Abstract Technology for grading and evaluating written texts has been developed since the early 1960s in English-speaking countries and, preferably, in the essay genre (Chen and Cheng, 2008; Page, 2003). The first systems focused on delivering a rating of the writing evolved, thanks to natural language processing and artificial intelligence, reaching the point of providing feedback for different discursive genres (Shermis, 2020). Despite these and other advances, these techniques still have detractors who claim that this type of evaluation would seek to replace teaching tasks, would not resemble that performed by humans or that it would only be concerned by formal aspects (Vajjala, 2018). However, many of these concerns are based on a lack of knowledge about the evolution of this field, the fear of human impersonation (Palermo and Wilson, 2020) and ignorance of the new paradigms of this type of evaluation (Shermis, 2020). Despite the fecundity of this field, to date, no systematic reviews have been found that focus on the aforementioned points, so in this study we will focus on answering the following questions: What are the didactic, technological, and theoretical considerations of the tools for assessing the quality of writing? What is the role of teachers or evaluators in the design and use of these tools? For what purposes are the tools designed and used? What are the results obtained? In what country, language, genre, and levels have tools for assessing writing quality been developed? To answer these questions, a systematic review was developed, following the guidelines for Systematic Reviews and Meta-Analyses (PRISMA, 2020). Thus, 164 scientific research articles developed between 1966 and 2022 were selected. Among the results, it is observed that the initial objectives of automatic evaluation have shifted from focusing on reliable, unbiased, and rapid scores to focus on formative evaluation centered on feedback. At the same time, it was found that the role of the teacher is paramount in 94% of the works reviewed, since the tools are presented as a support and not as a replacement of the teaching work. Based on these results, we argue that this type of review can be of great help to learn about the current state of automated assessment and writing feedback. In addition, it can be useful for those who are interested in building contributions in this field.

Resumen La tecnología para la evaluación de la escritura se ha desarrollado desde los años 60. Actualmente, el procesamiento del lenguaje natural (Shermis, 2020) ha permitido una evolución considerable. No obstante, lo fecundo de este campo, no se han encontrado revisiones sistemáticas que abordan las cuestiones siguientes: ¿en qué país, género y niveles se han desarrollado propuestas para evaluar la calidad de la escritura?, ¿cuáles son las consideraciones didácticas, tecnológicas y teóricas de estas herramientas?, ¿cuál es el rol que desempeñan los docentes en el diseño y uso de ellas? y ¿qué resultados se han obtenido? En este artículo, se revisaron 164 investigaciones entre los años 1966 y 2022. De ello se destaca: a) que la evaluación automática ha pasado de focalizarse en puntuaciones fiables, imparciales y rápidas a una evaluación centrada en la retroalimentación, b) que el docente cumple un rol primordial en el diseño y uso de las herramientas y c) que las herramientas son un apoyo útil. Además, se identifica un escaso desarrollo de herramientas para la lengua española.

ABSTRACT The epistemic modality is a discursive-semantic category that expresses degrees of certainty in texts. In this way, degrees may vary in a certain discursive genre, depending upon discipline communities. This paper describes the lexical linguistic structures that show the epistemic modality in a corpus of Undergraduate Graduation Projects (TFG, by its Spanish acronym) written in Spanish in different disciplinary fields. The methodology used in this research follows a non-experimental, cross-sectional design, and presents an exploratory-descriptive scope. The design of the research follows a qualitative methodological strategy based on a corpus. This research focuses on the lexical level. It has an empirical nature, a pure objective and applied implication. Data show significant predominance of non-assertive epistemic modality markers (80%) compared to assertive epistemic modality markers (20%). Both marker types statistically predominate in accomplishing the communicative purposes of MM2: Showing previous research and important conceptual background and MM4: Accounting for the results and their interpretation in the context of the investigation. However, they have important disciplinary distinctions of specific rhetoric patterns displayed in each macro-move of TFG. Findings make possible to understand the way each discipline differently constructs its positioning in the academic discourse of students. Additionally, these findings demonstrate the configuration of various rhetoric strategies of mitigation and reinforcement, and the way they vary in different disciplines.

