Frecuencia y dispersión léxicas en textos médicos divulgativos en español

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 61

Frecuencia y dispersión léxicas en textos médicos divulgativos en español Leonardo Campillos Llanos y Hiroto Ueda Universidad Autónoma de Madrid (Spain) y University of Tokyo (Japón) [email protected] & [email protected]

Resumen Se analiza la frecuencia, dispersión y uso de las categorías léxicas (sustantivos, adjetivos, verbos, epónimos y adverbios en –mente) en 363 textos médicos divulgativos en español (334.690 palabras). Se propone el concepto de dispersión lineal, adecuado para analizar corpus homogéneos que carecen de secciones diferenciadas. Los resultados muestran que las palabras más usadas no portan significados asociados al dominio médico, excepto los sustantivos. Asimismo, las palabras en los rangos más bajos de uso están fuertemente determinadas por los contenidos de cada texto. Los sustantivos y los adjetivos son las categorías que presentan mayor riqueza léxica (más lemas diferentes), lo cual se asocia al carácter expositivo del corpus. El artículo ofrece un listado de lemas más usados, de utilidad para los profesionales que trabajan en este dominio. Palabras clave: frecuencia, dispersión lineal, uso, textos divulgativos médicos, español.

Abstract F requenc y and l exical dispersion in medicine popularisation texts in Spanish We analyse frequency, dispersion and usage of lexical categories (nouns, adjectives, verbs, eponyms and adverbs ending in –mente) in 363 medicine popularisation texts in Spanish (334690 words). We propose the concept of linear dispersion, which is suitable for analysing homogeneous corpora without different subsections. Results indicate that the most commonly used words do not have medical meanings, excepting nouns. In addition, words in the lowest ranks are heavily dependent on the contents of each text. Nouns and adjectives show the highest lexical richness (more different lemmas), which is related to the informative nature of the corpus. The article includes an appendix with the most used lemmas that may be useful for professionals working in this domain. Ibérica 30 (2015): 61-84 ISSN: 1139-7241 / e-ISSN: 2340-2784

61

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 62

L. CAMPILLoS LLANoS & H. UEDA

Keywords: frequency, linear dispersion, usage, medicine popularisation texts, Spanish.

1. Introducción Desde principios del siglo XX, los estudios estadísticos del léxico (o lexicométricos) suscitaron interés por conocer y mejorar la adquisición de la lengua materna (L1) y/o la lengua segunda (L2) (Alvar Ezquerra, 2005; véase un panorama completo en Ávila Martín, 2010). La mayor parte de los trabajos obtuvo datos de corpus generales (no restringidos a una temática especializada). Keniston (1920), por ejemplo, emprendió uno de los primeros trabajos para el español recopilando las frecuencias de las palabras de uso cotidiano a partir de obras teatrales, novelas, prensa y narrativa. A dicho estudio le siguieron los de Buchanan (1927) a partir de textos escritos, así como el de Rodríguez Bou et al. (1952), que abordaron el vocabulario de los preescolares en Puerto Rico. En España no fue hasta mediados de los años 50 cuando García Hoz (1953) recogió un listado de vocabulario con fines pedagógicos. Su corpus ascendía a 400.000 palabras y abordaba cuatro planos de uso del lenguaje: cartas privadas, documentos oficiales, periódicos y literatura. Por su parte, Juilland y Chang Rodríguez (1964) emplearon un corpus de novelas, ensayos, obras teatrales, textos de dominio especializado y periódicos (alrededor de 500.000 palabras). Dicho proyecto constituyó el modelo para otras variedades del español (por ejemplo, de Puerto Rico; Morales, 1986). Con finalidad pedagógica, Ueda (1987, 1989-1990) recogió listados de frecuencia analizando textos de 10 campos diferentes. Los avances informáticos han permitido obtener cómputos manejando más datos, aunque los corpus han mantenido un esquema similar. Alameda y Cuetos (1995) recopilaron un banco de datos de 2 millones de palabras; Sebastián, Martí y Carreiras (2000) alcanzaron los 5 millones y trabajos más recientes han aumentado tal cifra. Así, el volumen de Almela, Cantos, Sánchez y Almela (2005) o el diccionario de frecuencias del español (Davies, 2006) han utilizado corpus de aproximadamente 20 millones de palabras.1 Los estudios lexicométricos han permitido observar fenómenos cuantitativos del lenguaje. Por ejemplo, la regularidad estadística del léxico debida a la abundancia de vocablos de uso general frente a la baja aparición de palabras específicas del contenido, como formula la ley de Zipf (1949). Respecto a la riqueza léxica, también está probado empíricamente que el 62

Ibérica 30 (2015): 61-84

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 63

FRECUENCIA y DISPERSIóN LéXICAS

aumento de palabras de un corpus no conlleva un crecimiento continuo del número de lemas diferentes, sino que progresivamente se alcanza una fase de estancamiento. Así lo predice la ley de Herdan (1964) o se verifica midiendo la proporción entre tipos y casos (type/token ratio) (véanse detalles en Cantos, 2013). Los conceptos de frecuencia de aparición de una palabra, su dispersión (o distribución) en distintos textos (Juilland y Chang Rodríguez, 1964; Carroll, 1970; Gries, 2008) o su valor de uso ofrecen perspectivas complementarias para lograr una visión global del comportamiento estadístico de la lengua (Porta Zamorano y Ureña Ruiz, 2003). Por ejemplo, la mayor frecuencia de aparición de un vocablo en un documento no implica mayor peso en toda la colección de textos, si dicha voz se registra solo en una porción del corpus. En el ámbito de la lingüística, el estudio de lenguas de especialidad (Cabré, 2004) surgió, entre otros, por las necesidades lexicográficas de elaborar diccionarios y vocabularios de tecnicismos (Rodríguez Díez, 1979). Paralelamente, en el área del procesamiento del lenguaje natural nació el interés por conocer los patrones lingüísticos de las sublenguas debido a sus implicaciones ingenieriles (Temnikova y Cohen, 2013). Dicho conocimiento ha contribuido a mejorar las aplicaciones de traducción automática (Sommers, 2000), minería de texto, o extracción y recuperación de información (Friedman, Anderson, Austin, Cimino y Johnson, 1994). En cuanto al español, existen análisis del lenguaje periodístico (Hernando, 1990), pero escasean los estudios en el dominio médico realizados con una metodología complementaria a los trabajos de Navarro (1997, 2005). Esto contrasta con el volumen de estudios sobre el inglés médico (Skelton y Whetstone, 2012; Mungra y Canziani, 2013; Verdaguer, Laso y Salazar, 2013; Vila Barbosa, 2013). El objetivo de este trabajo es aportar un estudio lexicométrico de documentos médicos divulgativos en español. El artículo presenta el análisis de frecuencia, dispersión y uso del vocabulario usado en textos extraídos del corpus MultiMedica (Moreno Sandoval y Campillos Llanos, 2013). Se ofrecen solo los datos de las categorías léxicas más usadas (por frecuencia y dispersión): adjetivos, verbos, sustantivos y adverbios acabados en –mente. Asimismo, indicamos en las listas las palabras recogidas en el Diccionario de términos médicos (en adelante, DTM) de la Real Academia Nacional de Medicina (en adelante, RANM, 2011). Los datos aquí reunidos son novedosos y de interés para la elección del léxico en la enseñanza del español Ibérica 30 (2015): 61-84

63

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 64

L. CAMPILLoS LLANoS & H. UEDA

con fines específicos, la lexicografía especializada, o el procesamiento del lenguaje natural en este dominio.

2. Metodología Esta sección aborda, en primer lugar, el corpus lingüístico empleado para el análisis; en segundo lugar, el proceso de etiquetado morfológico y la obtención de lemas del corpus; y por último, los conceptos estadísticos considerados en nuestro estudio. 2.1. Corpus Los datos se han obtenido de los textos divulgativos en español del corpus MultiMedica (Moreno Sandoval y Campillos Llanos, 2013). En total, reúne 363 textos (334.690 palabras): 297 de la revista OCU-Salud, que publica textos escritos por médicos y editados por periodistas; y 66 textos de Tu otro médico, sitio web que reúne artículos enciclopédicos escritos por médicos para el público no especializado. El corpus carece de subsecciones o conjuntos definidos en que agrupar textos de tipología homogénea, lo cual nos llevó a proponer un concepto distinto de dispersión (sección 2.2). Los textos fueron publicados entre los años 1997 y 2008, de modo que el corpus recoge vocablos de actualidad, pero no impide que se soslayen términos y conceptos incorporados posteriormente en la jerga (nuevos procedimientos diagnósticos, técnicas, fármacos y enfermedades). 2.2. Etiquetado morfológico y obtención de lemas La anotación morfológica se llevó a cabo mediante GRAMPAL (Moreno Sandoval y Guirao Miras, 2006), un analizador para el español que consta de un vocabulario de más de 50.000 lemas, entre los cuales se recogen unidades léxicas complejas como locuciones (atención primaria) o marcadores discursivos (es decir). GRAMPAL segmenta unidades léxicas contraídas: por ejemplo, al o del reciben cada una dos anotaciones (una correspondiente a la preposición, y otra al artículo). De igual modo anota la información de cada categoría en los verbos con clíticos: por ejemplo, dándoselo se segmenta en tres anotaciones: verbo (dar), pronombre (se) y pronombre (lo).2 El procesamiento es automático, pero requiere revisión posterior para corregir errores. Dos lingüistas revisaron y corrigieron los datos durante 4 meses. 64

Ibérica 30 (2015): 61-84

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 65

FRECUENCIA y DISPERSIóN LéXICAS

Los errores se debieron, en primer lugar, a la incorrecta segmentación de unidades: por ejemplo, el analizador marcó vamos a ver como marcador discursivo, en un contexto en que era verbo, preposición e infinitivo: Vamos a ver los siguientes síndromes. En segundo lugar, multitud de palabras no recibieron una categoría o lema porque no fueron reconocidas. Este problema fue recurrente entre los términos médicos, dado que GRAMPAL está preparado únicamente para el lenguaje general. En tercer lugar, aparecieron errores por asignación incorrecta de categorías. Estos fueron reiterados entre vocablos homónimos (por ejemplo, vino, sustantivo o verbo) y entre palabras policategoriales, especialmente, sustantivos y adjetivos (por ejemplo, químico puede ser tanto adjetivo como nombre). Mención especial merecen las ambigüedades en los participios con función adjetiva, que plantean problemas de categorización (véase su tratamiento en RAE, 2009: 2214-ss). Generalmente, dichas palabras se anotaron como adjetivos (por ejemplo, acatarrado), siempre que no se acompañaran de complementos regidos, en cuyo caso se anotaron como verbos. A pesar de las ambigüedades de categorización y los errores de etiquetado, un análisis del acuerdo entre anotadores de un 5% de los textos (18) mostró que el acuerdo ronda el 98% de medida F,3 así que se estima una consistencia notable en la anotación. Tras anotar y revisar el etiquetado, se extrajeron de los textos los lemas y las formas, que fueron analizados mediante nuestro programa “Frecuencia y dispersión lineal”. 2.3. Conceptos estadísticos Las medidas computadas son: frecuencia (absoluta y normalizada por mil), rango de frecuencia, dispersión lineal media,FRECUENCIA rango Yde dispersión DISPERSIÓN LÉXICAS lineal media, valor de uso y rango de uso. A fin de esclarecer la comprensión de dichosLasvalores, explicaremos cada concepto el medidas computadas son: frecuencia (absoluta ytomando normalizadacomo por mil),ejemplo rango de frecuencia, dispersión lineal media, rango de dispersión lineal media, valor de lema aditivo (Tabla 1; Frec.: frecuencia absoluta; Frec./mil: frecuencia uso y rango de uso. A fin de esclarecer la comprensión de dichos valores, normalizada porcada mil;concepto RF: rango frecuencia; dispersión explicaremos tomandodecomo ejemplo el DLM: lema aditivo (Tabla 1; lineal frecuencia “Frec./mil”: lineal frecuencia normalizada por mil; media;“Frec.”: RDLM: rangoabsoluta; de dispersión media; U: valor de “RF”: uso; RU: rango de frecuencia; “DLM”: dispersión lineal media; “RDLM”: rango de rangodispersión de uso).lineal media; “U”: valor de uso; “RU”: rango de uso). Lema

Frec.

