Las construcciones comparativas en corpus del español sintácticamente anotados

357Las construcciones comparativas encorpus delespañol… LAS CONSTRUCCIONES COMPARATIVAS ENCORPUS DELESPAÑOL SINTÁCTICAMENTE ANOTADOS M.ª Paula Santalla del Río/Eva M.ª Domínguez Noya Universidad de Santiago de Compostela/Centro Ramón Piñeiro para aInvestigación en Humanidades Resumen En esta exposición, tras una breve explicación de los presupuestos en que se basa la elaboración del corpus CSA yde lo que entendemos que subyace alos niveles de descripción gramatical que pueden reconocerse, se aborda el estudio de las estructuras comparativas, clasificadas en grupos apartir fundamentalmente de la Nueva Gramática de la Lengua Española (NGLE), en cuanto acomo puede variar yvaría su análisis en tres corpus sintácticamente analizados (UAM Spanish Treebank, IULA Spanish LSP Treebank yAnCora-es) ycon respecto especialmente al propio corpus CSA. De ello se concluye que, para los propósitos de la anotación de corpus yla reutilización de recursos, una reflexión conjunta que camine hacia una estandarización en el paso de un nivel de descripción no formalizado auno que sí lo esté se hace hoy necesaria. Palabras clave: Corpus, anotación sintáctica, estructuras comparativas, formalización. 1. Introducción La construcción de recursos lingüísticos, entre los que se encuentran los corpus obases de datos textuales, es fundamental en toda lengua para el avance en el procesamiento automático del lenguaje http://dx.doi.org/10.18778/8220-201-4.26 358 M.ª Paula Santalla del Río/Eva M.ª Domínguez Noya natural, pero además es también especialmente beneficiosa para profundizar en el conocimiento mismo de la lengua, porque obliga auna descripción formalizada del material analizado. La creación de CSA, un corpus sintácticamente anotado del español1, se concentró en este hecho, dado que su objetivo primordial fue la exploración en detalle del instrumento que codifica el análisis del recurso en sí. Este planteamiento nació de la observación de las repercusiones que en la elaboración de los corpus tiene la distinción entre distintos niveles de descripción gramatical: descripción gramatical, descripción gramatical comprensiva yexhaustiva, ydescripción gramatical formalizada; este último es el necesario para analizar corpus lingüísticos, pero es un nivel descriptivo que cada corpus anotado suele en la práctica alcanzar de manera independiente de los demás. Como resultado de lo anterior, se observa que la heterogeneidad de los análisis recogidos en los corpus para las mismas estructuras es con frecuencia muy amplia, lo cual dificulta enormemente la reutilización posterior de unos recursos cuyo desarrollo es muy costoso. Tal heterogeneidad es especialmente apreciable en estructuras sobre cuya descripción no hay ya de partida un acuerdo tan consensuado como para otras. A la luz de la diversidad de lo que se ha dicho de ellas, las construcciones comparativas se encuentran, precisamente, entre las que presentan mayor complejidad sintáctica de toda la gramática española. En este trabajo apartir de una clasificación de estas estructuras derivada de una serie de estudios sobre ellas (Gutiérrez, 1994; Sáez, 1999; Brucart, 2003; NGLE, 2009; Sáez, Sánchez, 2014), revisaremos cómo tales estructuras han sido tratadas en otros corpus analizados sintácticamente (el UAM Spanish Treebank [http://www.lllf.uam.es/ESP/Treebank.html, Moreno et al., 1999], IULA Spanish LSP Treebank [https://repositori.upf.edu/ handle/10230/20048, Marimon et al., 2012] yAnCora-es [http:// clic.ub.edu/corpus/es, Martí et al., 2008]), ycompararemos esos tratamientos con la presentación de cómo el sistema de anotación de CSA analiza las comparativas, todo ello con el fin de mostrar 1 http://gramatica.usc.es/proxectos/drasae/. 