A new grammatical formalism to solve ellipsis: - Elhuyar Fundazioa

Se debe resaltar que ciertas palabras listadascomo errores no son tales, sobre todo en el casode los errores tipográficos, donde puede serbastante habitual que ciertas palabras correctasque no están en el léxico difieran en un carácterde otras que existen. Por ejemplo la formablogean (en el blog) no es reconocida comoforma correcta y se interpreta como un errortipográfico de la palabra blokean (en el bloque).Este problema también es estudiado en(Ringlstetter et al., 2006). Otro problema amencionar es el que ciertas palabras escritas enotros idiomas se interpretan también comoerrores ortográficos, tanto por aparecer en elpropio texto como por ser etiquetas HTML queno se han podido filtrar adecuadamente. Estopodría ser tratado por medio de un filtro alefecto, pero siendo el objetivo detectar corpusde una calidad mínima nos parece queconsiderarlos como errores también cumple sufunción.Por lo dicho anteriormente se concluye quelos llamados real-word errors (errores quegeneran palabras correctas) (Kukich, 1992) nose tendrán en cuenta, ni tampoco lostipográficos con más de un error en cadapalabra, pero esto es lo habitual en este tipo deestudios.3.2 ResultadosLos resultados para los distintos tipos de corpusy de documentos se presentan a continuación.El la figura 1 y en la figura 2 se muestran losresultados de los tres tipos de errores(competencia, tipográficos y OCR) para lamuestra del corpus general.2520151050err. Conoc err. Tipog. err. OCR0 500 1000 1500 2000Fig 1.- Tasa de error en documentos HTML2520151050err.Conocim.err. Tipog.err. OCR0 200 400 600 800 1000Fig 2.- Tasa de error en documentos PDFEn la figura 1 se reflejan los resultados paralos documentos HTML y en la figura 2 para losde tipo PDF.Examinando ambas gráficas podemosobservar que los resultados son similares:• Más de la mitad de los documentos nocontienen prácticamente errores. Loserrores se concentran en un 10% de losdocumentos.• Los errores de competencia soncomparables a los tipográficos. A laespera de un análisis máspormenorizado de los resultados estoconfirma nuestra hipótesis de lainfluencia del uso dialectal y otrasvariantes de las formas estándaresactuales.• Los errores OCR son mucho menosnumerosos que los de otro tipo.Contrariamente a lo que esperábamos latasa de errores OCR es similar enambos tipos de formatos, lo que sepuede observar con más detalle en lafigura 3. Esto parece indicar (y así lohemos comprobado en una análisisprevio buscando desviaciones OCR delas palabras más habituales en euskera)la mínima presencia de documentosescaneados sin verificar.Reflejamos los datos obtenidos para elcorpus de informática que son similares a losdel corpus de biotecnología (menosrepresentativo por el tamaño del corpus).