Frec./mil

RF

DLM

RDLM

U

RU

aditivo

83

0,226

5

0,690

7

57,285

4

Tabla 1. Ejemplo de valores estadísticos correspondientes al lema “aditivo”.

Para obtener la frecuencia absoluta, calculamos el recuento final de cada vocablo. La frecuencia normalizada por mil es la cifra más adecuada para poner en relación los resultados con otros corpus. El cálculo se obtiene dividiendo Ibérica la 30 (2015): 61-84 65 ocurrencia de cada palabra entre el total de palabras y multiplicando el resultado por mil. Así, la frecuencia absoluta para el lema aditivo (83 ocurrencias) se corresponde con una frecuencia normalizada por mil de 0,226, calculada del siguiente modo: 83/367.482 x 1000 = 0,226.

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 66 FRECUENCIA Y DISPERSIÓN LÉXICAS L. CAMPILLoS LLANoS & H. UEDA

Las medidas computadas son: frecuencia (absoluta y normalizada por mil), rango de frecuencia, dispersión lineal media, rango de dispersión lineal media, valor de FRECUENCIA Y DISPERSIÓN LÉXICAS uso y rango de uso. A fin de esclarecer la comprensión de dichos valores, Para obtener la frecuencia absoluta, el recuento finalelde cada explicaremos cada calculamos concepto tomando como ejemplo lema aditivo (Tabla 1; computadas son: frecuencia (absoluta mil), rango “Frec.”: frecuencia absoluta; “Frec./mil”: normalizada vocablo.Las Lamedidas frecuencia normalizada por mil es lay normalizada cifra frecuencia más por adecuada parapor mil; “RF”: de frecuencia, dispersión lineal media, rango de dispersión lineal media, valor “RDLM”: de rango de frecuencia; “DLM”: dispersión lineal media; rango de poner enusorelación losuso. resultados otrosla corpus. El cálculo se deobtiene y rango de A fin lineal de con esclarecer comprensión de dichos dispersión media; “U”: valor de uso; “RU”: rangovalores, uso). explicaremos cada concepto tomando como ejemplo (Tabla 1; y dividiendo la ocurrencia de cada palabra entre el lema totaladitivo de palabras “Frec.”: el frecuencia absoluta; “Frec./mil”: normalizada mil; “RF”: Lema Frec.Así,Frec./mil RF DLM porpara RDLM RU multiplicando resultado por mil. lafrecuencia frecuencia absoluta el lemaU rango de frecuencia; “DLM”:83dispersión “RDLM”: rango de 57,285 aditivo 0,226lineal media; 5 0,690 7 4 aditivo (83 ocurrencias) se corresponde con“RU”: una rango frecuencia dispersión lineal media; “U”: valor de uso; de uso).normalizada por

Tabla 1. Ejemplo de valores estadísticos correspondientes al lema “aditivo”. mil de 0,226, calculada del siguiente modo: 83/367.482 x 1000 = 0,226.

Lema

Frec.

Frec./mil

RF

DLM

RDLM

U

RU

Para obtener la frecuencia absoluta, calculamos el recuento final de cada aditivo 83 0,226 la adscripción 5 0,690 7 57,285 4 El rango de frecuencia facilita de las palabras a subconjuntos vocablo. La frecuencia normalizada por mil es la cifra más adecuada para poner del corpus establecidos conforme la cifra correspondientes deconocurrencias. En el volumen de dividiendo la Tabla 1.en Ejemplo de valores al lema “aditivo”. relación losa estadísticos resultados otros corpus. El cálculo se obtiene de cadasepalabra entre el total palabras y multiplicando Almela et al. (2005), ocurrencia por ejemplo, dividieron los de resultados en cinco el resultado Para obtener la por frecuencia absoluta, calculamos el recuento finaladitivo de cada mil. Así, la frecuencia absoluta para el lema (83 ocurrencias) se bandas de frecuencia (baja, moderada, notable, ymás muy alta). En de nuestro vocablo. La frecuencia normalizada por mil es la alta cifra adecuada para poner corresponde con una frecuencia normalizada por mil 0,226, calculada del relación los resultados con otros corpus. El cálculo se obtiene dividiendoen la la trabajo, encalculamos diez (n=10) rangos de frecuencia basados siguiente modo: 83/367.482 x 1000 = 0,226. ocurrencia de cada palabra entrelugar, el totalen de vez palabras yutilizar multiplicando el resultado(F) definición siguiente. En primer de la frecuencia El rango deabsoluta frecuencia la adscripción las palabrassea subconjuntos del por mil. Así, la frecuencia parafacilita el lema aditivo (83 de ocurrencias) corpus establecidos conforme a ladistribución cifradede0,226, ocurrencias. EnLog(F). eldel volumen de Almela misma, utilizamos paranormalizada obtener una lineal: corresponde el conlogaritmo una frecuencia por mil calculada et al. (2005), por= 0,226. ejemplo, se dividieron los resultados en cinco bandas de siguiente modo: 83/367.482 x 1000 El logaritmo expresafrecuencia adecuadamente el comportamiento del léxico (baja, moderada, notable, alta y muy alta). En nuestro trabajo, conforme a su frecuencia de aparición. representación El rango de frecuencia facilita la adscripción de Su las a subconjuntos calculamos diez (n=10) rangos de palabras frecuencia basados en gráfica la del definición siguiente. corpusaestablecidos a los la cifra ocurrencias. Enlafrecuencia el frecuencia volumen depresentan Almela Enconforme primer en devez de (F) misma, utilizamos el corresponde una curva en quelugar, rangos de utilizar mayor et al. (2005), porlogaritmo ejemplo, para se dividieron los distribución resultados en cincoLog(F). bandasEldelogaritmo expresa obtener una lineal: una pendiente más(baja, pronunciada, mientras los rangos frecuencia más frecuencia moderada, notable, altaque y muy alta). Endenuestro trabajo, adecuadamente el comportamiento del léxico conforme a su frecuencia de calculamos diez rangos de frecuencia basados en la definición siguiente. baja se aproximan a la(n=10) horizontal 2001: 14; Ueda, 2013). La base aparición. Su(Baayen, representación gráfica corresponde a una curva del en que los rangos Enseprimer lugar, vez de utilizar la frecuencia (F) misma, el mientras que los frecuencia presentan una pendiente másutilizamos pronunciada, logaritmo define condeenlamayor siguiente fórmula:

logaritmo para obtener distribución Log(F). El logaritmo expresa rangos una de frecuencia máslineal: baja se aproximan a la horizontal (Baayen, 2001: 14; adecuadamente elUeda, comportamiento deldelléxico conforme a su 2013). La base logaritmo se define confrecuencia la siguientede fórmula: aparición. Su representación gráfica corresponde a una curva en que los rangos Base del logaritmo = Mx1 / 10 de mayor frecuencia presentan una pendiente más pronunciada, mientras que los rangos de frecuencia másMx baja la horizontal (Baayen, 2001: datos 14; (esto es, Mx = donde es sela aproximan frecuencia amáxima recogida en nuestros Ueda, La base delmáxima logaritmo se correspondientes define con lanuestros siguiente fórmula: 35.536 ocurrencias al artículo el).(esto Así, laes, base del logaritmo es donde Mx es 2013). la frecuencia recogida en datos Mx 1/10 = Con esta base, la máxima frecuencia se convierte en 10 (es 35.536 1 /2,851. 10 Base del logaritmo = Mx = 35.536 ocurrencias correspondientes al artículo el). Así, la base del decir, el logaritmo en base 2,851 de 35.536 es 10): 1/10 = 2,851. Conrecogida esta base, la máxima frecuencia logaritmo es Mx 35.536 donde es la frecuencia máxima en nuestros datos (esto es, Mx = se Log Mx1/10 (Mx) = 10 ==> Log2,851 (35536) = 10 ocurrencias correspondientes alenartículo el). Así,de la 35.536 base del logaritmo convierte35.536 en 10 (es decir, el logaritmo base 2,851 es 10): es 35.5361/10 = 2,851.A Con esta base, para la máxima en 10 (es el logaritmo en continuación, obtenerfrecuencia los rangossedeconvierte 1 a 10, calculamos decir, el logaritmobase en base 2,851 de ocurrencias 35.536 es 10): 2,851 de las de cada palabra, con cifras redondeadas en el rango superior 0. Por ejemplo, si aditivo Log Mx1/10 (Mx) = 10 a partir del dígito==> Log2,851 (35536) = 10 presenta una frecuencia de 83 ocurrencias, entonces el rango se calcula así: Log2,851 (83) = 4,21, y el rango A continuación, para obtener los rangos de 1 a 10, calculamos el logaritmo en base 2,851 para de las obtener ocurrencias cada palabra, cifras redondeadas el en logaritmo el rango A continuación, losde rangos de 1con a 10, calculamos superior a partir del dígito 0. Por ejemplo, si aditivo presenta una frecuencia de en base 2,851 de las ocurrencias de cada palabra, con cifras redondeadas en 83 ocurrencias, entonces el rango se calcula así: Log2,851 (83) = 4,21, y el rango

el rango superior a partir del dígito 0. Por ejemplo, si aditivo presenta una Ibérica 30 (2015): …-… frecuencia de 83 ocurrencias, entonces el rango se calcula así: Log2,851 (83) = 4,21, y el rango de frecuencia se redondea a 5 por rebasar la cifra de 4. Se trata de un vocablo de ocurrencia moderada. Ibérica 30 (2015): …-… En cuanto a la dispersión lineal media, proponemos un concepto distinto respecto a trabajos previos. Juilland y Chang-Rodríguez (1964) tomaron la 66

