Este trabajo forma parte de los resultados del proyecto 7PartidasDigital (referencia PID2020-112621GB-I00) financiado por MICIU/AEI/10.13039/501100011033/ cuyo objetivo es la edición crítica digital de las Siete Partidas. El proyecto 7PartidasDigital (https://7partidas.hypotheses.org/), que se desarrolla desde la Universidad de Valladolid, cuenta con la financiación de la Agencia Estatal de Investigación, Ministerio de Ciencia e Innovación.
- 1 “By this [literary texts] we mean all those written vestiges of the Old Spanish language which are (...)
1En 1936 durante el congreso de la MLA los miembros del Old Spanish Group acordaron la redacción de un diccionario del español medieval. Para llevar a cabo este proyecto se eligió el Seminario de Estudios del Español Medieval que había fundado Antonio García Solalinde (1892–1937) en 1931 (Kasten et al. 1978; Gago Jover 2022). A lo largo de los años, y bajo la dirección de Lloyd A. Kasten, crearon un enorme fichero de papeletas (manuscritas) lexicográficas, unos once millones (Nitti 1978, 43), por lo que a principios de la década de 1970 John Nitti propuso que se investigara la posibilidad de abordar la tarea por medio de una base de datos informatizada. Para ello establecieron como un principio irrenunciable la correcta transcripción de los textos literarios1 que formarían parte del banco de datos. Las transcripciones serían semipaleográficas y reproducirían la imposición (mise-en-page) de los originales lo más fielmente posible. Así, “[i]n transcribing a manuscript we are able to make a record of the text as it actually appears physically, encoding for all significant physical features of the text and of the manuscript itself” (Kasten et al. 1978). Este nuevo sistema de transcripción se describió con detalle en A Manual of Manuscript Transcription for the Dictionary of the Old Spanish Language (Buelow y Mackenzie 1977).
2En este manual, que ha conocido varias reediciones (1981, 1984, 1986 y 1997), se estableció un sistema de etiquetado para marcar los diversos aspectos de la mise-en-page. Así, cada una de las columnas que podía haber en un folio se encerraban con la etiqueta {CBn.}, donde la n indica el número total de columnas, no la secuencia de las mismas; {RUB.} marcaban las rúbricas, {INx.} las iniciales, fueran decoradas o no, y en lugar de la x se indicaba el número de líneas que abarcaba. También había etiquetas que servían para codificar los encabezamientos {HD.}, los reclamos {CW.}, las miniaturas {MIN.}, símbolos {SYM.}, e incluso para marcar aquellas secciones del texto que pudieran estar en otra lengua {LAT.}, {GRK}, {ARB.}, o las adiciones marginales {AD.} y glosas {GL.}. Se preocuparon asimismo de explicitar el desarrollo de las abreviaturas encerrándolas entre paréntesis angulares, < >, y las intervenciones de los escribas, como tachaduras, correcciones y adiciones se marcaron encerrándolas entre paréntesis, ( ), y entre corchetes, [ ], para codificar lo añadido y se utilizaba el acento circunflejo para especificar si la corrección era del copista o no y, si había más de uno, si eran fácilmente identificables, se marcaba con un número cada uno de ellos. Por otra parte, se enfrentaron con una fortísima limitación gráfica: los ordenadores solo utilizaban el código ASCII, y letras como la ç y la ñ, y dos signos tan usuales en los manuscritos e incunables como el calderón (¶) y el signo tironiano carecían de signo, por lo que recurrieron a c’, n~, % y &; todas las demás letras estaban disponibles y, cuando se quería recurrir a sutilezas, como las letras superescritas, se usaba el acento grave, que, curiosamente, existía en el juego de caracteres ASCII (código 96). Debido a que la unidad gráfica es el folio, y dentro de este la columna, y ante la posibilidad de que una estructura pudiera expandirse entre columnas o entre folios, utilizaron el signo + para conectar las partes que sobrepasaban los límites fijados.
- 2 Al transcribir siempre se pierde algo de información.
