arXiv:2511.17402v2 Announce Type: replace 
Abstract: Linguistic features remain essential for interpretability and tasks that involve style, structure, and readability, but existing Spanish tools offer limited coverage. We present PUCP-Metrix, an open-source and comprehensive toolkit for linguistic analysis of Spanish texts. PUCP-Metrix includes 182 linguistic metrics spanning lexical diversity, syntactic and semantic complexity, cohesion, psycholinguistics, and readability. It enables fine-grained, interpretable text analysis. We evaluate its usefulness on Automated Readability Assessment and Machine-Generated Text Detection, showing competitive performance compared to an existing repository and strong neural baselines. PUCP-Metrix offers a comprehensive and extensible resource for Spanish, supporting diverse NLP applications.

تم تقديم PUCP-Metrix كأداة مفتوحة المصدر مصممة لتحليل النصوص الإسبانية لغويًا، حيث تتضمن 182 مقياسًا تغطي جوانب مختلفة مثل التنوع المعجمي وقابلية القراءة. تهدف هذه الأداة إلى تحسين قابلية تفسير النصوص وتعزيز المهام المتعلقة بالأسلوب والبنية.

PUCP-Metrix se ha presentado como un kit de herramientas de código abierto diseñado para el análisis lingüístico de textos en español, que incluye 182 métricas que abarcan diversos aspectos como la diversidad léxica y la legibilidad. Este kit tiene como objetivo mejorar la interpretabilidad de los textos y optimizar tareas relacionadas con el estilo y la estructura.

PUCP-Metrix a été introduit comme un outil open-source conçu pour l'analyse linguistique de textes espagnols, comprenant 182 métriques couvrant divers aspects tels que la diversité lexicale et la lisibilité. Cet outil vise à améliorer l'interprétabilité des textes et à optimiser les tâches liées au style et à la structure.

PUCP-Metrix has been introduced as an open-source toolkit designed for the linguistic analysis of Spanish texts, featuring 182 metrics that cover various aspects such as lexical diversity and readability. This toolkit aims to enhance the interpretability of texts and improve tasks related to style and structure.

PUCP-Metrix: An Open-source and Comprehensive Toolkit for Linguistic Analysis of Spanish Texts

arXiv:2512.04957v1 Announce Type: new 
Abstract: Large language models (LLMs) demonstrate remarkable potential across diverse language related tasks, yet whether they capture deeper linguistic properties, such as syntactic structure, phonetic cues, and metrical patterns from raw text remains unclear. To analysis whether LLMs can learn these features effectively and apply them to important nature language related tasks, we introduce a novel multilingual genre classification dataset derived from Project Gutenberg, a large-scale digital library offering free access to thousands of public domain literary works, comprising thousands of sentences per binary task (poetry vs. novel;drama vs. poetry;drama vs. novel) in six languages (English, French, German, Italian, Spanish, and Portuguese). We augment each with three explicit linguistic feature sets (syntactic tree structures, metaphor counts, and phonetic metrics) to evaluate their impact on classification performance. Experiments demonstrate that although LLM classifiers can learn latent linguistic structures either from raw text or from explicitly provided features, different features contribute unevenly across tasks, which underscores the importance of incorporating more complex linguistic signals during model training.

أظهرت نماذج اللغة الكبيرة (LLMs) إمكانات كبيرة في مجموعة متنوعة من المهام المتعلقة باللغة، إلا أن قدرتها على فهم الخصائص اللغوية الأعمق مثل التركيب، والإشارات الصوتية، والاستعارة لا تزال قيد التحقيق. تم تقديم مجموعة بيانات جديدة لتصنيف الأنواع متعددة اللغات، مستمدة من مشروع غوتنبرغ، لتقييم فعالية LLMs في تعلم وتطبيق هذه الميزات عبر ست لغات: الإنجليزية، الفرنسية، الألمانية، الإيطالية، الإسبانية، والبرتغالية.

Los modelos de lenguaje de gran tamaño (LLMs) han demostrado un potencial significativo en diversas tareas relacionadas con el lenguaje, pero su capacidad para captar propiedades lingüísticas más profundas, como la sintaxis, la fonética y la metáfora, sigue siendo objeto de investigación. Se ha introducido un nuevo conjunto de datos de clasificación de géneros multilingüe, derivado de Project Gutenberg, para evaluar la efectividad de los LLMs en el aprendizaje y la aplicación de estas características en seis idiomas: inglés, francés, alemán, italiano, español y portugués.

Les modèles de langage de grande taille (LLMs) ont montré un potentiel significatif dans diverses tâches liées au langage, mais leur capacité à saisir des propriétés linguistiques plus profondes telles que la syntaxe, la phonétique et la métaphore reste à l'étude. Un nouvel ensemble de données de classification de genre multilingue a été introduit, dérivé de Project Gutenberg, pour évaluer l'efficacité des LLMs à apprendre et à appliquer ces caractéristiques dans six langues : anglais, français, allemand, italien, espagnol et portugais.

Large language models (LLMs) have shown significant potential in various language-related tasks, yet their ability to grasp deeper linguistic properties such as syntax, phonetics, and metaphor remains under investigation. A new multilingual genre classification dataset has been introduced, derived from Project Gutenberg, to assess LLMs' effectiveness in learning and applying these features across six languages: English, French, German, Italian, Spanish, and Portuguese.

PUCP-Metrix: An Open-source and Comprehensive Toolkit for Linguistic Analysis of Spanish Texts

Was this article worth reading? Share it

ZeroGPT.org

Espanido

Criticly