Ibérica 30 (2015): 61-84

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 67

FRECUENCIA y DISPERSIóN LéXICAS

desviación estándar entre frecuencias de un vocablo en distintos L. CAMPILLOS LLANOS &observada H. UEDA textos, empleando subcorpus de tamaño semejante. Posteriormente, Carroll (1970)de frecuencia propuso seunredondea concepto dispersión corpus a 5 porde rebasar la cifra deadecuado 4. Se trata deaunun vocablo de con ocurrencia particiones demoderada. diferente tamaño, aunque Gries (2008) revisó su propuesta L. CAMPILLOS LLANOS & H. UEDA En cuanto a la dispersión lineal En media, concepto distinto con una formulación posterior. esteproponemos trabajo, aun diferencia de dichos respecto a trabajos previos. Juilland y Chang-Rodríguez (1964) tomaron la investigadores, consideramos el conjunto de textos como un continuo. El de un vocablo de desviación estándar observada entre se frecuencias un rebasar vocablolaen distintos de frecuencia redondea ade5 por cifra de 4. Se trata motivo es empleando la ausencia de secciones o semejante. subcorpus en nuestraCarroll colección. textos, subcorpus de tamaño Posteriormente, ocurrencia moderada. (1970) propuso un concepto de un dispersión adecuado a un corpus con particiones Considerando el texto como continuo, también observan distintos En cuanto a la dispersión lineal se media, proponemos un concepto distinto de diferente tamaño, aunque Gries (2008) revisó su propuesta con una respecto a trabajos previos. desde Juillanduna y Chang-Rodríguez (1964) tomaron la grados de dispersión de los vocablos, variando dispersión ideal formulación posterior. En este trabajo, a diferencia de dichos investigadores, desviación estándar observada entre frecuencias de un vocablo en distintos consideramos el conjunto(las de textos comose un distribuyen continuo. El motivo es la ausencia máximamente equitativa palabras en el texto de manera textos, empleando subcorpus de tamaño semejante. Posteriormente, Carroll de secciones o subcorpus en nuestra colección. Considerando el texto como un uniforme) hasta una dispersión extremadamente sesgada adecuado (las palabras se con particiones (1970) propuso un concepto de dispersión a un corpus continuo, también se observan distintos grados de dispersión de los vocablos, de diferente tamaño, aunque Gries (2008) El revisó su de propuesta con una concentran ciertos puntos del continuo textual). valor variando solo desde en una dispersión ideal máximamente equitativa (las palabras se formulación posterior. En este trabajo, a diferencia de dichos investigadores, distribuyen el texto de manera uniforme) hasta una dispersión dispersión de unenvocablo es una cifrael comprendida entre 1, siendo el es la ausencia consideramos conjunto de textos como0uny continuo. El 0 motivo extremadamente sesgada (las palabras se concentran solo en ciertos puntos del de secciones en nuestra colección. Considerando valor continuo de dispersión y 1 oelsubcorpus la dispersión máxima. Nuestro el texto como un textual). El mínima, valor de dispersión dede un vocablo es una cifra comprendida continuo, también se observan distintos grados de dispersión de los vocablos, entre 0esy calcular 1, siendoel0 grado el valordedelodispersión mínima, y la1 dispersión el de la dispersión propósito sesgada que está real (a) con variando desde una dispersión ideal máximamente equitativa (las palabras se máxima. Nuestro propósito es calcular el grado de lo sesgada que está la respecto a la dispersión ideal equitativa distribuyen en (b) el (figura texto de1). manera uniforme) hasta una dispersión dispersión real (a) con respecto a la dispersión ideal equitativa (b) (figura 1). extremadamente sesgada (las palabras se concentran solo en ciertos puntos del continuo textual). El valor de dispersión de un vocablo es una cifra comprendida entre 0 y 1, siendo 0 el valor de dispersión mínima, y 1 el de la dispersión máxima. Nuestro propósito es calcular el grado de lo sesgada que está la dispersión real (a) con respecto a la dispersión ideal equitativa (b) (figura 1).

Figura 1: Dispersión real (a) y dispersión lineal media (b) de un vocablo V.

La figura representa un vocablo V con cinco apariciones en el corpus, entre las cuales hay cuatro intervalos de distancia (d1, d2, d3 y d4). La dispersión lineal La figura V textual con cinco apariciones en siendo el corpus, mediarepresenta (b) representaun envocablo el continuo la distancia media (dm, dm = entre Figura 1: Dispersión real (a) y dispersión lineal media (b) de un vocablo V. dm1 =hay dm2cuatro = dm3 =intervalos dm4). La distancia media se(d1, calcula total las cuales de distancia d2,dividiendo d3 y d4).la cifra La dispersión de palabras del corpus (T) entre la frecuencia de un determinado vocablo (F), linealsegún media (b) representa en elrepresenta continuo la con distancia media (dm, La figura un textual vocablo V cinco apariciones en el corpus, entre las esta fórmula: cuales intervalos distancia (d1, d2, d3 d4). La dispersión lineal siendo dm = dm1 = dm2 = hay dm3cuatro = dm4). Ladedistancia media se ycalcula media (b) representa en el continuo textual la distancia media (dm, siendo dm = dividiendo la cifra total de palabras entre lamedia frecuencia un dm1 = dm2 = del dm3corpus = dm4). (T) La distancia se calculade dividiendo la cifra total palabras delfórmula: corpus (T) entre la frecuencia de un determinado vocablo (F), determinado vocablo (F),desegún esta Para calcular la dispersión normalizada (DLN), son precisos varios segúnlineal esta fórmula: cómputos intermedios. Primero, se obtiene la distancia acumulada al cuadrado, que es el cuadrado de la suma acumulada de las diferencias entre la distancia real de aparición de cada vocablo (di) y la distancia ideal media (dm): Para calcular la dispersión lineal normalizada (DLN), son precisos varios

Para calcular la dispersión lineal intermedios. normalizada (DLN), son laprecisos cómputos Primero, se obtiene distancia varios acumulada al cuadrado, que es else cuadrado dela la distancia suma acumulada de las diferencias entre la distancia real cómputos intermedios. Primero, obtiene acumulada al cuadrado, de aparición de cada vocablo (di) y la distancia ideal media (dm): que es elIbérica cuadrado de la suma acumulada de las diferencias entre la distancia 30 (2015): …-… real de aparición de cada vocablo (di) y la distancia ideal media (dm): Ibérica 30 (2015): …-…

Ibérica 30 (2015): 61-84

67

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 68

Para calcular la dispersión lineal normalizada (DLN), son precisos varios cómputos intermedios. Primero, se obtiene la distancia acumulada al cuadrado, que es el cuadrado de la suma acumulada de las diferencias entre la distancia real de aparición de cada vocablo (di) y la distancia ideal media (dm):

L. CAMPILLoS LLANoS & H. UEDA

Como explicamos antes, el valor de la dispersión lineal normalizada es una Ibérica 30 (2015): …-… FRECUENCIA Y DISPERSIÓN LÉXICAS cifra entre 0 (dispersión mínima) y 1 (dispersión máxima). Así, las categorías que aparecen con la distribución más alta en el corpus presentan unFRECUENCIA valor deY DISPERSIÓN LÉXICAS el valor de la dispersión linealdenormalizada dispersión próximo a Como 1: porexplicamos ejemplo,antes, el artículo el (con un valor 0,985). es una cifra entre 0 (dispersión mínima) y 1 (dispersión máxima). Así, las categorías que FRECUENCIA Y DISPERSIÓNes LÉXICAScifra En cambio, lemas con una concentración alta (restringida solo apresentan ciertas Como explicamos antes, elmás valor de la lineal normalizada aparecen con la distribución alta endispersión el corpus un valoruna de entre próximo 0 (dispersión mínima) y 1 (dispersión máxima). Así, las categorías secciones del corpus)dispersión presentan un a valor próximo a 0: por ejemplo, 1: por ejemplo, el artículo el (con un valor de 0,985). En que aparecen con la distribución alta en ellineal corpus un lemas condispersión una concentración alta (restringida solo apresentan ciertas secciones Como explicamos antes, el valor demás lade dispersión normalizada es unavalor cifra de quiropráctica (0,063). Elcambio, cálculo de la lineal cada ocurrencia seY DISPERSIÓN LÉXICAS FRECUENCIA dispersión próximo avalor 1: por artículo el (con de 0,985). delentre corpus) presentan un próximo a 0:elpor ejemplo, quiropráctica (0,063). 0 (dispersión mínima) y 1ejemplo, (dispersión máxima). Así,unlasvalor categorías que En obtiene a partir de la desviación estándar cambio, lemas con(DE): unalineal concentración altael(restringida solo aa ciertas secciones Elaparecen cálculo de la la dispersión de cada ocurrencia se obtiene partir de lade con distribución más alta en corpus presentan un valor

Por su parte, la valor medio de y la frecuencia:

del corpus) presentan un valor próximo a 0: por ejemplo, quiropráctica (0,063). desviación estándar (DE): dispersión próximo aantes, 1: por el dispersión artículo el lineal (con un valor de 0,985). En cifra es una normalizada valor de la el ejemplo, Como explicamos El cálculo de la una dispersión lineal dealta cada ocurrencia se obtiene asecciones partir de cambio, lemas con concentración (restringida solo a ciertas quela categorías las Así, máxima). (dispersión 1 y mínima) entre 0 (dispersión desviación estándar (DE): delaparecen corpus) presentan un valor próximo a 0:en porelejemplo, valor de presentan un (0,063). corpus quiropráctica más alta con la distribución Eldispersión cálculo depróximo la dispersión lineal de cada ocurrencia se obtiene partir de laEn 0,985). un valora de el (con el artículo ejemplo, a 1: por desviación estándar (DE): secciones ciertas a solo (restringida alta concentración una con lemas cambio, Por su parte, la desviación estándar normalizada (DEN) requiere calcular el valor desviación estándar normalizada (DEN) requiere calcular el quiropráctica medio distancia (M), un quevalor es elpróximo cocientea 0: entre suma de distancias y(0,063). la ejemplo, por la presentan corpus) del de distancia (M), que es lalaeldesviación cocienteestándar entredela suma de(DEN) distancias su parte, normalizada la a partireldevalor obtienecalcular serequiere frecuencia: ocurrencia cada lineal dispersión de cálculo ElPor medio de estándar distancia(DE): (M), que es el cociente entre la suma de distancias y la desviación Porfrecuencia: su parte, la desviación estándar normalizada (DEN) requiere calcular el valor

medio de distancia (M), que es el cociente entre la suma de distancias y la Lafrecuencia: desviación estándar normalizada (DEN) resulta de dividir la desviación estándar el producto del valor medio (DEN) de distancia (M) y la raíz el valor calcular requiere normalizada estándar la desviación parte,entre Por su(DE) La desviación normalizada (DEN)entre resulta de dividir la desviación cuadrada dedeF -distancia 1: estándar y la de distancias la suma es el cociente (M), que medio La desviación estándar normalizada dividir la desviación estándar (DE)(DEN) entre elresulta productodedel valor medio de distancia (M) y la raíz frecuencia: de Festándar - 1: medio La cuadrada desviación normalizada (DEN) resulta estándar (DE) entre el producto del valor de distancia (M) ydeladividir raíz la desviación

