| Last month | Last 3 months | All time | |
|---|---|---|---|
| Completed lessons | 0 | 0 | 0 |
| Attendance rate | 100% | 100% | 100% |
Algo profesional (2/2)
Sigo con la segunda parte 2/2:
Por eso fuimos en busca de una solución propia. Modificamos a Ocular, nuestro sistema de ROC preferida, para producir automáticamente y simultáneamente ambas transcripciones diplomáticas y normalizadas. El primer intento, que se publicará en los procedimientos del NAACL2016, descubre automáticamente los modelos de variaciones ortográficas que aparecen en el texto. Damos a la sistema unos ejemplos de texto moderno, como por ejemplo documentos del proyecto Gutenberg, y el sistema los usa para identificar diferencias entre el uso moderno y el de los documentos antiguos. En el ejemplo aquí, el sistema ha aprendido que cuando hay un tilde sobre una vocal, significa que una m o n ha sido borrada. También reconoce que se puede sustituir el c moderna por la q, o la v por la u y que las palabras apro y uecha son dos partes de la misma palabra (a pesar de la guión ausente). Además el ejemplo muestra unas equivocaciones de Ocular, como pro ejemplo la p que imprimió en lugar de una u en la transcripción diplomática.
A pesar de las equivocaciones, nos parece que la sistema puede ser útil. La producción simultánea de ambas formas de transcripción mejora la precisión de las dos, porque la versión diplomática se beneficia de la nueva información recogida del texto moderno mientras que la versión moderna se libera de su dependencia de la precisión de una transcripción previa. Además, con la producción simultánea de las dos transcripciones, no cuesta tanto abordar a los deseos de los profesores para una transcripción que preserva variantes y ofrece un texto moderno.
A la vez que analiza los documentos para crear a las transcripciones, el sistema aprende los modelos de variantes ortográficas que aparecen en los documentos. Con la preservación de esta información, es posible descubrir información nueva sobre los libros antiguos. Estamos acostumbrados a pensar que el ROC es un proceso lento y costoso que retrasa en análisis de los corpus textuales. Pero con sistemas como Ocular, es posible analizar a los documentos antiguos y a la vez producir nuevos recursos accesibles.0 votedMarch 28, 20162Algo profesional
Después de unas semanas de ausencia, me encuentro con un trabajo que debo escribir en español. Les pido paciencia y ayuda con el texto largo (que pongo en dos fragmentos). Entiendo que no existe en iTalki algo para ayudarme con esto y no tengo otro recurso. Mil gracias amigos! Voy a revisar sus cuadernos en inglés en recompensa. Bueno: el blog...
----
1/2 El propósito del proyecto “__” fue el desarrollo e implementación de sistemas para la transcripción de impresos antiguos de la Nueva España. Cuando comenzamos el proyecto, uno de los primeros deberes fue preguntar a los profesores que usan los libros antiguos que tipo de transcripción prefieren?
Hay dos opciones. La primera, llamado la “transcripción diplomática” (diplomatic transcription), preserva las variantes ortográficas de los documentos antiguos como por ejemplo las letras antiguas (como la s larga), el deletreo variante, los acentos ausentes, la abreviatura y las equivocaciones tipográficas. La segunda, llamado la “transcripción normalizada” (normalized transcription), expande la abreviatura, sustituye las letras antiguas y cambia el deletreo según las normas modernas.
La mitad de los profesores que entrevistamos nosdijeron que preferían la transcripción diplomática: “porque las variantes ortográficas pueden contener información de importancia histórica”.
La otra mitad preferían la transcripción normalizada: “porque se facilita el trabajo de buscar, leer, y analizar el texto.”
Una investigación conducida por Twitter confirmó los resultados: el 64% de quienes respondieron preferían ambas transcripciones la diplomática y la normalizada. Pero es más fácil decirlo que hacerlo. El reconocimiento óptico de caracteres (ROC), es el proceso que usamos para la transcripción automática de los impreso antiguos, solo produce las transcripciones diplomáticas porque analiza en orden una cadena de caracteres, buscando por cada uno la imagen que corresponde en su base de datos. Los sistemas que modernizan textos antiguos, a la vez, son parte del postprocesamiento que dependen de la precisión del texto ya transcrito y de unas bases de datos de reglamentos antiguos hecho casi-exclusivamente para el inglés. No existe una sistema que modernize fácilmente el Español antiguo y mucho menos el Nahuatl.0 votedMarch 26, 20162
