Rafael Barzanallana.   Informática, Ciencia, Escepticismo

Informática Aplicada a la Traducción II (francés).
Capítulo 2. Herramientas de análisis del corpus

2.1- Generalidades


El diccionario

De las numerosas definiciones de diccionario, se citan dos: la de Kenneth Whittaker, según el cual, un diccionario es aquella «obra que lista palabras de una lengua o tema o la obra que da información bajo entradas ordenadas alfabéticamente»; y la de María Moliner, que apunta la idea de una obra en más de una lengua al definirlo como «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».

Sin embargo, el diccionario no es la única obra que reúne términos con sus equivalentes en otras lenguas o con definiciones. A veces hay que buscar el significado de las palabras que nos interesan o su traducción a otra(s) lengua(s) en fuentes que no se presentan como diccionarios pero que cumplen una función compilatoria similar; son los léxicos, los glosarios, los vocabularios, los tesauros, las enciclopedias, e incluso, las guías, los manuales, los atlas, etc. Estas obras pueden presentarse, además, bajo otros títulos, de tal manera que pueden pasarle inadvertidas al traductor. Es lo que ocurre con Il grande libro dei proverbi, Abecedario de dichos y frases hechas, Colección de sinónimos de la lengua castellana o Nuevas palabras, Parole nuove, etc.

Pueden ser muchas y variadas las causas que den al traste con los esfuerzos del traductor por encontrar una palabra. Sin embargo los diccionarios no son más que herramientas. Es quien traduce el que debe tomar las decisiones oportunas y el responsable final de su texto, por lo que cabe sólo apelar a su discernimiento y a su prurito profesional. Por supuesto que una sólida formación y un conocimiento en profundidad de las lenguas que maneja y de los campos en los que ejerce su profesión son siempre un buen comienzo.

En cuanto a la calidad de los diccionarios, no cabe duda de que en los anaqueles de las librerías encontramos algunas obras excelentes junto a muchas otras mediocres o deleznables. A pesar de las indudables (y muchas veces inevitables) deficiencias que presentan las obras de consulta, «un traductor debe saber cómo usar un diccionario, cuándo y para qué» y es habitual que se dedique muy poco tiempo a familiarizarse con las herramientas de trabajo.

Cada diccionario, por otra parte, es una obra salida de las manos de un determinado autor, que se ha planteado unos objetivos y que ha empleado ciertos criterios de selección y de disposición de las entradas. Ignorar esto significa, en el mejor de los casos, ser incapaz de sacarle jugo a una obra tal excelente; en el peor, nos arriesgamos a comprar obras inútiles y a perder tiempo en búsquedas mal planteadas.

Por último, la vorágine de información en la que vivimos inmersos y la revolución originada por las TIC han modificado notablemente la búsqueda referencial y terminológica; muchas palabras que no se encuentran en diccionarios convencionales, pasan a ser localizadas mediante los nuevos formatos en los que se presentan las obras y, por supuesto, a través de nuevas formas de consulta, por ejemplo, las redes sociales, foros y listas de distribución.

¿Qué es un diccionario de datos en sistemas de información?

Un diccionario de datos contiene las características lógicas de los datos que se van a utilizar en un sistema, incluyendo nombre, descripción, alias, contenido y organización.

Estos diccionarios se desarrollan durante el análisis de flujo de datos y ayudan a los analistas que participan en la determinación de los requerimientos del sistema, evitando así malas interpretaciones o ambigüedades, su contenido también se emplean durante el diseño del proyecto.

En un diccionario de datos se encuentra la lista de todos los elementos que forman parte del flujo de datos de todo el sistema. Los elementos más importantes son flujos de datos, almacenes de datos y procesos. El diccionario de datos guarda los detalles y descripción de todos estos elementos.

Desde el punto de vista estadístico, este diccionario debe de tener la variable, el tipo de variable, su definición como también su delimitación espacial.

Traductores de lenguajes de programación

Un traductor es un programa que toma como entrada un texto escrito en un lenguaje, denominado fuente y da como salida otro texto en un lenguaje, llamado objeto.

En 1950, John Backus dirigió una investigación en IBM con la finalidad de lograr un lenguaje algebraico. En 1954 empezó a desarrollar un lenguaje que permitía escribir fórmulas matemáticas de manera traducible por un ordenador. Lo llamaron FORTRAN (FORmulae TRANslator), fue el primer lenguaje considerado de alto nivel. Se introdujo en 1957 para el uso del ordenador IBM 704 y permitía una programación más cómoda y breve que lo existente hasta ese momento (lenguaje máquina), lo que suponía un considerable ahorro de trabajo.

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.

Ensambladores

El término ensamblador (del inglés assembler) se refiere a un tipo de programa informático que se encarga de traducir un fichero fuente escrito en lenguaje ensamblador, a un fichero objeto que contiene código máquina, ejecutable directamente por la máquina para la que se ha generado. El propósito para el que se crearon este tipo de aplicaciones es la de facilitar la escritura de programas, ya que escribir directamente en código binario, que es el único código entendible por el ordenador, es en la práctica imposible. La evolución de los lenguajes de programación a partir del lenguaje ensamblador originó también la evolución de este programa ensamblador hacia lo que se conoce como programa compilador.

Preprocesadores

Traduce un lenguaje de alto nivel a otro, cuando el primero no puede pasar a lenguaje máquina directamente.

Intérpretes

Traducen lenguaje de alto nivel a lenguaje máquina, se encargan de traducir cada instrucción, una por una (o cada línea de instrucciones) contenida en un programa escrito en cualquier lenguaje de alto nivel a instrucciones en código binario, comprensible por los ordenadores. La ejecución se da de inmediato.

Los intérpretes no producen código objeto, por ello la ejecución de un programa requiere forzosamente del código fuente. Además, los programas en lenguaje interpretado se ejecutan con más lentitud que aquellos en lenguaje compilado.

Compiladores

Es el tipo de traductor más conocido. Se trata de un programa que traduce código fuente escrito en un lenguaje de alto nivel (por ejemplo Pascal, C++, Ada, ...) en código máquina (no es así siempre). Son más rápidos que los intérpretes pero presentan mayor dificultad a la hora de detectar errores.

El compilador deriva su nombre de la manera en que trabaja, buscando en todo el código fuente, recolectando y reorganizando las instrucciones. Un compilador difiere de un intérprete en que el intérprete toma cada línea de código y la analiza y ejecuta mientras que el compilador mira el código por completo.

Los compiladores requieren de un tiempo antes de poder generar un ejecutable, sin embargo los programas creados con compiladores se ejecutan mucho más rápido que un mismo programa ejecutado con un intérprete.

Diferencias entre compiladores e intérpretes

Los compiladores difieren de los intérpretes en varios aspectos:
    · Un programa que ha sido compilado puede ejecutarse solo, pues en el proceso de compilación se lo transformó en otro lenguaje (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 (sistema operativo), en cambio el archivo generado por el compilador solo funciona en la plataforma en donde se lo ha creado.

    · Pero por otro lado un archivo compilado puede ser distribuido fácilmente conociendo la plataforma, mientras que un archivo interpretado no funciona si no se tiene el intérprete.

    · Hablando de la velocidad de ejecución un archivo compilado es de 10 a 20 veces más rápido que un archivo interpretado.
La comunicación

Un proceso cualquiera de comunicación está constituido por un EMISOR que envía INFORMACIÓN a través de un CANAL de transmisión, que es recibida por un RECEPTOR. Por tanto, se puede hablar de comunicación oral, escrita, etc., donde el canal será respectivamente el aire, el papel, etc.

