Introducción a la TA
La traducción automática (TA) forma parte de la lingüística computacional, área que
investiga el uso de software para traducir texto de un lenguaje natural a otro. Su forma
de trabajo se basa en una sustitución simple de las palabras por sus equivalentes en otro
idioma para las traducciones más sencillas o a través de corpus lingüísticos para
traducciones más complejas.
Cada día la traducción automática está más presente en la vida de los profesionales del
sector, pero desde su nacimiento ha dado lugar a importantes implicaciones académicas
—entre las que se encuentran las conceptuales, terminológicas, etc.—, implicaciones
industriales y políticas, creando un entorno de competitividad, confidencialidad y
secretismo (Cerdá, 1995: 2).
Objetivos
El objetivo principal del presente trabajo es el de analizar la utilidad de los motores de
TA actuales, cuyo fin es verificar si ofrecen como producto una traducción aceptable de
la lengua inglesa al español cuando trasvasan distintos textos del campo científico-
técnico, así como detectar cuáles son los principales errores de traducción que dichos
motores producen durante el trasvase interlingüístico. Además de este objetivo general,
se pretende alcanzar, de igual manera, los siguientes objetivos específicos:
• Obtener una aproximación a las técnicas de TA y PE.
• Comprender la importancia de la traducción automática para un traductor
profesional en la actualidad.
• Clasificar y examinar los errores derivados de la TA en función de la categoría
a la que pertenecen.
• Contrastar el número de errores del motor de traducción automática en ambas
lenguas.
• Analizar la traducción de terminología en el campo de la medicina.
Aspectos conceptuales de la TA
La traducción automática (TA), término que proviene del inglés, machine translation
(MT), se define según Arnold et al. (1994: 1) como «the attempt to automate all, or
part of the process of translating from one human language to another». Por tanto, se
trata de un proceso automatizado en el que un software traduce un texto desde una
lengua hacia otra.
El interés por una herramienta capaz de traducir entre varios idiomas al instante fue una
de las primeras ocurrencias cuando aparecieron los ordenadores y, por ello, la
investigación en este campo empezó relativamente pronto. Sin embargo, los grandes
avances no se han producido hasta relativamente hace poco.
Los motores de traducción automática normalmente son una solución rápida para
eliminar la barrera que supone el no tener conocimientos de lenguas. Además, permiten
traducir grandes cantidades de texto en un tiempo inferior a la traducción humana y
abarata los costes del proceso.
En la actualidad existen técnicas como la preedición y la posedición que permiten
mejorar las traducciones producidas por los motores de traducción automáticos,
llegando incluso a alcanzar la misma calidad que las traducciones humanas. Como sus
propios nombres indican, la preedición es el proceso por el que se prepara el texto
fuente para que pueda ser traducido por un sistema de TA. Este proceso se centra en
realizar las modificaciones necesarias para prevenir posibles problemas de traducción y
poder mejorar la calidad del texto meta en cuanto a su compresión y su facilidad para
ser poseditado. En cambio, la posedición, concepto que se abordará posteriormente, se
refiere a la tarea de revisar o editar un texto tras ser traducido con un sistema de TA.
Historia de la TA
El concepto de traducción automática a través de un lenguaje universal intermedio
aparece por primera vez en el siglo XVII. Leibniz y Descartes fueron los primeros en
reflexionar acerca de este concepto. Estos filósofos se plantearon cómo se podían
relacionar las palabras procedentes de idiomas distintos (Alcina Caudet, 2011). Sin
embargo, no fue hasta el siglo XX cuando se comenzó a investigar sobre lo que hoy
conocemos propiamente como traducción automática.
En 1933, Petr Smirnov-Troyanskii y Georges Artsrouni presentaron las primeras
patentes sobre traducción automática. Smirnov-Troyanskii propuso un modelo en tres
fases: en la primera, un editor analizaba las palabras y sus funciones sintácticas; en la
segunda, una máquina trasladaba las secuencias de palabras y sus funciones a la lengua
meta; y finalmente, en la tercera fase, un editor nativo adaptaba la traducción a la lengua
meta. A pesar de ser un gran avance, la propuesta solo fue reconocida a nivel nacional
en la URSS, por lo que no tuvo una gran repercusión. Por otro lado, Artsrouni diseñó un
dispositivo de almacenamiento que permitía encontrar el significado de cualquier
palabra, aunque este sistema se parecía más a un glosario multilingüe o base
terminológica que a un motor de traducción automática. Debido a esto, la propuesta de
Smirnov-Troyanskii tuvo un mayor reconocimiento que la de Artsrouni. No obstante,
como sus ideas fueron ignoradas, al que realmente se le conoce como el fundador de la
traducción automática es al estadounidense Warren Weaver junto a Andrew Booth,
miembros de la Fundación (Hutchins, 2005).