estándar (DE) entre el producto del valor medio de distancia (M) y la raíz cuadrada delaF dispersión - 1: Finalmente, lineal normalizada (DLN) resulta de restar de 1 la desviación estándar estándar normalizada (DEN): (DEN) resulta de dividir la desviación normalizada La desviación Finalmente, dispersión lineal del normalizada (DLN) restar de raíz 1 la y la distanciade (M) de resulta valor medio el producto (DE)laentre estándar DLN = 1 − DEN desviación F - 1: normalizada (DEN): de estándar cuadrada Intentaremos aclarar cómo se calcula la dispersión lineal normalizada tomando el Finalmente, la =dispersión DLN 1 − DEN lineal normalizada (DLN) resulta de restar de 1 la ejemplo aditivo. normalizada Para (DLN) comprender el concepto, puede desviación estándar (DEN): Finalmente, la dispersión linealdenormalizada resulta de restarse de 1 la observar este Intentaremos aclarar cómo se calcula la dispersión lineal normalizada tomando el fragmento: desviación estándar normalizada DLN (DEN): =de1 −aditivo. DEN ejemplo Para comprender el concepto, se puede observar este de 1 la restar resulta de de (DLN)o susceptibles normalizada lineal dispersión Finalmente, ¡Su comida,lasin aditivos! Los aditivos desaconsejables provocar fragmento:aclarar cómo se calcula la dispersión lineal normalizada tomando el Intentaremos estándar normalizada desviación efectos indeseables. Los alimentos(DEN): que contienen más cantidad de aditivos (…) ejemplo de Para comprender el concepto, se puede observar este ¡Suaditivo. comida, sin aditivos! Los aditivos desaconsejables o susceptibles de provocar DEN aparición del lema aditivo (posición 7) y la segunda = 1la−primera Lafragmento: distanciaDLN entre efectos indeseables. Los alimentos que contienen más cantidad de aditivos (…) (posición 10) es de 3 (10 – 7 = 3). La distancia entre la segunda aparición el normalizadadetomando la dispersión lineal calcula seLos cómo aclarar Intentaremos ¡Su sin la aditivos! aditivos susceptibles La distancia primera aparición del (posición 7)parte, y provocar la segunda (posición 10)comida, y la entre tercera (posición 25) es dedesaconsejables 15lema (25 –aditivo 10 =o15). Por otra la este observar se puede el concepto, comprender Para aditivo. de ejemplo Intentaremos aclarar distancia cómo se calcula la dispersión lineal normalizada efectos indeseables. Los alimentos que contienen más cantidad de aditivos (…) (posición 10) es de 3 (10 – 7 = 3). La distancia entre la segunda aparición media (dm) es el resultado de dividir el número total de elementos del fragmento: (posición 10)entre ylala tercera (posición 25) es de aditivo 15 (25 10 15).7)Por (367.482) el número total intervalos entre las=ocurrencias departe, la la tomando el ejemplo corpus deLa aditivo. Para comprender el de concepto, se–(posición puede distancia entre primera aparición del lema y laotra segunda distancia media (dm) eselel resultado de distancia dividir el entre número total elementos del de provocar olasusceptibles desaconsejables aditivos Los aditivos! sin comida, ¡Su palabra correspondiente (en caso de aditivo, 83 intervalos). Así, de la distancia (posición 10) es de 3 (10 – 7 = 3). La segunda aparición observar este fragmento: aditivos de contienen alimentos Losnúmero indeseables. efectos corpus (367.482) entre el total de intervalos entre ocurrencias de la media (ideal) entre cada aparición de 25) aditivo en nuestro corpus eslas 367.482 / 83(…) =la (posición 10) y la tercera (posición esque de 15 (25 –más 10 =cantidad 15). Por otra parte, palabra correspondiente (en el caso de 83 intervalos). Así, la segunda distancia 4.427,49 palabras. A la continuación, sedecalcula lael diferencia entre la distancia media (dm) esprimera el resultado dividir número total de elementos del y la 7) distancia (posición aditivo lema deladitivo, aparición entre La distancia media (ideal) entre cada aparición de aditivo en nuestro corpus es 367.482 83 = ¡Su comida, sin media aditivos! Los aditivos desaconsejables o susceptibles de ideal y la distancia real de cada una de las ocurrencias. Entre la primera corpus (367.482) entre el número total de intervalos entre las ocurrencias de/ la (posición 10) es de 3 (10 – 7 = 3). La distancia entre la segunda aparición 4.427,49 palabras. A (en continuación, seesla calcula la laesparte, distancia y 10) la segunda, la diferencia distancia ideal y Así, laentre real de la palabra correspondiente el caso de aditivo, intervalos). laotra distancia provocar efectos ocurrencia indeseables. Los que contienen cantidad de Por = 15). 10 –diferencia 1583(25 demás 25)de (posición la tercera y alimentos (posición media la(dm) distancia real de de aditivo cada una ocurrencias. Entre la/2 83 primera 4.427,49 – ideal 3media =y 4.424,49 y desudividir valor cuadrado eses de 4.424,49 = =del media (ideal) entre cada aparición en de nuestro corpus 367.482 elementos total número ellas resultado elpalabras es distancia aditivos (…) ocurrencia y la segunda, la diferencia de la distancia ideal y la real es la de 4.427,49 palabras. A continuación, se calcula la diferencia entre la distancia de ocurrencias entre las de intervalos el número total entre corpus (367.482) 2 4.427,49 = 4.424,49 y desulasvalor cuadrado es la4.424,49 media ideal y–la 3distancia real depalabras cadade unaaditivo, ocurrencias. Entre distancia= laprimera Así, intervalos). 83 caso (en el correspondiente palabra ocurrencia y laentre segunda, la diferencia de la en distancia ideal yesla367.482 real es/ 83 de = nuestro corpus de aditivo cada aparición media (ideal) 68 Ibérica 30 (2015): 61-84 2 Ibérica 30es (2015): …-… 4.427,49 3 = 4.424,49 palabras se y calcula su valorla cuadrado 4.424,49 = la distancia entre diferencia A continuación, 4.427,49– palabras. media ideal y la distancia real de cada una de las ocurrencias. Entre la primera Ibérica 30 (2015): …-… y la real es de ocurrencia y la segunda, la diferencia de la distancia ideal 4.427,49 – 3 = 4.424,49 palabras y su valor cuadrado es 4.424,492 =

cuadrada de F - 1:

Ibérica 30 (2015): …-…

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 69

FRECUENCIA y DISPERSIóN LéXICAS

La distancia entre la primera aparición del lema aditivo (posición 7) y la segunda (posición 10) es de 3 (10 – 7 = 3). La distancia entre la segunda aparición (posición 10) y la tercera (posición 25) es de 15 (25 – 10 = 15). Por otra parte, la distancia media (dm) es el resultado de dividir el número total de elementos del corpus (367.482) entre el número total de intervalos entre las ocurrencias de la palabra correspondiente (en el caso de aditivo, 83 intervalos). Así, la distancia media (ideal) entre cada aparición de aditivo en nuestro corpus es 367.482 / 83 = 4.427,49 palabras. A continuación, se calcula la diferencia entre la distancia media ideal y la distancia real de cada una de las ocurrencias. Entre la primera ocurrencia y la segunda, la diferencia de la distancia ideal y la real es de 4.427,49 – 3 = 4.424,49 palabras y su valor cuadrado es 4.424,492 = 19.576.111,76. Si se aplica este procedimiento a las 83 apariciones de dicho lema, se obtiene la suma de diferencias (o diferencia acumulada) entre la distancia real de aparición del vocablo (di) y la distancia media (dm) o ideal. Estos valores permiten la desviación estándar L. CAMPILLOS LLANOS & H.calcular UEDA (DE), la desviación estándar normalizada (DEN) y la dispersión lineal normalizada (DLN) mediante las fórmulas anteriormente expuestas. El apariciones de dicho 19.576.111,76. Si se aplica este procedimiento a las 83 lema,normalizada se obtiene lade suma de es diferencias resultado de la dispersión lineal aditivo 0,690. (o diferencia acumulada) entre la distancia real de aparición del vocablo (di) y la distancia media (dm) o ideal. Seguidamente, para calcular los rangos depermiten dispersión de 1laa 10, redondeamos Estos valores calcular desviación estándar (DE), la desviación estándar normalizada (DEN) y la dispersión normalizada (DLN) mediante el resultado de DLN multiplicada por 10 en el rango superior alineal partir del las fórmulas anteriormente expuestas. El resultado de la dispersión lineal dígito 0. Así, la dispersión lineal normalizada deesaditivo normalizada de aditivo 0,690. (0,690) se sitúa en un rango de dispersión 7. Seguidamente, para calcular los rangos de dispersión de 1 a 10, redondeamos el de DLN multiplicadadeporfrecuencia 10 en el rango Finalmente, el valor de usoresultado (U) es el producto (F)superior por a partir del dígito 0. Así, la dispersión lineal normalizada de aditivo (0,690) se sitúa en un rango de dispersión (D) (Juilland y Chang Rodríguez, 1964; Porta Zamorano y Ureña dispersión 7. Ruiz, 2003): Finalmente, el valor de uso (U) es el producto de frecuencia (F) por dispersión (D) (Juilland y Chang Rodríguez, 1964; Porta Zamorano y Ureña Ruiz, 2003): U=FxD

Así, el valor de uso de aditivo es 83 x 0,690 = 57,285. Por último, se calcula el rango de uso de igual modo que el rango de frecuencia o dispersión. En este aditivocaso, es 83 x 0,690 = 57,285. Por último, se calcula aditivo aparece en un rango de uso de 4.

Así, el valor de uso de el rango de uso de igual modo que el rango de frecuencia o dispersión. En Los cálculos se realizaron con el programa “Frecuencia y dispersión lineal”. La este caso, aditivo aparece en un rango de usolosderesultados 4. figura 2 muestra durante el procesamiento. En las columnas se

recogen los siguientes valores: Freq.: Frecuencia; Prev. pos.: Posición previa;

Los cálculos se realizaron con el programa “Frecuencia dispersión lineal”. Distance: Distancia; Mean Dist.:yDistancia media; Difference: Diferencia; y La figura 2 muestra los resultados durante el procesamiento. En las columnas Acum. Diff: Diferencia acumulada. Los valores aparecen a partir de la segunda ocurrencia un vocablo (pues la previa; posición previa y la distancia se recogen los siguientes valores: Freq.:deFrecuencia; Prev.son pos.:necesarias Posición entre palabras). Distance: Distancia; Mean Dist.: Distancia media; Difference: Diferencia; y Acum. Diff: Diferencia acumulada. Los valores aparecen a partir de la segunda ocurrencia de un vocablo (pues son necesarias la posición previa y la distancia entre palabras). Ibérica 30 (2015): 61-84

69

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 70

L. CAMPILLoS LLANoS & H. UEDA

FRECUENCIA Y DISPERSIÓN LÉXICAS

FRECUENCIA Y DISPERSIÓN LÉXICAS

Figura 2. Resultados de la fase intermedia del procesamiento (se usa punto para decimales).

La figura 3 muestra los resultados finales. Las columnas recogen los siguientes

La figura muestra resultados finales. Las columnas recogen valores:3Figura lema gramatical (Cat.), (se frecuencia absoluta (Freq.), los 2. (Lemma), Resultadoslos decategoría la fase intermedia del procesamiento usa punto para decimales). rango de frecuencia (F. (Lemma), Rank), frecuencia normalizada por mil(Cat.), (F. per frecuencia mil), siguientes valores: lema categoría gramatical dispersión media Disp.), rango de Las dispersión lineal (L. D. los Rank), valor La figura lineal 3 muestra los(L. resultados finales. columnas recogen siguientes absoluta (Freq.), rango frecuencia (F. Rank), frecuencia normalizada por de uso (Usage) y rangode decategoría uso (U. Rank). valores: lema (Lemma), gramatical (Cat.), frecuencia absoluta (Freq.), mil (F.rango per mil), dispersión (L.normalizada Disp.), rango de frecuencia (F. lineal Rank), media frecuencia por de mil dispersión (F. per mil),lineal dispersión lineal media (L. Disp.), rango de dispersión lineal (L. D. (L. D. Rank), valor de uso (Usage) y rango de uso (U. Rank). Rank), valor de uso (Usage) y rango de uso (U. Rank).