Humor con los canales de comunicación en informática La información no es transmitida tal como la emitimos, sino que se utilizan unos CÓDIGOS comprensibles por el emisor y el receptor, y que se comunican mediante SEÑALES físicas. Los códigos serán el lenguaje utilizado y las señales son las las ondas electromagnéticas, sonoras, luminosas, etc. La utilización de códigos y señales precisa que la información sea CODIFICADA en la transmisión y DECODIFICADA en la recepción.

El objetivo de un proceso de comunicación es que la información que se desea transmitir sea idéntica a la que se recibe. Si falla cualquiera de los elementos que intervienen (transmisor, canal de transmisión o receptor), se producen pérdidas de información; para intentar evitarlo, se repiten los mensajes en su totalidad o en parte (redundancia), o se acompañan de códigos especiales (de control) que permitan reconstruirla en caso de error en el proceso.

Conocer la lengua de la que se traduce no es el único requisito, hace falta otra herramienta indispensable: la experiencia personal, una enciclopedia propia. En el caso de los textos literarios, la experiencia personal no compartida del emisor y el receptor puede llegar a ser un obstáculo.

En la comunicación en el ámbito literario no se transmiten significados («metáfora del conducto») sino que se provocan significados en el destinatario y los significados provocados dependen de la experiencia de estos destinatarios. «El significado no es nunca objetivo y está siempre condicionado por la adquisición y el uso de un sistema conceptual. 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, «el contexto es la aportación mental de quien interpreta un enunciado». Los constructos mentales constituyen el contexto de un enunciado, que se identifican dentro de esta línea cognitivista de acercamiento a la comunicación que estamos siguiendo con «frames» («conjunto de relaciones que establece una palabra con otras que aparecen en el mismo contexto y que se relacionan con la primera por su significado». El éxito de una oferta de información en el emisor dependerá por consiguiente tanto 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 del texto en la manera propuesta y no de cualquier otra de entre las posibles (en el caso de un texto literario la ambigüedad es provocada por experiencia personal no compartida; en el caso de textos especializados la ambigüedad es provocada por conocimientos especializados —no personales— no compartidos). De aquí podemos deducir que 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 dado que las experiencias personales siempre difieren en mayor o menor grado y que por lo tanto la información evocada en cada destinatario (cuando el destinatario es colectivo) será diferente; la comunicación especializada es más eficaz dado que la convencionalización social de la información transmitida es máxima.

En la comunicación en la literatura de carácter autobiográfico, de memorias o personal, se muestran, en grado extremo, todos los ingredientes que hacen peligrar las intenciones comunicativas del emisor o autor: el componente de la experiencia personal se da en su forma más intensa y la heterogeneidad de los destinatarios o lectores puede llegar a ser muy acusada. La intención comunicativa del autor puede llegar a sufrir una merma muy significativa porque el significado que asocia el autor del original a su texto se aparta mucho de los significados que evoca éste en una parte significativa de sus lectores.

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 al violar de forma grave las convenciones del género activas en sus destinatarios (para no malograr la traducción, los traductores tienen que refrenar su tendencia natural a explicarlo todo).

Se va a considerar la información sobre lugares, de tipo geográfico, en base a la siguiente publicación: "Las herramientas del traductor. Ediciones del Grupo de Investigación Traductología. Facultad de Filosofía y Letras. Campus de Teatinos. 29071 Málaga".

La evocación de los lugares más cargados sentimentalmente para el autor del texto es riquísima para este autor (tanto en información factual como en sentimientos) y mucho menos rica o incluso vacía para el destinatario del texto. La relación entre sentimientos o impresiones estéticas que el autor del original quiere comunicar puede quedar opaca para el lector que no conoce los lugares descritos o evocados.

El caso que se va a comentar es de traducción. La traducción es otra forma más de comunicación, en particular en este caso entre individuos de culturas y de lenguas diferentes, de experiencias vitales por tanto con menos puntos en común habitualmente que las que unen a individuos de la misma lengua y cultura, a los que resulta más fácil comunicarse entre sí. Los problemas de comunicación indicados anteriormente para la comunicación en general y monolingüe en particular son los mismos para el caso de la traducción —en lo que se relaciona al menos con el tema tratado —, pero muy agravados por la proporción de experiencia no compartida; experiencia no compartida que en nuestro caso se va a concretar en la familiaridad con los lugares que describe el autor.

El texto elegido es una historia corta de Doris Lessing titulada «Lions, Leaves, Roses...» (The Story of a Non-Marrying Man and Other Stories, Harmondsworth: Penguin, 1975: 107-12). En este texto, Lessing describe un paseo por Londres, por Regent’s Park. El paseo tiene lugar por el perímetro del Zoo de Londres, que se encuentra dentro de este parque. La superposición de perspectivas que disfruta en su paseo entre la parte del parque exterior al Zoo, el interior del Zoo y las colinas con viviendas exteriores al parque le permite a la autora sugerir una fusión entre estos tres ámbitos reales y también con otros ámbitos evocados (el Oriente del Hindu Kush y probablemente, por asociación, el de su vida en África) y con el ámbito imaginario de lo extraterrestre (con la introducción de un marciano que visita el parque). Como factor desencadenante de esta fusión en la que vegetales, animales, personas y extraterrestres se funden en un solo ser vivo, Lessing propone un momento de cambio estacional, un tránsito, el paso del otoño o verano tardío al invierno con el sol brillando por última vez.

La hipótesis de trabajo de la que se parte es que a los lectores del texto de Doris Lessing no familiarizados con Regent’s Park les va a resultar muy difícil compartir su experiencia y percibir lo que la autora quiere decir, que incluso la lectura del texto por destinatarios de otras culturas puede no producir suficiente sentido como para que éstos aprecien las intenciones de la autora. Una consecuencia de lo anterior es que el traductor del texto se va a enfrentar a una ardua tarea, no sólo en su papel de lector —que, aunque muy cualificado, también lo es— 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.

Para comprobar el grado en que se cumplen o se dejan de cumplir las hipótesis se ha seguido el siguiente procedimiento (según: Perdidos en Regent’s Park, ROBERTO MAYORAL).
    1. Se han seleccionado algunas partes del texto original en las que podía darse mayor ambigüedad.

    2. 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. La intervención de este segundo traductor tiene como fin descartar el factor del desconocimiento de la lengua en la interpretación del texto. Estos traductores han hecho una primera traducción basándose únicamente en el texto (y en sus propias experiencias) como fuente de información.

    3. Se ha proporcionado a los traductores información gráfica (fotografías y planos) de los lugares descritos en los fragmentos y se les ha propuesto realizar una segunda traducción al español.

    4. Se ha pedido a los traductores un comentario sobre la ambigüedad del texto original.
Los resultados han sido los siguientes (se subrayan las partes de las traducciones que difieren antes y después de observar el material gráfico; las fotografías son del autor del trabajo; el plano de Londres se ha obtenído de The Penguin Guide to London, Harmondsworth: Penguin, 1979: 582-3; el plano del Zoo se desconoce el origen:

PLANOS FACILITADOS:

Plano parque Regent’s Park

Plano parque Regent’s Park

Comentario:

Regent’s Park contiene en su interior el Zoo de Londres. La autora inicia su paseo por un puente que salva el canal y que da a una de las entradas al Zoo. Inicia su tránsito por The Broad Walk, que es un paseo que linda con uno de los laterales del Zoo. En este costado se encuentran los espacios reservados para las cabras y los lobos, que se pueden ver desde el paseo puesto que solo están separados de éste por una alambrada metálica. La perspectiva desde el parque hace superponerse lo que hay en el paseo, lo que hay en el interior del Zoo y las viviendas de Primrose Hill, que se encuentran al fondo lindando con el Parque. El Parque tiene dos rotondas interiores, el Inner Circle y el Outer Circle. El Inner Circle alberga los Queen Mary’s Gardens, llenos de rosas.