RESUMEN La modalidad epistémica es una categoría semántica-discursiva que expresa grados de certeza en los textos, los que podrían variar en un mismo género dada la comunidad discursiva. En el presente trabajo se describen las estructuras lingüísticas de nivel léxico que expresan la modalidad epistémica en un corpus de trabajos finales de grado en español en diferentes disciplinas. La metodología empleada sigue un diseño de tipo no experimental, transeccional y presenta un alcance exploratorio-descriptivo. El diseño de la investigación sigue una estrategia metodológica de corte cuantitativa y basada en corpus. El estudio está centra do en el nivel léxico, es de naturaleza empírica, finalidad pura e implicancias aplicadas. Los datos muestran una significativa predominancia de los marcadores de modalidad epistémica no asertiva (80%) frente a los marcadores de modalidad epistémica asertiva (20%). Ambos tipos de marcadores predominan estadísticamente en el cumplimiento de los propósitos comunicativos MM2: Presentar investigaciones previas y antecedentes conceptuales relevantes y MM4: Dar cuenta de los resultados y su interpretación en el contexto de la investigación, aunque con distinciones disciplinares relevantes en cuanto a los patrones retóricos específicos desplegados en cada macromovida del trabajo final de grado. Los hallazgos permiten comprender la forma en que cada disciplina construye el posicionamiento en el discurso académico estudiantil. Asimismo, estos hallazgos evidencian la configuración de diversas estrategias retóricas de mitigación y refuerzo y el modo en que varían de una disciplina a otra.

Abstract: Writing the Final Degree Project (TFG) is a difficult task for most undergraduate students. This is the case of Computer Engineering, a discipline in which the proper presentation of results is a complex written production activity (Ochoa & Cueva, 2017). The RESULTS section is more complicated than others due to its structure, its communicative purposes and the way to achieve them (Hussin, Syamimi & Nimehchisalem, 2018). While there have been some descriptions of its rhetorical-discursive organization (Bret, 1994; Chen & Kuo, 2012; Hussin et al., 2018; Venegas et al., 2016), most have focused on the prototypical organization of only one of the types of TFGs produced in this discipline. Therefore, in this mixed research of descriptive scope, we rhetorically-discursively analyze the RESULTS section of Computer Engineering TFG’s, considering the particularities of the different types of TFG’s existing within the discipline. To this end, using genre analysis (Swales, 1990; 2004), we analyzed 117 RESULTS sections of Computer Engineering Final Degree Project. Among our findings, it is observed that in the section the moves ‘Present preparatory information’, ‘Report results’ and ‘Interpret results’ are prototypically employed. In turn, variations in the rhetorical-discursive organization are established, which are related to the 4 types of TFG that occur in the discipline. We conclude that there are 4 types of TFG in Computer Engineering, which affect the rhetorical-discursive organization of the RESULTS section. At the same time, we argue that attention should be paid to the particularities of the genre and of each section, since due to the different purposes pursued in each of them, the discursive functional units used differ from each other.

Resumen: La escritura del Trabajo Final de Grado (TFG) es una tarea difícil para la mayoría de los estudiantes de grado. Este es el caso de Ingeniería Informática, disciplina en la que la presentación adecuada de los resultados es una actividad de producción escrita compleja (Ochoa & Cueva, 2017). La sección RESULTADOS es más complicada que otras debido a su estructura, sus propósitos comunicativos y la forma de alcanzarlos (Hussin, Syamimi & Nimehchisalem, 2018). Si bien se han realizado algunas descripciones de su organización retórico-discursiva (Bret, 1994; Chen & Kuo, 2012; Hussin et al., 2018; Venegas et al., 2016), la mayoría se ha centrado en la organización prototípica de solo uno de los tipos de TFG que se producen en esta disciplina. Por lo anterior, en esta investigación mixta de alcance descriptivo, analizamos retórico-discursivamente la sección RESULTADOS de los TFG de Ingeniería Informática, considerando las particularidades de los diferentes tipos de TFG existentes en el marco de la disciplina. Con este fin, empleando el análisis de género (Swales, 1990; 2004), analizamos 117 secciones RESULTADOS de TFG de Ingeniería Informática. Entre nuestros hallazgos se observa que en la sección se emplean de forma prototípica las movidas ‘Presentar información preparatoria’, ‘Reportar los resultados’ e ‘Interpretar los resultados’. A su vez, se establecen variaciones en la organización retórico-discursiva, las que se relacionan con los 4 tipos de TFG que se producen en la disciplina. Concluimos que existen 4 tipos de TFG en Ingeniería Informática, los que inciden en la organización retórico- discursiva de la sección RESULTADOS. A su vez, sostenemos que se debe prestar atención a las particularidades del género y de cada sección, pues debido a los diferentes propósitos que se persiguen en cada uno de ellos, las unidades funcionales discursivas que se emplean difieren entre sí.

