Informática Aplicada a la Traducción e Interpretación
Herramientas de análisis del corpus
Departamento Informática y Sistemas
Generalidades
El diccionario
- Kenneth Whittaker: obra que lista palabras de una lengua o tema o la obra que da información bajo entradas ordenadas alfabéticamente
- María Moliner: libro en que está la serie de palabras de un idioma o de una materia determinada, colocadas alfabéticamente y explicadas, o bien con su equivalencia en otro idioma
Otras fuentes similares: léxicos, glosarios, vocabularios, tesauros, enciclopedias, e incluso, guías, manuales, atlas...
Generalidades
El diccionario
- Los diccionarios son herramientas
- El traductor es quien debe tomar las decisiones oportunas y el responsable final de su texto
- Calidad de diccionarios muy variable, como los libros
- Cada diccionario puede tener objetivos y criterios distintos al resto
- Nuevos formatos de consulta y herramientas nuevas, redes sociales, foros y listas de distribución
Generalidades
¿Qué es un diccionario de datos en sistemas de información?
- Listado organizado de todos los datos que pertenecen a un sistema
- Contiene las características lógicas de los datos que se van a utilizar, incluyendo nombre, descripción, alias, contenido y organización
Razones para su utilización:
- Manejar los detalles en sistemas muy grandes, ya que tienen enormes cantidades de datos
- Asignar un solo significado a cada uno de los elementos y actividades del sistema
Generalidades
Traductores de lenguajes de programación
Traductor es un programa que toma como entrada un texto escrito en un lenguaje fuente y da como salida otro texto en un lenguaje objeto
- 1950: John Backus, trabajó para IBM en el desarrollo de un lenguaje algebraico
- 1954: FORTRAN, lenguaje que permite escribir fórmulas matemáticas de manera traducible por un ordenador
- 1957: primer lenguaje de alto nivel, ordenador IBM 704
Así surgió el concepto de un traductor, como un programa que traducía un lenguaje a otro lenguaje. En el caso particular de este lenguaje, su función era traducir un lenguaje de alto nivel a su equivalente en lenguaje de bajo nivel o de máquina mediante un proceso de compilación, por lo que por primera vez se empleó el término compilador
Generalidades
Ensambladores
Programas informáticos que traducen un fichero fuente escrito en lenguaje ensamblador, a un fichero objeto que contiene código máquina, ejecutable directamente por el ordenador
Facilitan la programación, escribir en código binario, el único código que entienden las máquinas es muy difícil
Preprocesadores
Traducen un lenguaje de alto nivel a otro, cuando el primero no puede pasar a lenguaje máquina directamente
Generalidades
Intérpretes
Traducen lenguaje de alto nivel a lenguaje máquina
Realizan el proceso instrucción por instrucción
Trabajan con lenguajes de alto nivel
No producen código objeto, la ejecución de un programa requiere forzosamente del código fuente
Se ejecutan con más lentitud que aquellos en lenguaje compilado
Generalidades
Compiladores
Son el tipo de traductores más conocidos
Traducen código fuente escrito en un lenguaje de alto nivel a código máquina
Son más rápidos que los intérpretes
Presentan mayor dificultad a la hora de detectar errores
Generalidades
Diferencias entre compiladores e intérpretes
Un programa compilado puede ejecutarse solo, pues en el proceso de compilación fue transformado en lenguaje máquina
Un intérprete traduce el programa cuando lo lee, convirtiendo el código del programa directamente en acciones
La ventaja del intérprete es que dado cualquier programa se puede interpretar en cualquier plataforma, en cambio el archivo generado por el compilador solo funciona en la plataforma en donde se ha creado
Un archivo compilado puede ser distribuido fácilmente, mientras que un archivo interpretado no funciona sin el intérprete
Un archivo compilado se ejecuta hasta 20 veces más rápido que uno interpretado
Generalidades
La comunicación
Un proceso de comunicación está constituido por un EMISOR
que envía INFORMACIÓN
a través de un CANAL de transmisión
que es recibida por un RECEPTOR
Se puede hablar de comunicación oral, escrita, etc., donde el canal será respectivamente el aire, el papel, etc.