En 1949, Weaver publicó un manifiesto en el cual decía que se podían emplear las
técnicas criptográficas, los métodos estadísticos, la teoría de la información de Shannon
y la exploración de las lógicas y de los universos lingüísticos para desarrollar sistemas
de traducción automática (Parra, 2011). Este manifiesto incentivó la investigación en
este ámbito en Estado Unidos. Como consecuencia de lo anterior, en 1954, se presentó
un nuevo prototipo de traductor automático creado por la Universidad de Georgetown e
IBM (International Business Machine Corporation). Este sistema traducía frases del
ruso al inglés utilizando un vocabulario de solo 250 palabras y solamente 6 reglas
gramaticales (Garvin Paul, 1967). Era un sistema que tenía limitaciones, pero ayudó a
que se financiaran nuevos proyectos tanto en Estado Unidos como en la URSS.
En 1966, el informe ALPAC (Automatic Language Processing Advisory Committee)
puso fin a las subvenciones para la investigación (Pardelli et al., 2005). Este informe
estipuló que no era necesario traducir del ruso al inglés, ni del inglés al ruso. Los
motivos que se dieron fueron que solo había necesidad de traducir un 30 % de los
estudios del ruso al inglés y que era más sencillo que los rusos aprendieran inglés a que
se desarrollara un sistema de traducción automático perfecto. En Europa, en los años 80,
se creó EUROTRA, un sistema multilingüe basados en reglas de transferencias para los
idiomas de los países de la Unión Europea (Campbell y Cuenca, 1989). A partir de este
momento, se comenzaron a desarrollar los motores de traducción automática que
conocemos hoy en día (Google Translate, Systran, Bing, Babylon, etc.)
Sistemas de traducción automática
Los sistemas de traducción se clasifican en función de los diferentes métodos que
utilizan para traducir. Actualmente, existen cuatro grandes grupos que destacan por
encima de los demás: la traducción automática basada en reglas, la traducción
automática basada en corpus, la traducción automática basada en el contexto y la
traducción automática basada en sistemas híbridos.
- Traducción automática basada en reglas
Este método se caracteriza por utilizar reglas gramaticales, reglas lingüísticas y
diccionarios para traducir. Dentro de este grupo se distinguen tres subsistemas:
traducción directa, traducción indirecta y traducción interlingua.
El primero, la traducción directa, se caracteriza por estar diseñado para un par de
lenguas y por traducir directamente a la lengua meta. Para llevar a cabo una traducción,
sustituye las palabras una por una según su equivalente en los diccionarios bilingües y
utiliza reglas gramaticales sencillas que le permiten reconocer el orden de las palabras
en el texto origen. Según Valdés (1989: 185), «este método traduce palabra por palabra
sin entender la frase en su totalidad, lo que provoca una mala calidad de las
traducciones». Este sistema de traducción resulta de gran utilidad cuando se prioriza la
rapidez sobre la calidad, ya que la traducción automática directa permite traducir un
gran volumen de texto en poco tiempo.
Los sistemas de traducción indirecta o de transferencia traducen en tres fases:
análisis, transferencia y generación. En primer lugar, se analiza el texto origen a nivel
léxico, sintáctico o semántico. Tras esto, se lleva a cabo la transferencia léxica y la
transferencia estructural, en la que se puede cambiar el orden de los elementos y la
estructura (González Boluda, 2010: 192). La última fase es la de generación y, en ella,
se obtiene la traducción final. Según López (2002), estos sistemas no utilizan solamente
diccionarios bilingües o monolingües, sino que también cuentan con un amplio
conocimiento a nivel sintáctico y semántico de las lenguas involucradas en la
traducción.
Finalmente, dentro de este grupo también se encuentran los sistemas interlingua.