3Diseñaron un sistema sencillo que cubría todas las necesidades para la creación de un corpus y que se podía aplicar con facilidad con una mínima pérdida de información.2 Conscientes de los problemas que el sistema podía acarrear y de los errores que los transcriptores pudieran cometer, crearon un programa, llamado PROOFER,
which allows machine checking of our transcriptions for a multitude of potential errors, notably: proper foliation of the text, correct encoding for various physical text descriptors (rubrics, miniatures, headings, glosses, diagrams, special symbols, catchwords, etc.), illegal characters or strings, and proper termination of certain physical and logical feature boundaries (scribal or editorial insertion and deletions, etc.)
(Nitti 1978, 48)
- 3 Este corpus alfonsí recoge todas las obras que se produjeron en el escritorio real y de las que hay (...)
4Esta creación ahorró “many man-hours in the matter of proofreading the Alfonsine corpus” (Nitti 1978, 48).3
- 4 Años después se publicó un CD-ROM con todas las transcripciones (O’Neill 1999). En la actualidad, l (...)
5Este sistema se aplicó hasta finales del siglo XX y produjo un gran corpus de textos transcritos que se ofrecieron inicialmente en microfichas en las que, además del texto, se incluían las concordancias (con indicación exacta del folio, columna y línea en que aparece cada forma), los índices léxicos y tablas de frecuencia de cada uno de los textos recopilados.4 El apogeo de esta producción fue el Archivo digital de manuscritos y textos españoles (ADMYTE), sin lugar a duda, la más brillante iniciativa de lo que hoy consideraríamos humanidades digitales y que Nitti entrevió una década antes:
Long-range goals include the creation of the Old Spanish Archive (OSA), which is to be a repository not only of all the machine-readable manuscripts and concordances of those works represented in DOSL, but also of the color and black and white microfiche reproductions of those original Old Spanish manuscripts and incunabula
(1978, 52)
6En el primer disco, que hoy se puede rescatar del limbo del abandon-ware (figura 1), se publicaron 61 textos impresos (incunables). De cada uno de ellos se ofrecía el texto transcrito y codificado de acuerdo con las normas del HSMS, la imagen del ejemplar reproducido, una pequeña ficha con los metadatos, el glosario de lemas y una potente herramienta de búsqueda. En el siguiente disco, curiosamente el volumen 0, se ofrecieron otros 64 textos, esta vez procedentes de manuscritos, pero sin ofrecer las reproducciones.
Figura 1. Ejecución de ADMYTE sobre un emulador de Win 3.x. La parte rayada de la derecha corresponde a la imagen, que el emulador no ha sido capaz de leer. Las ventanas superpuestas presentan el índice de textos, una breve presentación, el glosario de lemas y las ventanas de búsqueda de palabras.
7Fue la más brillante idea que se había dado en la filología informática (digital) del mundo hispanohablante. Sin embargo, y aunque preconizaba el modelo que se utiliza en las ediciones digitales académicas producidas en los últimos veinte años, no tuvo continuación. No prosperó porque nació bajo el manto de los fastos del V Centenario del Descubrimiento y, cuando el dinero faltó, el proyecto se hundió, que es uno de los grandes males que sufren todos los proyectos de humanidades digitales.