Generalidades
La comunicación
El proceso usa CÓDIGOS comprensibles por el emisor y el receptor
Se comunican mediante SEÑALES físicas
La información se CODIFICA en la transmisión y de DECODIFICA en la recepción
En un proceso de comunicación la información que se envía ha de ser idéntica a la que se recibe. Se usa la redundancia o sistemas de control de paridad
Generalidades
Generalidades
Comunicación en la literatura
Requisitos:
- Conocer la lengua
- Experiencia personal (enciclopedia propia)
En textos literarios, la experiencia personal no compartida del emisor y el receptor puede ser un obstáculo
En la comunicación en el ámbito literario no se transmiten significados sino que se provocan significados en el destinatario
El significado nunca es objetivo y está condicionado por la adquisición y el uso de un sistema conceptual
Generalidades
Comunicación en la literatura
La experiencia física es personal, pero está mediatizada por conceptos acuñados socialmente, lo que hace posible la comunicación
Los contextos del que emite un mensaje y del que lo percibe no son los mismos
Los constructos mentales constituyen el contexto de un enunciado, se identifican dentro de la línea cognitivista de acercamiento a la comunicación
El éxito de una oferta de información en el emisor dependerá de la información que contenga su mensaje como de la información que evoque en su destinatario, de las experiencias e información compartidas que permitan la contextualización adecuada para desambiguar la información
Generalidades
Comunicación en la literatura
En mensajes muy relacionados con las experiencias personales de los participantes en el acto de la comunicación es muy improbable que se "comunique" de forma plena
En la comunicación en la literatura de carácter autobiográfico, de memorias o personal, se muestran, en grado extremo los ingredientes que hacen peligrar las intenciones comunicativas del emisor
La intención comunicativa del autor puede llegar a sufrir una merma significativa porque el significado que asocia el autor del original a su texto se aparta de los significados que evoca éste en una parte significativa de sus lectores
Generalidades
Comunicación en la literatura
La información más relacionada con la experiencia personal es la que se refiere a personas, a lugares, a momentos
Desambiguar en el texto toda la información que evocan estos elementos en el autor del original de una obra literaria de carácter personal exigiría enormes explicaciones, descripciones e interpretaciones, nunca suficientes, que habrían de resultar enormemente redundantes para los lectores con más experiencia compartida con el autor y probablemente tediosas para los lectores más distantes
La adición de información relacionada con la experiencia para asegurar la interpretación propuesta en la mayoría de los lectores supondría en todo caso una desvirtuación del género original que habría de desviarse inevitablemente de lo literario a una mezcolanza imposible entre lo literario o lo lírico y lo enciclopédico que le haría perder todo su valor
Generalidades
Comunicación en la literatura
Ejemplo real: historia corta de Doris Lesing, titulada «Lions, Leaves, Roses...» (The Story of a Non-Marrying Man and Other Stories, Harmondsworth: Penguin, 1975: 107-12)
- Paseo por Londres, en el Regent's Park
- Perímetro del Zoo de Londres, se encuentra dentro del parque
- Superposición de perspectivas en su paseo entre la parte del parque exterior al Zoo, el interior del Zoo y las colinas con viviendas exteriores al parque
- La autora sugiere una fusión entre estos tres ámbitos reales y también con otros ámbitos evocados y con el ámbito imaginario de lo extraterrestre
- Vegetales, animales, personas y extraterrestres se funden en un solo ser vivo
- Cambio estacional, un tránsito, el paso del otoño o verano tardío al invierno con el sol brillando por última vez