Figura 3. Resultados finales tras el procesamiento de los datos (se usa punto para decimales).

Figura 3. Resultados finales tras el procesamiento de los datos (se usa punto para decimales). 3. Resultados

3. Resultados 3. Resultados Solamente ofrecemos recuentos de palabras con una frecuencia mínima de 2 Ibérica 30 (2015): …-… ocurrencias, excluyendo las que solo se registran una vez en nuestro corpus (hápax legómenon). El reparto muestra que más de tres cuartos (82,89%) Ibérica 30 (2015): …-… corresponde a categorías léxicas, a diferencia del resto de categorías 70

Ibérica 30 (2015): 61-84

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 71

FRECUENCIA y DISPERSIóN LéXICAS

L. CAMPILLOS LLANOS & H. UEDA

(17,11%). El desglose por tipo de categoría léxica revela que un poco menos Solamente ofrecemos recuentos de palabras con una frecuencia mínima de 2 de la ocurrencias, mitad sonexcluyendo sustantivos (45,03%); un poco la quinta las que solo se registran una más vez endenuestro corpus parte legómenon). El reparto muestra que más de tres cuartos (82,89%) (hápax (21,16%), adjetivos; y les siguen verbos (14,33%) y adverbios en –mente corresponde a categorías léxicas, a diferencia del resto de categorías (17,11%). (2,21%). Los epónimos (términos el menos nombre El desglose por tipo de categoría léxicaque revelareciben que un poco de lapropio mitad de investigadores: por ejemplo, Alzheimer; Alcaraz Ariza, 2002) resultan son sustantivos (45,03%); un poco más de la quinta parte (21,16%), adjetivos; y les siguen verbos (14,33%) y adverbios en –mente (2,21%). Los epónimos prácticamente esporádicos (0,15%). Cabe plantearse si un análisis de textos (términos que reciben el nombre propio de investigadores: por ejemplo, técnicos del mismo dominio obtendría semejantes. tabla 2 y la Alzheimer; Alcaraz Ariza, 2002) resultanresultados prácticamente esporádicosLa(0,15%). plantearse un análisis de textos técnicos del mismo dominio obtendría figuraCabe 4 resumen lossi datos. resultados semejantes. La tabla 2 y la figura 4 resumen los datos.

Frecuencia de lemas

Categorías léxicas

Sustantivos Adjetivos Verbos Adverbios en -mente Epónimos Total

Absoluta

Relativa

3.526 1.657 1.122 173 12

45,03% 21,16% 14,33% 2,21% 0,15%

6.490

82,89%

Otras categorías

1.340

17,11%

Total de lemas

7.830

100%

Tabla 2. Frecuencia absoluta y relativa de lemas por categorías léxicas.

Figura 4. Proporción de lemas obtenidos por categorías.

Resulta interesante contrastar nuestras cifras con las del corpus general CUMBRE (Almela et al., 2005: 55). En ambos las categorías lo Resulta interesante contrastar nuestras cifras más con frecuentes las del coinciden, corpus general cual parece revelar que su frecuencia es independiente del tipo de texto CUMBRE (Almelao etmisceláneo). al., 2005: No 55).obstante, En ambos las categorías más frecuentes (especializado en nuestros datos los adjetivos muestran más alta que siendo aes la inversa en CUMBRE. coinciden, lo una cualfrecuencia parece revelar quelossuverbos, frecuencia independiente del tipo Esto (especializado sí puede resultar odistintivo del tipoNo de género, pues en el uso del adjetivo de texto misceláneo). obstante, nuestros datos los adjetivos muestran una frecuencia más alta que los verbos, siendo a la inversa en CUMBRE. Esto sí puede resultar distintivo del tipo de género, pues el uso Ibérica 30 (2015): …-… del adjetivo (especialmente, relacional) se explica por el carácter descriptivo o expositivo de nuestros textos (recuérdese que son divulgativos, pero están escritos por médicos y editados por periodistas, y prima la función

Ibérica 30 (2015): 61-84

71

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 72

L. CAMPILLoS LLANoS & H. UEDA

informativa). En cambio, en un corpus general los textos pueden ser de género variado (por ejemplo, narrativo) y el uso del verbo aporta dinamismo. Nuestros resultados coinciden con los de Hernando (1990) y Sabaj (2004), quien contabilizó menos verbos en el corpus científico técnico al compararlo con otros corpus distintos. A continuación presentamos los resultados de cada tipo diferente (type) de lema por categoría léxica. Primero, exponemos los lemas léxicos más frecuentes, indicando el porcentaje que representan respecto a la totalidad L. CAMPILLOS LLANOS & H. UEDA Orden

Cat.

Frec./mil

% del corpus

RF

RD

RU

1 2

ser haber

Lema

V V

18,874 7,260

1,89% 0,73%

9 8

10 10

9 8

3

poder

V

7,121

0,71%

8

10

8

4

tener

V

4,308

0,43%

8

10

8

5

estar

V

3,758

0,38%

7

10

7

6

deber

V

3,176

0,32%

7

10

7

7

hacer

V

2,640

0,26%

7

10

7

8

tratamiento

S

2,449

0,24%

7

10

7

9

enfermedad

S

2,231

0,22%

7

10

7

10

medicamento

S

1,992

0,20%

7

10

7

11

caso

S

1,899

0,19%

7

10

7

12

problema

S

1,829

0,18%

7

10

7

13

paciente

S

1,826

0,18%

7

9

7

14

persona

S

1,788

0,18%

7

10

7

15

riesgo

S

1,769

0,18%

7

10

7

16

médico

S

1,641

0,16%

7

10

7

17

producto

S

1,614

0,16%

7

9

6

18

estudio

S

1,516

0,15%

7

10

6

19

efecto

S

1,437

0,14%

6

10

6

20

tratar

V

1,410

0,14%

6

10

6

21

producir

V

1,350

0,13%

6

10

6

22

tomar

V

1,333

0,13%

6

10

6

23

síntoma

S

1,314

0,13%

6

9

6

24

tipo

S

1,282

0,13%

6

10

6

25

año

S

1,238

0,12%

6

10

6

26

ver

V

1,230

0,12%

6

10

6

27

realizar

V

1,118

0,11%

6

10

6

28

niño

S

1,102

0,11%

6

9

6

29

mismo

A

1,088

0,11%

6

10

6

30

alimento

S

1,080

0,11%

6

9

6

Tabla 3. Los 30 lemas con mayor rango de uso en el corpus.

72

En segundo lugar, se abordan los resultados de las ocurrencias por rangos de (tabla 4) y dispersión (tabla 5) de los lemas de cada categoría.

Ibérica 30 (2015): 61-84 frecuencia

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 73

FRECUENCIA y DISPERSIóN LéXICAS

de palabras del corpus (367.482). Nótese que los resultados no son comparables a los obtenidos por Juilland y Chang Rodríguez (1967) o Patterson y Urrutibéheity (1975), ya que ellos calcularon las frecuencias incluyendo las categorías gramaticales. Las 50 palabras léxicas más frecuentes suponen más del 10% del tamaño del corpus (en concreto, 10,18%) y su dispersión también es máxima. De ellas solo las 10 más frecuentes suponen más del 5% del corpus. La tabla 3 lista las 30 palabras léxicas más frecuentes, con la siguiente información: orden de frecuencia (orden), lema (Lema), categoría (Cat.; V, verbo; S, sustantivo; y A, adjetivo), frecuencia normalizada por mil (Frec./mil), porcentaje de cada ítem respecto a la totalidad del corpus (% del corpus), rango de frecuencia (RF), rango de dispersión lineal (RD) y rango de uso (RU). Además, marcamos en negrita los términos registrados en el DTM (RANM, 2011). En segundo lugar, se abordan los resultados de las ocurrencias por rangos de frecuencia (tabla 4) y dispersión (tabla 5) de losFRECUENCIA lemas de cada categoría. Y DISPERSIÓN LÉXICAS Rango frecuencia

1

2

3

4

5

6

7

Sustantivo

723

1365

755

431

196

45

11

Adjetivo

398

675

330

172

70

12

Verbo

175

371

260

188

93

28

18

2

Adverbios -mente

39

78

36

Epónimos

5

5

2

Total

1.340

2.494

1.383

8

9

Total 3.526 1.657

3

3

1

1.122 173 12

809

361

85

14

3

1

6.490

Tabla 4. Tipos de lemas (types) correspondientes a cada categoría léxica en cada rango de frecuencia. Rango dispersión

1

2

3

4

5

6

7

8

9

10

Total

Sustantivo

609

142

168

280

408

459

595

505

284

76

3.526

Adjetivo

233

60

91

121

177

222

270

287

147

49

1.657

Verbo

70

33

35

59

96

140

184

233

209

63

1.122

Adverbios -mente

5

9

9

11

22

24

42

35

16

Epónimos

7

3

1

Total

924

706

846

1.091

1.060

656

1 244

304

471

173 12 188

6.490

Tabla 5. Tipos de lemas (types) correspondientes a cada categoría léxica en cada rango de dispersión.

Se puede observar que solo aparece un subconjunto restringido de sustantivos y

Se puede solo aparece un(7,subconjunto de verbos observar en los rangosque de frecuencia más altos 8 y 9). En estos,restringido los lemas verbalesy corresponden a vocablos sino al léxico general sustantivos verbos en los rangos médicos, de frecuencia más altos (7,(por 8 y ejemplo, 9). En estos, ser, poder o tener). Los adjetivos y los adverbios en –mente restringen su los lemas verbales corresponden a vocablos médicos, sino al más léxico general aparición a rangos intermedios de frecuencia (aunque abundan en los bajos) y de alta dispersión. Respecto a la dispersión, la mayoría de lasadverbios categorías léxicas (por ejemplo, ser, poder o tener). Los adjetivos y los en –mente posee su valores altos, aaexcepción de los epónimos, una escasa frecuencia y restringen aparición rangos intermedios de con frecuencia (aunque abundan

dispersión. Esto es, existe un grueso del vocabulario médico compartido por la mayoría de los textos. Con todo, la mayor riqueza y variedad de lemas se registra en los rangos de frecuencia bajos (1, 2, 3 y 4). Por otro lado, abundan los lemas Ibérica 30 (2015): 61-84 73 en el rango más bajo de dispersión (lo que indica que multitud de vocablos solo aparecen en ciertas secciones), y en los rangos intermedios altos. La tabla 6 relaciona la cifra de lemas en cada rango de frecuencia y de dispersión. Como se explicó, dicha relación queda sintetizada con el valor del uso (U = F x D).