8Por otra parte, no tuvo gran aceptación entre la comunidad académica hispanohablante, sobre todo entre los estudiosos de la literatura medieval, quienes no tuvieron en cuenta que esos textos se habían transcrito con un objetivo muy preciso: crear una base de datos para la redacción de un diccionario del español medieval. Así, Lucía Megías decía que:
[l]a lectura de la impresionante nómina de textos que se ofrecen en ADMYTE II no sólo se dificulta por la continua aparición de paréntesis y signos extraños, sino también porque se ha dejado a lado cualquier intervención crítica del editor (acentuación, puntuación, actualización del sistema gráfico … )
(1999, 234)
9Y Orduna que:
[l]os objetivos léxicos y lingüísticos propuestos determinaron que se eligiera un texto seleccionado como el más apto para los fines propuestos y sólo uno; de modo que las publicaciones que posteriormente han aparecido sólo pueden seguir la metodología del texto-base con las correcciones pertinentes, por lo que resultan seguidores de Bédier sin proponérselo
(1991, 91n4)
10No eran ediciones críticas ni pretendían serlo, lo que sucedió es que por medio de estas transcripciones pudieron acceder fácilmente a textos que solo se podían localizar en alguna biblioteca (Sánchez-Prieto Borja 1998, 192; Lucía Megías 1999, 234). Hubo quienes, sin embargo, supieron aprovechar este ingente corpus para los estudios literarios (Gómez Redondo 1998, 13) a pesar de las dificultades que les suponía “la continua aparición de paréntesis y signos extraños” (Lucía Megías 1999, 234). No en vano Mackenzie, uno de los creadores del sistema de etiquetado decía que:
si se publica un texto transcrito así, lleno de códigos, tres tipos de paréntesis, etc., no tiene grandes cualidades estéticas. Claro que se puede someter a una depuración para producir un texto más legible
(Mackenzie 1994)
11Y es lo que abordó Tenenbaum (2001), que mostró cómo crear macros en Word97 para limpiar los textos y acceder con mayor facilidad y producir textos más legibles.
12Desde el ámbito de la lingüística histórica también ha recibido críticas negativas. Así, para Sánchez-Prieto Borja (1998, 192): “[l]as mayores limitaciones para el uso de las transcripciones de ADMYTE están dadas por el modo en que se ha preparado el texto base,” pues debería haberse realizado un esfuerzo crítico mayor por presentar un texto comprensible y que hubiera evitado que en las concordancias y lematizaciones de los discos de ADMYTE, que no fueron realizadas por el HSMS, ocurriera “la mezcla en una misma entrada a o de preposición y verbo, so pronombre, verbo y preposición, etc.), o mezcla los morfemas (amo y amó), lo que resta posibilidades de etiquetado morfológico y limita el valor del corpus, cuando más, al estudio del léxico” (Sánchez-Prieto Borja 1998, 193).
- 5 Madroñal (2003, 174 n27) cita una Prontuario de marcación SGML. Corpus Diacrónico del Español edita (...)
- 6 Ha habido varias propuestas de traducir las etiquetas de la TEI al español. La más antigua noticia (...)
13El cambio de siglo marcó, aparentemente, la muerte del sistema de codificación del HSMS. Ya Mackenzie en 1992 reconocía que las normas “no han logrado una universal aceptación” (Mackenzie 1994). Faulhaber (1994) y Marcos Marín (1993), artífices de ADMYTE, empezaron a mencionar en el ámbito hispánico un nuevo sistema para la codificación de textos: la Text Encoding Initiative (TEI) (Faulhaber 1994; Marcos Marín 1993, 1994 y 1996), que no cuajó temprano en el ámbito de la filología hispánica y hubo que esperar diez años para que se empezara a tener en cuenta y a difundir, aunque es el sistema de codificación que subyace en el Corpus Diacrónico del Español y en el Corpus de Referencia del Español Actual de la Real Academia Española5 y en la Biblioteca Virtual Miguel de Cervantes (Abaitua et al. 2003, 26), pero ninguna de las dos entidades responsables han ofrecido información acerca de los sistemas de codificación empleado.6
14Marcos Marín (1993, 79–80) señaló que la TEI era el sistema de codificación para la construcción del corpus de referencia del español actual (CREA), sin embargo, en 2009 no se acepta esta sugerencia. Así, en el diseño del CODEA se menciona la existencia del sistema de “anotación mediante marcas TEI,” pero por la urgencia “de publicación hemos creído preferible poner, por ahora, los textos sin anotar a disposición del interesado” (Sánchez-Prieto Borja et al. 2009, 32), mientras que Stulic-Etchevers & Rouissi (2009, 127), en el diseño del corpus digital del judeoespañol, ven que “la aplicación de la norma XML (como las distintas versiones de la TEI) presenta algunos inconvenientes de uso y por el momento estamos en busca de soluciones técnicas.” Más clarividentes, en este caso, fueron Carrera de la Red y Herrán (2006), que vieron el potencial de la TEI y bosquejaron las posibilidades las posibilidades del <teiHeader> (279) (fig. 5) y también presentaron cómo podría ser la estructura del elemento <text> (2006, 280) (fig. 6) e incluso detallaron cómo podría ser el <body> (2006, 281) (fig. 7) con un documento novohispano. Esta aproximación no se tuvo en cuenta dentro de la red CHARTA,7 en la que estaban integradas, hasta años más tarde, cuando diseñaron un manual para codificar los documentos de CHARTA con TEI (Isasi Martínez et al. 2014 y 2020), a pesar de las reticencias de Sánchez-Prieto Borja et. al. (2009, 32), y cuyos antecedentes están en Spence et al. (2012).
