Detección semi-automática de neología en Twitter/X: Una base de datos de neologismos potenciales basada en el léxico de la comunidad hispanohablante de streaming

Enfoque

En las últimas décadas, la lingüística ha experimentado un creciente interés por las posibilidades que ofrece lo digital (Crespo Miguel 2021), manifestado desde dos enfoques principales: por un lado, la exploración y el uso de las herramientas digitales para el estudio lingüístico y, por otro, el interés por conocer las características propias del lenguaje utilizado en contextos digitales (Sánchez Saus-Laserna 2022:255). Este segundo enfoque ha adquirido una relevancia creciente teniendo en cuenta que los entornos digitales no sólo han propiciado el surgimiento de nuevos géneros discursivos, sino que también han favorecido a la creación de nuevas unidades léxicas. De este modo, los medios digitales, especialmente, las redes sociales, se convierten en un terreno fértil para el estudio de la neología.

La detección de neologismos en corpus es uno de los campos de actuación principales de la neología léxica aplicada (Casas Gómez 2020), especialmente de manera sistemática (Cabré et al. 1995, 2004) en los últimos años como resultado de la incorporación de medios y soportes informáticos en el trabajo en investigación lingüística. Generalmente, el vaciado de neologismos suele realizarse a través del compilado y procesamiento de corpus de prensa. Sin embargo, la disponibilidad de textos accesibles desde la web está modificando el concepto de corpus (González Fernández 2017, Rojo 2021) y dotando a las redes sociales de un estatus de fuente útil para la creación de corpus textuales enfocados a investigaciones de base lingüística.

Este trabajo explora las posibilidades que pueden ofrecer técnicas propias del procesamiento del lenguaje natural para la extracción de neologismos, ya que la lingüística computacional adquiere un papel fundamental en la construcción de muestras de uso de la lengua (Esteban Asencio 2008). Esta propuesta consiste en el diseño de un sistema capaz de detectar neologismos formales de la lengua española en Twitter/X a través de una metodología basada en el análisis contrastivo de un corpus de tweets con una lista de exclusión de tipo lexicográfico. Este proceso es semi-automático, pues proponemos una primera aproximación automática y cuantitativa a los datos contenidos en el corpus, seguida de una validación manual de los candidatos a neologismos y la descripción lingüística de los mismos, fruto de la sinergia entre la automatización de tareas y la intuición y conocimiento lingüístico llevado a cabo de manera manual (Cartier 2017).

Nos centraremos en la esfera de interés de la comunidad de streaming hispanohablante con el fin de extraer las unidades neológicas formales que son distintivas y características del léxico de esta comunidad, como consecuencia de la comunicación inmediata que caracteriza a las redes sociales. Para ello, seleccionamos los tweets publicados bajo el hashtag #esland2023 con el fin de delimitar la esfera de interés de la que se extraerán los neologismos potenciales o candidatos a neologismo.

Se plantean los siguientes objetivos:

 

1. Diseñar un extractor semi-automático de neologismos basado en el contraste con una lista de exclusión a partir de un corpus de Twitter/X, y

2. Extraer los neologismos propios del léxico de la comunidad hispanohablante de streaming y disponerlos en una base de datos con información interna (i.e. datos contenidos en el corpus) y externa (i.e. descripción lingüística de los neologismos).