359Las construcciones comparativas encorpus delespañol… como, para los propósitos de la Lingüística de corpus yel Procesamiento del Lenguaje Natural, parece hoy, efectivamente, hacerse más necesario que nunca avanzar en la propuesta de estándares de descripción formal yanálisis de corpus. No podemos, pues, conformarnos en el momento actual con la difusión que de modo natural han alcanzado estándares que lo son fundamentalmente de formato, como el CoNLL, sino que se hace preciso proponer ypromocionar estándares de análisis descriptivo, para en un futuro próximo disponer de recursos plenamente reutilizables e integrables, así como producir masivamente datos que puedan servir para alimentar modelos de análisis lingüístico automático. Tras una breve explicación de los presupuestos en que se basa la elaboración del corpus CSA (apartado 2) yde lo que subyace alos niveles de descripción referidos (apartado 3), en el apartado 4, apartir de una clasificación de las estructuras comparativas basada fundamentalmente en la Nueva Gramática de la Lengua Española (NGLE), pero también en otros autores (Gutiérrez, 1994; Sáez, 1999; Sáez ySánchez, 2014), se aborda su estudio en cuanto acómo varía su análisis en tres corpus sintácticamente analizados (UAM Spanish Treebank, IULA Spanish LSP Treebank yAnCora-es) ycon respecto especialmente al propio corpus CSA. Tras todo ello, se exponen las conclusiones que cabe extraer de esta revisión. 2. El corpus CSA El corpus CSA2 contiene, por el momento, el análisis completo, llevado acabo manualmente, de una única obra: Crónica de una muerte anunciada, de Gabriel García Márquez. La anotación realizada es exclusivamente de tipo sintáctico; esto es, segmentación yasignación exhaustivas de función sintáctica ytipo de unidad atodos los segmentos identificados para cada secuencia aislada que forma parte del corpus. 2 Se puede consultar ydescargar en https://galvan.usc.es/drasae/. 360 M.ª Paula Santalla del Río/Eva M.ª Domínguez Noya 2.1. El sistema de anotación 3 Para la elaboración del sistema de anotación de CSA fueron consultados los criterios ysistemas de anotación de los ya no pocos, ypara no pocas lenguas, corpus sintácticamente analizados existentes. No hay lugar aquí para una revisión de todos ellos: nos referimos especialmente alos corpus AnCora, para español ycatalán (Taulé et al., 2008), y, apartir de ellos, alos que los inspiraron, citados en Martí et al. (2008). De manera breve, el sistema de anotación aplicado aCSA puede ser descrito apartir de las siguientes afirmaciones: a) codifica un análisis constitutivo yno dependencial, b) se sustenta en un modelo teórico constitutivo yfuncionalista, c) es exhaustivo en cuanto al reconocimiento de constituyentes yla asignación alos mismos de funciones yunidades sintácticas, d) respeta estrictamente el carácter presencial yel orden secuencial de los constituyentes reconocidos, ye) siendo consistente en la anotación del mismo hecho ode hechos parcialmente semejantes alo largo del corpus, es lo más simple posible yse propone resultar familiar asus posibles usuarios recurriendo alas tradiciones descriptivas más ampliamente reconocidas (NGLE). Con tales premisas, CSA se analiza con un tagset de 42 etiquetas funcionales y32 estructurales, apoyadas por tres recursos adicionales de representación: sangrado y/o dígitos de nivel (para la representación de la jerarquización), coindización de elementos al margen de la jerarquización (para elementos funcionales más allá del segmento en el que se analizan) ynumeración romana de constituyentes interrumpidos por otros constituyentes al mismo nivel4. Así, en CSA cada secuencia analizada es un árbol tradicional, solo que dispuesto verticalmente. En cada línea horizontal se identifica un segmento resultado de la progresiva segmentación de la secuencia analizada, yse le asigna aese segmento una unidad yuna función. Sangrado yun dígito que identifica el nivel de 3 Para más detalles remitimos alo ya presentado aeste respecto en Santalla (2012). 4 Se puede consultar en https://gramatica.usc.es/wiki/drasae. 