellanza na terminación, entre as cales presentaban maior frecuencia absoluta as seguintes: princepessa, manager, bossa, europeus, hutus, confeti, magnum, henna ou valium. É dicir, o guesser, que nunca actúa sobre unidades multipalabra, aplicaba a etiqueta erroneamente, polo que decidimos excluíla de entre as que manexa. Volveuse anotar todo e obtivéronse 1812 ocorrencias, das cales 881 eran formas distintas, mais agora si, todos os resultados correspondían a expresións binomiais científicas. Un mes máis tarde reanótase de novo todo o corpus, mais neste caso tendo en conta non só a información do lexicón, senón tamén a do arquivo externo que contén case 30 000 candidatos colleitados en repositorios de Internet. Os datos, coincidentes xa cos que achega a versión 4.0 dispoñible en liña, ofrecen agora un resultado de 2468 ocorrencias identificadas, das cales 1346 son formas únicas; ou sexa, o recoñecemento do 73% prodúcese grazas ó lexicón computacional.

En suma, este parece se-lo camiño a seguir: emprega-la ferramenta GNRD sobre o propio corpus para a detección de candidatos, executa-lo etiquetador sobre o resultado e introducir no lexicón os non recoñecidos, tras verifica-la súa pertinencia.

6. CONCLUSIÓNS

No ámbito do procesamento da linguaxe natural o tratamento das unidades multipalabra é aínda un labor inconcluso. Neste contexto, encaramos un problema sistemático de anotación morfosintáctica no CORGA, o cal se produce tamén noutros corpus, de referencia ou técnicos, etiquetados automaticamente: a etiquetaxe desagregada e errónea da denominación científica para as especies e subespecies. Revisámo-la súa anotación no TILG, no CTAG, no CORPES, no CRPC, no CT e no CTILC. Propuxemos (i) considerar que as denominacións científicas latinizadas, binomiais ou trinomiais, conforman unha unidade multipalabra; (ii) determinámo-la súa integración na clase de palabra substantivo, (iii) dentro do subtipo nomenclatura científica para facilita-la súa recuperación na plataforma de consultas, ó tempo que (iv) establecemos como lema a propia forma e, en último termo, (v) vencellámo-las variantes ortográficas entre os lemas dunha mesma especie mediante a remisión ó mesmo hiperlema. Describimos así mesmo a inclusión da nova etiqueta (‘Snaa’) no sistema XIADA e afrontámo-la identificación dos candidatos dende unha dupla perspectiva: colleitalos en inventarios accesibles na web e extraelos do propio corpus cunha ferramenta específica de detección (GNRD). Os resultados iniciais amosan unha presenza notable deste tipo de termos no corpus e sinalan a última aproximación como a máis axeitada por canto, sen sobrecarga-lo lexicón, conduce ó recoñecemento das expresións binomiais presentes no CORGA. Finalmente, cómpre subliña-la importancia da nova etiqueta na recuperación selectiva dos datos e a adaptabilidade da presente proposta para a súa aplicación noutros corpus.