MODELO DE TA POR EL QUE SE GENERA UN REPRESENTACIÓN DE LA
ORACIÓN EN LENGUA ORIGEN INDEPENDIENTEMENTE DEL IDIOMA. EN
CIERTO MODO PUEDE ASIMILARSE AL CONCEPTO DE LOS UNIVERSALES
LINGÜÍSTICOS. Estos sistemas son una variante de los de traducción indirecta o de
transferencia. Oliver (2008: 36) afirma que «estos sistemas llevan a cabo una
representación intermedia, pero no es de tipo gramatical sino conceptual». Estas
representaciones son comunes a todos los pares de lenguas y se obtiene una traducción
para cada lengua teniendo en cuenta el análisis de la frase original. Listerri (2009: 34)
señala que «estos traductores proporcionan buenos resultados en ámbitos muy
restringidos, pero presentan grandes problemas en el diseño y la puesta en práctica».
- Traducción automática basada en corpus
Este método genera las traducciones a partir del análisis de corpus bilingües. Estos
sistemas cuentan con un gran número de corpus con documentos traducidos similares a
los que se van a traducir.
Dentro de este método se puede distinguir tres sistemas diferentes: traducción
automática basada en ejemplos, traducción automática estadística y traducción
automática neuronal.
La traducción automática basada en ejemplos no traduce siguiendo unas reglas, sino
que se basa en los modelos similares al texto que va a traducir que se encuentran
recopilados en los corpus. Según Gironés (2003: 13), un motor de traducción basado en
ejemplos funciona de la siguiente manera: se introduce un texto de entrada del que se
pretende realizar una traducción. El sistema fragmenta esta entrada en unidades de texto
y busca en la base de datos los ejemplos almacenados que coinciden en mayor o menor
medida con estas unidades. A partir de estos ejemplos, se ofrece una traducción.
Por su parte, la traducción automática estadística utiliza un corpus monolingüe de la
lengua meta y un corpus bilingüe con ejemplos para producir sus propias traducciones.
Parra (2018: 135) establece que este sistema cuenta con tres elementos principales: el
modelo del lenguaje, el modelo de traducción y el decodificador. El primer elemento se
ocupa de comprobar la probabilidad de que una frase sea correcta en la lengua meta. El
modelo de traducción determina el equivalente entre la lengua origen y la lengua meta.
Por último, el decodificador busca dentro de los corpus la traducción más factible para
cada caso.
En los últimos años, ha aparecido un nuevo modelo de traducción automática. Se trata
de la traducción automática neural o basada en redes neuronales. Estos sistemas
traducen valiéndose de grandes corpus paralelos e imitando la manera en la que las
neuronas de nuestro cerebro trabajan, es decir, intenta imitar la traducción humana. La
traducción automática neural se basa en el modelo codificador-decodificador. El
codificador analiza la frase origen para producir una representación vectorial de esta. El
decodificador, a partir de esta representación vectorial, genera una traducción
(Bahdanau, Cho y Bengio, 2014). Por tanto, «utilizando técnicas de aprendizaje
automático, el ordenador aprende a traducir a partir de grandes cantidades de textos
paralelos que además incluyen todo tipo de información lingüística y no lingüística»
(Parra, 2018: 136).
- Traducción automática basada en el contexto
Este método utiliza técnicas que le permite hallar la mejor traducción para una palabra
teniendo en cuenta el resto de palabras que la rodean y eliminando aquellas traducciones
que quedan sin sentido (Fernández, 2010). Es un método híbrido, ya que combina
técnicas de la traducción automática basada en reglas y técnicas de la traducción
automática estadística.
- Traducción automática basada en sistemas híbridos
Los sistemas híbridos de traducción automática combinan diferentes enfoques y técnicas
para mejorar la precisión y calidad de las traducciones. Estos sistemas pueden utilizar
una combinación de reglas gramaticales, modelos estadísticos, redes neuronales y
aprendizaje automático para procesar el texto de entrada y producir una traducción de
salida.
Por ejemplo, algunos sistemas híbridos de traducción automática pueden utilizar
modelos estadísticos para analizar patrones en grandes conjuntos de datos de texto para
identificar las traducciones más probables de una palabra o frase en particular. Luego,
estos modelos pueden utilizar reglas gramaticales para ajustar la traducción y mejorar su
precisión.
