Sobre PaGeS

El Corpus paralelo alemán / español (German/Spanish Parallel Corpus), PaGeS, forma parte de un proyecto mayor en curso, PaCorEs (Parallel Corpora Spanish), cuyo objetivo es recopilar una serie de corpus paralelos bilingües con el español como lengua central. Hasta ahora, el proyecto incluye otros tres corpus que se encuentran en diferentes fases de desarrollo, disponibles libremente en línea: Corpus PaEnS (inglés<>español), Corpus PaCheS (chino<>español) y Corpus PaFreS (francés<>español).

El corpus nuclear está formado por textos originales en alemán y español y sus respectivas traducciones. Consiste en una colección de 229 obras de ficción (en torno al 89% de novelas y relatos breves) y no ficción (ensayos y textos científicos divulgativos). Las obras seleccionadas están representadas no por los textos completos sino por muestras, lo que permite una mejor sección transversal de los textos.

Esta parte de PaGeS (vid. infra) contiene cerca de 42.000.000 tokens y 1.246.733 bisegmentos, es decir, pares de unidades alineadas (oraciones o unidades suboracionales).

Para garantizar la calidad se han verificado manualmente los textos incluidos a diferentes niveles y se ha revisado íntegramente el alineado automático de los bisegmentos, ejecutado con LF-Aligner, algunos con YouAlign o Gargantua. Los textos alemanes se han lematizado y etiquetado con Treetagger y los españoles con Freeling. Las etiquetas de ambos han sido posteriormente correlacionadas con las etiquetas universales, que marcan las principales categorías de parte de discurso.

De cada ocurrencia se facilita la fuente original que incluye información sobre el autor, título, año de la primera publicación, en su caso, de la edición utilizada y la parte o capítulo dentro de la obra a la que pertenece la ocurrencia. Las indicaciones bibliográficas completas de las obras incluidas en PaGeS figuran aquí.

Los suplementos comprenden un total de unos 80 millones de palabras. Por el momento incluyen:

1. 18 obras de ficción de textos en alemán y español traducidos de una tercera lengua. El alineado de estos textos ha sido revisado manualmente. La lista de estas obras se encuentra aquí.
2. Europarl v7, corpus que recoge las actas literales del Parlamento europeo de 1996 a 2011. Se excluyeron los segmentos que tenían más de 350 caracteres (ya sea en español o en alemán) y aquellos con un desequilibrio en los caracteres superior a 1:2 entre español y alemán. Más detalles aquí.
3. Ted-Talks, un corpus que recoge las traducciones en español y alemán de las transcripciones de 2859 conferencias TED entre 2006 y 2020. Más detalles aquí.
4. OpenSubtitles v2018, una extensa colección de subtítulos traducidos de películas.

En un futuro próximo se prevé incorporar nuevas colecciones de textos bilingües de origen diverso.

Aunque el impulso inicial para la creación de PaGeS fue la investigación lingüística contrastiva, la muy buena acogida por parte de usuarios muy diversos nos ha motivado a esforzarnos en conseguir una mayor interoperabilidad y estandarización, a fin de convertir a PaGeS en un recurso multifuncional capaz de satisfacer las necesidades bien diferenciadas de nuestros usuarios.

Nuestro objetivo es construir un recurso lingüístico representativo para el alemán y el español que pueda ser explotado para múltiples propósitos. Aquí se incluye la investigación general en lingüística contrastiva, tipología lingüística, estudios de traducción y lexicografía bilingüe o el suministro de datos de entrenamiento a sistemas de traducción automática. PaGeS es además un recurso muy útil y ampliamente usado por parte de traductores y estudiantes de alemán o español como lengua extranjera de niveles intermedios y avanzados para obtener una multitud de sugerencias de traducción, realizadas por humanos y mostradas en ejemplos de uso.

Para una información más detallada acerca de PaGeS puede consultarse la página de publicaciones. Véase especialmente Doval, Irene / Sánchez Nieto, M.ª Teresa (en prensa): Parallel Corpora Spanish (PaCorES): A collection of multifunctional parallel corpora. In: RESLA. Revista Española de Lingüística Aplicada / Spanish Journal of Applied Linguistics.

A pesar de todos los esfuerzos, estamos seguros de que se han deslizado errores. Por ello, le agradecemos que si los detecta nos lo comunique haciendo click aquí.

Estadísticas PaGeS

Corpus nuclear

Suplementos 1: Obras de ficción traducidas

Suplementos 2: Europarl v7

Suplementos 3: TED-Talks