Abstract The task of recognizing the discursive patterns that enable the members of an academic discursive community to achieve the communicative purposes of the academic disciplinary genres is relevant for the processes of incorporation of new members through academic literacy processes. Research on academic genres has focused on expert genres and, to a lesser extent, on genres produced by university students, especially in engineering. The analysis of discursive genre patterns and artificial intelligence (AI), through Natural Language Processing (NLP) have had a complementary development, thanks to both automated classification algorithms and the increased availability of large amounts of textual data, which has enabled the classification of academic discursive genres. The aim of this paper is to automate classification of macromoves (MM) of the meso-genre report of practical experience in engineering. For this purpose, seven traditional classification algorithms, the deep learning model for Spanish called BETO and their corresponding configurations were considered. Among the findings, the best overall performance of SVM_lineal stands out. Also, SVM_linear, BETO and KNN are more effective for the classification of moves in different MMs. These results suggest that the combination of algorithms would be a useful procedure to better classify the macro-purposes of this meso-genre. It is planned to evaluate these algorithms in a tool for genre-based feedback of written production.

Resumen La tarea de reconocer los patrones discursivos, por medio de los cuales los miembros de una comunidad discursiva académica logran cumplir los propósitos comunicativos de los géneros académicos disciplinares, es relevante para los procesos de incorporación de nuevos miembros, a través de procesos de alfabetización académica. Las investigaciones en géneros académicos se han focalizado en los géneros expertos y, en menor medida, en géneros producidos por los estudiantes universitarios, especialmente en el área de ingeniería. El análisis de patrones discursivos del género y la inteligencia artificial (IA), a través del Procesamiento del Lenguaje Natural (PLN) han tenido un desarrollo complementario, gracias tanto a los algoritmos de clasificación automatizada y la mayor disponibilidad de grandes cantidades de datos textuales, lo que ha posibilitado la clasificación de géneros discursivos académicos. En esta línea, el objetivo de este artículo es clasificar de manera automática las macromovidas (MM) del mesogénero informe de experiencia práctica en ingeniería. Para ello, se consideraron siete algoritmos de clasificación tradicionales, el modelo de aprendizaje profundo para español denominado BETO y sus correspondientes configuraciones. Entre los hallazgos, puede destacarse el mejor rendimiento general de SVM_lineal. Así también, se destaca que SVM_lineal, BETO y KNN son más efectivos para clasificar las movidas de algunas de las MMs. Estos resultados sugieren que la combinación de algoritmos sería un procedimiento útil para clasificar de mejor manera los macropropósitos de este mesogénero. Se proyecta evaluar estos algoritmos en un herramienta para retroalimentar la producción escrita desde la perspectiva del género discursivo.

ABSTRACT The project report is a genre widely used in the processes of academic training in computer science civil engineering. Students write this genre in the university classroom guided by diverse academic and professional purposes. Despite its relevance, empirical rhetorical-discursive descriptions that highlight the value of student writing are still scarce in Spanish. In this way, we describe the rhetorical-discursive organization of the project report genre in this subdiscipline to gain more knowledge about the written production at the rhetorical level. For this purpose, we follow a methodological design anchored in Genre Analysis of Swalesian roots, and we analyze a corpus formed by 58 texts. The use of this method helped us to determine macromoves, moves and steps of the genre, communicative functions and text characteristics. The resulting rhetorical model shows 16 moves and 36 steps. This model proved high stability of this genre, its mesogeneric nature and interconnection role between the academic and the professional discourse. Finally, implications for genre theory, for description of the Spanish language and for genre pedagogy emerge from the results.

