Lazaro es un observatorio del anglicismo en la prensa española. El objetivo del proyecto es estudiar el uso de anglicismos (es decir, préstamos crudos del inglés) en la prensa española a lo largo del tiempo y de forma empírica, masiva y sistemática. Cada día, Lázaro se conecta a distintos medios de comunicación españoles, analiza las últimas noticias publicadas y extrae los anglicismos aparecidos en las noticias del día.
En esta charla del congreso Trabalengua de 2021 se explican los entresijos del proyecto:
Actualmente Lázaro analiza los artículos publicados en los siguientes 22 medios españoles:
Medio | Temática |
---|---|
El País | Prensa generalista |
elDiario.es | Prensa generalista |
ABC | Prensa generalista |
El Mundo | Prensa generalista |
La Vanguardia | Prensa generalista |
El Confidencial | Prensa generalista |
20 Minutos | Prensa generalista |
Agencia EFE | Prensa generalista |
Agencia Sinc | Ciencia y tecnología |
Muy Interesante | Ciencia y tecnología |
La Marea | Política |
El Salto | Política |
El Economista | Economía |
Cinco Días | Economía |
JotDown | Cultura |
El Mundo Today | Humor |
Marca | Deporte |
Rolling Stones | Música |
Fotogramas | Cine |
Diez Minutos | Prensa rosa |
Men's Health | Moda y estilo de vida |
Elle | Moda y estilo de vida |
El núcleo del proyecto es un modelo de aprendizaje automático que detecta posibles extranjerismos (fundamentalmente anglicismos) en la prensa en español. Si bien el modelo ha sido entrenado para extraer anglicismos, también extrae ocasionalmente préstamos de otras lenguas. El modelo de extracción de anglicismos de Lázaro es un BiLSTM-CRF que utiliza embeddings entrenados sobre texto bilingüe ES-EN, así como embeddings subpalabra (embeddings BPE y embeddings de carateres). La información técnica sobre el modelo está disponible en este artículo científico. Una versión anterior del observatorio (que estuvo operativa desde abril de 2020 hasta agosto de 2022) funcionaba con un modelo CRF; los detalles técnicos sobre aquel modelo anterior se pueden leer en este documento.
El código del observatorio y el corpus de entrenamiento están disponibles en GitHub. El modelo de detección de anglicismos ya entrenado y listo para reutilizar está disponible a través de HuggingFace o también a través de la librería de Python pylazaro
.
Se puede encontrar más información sobre el proyecto en las siguientes publicaciones:
@lazarobot
Los anglicismos nuevos que Lázaro encuentra (es decir, aquellos que el modelo no ha visto previamente) son tuiteados a diario por el bot de Twitter @lazarobot, junto al contexto de aparición y el enlace a la noticia.
El propósito del proyecto es observar, describir y analizar el uso de anglicismos en la prensa española. En ningún caso el objetivo del proyecto es afear, señalar o criticar el uso de anglicismos, ni a quienes los usan. Tampoco es propósito de este proyecto proponer traducciones alternativas al uso de anglicismos.
La motivación tras Observatorio Lázaro no es defender una supuesta pureza lingüística del español, sino estudiar el fenómeno del préstamo léxico en la prensa de forma empírica y desde una perspectiva basada en datos.
El nombre del proyecto es un homenaje al filólogo español Lázaro Carreter, cuyas columnas sobre prescripción lingüística en los medios de comunicación (y muy especialmente sobre el uso de anglicismos) fueron muy populares en España en los años 1980 y 1990.
El proyecto detrás de Observatorio Lázaro ha recibido los siguientes reconocimientos:
Observatorio Lázaro ha sido reseñado también en los siguientes medios de comunicación:
Proyectos e investigaciones que han utilizado los datos proporcionados por Observatorio Lázaro:
Observatorio Lázaro es un proyecto de Elena Álvarez Mellado. El germen del proyecto fue concebido en el BLT Lab (Broadening Linguistic Technologies) de la Universidad de Brandeis (Massachusetts) bajo la supervisión de Constantine Lignos y actualmente se desarrolla como proyecto de doctorado en el grupo de investigación de Procesamiento de Lenguaje Natural y Recuperación de Información de la UNED.