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 74

L. CAMPILLoS LLANoS & H. UEDA

en los más bajos) y de alta dispersión. Respecto a la dispersión, la mayoría de las categorías léxicas posee valores altos, a excepción de los epónimos, con una escasa frecuencia y dispersión. Esto es, existe un grueso del vocabulario médico compartido por la mayoría de los textos. Con todo, la mayor riqueza y variedad de lemas se registra en los rangos de frecuencia bajos (1, 2, 3 y 4). Por otro lado, abundan los lemas en el rango más bajo de dispersión (lo que indica que multitud de vocablos solo aparecen en ciertas secciones), y en los rangos intermedios altos. La tabla 6 relaciona la cifra de lemas en cada rango de frecuencia y de dispersión. Como se explicó, dicha relación queda sintetizada conLLANOS el valor del uso (U = F x D). L. CAMPILLOS & H. UEDA Disp.

D:1

D:2

D:3

F:1

506

108

92

92

98

81

116

88

70

89

1.340

F:2

367

122

180

290

463

470

375

168

49

10

2.494

F:3

45

13

26

75

127

250

448

373

26

F:4

6

1

5

13

15

41

137

363

228

1

1

3

4

15

67

249

21

361

1

32

52

85

2

12

14

3

3

1

1

188

6.490

Frec.

F:5

D:4

D:5

D:6

D:7

F:6

D:8

F:7

D:9

F:8 F:9 Total

924

244

304

471

706

846

1.091

1.060

656

D:10

Total

1.383 809

Tabla 6. Tipos de lemas diferentes (types) en cada rango de frecuencia por cada rango de dispersión.

Los resultados muestran las tendencias esbozadas. Por un lado, la mayoría de los

Los resultados muestran las tendencias lado,dispersión la mayoría de lemas presentan un rango de frecuenciaesbozadas. baja (1, 2 Por y 3) un y una intermedia alta (6,un7,rango y 8).deEstos casos son médicos los lemas presentan frecuencia baja tanto (1, 2 términos y 3) y una dispersión (enrojecimiento [F:3; D:8] o epilepsia [F:3; D:7]), como palabras ajenas al intermedia (6, [F:2; 7, y D:7] 8). oEstos términos médicos dominio alta (leyenda adherircasos [F:3; son D:8]). tanto Se trata de vocablos determinados por los contenidos de cada texto. Por otro lado, muy pocos lemas (enrojecimiento [F:3; D:8] o epilepsia [F:3; D:7]), como palabras ajenas al presentan rangos altos de frecuencia y dispersión. En los rangos extremos dominio (leyenda D:7] 10) o aparecen adherir los [F:3; D:8]). Se trata vocablos (frecuencia 8 y 9,[F:2; y dispersión verbos tener [F:8; D:10], de “haber” [F:8; D:10], poder [F:8; D:10] y ser [F:9; D:10], que no son palabras del pocos determinados por los contenidos de cada texto. Por otro lado, muy dominio. En cambio, en los rangos de frecuencia 7 y 8, y 10 de dispersión, ya lemasaparecen presentan rangosmédicos altos de frecuencia dispersión. En los los términos (tratamiento [F:7;yD:10] o enfermedad [F:7;rangos D:10]). A continuación explicamos por categorías los resultados, que se [F:8; extremos (frecuencia 8 y4 9, y dispersión 10) aparecen los verbos tener desglosan en el apéndice. D:10], haber [F:8; D:10], poder [F:8; D:10] y ser [F:9; D:10], que no son palabras del dominio. En cambio, en los rangos de frecuencia 7 y 8, y 10 de 4. Discusión dispersión, ya aparecen los términos médicos (tratamiento [F:7; D:10] o enfermedad [F:7; D:10]). A continuación explicamos los En nuestro análisis, observamos que no existe correlación alta por entre categorías elementos 4 correlación = 0.03). Creemos muy frecuentes y muy dispersos (coeficiente de resultados, que se desglosan en el apéndice.

que este resultado es esperable y no se relaciona con el tipo de textos del corpus, pero se debería confirmar esta intuición con otro corpus médico más heterogéneo (compuesto por textos técnicos, divulgativos y de otra tipología). Por este 74 Ibérica 30 (2015): 61-84 motivo, es importante ofrecer, como en este trabajo, el valor sintético del uso a partir de la frecuencia y la dispersión. No obstante, dado que el uso es producto de la frecuencia por la dispersión, sí existe relación entre ambos valores. Esto es, las palabras más frecuentes presentan alto uso, y viceversa, las palabras menos frecuentes presentan bajo uso.

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 75

FRECUENCIA y DISPERSIóN LéXICAS

4. Discusión En nuestro análisis, observamos que no existe correlación alta entre elementos muy frecuentes y muy dispersos (coeficiente de correlación = 0.03). Creemos que este resultado es esperable y no se relaciona con el tipo de textos del corpus, pero se debería confirmar esta intuición con otro corpus médico más heterogéneo (compuesto por textos técnicos, divulgativos y de otra tipología). Por este motivo, es importante ofrecer, como en este trabajo, el valor sintético del uso a partir de la frecuencia y la dispersión. No obstante, dado que el uso es producto de la frecuencia por la dispersión, sí existe relación entre ambos valores. Esto es, las palabras más frecuentes presentan alto uso, y viceversa, las palabras menos frecuentes presentan bajo uso. Respecto a los sustantivos, destacan los propios del dominio médico en los rangos de frecuencia y dispersión más altos: por ejemplo, tratamiento (F:7; D:10), enfermedad (F:7; D:10), medicamento (F:7; D:10), paciente (F:7; D:9) o médico (F:7; D:10). En estos rangos, asimismo, se registran vocablos polisémicos que solo pertenecen al dominio en ciertas acepciones: por ejemplo, caso (F:7; D:10), problema (F:7; D:10) o riesgo (F:7; D:10). Entre los vocablos de frecuencia media y dispersión alta, se registran términos que designan entidades de actualidad médica o de amplia presencia social (de ahí el hecho de que aparezcan repartidos por todo el corpus): por ejemplo, colesterol (F:6; D:9), cáncer (F:6; D:8), estrés (F:5; D:8), hipertensión (F:5; D:8), depresión (F:4; D:8) o diabetes (F:4; D:9). No obstante, la mayor diversidad de lemas nominales se registra en los rangos de frecuencia más bajos y en todos los rangos de dispersión (especialmente, los más altos). Un conjunto de estos lemas expresa especialidades médicas y entidades propias de disciplinas cuyos límites se solapan con la medicina: ozono (F:4; D:4), pediatra (F:3; D:7), tabaquismo (F:3; D:7), logopedia (F:1; D:1). El resto no se asocian necesariamente al dominio y dependen del tema de cada texto; por ejemplo, cuenta (F:5; D:10) o atención (F:5; D:9). La variedad de lemas nominales que poseen una frecuencia y dispersión baja podría variar en otro corpus médico formado por textos de diferente tipología, pero suponemos que los sustantivos que aparecerían en los rangos más altos serían semejantes a los aquí obtenidos. Los verbos que aparecen en los puestos de frecuencia y dispersión más alta, sin embargo, carecen de contenido léxico del dominio. La razón es que se trata de verbos auxiliares o cuyas propiedades semánticas son más próximas Ibérica 30 (2015): 61-84

75

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 76

L. CAMPILLoS LLANoS & H. UEDA

a las del léxico instrumental. Ser (F:9; D:10) ocupa los rangos más altos, y le siguen haber (F:8; D:10), poder (F:8; D:10), tener (F:8; D:10), estar (F:7; D:10), deber (F:7; D:10) y hacer (F:7; D:10). Los verbos específicos o distintivos del dominio, denominados verbos término (Lorente Casafont, 2002), se empiezan a registrar puntualmente en el rango de frecuencia 5, y proliferan en los rangos inferiores (si bien aparecen en todos los rangos de dispersión): por ejemplo, vacunar (F:4; D:6) o diagnosticar (F:5; D:9). El resto de verbos que no se relacionan con el dominio médico se registra en todos los rangos de frecuencia y dispersión: por ejemplo, fluctuar (F:1; D:4) o imaginar (F:2; D:7). El caso de los adjetivos es semejante al de los verbos. En los rangos intermedios de frecuencia (5 y 6) y de dispersión alta (8, 9 y 10) aparecen lemas no estrictamente relacionados con el dominio médico, que podrían también registrarse en estudios semejantes con otros textos: mismo (F:6; D:10), posible (F:6; D:10) o bueno (F:6; D:10). En estos mismos rangos, aparecen adjetivos relacionales que no son propiamente del dominio médico, pero presentan una alta frecuencia de aparición en términos médicos compuestos: secundario (F:5; D:9) forma parte de términos como efecto secundario o cáncer secundario; general (F:5; D:9) aparece en anestesia general o cirugía general; y común (F:5; D:9) se incluye en acné común o migraña común. Igualmente, en estos rangos también figuran adjetivos del dominio (médico [F:6; D:10], sanitario [F:5; D:9]) y otros polisémicos (grave (F:6; D:9]). Sin embargo, la mayor parte de adjetivos cuya carga léxica está directamente relacionada con la medicina se concentra en rangos de frecuencia inferior a 5, y en todos los rangos de dispersión. Por ejemplo, en los rangos de frecuencia 4 y 5, aparecen adjetivos relacionales que se asocian a las partes de la anatomía o las funciones fisiológicas generales como cardíaco (F:5; D:8), respiratorio (F:5; D:9) o renal (F:5; D:8). En los rangos más bajos (1, 2 y 3) también empiezan a aparecer los adjetivos que designan sentidos anatómicos específicos o propios de ciertas especialidades como isquémico (F:2; D:6) o hematopoyético (F:3; D:1). Por último, los adjetivos no asociados con la medicina abundan en todos los rangos de frecuencia y dispersión, por ejemplo, concluyente (F:3; D:8) o ruidoso (F:2; D:2). Los adverbios en –mente se concentran en los rangos más bajos de frecuencia y en los intermedios o altos de dispersión. Casi ninguno posee una carga léxica relacionada con la medicina (por ello no los incluimos en las listas del apéndice). Las excepciones son algunos adverbios de baja frecuencia como físicamente (F:2; D:7), genéticamente (F:2; D:4), científicamente (F:2; D:7), quirúrgicamente (F:2; D:7), médicamente (F:1; D:6) y sexualmente (F:2; D:1). En 76

Ibérica 30 (2015): 61-84

asocian a las partes de la anatomía o las funciones fisiológicas generales como 05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 77 cardíaco (F:5; D:8), respiratorio (F:5; D:9) o renal (F:5; D:8). En los rangos más bajos (1, 2 y 3) también empiezan a aparecer los adjetivos que designan sentidos anatómicos específicos o propios de ciertas especialidades como isquémico (F:2; D:6) o hematopoyético (F:3; D:1). Por último, los adjetivos no FRECUENCIA y DISPERSIóN LéXICAS y asociados con la medicina abundan en todos los rangos de frecuencia dispersión, por ejemplo, concluyente (F:3; D:8) o ruidoso (F:2; D:2). Los adverbios en –mente se concentran en los rangos más bajos de frecuencia y estosen casos el adverbio expresa el asunto o la perspectiva desde la que se los intermedios o altos de dispersión. Casi ninguno posee una carga léxica aborda la información. Un(por estudio replique este análisis con textos relacionada con la medicina ello no que los incluimos en las listas del apéndice). Las excepciones son algunos adverbios de baja frecuencia como físicamente médicos de otras especialidades posiblemente obtendría resultados similares. (F:2;

D:7),

genéticamente

(F:2;

D:4),

científicamente

(F:2;

D:7),

(F:2; D:7),muestran médicamente (F:1; D:6) y sexualmente (F:2; dispersión D:1). quirúrgicamente Por último, los epónimos una frecuencia baja y una En estos casos el adverbio expresa el asunto o la perspectiva desde la que se intermedia o baja en el corpus. Los contenidos de los textos determinan aborda la información. Un estudio que replique este análisis con textos médicos aquellos queespecialidades aparecen con más frecuencia dispersión (Alzheimer [F:3; D:5], de otras posiblemente obtendría yresultados similares. CrohnPor [F:3; D:5]) frente a los de aparición puntual (Norwalk D:1], Kegel último, los epónimos muestran una frecuencia baja y una[F:1; dispersión [F:1; intermedia D:1]). o baja en el corpus. Los contenidos de los textos determinan aquellos que aparecen con más frecuencia y dispersión (Alzheimer [F:3; D:5], Crohn [F:3;

A modo síntesis, pueden distinguir léxico de contenido D:5]) de frente a los de se aparición puntual (Norwalkdos [F:1;tipos D:1], de Kegel [F:1; D:1]). (por Aoposición al léxico gramatical; sus polaridades de modo de síntesis, se pueden distinguir Tabla dos tipos7)desegún léxico de contenido (por oposición al léxico gramatical; Tabla 7) según sus polaridades de frecuencia frecuencia (Ueda, 2013). (Ueda, 2013).

