Acceso usuarios
Irene Renau 
Este artículo presenta una serie de estudios basados en corpus para la detección semiautomatizada de neología semántica en los sustantivos del español en 2022, año en el que todavía existía la pandemia del COVID-19, pero también otros eventos globales importantes, como la guerra de Ucrania o la inflación económica. Comparamos un corpus de textos de 2022 con un corpus previo a la pandemia, considerando cuatro tipos de cálculo de frecuencia y palabras clave y teniendo en cuenta la combinatoria léxica de los candidatos a neologismo. Los resultados indican que la combinación de palabras clave con textos agrupados según la temática da los mejores resultados para detectar neología semántica.
Aquest article presenta una sèrie d'estudis basats en corpus per a la detecció semiautomatitzada de neologia semàntica als substantius de l'espanyol el 2022, any en què encara existia la pandèmia del COVID-19, però també altres esdeveniments globals importants, com ara la guerra d'Ucraïna o la inflació econòmica. Comparem un corpus de textos del 2022 amb un corpus previ a la pandèmia, considerant quatre tipus de càlcul de freqüència i paraules clau i tenint en compte la combinatòria lèxica dels candidats a neologisme. Els resultats indiquen que la combinació de paraules clau amb textos agrupats segons la temàtica dóna els millors resultats per detectar neologia semàntica.
Detection of semantic neology, or the emergence of new meanings in existing words, is a challenging task because it is not related to formal changes as in formal neology. In this paper, we make a series of studies to detect semantic neology in Spanish nouns in 2022, a year in which covid-19 pandemic still existed, but also other important global events, such as the Ukraine war, or economic inflation. We compare a corpus of texts from 2022 to a pre-pandemic corpus, considering changes in collocations of the target nouns. We use some statistic parameters for collocations analysis, in combination with manual analysis. Results indicate that combining key words with topic-related contexts give the best results to detect semantic neology with semi-automatic methods.
