identificación de lengua materna

La identificación de la lengua materna ( ILM ) consiste en determinar la lengua materna (L1) de un autor basándose únicamente en sus escritos en una segunda lengua (L2). ^{[ 1 ]} La ILM funciona identificando patrones de uso del lenguaje comunes a grupos específicos de L1 y aplicando este conocimiento para predecir la lengua materna de textos desconocidos. Esto se debe, en parte, a sus aplicaciones en la adquisición de segundas lenguas , la enseñanza de idiomas y la lingüística forense , entre otras.

La teoría de la inferencia lingüística natural (NLI, por sus siglas en inglés) parte de la premisa de que la lengua materna (L1) de un autor lo predispondrá a ciertos patrones de producción lingüística en su segunda lengua (L2), influenciados por su propia lengua. Esto se relaciona con la influencia interlingüística (CLI, por sus siglas en inglés), un tema clave en el campo de la adquisición de segundas lenguas (ASL, por sus siglas en inglés) que analiza los efectos de transferencia de la L1 a las lenguas aprendidas posteriormente.

Utilizando datos en inglés a gran escala, los métodos NLI logran una precisión superior al 80 % en la predicción del idioma nativo de textos escritos por autores de 11 orígenes lingüísticos diferentes. ^{[ 2 ]} Esto se puede comparar con una base del 9 % para la selección aleatoria.

Los métodos de procesamiento del lenguaje natural se utilizan para extraer e identificar patrones de uso del lenguaje comunes a los hablantes de un grupo L1. Esto se realiza utilizando datos de aprendices de idiomas, generalmente de un corpus de aprendices . A continuación, se aplica el aprendizaje automático para entrenar clasificadores, como máquinas de vectores de soporte , para predecir la L1 de textos no vistos. ^{[ 5 ]} También se han aplicado diversos sistemas basados ​​en conjuntos a esta tarea y se ha demostrado que mejoran el rendimiento en comparación con los sistemas de clasificadores individuales. ^{[ 6 ] [ 7 ]}

Se han aplicado diversos tipos de características lingüísticas para esta tarea. Estas incluyen características sintácticas como análisis de constituyentes, dependencias gramaticales y etiquetas de categoría gramatical. También se ha comprobado que las características léxicas superficiales, como los n-gramas de caracteres, palabras y lemas , son bastante útiles. Sin embargo, parece que los n-gramas de caracteres ^{[ 8 ] [ 9 ]} constituyen la mejor característica para esta tarea.

El taller Building Educational Applications (BEA) de NAACL 2013 acogió la primera tarea compartida de NLI. ^{[ 10 ]} La competición dio como resultado 29 propuestas de equipos de todo el mundo, 24 de los cuales también publicaron un artículo que describía sus sistemas y enfoques.