Generalidades
Comunicación en la literatura
Los lectores del texto de Doris Lessing no familiarizados con Regent’s Park les va a resultar difícil compartir su experiencia y percibir lo que la autora quiere decir
La lectura del texto por destinatarios de otras culturas puede no tener suficiente sentido como para que éstos aprecien las intenciones de la autora
El traductor se va a enfrentar a una ardua tarea, no solo en su papel de lector sino también en su papel de comunicador que debe intentar que los significados que evoca el texto en el lector de la traducción se acerquen lo más posible a las intenciones de la autora, incluidos los significados más puramente literarios y estéticos
Generalidades
Comunicación en la literatura
Para comprobar el grado en que se cumplen o se dejan de cumplir las hipótesis se ha propuesto el siguiente procedimiento:
- Se han seleccionado algunas partes del texto original en las que podía darse mayor ambigüedad
- Se ha propuesto a dos traductores la traducción de los fragmentos escogidos tras haber leído la historia completa. Uno de ellos es nativo español y otro es nativo británico sin especiales conocimientos de Regent’s Park
- Se ha proporcionado a los traductores información gráfica de los lugares descritos en los fragmentos y se les ha propuesto realizar una segunda traducción al español
- Se ha pedido a los traductores un comentario sobre la ambigüedad del texto original
Generalidades
Comunicación en la literatura
Generalidades
Comunicación en la literatura
Generalidades
Comunicación en la literatura
Después de la primera traducción se dieron a los traductores las siguientes imágenes:
Generalidades
Comunicación en la literatura
Corpus lingüístico
Conjunto recopilado de textos hablados o escritos cuya finalidad es algún tipo de análisis lingüístico
El término corpus se considera como referido específicamente a una colección extensa de textos en formato electrónico, que han sido reunidos de acuerdo a criterios explícitos:
- Generales: se encargan de recoger todo tipo de géneros y son útiles para describir la lengua de una comunidad
- Especializados: recogen material que puede aportar información para la descripción de un área de especialidad o tema en particular
Corpus lingüístico
La principal ventaja del formato digital es que puede ser manipulado por un ordenador
- Creados directamente en formato electrónico
- Compartidos a través de distintos soportes: CD, DVD, pen drive, ...
- OCR para procesar los disponibles en papel
Corpus lingüístico
Las herramientas de análisis del corpus sirven para ayudar el trabajo del traductor humano
Un corpus no es una colección de textos aleatorios
Muestra representativa de un lenguaje o un subconjunto del lenguaje
Corpus lingüístico
Clasificación
- Monolingüe si tiene contenido en una sola lengua
- Bilingüe si tiene contenido en dos lenguas
- Bitexto si contiene texto fuente y su traducción (corpus paralelo)
- Monolingües comparables consisten de dos partes, una colección de textos que originalmente han sido escritos en el lenguaje A, y una colección de textos que han sido traducidos al lenguaje A desde otro lenguaje
- Bilingües comparables son similares a los textos paralelos
Herramientas de análisis de corpus
Corpus electrónico:
Refinamiento que permite a los traductores aprovechar las ventajas ofrecidas por los medios electrónicos
Características que permiten generar y manipular la frecuencia de palabras, listas, concordancias y colocaciones
Destinados a profesionales de otros idiomas, incluidos los docentes de lengua extranjera y lexicógrafos
Populares entre traductores y terminólogos
Herramientas de análisis de corpus
Listas de frecuencia de palabras
- Permiten descubrir la cantidad de palabras diferentes en un corpus y con qué frecuencia aparece cada una
- Se conocen como tipos y fichas (tokens), respectivamente
Corpus que consiste en la siguiente frase:
