論文の概要: Observatorio Lazaro: A self-populating database of anglicism usage in the Spanish press
- arxiv url: http://arxiv.org/abs/2608.00713v1
- Date: Sat, 01 Aug 2026 15:21:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:24.873889
- Title: Observatorio Lazaro: A self-populating database of anglicism usage in the Spanish press
- Title（参考訳）: Observatorio Lazaro:スペインの出版物におけるアングリシズム利用の自己人口データベース
- Abstract要約: 本稿では,スペインのデジタルメディアにおいて,非同化語彙借入(英語の語彙借入やアングリシズム)を監視する言語資源であるObservatorio Lzaroについて述べる。
2020年4月以降、システムはニュースソースの日次アウトプットを自動的に処理し、ニューラルシークエンスラベルモデルで借入を検知し、公開WebインターフェースとAPIを通じて結果を公開した。
このデータによると、スペインでは1000トークンあたりの約2つのアングリシズムの頻度で非同化アングリシズムが使用されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper describes Observatorio Lázaro, a language resource that monitors unassimilated lexical borrowings (predominantly English lexical borrowings or anglicisms) in the Spanish digital press. Since April 2020 the system has automatically processed the daily output of a collection of news outlets, detected borrowings with a neural sequence-labeling model, and made the results available through a public web interface and API. The result is a continuously updated diachronic database which, at the time of writing, records more than two million borrowings across 1.88 million articles and 993 million running tokens of text (2020-2026). The paper documents the resource: we describe the end-to-end pipeline (acquisition, detection, post-processing, storage and access), the data model and the terms of availability; we evaluate the resource through the detector's held-out performance (span-level F1=0.86 for the borrowing class), inter-annotator agreement on the training corpus (Cohen's kappa=0.91) and a manual precision audit of 1,000 spans from the deployed data; and we situate it with respect to Spanish borrowing lexicography, annotated borrowing corpora and neology-monitoring observatories. The data shows that unassimilated anglicisms are used in the Spanish press at a frequency of approximately two anglicisms per thousand tokens, and that this rate remains stable. Our statistical analysis over six years reveals that the anglicism vocabulary in Spanish behaves as an open and growing class, with 58.7% of its types attested only once (53.6% after correcting for detection precision), and that its density is highest in the fashion, technology and lifestyle sections and lowest in political and institutional news. The resource is intended to complement static borrowing dictionaries and one-off annotated corpora by providing a continuously updated record of borrowing in the Spanish press.
- Abstract（参考訳）: 本稿では,スペインのデジタルメディアにおいて,非同化語彙借入(英語の語彙借入やアングリシズム)を監視する言語資源であるObservatorio Lázaroについて述べる。
2020年4月以降、システムはニュースソースの日次アウトプットを自動的に処理し、ニューラルシークエンスラベルモデルで借入を検知し、公開WebインターフェースとAPIを通じて結果を公開した。
その結果、連続的に更新されたダイアクロニックデータベースが、執筆時点で188万件、9億3300万件のテキストトークン(2020-2026年)にわたる200万件以上の借入を記録している。
本論文は, エンド・ツー・エンドパイプライン(取得, 検出, 後処理, ストレージ, アクセス), データモデル, 可用性の条件を記述し, 検知器のホールドアウト性能(借入クラスのF1=0.86), トレーニングコーパス(Cohen's kappa=0.91)に関するアノテータ間合意(Cohen's kappa=0。
このデータによると、スペインでは1000トークンあたりの約2つのアングリシズムの頻度でアングリシズムが使われており、この速度は安定している。
我々の6年間の統計分析によると、スペイン語のアングリシズムの語彙はオープンで成長するクラスとして振る舞い、58.7%のタイプは1回(検出精度の修正後53.6%)しか証明されておらず、その密度はファッション、技術、ライフスタイルで最高であり、政治的、制度的なニュースでは最低である。
