Sobre PaGeS

O Corpus paralelo alemán / español, PaGeS, é un corpus bilingüe composto de dúas partes diferenciadas: un corpus nuclear e uns suplementos.

O corpus nuclear está formado por textos orixinais en alemán e español e as súas respetivas traducións. Consiste nuha colección de 229 obras de ficción (en torno ao 89% de novelas e relatos breves) e non ficción (ensaios e textos científicos divulgativos). As obras seleccionadas están representadas non polos textos completos senón por mostras, o que permite unha mellor sección transversal dos textos.

Esta parte de PaGeS (vid. infra) contén cerca de 42.000.000 tokens e 1.246.733 bisegmentos, é dicir, pares de unidades aliñaadas (oracións ou unidades suboracionales).

Para garantir a calidade verificaronse manualmente os textos incluidos a diferentes niveis e revisáronse íntegramente o alineado automático dos bisegmentos, executado con LF-Aligner, algúns con YouAlign ou Gargantua. Os textos alemans lematizaronse e etiquetáronse con Treetagger e os españoles con Freeling. As etiquetas de ambos foron posteriormente correlacionadas cas etiquetas universales, que marcan as principais categorías de parte de discurso.

De cada ocurrencia facilitouse a fonte orixinal que inclúe información sobre o autor, título, año da primeira publicación, no seu caso, da edición empregada e a parte o capítulo dentro da obra á que pertence a ocurrencia. As indicacións bibliográficas completas das obras incluidas en PaGeS figuran aquí.

Os suplementos comprenden un total dun 80 millóns de palabras. Polo momento inclún:

1. 18 obras de ficción de textos en alemán e español traducidos dunha terceira lingua. O aliñado destos textos foi revisado manualmente. A lista destas obras atópase aquí.
2. Europarl v7, corpus que recolle as actas literais do Parlamento europeo de 1996 a 2011. Excluíronse os segmentos que tiñan máis de 350 caracteres (xa sexa en español ou en alemán) e aqueles cun desequilibrio nos caracteres superior a 1:2 entre o español e o alemán. Más detalles aquí.
3. Ted-Talks, un corpus que recolle as traduciós en español e alemán das transcripciós de 2859 conferencias TED entre 2006 e 2020. Más detalles aquí.

Nun futuro próximo prevése incorporar novas coleccións de textos bilingües de orixe diverso.

Aínda que o impulso inicial para a creación de PaGeS foi a investigación lingüística contrastiva, a moi boa acollida por parte de usuarios moi diversos motivounos de cara a esforzarnos en conseguir unha maior interoperabilidade e estandarización, a fin de convertir a PaGeS nun recurso multifuncional capaz de satisfacer as necesidades ben diferenciadas de nosos usuarios.

Noso obxetivo é construir un recurso lingüístico representativo para o alemán e o español que poida ser explotado para múltiples propósitos. Aquí inclúese a investigación xeral en lingüística contrastiva, tipoloxía lingüística, estudos de tradución e lexicografía bilingüe ou o suministro de datos de entrenamento a sistemas de tradución automática. PaGeS é ademáis un recurso moi útil e ampliamente empregado por parte de traductores e estudantes de alemán ou español como lingua extranxeira de niveis intermedios e avanzados para obter unha multitude de suxerencias de tradución, realizadas por humanos e mostradas en exemplos de uso.

Para unha información máis detallada acerca de PaGeS pódese consultar a páxina de publicacións. Véxase 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 tóodolos esforzos, estamos seguros de que se deslizaron erros. Por iso, agradec&eacte;moslle que si os detecta nolo comunique facendo click aquí.

Estatísticas PaGeS

Corpus nuclear

Suplementos 1: Obras de ficción traducidas

Suplementos 2: Europarl v7

Suplementos 3: TED-Talks