Desarrollo de un analizador morfológico de catalán antiguo basado en corpus textuales

Abstract

Este proyecto retoma el desarrollo de un analizador morfológico de catalán antiguo públicamente accesible por Internet, el primero de su tipo. Pretendemos que este analizador se convierta en una herramienta útil para el tratamiento morfológico de corpus de catalán antiguo con fines didácticos y de investigación; además, será el primer módulo de un sistema futuro cuyo objetivo es ofrecer automáticamente una lectura en catalán moderno de cualquier texto antiguo en soporte informático. El analizador del que se parte, de cobertura limitada, fue desarrollado por algunos de los autores tomando como base el vocabulario y los paradigmas de flexión antigua recogidos en un diccionario manual (Costa Clos y Tarrés Fernández, 1998). El sistema (extremadamente veloz gracias al uso de técnicas de estados finitos) se genera automáticamente a partir de los datos lingüísticos, cosa que permite una actualización continua y sencilla del programa. Además de reorganizar los diccionarios y completar los paradigmas de flexión y de variación gráfica del lematizador actual, el proyecto se propone usar corpus de textos catalanes antiguos públicamente disponibles (p.ej, RIALC, Biblioteca Virtual Joan Lluís Vives) para hacer el sistema más robusto frente a variaciones gráficas y criterios divergentes de transcripción y para mejorar la cobertura (fracción de texto analizado) mediante la inclusión de entradas según la frecuencia de aparición observada. El objetivo final es la construcción de un analizador morfológico de catalán antiguo que sea rápido, robusto, libremente accesible por Internet y fácilmente integrable en otras aplicaciones (como por ejemplo los buscadores o indexadores de bibliotecas digitales). En este documento se describen brevemente las estrategias lingüísticas e informáticas que se están usando en el proyecto para conseguir estos objetivos.