Párrafo 1

Original:

The ornate bridge with its white pillars, its six iron lampposts, its balustrades, has at its ends flat oblong rectangles like pedestals, but empty. Here I paused to summon and set on watch my own personal lion.

Materiales gráficos facilitados:

Parque Regent’s Park. Puente con leones.

Parque Regent’s Park. Detalle leones del puente

    Traducción primera (traductor español):

    El puente decorado con sus pilares blancos, sus seis farolas de hierro, sus balaustradas que terminan en forma de rectángulos planos como pedestales, pero vacíos. Aquí me detuve para evocar y mirar a mi león particular.

    Traducción segunda (traductor español):

    El puente decorado con sus pilares blancos, sus seis farolas de hierro, sus balaustradas que terminan en forma de rectángulos planos como pedestales, pero vacíos. Aquí me detuve para evocar y mirar a mi león particular.

    Comentario del traductor español:

    "Pensé que el león era una estatua grande, en reposo en el puente y mirando hacia el interior; de hecho supuse que debía haber más de un león (uno al principio y otro al final del puente, por ejemplo, delimitando el puente y como vigilando).

    Sigo pensando que no se puede referir a los cuatro leones que hay en las farolas. Ambiguo. Por la descripción que da puede ser uno de los leones que ve o imagina posando majestuosamente en el recinto del zoo".

    Traducción primera (traductor británico):

    El puente de estilo recargado con sus columnas blancas, sus seis farolas de hierro, sus balaustradas, tiene en los extremos plataformas rectangulares como pedestales, sólo que vacíos. En este punto me paré para convocar a mi propio león personal, al que mandé colocarse de guardia.

    Traducción segunda (traductor británico):

    El puente de estilo recargado con sus columnas blancas, sus seis farolas de hierro, sus balaustradas, tiene en los extremos plataformas rectangulares como pedestales, sólo que vacíos. En este punto me paré para convocar a mi propio león personal, al que mandé colocarse de guardia.

    Comentario del traductor británico:

    "No me imaginé que los leones formaban parte de los pedestales".

Párrafo 2

Original:

Already there are wild animals caged there, and right in its centre the roses in their circle are tamed and willing. The lion came off his dry hillside to crouch on St. Mark’s Bridge, facing inwards, a golden beast, his forepaws tucked under an eternal chest, his eyes green and solid, the eyes of a man, but man much more than any we know.

Comentario:

ªLa autora pone en contacto al león representado en la farola con los leones del interior y con los leones de sus recuerdos en África.ª

    Traducción primera (traductor español):

    Hay animales salvajes enjaulados y justo en el centro, en forma de círculo las rosas crecen sumisas y serviciales. El león dejó su seca ladera para agazaparse sobre el puente de San Marcos, mirando hacia dentro, una bestia dorada, las patas delanteras bajo su pecho eterno, ojos verdes y firmes, los ojos de un hombre, mucho más hombre que los que conocemos.

    Traducción segunda (traductor español):

    Hay animales salvajes enjaulados y justo en el centro del parque, en una especie de anillo interior, las rosas crecen sumisas y serviciales. El león dejó su seca ladera para agazaparse sobre el puente de San Marcos, mirando hacia el centro, una bestia dorada, las patas delanteras bajo su pecho eterno, ojos verdes y firmes, los ojos de un hombre, mucho más hombre que los que conocemos.

    Comentario del traductor español:

    ªLa imagen que da es que las rosas, al igual que en los típicos jardines ingleses, están plantadas en espacios delimitados en forma de círculos, formando parte del diseño del jardín. También resulta ambiguo."

    Traducción primera (traductor británico):

    Allí los animales salvajes ya están encerrados en jaulas, y en todo el centro se encuentran las rosas en círculo, domesticadas y sumisas. El león se bajó de su monte seco para acurrucarse en el puente de San Marcos; la bestia dorada miraba hacia adentro, las patas delanteras dobladas debajo del pecho eterno, los ojos verdes y sólidos, los ojos de un hombre, un hombre más hombre que cualquiera que conozcamos.

    Traducción segunda (traductor británico):

    Allí los animales salvajes ya están encerrados en jaulas, y en todo el centro se encuentran las rosas en círculo, domesticadas y sumisas. El león se bajó de su monte seco para instalarse en el puente de San Marcos; una bestia dorada que mira hacia adentro, las patas delanteras ocultadas debajo del pecho eterno, los ojos verdes y sólidos, los ojos de un hombre, un hombre más hombre que cualquiera que conozcamos.

    Comentario del traductor británico:

    "No queda clara en el texto la realidad del Inner Circle y el Outer Circle."

2.2 - Corpus lingüístico


Existen dos tipos de córpora lingüísticos: los generales y los de especialidad. Si entendemos corpus como un conjunto electrónico recopilado de textos hablados o escritos cuya finalidad es algún tipo de análisis lingüístico, los primeros se encargan de recoger todo tipo de géneros y son útiles para describir la lengua de una comunidad. Los corpus especializados, por otro lado, recogen material lingüístico que puede aportar información para la descripción de un área de especialidad o tema en particular.

El contar con un corpus de especialidad en un área determinada permite analizar y observar cuestiones relacionadas con el conocimiento de los expertos en esa especialidad; por ejemplo, podemos mencionar cómo se expresa el especialista y cómo escribe. También se pueden examinar rasgos textuales más refinados como el marcaje.

Corpus electrónicos

Recientemente 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.

Como el texto bajo formato electrónico es mucho más fácil de recopilar y procesar que el impreso, un corpus bajo este tipo de formato suele ser mucho más extenso frente al elaborado en papel. La principal ventaja del formato digital es que puede ser manipulado por un ordenador u otro dispositivo electrónico. Algunos textos se crean directamente en formato electrónico (por ejemplo mediante un editor de textos o un programa reconocedor de voz). Otra ventaja es que se pueden compartir facilmente, ya sea a través de internet o mediante soportes de almacenamiento tales como llaves electrónics (pen drives), CD, … Si se disponen en papel es fácil digitalizarlos mediante programas de reconocimiento óptico de caracteres o programas reconocedores de voz.

Una vez que se ha creado el corpus, un tipo de programas conocidos como herramientas de análisis del corpus son habituales para ayudar el trabajo del traductor humano. Estas herramientas permiten al traductor acceder y mostrar la información contenida en el corpus, en diversas formas aunque siempre es responsabilidad del traductor analizar la información contenida en el corpus.

Finalmente es de destacar que el corpus no es una colección de textos aleatorios. Los textos se seleccionan de acuerdo a criterios explícitos, con la finalidad de ser usados como una muestra representativa de un lenguaje o un subconjunto del lenguaje. Por ejemplo, un traductor que elabora un corpus sobre electrónica, puede considerar la inclusión exclusiva de tópicos bajo la temática a considerar, que son de cierto tipo y en un intervalo de tiempo dado. De esta forma los traductores pueden elaborar diferentes córpora electrónicos para diferentes proyectos.