Otros sistemas híbridos pueden utilizar redes neuronales para aprender patrones más
complejos en el texto y producir traducciones más precisas. Estos modelos pueden
utilizar técnicas como el aprendizaje profundo y el procesamiento del lenguaje natural
para mejorar la calidad de la traducción.
En general, los sistemas híbridos de traducción automática pueden ser más precisos que
los sistemas de traducción automática puramente estadísticos o basados en reglas
gramaticales, ya que combinan lo mejor de ambos enfoques.
Errores en la traducción automática
Diéguez (2001: 208-209) propone en su estudio un listado de errores que pueden
aparecer en una traducción automática, ampliando y adaptando el modelo propuesto
anteriormente por Wilss y Thome (1984) y que tiene en cuenta el impacto del error en el
texto traducido y en el destinatario de la traducción. Estos pueden ser ser de tipo léxico,
sintáctico, semántico, léxico-semántico, léxico-sintáctico o léxico-sintáctico-semántico.
Con el propósito de incrementar la calidad que se puede lograr con una traducción
automática, se debe procurar limitar el campo del texto, ya que cuanto más simple sea la
gramática y la sintaxis del texto origen y más restringido sea el texto, mejores serán los
resultados obtenidos (Díaz: 2012: 157). Este principio es el que, desde hace décadas, se
aplica para establecer una conexión con el uso de leguajes controlados y traducción
automática (Pym, 1990).
Limitaciones de la traducción automática
Independientemente de que usemos un sistema u otro de traducción automática, todos
ellos tienen unas limitaciones, para las cuales es necesario tener en cuenta los
principales problemas que presentan las traducciones automáticas. Uno de los
principales problemas a los que se enfrentan estos tipos de sistemas de traducción es que
la complejidad del lenguaje natural hace que no siempre se construya de forma lógica.
En esta línea, Díaz (2012: 155-157) establece que la principal limitación que tiene la
traducción automática es el tratamiento de la ambigüedad . No es capaz de comprender
el significado correcto como lo haría un traductor humano.
La autora presenta distintos tipos de ambigüedad que pueden aparecer y que se
reproducen a continuación:
- Ambigüedad léxica: se da cuando una palabra puede tener más de una
interpretación.
- Ambigüedad estructural: es cuando una misma oración se puede interpretar
mediante estructuras sintácticas distintas.
- Anáforas: aparece cuando se realiza una referencia directa a una entidad
mencionada de forma explícita en otro lugar del texto.
- Ambigüedad en el alcance de los cuantificadores: se da cuando cuantificadores
como alguno, ninguno, etc. resultan imprecisos. Otros aspectos que, según Díaz (ibíd.)
limitan la traducción automática y generan problemas en la traducción generada son los
juegos de palabras, los modismos y la intención del texto origen.
Por otro lado, Arnold (2003: 121) habla de cuatro limitaciones que los ordenadores no
pueden superar:
- Realizar tareas no específicas: el lenguaje natural no tiene unas reglas lo
suficientemente precisas como para que su procesamiento sea 100% fiable y
proporcione ideas precisas.
- Aprender cosas nuevas: el mundo y la lengua cambian de forma constante por lo
que los traductores tienen que estar al día de todas las novedades en su ámbito de
trabajo para no cometer errores, lo que requiere creatividad para crear nuevas reglas y
no seguir las que ya están establecidas.
- Realizar razonamientos de sentido común: los ordenadores son incapaces de
razonar por si mismos conocimientos generales como que el agua es húmeda o el fuego
caliente.
- Enfrentarse a problemas con un gran número de soluciones posibles: los
traductores automáticos, en ocasiones, se enfrentan a infinitas posibilidades para
resolver un problema de traducción, como, por ejemplo, usando sinónimos de las
palabras que forman la oración o cambiando el orden sintáctico de la frase. No obstante,
como podemos ver, el estudio de estas limitaciones se hizo hace ya unos años, por lo
tanto, en el estudio de la parte práctica se observará si estas limitaciones se han
solucionado gracias a las mejoras en IA.
Posedición
A la traducción automática va ligada la tarea de posedición. En términos generales, la
posedición, según Somers (2003: 297), consiste en editar, modificar o corregir un texto
pretraducido que ha sido procesado mediante un sistema de traducción automática desde
una lengua origen a una o varias lenguas meta. Como este autor ya indicaba en la
década de los 90 del siglo pasado, el acto cognitivo de poseditar no es totalmente nuevo
para el traductor profesional, porque es similar al proceso que se lleva a cabo cuando se
revisa un texto traducido.