"La traducción me gusta mucho, porque creo que la traducción es realmente divertida"
- 13 fichas
11 tipos
Herramientas de análisis de corpus
Listas de frecuencia de palabras
Lista de frecuencia
| la | 2 |
| traducción | 2 |
| me | 1 |
| gusta | 1 |
| mucho | 1 |
| porque | 1 |
| creo | 1 |
| que | 1 |
| es | 1 |
| realmente | 1 |
| divertida | 1 |
Herramientas de análisis de corpus
Listas de frecuencia de palabras
Se puede presentar de diferentes maneras
Pueden ser clasificadas con distintos órdenes, incluyendo el de aparición en el corpus, alfabético y de frecuencia, además estas listas se pueden organizar en orden ascendente o descendente
La lista de palabras puede ser dispuesta en al menos seis formas diferentes
Herramientas de análisis de corpus
Listas lematizadas
Una lista de frecuencia puede procesar formas individuales de palabras. Ej.: las palabras "traducir", "traduce" y "traducido" son tratadas como formas separadas
Listas lematizadas agrupan las palabras relacionadas para obtener un recuento de la frecuencia combinada
Lema se utiliza para describir una palabra que engloba y representa a todas las formas conexas
La siguiente tabla contiene un extracto de los tipos más frecuentes (de un total de 29589) de un corpus que contiene 183832 fichas
Herramientas de análisis de corpus
Listas lematizadas
Lista de frecuencia
| the | 1435 |
| to | 800 |
| a | 729 |
| and | 669 |
| of | 633 |
| virus | 366 |
| in | 357 |
| for | 350 |
| is | 346 |
| that | 323 |
| on | 250 |
| it | 224 |
| antivirus | 209 |
| are | 200 |
| viruses | 197 |
| be | 179 |
| or | 178 |
| as | 177 |
| with | 176 |
| an | 152 |
Herramientas de análisis de corpus
Listas lematizadas
El mismo extracto lematizado, se muestra en la siguiente tabla
| the | 1435 | |
| a | 881 | |
| a (729) | ||
| an (152) | ||
| to | 800 | |
| be | 725 | |
| is (346) | ||
| are (200) | ||
| and | 669 | |
| of | 633 | |
| virus | 563 | |
| virus (366) | ||
| viruses (197) | ||
| in | 357 | |
| for | 350 | |
| that | 323 | |
| on | 250 | |
| it | 224 | |
| antivirus | 209 | |
| or | 178 | |
| as | 177 | |
| as | 177 |
Herramientas de análisis de corpus
Listas lematizadas
Homógrafo es una palabra que se escribe igual que otra palabra
Ej.: "test" puede ser un sustantivo (The students wrote the test, los estudiantes realizaron la prueba) o un verbo (The teacher decided to test the students, el maestro decidió poner una prueba a los estudiantes)
Para que el equipo sea capaz de distinguir estas formas diferentes, es necesario disponer de un corpus anotado
Herramientas de análisis de corpus
Listas de parada
Contienen los elementos que el usuario desea que el equipo informático ignore
Más interés en las palabras que tienen un contenido semántico y en las palabras con función gramatical
Se muestra una nueva lista de frecuencia de palabras para el mismo corpus, utilizando una lista de parada para ignorar las palabras con función gramatical
Herramientas de análisis de corpus
Listas de parada
Lista de frecuencia
| virus | 366 |
| is | 346 |
| it | 224 |
| antivirus | 209 |
| are | 200 |
| viruses | 197 |
| be | 179 |
| network | 151 |
| you | 148 |
| your | 138 |
| can | 133 |
| 126 | |
| we | 125 |
| have | 120 |
| software | 115 |
| files | 109 |
| not | 109 |
| said | 102 |
| security | 93 |
| products | 90 |
Concordancias
Los diccionarios son útiles para la comprensión
Para ser capaces de determinar cómo se pueden utilizar los términos, es más útil verlos en su contexto
Común a la mayoría de los análisis de corpus es una herramienta de concordancia
Concordancia es una herramienta que recupera las ocurrencias de un patrón de búsqueda en particular en sus contextos inmediatos y los muestra en un formato fácil de leer
Concordancias
Concordancias monolingües
| video | 2 apariciones |
| aparición 1: línea 53 | |
| aparición 2: línea 724 | |
| virus | 512 apariciones |
