Las extracciones de terminología están sobrevaloradas. Hoy en día son con diferencia método más extendido para generar contenido para bases de términos. Muchas veces incluso me parece que ni siquiera se valoran otras vías. A mi juicio, esto es causa de deficiencias notables en términos de desequilibrios en los conjuntos de datos y de una cobertura sesgada del área que quieren cubrir.
Pero vamos a empezar desde el principio. A lo mejor así logramos algo de claridad. ¿Qué es una extracción de terminología? Digamos que es el resultado de seleccionar términos entre candidatos a términos detectados automáticamente en un corpus dado.
Vamos paso a paso: un corpus es una selección cerrada de documentos que cumplen unos requisitos determinados de pertinencia y relevancia para un dominio (o subdominio) concreto. Por ejemplo, si se quiere realizar un glosario sobre problemas cardiovasculares para pacientes de una clínica, son documentos pertinentes aquellos en los que se habla de ese tema. Pero no sólo eso, sino que también deben ser documentos divulgativos, dirigidos a pacientes y familiares. Estudios clínicos, por ejemplo, no deberían formar parte del corpus de nuestro ejemplo, porque contienen terminología altamente especializada que muy probablemente no sea relevante y genere más confusión que ayuda.
Candidatos a términos, por su parte, son unidades léxicas de una o más palabras que son potencialmente términos, pero que aún no se han comprobado ni están dotados de datos adicionales. Esos datos adicionales, como pueda ser una definición, un contexto, una imagen, una nota de uso, etc. dependerán de la definición del glosario en cuestión. De lo cual ya se deduce grosso modo qué es un término: una unidad léxica cualificada y pertinente para un dominio (o subdominio) concreto y que se ajusta a la definición de la base de términos a la que pertenece.
Vamos un poco más atrás, a los extractores de terminología. Son programas informáticos que detectan automáticamente candidatos a términos en base a una serie de criterios. Hay muchos extractores de terminología en el mercado, desde los que funcionan de forma meramente estadística a los que combinan criterios estadísticos con criterios lingüísticos. Hay muchos que apenas dan opciones para modular la extracción y otros que ofrecen una amplia gama de opciones que permiten ajustarse a los documentos del corpus y la extracción que se va a realizar, así como funciones de concordancia y de cálculo de colocaciones para la validación.
Los proyectos de extracción de terminología van desde los que tienen una base de salida horrenda (digamos, por ejemplo, que el corpus es una memoria de traducción y el extractor de terminología es meramente estadístico y no permite ninguna configuración) a otros mucho mejor planteados (un corpus con documentos suficientes y bien seleccionados, en base a unos criterios puestos por escrito en una definición de la base de términos, y un extractor que permite configuración y que combina criterios estadísticos con lingüísticos).
Huelga decir que partiendo de una memoria de traducción y con un extractor básico, la calidad de la extracción va a ser bastante limitada y, con ello, su eficacia y su usabilidad no van a ser adecuadas, por no decir peligrosas. Sin embargo, aún en proyectos de extracción bien planteados, el peligro de una cobertura homogénea de un dominio concreto es extremadamente difícil de garantizar. La razón de ello es muy simple: los extractores, aún los que trabajan también con parámetros lingüísticos, se basan en frecuencias y en patrones. En ese sentido, son extremadamente útiles para obtener términos de uso frecuente.
Sin embargo, un glosario (o una base de términos en cualquiera de sus formas), necesita claramente los términos de uso frecuente, pero también todos los demás. Es decir, las extracciones de terminología deben de ir acompañadas de otros métodos para crear, ampliar o mantener bases terminológicas.
Pese a la obviedad de lo que he escrito más arriba, cada vez encuentro menos abordajes que combinen extracciones de terminología con otras fuentes y metodologías. Sinceramente, no sé a qué se debe y creo que no se puede generalizar, aunque tengo una sospecha: las extracciones ofrecen un cierto grado de automatización y todo lo que permite automatización se prioriza. Es puro zeitgeist.