4.3 Colocaciones y otras medidas de asociación

Mayor información en:

• Capítulo 5, "The sociology of words: collocation analysis", del libro de Geoff Barnbrook, Language and Computers.
• Capítulo 4, "Concordancing, collocations and dictionaries", del libro de Michael P. Oakes, Statistics for Corpus Linguistics.
• Capítulo 3, "La fraseología en lexicografía y terminografía: los frasemas terminológicos", de Silvia Montero Martínez (2003), Estructuración conceptual y formalización terminográfica de frasemas en el subdominio de la oncología. Estudios de Lingüística Española.
• Maribel Tercedor Sánchez (1999), La fraseología en el lenguaje biomédico: análisis desde las necesidades del traductor.

4.3.1 Colocaciones

En un texto, las palabras vienen acompañadas, y normalmente ocurren en conjuntos. Una colocación se define como la ocurrencia de dos o más palabras que se encuentran cercanas en un texto y que tienden a ocurrir cercanas en ciertos contextos. En este sentido, se considera una colocación como la combinación frecuente de palabras, así como la combinación en la que una palabra requiere la presencia de otra para expresar un sentido dado. Esto último ha correspondido a los diccionarios explicativos y combinatorios.

• El análisis de colocaciones evalúa las co-ocurrencias (y su frecuencia) de dos o más palabras en un contexto dado.
• La cercanía de las colocaciones puede ser desde una distancia cero (palabras contiguas) hasta una distancia relativamente pequeña (por ejemplo, 6 palabras de distancia una de otra).
• El análisis de colocaciones consiste normalmente en la determinación de los patrones de su ocurrencia. Se puede determinar el patrón de ocurrencia actual y compararlo con el patrón de ocurrencia esperado.
• El análisis de colocaciones parte de una evaluación de las concordancias.

Elementos de una colocación

• Nodo, también llamada base (Hausmann) o palabra clave/llave (Mel'cuk), es el elemento léxico del cual se está buscando la colocación.
• Colocativo o correlato léxico (Mel'cuk) es cualquier elemento léxico que co-ocurre con el nodo en un contexto.
• Ventana (span en inglés) es el contexto en el cual ocurre los colocativos.

Ejemplos de colocaciones

• Cuando ocurre la palabra hospital normalmente también se encuentran las palabras doctor y enfermera.
• Para el sustantivo dinero se asocian los verbos comprar, gastar y vender.
• A la palabra miedo se le correlacionan los verbos tener y sentir, con mayor frecuencia, y experimentar y padecer, con menor frecuencia.
• Unidades fraseológicas, tales como:
  • Expresiones terminológicas: procesamiento de lenguaje natural, labio leporino.
  • Nombres de organismos: Sistema Nacional de Protección Civil, Consejo Nacional de Ciencia y Tecnología.
  • Expresiones idiomáticas: jalarle las orejas, empinar la jarra, a pesar de.
  • Construcciones verbales: tomar una decisión, hacer un favor.

Conteo de colocaciones

• Lo más sencillo es contar las palabras que se encuentran cercanas a otra palabra dada.
• Se parte de la concordancia de la palabra llave a la que se desea determinar sus colocaciones.
• Se cuentan todas las palabras que ocurren (anotando su frecuencia) una vez a la derecha.
• Así sucesivamente, dos veces a la derecha, hasta n a la derecha. Igual para la izquierda.

4.3.2 El criterio de costos en colocaciones

Véase:
• Sección 3.2.9 Collocations involving more than two words: the cost criterion, de Michael P. Oakes (1998), Statistics for Corpus Linguistics, Edinburgh University Press.
• Oliver Sander, Ingrid Fischer, Extracting Collocations from Syntactically Annotated Corpora.

K. Kita y colegas, en su artículo "Automatic Extracting Collocations from Corpora for Language Learning" (1994), establecieron el criterio de costos (cost criterion) para extraer colocaciones de corpus. Considera que no se puede determinar una colocación únicamente por su frecuencia absoluta, pues a pesar tendrá una frecuencia mayor que a pesar de, siendo esta última la colocación. Por ello, además de utilizar la frecuencia absoluta, también considera el número de palabras en la colocación. La fórmula que utiliza es:

K(a) = (/a/ - 1) x (f(a) - f(b))

Donde a es la colocación candidata, /a/ es la longitud de la colocación a o su número de palabras, f(a) es la frecuencia de ocurrencia de la colocación a, y f(b) es la frecuencia de la colocación siguiente en cuanto al número de palabras. La de mayor costo será la colocación. Por ejemplo, si "a number" ocurre 102 veces en un corpus, "a number of" ocurre 51 veces, y "a number of times" ocurre 20 veces, entonces:

• K(a number) = (/a number/ -1) (f(a number) - f(a number of) = (2 -1) (102 - 51) = 1 x 51 = 51
• K(a number of) = (/a number of/ -1) (f(a number of) - f(a number of times) = (3 -1) (51 - 20) = 2 x 31 = 61
• Por tanto, a number of es la colocación.

Ejercicio

En el CREA se buscó el número de veces que ocurre cada una de las cadenas, de una a nueve palabras, conforme se muestra en la siguiente tabla. Determine la más probable colocación con base en el criterio de costos.

4.3.3 Información Mutua

La información mutua es una medida de gran importancia en la teoría de la información, que consiste en la información aportada por una variable aleatoria sobre la otra. En el estudio de colocaciones, la información mutua mide la fuerza de asociación entre dos palabras. Es una medida estaística que determina la cantidad de información que la aparición de una palabra nos da sobre la aparición de otra. Para ello, calcula la probabilidad de que dos palabras aparezcan juntas, y la compara con la probabilidad de que dichas palabras aparezcan por separado. A mayor valor se tendrá que existe una asociación fuerte, de forma que la probabilidad de que aparezcan juntas deberá ser mucho mayor que la de que aparezcan de forma independiente. En caso de que los dos valores de frecuencia sean muy similares, la concurrencia de las dos palabras no suele considerarse muy significativa