A su vez se pueden clasificar en base a algunas características generales, por ejemplo pueden ser monolingüe si tiene contenido en una sola lengua, bilingüe, multilingüe. Un corpus bilingüe que contiene texto fuente y su traducción se denomina habitualmente bitexto, aunque el término más habitual es corpus paralelo, que se puede emplear para describir colecciones bilingües y multilingües. Desafortunadamente hay alguna confusión con la palabra “paralelo”. Los textos escritos paralelos que usan convencionalmente los traductores consisten en textos que tienen la misma función comunicativa que el texto fuente, pero que están escritos originalmente en el lenguaje de destino; en otras palabras, no son traducciones del texto fuente, sino que son textos del mismo tipo y semejante tópico. Por otra parte corpus paralelo consiste de un texto fuente alineado con su traducción. El concepto de alineamiento es muy importante y se considerará más adelante.

Otros tipos de córpora incluyen los monolingües comparables y los bilingües comparables. Los primeros 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. Este tipo de corpus es habitual para investigadores interesados en estudiar la naturaleza del texto traducido, sin embargo es menos habitual en la práctica habitual de un traductor profesional. Los segundos son similares a los textos paralelos escritos por los traductores, ambas partes del corpus contienen texto del mismo tipo y sobre temática semejante, pero una parte contiene texto originalmente escrito en lengua A, mientras que la otra colección lo contiene en lengua B. Como las dos colecciones no tienen una relación texto fuente-texto destino, no se pueden alinear.

Por lo tanto, a pesar de que un corpus comparable bilingüe contiene potencialmente una gran riqueza de información útil para los traductores, es muy difícil de identificar y recuperar las secciones relevantes del texto de modo semiautomático. Una gran parte de la investigación se lleva a cabo en relación con el desarrollo y explotación de corpus comparables monolingües y bilingües, por lo que no pasará mucho tiempo antes de que las herramientas para ayudar a los traductores a explotar estos recursos estén disponibles de forma habitual.

2.3 - Herramientas de análisis de corpus


Aunque hay algunas diferencias entre corpus impreso y electrónico, en muchos aspectos, el uso de un corpus electrónico no es tanto una salida radical frente a la utilización de un corpus impreso, sino un refinamiento que permite a los traductores aprovechar las ventajas ofrecidas por los medios de comunicación electrónicos. Para hacer esto, los traductores necesitan tener acceso a herramientas informáticas que les ayudarán a manipular e investigar el contenido del corpus. Estas herramientas permiten a los usuarios acceder y visualizar de forma útil la información contenida dentro de un corpus.

La mayoría de las herramientas de análisis de corpus por lo general incórporan una serie de características útiles que permiten a los usuarios generar y manipular la frecuencia de palabras, listas, concordancias y colocaciones. Estas características se describirán a continuación. También merece la pena señalar que muchas de las herramientas de análisis de corpus no fueron desarrollados específicamente para los traductores. Inicialmente, dichas herramientas fueron destinadas a ser utilizadas por los profesionales de otros idiomas, incluidos los docentes de lengua extranjera y lexicógrafos. Sin embargo, son cada vez más populares entre los traductores y terminólogos, principalmente debido a que permiten a los usuarios tener acceso a los datos de frecuencia y ver los términos en una variedad de contextos al mismo tiempo, características que los diccionarios y corpus impresos no pueden proporcionar.

2.3.1 - Listas de frecuencia de palabras

La característica más básica proporcionada por una herramienta de análisis de corpus es una lista de frecuencia de palabras, que permite a los usuarios descubrir la cantidad de palabras diferentes en un corpus y con qué frecuencia aparece cada una. Estas dos figuras se conocen como tipos y fichas (tokens). Para fines ilustrativos, supongamos que un corpus consiste en la siguiente frase:

La traducción me gusta mucho, porque creo que la traducción es realmente divertida

Esta frase contiene un total de trece palabras, por lo tanto, el corpus contiene trece tokens o fichas. Sin embargo, algunas de las palabras aparecen más de una vez (la, traducción), por lo tanto, el corpus contiene sólo once palabras diferentes, y estos se conocen como tipos. En la lista de frecuencia de palabras, los tipos se presentan en una lista y el número de fichas (el número de veces que aparece la palabra) se muestra junto al tipo. Esto se ilustra en la siguiente tabla.

la 2
traducción 2
me 1
gusta 1
mucho 1
porque 1
creo 1
que 1
es 1
realmente 1
divertida 1

La lista de frecuencia de palabras se puede presentar de diferentes maneras. Pueden ser clasificadas con distintos órdenes, incluyendo el orden de aparición en el corpus, orden alfabético y orden de frecuencia, además estas listas se pueden organizar en orden ascendente o descendente. Por lo tanto, la lista de palabras puede ser dispuesta en al menos seis formas diferentes. El corpus de una sola frase, utilizado en el ejemplo anterior es sólo para fines ilustrativos - habitualmente un traductor no necesitará utilizar una herramienta informática para analizar una sola frase. Normalmente, un corpus es mucho más grande - a menudo del orden de cientos de miles o incluso millones de palabras. En tales casos, la ventaja de tener un equipo informático para ayudar a contar y clasificar queda claro. Además de contar la frecuencia de las palabras, las herramientas de análisis de corpus realizan el cálculo de la proporción de tipos respecto fichas. Algunas herramientas de análisis de corpus también pueden medir el número de frases y párrafos en el corpus y calcular la longitud promedio de palabras, frases y párrafos. Este tipo de información puede ayudar a los traductores a evaluar algunos de los rasgos estilísticos de los textos del corpus.

2.3.1.1 - Listas lematizadas

Algunas herramientas permiten tipos más sofisticados de manipulaciones, tales como la creación de listas lematizadas. Una simple lista de frecuencia de palabras puede procesar formas individuales de palabras. Esto significa que las palabras "traducir", "traduce" y "traducido" son tratadas como formas separadas, a pesar de que están relacionadas (son todas inflexiones del verbo "traducir"). A veces, puede ser útil para un traductor con el objetivo de poder agrupar las palabras relacionadas para obtener un recuento de la frecuencia combinada para el grupo de palabras en lugar de cuentas separadas para cada forma de palabra individual. El término "lema" se utiliza normalmente para describir una palabra que engloba y representa a todos las formas conexas. La siguiente tabla contiene un extracto de los veinte tipos más frecuentes (de un total de 29 589 tipos) de un corpus que contiene 183 832 fichas. Al observar a una lista de frecuencias, los usuarios pueden obtener rápidamente una idea general aproximada del corpus.

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


Si este mismo extracto va a ser lematizado, como se muestra en la siguiente tabla, las palabras relacionadas se agrupan bajo un lema. El número total de palabras del lema se muestra en la columna de la derecha y los recuentos de frecuencias para las palabras individuales que pertenecen al lema se muestran entre paréntesis.

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


Una de las dificultades que pueden surgir cuando se lematiza una lista de palabras de forma automática es el caso de los homógrafos. Un homógrafo es una palabra que se escribe igual que otra palabra, pero tiene una parte diferente de la palabra. Por ejemplo, la palabra "test" puede ser un sustantivo (por ejemplo, "The students wrote the test, los estudiantes realizaron la prueba") o un verbo (por ejemplo, "The teacher decided to test the students, el maestro decidió poner una prueba a los estudiantes"). Para algunos propósitos, puede no ser deseable incluir homógrafos en el mismo lema, sin embargo, para que el equipo sea capaz de distinguir estas formas diferentes, es necesario disponer de un corpus que es anotado como parte de la información del discurso.