361Las construcciones comparativas encorpus delespañol… profundidad alcanzado hasta ese punto en el análisis representan la jerarquización. La visualización del análisis de una secuencia en la aplicación PaME es la que vemos en la figura 1: muy amigable para el usuario yen la que solo los atributos del PREDICADO quedan ocultos, ala espera de que se pose sobre dicha función sintáctica el puntero del ratón para que emerja un cuadro con sus características: Figura 1. Análisis en CSA de Tampoco Santiago Nasar reconoció el presagio 3. La descripción lingüística yla anotación lingüística Aunque la segunda de estas operaciones, asociada al desarrollo de corpus lingüísticos en formato electrónico yde reciente aparición, se lleva acabo sobre la base de fundamentos que ha sentado la primera alo largo de su ya prolongada historia, una yotra son operaciones muy distintas, cuyas respectivas prácticas de trabajo son en consecuencia también diferentes. Esta diferencia, unida ala circunstancia de que la descripción ala que pueden acceder quienes anotan no se proporciona siempre en el nivel de desarrollo por 362 M.ª Paula Santalla del Río/Eva M.ª Domínguez Noya esta operación requerido, está en la base de la heterogeneidad de los variados análisis codificados por los anotadores para las mismas estructuras en distintos corpus lingüísticos. Estos hechos, que comprobaremos para las estructuras comparativas en el apartado sucesivo, se derivan de los condicionamientos, relacionados con el contexto en el que se desenvuelven esos procesos, que determinan las actividades de descripción yanotación lingüística. Así, mientras la anotación es una actividad que se enfrenta atexto real yha de analizarlo exhaustiva ysecuencialmente, la descripción es una operación que, sobre la base de una clasificación previa de los hechos lingüísticos, se focaliza sucesivamente en los que describe, haciéndolo de tal manera que incluso los ejemplos con los que se ilustran esos hechos, que no siempre son de texto real, se describen solo con respecto alos que se pretende que ilustren (sin describir lo que tienen asu alrededor)5. Por otro lado, además de lo anterior, tenemos que tener presente que, contemplada globalmente, la descripción lingüística en la que se basan quienes anotan puede encontrarse en distintos niveles de desarrollo. Puede ser un conjunto de descripciones parciales, en documentos distintos ycada una sobre un fenómeno concreto, que se analiza más omenos en profundidad (con suerte utilizando presupuestos semejantes), opuede ser una descripción comprensiva, general yen un único documento, que analiza cada fenómeno con menor detalle, pero más homogéneamente en relación con otros fenómenos considerados. El estadio de desarrollo en el que se cuenta con gramáticas descriptivas comprensivas ydetalladas (como la NGLE) facilita enormemente el trabajo de diseño yaplicación de un sistema de anotación, pero se necesita ir aún más allá para, incluso sobre la base de estas descripciones, anotar corpus lingüísticos: la descripción tiene que estar formalizada, esto es, tiene que haber sido reducida 5 Una muestra de la insuficiencia con la que la descripción sirve ala anotación es la falta de atención que la primera presta ala integración, ineludible en la anotación, de lo discursivo en lo sintáctico (¿dónde se ubica, por ejemplo, en el análisis sintáctico codificado en un corpus un conector discursivo?). 363Las construcciones comparativas encorpus delespañol… auna notación limitada de etiquetas categoriales y/o funcionales representable gráficamente por medio de unos recursos también limitados. Aparte del hecho de que pueden remitirse amarcos teórico-descriptivos distintos (algo que es difícil de salvar), incluso cuando se remiten al mismo, del hecho de que cada grupo que desarrolla un corpus formaliza independientemente de los demás la descripción más omenos tradicional de la que parte, surgen las diferencias entre corpus anotados, yde manera más acusada, por la más amplia naturaleza de los fenómenos tratados, las diferencias entre corpus sintácticamente anotados. Ilustramos esas diferencias en el apartado siguiente, apartir del análisis que de las estructuras comparativas algunos corpus sintácticamente analizados yespecialmente el corpus CSA han codificado, basándose para ello en tradiciones descriptivas que se reconocen como comparables. 