Direct Load Control via Reinforcement Learning

Los datos extraídos con cada una de las herramientas antes presentadas han permitido observar el rendimiento de cada uno de los marcadores en aras de detectar las variantes denominativas en el discurso real.

La búsqueda de las ocurrencias con la herramienta Bwana de cada marcador en el texto original ha arrojado los siguientes resultados:

MVDE Número de ocurrencias

en el corpus Called 228 Known as 90 Named 65 Or 645 Parenthesis 797 Referred(to as) 22 Termed (for) 55 Viewed as 5

Tal y como observamos en la tabla, el marcador con mayor número de ocurrencias en el corpus es el parenthesis (797); en segundo y tercer lugar aparecen los marcadores or (645) y called (228). En un número menor de ocurrencias aparecen en orden descendente los marcadores: known as (90), named (65), termed for (55), referred to as (22) y viewed as (5).

Una vez obtenidos estos resultados, los cruzamos con los datos extraídos a partir de la herramienta Mercedes, con el fin de detectar las variantes denominativas explícitas que formarían parte del corpus de análisis.

MVDE Número de ocurrencias en el corpus textual Número de ocurrencias en el corpus de análisis Rendimiento de MVDE (%) Called 228 83 36% Known as 90 38 42% Named 65 4 6% Or 645 73 11% Parenthesis 797 92 11%

Referred (to as) 22 7 32%

Termed (for) 55 5 9%

Viewed as 5 2 40%

Tabla 8. Rendimiento de los MVDE

En esta tabla observamos el número de ocurrencias de MVDE tanto en el corpus textual, como en el corpus de análisis. Los resultados permiten inferir el rendimiento de cada marcador para la detección de la variación. El número de ocurrencias de MVDE en el corpus de análisis se presenta en orden descendente de la siguiente forma: Parénthesis (92), called (83), or (73), known as (38), Referred to as (7), termed for (5), Named (4),

Viewed as (2) .

En cuanto al rendimiento de cada MVDE para la detección de la VDE observamos que entre el 40 y el 50% ubicamos los marcadores known as (42%) y viewed as (40%), entre el 30 y el 40% aparecen los marcadores called (36%) y referred to as (32%); en

porcentajes menores encontramos los marcadores or y parenthesis (11%), termed for (9%) y named (6%).

Según los resultados obtenidos, los MVDE que ofrecen un mayor rendimiento para la detección de la VDE son: known as, viewed as, called y referred to as. Marcadores como or y parenthesis, aunque contribuyen a la detección de la VDE, son marcadores de carácter ambiguo debido a que pueden cumplir otro tipo de función en el interior del discurso.

Cabe resaltar que el patrón seleccionado para medir el rendimiento ha sido en esta ocasión el marcador. Somos conscientes que este patrón podría ampliarse a un patrón del tipo [UT + marcador], de tal forma que los resultados para medir este rendimiento fuesen más confiables.

4.3 Recapitulación

En este capítulo presentamos la descripción del corpus textual y los criterios tenidos en cuenta para su selección. Para ello hemos constituido un corpus de textos especializados pertenecientes al dominio del genoma humano, tomados de las revistas Scientific

American y de su versión española Investigación y Ciencia, todos ellos pertenecientes al

corpus especializado sobre el genoma humano.

Entre los criterios tenidos en cuenta para la constitución de nuestro corpus destacamos los siguientes: paralelismo, nivel de especialidad y unicidad del dominio de especialidad.

De un total de 34 textos (165.325 palabras), hemos obtenido un corpus de análisis de 301 ocurrencias (variantes denominativas explícitas), extraídas a partir de la localización en los textos de distintas variantes referidas a un mismo concepto que están unidas por un MVDE en el texto original (inglés).

En relación al objetivo que nos habíamos planteado, en este capítulo hemos podido demostrar, en primer lugar, que la variación denominativa puede detectarse

automáticamente en contexto a través de los marcadores de la variación denominativa explícita.

En segundo lugar, hemos tratado de mostrar que antes de llevar a cabo la detección de las variantes denominativas es necesario que al menos una de ellas unidas por un MVDE sea reconocida como unidad propia del dominio de especialidad.

Tradicionalmente, esta labor se ha confiado a los expertos en el área; sin embargo, y sin pretender descartar el gran papel que cumple el especialista, en este trabajo hemos planteado el uso de una herramienta que hasta el momento ha sido de gran utilidad para el reconocimiento de las unidades terminológicas en el dominio del genoma humano. Asimismo, en este capítulo dejamos constancia que los MVDE constituyen un método efectivo para detectar las variantes denominativas explícitas en contexto.

En el siguiente capítulo veremos que los MVDE no sólo facilitan la detección de las VDE, sino que contribuyen a establecer de manera más clara la relación semántica que mantienen las variantes denominativas entre sí.

5

Análisis de la variación denominativa

explícita en el texto original y resultados

“Si la sinonimia absoluta es discutida en lo que a palabras de uso corriente se refiere, resulta perfectamente posible entre los términos especializados; hay quien afirma que el tecnicismo no admite otra sinonimia que la referencial. Para otros, sin embargo, se debe extremar el cuidado, pues la sinonimia completa no existe mientras se dé cualquier diferencia entre los términos aparentemente sinónimos; esa diferencia, muchas veces no percibida, pertenece al ámbito de la connotación.” (Gutiérrez Rodilla 1998:94-95).

En este capítulo explicamos el mecanismo de análisis utilizado para el estudio de las variantes denominativas explícitas (VDE) y para el análisis de sus componentes semánticos. Así mismo, ofrecemos una propuesta de tipología de casos de variación denominativa explícita y damos a conocer los resultados que arroja el análisis detallado de cada uno de los tipos y subtipos propuestos.