2.3.1.2 - Listas de parada

Otro tipo de lista es una lista especializada de parada (stop), que contiene todos los elementos que el usuario desea que el equipo informático ignore. Por ejemplo, los traductores están habitualmente más interesados en las palabras que tienen un contenido semántico y están menos interesados ​​en las palabras con una función gramatical, como artículos, conjunciones y preposiciones (en algunas lenguas pueden alcanzar el 30% de un texto). Si se genera una nueva lista de frecuencia de palabras para el mismo corpus, pero esta vez utilizando una lista de parada para ignorar las palabras con función gramatical, el extracto de los veinte principales palabras cambiará, como se ilustra en la tabla. Esta nueva lista de frecuencia deja claro que el tema del corpus en cuestión son los virus informáticos (en comparación con los virus que trata la medicina).

virus 366
is 346
it 224
antivirus 209
are 200
viruses 197
be 179
network 151
you 148
your 138
can 133
email 126
we 125
have 120
software 115
files 109
not 109
said 102
security 93
products 90


Evidentemente, la elección de la forma de ordenar las listas y la decisión sobre si utilizar o no una lista lematizada o una lista de parada depende de la naturaleza de la información que el usuario está buscando en un momento dado. Ninguna decisión es irreversible: los datos se pueden ordenar y ser reordenados, la lematización puede ponerse en práctica y retirarse, y las listas de parada se pueden añadir, modificar o eliminar. Resulta simple elaborar este tipo de listas de parada para el idioma inglés, sin embargo, para lenguas como el español este proceso se complica debido a la inexistencia de corpus y estudios estadísticos adecuados sobre la lengua.

2.4 - Concordancias


Los traductores no sólo tienen que ser capaces de entender el texto original, sino que además tienen que producir un texto de destino. Herramientas tales como diccionarios son muy útiles para la comprensión, pero con el fin de ser capaces de determinar cómo se pueden utilizar los términos, es más útil verlos en su contexto, y preferiblemente, en más de un contexto. Una segunda característica que es común a la mayoría de los análisis de corpus es una herramienta de concordancia. Algunas concordancias operan en los textos monolingües, mientras que otras funcionan en los textos bilingües, los cuales se describen por separado.

2.4.1 - Concordancias monolingües

Una concordancia es una herramienta que recupera todas las ocurrencias de un patrón de búsqueda en particular en sus contextos inmediatos y los muestra en un formato fácil de leer. Algunas concordancias operan buscando a través de todo el corpus de principio a fin cada vez que se entra un patrón de búsqueda. Otros trabajan creando primero un índice de todas las palabras en el corpus junto con un registro de la ubicación de cada ocurrencia (por ejemplo, número de línea), como se ilustra a continuación de este párrafo. El índice debe ser creado antes de realizar cualquier búsqueda en un corpus dado, pero una vez creado, puede ser consultado en todas las búsquedas posteriores de elementos en ese corpus.

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


La ventaja de una búsqueda de texto completo es que no se requiere preprocesamiento y el corpus se puede modificar fácilmente (por ejemplo, los textos pueden ser añadidos o eliminados), sin embargo, cuanto mayor sea el corpus, una búsqueda precisará demasiado tiempo. En contraste, la búsqueda indexada requiere la preparación de un índice previamente, pero una vez que el índice se ha creado, las búsquedas pueden llevarse a cabo con relativa rapidez, incluso si el cuerpo es muy grande. Sin embargo, si se realiza algún cambio en el corpus, como añadido o eliminación de un texto, debe ser creado un nuevo índice.

Una vez que la búsqueda se ha realizado, los resultados se muestran para el usuario. El formato de visualización más común se conoce como visualización KWIC ("palabra clave en el contexto"). El término fue acuñado por primera vez por Hans Peter Luhn, el sistema se basa en un concepto llamado "palabra clave en los títulos" que se propuso por primera vez para las bibliotecas de Manchester (Reino Unido) en 1864 por Andrea Crestadoro. En una pantalla KWIC, todas las apariciones del patrón de búsqueda están alineadas en el centro de la pantalla. El alcance del contexto a cada lado del patrón de búsqueda es variable y a menudo puede ser especificado por el usuario.

Un programa "en línea" es Concordancier-corpus français (v.5), de la Université du Québec à Montréal, se puede acceder a través de la dirección https://www.lextutor.ca/concordancers/concord_f.html, seguidamente se muestra el resultado de concordancias para la palabra "Lait". La configuración usada también se visualiza.

Ejemplo de concordancia para el término Lait en francés

Al igual que con las listas de frecuencia de palabras, estos contextos pueden ser ordenados en una variedad de formas, como el orden de aparición en el corpus, o por orden alfabético de acuerdo a las palabras anteriores o posteriores al patrón de búsqueda.

Las visualizaciones de pantallas KWIC no son el único tipo de visualización disponible. A menudo, el traductor tendrá que ver a un contexto más amplio, y se pueden generar concordancias que permiten navegar por la oración, párrafo, e incluso la totalidad del texto.

Además de la búsqueda exacta de la cadena, por lo general permiten patrones de búsqueda más sofisticadas, lo que posibilita funciones tales como búsquedas sensibles a mayúsculas y minúsculas (por ejemplo, para distinguir entre el "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"), y búsquedas con operadores booleanos (por ejemplo, AND, OR, NOT) u otras expresiones regulares. Otro tipo de búsqueda se puede dar en un contexto, en el que otro término debe aparecer dentro a una distancia, especificada por el usuario, del patrón de búsqueda (por ejemplo, los contextos en los que "impresora" aparece dentro de los cinco palabras en las proximidades de "cartucho").

Independientemente del tipo de patrón de búsqueda introducido, el beneficio del uso de líneas de concordancia como una fuente de evidencia lingüística es que revelan el contexto en el que se encuentran las ocurrencias individuales de palabras. Las opciones para ordenar y mostrar los datos pueden facilitar el proceso de observar y distinguir patrones de comportamiento lingüístico.

2.4.2 - Concordancias bilingües

Una concordancia bilingüe es una herramienta que puede utilizarse para investigar el contenido de un corpus paralelo. Como se describió previamente, un corpus paralelo es un corpus que contiene una colección de texto fuente en lenguaje A alineado con su traducción al lenguaje B. Alineamiento es el proceso mediante el cual las secciones del texto de origen se vinculan con sus correspondientes traducciones. El alineamiento puede tener lugar en muchos niveles diferentes: texto, párrafo, oración, frase, subfrase, o incluso palabra. La mayoría de concordancias bilingües alinean los textos ya sea en el nivel de párrafo o de oración. Las alineaciones a nivel de texto son de muy de alto nivel para ser útiles para ayudar a los traductores a encontrar una equivalencia de una expresión particular, mientras que la alineación a nivel de palabra es muy difícil y propenso a errores debido a la falta de correspondencia de uno a uno entre la mayoría de los lenguajes naturales. Algunas concordancias bilingües más recientes, sin embargo, emplean medidas estadísticas con el fin de tratar de identificar posibles equivalentes de los términos de búsqueda específicos.

Algunos programas tratan de hacer la alineación "on the fly" (durante la generación de concordancias bilingües), pero la mayoría de los programas separan los procesos de adaptación y generación de concordancia bilingües. Para la alineación de frases, se puede utilizar una herramienta de alineación automática, sin embargo, esto no es una tarea trivial, como cabría esperar. Existen algunas limitaciones, y los resultados dependen de la idoneidad de los textos para el alineamiento. Para lograr los mejores resultados, los textos fuente y destino deben estructura similar si no idéntica. El nivel más básico de funcionamiento de una herramienta de alineación automática es ir a través de los textos de forma secuencial, que une la primera frase del texto original con la primera frase del texto de destino, a continuación, enlazar la segunda frase del texto de origen con la segunda frase del el texto de destino, y así sucesivamente. Una dificultad que puede surgir es el problema de identificar el final de una frase. Por ejemplo, no todas las comas representan el final de una frase (un caso, las comas que siguen a abreviaturas como la de señora (Sra.,), o puntos decimales en números). Otros problemas incluyen casos en los que una frase en el texto original ha sido traducida a dos frases en el texto de destino, o viceversa.