4. Las estructuras comparativas Las construcciones comparativas están, en opinión de muchos especialistas, entre las que presentan mayor complejidad sintáctica de toda la gramática española. No todos los gramáticos reconocen, al menos explícitamente, como comparativas el mismo conjunto de estructuras, pero todos consideran tales al menos, de entre las que se han llamado tradicionalmente de grado, alas constituidas en torno amás/menos… que/de ytanto/a/os/as/tan… como. En ellas nos centramos acontinuación. 4.1. Comparativas de grado Si bien, grosso modo, hay acuerdo ala hora de clasificarlas semánticamente en función de los cuantificadores que las componen, distinguiendo entre comparativas de igualdad, superioridad 364 M.ª Paula Santalla del Río/Eva M.ª Domínguez Noya einferioridad (estos dos últimos tipos englobados en las comparativas de desigualdad), oen función de la magnitud comparada, según la cual, dependiendo de la clase de palabra ala que modifique el cuantificador comparativo, se establece la existencia de comparativas de grado cualitativas (con adjetivos yadverbios) ycomparativas de grado cuantitativas (con sustantivos), incluso con respecto aeste primer grupo de comparativas, sigue sin haber todavía una propuesta de análisis sintáctico integral que dé cuenta de ellas. Es cierto que, con algunas diferencias relativas aelementos más bien secundarios, reconocidos ono por unos u otros, y, sobre todo, con diferencias terminológicas, más omenos todos los gramáticos reconocen en estas comparativas (en términos de la NGLE) un primer término de la comparación, un grupo cuantificativo yun segundo término de la comparación ocomplemento comparativo. Pero también es cierto que ninguno de esos gramáticos alcanza un consenso general con el resto, más allá de ese punto de la descripción, sobre detalles ulteriores de la misma. Ymenos aún se produce el consenso en cuanto ala formalización, que ni siquiera se plantean en la mayor parte de los casos, de las estructuras en cuestión. ¿Cómo hemos formalizado nosotros ese consenso descriptivo, ylo que va más allá de él, en la anotación de CSA? Seleccionamos, para los propósitos de esta exposición, tres ejes de variación observados en las descripciones revisadas yen los corpus examinados, yvemos primero que en CSA los tratamos, como se evidencia en el análisis de la figura 2, del modo siguiente: i) reconocemos como estructura comparativa (con la etiqueta correspondiente) al grupo cuantificador yal segundo término, dejando fuera el primero; ii)reconocemos una posible construcción verbal (una cláusula) en el segundo término; iii) entendemos que el segundo término modifica al grupo cuantificativo yno solo al cuantificador. 365Las construcciones comparativas encorpus delespañol… Figura 2. Análisis en CSA de Ella no estuvo entonces tan segura como la primera vez Así, respecto a i) la Estructura comparativa (utilizamos ahora las denominaciones de las etiquetas de CSA) abarca al segmento tan segura como la primera vez y deja fuera al primer término de la comparación (entonces). Con respecto a ii), el 2.º TÉRMINO está constituido por un Fragmento, una denominación que corresponde, en este caso, a una cláusula (construcción verbal) en la que falta el verbo (pero en la que seguimos teniendo dos funciones clausales, dos instanciaciones de COMPLEMENTO CIRCUNSTANCIAL). Con respecto a iii), el 2.