RESUMEN El informe de proyecto es un género ampliamente utilizado en los procesos de formación académica en ingeniería civil informática. Los estudiantes producen este género en el aula universitaria guiados por diversos propósitos tanto académicos como profesionales. No obstante, su relevancia, en español aún son escasas las descripciones retórico-discursivas empíricas que releven el valor de la escritura estudiantil. De esto modo, para avanzar en el conocimiento de la producción escrita a nivel retórico nos proponemos describir la organización retórica discursiva del género informe de proyecto en esta subdisciplina. Para cumplir con este propósito seguimos un diseño metodológico anclado en el Análisis del Género de raigambre Swalesiana y utilizamos un corpus de 58 textos. La aplicación de este método nos permitió determinar las macromovidas, movidas y pasos retóricos del género, sus funciones comunicativas y rasgos textuales. El modelo retórico resultante quedó configurado por cinco macromovidas, 16 movidas y 36 pasos. Por medio de este modelo se constata la alta estabilidad del género, su naturaleza mesogenérica y su rol de interconexión entre el discurso académico y el profesional. Finalmente, de los resultados emergen implicancias para la teoría del género, para la descripción de la lengua española y para la pedagogía del género.

From an academic point of view, the most important landmark that students face when transitioning from higher education to professional life, is undoubtedly the production and defense of a senior thesis or Graduation Project. This enables them to gradually become members of the discourse community of the chosen discipline. This study sought to put forward a theory-and-empirically based rhetorical-discursive model of the Undergraduate Macro-Genre Graduation Project (UMGGP) grounded in five disciplines. Our model combines genre theory with a focus on communication and corpus linguistics. A subcorpus of 407 undergraduate graduation projects (UGP) was gathered from 4 different disciplines: Literature, Linguistics, Philosophy, and Psychology. The rhetorical-discourse organization of BGP was configured through its macro purposes and communicative purposes. As a result, we proposed a rhetoric-discursive organization model that comprises 5 macromoves, 18 moves, and 65 steps. This model was tested through the analysis of a subcorpus of 59 UGP from Civil Engineering Informatics. The findings suggest that our model articulates macropurposes and communicative purposes of UMGGP and enables researchers to identify discursive patterns of graduation projects from the disciplines in study. This model may contribute to the academic literacy domain and to the development of didactic applications for the academic writing purposes.

Desde el punto de vista académico, el hito más importante al que se ve enfrentado un estudiante para pasar de la vida estudiantil a la profesional es, sin duda, el proceso de producir y defender la tesis de licenciatura, pues ello le permitirá ingresar paulatinamente a la comunidad discursiva de su especialidad. El objetivo general de esta investigación es proponer un modelo retórico-discursivo, sustentado empíricamente, del Macrogénero Trabajo Final de Grado (MGTFG) de licenciatura a partir del análisis de un corpus de trabajos finales de cinco disciplinas. Para ello proponemos una aproximación teórico-metodológica que combina la teoría del género desde su orientación comunicativa con la lingüística de corpus. De este modo, a partir de un subcorpus de 407 Trabajos Finales de Grado (TFG) de cuatro disciplinas, a saber: literatura, lingüística, filosofía y psicología, se configuró la organización retórico-discursiva de los TFG, considerando sus macropropósitos y propósitos comunicativos. Producto de ello, se propone un modelo de organización retórico-discursiva compuesto por 5 macromovidas, 18 movidas y 65 pasos. Luego, este modelo es evaluado a través del análisis de un subcorpus de 59 TFG de ingeniería civil informática. Entre los hallazgos más relevantes, se puede establecer que el modelo propuesto articula los macropropósitos y propósitos comunicativos prototípicos del MGTFG y permite identificar los patrones discursivos propios de los TFG de las disciplinas en estudio. Este modelo podría constiutir un aporte en el ámbito de la alfabetización académica y en la construcción de aplicaciones didácticas a la escritura académica.