| aparicición 1: línea 2 | |
| aparición 2: línea 7 | |
| ... | |
| aparición 512: línea 12876 | |
| viruses | 204 apariciones |
| aparición 1: línea 12 | |
| aparición 2: línea 39 | |
| ... | |
| aparición 204: línea 978 |
Concordancias
Concordancias monolingües
Los resultados se muestran para el usuario
El formato más común se conoce como visualización KWIC (palabra clave en el contexto)
Término acuñado por Hans Peter Luhn
Se basa en el concepto "palabra clave en los títulos", se propuso para las bibliotecas de Manchester en 1864 por Andrea Crestadoro
Al igual que con las listas de frecuencia, estos contextos pueden ser ordenados en una variedad de formas
Concordancias
Concordancias monolingües
Permiten patrones de búsqueda:
- Sensibles a mayúsculas y minúsculas (ej.: distinguir entre "escéptico" y "Escéptico")
- Búsquedas con caracteres comodín, en los que se utiliza un carácter especial para representar a un carácter o más en una cadena de búsqueda (por ejemplo, "impr*" para recuperar "imprimir", "impresión", "impresora", "imprime", etc, o "crédul?" para recuperar los dos "crédulo" y "crédula")
- Búsquedas con operadores booleanos (por ejemplo, AND, OR, NOT) u otras expresiones regulares
Concordancias
Concordancias bilingües
Herramienta que puede utilizarse para investigar el contenido de un corpus paralelo
Alineamiento es el proceso mediante el cual las secciones del texto de origen se vinculan con sus correspondientes traducciones
Pueden tener lugar en niveles diferentes: texto, párrafo, oración, frase, subfrase, o palabra
La mayoría de concordancias bilingües alinean los textos ya sea en el nivel de párrafo o de oración
Concordancias
Concordancias bilingües
Alineación durante la generación de concordancias bilingües
La mayoría de los programas separan los procesos de adaptación y generación de concordancia bilingües
Proceso difícil, los textos fuente y destino deben estructura similar si no idéntica
El patrón de búsqueda se puede introducir en cualquier lenguaje A, B, independientemente de cual sea el idioma fuente original
Muchas de las opciones de búsqueda disponibles en concordancias monolingües también están disponibles en concordancias bilingües
Concordancias
Concordancias bilingües
| Certains objets contiennent des virus qui peuvent endommager votre ordinateur. II est important de s'assurer que cet objet provient d'une source fiable. Etes-vous sin- que cet objet incorpore provient d'une source fiable? | Some objects contain viruses that can be harmful to your computer. It is important to be certain that this object is from a trustworthy source. Do you trust this embedded object? |
| ______________ATTENTION: Les pages Web, les fichiers executables ou autres pieces jointes peuvent contenir des virus ou endommager votre ordinateur d'une autre facon. II est important de s'assurer que ce fichier provient d'une source sare. | ______________WARNING: Web pages, executables, and other attachments may contain viruses or scripts that can be harmful to your computer. It is important to be certain that this file is from a trustworthy source. |
| ______________Le formulaire de cet element n'a pas Me enregistre dans ce dossier ni dans la bibliotheque de formulaires de votre societe. Peut-etre preferez-vous ne pas executer les macros car cet element contient des macros susceptibles de contenir virus pouvant endommager votre ordinateur. | ______________The form for this item has not been registered in this folder or in your company's forms library. Because this item contains macros, which could contain a virus harmful to your computer, you may not want to run the macros. |
Concordancias
Concordancias bilingües
| Checking for messages to clean up off the server...
Verification des messages A nettoyer depuis le serveur en cours... . |
| Do you want to clean up your personalized settings for this program?
