No abstract

Optimizing the production, maintenance and extension of lexical resources is one the crucial aspects impacting natural language processing (NLP). A second aspect involves optimizing the process leading to their integration in applications. With this respect, we believe that a consensual specification on monolingual, bilingual and multilingual lexicons can be a useful aid for the various

Resumen: El artículo presenta una primera aproximación a la publicación en acceso abierto de datos resultantes de la investigación en el área de humanidades. Describe el estudio de caso implementado en el repositorio institucional de la Universitat Pompeu Fabra, a partir de la creación de dos colecciones con datos, una para los anexos presentes en las tesis y otra para las herramientas y recursos lingüísticos. Finalmente se analiza la experiencia realizada y se extraen algunas conclusiones respecto a la utilización de los repositorios como infraestructuras.Palabras clave: datos de investigación, datos primarios, repositorios, infraestructuras científi cas, humanidades, lingüística aplicada, Universitat Pompeu Fabra. IntroducciónEn la actualidad, tanto el quehacer cotidiano como también el de las actividades culturales, económicas, sociales y de investigación se han visto revolucionados por el desarrollo de las tecnologías de comunicación e información. Los recientes avances en materia de digitalización creciente de datos, conjuntamente con la progresiva virtualización de los entornos de trabajo, han cambiado tanto la forma de procesar, acceder y distribuir los datos, como la forma de relacionarse entre las propias personas. Especialmente en el ámbito científi co y académico, se está produciendo una migración de los espacios físicos de trabajo hacia los espacios virtuales, donde el concepto de e-ciencia se comienza a consolidar y pone de manifi esto la necesidad de generar infraestructuras científi cas de soporte adecuadas para trabajar y preservar grandes volúmenes de datos en forma virtual y colaborativa, las llamadas e-infraestructuras. Este cambio de modalidad en cuanto a la forma de realizar investigación, también denominado el «cuarto paradigma» (Hey, 2009), no es privativo de las ciencias básicas sino que también involucra a las humanidades y ciencias sociales.La implementación de una infraestructura científi ca requiere de un largo proceso de planifi cación y desarrollo, donde se necesitan gran cantidad de recursos humanos y económicos. Los benefi cios más evidentes son para la comunidad académica y científi ca, ya que permite a diferentes investigadores encontrar y reunir gran cantidad de datos, trabajar sobre datos ajenos resultantes de otra investigación, generar nuevo conocimiento a partir de ellos y, además, facilitar el trabajo en un entorno colaborativo, preservando la integridad y autoría de los datos. De esta manera los datos se usan, se reutilizan y se combinan, incrementando la productividad y la capacidad de correlación a una escala nunca vista con anterioridad. Asimismo, existen otros colectivos benefi ciados tales como los proveedores de datos, las entidades públicas de fi nanciación, el sector de innovación empresarial e industrial, el sector político y el público en general. Todos ellos tienen la posibilidad, a través del uso de la infraestructura científi ca y con diferentes objetivos, de acceder, depositar y utilizar los datos publicados en una infraestructura científi ca.En defi nitiva...

The goal of our research was to assess whether the observation about deceptive texts having a lower positive tone than truthful ones in terms of sentiment could become operative and be used for building a classifier in the particular case of fraudster’s letters written in Spanish. The data were the letters that CEOs address to company shareholders in their annual financial reports, and the task was to identify the letters of companies that committed financial misconduct or fraud. This case was challenging for two reasons: first, most of the research worked with spontaneous written or spoken texts, while these letters did not; second, most of the research in this area worked on English texts, while we validated the linguistic cues found as evidence of deception for Spanish texts. The results of our research confirm that an SVM trained with a bag-of-words model of frequent adjectives can achieve 81% accuracy because these adjectives bring the information about which positive or negative tone and which word combinations in a text turn out to be a characteristic of fraudster’s texts.