Como se ha demostrado, los traductores automáticos suelen cometer errores
relacionados con la comprensión de algunas partes del texto que tienen un significado
más implícito. No obstante, estos no son los únicos errores que se observan en los textos
producidos mediante esta modalidad, sino que también aparecen errores sintácticos,
morfológicos o de estilo, entre otros. Por lo tanto, la finalidad de la posedición consiste
en que la traducción humana intervenga como fase final del proceso con el fin de
corregir los errores necesarios y ofrecer un resultado definitivo de calidad que el
traductor automático por si solo aún no es capaz de conseguir.
Aunque este ámbito de la traducción cada vez suscita mayor interés, sigue existiendo la
sensación de que los traductores automáticos no resultan útiles puesto que no ofrecen la
misma calidad que un traductor humano. Es por ello que, hoy en día, estos sistemas de
traducción se usan, en la mayor parte de los casos, de manera combinada con el trabajo
de un traductor humano o, mejor expresado, estos procesos pasan por un control
humano. Sin embargo, la intervención del traductor humano en el proceso
traductológico se puede dar en distintos momentos:
- Simultánea a la generación de la traducción automática: el traductor
humano utiliza herramientas de traducción asistida por ordenador que combinan
sistemas de traducción automática para realizar la traducción, de tal manera que,
en los casos en los que el sistema no disponga de ninguna opción de traducción
para un segmento, generará una propuesta de traducción automática que el
traductor humano podrá aceptar, modificar o descartar;
- Posterior a la generación de la traducción automática: el sistema
procesa un borrador del texto meta que, tras un trabajo de revisión realizado por
un traductor humano, se convierte finalmente en una traducción de calidad.
Por otro lado, según la industria actual de la traducción, existen dos tipos de posedición
según el nivel de aceptabilidad que se desee alcanzar (Sánchez-Gijón, 2016: 160):
- Human quality or full posediting: consiste en que el texto final traducido
tenga una calidad comparable con la calidad humana, es decir, que se pueda
equiparar a la traducción de un humano.
- Good enough quality or light posediting: se centra en que el mensaje
principal del texto origen se respete y se comprenda en el texto meta a pesar de
que se pierda la naturalidad o la fluidez.
El factor que supone la elección entre uno u otro es la calidad del texto final que se
pretenda obtener.
El proceso de posedición
Adentrándonos en las competencias relacionadas con la posedición, Rico y Torrejón
(2012: 170) distinguen tres grupos principales de competencias y habilidades que se
requieren en el proceso de posedición:
- Competencias esenciales: referidas a la capacidad para lidiar con la
subjetividad a la hora de definir y aplicar las especificaciones de la posedición,
teniendo en cuenta las expectativas del cliente en cuanto a la calidad del texto
final, así como a la hora de afrontar las inseguridades. De igual modo, hace
referencia a la competencia estratégica para elegir la mejor opción ante las
distintas alternativas de posedición, sin reparar en cuestiones estilísticas, aun
cuando se trate de producir un texto poseditado de baja calidad.
- Competencias lingüísticas: se refiere al dominio tanto de la lengua
origen como de la lengua meta, a la familiarización con las directrices que se
aplican a la PE, a la competencia comunicativa y textual en al menos dos
lenguas y culturas, así como al conocimiento intercultural y del área temática
implicada.
- Competencias instrumentales: relacionadas con el conocimiento de los
sistemas de TA y sus capacidades, con las competencias de gestión
terminológica, de evaluación de la calidad del corpus, de preedición a través del
lenguaje controlado, así como con ciertos conocimientos sobre programación.
Principales problemas del lenguaje médico
El lenguaje médico debe caracterizarse por su precisión, neutralidad emocional y
estabilidad.
La comunicación científica debe ser correcta en el fondo y en la forma. El fondo se
refiere a cuidar la calidad de la información, y la forma, a utilizar un lenguaje correcto
con tres características clave: cultivar las cualidades (claridad, precisión y concisión),
evitar los defectos (artificio, vacuidad, pretensión, monotonía y ambigüedad) y los
errores (fundamentalmente, faltas de ortografía, errores sintácticos, barbarismos, abuso
de siglas y extranjerismos y falsos amigos) (Benavent et al., 2015: 396).