º TÉRMINO se encuentra al nivel jerárquico del segmento tan segura, con el que constituye la Estructura comparativa, y no al de tan, en conjunción con el cual se encontraría al nivel de segura y constituiría la Estructura comparativa en un análisis que ligara el segundo término al cuantificador y no al grupo cuantificativo. ¿Qué sucede, en cambio, en otros corpus sintácticamente analizados? En el corpus UAM Spanish Treebank se identifican estructuras comparativas de esta clase (no siempre del mismo modo) con los elementos comparativos grupo cuantificativo y segundo término, y con un segundo término que se relaciona con el grupo cuantificativo, pero no se reconoce consistentemente el carácter de construcción verbal de ese segundo término. Así en Y augura el advenimiento de una era de ordenadores [que]1.º térm. 372 M.ª Paula Santalla del Río/Eva M.ª Domínguez Noya cada uno asu manera. Quizá deberíamos reflexionar, sobre todo, las instituciones con más recursos para ello, sobre lo mucho que lo señalado perjudica al intercambio yala reutilización de unos recursos tan costosos de producir como son los corpus anotados, yproponernos alcanzar un mayor grado de formalización, al menos para propósitos como la elaboración de corpus, en las descripciones que desarrollamos. 6. Agradecimientos Trabajo financiado por la Xunta de Galicia, proyecto DRASAE (10PXIB204269PR). Esta investigación ha podido también beneficiarse de la financiación FEDER/Ministerio de Ciencia, Innovación yUniversidades – Agencia Estatal de Investigación/ ESLORA+ (FFI2017-86379-P). M.ª Paula Santalla forma asimismo parte del grupo Gramática del Español de la Universidad de Santiago de Compostela, beneficiario de una ayuda para «Consolidación eestruturación de Grupos con Potencial de Crecemento 2017» de la Consellería de Cultura, Educación e Ordenación Universitaria de la Xunta de Galicia (ED431B 2017/39). Referencias bibliográficas Brucart, J. M.ª (2003), “Adición, sustracción ycomparación: un análisis composicional de las construcciones aditivo-sustractivas del español”, en F. Sánchez (ed.), Actas del XXIII Congreso Internacional de Lingüística yFilología Románica, Tübingen: Niemeyer, 11–60. Gutiérrez, S. (1994), Estructuras comparativas, Madrid: Arco/Libros. Marimon, M., Fisas, B., Bel, N., Arias, B., Vázquez, S., Vivaldi, J., Torner, S., Villegas, M., Lorente, M. (2012), “The IULA Treebank”, en Proceedings of the Eight International Conference on Language Resources and Evaluation (LREC‘12), Estambul: European Language Resources Association (ELRA), 1920–1926. 373Las construcciones comparativas encorpus delespañol… Martí, M.ª A., Taulé, M., Bertran, M., Màrquez, L. (2008), AnCora: AMultilingual and Multi-level Annotated Corpus,[en línea] <https://www.researchgate.net/publication/228349954_Ancora_Multilingual_and_multilevel_annotated_corpora/download>, [fecha de consulta: 19/11/2018]. Moreno, A., López, S., Sánchez, F. (1999), Spanish Tree Bank: Specifications, Version 5 (30 April 1999), [en línea] <http:// www.lllf.uam.es/ESP/Treebank.html>, [fecha de consulta: 19/11/2018]. Real Academia Española (2009), Nueva gramática de la lengua española. Morfología ysintaxis, Madrid: Espasa Calpe. Real Academia Española (2010), Nueva gramática de la lengua española. Manual, Madrid: Espasa Calpe. Sáez, L. Á. (1999), “Los cuantificadores: las construcciones comparativas ysuperlativas”, en I. Bosque yV. Demonte (eds.), Gramática descriptiva de la lengua española, Madrid: Espasa Calpe, 1129–1188. Sáez, L. Á., Sánchez, C. (eds.) (2014), Las construcciones comparativas, Madrid: Visor. Santalla, M.ª P. (2012), “La elaboración de un sistema de anotación sintáctica. Algunos problemas relacionados con el tratamiento de la coordinación que implica averbos”, en T. Jiménez Juliá, B.López Meirama, V. Vázquez Rozas yA. Veiga (eds.), Cum corde et in nova grammatica. Estudios ofrecidos aGuillermo Rojo, Santiago de Compostela: Universidade de Santiago de Compostela, 771–790. Taulé, M., Martí, M.ª A., Recasens, M. (2008), “AnCora: Multilevel Annotated Corpora for Catalan and Spanish”, en N. Calzolari, K. Choukri, B. Maegaard, J. Mariani, J. Odjik, S. Piperidis yD.Tapias (eds.), Proceedings of the Sixth International Conference on Language Resources and Evaluation (LREC’08), Marrakech, 96–101.