The paper approaches the study of the thesis genre from a functional and structural perspective. The aim of this research is to identify communicative purposes and to describe the superstructure of linguistics and philosophy thesis, written by undergraduate and master students. The methodology consisted in the application of existing, as well emergent categories to a corpus made up of 20 theses collected from the TFGPUCV-2010 Corpus (5 theses from each discipline and level). According to the findings, there are differences regarding the superstructure depending on the discipline. In respect to the communicative purposes there differences between discipline and level can be observed. The explicitness of the communicative purpose of each section of the superstructure varies. According to our results, we conclude that the thesis genre is not homogeneous and varies according to the disciplines more than the academic degree, responding to the necessities of particular discourse communities.

El presente artículo aborda el estudio del género tesis desde la perspectiva estructural y funcional del estudio de los textos. De esta manera, el objetivo de esta investigación es describir la superestructura y los propósitos comunicativos de tesis de Lingüística y Filosofía en los niveles de Licenciatura y Magíster. La metodología consistió en aplicar categorías existentes, así como también emergentes para la sistematización de los hallazgos. El corpus estuvo compuesto por 20 tesis del corpus TFGPUCV-2010 (5 tesis en cada disciplina y nivel). Los resultados indican que en cuanto a la superestructura textual, existe diferencia según la disciplina, mientras que en relación a los propósitos comunicativos se establecen diferencias según la disciplina y el nivel, destacándose el grado de explicitud en la identificación al propósito comunicativo de cada apartado de la superestructura. Por último, es posible concluir que el género tesis no es homogéneo y que su variación se relaciona más con la disciplina que con el grado académico, de acuerdo a las necesidades de las comunidades discursivas particulares.

Several authors interested in the field of academic writing agree on the fact that the discursive process of attribution of knowledge refers to the responsibility of the content presented in the academic discourse. Consequently, the attribution of knowledge is evidence of the position of the author his/her writing (Hyland, 2004a; Beke, 2008; Bolívar, Beke y Shiro, 2010). Thus, the aim of this paper is to compare the discursive process of attribution of knowledge in undergraduate and master's theses in Linguistics and Philosophy. In order to accomplish this goal we have used two categories of analysis, namely, the use of the first person and use of citation. The methodology for the analysis considers the identification and description of the attribution mechanisms mentioned above. The corpus consists of 20 theses (5 BA in Linguistics, 5 Masters in Linguistics, 5 BA in Philosophy and 5 Masters in Philosophy). Among the main results, we may note that there are differences between disciplines and levels in the way authors carry out the attribution of knowledge. It is worth mentioning the emergence of various subtypes of cites which are not described in other investigations. In conclusion, we can state that the ways the author carries out the attribution of knowledge are different in each discourse community and even in a single genre within the same discourse community.

Diversos autores interesados en el ámbito de la escritura académica coinciden en el hecho de que la atribución del conocimiento hace referencia a la responsabilidad del contenido presentado, por lo que se le considera un indicador del posicionamiento que el autor hace en su escrito (Hyland, 2004a; Beke, 2008; Bolívar, Beke y Shiro, 2010). Así, el objetivo principal de este trabajo es comparar el modo cómo se realiza la función discursiva de la atribución del conocimiento en las tesis de licenciatura y magíster, en lingüística y en filosofía. Para llevar a cabo dicho objetivo, hemos utilizado dos categorías de análisis, esto es, la inscripción de la primera persona y la citación. La metodología utilizada para el análisis contempla una identificación y descripción de los mecanismos de atribución mencionados. El corpus está constituido por 20 tesis: 5 de cada disciplina y nivel (5 de licenciatura en lingüística, 5 de magíster en lingüística, 5 de licenciatura en filosofía y 5 de magíster en filosofía). Entre los principales resultados, es posible señalar que existen diferencias entre disciplinas y niveles en la forma cómo se lleva a cabo la atribución del conocimiento. Cabe destacar también el surgimiento de diversos subtipos de citas no descritos en otras investigaciones. En conclusión, es posible afirmar que las formas de construcción de conocimiento son distintas en cada comunidad discursiva, hecho que se instancia en la variación existente en la forma de atribución de conocimiento en el marco de un mismo género, a partir de la forma cómo el escritor se presenta a sí mismo y a otros autores en su trabajo.