Como las concordancias monolingües, las bilingües recuperan todas las ocurrencias de un patrón de búsqueda particular en sus contextos inmediatos. La mayoría de concordancias bilingües son bidireccionales, lo que significa que el patrón de búsqueda se puede introducir en cualquier lenguaje A, B, independientemente de cual sea el idioma fuente original. Algunas herramientas también permiten consultas bilingües en las que los términos de búsqueda son entre concordancias bilingües bidireccionales, lo que significa que el patrón de búsqueda puede ser entrado de forma simultánea en ambos idiomas. Muchas de las opciones de búsqueda disponibles en concordancias monolingües también están disponibles en concordancias bilingües (por ejemplo, las búsquedas con comodines). Una vez recuperada, las concordancias se suelen mostrar como segmentos formados por pares de frases o párrafos (dependiendo del nivel de la alineación implementada). Las secciones alineadas típicamente se muestran ya sea una junto a otra o una encima de la otra, como se muestra al final de este párrafo. También se pueden ordenar en forma similar a concordancias monolingües (por ejemplo, alfabéticamente de acuerdo con la palabra anterior o posterior al patrón de búsqueda).

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.

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

Debido a que las concordancias se muestran en las tablas previas han sido alineadas a nivel párrafo y nivel oración, respectivamente, el programa pone de relieve el patrón de búsqueda en el lenguaje de búsqueda y recupera el correspondiente segmento en la lengua destino. No resalta la palabra en la lengua de destino que corresponde al patrón de búsqueda, ya que la alineación no es palabra por palabra, sino a nivel de párrafo o frase. Es aquí cuando el traductor lee el segmento correspondiente y de forma manual identifica el equivalente para una traducción precisa. Nótese también que mientras que el patrón de búsqueda recuperado es siempre el mismo, el equivalente de traducción puede variar. Por ejemplo, como se muestra en la segunda tabla, las concordancias de "clean*", los únicos casos que coinciden con el patrón de búsqueda especificado se han recuperado. Instancias que corresponde a un sinónimo de "clean", como "tidy", no se van a recuperar. Sin embargo, en contraste, los equivalentes de traducción no necesariamente siguen un patrón uniforme. Por lo tanto, en los segmentos que han sido recuperados, los equivalentes de traducción para "clean*" incluyen "nettoyer", "supprimer", "effacer", y "nettoyage".

Algunas concordancias bilingües han tratado de implementar características más sofisticadas. Por ejemplo, algunas herramientas tratan de identificar específicamente posibles equivalentes mediante el uso de medidas estadísticas. Por ejemplo, si el término de búsqueda "disk" se introduce con el Inglés como idioma de búsqueda, el proceso de concordancia bilingüe recupera todas las frases en las que aparece "disk", junto con las oraciones de destino correspondientes. La herramienta analiza los segmentos emparejados en un esfuerzo por determinar qué palabra(s) en las frases de destino aparecen con una frecuencia similar a la de "disk" en los segmentos de código fuente. Al usuario se le presentará una lista de candidatos que pueden ser potencialmente equivalentes. Por ejemplo, después de analizar todos los segmentos pares que fueron recuperados con el término de búsqueda "disk", el gestor de concordancias podrá proponer una lista de candidatos equivalente, que incluye los términos franceses "disque", "disquette", y "lecteur". El usuario puede seleccionar uno de estos candidatos y acceder a ver una pantalla KWIC. En este caso, la concordancia KWIC para los segmentos en inglés se muestra en la mitad superior de la pantalla y la concordancia KWIC para los segmentos en francés se muestra en la parte inferior de la pantalla, como se muestra en la tabla siguiente. Identificadores de segmento (por ejemplo, <46>, ) se puede utilizar para indicar que segmentos de la lengua origen están emparejados con segmentos del lenguage destino.


S10 The disk is full
S17 A disk error has occurred during 1 write ope
S29 The disk is write-prutocted.
S33 Your hard disk is full or you may not have permis
S39 An unexpected disk storage error has occurred.
S46 r programs, check for disk space on the drive you are saving to a
S66 A disk error occurred and you cannot open chi
S73 Make sure the disk is not full or wrlte-protected and tha
S79 deleted to make more disk space available.
S94 The disk media is not recognised.
S96 There is not enough disk space available on your computer to cr
S98 eure there is enough disk space available on the drive.
S10 le disque est saturé.
S17 Une errour de disque s'est produite lors d'une opération
S29 Le disque est protégé en écriture
S33 Votre disque dur est peut-être saturé ou vous n'a
S39 nduo se rapportant au disque de stockage s'est produite.
S46 et vérifiez l'espace disque où vous voulez enregistrer votre fic
S66 s'est produits sur le disque et vous ne pouvez pas ouvrir ce fich
S73 Vérifiez que 1e disque n'est pas plein ou prótéqe en écritu
S79 libérer de l'espace disque .
S94 Le disque support n'est pas reconnu.
S96 Espace disque insuffisant pour créer l'index sur v
S98 urez vous de l'space disque du lecteur.


Una ventaja de este tipo de búsqueda y visualización en pantalla es que los segmentos texto fuente y texto destinos se pueden ordenar de forma independiente para revelar patrones en ambos idiomas. Por ejemplo, los segmentos de código texto fuente pueden ser ordenados alfabéticamente de acuerdo a la palabra que sigue a la palabra de búsqueda, mientras que los segmentos de texto destino podrían ordenarse alfabéticamente de acuerdo a la palabra que precede a la palabra de búsqueda. Como se muestra seguidamente, en la ventana del idioma de origen (por ej. inglés), las ocurrencias de la palabra "disk" se han ordenado alfabéticamente de acuerdo con la siguiente palabra, que revela los patrones como "disk error" y "disk space". Mientras tanto, en la ventana de la lengua destino (por ej. francés), las ocurrencias del equivalente seleccionado "disk" han sido ordenados alfabéticamente de acuerdo a la palabra anterior, lo que revela el patrón de "espace disque". A pesar de que los segmentos en las dos ventanas ya no coinciden cronológicamente (por ej., el primer segmento que aparece en la ventana texto fuente ordenado, no es la traducción equivalente del primer segmento que aparece en la ventana de la lengua destino odenado), los usuarios pueden referirse a los números del segmento identificador para establecer qué segmentos pertenecen a la misma unidad de traducción.

S17 A disk error has occurred during a write oper
S66 A disk error occurred and you cannot open thi
S10 The disk is full
S29 The disk is write-protected
S73 Make sure the disk is not full or write-protected and tha
S33 Your hard disk may be full or you may not have permis
S94 The disk media is not recognized.
S46 programs, check for disk space on the drive you are saving to a
S79 deleted to make more disk space available.
S96 There is not enough disk space available on your computer to cr
S98 sure there is enough disk space available on the drive.
S39 An unexpected disk storage error has occurred.
S39 ndue se rapportant au disque de stockage s'est produite
S17 Une erreur de disque s'est produite lors d'une operation
S96 Espace disque insuffisant pour creer l'index sur v
S46 et verifiez l'espace disque on vous voulez enregistrer votre tic
S79 r liberer de l'espace disque.
S98 urez-vous de l'espace disque du lecteur.
S10 Le disque est saturé.
S29 Le disque et protégé en écriture,
S66 s'est produite sur le disque et vous ne pouvez pas ouvrir ce fich
S73 Verifiez que le disque nest pas plein ou protégé en ecritu
S94 Le disque support nest pas reconnu.
S33 Votre disque dur est peut être saturé ou vous n'a

Otro tipo de búsqueda bilingüe ofrecida por algunos programas de concordancias es una consulta bilingüe en la que el usuario puede especificar un término de búsqueda en ambos idiomas. En este caso, el programa va a recuperar y mostrar sólo las unidades de traducción que contienen ambos términos de búsqueda. Por ejemplo, si el usuario ejecuta una consulta bilingüe para el término inglés "drive" y el término francés "lecteur", el equipo recuperará sólo las unidades apareadas en las que el término "drive" aparece en el segmento de inglés y el término "lecteur" aparece en el segmento francés, como se ilustra seguidamente. Este tipo de consulta es útil para comprobar si una traducción dada es o no adecuada.