15Es desde el campo de la edición de textos donde la TEI se acepta con prontitud (Arronis Llopis et al. 2009, Fradejas Rueda 2009–2010, Isasi Martínez 2010) y poco después se extiende al ámbito de los corpus de la red CHARTA (Spence et al. 2012).
- 8 La solicitud, referencia FFI2016-75014-P AEI-FEDER, EU se presentó en 2015 y fue aprobada para el p (...)
16A raíz de la localización en el Archivo de Real Cancillería de Valladolid de cuatro fragmentos de otros tantos manuscritos desmembrados de las Siete Partidas (Fradejas Rueda 2015), se diseñó un proyecto, el proyecto 7PartidasDigital, cuyos objetivos eran la localización, digitalización (obtención de reproducciones digitales) y descripción de los testimonios de las Siete Partidas y la transcripción codificada en TEI de las que se consideraban las ediciones históricas de las Siete Partidas: la princeps de 1491, la de Gregorio López de 1555, y la edición que preparó la Real Academia de la Historia, la cual pretendió reemplazar la vetusta versión de 1555.8
- 9 Este cálculo es sobre la edición de 1555; en la princeps, según el Old Spanish Textual Archive (OST (...)
17El problema con el que nos enfrentamos en 7PartidasDigital era que había que transcribir tres textos de unas 750.000 palabras-token.9 Debido a que la edición de 1555 seguía teniendo valor legal y que era la obra de referencia que usaban todos los historiadores del derecho, se decidió hacer una transcripción manual de un ejemplar de esta edición. La fortuna quiso que se pudiera acceder (ya no es posible) a la reproducción digital de la Universidad de Lisboa, por lo que fue el ejemplar que se utilizó.
18El siguiente problema que hubo que resolverse fue si merecía la pena enseñar a los transcriptores a codificar los textos en TEI o que se centraran en la mera transcripción, que era lo que dominaban. Se decidió que lo mejor era que transcribieran en el procesador de textos con el que se sintieran más cómodos (Word, Pages, Google Docs, Open/Libre Office) de acuerdo con unas normas muy elementales basadas en las viejas normas de transcripción del HSMS. Debían transcribir título a título, respetar la longitud de línea, marcar en negrita las rúbricas, el desarrollo de las abreviaturas marcándolas en cursivas, no corregir el texto en ningún caso, en caso de duda marcar con un [sic] la forma dudosa, indicar el cambio de folio y el de columna.
Ejemplo 1. Texto tal y como lo envían los transcriptores (Fradejas Rueda 2021, 258).
Titulo .II. 12
[col. 1]
<span class="bold">%Ley .IIII. Que cosa es costumbre, e quan-
tas maneras son della.</span>
{IN5COstumbre es derecho
o fuero que non es es-
crito: el qual han vsa-
do los omes luengo
tiempo, ayudandose de
el en las cosas e <span class="italic">en</span> las razones, sobre que lo
vsaron. E son tres maneras de costum-
bres. La primera es, aquella que es sobre
alguna cosa señaladamente, assi como en
logar, o en persona cierta. La seguda [sic] so#
bre todo tambiem en personas, como en
logares. La tercera, sobre otros fechos se-
[col. 2]
ñalados que fazen los omes de que se
hallan bien en que estan firmes.
- 10 Las Siete Partidas es una obra legal redactada bajo los auspicios del rey Alfonso X el Sabio. Esta (...)
- 11 Este filtro es un plug-in para el editor de textos de Open Office (y también Libre Office), de ahí (...)