Souhaitez-vous supprimer vos parametres personnalises pour ce programme? . |
| Unable to clean your free/busy information on the server
Impossible d'effacer les informations de disponibilité sur le serveur . |
| Cleaner for Downloaded Program Files
Nettoyage des fichiers programmes telecharges |
Concordancias
Concordancias bilingües
Algunas concordancias bilingües han tratado de implementar características más sofisticadas
Identifican específicamente posibles equivalentes mediante el uso de estadísticas
Ej.: con el término de búsqueda "disk", el gestor de concordancias podrá proponer una lista de candidatos, que incluye los términos franceses "disque", "disquette", y "lecteur"
Una ventaja es que los segmentos texto fuente y destino se pueden ordenar de forma independiente para revelar patrones en ambos idiomas
Colocaciones
Patrones característicos de coocurrencias de las palabras
Palabras que "van de la mano" o se "encuentran en compañía de otra"
Palabras que aparecen juntas con una mayor probabilidad que si fuera debido al azar
El lenguaje no es aleatorio, ciertas palabras tienden a juntarse
Fórmula de información mutua (MI), entre cualquier par de palabras dadas compara la probabilidad de que dos que aparecen juntas como una unidad frente a la probabilidad de que su coocurrencia sea simplemente un resultado del azar
Se asume que las palabras se producen en diferentes eventos totalmente independientes, mientras que la lengua está en realidad llena de dependencias, además se requiere un mínimo de coocurrencias
Colocaciones
| 3 | 2 | 1 | 1 | 2 | 3 | ||
| Colocaciones de "infected" | Pos. izda. nodo | Pos. izda. nodo | Pos. izda. nodo | Pos. dcha. nodo | Pos. dcha. nodo | Pos. dcha. nodo | |
| file | 26 | 1 | |||||
| attachment | 11 | 3 | |||||
| clean | 1 | 4 | 7 | ||||
| document | 7 | 3 | |||||
| disk | 6 | 1 | 1 | ||||
| system | 5 | 2 | 1 | 1 |
Anotaciones y marcas
Proceso del corpus mediante córpora "crudos"
Es posible codificar información adicional en el corpus
Naturaleza lingüística o no lingüística:
- La lingüística se conoce como anotación
- La no lingüística se conoce como marcado de corpus
Anotaciones y marcas
Anotación sintáctica, cada palabra en el corpus tiene su parte asociada de la palabra especificada con las etiquetas
No hay un estándar para las etiquetas
| Palabra etiquetada | Conjunto de etiquetas | |
| Anotaciones usando etiqueta general | Scan<VB> for <PREP> viruses <NN> regularly <ADV>. <PUNC> | VB=verbo |
| PREP=preposición | ||
| NN=nombre | ||
| ADV= adverbio | ||
| PUNC= símbolo puntuación | ||
| Anotaciones usando etiquetas más específicas | Scan <VBO> FOR <II> viruses <NN2> regularly <RR>; <YSTP> | VBO=verbo imperativo |
| II=preposición general | ||
| NN2=nombre plural común | ||
| RR=adverbio | ||
| YSTP=punto final |
Anotaciones y marcas
Se tarda demasiado tiempo en añadirlas manualmente
Existen programas de ordenador denominados taggers que pueden efectuar el proceso automáticamente
Para textos con 14 o más palabras el nivel de exactitud baja a menos del 50 % y el resultado debe ser revisado por un traductor humano
Anotaciones y marcas
Anotación semántica
Distingue entre los distintos significados de una palabra
Homónimas las palabras que muestran el mismo aspecto pero que tienen distinto significado al aparecer en contextos diferentes. Ej.,"banco" hace referencia a:
1) institución financiera
2) Conjunto de peces que van juntos en gran número
Beneficios y desventajas de trabajar con herramientas de análisis del corpus
Frecuencia de datos
Contexto
Disponibilidad y derechos de copia
Preprocesado
Velocidad y recuperación de la información
Conjuntos de caracteres y dificultades relacionadas con el lenguaje
Aspectos económicos
/