Summary assessment is a complex task, due to the problems related to sistematicity and to the time it takes. These problems have motivated the study of reliable automatized assessment methods. In this scenario, the aim of this work is to identify an efficient method for assessing summaries, based on Latent Semantic Analysis (LSA). The summaries were written by students from secondary school in the city of Valparaíso, Chile. To acomplish the mentioned aim, we correlated the scores asigned by three teachers to 244 summaries of predominantly expository texts and 129 summaries of predominantly narrative texts with the scores provided by three computational methods, based on LSA. The methods are: 1) comparison of summaries with the source text, 2) comparison of summaries with a summary developed by the consensus of a group of linguists, and 3) comparison of summaries with three summaries constructed by three language teachers. General results show that the scores asigned by method 2 and 3 are statistically similar to the scores asigned by the teachers, when the source texts are predominantly narrative. However, this similarity is not so when the source text is predominantly expositive.

Evaluar resúmenes es una tarea compleja debido a que presenta problemas relacionados con la sistematicidad en la evaluación y con la dedicación de gran cantidad de tiempo por parte de los evaluadores. Estos problemas han motivado la indagación de métodos confiables de evaluación automatizada de resúmenes. En este contexto, el objetivo de este trabajo es identificar un método eficiente de evaluación automatizada de resúmenes, basado en el Análisis Semántico Latente (LSA). Los resúmenes fueron realizados por estudiantes de educación secundaria de la ciudad de Valparaíso, Chile. Para llevar a cabo esta tarea se correlacionan los puntajes de la evaluación realizada por tres docentes a 224 resúmenes provenientes de textos predominantemente expositivos, y 129 resúmenes provenientes de textos predominantemente narrativos con los puntajes entregados por tres métodos computacionales, basados en el LSA. Los métodos utilizados son los siguientes: 1) comparación de los resúmenes con el texto fuente de donde provienen, 2) comparación de los resúmenes con un resumen consensuado por lingüistas y 3) comparación de los resúmenes con resúmenes construidos por los tres docentes evaluadores a partir de los mismos textos fuente. Los resultados generales indican que los puntajes de los métodos 2 y 3 son similares estadísticamente a los puntajes asignados por los docentes evaluadores, cuando los resúmenes evaluados provienen de textos predominantemente narrativos. Sin embargo, esta similitud no se replica cuando los resúmenes provienen de textos predominantemente expositivos.

The objective of this study is to identify a method for the automatic evaluation of the summaries developed from narrative and expository Spanish texts. In order to fulfill this task evaluation of 373 summaries carried out by three teachers is correlated with the results delivered by latent semantic analysis. Scores assigned by the latent semantic analysis are obtained through three methods: 1) Comparison of the summaries with the source text, 2) Comparison of the summaries with a consensuated one, 3) Comparison of the summaries with three summaries developed by three evaluators. The most relevant results include: a) a high correlation between assessments by the evaluators (:0.63), b) a high correlation between the computational methods used (:0.62) and c) a positive medium-high average correlation between assessments undertaken by the teachers and the latent semantic analysis in the second and third method (;0.53 in both cases and types of texts). Both methods presented greater average correlation with testers when the texts evaluated were predominantly narratives (;0.59 and 0.45 respectively).