Metodología
Llegados a este punto, el objetivo de mi análisis ha sido comparar dos
traducciones realizadas por dos motores de traducción automática
diferentes, y así establecer cuales han sido los errores en un determinado
campo, que es el de la medicina.
A continuación, se presenta de forma detallada los pasos que se han llevado a cabo para
el análisis de este trabajo, donde se han seleccionado los motores de traducción
automática y el texto a traducir y examinar. En este caso, se trata de texto de índole
científico-técnica, perteneciente al campo de la medicina.
- Motor de traducción automática
Para seleccionar el motor de traducción se han tenido en cuenta dos criterios: la calidad
de los resultados y el número de usuarios. Tras analizar en profundidad ambos criterios,
se ha optado por utilizar Google Translate. Google Translate es un motor de traducción
automática de los más recientes, es decir, se basa en la traducción automática neuronal y
estadística traduciendo, así, 132 idiomas (incluyendo algunas versiones de un mismo
idioma).
El siguiente criterio utilizado para seleccionar un traductor automático ha sido el
número de usuarios. Este motor de TA no solo se centra en la traducción de textos, sino
también de elementos multimedia. Es, por tanto, el favorito de la mayoría de usuarios,
(más de 200 millones de personas lo utilizan diariamente) por lo que podría considerar
el mejor o uno de los mejores traductores en cuanto a su calidad de traducción, por la
cantidad de idiomas que traduce.
Por otra parte, a modo de comparación, se ha elegido otro traductor automático
conocido, PromT, el cual solo trabaja con apenas veinte lenguas PromT, a diferencia de
Google Translate, carece de bastantes combinaciones lingüísticas y funciones. Es por
ello que ha sido interesante comparar los resultados de ambos motores.
- Texto
El texto seleccionado para elaborar este trabajo se ha extraído del sitio web oficial de
American Journal of Case Reports, perteneciente al área científico-técnica. Asimismo,
se trata de un texto especializado que se incluye dentro del campo de la medicina, cuyo
objetivo es informar acerca de cinco casos relatados relacionados con el absceso del
psoas.
Al tratarse de un texto extenso, solo se presenta en este trabajo el análisis hasta el caso
cinco, obviando así los resultados y conclusiones del artículo. El análisis se ha realizado
como se ha mencionado antes, a partir de los motores de traducción Google Translate y
PromT. En estos apartados, encontramos una gran cantidad de términos especializados,
lo que permite analizar como Google Translate y PromT traducen la terminología
médica especializada, a modo de comparación.
Parámetros de evaluación
En este caso, se han utilizado los parámetros específicos citados por Pospelova y Rowda
(2016) en el artículo Human Evaluation of Machine Translation y los citados por Ortiz
(2016) en su tesis doctoral Implementing Machine Translation and Post-Editing to the
Translation of Wildlife Documentaries through Voice-over and Off-screen Dubbing.
Asimismo, se ha evaluado la fluidez y la adecuación.
Evaluación humana de la TA
Actualmente, la «calidad» es un concepto clave en la industria traductológica. Por lo
tanto, resulta de especial importancia medir la calidad de los traductores automáticos
para comparar motores y, así, realizar mejoras y entrenarlos de acuerdo con los
resultados obtenidos de los análisis.
La tarea de evaluación es una actividad compleja que incluye una gran cantidad de
factores, tanto lingüísticos como extralingüísticos. Para considerar que una traducción
sea correcta o de «alta calidad» debe cumplir una serie de requisitos.
Las métricas automáticas de evaluación de TA son algoritmos y procesos que utilizan
diferentes técnicas y métricas para evaluar la calidad de la traducción, tales como la
precisión, la fluidez, la coherencia, etc.
Sin embargo, estos sistemas tienen una desventaja en comparación con la evaluación
realizada por humanos, ya que carecen de la capacidad de indicar qué tipo de problemas
presenta el texto. Los sistemas de evaluación automática solo pueden detectar errores en
la traducción en términos generales, pero no pueden identificar problemas específicos
como errores gramaticales, problemas de estilo, problemas de cohesión y coherencia,
entre otros.