このリソースは、スペインの新聞に継続的に更新された借入の記録を提供することで、静的な借入辞書と一対一の注釈付きコーパスを補完することを目的としている。
関連論文リスト
- From 50K to 8.2 Million in 24 Hours: Vozinha's Algorithmic Consecration and the Multilingual Making of World Cup Visibility [0.0]
この研究はポルトガル語、スペイン語、英語、フランス語の多言語コーパスに貢献している。
我々は,「50k〜8M」と命名されたプラットフォーム従者数を言語的対象として扱う。
論文 参考訳（メタデータ） (2026-06-17T23:01:46Z) - CrossNews-UA: A Cross-lingual News Semantic Similarity Benchmark for Ukrainian, Polish, Russian, and English [53.32175252285023]
言語間のニュース比較は、情報の検証に有望なアプローチを提供する。
既存の言語間ニュース分析用のデータセットは、ジャーナリストや専門家によって手作業でキュレートされた。
我々は、多言語間ニュース類似性評価のためのスケーラブルで説明可能なクラウドソーシングパイプラインを導入する。
論文 参考訳（メタデータ） (2025-10-22T14:23:50Z) - Tucano: Advancing Neural Text Generation for Portuguese [0.0]
本研究は,ポルトガル語におけるニューラルテキスト生成の今後の発展を促進するために,新たなリソースセットを導入することを目的としている。
本研究は,ポルトガル語テキストコーパスの重複であるGigaVerboの開発について述べる。
我々のモデルは、ポルトガルのいくつかのベンチマークにおいて、同様の大きさの他のポルトガル語および多言語言語モデルと同等または優れている。
論文 参考訳（メタデータ） (2024-11-12T15:06:06Z) - DISCO: A Large Scale Human Annotated Corpus for Disfluency Correction in
Indo-European Languages [68.66827612799577]
ディフルエンシ補正(Disfluency correction, DC)とは、話し言葉からフィラー、繰り返し、訂正などの不適切な要素を取り除き、読みやすく解釈可能なテキストを作成する過程である。
Indo-Europeanの4つの重要な言語(英語、ヒンディー語、ドイツ語、フランス語)を網羅した、高品質な人間の注釈付きDCコーパスを提示する。
最新の機械翻訳(MT)システムと併用した場合,DCはBLEUスコアを平均5.65ポイント増加させることを示す。
論文 参考訳（メタデータ） (2023-10-25T16:32:02Z) - LyricSIM: A novel Dataset and Benchmark for Similarity Detection in
Spanish Song LyricS [52.77024349608834]
歌詞中の意味的類似性に合わせた新しいデータセットとベンチマークを提案する。
このデータセットはもともと2775組のスペイン語の歌で構成されており、63のネイティブアノテータによる集合アノテーション実験で注釈付けされました。
論文 参考訳（メタデータ） (2023-06-02T07:48:20Z) - A Corpus for Sentence-level Subjectivity Detection on English News Articles [49.49218203204942]
我々はこのガイドラインを用いて、議論を呼んだ話題に関する英ニュース記事から抽出した638の目的語と411の主観的な文からなるNewsSD-ENGを収集する。
我々のコーパスは、語彙や機械翻訳といった言語固有のツールに頼ることなく、英語で主観的検出を行う方法を舗装している。
論文 参考訳（メタデータ） (2023-05-29T11:54:50Z) - No Language Left Behind: Scaling Human-Centered Machine Translation [69.28110770760506]
低レベルの言語と高レベルの言語のパフォーマンスギャップを狭めるためのデータセットとモデルを作成します。
何千ものタスクをトレーニングしながらオーバーフィッティングに対処するために,複数のアーキテクチャとトレーニングの改善を提案する。
本モデルでは,従来の最先端技術と比較して,BLEUの44%の改善を実現している。
論文 参考訳（メタデータ） (2022-07-11T07:33:36Z) - Few-Shot Cross-lingual Transfer for Coarse-grained De-identification of
Code-Mixed Clinical Texts [56.72488923420374]
事前学習型言語モデル (LM) は低リソース環境下での言語間移動に大きな可能性を示している。
脳卒中におけるコードミキシング(スペイン・カタラン)臨床ノートの低リソース・実世界の課題を解決するために,NER (name recognition) のためのLMの多言語間転写特性を示す。
論文 参考訳（メタデータ） (2022-04-10T21:46:52Z) - Cross-Lingual Training with Dense Retrieval for Document Retrieval [56.319511218754414]
我々は、英語のアノテーションから複数の非英語言語への文書ランク付けのための異なる転送手法について検討する。
6つの言語(中国語、アラビア語、フランス語、ヒンディー語、ベンガル語、スペイン語)におけるテストコレクションの実験。
弱教師付きターゲット言語転送は、世代ベースターゲット言語転送に対する競合性能をもたらすことが判明した。
論文 参考訳（メタデータ） (2021-09-03T17:15:38Z) - BanFakeNews: A Dataset for Detecting Fake News in Bangla [1.4170999534105675]
自動フェイクニュース検知システムの構築に使用できる50Kニュースの注釈付きデータセットを提案する。
我々は,Bangla偽ニュースを識別するためのNLP技術の現状を示すベンチマークシステムを開発した。
論文 参考訳（メタデータ） (2020-04-19T07:42:22Z) - An Annotated Corpus of Emerging Anglicisms in Spanish Newspaper
Headlines [0.0]
我々はスペイン語で書かれた21,570の新聞の見出しのコーパスを、緊急のアングリシズムで注釈付けした。
この論文は、スペイン語ニュースワイヤのためのアングリシズム抽出器の作成に向けた第一歩である。
論文 参考訳（メタデータ） (2020-04-06T18:41:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。