El objetivo de este trabajo es identificar un método de evaluación automática de resúmenes realizados a partir de textos de tipo narrativo y expositivo en español. Para llevar a cabo esta tarea se correlaciona la evaluación realizada por tres docentes a 373 resúmenes con los resultados entregados por el análisis semántico latente. Los puntajes asignados por el análisis semántico latente se obtienen utilizando tres métodos 1) Comparación de los resúmenes con el texto fuente, 2) Comparación de los resúmenes con un resumen consensuado 3) Comparación de los resúmenes con tres resúmenes construidos por tres evaluadores. Entre los resultados más relevantes se destacan: a) una alta correlación entre la evaluación realizada por los evaluadores ( 0,63); b) una alta correlación entre los métodos computacionales utilizados ( 0,62) y c) una correlación promedio positiva media-alta entre las evaluaciones realizadas por los docentes y el análisis semántico latente en el segundo y tercer método ( 0,53 en ambos casos y tipos de textos). Ambos métodos presentaron mayor correlación promedio con los evaluadores cuando los textos evaluados eran predominantemente narrativos ( 0,59 y 0,45 respectivamente).

ln this article, we identfñed, defined, classfñed, and exemplified the discourse genres that have emerged from the933 textsforming the PUCV-2006 Academicand Professio-nal Corpus ofSpanish.Toaccomplishtheseobjectives,weadopt a deductive-inductive complementan/ methodology. Five criteria were selected and employed in order to classify the texts: Communicative Macro-purpose, Relation between the Participants, Mode of Discourse Organization, Modality, and Ideal Context of Circulation. Based on the corpus analysis, we identify twenty-eight genres according to the criteria mentioned above. Among our findings, we can say that most identfñed genres share consigning information, as their communicative purpose. Also, that they are predomi-nantly organized in a descriptive mode. And, that the relation between participants is established between experts.

En este artículo, se identifican, definen y clasifican los géneros discursivos emergentes de los 933 textos que componen el Corpus del Español Académico y Profesional PUCV-2006. Con el fin de lograr estos objetivos, se lleva a cabo una metodología complementaria de tipo deductiva-inductiva. Para la identificación de los géneros se han utilizado cinco criterios: Macropropósito Comunicativo, Relación entre los Participantes, Modo de Organización del Discurso, Modalidad y Contexto Ideal de Circulación. Luego del análisis de todos los textos, se identificaron y se agruparon 29 géneros, posteriormente se definieron y clasificaron estos géneros según los cinco criterios y veintiséis variables asociadas a ellos. Entre los resultados más relevantes se destaca que los géneros académicos y profesionales escritos, en su mayoría, responden al macropropósito de consignar información, se organizan predominantemente a partir de un modo discursivo de tipo descriptivo y se establece, predominantemente, una relación entre escritores y lectores expertos.

In this paper the computational tool called “El Manchador de Textos” is described and exemplified. This tool helps find and highlight co-occurring linguistic features in digital texts and corpus. These features can be visualized in texts through colors, associated to each of these features. The computational tool also helps quantify co-occurring linguistic features producing an index that represents the density of the text prose. As an example of the use of the tool, a research focused on co-occurring informativity features in a diversified sample of texts is conducted (scientific, science popularization and journalistic). The results show statistical differences between the registers, considering the informativity indexes.

En este artículo se describe y ejemplifica el funcionamiento de la herramienta computacional denominada “El Manchador de Textos”. Esta herramienta permite localizar y destacar rasgos lingüísticos co-ocurrentes en corpus digitalizados. De este modo, tales rasgos pueden ser visualizados en el o los textos por medio de colores asociados a cada uno de ellos. Junto a esto último la herramienta permite cuantificar la co-ocurrencia de los rasgos, a través de un índice que mide la densidad de aparición conjunta de los rasgos lingüísticos investigados. Como demostración del funcionamiento de la herramienta, se investigó la aparición conjunta de una serie de rasgos lingüísticos asociados a la informatividad en una muestra diversificada de textos (científicos, de divulgación de la ciencia y periodísticos). Los resultados muestran diferencias significativas entre los índices de densidad informativa, según los distintos tipos de registros a los cuales pertenecen los textos estudiados.