19Cuando cualquiera de los colaboradores finalizaba la transcripción de un título,10 debía remitir el fichero correspondiente (ejemplo 1). Recibido el fichero, se convertía a un etiquetado TEI muy básico gracias a un filtro TEI00P5.11 Se podría haber empleado la función de guardar como HTML de los procesadores de texto, o incluso la web OxGarage Conversion, pero ambos sistemas incorporan algo más de suciedad que el filtro TEIOOP5.
Ejemplo 2. Texto etiquetado por Open/LibreOffice y el filtro TEIOOP5 (Fradejas Rueda 2021, 259).
<p>[fol. 12r]</p>
<p>Titulo .II. 12</p>
<p>[col. 1]</p>
<p><hi>%Ley .IIII. Que cosa es costumbre, e quan-</hi></p>
<p><hi>tas maneras son della.</hi></p>
<p>{IN5COstumbre es derecho</p>
<p>o fuero que non es es-</p>
<p>crito: el qual han vsa-</p>
<p>do los omes luengo</p>
<p>tiempo, ayuda<emph>n</emph>dose de </p>
<p>el en las cosas e e<emph>n</emph> las razones, sobre que lo</p>
<p>vsaron. E son tres maneras de costum-</p>
<p>bres. La primera es, aquella que es sobre</p>
<p>alguna cosa señaladame<emph>n</emph>te, assi como en </p>
<p>logar, o en persona cierta. La seguda [sic] so#</p>
<p>bre todo tambiem en personas, como en</p>
<p>logares. La tercera, sobre otros fechos se-</p>
<p>[col. 2]</p>
<p>ñalados que fazen los omes de que se</p>
<p>hallan bien en que estan firmes.</p>
20Una vez que obtenido el fichero TEI básico (ejemplo 2), se procesaba con un script en R que añadía toda la codificación adicional necesaria (ejemplo 3), incluso los @xml:id diseñados para cada uno de los testimonios de las Siete Partidas a base de la sigla SP (en la actualidad hemos visto que es inútil), la sigla identificativa de cada testimonio (tres caracteres alfanuméricos), el número de la Partida (una posición), el número del título (dos posiciones) y el número de ley (tres posiciones). Este identificador nos permitirá, cuando se llegue al final del proyecto, acceder a cualquier ley, de cualquier testimonio y poderlos alinear.
Ejemplo 3. Texto etiquetado totalmente por medio de un script en R (Fradejas Rueda 2021, 260).
<pb n="12r"/>
<fw type="encabezado">Titulo .II.</fw>
<fw type="foliacion">12</fw>
<cb n="1"/>
<div n="1.2.4" type="ley" xml:id="SPLOP102004">
<head><lb/>¶ Ley .IIII. Que cosa es costumbre, e quan-
<lb break="no" rend="guion"/>tas maneras son della.</head>
<p><lb/><hi rend="init5">C</hi>ostumbre es derecho
<lb/>o fuero que non es es-
<lb break="no" rend="guion"/>crito: el qual han vsa-
<lb break="no" rend="guion"/>do los omes luengo
<lb/>tiempo, ayuda<ex>n</ex>dose de
<lb/>el en las cosas e e<ex>n</ex> las razones, sobre que lo
<lb/>vsaron. E son tres maneras de costum-
<lb break="no" rend="guion"/>bres. La primera es, aquella que es sobre
<lb/>alguna cosa señaladame<ex>n</ex>te, assi como en
<lb/>logar, o en persona cierta. La segu<ex>n</ex>da so-
<lb break="no"/>bre todo tambien en personas, como en
<lb/>logares. La tercera, sobre otros fechos se-
<cb n="2"/>
<lb break="no" rend="guion"/>ñalados que fazen los omes de que se
<lb/>hallan bien en que estan firmes.</p>
</div>
21Para la codificación TEI de la edición de 1491 se siguió un procedimiento diferente. Ya existía una transcripción electrónica de un ejemplar, transcripción que se había hecho según las normas del HSMS. En este caso, se analizaron las etiquetas de HSMS y se estudió cómo convertirlas al etiquetado TEI. De nuevo, se logró por medio de unos scripts en R, por lo que en muy poco tiempo se pudo disponer de una transcripción codificada en TEI (Fradejas Rueda 2021).