Alta frecuencia

Baja frecuencia

Léxico de función

Vocablos gramaticales a, de, el, un

Vocablos instrumentales yo, cualquiera

Léxico de contenido

Vocablos comunes tener, grave, tratamiento, sanitario, enfermedad

Vocablos específicos Alzheimer, infarto, extirpar, hematopoyético

Tabla 7. Tipo de léxico y polaridades de frecuencia.

el léxico contenido se diferenciar los vocablos comunes,comunes, de alta En elEnléxico de decontenido sepueden pueden diferenciar los vocablos de frecuencia de aparición, y los vocablos instrumentales, de baja frecuencia. A alta efectos frecuencia de aparición, y los vocablos instrumentales, de baja del análisis de textos médicos, los vocablos comunes no poseen sentidos del dominio en cuestión, excepciónde detextos los sustantivos. En cambio, los vocablos frecuencia. A efectos del aanálisis médicos, los vocablos comunes específicos sostienen la carga semántica propia del dominio y su variedad y no poseen sentidos del dominio en cuestión, a excepción de los sustantivos. riqueza de lemas es complementaria a su baja frecuencia de aparición. Estas En cambio, los vocablos carga semántica del observaciones están enespecíficos consonanciasostienen con los laresultados obtenidos propia por dominio y su variedad y riqueza de lemas es complementaria a su baja frecuencia de aparición. Estas observaciones están en consonancia con los Ibérica 30 (2015): …-… por investigadores del procesamiento del lenguaje resultados obtenidos natural (Jiménez-Salazar, Pinto y Rosso, 2005), quienes han observado que los vocablos situados en un punto de transición entre los términos de alta y baja frecuencia son los que mejor caracterizan los contenidos textuales (Luhn, 1958).

La gráfica de dispersión incluida más abajo (figura 5) sintetiza visualmente lo expuesto.5 En el eje horizontal se marca con una línea cada una de las ocurrencias de determinados tipos de lemas en el corpus. El artículo el (léxico de función gramatical) y el verbo tener (léxico de contenido común) presentan una dispersión altísima en el corpus (el, [F:10; D:10]; tener, [F:8; D:10]), mientras que el adjetivo cualquier (vocablo instrumental) muestra dispersión alta y frecuencia menor (F:5; D:10). Vocablos comunes de Ibérica 30 (2015): 61-84

77

transición entre los términos de alta y baja frecuencia son los que mejor 05 IBERICA 30_Iberica 13 11/10/15los 19:42 Páginatextuales 78 caracterizan contenidos (Luhn, 1958). La gráfica de dispersión incluida más abajo (Figura 5) sintetiza visualmente lo expuesto.5 En el eje horizontal se marca con una línea cada una de las ocurrencias de determinados tipos de lemas en el corpus. El artículo el (léxico de L. CAMPILLoS LLANoS & H. UEDA función gramatical) y el verbo tener (léxico de contenido común) presentan una dispersión altísima en el corpus (el, [F:10; D:10]; "tener", [F:8; D:10]), mientras que el adjetivo cualquier (vocablo instrumental) muestra dispersión alta y contenido (tratamiento, [F:7; D:10]; enfermedad, [F:7; D:10]; sanitario [F:5; D:9] frecuencia menor (F:5; D:10). Vocablos comunes de contenido (tratamiento, [F:7; D:10]; enfermedad, [F:7; D:10]; [F:5; D:9] o grave, [F:6; D:9]) que o grave, [F:6; D:9]) tienen también altasanitario frecuencia y dispersión, mientras tienen también alta frecuencia y dispersión, mientras que vocablos específicos vocablos específicos solo aparecen en determinadas secciones, como por solo aparecen en determinadas secciones, como por ejemplo, infarto (F:5; D:7) o ejemplo, infarto (F:5; D:7) o Alzheimer (F:3; D:5). Alzheimer (F:3; D:5).

Figura 5. Dispersión léxica de determinados lemas en el corpus.

Las implicaciones de nuestros datos tienen carácter interdisciplinar. Si bien los resultados se restringen a la variedad del español peninsular, y un estudio más Las implicaciones de nuestros datos tienen carácter interdisciplinar. Si bien completo ha de aglutinar datos de otras variantes, se trata de una aportación a un los resultados se yrestringen a la intereses variedad español peninsular, y un estudio área huérfana con potenciales de del investigación, creación lexicográfica o aplicación ahala de ingeniería lingüística. ofrecemos un más completo aglutinar datosEndeel apéndice otras variantes, se listado trata de de una lemas de las categorías léxicas más usadas (salvo los adverbios en –mente, cuyo aportación a un áreaapenas huérfana y con potenciales intereses de investigación, contenido léxico está relacionado con el dominio) y adjuntamos una selección de los sustantivos, verbos yaadjetivos de rangolingüística. de uso medioEn (4, el 5 yapéndice 6). creación lexicográfica o aplicación la ingeniería Además de reflejar el uso del léxico en textos divulgativos, esta lista de palabras ofrecemos un listado de lemas de las categorías léxicas más usadas (salvo los tiene interés sociolingüístico porque registra la presencia de ciertas enfermedades adverbios en –mente, en la sociedad actual.cuyo contenido léxico apenas está relacionado con el

dominio) y adjuntamos una selección de los sustantivos, verbos y adjetivos de rango de uso medio (4, 5 y 6). Además de reflejar el uso del léxico en textos divulgativos, esta lista de palabras tiene interés sociolingüístico porque Ibérica 30 (2015): …-… registra la presencia de ciertas enfermedades en la sociedad actual.

5. Conclusiones Este trabajo ha ofrecido un estudio lexicométrico de las categorías léxicas (sustantivos, adjetivos, verbos, adverbios en -mente y epónimos) a partir del análisis de frecuencia y dispersión de 363 textos divulgativos de dominio médico en español. Los resultados están en la línea de otros trabajos y de las aportaciones de otras disciplinas y reafirman la distinción entre un léxico de contenido común y un léxico de contenido instrumental. 78

Ibérica 30 (2015): 61-84

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 79

FRECUENCIA y DISPERSIóN LéXICAS

La investigación cubre un hueco en los estudios lingüísticos y puede ser de utilidad para los profesionales de la lingüística aplicada. Los listados pueden ayudar a los docentes de español con fines específicos para elaborar el vocabulario médico de su plan de estudios. Los lexicógrafos pueden considerar los resultados de nuestros textos para enriquecer las entradas de los diccionarios especializados. La cuantificación del uso de lemas y categorías también será útil para el procesamiento del lenguaje en este dominio. Como trabajo futuro, sería beneficioso ampliar los datos complementando los textos divulgativos con otros técnicos (por ejemplo, manuales, monografías o artículos científicos). Se abren, pues, vías potenciales para seguir investigando.

Agradecimientos Este trabajo fue desarrollado en el proyecto “Análisis de datos lingüísticos del español basado en recursos en formato electrónico”, financiado por el Banco Santander y el Ministerio de Educación, Deportes y Ciencias de Japón (código de subvención: 20520372). Los autores agradecen la ayuda de Carlos Herrero en la revisión del etiquetado morfológico, y los comentarios de los revisores anónimos para mejorar el artículo. Historia del artículo: Recibido 8 abril 2013 Artículo revisado recibido 18 marzo 2014 Aceptado 25 marzo 2014

Bibliografía Alameda, J.R. y F. Cuetos (1995). Diccionario de frecuencias de las unidades lingüísticas del castellano. Oviedo: Servicio de Publicaciones de la Universidad de Oviedo. Alcaraz Ariza, Mª.A. (2002). “Los epónimos en medicina”. Ibérica, Journal of the European Association of Languages for Specific Purposes 4: 55-73. Almela, R., P. Cantos, A. Sánchez, R. Sarmiento y M. Almela (2005) Frecuencias del español. Diccionario de estudios léxicos y morfológicos. Madrid: Editorial Universitas. Alvar Ezquerra, M. (2005). “La frecuencia léxica y su utilidad en la enseñanza del español como lengua extranjera” en Mª. A. Castillo, O. Cruz, J. M. García y J. P. Mora (coords.), Actas del XV

Congreso Internacional de ASELE, 19-33. Sevilla: Universidad de Sevilla. Ávila Martín, Mª.C. (2010). “Estadística y lingüística de corpus: Implicaciones pedagógicas en la enseñanza y el aprendizaje del léxico”. Cauce. Revista Internacional de Filología, Comunicación y sus Didácticas 33: 163-175. Baayen, H. Distributions. Publishers.

R. (2001). Word Frequency Dordrecht: Kluwer Academic

Bird, S., E. Klein y E. Loper (2009). Natural Language Processing with Python. Sebastopol: O’Reilly. Buchanan, M.A. (1927). A Graded Spanish Word Book. Toronto: University of Toronto Press.

Ibérica 30 (2015): 61-84

79

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 80

L. CAMPILLoS LLANoS & H. UEDA

Cabré, Mª.T. (2004). “¿Lenguajes especializados o lenguajes para propósitos específicos?” en A. Hooft Comajuncosas (ed.), Textos y discursos de especialidad: El español de los negocios, 19-34. Ámsterdam: Rodopi. Cantos, P. (2013). Statistical Methods in Language and Linguistic Research. Oakville: Equinox. Carroll, J.B. (1970). “An alternative to Juilland’s usage coefficient for lexical frequencies, and a proposal for a Standard Frequency Index (SFI)”. Computer Studies in the Humanities and Verbal Behavior 3: 61-65. Davies, M. (2006). A Frequency Dictionary of Spanish. Core Vocabulary for Learners. Nueva York: Routledge. Friedman, C., P.O. Anderson, J.H.M. Austin, J.J. Cimino y S.B. Johnson (1994). “A general naturallanguage text processor for clinical radiology”. Journal of the American Medical Informatics Association 1: 161-174.