The aim of this research is to classify, using and comparing two automatic classification methods, the academic texts included in the PUCV-2006 Corpus belonging to the Fondecyt 1060440 research project. The methods are based on shared lexical-semantic content words present in a corpus of academic texts used in four professional carriers at the Pontificia Universidad Católica de Valparaíso, Chile. The research corpus, nowadays, is constituted by 652 texts with 96.288.874 words. For our purposes, we use a sample of 216 texts (30.886.081 words) divided, as following: 26 used in Construction Engineering, 31 used in Chemistry, 64 used Social Work, and 95 used in Psychology. The classification methods compared in this research are Multinomial Naïve Bayes and Support Vector Machine, both permits to identify a small group of shared words that permit, according statistical weights, to classify a new text into the four disciplinary areas. The results allows us to establish that Support Vector Machine classify in a efficient way academic texts, with high precision and recall values. With this method we are able to identify automatically the disciplinary domain, with a high percentage of accuracy (93,9%), of a new academic text in a query. We project to use this method as part of a more detailed multidimensional analysis of the PUCV-2006 Corpus

El objetivo de esta investigación es clasificar, utilizando y comparando dos métodos de categorización automática, los textos académicos incluidos en el Corpus PUCV-2006 perteneciente al trabajo realizado en el proyecto Fondecyt 1060440. Estos métodos están basados en los lexemas de contenido semántico compartidos en el corpus de textos académicos usados en cuatro carreras profesionales de la Pontificia Universidad Católica de Valparaíso, Chile. El corpus PUCV-2006 actualmente está conformado por 652 textos, los que en cantidad total de palabras alcanza a 96.288.874. Para los propósitos de esta investigación, utilizamos una muestra de 216 textos (30.886.081 palabras) divididos en cuatro áreas disciplinares: 26 usados en Ingeniería en Construcción, 31 en Química, 64 en Trabajo Social y 95 en Psicología. Los métodos de clasificación a comparar en esta investigación son Bayes Ingenuo y Máquina de Soporte de Vectores, ambos métodos permiten identificar un pequeño grupo de lexemas compartidos, que una vez pesados estadísticamente, sirven para clasificar un nuevo texto en alguna de las cuatro áreas disciplinares. Los resultados nos permiten establecer que la Máquina de Soporte de Vectores clasifica más eficientemente los textos académicos, con altos valores de precisión y exhaustividad. Con este método podemos identificar automáticamente el dominio disciplinar de un nuevo texto académico en consulta con un alto porcentaje de exactitud (93,9%). Proyectamos usar este método como parte de un análisis multidimensional más acabado del Corpus PUCV-2006

This research focuses on lexical-semantic similarities found in three text variables (key words, abstract, and content in scientific research articles). Two scientific areas (biological sciences and social sciences) from the values of lexical-semantic similarity are compared. The study employs a representative stratified sample of 22 scientific research articles in these two areas, which have been included in a corpus of 675 scientific articles. To determine lexical-semantic similarities among the variables, a computer-statistical method is employed, called Latent Semantic Analysis. The findings help assert, on the one hand, that the abstract ‘macro-semanticizes’ better the global semantic content of the article than do the key words. On the other hand, no meaningful differences among the averages of lexical-semantic similarity in the scientific areas studied are revealed. These findings are accounted for in terms of the generally complex standardization processes which tend to homogenize the production of this type of articles

Esta investigación es un estudio comparativo de la relación de similitud léxico-semántica entre tres variables textuales (palabras clave, resumen y el contenido de artículos de investigación científica). Además, se comparan a partir de los valores de similitud léxico-semántica dos áreas científicas (ciencias biológicas y ciencias sociales). El estudio se realiza utilizando una muestra estratificada representativa correspondiente a 22 artículos de investigación científica de ambas áreas científicas, incluidos en un corpus de 675 artículos científicos. Para la determinación de la similitud léxico-semántica entre las variables, se utiliza un método estadístico-computacional denominado Análisis Semántico Latente. Los resultados nos permiten establecer, por una parte, que en la muestra investigada el resumen ‘macrosemantiza’ mejor el contenido semántico global del artículo que las palabras clave. Por otra parte, no se presentan diferencias significativas entre los promedios de similitud léxico-semántica entre las áreas científicas estudiadas. Estos resultados se explican en función de los complejos procesos de estandarización que tienden a homogeneizar la producción científica