arXiv cs.CL· Elena Alvarez-Mellado·· 11 小时前AI 评分18
Observatorio Lázaro：西班牙语媒体英语外来词用法的自填充数据库
Observatorio Lazaro: A self-populating database of anglicism usage in the Spanish press
AI 导读
Observatorio Lázaro 自 2020 年 4 月起自动处理西班牙语数字媒体的每日新闻，用神经序列标注模型检测未同化的英语外来词，并通过公开网页界面和 API 提供持续更新的历时数据库，目前覆盖 188 万篇文章、9.93 亿 token，记录超 200 万处外来词。
正文 · AI 翻译
摘要：本文介绍 Observatorio Lázaro，这是一个语言资源，用于监测西班牙语数字媒体中未被同化的词汇借词（主要是英语词汇借词或英语外来词）。自 2020 年 4 月起，该系统自动处理一批新闻媒体的每日产出，使用神经序列标注模型检测借词，并通过公开的网页界面和 API 提供结果。其成果是一个持续更新的历时数据库，截至撰写本文时，该数据库在 188 万篇文章和 9.93 亿个文本词元（2020-2026 年）中记录了超过两百万个借词。本文记录了该资源：我们描述了端到端流程（采集、检测、后处理、存储和访问）、数据模型和可用性条款；我们通过检测器在留出集上的性能（借词类别的 span 级 F1=0.86）、训练语料上的标注者间一致性（Cohen's kappa=0.91）以及对部署数据中 1,000 个 span 的人工精确率审计来评估该资源；并将其置于西班牙语借词词典编纂、标注借词语料库和新词监测观测站的背景下。数据显示，未被同化的英语外来词在西班牙语媒体中的使用频率约为每千词两个英语外来词，且这一比率保持稳定。我们对六年的统计分析表明，西班牙语中的英语外来词词汇表现为一个开放且不断增长的类别，其 58.7% 的类型仅出现一次（校正检测精确率后为 53.6%），且其密度在时尚、技术和生活方式版块最高，在政治和机构新闻中最低。该资源旨在通过提供西班牙语媒体中借词的持续更新记录，来补充静态借词词典和一次性标注语料库。
| 主题： | 计算与语言（cs.CL） |
| 引用为： | arXiv:2608.00713 [cs.CL] |
| （或 arXiv:2608.00713v2 [cs.CL] 为此版本） | |
| https://doi.org/10.48550/arXiv.2608.00713 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Elena Álvarez-Mellado [查看邮箱]
[v1]
2026 年 8 月 1 日星期六 15:21:59 UTC（765 KB）
[v2]
2026 年 11 月 4 日星期三 13:51:20 UTC（2,559 KB）
来源：arXiv cs.CL · arxiv.org