The system cannot find the drive specified. Lecteur introuvable
Close other programs check for disk space on the drive you are saving to and on the drive containing you folder, and the save again. Fermez d'autres programmes et verifiez l'espace disque où vous voulez enregistrer votre fichier, et le lecteur où se trouve le dossier, puis réengistrez votre travail.
Make sure there is enough disk space available on the drive that containts you folder. Assurez-vous de l'espace disque du lecteur contenant le dossier.
Available space on drive: 23 MB. Espace disponible sur le lecteur: 23 Mo.
The drive "Y" is not valid. Le lecteur "Y" n'est pas valide.
Enter a valid drive letter. Tappez une lettre de lecteur valide.
The selected disk drive is not in use. Le lecteur sélectionné n'est pas en service.
The floppy disk in drive A is not formatted. Le disquette dans le lecteur A n'est pas été formatée
Drive Y does not exist or is not accesible. Le lecteur Y n'existe pas ou n'est pass accesible
Make sure you entered the correct drive Vérifiez que vous avez tapé le bon nom de lecteur

A diferencia de una consulta monolingüe (una consulta en la que se introduce un término de búsqueda en una sola de las dos lenguas), en una consulta bilingüe el programa de concordancias puede no recuperar todas las instancias de ese término individual. Por ejemplo, como se muestra a continuación, los siguientes pares de traducción no se pueden recuperar mediante la consulta bilingüe "drive" / "lecteur" debido a que ambos términos no están presentes.

Make sure there is enough space available on the hard drive Assurez-vous de l'espace du disque dur.
The selected optical reader is not in use. Le lecteur optique sélectionné n'est pas en service

2.5 - Colocaciones


Muchas herramientas de análisis de corpus también tienen capacidad para calcular las colocaciones, que son patrones característicos de coocurrencias de las palabras. En pocas palabras, las colocaciones son generalmente consideradas como palabras que "van de la mano" o se "encuentran en compañía de otra." Una descripción más técnica es que las colocaciones son las palabras que aparecen juntas con una mayor probabilidad que si fuera debido al azar. Porque el lenguaje no es aleatorio, ciertas palabras tienden a juntarse (clusters), y algunos de estos grupos forman colocaciones. Los generadores de coubicación en herramientas de análisis de corpus, por lo general determinan si dos palabras son colocaciones, mediante la comparación de los patrones actuales de coocurrencia de pares de palabras frente los patrones que se podrían haber esperado si las dos palabras se distribuyeran aleatoriamente a lo largo del texto.

Una fórmula comúnmente utilizada para determinar la probabilidad de que dos palabras sean colocaciones es una fórmula de información mutua (MI). La puntuación de MI entre cualquier par de palabras dadas compara la probabilidad de que dos palabras que aparecen juntas como una unidad (debido a que "van de la mano") frente a la probabilidad de que su coocurrencia sea simplemente un resultado del azar. Por ejemplo, en la frase "The virus signature has not been recorded," las palabras "virus" y "signature" se presentan juntas, ya que son parte de una unidad multipalabra. Por el contrario, en la frase "The virus that is on my computer is destructive,", las palabras "virus" y "that" se presentan juntas, pero no lo hacen bajo ninguna relación especial; su yuxtaposición es más un resultado del azar. Si dos palabras están fuertemente conectadas, tendrán una puntuación MI alta. Si tienen un nivel bajo de coocurrencia - aparecen por separado con más frecuencia que juntas- su puntuación MI será baja (posiblemente incluso negativa). Esto significa que los pares con niveles altos de MI son más propensos a ser colocaciones que las palabras con puntuaciones MI bajas. Hay, sin embargo, algunos inconvenientes asociados con la fórmula MI. En primer lugar, se asume que las palabras se producen en diferentes eventos totalmente independientes, mientras que la lengua está en realidad llena de dependencias (por ejemplo, debido a los requisitos gramaticales). En segundo lugar, MI requiere un número mínimo de coocurrencias (por lo general alrededor de cinco) dentro de un corpus con el fin de ser válida.

Una vez calculadas, las colocaciones se pueden mostrar en orden alfabético o de frecuencia en el ranking que muestra la palabra nodo (el patrón de búsqueda) y las posiciones a la izquierda y derecha del nodo en el que las colocaciones se producen. Las colocaciones no necesariamente aparecen lado por lado, a veces hay una o más palabras que intervienen. Muchos generadores de colocación puede calcular colocaciones que se encuentran dentro de un rango especificado por el usuario. Por ejemplo, como se ilustra en la siguiente tabla, además de aparecer en la posición inmediatamente antes o después del nodo de búsqueda, una colocación puede aparecer varios lugares a la izquierda o a la derecha.

3 2 1 1 2 3
Colocaciones de "infected" Posición izda. nodo Posición izda. nodo Posición izda. nodo Posición dcha. nodo Posición dcha. nodo Posicion dcha. nodo
file 26 1
attachment 11 3
clean 1 4 7
document 7 3
disk 6 1 1
system 5 2 1


La tabla mostrada a continuacióm proporciona ejemplos de patrones en los que la colocación aparece yuxtapuesta con el nodo "infectado" así como el patrón donde la colocación se separa del nodo por una o más palabras intermedias.

Apuntes Informática Aplicada a la Traducción e Interpretación. Colocaciones


2.6 - Anotación y marcas


El proceso del corpus que se ha descrito se ha descrito usando córpora "crudos". Sin embargo, es posible codificar información adicional en el corpus, y esta información puede ser de naturaleza lingüística o no lingüística. Esta adición de información lingüística se conoce habitualmente como anotación mientras que la adición de información no lingüística se conoce habitualmente como marcado de corpus. La decisión acerca de cuando un corpus debe ser o no anotado y/o marcado depende del proyecto bajo consideración. Se considerará brevemente puesto que puede involucrar el uso de herramientas automáticas.

Un tipo popular de anotación lingüística se conoce como "anotación sintáctica", en la que cada palabra en el corpus tiene su parte asociada de la palabra especificada con las etiquetas. Desafortunadamente no hay un estándar para las etiquetas Como se muestra en la siguiente tabla, algunas etiquetas son notaciones muy generales como por ejemplo "verbo", "nombre", mientras que otras son más específicas como "verbo imperativo", "sustantivo plural común". Los signos de puntuación también se pueden considerar análogamente.

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


Se puede tardar demasiado tiempo en añadirlas manualmente, aunque existen programas de ordenador denominados taggers que pueden efectuar el proceso automáticamente. La mayoría de estos programas alcanzan una precisión del 95 %, que es razonable para muchos propósitos. Sin embargo 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.

Otro tipo de de anotación lingüística, conocido como anotación semántica, se puede usar para distinguir entre los distintos significados de una palabra. Se llaman homónimas las palabras que muestran el mismo aspecto pero que tienen distinto significado al aparecer en contextos diferentes. Por ejemplo "banco" hace referencia a: 1) institución financiera o 2) Conjunto de peces que van juntos en gran número. Se debe utilizar una anotación semántica (por ej.: banco1 frente banco2) para distinguir entre los diferentes sentidos de una palabra.

