Observatorio Lazaro: A self-populating database of anglicism usage in the Spanish press
Observatorio Lázaro 是一个自填充的西班牙语新闻英语借词数据库，自2020年4月起自动处理新闻输出，使用神经序列标注模型检测借词，并通过公共网页和API提供结果。截至写作时，数据库记录了超过200万条借词，覆盖188万篇文章和9.93亿个词元（2020-2026）。检测器在保留集上的span级F1为0.86，训练语料上的Cohen's kappa为0.91，并对部署数据中的1000个span进行了人工精度审计。
发展脉络
- 首次出现Observatorio Lazaro: A self-populating database of anglicism usage in the Spanish pressarXiv cs.CL
- 当前判断该资源为西班牙语新闻中的英语借词提供了持续更新的历时数据库，对语言监测和词典编纂具有参考价值。其公开的网页和API接口可能促进相关研究和应用，但影响范围可能限于语言学和自然语言处理领域。Agent Pulse · 分析
Observatorio Lázaro 是一个自填充的西班牙语新闻英语借词数据库，自2020年4月起自动处理新闻输出，使用神经序列标注模型检测借词，并通过公共网页和API提供结果。截至写作时，数据库记录了超过200万条借词，覆盖188万篇文章和9.93亿个词元（2020-2026）。检测器在保留集上的span级F1为0.86，训练语料上的Cohen's kappa为0.91，并对部署数据中的1000个span进行了人工精度审计。
该系统展示了神经序列标注模型在长期、大规模语言资源建设中的实际应用，其端到端流水线（采集、检测、后处理、存储和访问）为类似语言监测项目提供了可复用的架构参考。检测器在保留集上的F1为0.86，表明模型在借词识别上具有较好的性能，但仍有提升空间。
该资源为西班牙语新闻中的英语借词提供了持续更新的历时数据库，对语言监测和词典编纂具有参考价值。其公开的网页和API接口可能促进相关研究和应用，但影响范围可能限于语言学和自然语言处理领域。
该资源可能对语言服务、教育或媒体分析领域有潜在价值，但当前阶段主要作为学术资源，商业应用尚不明确。
未来可能扩展检测模型以覆盖更多语言或借词类型，或提高检测精度。数据库的持续更新将支持更长期的历时分析，但具体方向取决于研究社区的需求。