PREMOVE: A multilayer manually annotated dataset of PREverbed MOtion VErbs in Ancient Greek and Latin

Resumen Técnico de PREMOVE: Un conjunto de datos multicanal anotado manualmente de verbos de movimiento con preverbos en griego antiguo y latín

Planteamiento del problema
A pesar de la existencia de corpus anotados robustos para el griego antiguo y el latín (p. ej., AGDT, LDT, PROIEL), ningún recurso existente está diseñado específicamente para apoyar el análisis comparativo sistemático y translingüístico de los preverbos (prefijos que se adhieren a las bases verbales). Las investigaciones previas han dependido en gran medida de análisis cualitativos o estudios aislados de preverbos individuales, careciendo de un marco basado en corpus que capture la plenitud de las interacciones entre los preverbos y las bases verbales a través de diferentes etapas históricas y géneros. Además, la construcción de corpora comparables para estas lenguas enfrenta desafíos metodológicos significativos, incluyendo el desalineamiento cronológico (los textos griegos comienzan en el siglo VIII a. C., los latinos en el III) y las asimetrías de género (p. ej., la abundancia de la tragedia griega frente a la escasez de la tragedia latina temprana), así como la "falacia de la verdad de Dios", donde muestras literarias limitadas pueden representar erróneamente la lengua en su totalidad.

Metodología
El artículo presenta PREMOVE, un conjunto de datos construido sobre el PREMOVE Base Corpus (PBC), una selección curada de 35 textos de 29 autores que abarcan desde el siglo VIII a. C. hasta el siglo II d. C. El PBC fue diseñado para equilibrar la representación diacrónica y los géneros literarios (épica, lírica, historiografía, filosofía, oratoria, teatro, novela) para mitigar las limitaciones de los registros históricos.

• Selección de objetivos: El conjunto de datos se centra en ocho verbos de movimiento de alta frecuencia por lengua (p. ej., eo/venio, baínō/gradior, trékhō/curro) combinados con 16 preverbos seleccionados (16 latinos, 16 de griego antiguo). Los preverbos fueron seleccionados basándose en su productividad y claridad semántica, excluyendo aquellos con baja frecuencia o equivalencias poco claras (p. ej., super-, huper-).
• Proceso de anotación: La anotación manual se realizó utilizando la plataforma INCEpTION. El conjunto de datos comprende 2.835 ocurrencias verbales anotadas manualmente a través de 42 capas.
• Esquema de anotación: El esquema captura:
  1. Rasgos morfosintácticos: Token, lema, análisis morfológico (Universal Dependencies) y raíz verbal.
  2. Rasgos semánticos: Actividad (clases vendlerianas), telicidad, significado literal vs. figurado, y roles semánticos (Figura, Suelo/Ground) mapeados a sinset de WordNet (WN).
  3. Relaciones espaciales: Codificación de Origen (Source), Meta (Goal), Trayectoria (Path) y Localización (Location), incluyendo la expresión lingüística (preposición, caso, adverbio) y el rol semántico.
  4. Metadatos: Autor, título, género, siglo, periodo lingüístico y enlaces a recursos externos (Perseus Digital Library, PHI Latin Texts, World Historical Gazetteer).
• Evaluación de fiabilidad: Se calculó la concordancia entre anotadores (IAA) en un subconjunto de oraciones utilizando kappa de Cohen y de Fleiss. La capa central de SEMÁNTICA DE PREVERBOS logró una fuerte concordancia (κ de Fleiss = 0,80). Las capas objetivas (p. ej., RAÍZ VERBAL, PREVERBO) alcanzaron una concordancia perfecta (κ = 1), mientras que las capas semánticas que involucran verbos polisémicos mostraron una concordancia moderada (κ ≈ 0,33–0,70), atribuida a la complejidad inherente de la interpretación semántica y la granularidad de WordNet.

Contribuciones clave

1. El conjunto de datos PREMOVE: Un conjunto de datos de formato CSV, de acceso público, que contiene 2.835 instancias de verbos de movimiento con preverbos y 42 capas de anotación. Es conforme con los principios FAIR (Cinco Estrellas), está depositado en el Oxford Text Archive y vinculado a la infraestructura LiLa (Linking Latin) como Datos Conectados Abiertos (LOD).
2. Interfaz PrevNet: Una plataforma web interactiva que permite a los usuarios explorar la frecuencia, la semántica, el uso espacial y la distribución histórica de los preverbos sin navegar por datos tabulares brutos. Visualiza distribuciones semánticas (p. ej., gráficos de sectores de significados de preverbos) y se vincula directamente con los textos fuente.
3. Guías de anotación estandarizadas: Guías de acceso abierto que garantizan la reproducibilidad y la extensibilidad a otras lenguas y clases verbales.
4. Integración con Datos Conectados: El conjunto de datos está modelado utilizando el marco OntoLex-Lemon y la extensión FrAC, lo que permite consultas SPARQL complejas para atestaciones a nivel de token vinculadas a sinsets de WordNet y lemas de LiLa.

Resultos

• Consistencia de la anotación: El estudio demuestra que, si bien la interpretación semántica (p. ej., Actividad, Clase Verbal) sigue siendo un desafío para las lenguas históricas, la anotación central de la semántica de los preverbos es robusta (κ = 0,80).
• Accesibilidad de los datos: El conjunto de datos logra unir la anotación lingüística con los datos geográficos (vía WHG) y los recursos léxicos (vía LiLa y WordNet), facilitando la investigación interdisciplinaria.
• Utilidad computacional: Las aplicaciones preliminares muestran que PREMOVE sirve como un recurso valioso para entrenar y evaluar Modelos de Lenguaje de Gran Escala (LLM). Los modelos ajustados (fine-tuned) con los datos de PREMOVE muestran un rendimiento mejorado en tareas que requieren distinciones semánticas finas y sensibilidad morfológica en comparación con configuraciones de cero disparos (zero-shot) o pocos disparos (few-shot).

Significación y Reivindicaciones
El artículo posiciona a PREMOVE como un recurso fundamental para avanzar en el estudio empírico de los verbos de movimiento con preverbos y la semántica espacial. Su importancia radica en:

• Permitir la investigación translingüística: Proporcionar el primer recurso sistemáticamente anotado para comparar el comportamiento de los preverbos entre el griego antiguo y el latín, abordando un vacío en la lingüística histórica y la filología computacional.
• Apoyar las Humanidades Digitales: Ofrecer un conjunto de datos legible por máquina, conforme con los principios FAIR, que se integra con infraestructuras digitales existentes (LiLa, Perseus), apoyando tareas que van desde el desarrollo de modelos hasta el análisis diacrónico.
• Facilitar estudios interdisciplinarios: Unir la lingüística, las humanidades digitales y la geografía histórica para investigar cómo se codifican y se extienden metafóricamente los conceptos de movimiento y espacio en los textos clásicos.
• Extensibilidad: El diseño modular y las guías abiertas permiten extender el marco a lenguas adicionales (como el italiano, actualmente en desarrollo en PrevNet) y clases verbales, apoyando estudios comparativos a gran escala de los procesos de lexicalización y gramaticalización.

Los autores reconocen las limitaciones, incluyendo la dependencia de un único anotador principal para la mayor parte de los datos y la subjetividad inherente de la anotación semántica en las lenguas históricas. Sin embargo, argumentan que la alta precisión alcanzada en las capas centrales y la metodología transparente y reproducible proporcionan una base sólida para la futura expansión y los esfuerzos de anotación automatizada.