La ventaja de disponer de un corpus con anotación lingüística es que permite a los usuarios focalizarse en sus búsquedas más estrechamente. Por ejemplo, un traductor podría desear recuperar todas las apariciones de la palabra "test" cuando aparece como verbo, pero no como sustantivo, o todas las instancias de la palabra "banco" cuando aparece en el sentido 1 pero no en el sentido 2. Dichos patrones de recuperación podrían no ser posibles en un corpus sin anotaciones.

Una forma de añadir información no lingüística a un corpus puede realizarse marcando las diferentes secciones estructurales del texto (por ej.: título, subtítulo, sentencia, párrafo sección, capítulo). De esta forma es posible preguntar al ordenador para recuperar apariciones de un patrón dado de búsqueda, por instancia como puede ser el título del texto. Otra información no lingüística que se puede añadir al corpus son: fecha de publicación, tipo de texto, campo de temática, autor de la traducción y otros detalles relacionados. Esta información se ha de añadir manualmente.

La ventaja de un corpus sin añadidos manuales (raw) es que es fácil y rápido de elaborar. Las anotaciones y marcas requieren una gran inversón inicial de tiempo, aunque posibilitan las búsquedas más específicas. Si se tiene en mente el proceso más rápido y general, es habitual que se use el proceso a partir de un texto, mediante escaneado, alineamiento, tagging; aunque el resultado tiene batante probabilidad de incórporar errores de forma que se hace imprescindible la posterior depuración manual.

2.7 - Beneficios y desventajas de trabajar con herramientas de análisis del corpus


Las herramientas de análisis del corpus se han usado desde hace tiempo por los profesionales del lenguaje, tales como profesores de lenguas extranjeras, lexicógrafos y traductores. Su empleo se ha incrementado progresivamente dadas las ventajas de dichas herramientas. Sin embargo las ventajas deben ser contrastadas cuidadosamente frente a las desventajas antes de tomar una decisión sobre el uso de una de estas herramientas.

2.7.1 - Frecuencia de datos

Las frecuencias de los datos no son fáciles de obtener de fuentes tales como diccionarios, o textos paralelos impresos, sin embargo con las herramientas de análisis del corpus se logran facilmente. En un contexto de traducción, pueden ayudar a los traductores a determinar que palabras parece que son las más importantes en el corpus, sobre la base de su frecuencia, y los traductores pueden comparar las frecuencias de las distintas palabras Por ejemplo, un traductor puede usar una lista de frecuencias para determinar si un término que aparece es usado habitualmente por expertos en el campo bajo consideracion o puede ser una preferencia idiosincrática de un pequeño grupo de usuarios. De forma análoga, cuando el traductor se enfrenta a una elección de dos o más sinónimos, el traductor puede consultar una lista de frecuencias par encontrar los términos más habituales. La frecuencia no siempre es suficiente para determinar si un término dado es apropiado, los datos generados por la lista de frecuencias deben ser investigados posteriormente mediante otros hechos de las herramientas de análisis del corpus tales como concordancias y generadores de colocación.

2.7.2 - Contexto

Una de las mayores ventajas de las herramientas de análisis del corpus es que permiten al traductor ver términos en una variedad de contextos simultáneos, lo que permite detectar varios tipos de lingüística y patrones conceptuales, que a veces son difíciles de percibir con recursos impresos aislados. Es importante enfatizar de nuevo que aunque estas herramientas presentan la información de forma que es más fácil de analizar actualmente la tecnología no posibilita ningún análisis, es el traductor quien ha de interpretar los datos.

2.7.3 - Disponibilidad y derechos de copia (copyright)

Las herramientas de análisis de corpus habitualemnte no incluyen córpora, es le traductor quien ha de compilar un corpus adecuado a sus necesidades. En función de la lengua, temática y tipo de texto bajo consideración, puede ser relativamente fácil o dificil lograr un corpus que sirva adecuadamente al proceso. En el caso de córpora monolenguaje hay una cantidad de información considerable sobre una gran variedad de temas y un amplio rango de tipos de texto. Sin embargo si el traductor está trabajando con una lengua minoritaria y una temática muy especializada, puede ser muy dificil que encuentre textos para elaborar el corpus. Otro aspecto a considerar es la legalidad de los textos, debido a cuestiones de derechos de autor o éticas. Además como a través de internet hay gran cantidad de textos disponibles en muchas lenguas y procedentes de diversos países, puede ser complejo el saber las leyes aplicables en función de la nación origen del texto o donde está publicado.

2.7.4 - Preprocesado

Los distintos programas disponibles operan con diferentes formatos de los ficheros, de forma que es frecuente que se precise la conversión del corpus al formato que pueda gestionar la herramienta de análisis de corpus que use el traductor. Muchos programas admiten texto plano codificado ASCII, que no suele ser problemático, pues la mayoría de aplicaciones informáticas permiten guardar la información bajo ese formato. sin embargo a veces se dan problemas con letras acentuadas y algunos caracteres específicos de alguna lenguas, como por ejemplo Ñ, ñ, ¿, ¡ en español.

2.7.5 - Cuestiones de velocidad y recuperación de la información

Una vez que un corpus se ha compilado, una ventaja es que el traductor puede trabajar más rapidamente con medios electrónicos que impresos. Esto significa que si se ha de consultar un gran número de documentos, el proceso será mucho más rápdo utilizando herramientas de análisis del corpus quelogran que el usuario se centre en su búsqueda, permitiendo el acceso a información relevante directamente, sin necesidad de leer el documento de forma lineal. Las herramientas no son inteligentes, por lo que habitualmente se presentan algunos problemas como "silencio" y "ruido". En el primer caso, un patrón que es de interés para el traductor no se recupera debido a que el patrón de búsqueda no se ha expresado adecuadamente; por ejmplo si se usa el patrón de búsqueda "go*" no aparecerá la forma del verbo "to go", aunque si aparecerán "go", "goes", "going" y "gone", pero tampoco recuperará "went". Para reducir al mínimo estos problemas los traductores deben refinar al máximo sus patrones d ebúsqueda y adaptarlos esoecíficamente para cada lenguje. Otros potenciales problemas son los homónimos y homógrafos.

2.7.6 - Conjuntos de caracteres y dificultades relacionadas con el lenguaje

Algunas dificultades técnicas pueden deberse al trabajo con ciertas lenguas. No todas las herramientas de anáĺisis del corpus están equipadas cn el conjunto de caracteres de todas las lenguas posibles. Mientras que muchos lenguajes indoeuropeos se pueden procesar sin dificultad, algunas herramientas no pueden gestionar lenguajes que no se basan en en el alfabeto Romano tales como Árabe, Griego, Ruso y Hebreo. Los lenguajes asiátios tales como Chino, Japonés y Coreano presentan más dificultades. Mientras que los caracteres es habitual que se almacenen en un byte (octeto), los orientales debido a su compeljidad precisan dos, es lo que se llama un conjunto de caracteres DBCS. Desgraciadamente mucho programas no permiten el uso de esta codificación, por lo que excluyen a dichas lenguas. La solución es la codificación Unicode, que progresivamente se está implantando.

2.7.7 - Aspectos económicos

La mayor parte de herramientas de análisis del corpus tiene un precio razonable para un profesional de la traducción. Además no se requiere un ordenador muy potente para su intalación y uso, a excepción de un disco duro de elvada capacidad si se manejan muchos córpora.



Apuntes teoría


Apuntes prácticas


Website Translation Widget