Por este motivo, en este trabajo he realizado una evaluación general haciendo hincapié
en aquellos aspectos que más han captado nuestra atención.
Aunque se ha utilizado una tabla para medir los criterios de calidad establecidos por
Piura, voy a mencionar grosso modo los problemas que he encontrado.
Valoración especifica de los textos producidos por Google y PromT
En términos generales, ambas traducciones al tratarse de un texto especializado,
perteneciente al campo de la medicina, han tenido frecuentes fallos. Esto se puede
deber a que dichos motores no están entrenados para traducir dicha terminología
especializada, introduciendo así términos de carácter más general, lo que hace
quitarle esencia al texto.
Respecto a la finalidad de ambas traducciones, podríamos decir que estas reflejan el
mensaje del texto origen a pesar de lo mencionado anteriormente, ya que se puede
obtener una idea general. Sin embargo, el motor de traducción introduce términos
menos frecuentes en nuestra cotidianidad, por lo que el texto podría generar cierta
confusión en lectores legos o semi-especializados. Además, en ambas producciones
se han omitido la traducción o bien de términos o figuras.
En cuanto al contenido, la traducción no es del todo clara, concisa ni coherente, ya
que la traducción de varios términos se ha traducido de forma literal, haciendo
alusión a lo que llamamos «falsos amigos».
En cuanto a la ortografía, podemos destacar el mal uso del símbolo %, ya que este
cuando va acompañando a un número, de acuerdo con este tipo de texto, siempre va
separado de éste, añadiendo entonces entre número y símbolo un espacio irrompible.
Por otra parte, ambos motores de traducción estructuras mal varias oraciones al
traducirlas. Esto conlleva también a no respetar los rasgos específicos de la cultura
de origen, ya que no se tienen en cuenta los aspectos culturales, ortotipográficos, etc.
Por último, la ortografía en general se ha tenido en cuenta, aunque no los signos de
puntuación. Igualmente, en cuanto a gramática, mayoritariamente se ha frecuentado
el uso de la voz pasiva, que es común en inglés, lo que al traducirse se ha traducido
igual, provocando así una falta de adecuación y coherencia.
Tras esto, he llevado a cabo una propuesta de posedición.
Conclusiones
Como expresaba Tertoolen (2010: 27) en su estudio, «la complejidad de la TA está
vinculada con la ingeniosidad de las lenguas naturales. Una lengua natural no sólo es
muy precisa y especializada, sino también arbitraria y ofrece una infinita cantidad de
construcciones. Cuando vinculamos la complejidad de las lenguas naturales con las
limitaciones de los ordenadores, nos enfrentamos con muchos problemas a la hora de
automatizar el proceso de traducción.»
Sabemos que los traductores automáticos son una gran ventaja que nos ofrece la
tecnología y que deberíamos aprovechar ya que nos da la oportunidad de aumentar el
rendimiento de trabajo. Cada vez son más fiables gracias a las importantes
inversiones que se están haciendo dentro de este campo. Sin embargo, como se ha
podido comprobar en el presente trabajo los textos producidos por motores de
traducción automática requieren con frecuencia de una postedición y/o una revisión
exhaustiva. La clave es no prescindir de la calidad, ya que si se utiliza solo la
traducción automática pueden darse errores. Es por esto que, con frecuencia, el uso
de herramientas de traducción automática supone un mayor coste y esfuerzo. Tras
realizar un análisis exhaustivo de las traducciones producidas por Google Translate y
PromT, se ha observado que uno de los mayores problemas que presentan estos
motores es la traducción de textos especializados que afecta tanto a la fluidez como a
la adecuación. En la traducción automática se depende de un entrenamiento previo
del motor de traducción, así que por cada área se tiene que generar un motor de
traducción dado que las expresiones, conceptos y segmentos son totalmente
diferentes en cada campo. Por ello, la calidad va a depender mucho del tipo de
entrenamiento del motor.
En términos generales, se podría señalar que la traducción automática dejará de ser
útil, sea cual sea el sistema, si se utiliza como herramienta única en el proceso de
traducción. Por ello, la combinación de ambas técnicas se ha convertido en una de los
recursos más utilizados tanto por traductores profesionales, como por empresas
proveedoras de servicios lingüísticos, ya que han permitido reducir costes y aumentar
la productividad en el proceso de traducción.