Morales, A. (1986). Léxico básico del español de Puerto Rico. San Juan de Puerto Rico: Academia Puertorriqueña de la Lengua Española. Moreno Sandoval, A. y J.Mª. Guirao Miras (2006). “Morpho-syntactic tagging of the Spanish CORAL-ROM Corpus: Methodology, tools and evaluation” en Y. Kawaguchi, S. Zaima y T. Takagaki (eds.), Spoken Language Corpus and Linguistic Informatics, 199-218. Amsterdam: John Benjamins. Moreno Sandoval, A. y L. Campillos Llanos (2013). “Design and annotation of MultiMedica. A multilingual text corpus of the biomedical domain”. Procedia - Social and Behavioral Sciences 95: 3339. Mungra, P. y T. Canziani (2013). “Lexicographic studies in medicine”. Ibérica, Journal of the European Association of Languages for Specific Purposes 25: 39-62.

García Hoz, V. (1953). Vocabulario usual, vocabulario común y vocabulario fundamental. Madrid: C.S.I.C.

Navarro, F.A. (1997). Traducción y lenguaje en medicina. Barcelona: Ediciones Doyma, Fundación Dr. Antonio Esteve.

Gries, S.T. (2008). “Dispersions and adjusted frequencies in corpora”. International Journal of Corpus Linguistics 13,4: 403-437.

Navarro, F.A. (2005). Diccionario crítico de dudas inglés-español de medicina. 2ª edición revisada. Madrid: McGraw-Hill Interamericana, D.L.

Herdan, G. (1964). Quantitative Linguistics. Londres: Butterworth.

Patterson, W. y H. Urrutibéheity (1975). The Lexical Structure of Spanish. La Haya/París: Mouton.

Hernando, B.M. (1990). “Lexicometría del lenguaje periodístico”. Lingüística Española Actual 12(2): 215-242. Hripcsak, G. y A.S. Rothschild (2005) “Agreement, the F measure, and reliability in information retrieval”. Journal of the American Medical Association 12: 296-298. Jiménez Salazar, H., D. Pinto y P. Rosso (2005). “Uso del punto de transición en la selección de términos índice para agrupamiento de textos cortos”. Procesamiento del Lenguaje Natural 35: 383-390. Juilland, A. y E. Chang-Rodríguez (1964). Frequency Dictionary of Spanish Words. La Haya/París: Mouton. Lorente Casafont, M. (2002). “Verbos y discurso especializado”. Estudios de Lingüística del Español (ELiEs) 16. URL: http://elies.rediris.es/elies16/Lorente.html [03/07/2014] Luhn, H.P. (1958). “The automatic creation of literature abstracts”. IBM Journal 2,2: 159-165.

80

Keniston, H. (1920). “Common words in Spanish”. Hispania 3: 85-118.

Ibérica 30 (2015): 61-84

Porta Zamorano, J. y R. Ureña Ruiz (2003). “Lexicometría de corpus”. Procesamiento del Lenguaje Natural 31: 332-333. Real Academia Española (RAE) (2009). Nueva gramática de la lengua española. 2 volúmenes. Madrid: Espasa. Real Academia Nacional de Medicina (RANM) (2011). Diccionario de términos médicos. Madrid: Panamericana. Rodríguez Bou, L. et al. (1952). Recuento de vocabulario español, 2 volúmenes. San Juan de Puerto Rico: Editorial Universidad de Puerto Rico. Rodríguez Díez, B. (1979). “Lo específico de los lenguajes científico técnicos”. Archivum 27-28: 485-521. Sabaj, O. (2004). “Especificidad, especialización y variabilidad verbal: Una aproximación computacional en estadística léxica”. Revista Signos 37(56): 75-89. Sebastián, N., F. Cuetos, M.A. Martí y M.F. Carreiras (2000). LEXESP: Léxico informatizado

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 81

FRECUENCIA y DISPERSIóN LéXICAS

del español. Barcelona: Ediciones Universidad de Barcelona. Skelton, J.R. y J. Whetstone (2012). “English for Medical Purposes and Academic Medicine: Looking for common ground”. Ibérica, Journal of the European Association of Languages for Specific Purposes 24: 87-102. Sommers, H. (2000). “Machine translation” en R. Dale, H. Moisl y H. Somers (eds.), Handbook of Natural Language Processing, 329-346. Nueva York: Marcel Dekker. Temnikova, I.P. y K.B. Cohen (2013). “Recognizing sublanguages in scientific journal articles through closure properties” en Proceedings of the 2013 Workshop on Biomedical Natural Language Processing (BioNLP 2013), Sofía, Bulgaria, 4-9 de agosto de 2013, 72 79. Association for Computational Linguistics. Ueda, H. (1987). Frecuencia y dispersión del vocabulario español. Tokio: Universidad de

Estudios Extranjeros de Tokio. Ueda, H. (1989 1990). Estudio cuantitativo del léxico español. 2 tomos. Tokio: Publicaciones del Dpto. de Idiomas Extranjeros, Facultad de Artes y Ciencias, Universidad de Tokio. Ueda, H. (2013). “Analizador lingüístico común con parámetros de gramática, diccionario y cadenas de aplicación” en V Congreso Internacional de Lingüística de Corpus 2013 (CILC2013). Alicante, Universidad de Alicante, 15 de marzo de 2013. Verdaguer, I., N.J. Laso y D. Salazar (eds.) (2013). Biomedical English. A Corpus-based Approach. Ámsterdam: John Benjamins. Vila Barbosa, Mª.M. (2013). “Corpus especializados como recurso para la traducción”. Onomázein 27: 78-100. Zipf, O. K. (1949). Human Behavior and the Principle of Least Effort. Cambridge, Massachusetts: Addison-Wesley.

Leonardo Campillos Llanos es investigador asociado al Laboratorio de Lingüística de la Universidad Autónoma de Madrid (España). Ha participado en conferencias internacionales y ha realizado publicaciones relacionadas con la lingüística informática y de corpus, la terminología médica y el análisis de la interlengua oral del español. Hiroto Ueda es catedrático de la Universidad de Tokio (Japón) y doctor en Filología Española por la Universidad de Alcalá de Henares. Miembro de la Sociedad Japonesa de Hispanistas y de la Academia Norteamericana de la Lengua Española, es especialista en variación léxica del español y autor de numerosas publicaciones, manuales y programas informáticos. NotAs No obstante, Almela et al. (2005) restringieron su estudio a 2 millones de palabras etiquetadas y revisadas a mano, para asegurar la calidad y el rigor.

1

La segmentación de palabras contraídas o concatenadas explica la variación entre el número de elementos del corpus (334690) y las unidades que anota GRAMPAL (367482, que es la cifra usada en nuestros cálculos).

2

3

Hripcsak y Rothschild (2005) ofrecen detalles de la medida F y el acuerdo entre anotadores.

4

Las listas están disponibles en: http://www.lllf.uam.es/leonardo/pdf/Tablas-resultados-Frec-disp.pdf.

La gráfica se creó con Python Natural Language Toolkit (NLTK) (Bird, Klein y Loper, 2009). URL: www.nltk.org [18/07/14].

5

Ibérica 30 (2015): 61-84

81

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 82

L. CAMPILLoS LLANoS & H. UEDA

Apéndice - Listas de categorías léxicas L. CAMPILLOS LLANOS & H. UEDA

Sustantivos* RU 7

6

caso enfermedad medicamento médico paciente persona problema riesgo tratamiento

agua alimento año cáncer cantidad causa colesterol consumo día dieta dolor efecto estudio

factor forma grasa grupo infección información mujer niño nivel organismo país parte producto

prueba resultado salud sangre síntoma sistema sustancia tiempo tipo uso vez vida zona

*En negrita los términos recogidos en el DTM Tabla 8. Lemas (types) de sustantivos en rangos de uso (RU) superiores.

Sustantivos* RU: 5 ácido alergia análisis anestesia animal antibiótico atención cálculo célula centro comida complicación concentración contacto contenido

control corazón cuerpo dato diagnóstico diarrea dosis edad eficacia ejercicio enfermo estrés familia fármaco frecuencia

hipertensión hombre hora hospital huevo intervención leche lesión medida mes muestra número ojo operación pérdida

peso piel población presión reacción relación sal situación sueño trastorno vacuna vitamina

*Todos se recogen en el DTM Tabla 9. Selección de lemas (types) de sustantivos en rangos de uso (RU) superiores.

Adjetivos* RU: 6 bueno distinto frecuente

grande importante mayor

mismo necesario posible

*En negrita los términos recogidos en el DTM Tabla 10. Lemas (types) de adjetivos en rangos de uso (RU) superiores.

Ibérica 30 (2015): …-…

82

Ibérica 30 (2015): 61-84

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 83

FRECUENCIA y DISPERSIóN LéXICAS

FRECUENCIA Y DISPERSIÓN LÉXICAS

Adjetivos* RU: 5 abdominal alimentario alto bajo cardíaco cardiovascular

clínico crónico diario digestivo eficaz específico

físico general grave habitual largo malo

activo afectado agudo alérgico animal anterior arterial autónomo básico biliar blanco cerebral cervical científico corporal

corto definitivo diagnóstico dietético efectivo embarazada esencial excesivo familiar farmacéutico fuerte gástrico genético graso hormonal

humano infantil inferior intenso interior intestinal local máximo medio mental mínimo muscular negativo nervioso nutricional

médico mejor menor natural normal preciso

raro sanitario secundario suficiente último

oral perjudicial positivo práctico precoz preventivo protector psicológico químico quirúrgico regular renal respiratorio saludable sanguíneo

sano seco sensible serio sexual significativo solar superior tóxico urinario variable vegetal

RU: 4

*Todos se recogen en el DTM Tabla 11. Selección de lemas (types) de adjetivos en rangos de uso (RU) superiores. Verbos* RU 6 indicar provocar reducir ver

4

5 afectar analizar causar controlar desarrollar detectar diagnosticar fumar hablar incluir ingerir mejorar pensar prevenir proteger valorar

absorber adelgazar agravar aliviar alterar caracterizar conservar contaminar convertir cuidar curar dormir

estimular experimentar exponer extraer fijar generar identificar infectar introducir lavar medir ocasionar

operar practicar prescribir recetar reconocer regular remitir respirar transmitir variar

*Todos se recogen en el DTM Tabla 12. Selección de lemas (types) de verbos en rangos de uso (RU) superiores.

Ibérica 30 (2015): …-…

Ibérica 30 (2015): 61-84

83

05 IBERICA 30_Iberica 13 11/10/15 19:42 Página 84

L. CAMPILLoS LLANoS & H. UEDA

L. CAMPILLOS LLANOS & H. UEDA

Epónimos* RU 3 Alzheimer Crohn

2 Sjögren Parkinson Reye

1 Papanicolau Wilson

0 Tourette Addison Gilles de la Tourette Kegel Norwalk

*Todos, excepto Kegel, se recogen en el DTM Tabla 13. Tipos de lemas (types) de epónimos.

Ibérica 30 (2015): …-…

84

Ibérica 30 (2015): 61-84