22Una tercera aventura, fue la conversión desde el etiquetado del HSMS a TEI de la transcripción del más antiguo testimonio de la Primera Partida, el ms. Additional 20787 de la British Library. Este fue realmente complicado debido a que en los manuscritos las rúbricas pueden no constituir un bloque compacto (figura 2) y fácilmente trasladable al etiquetado XML.
Figura 2. British Library, ms. Additional 20787, fol. 2v1, líneas 14–19.
23En el sistema del HSMS era un problema resuelto con sencillez (ejemplo 4), pero en la TEI es un problema complejo. Ahí aprendimos de la solución desarrollada por el equipo de Estoria de Espanna Digital, pero nos parece una manera muy complicada con un exceso de codificación en la que se pueden cometer errores con facilidad y cuya depuración puede ser ardua (ejemplo 5).
Ejemplo 4. Transcripción codificada según HSMS de BL, ms. Additional 20787, fol. 2v1, líneas 14–19.
sado de no recebir la pena que las leyes
mandan. {RUB. Q<u>a`les deue<n> seer escusados ma-gar +}
{IN3.} En la ley {RUB. no sepa<n> las leyes. L<ey>. +}
ante desta dixiemos q<ue> todos {RUB. .xija`.}
los om<ne>s de n<uest>ro se<n>norio se deuen
Ejemplo 5. Transcripción codificada TEI de BL, ms. Additional 20787, fol. 2v1, líneas 14–19.
<div><!-- ... -->
<lb/> sado de no recebir la pena que las leyes
<lb/>mandan.</div><div type="ley" xml:id="SPLBL101012">
<head><seg type="rubrica" xml:id="SPLBL101012.1">Quales deuen seer escusados ma-</seg></head>
<p><lb/><hi>E</hi>n la ley-<seg type="rubrica" xml:id="SPLBL101012.2">gar no sepan las leyes. Ley.</seg>
<lb break="no"/>ante desta dixiemos que todos<seg type="rubrica" xml:id="SPLBL101012.3">.xijª.</seg>
<lb/>los omnes de nuestro sennorio se deuen
<lb/>trabaiar de saber estas leyes. & los que las no
<!-- ... -->
</p>
<!-- ... -->
</div>
24Este uno de los mayores problemas de la TEI: la codificación de algunos aspectos puede ser muy compleja y las soluciones a la que pueden llegar unos proyectos asimilables, puede que no sea aplicables en otros, con lo que la interoperabilidad es una quimera, además de que, en más casos de los deseados, la documentación referente a la codificación de una edición no existe o no es accesible. Un poco más adelante veremos otro caso de problema de interoperabilidad debido al diferente uso que se le da a algunos atributos.
25De todos modos, ante el éxito cosechado con la transcripción manual con el protoetiquetado y el etiquetado final automatizado que habíamos desarrollado para textos impresos, decidimos hacer una prueba con manuscritos. La Dra. Dietrick transcribió manualmente la Primera Partida a partir de dos manuscritos de la BNE, el Vitrina 4/6 y el MSS/12793 y desde ahí seguimos el mismo flujo de trabajo que con la edición de 1555. El resultado fue altamente satisfactorio.
- 12 Esta iteración de 7PartidasDigital (referencia PID2020-112621GB-I00) fue aprobada por la Agencia Es (...)
26En la nueva solicitud de financiación para 7PartidasDigital,12 propusimos la transcripción codificada en TEI de todas las copias de la Primera y Cuarta Partidas. Unos veinte testimonios completos en total (más siete fragmentarios). Esta propuesta se presentó en 2020 y se pretendía hacer como había hecho la Dra. Dietrick con los dos manuscritos de la BNE citados, pero durante el encierro que sufrimos en 2020, a raíz de la pandemia de COVID-19, accedimos a una nueva herramienta que podría acelerar el proceso. Se trata de la plataforma de Handwritten Text Recognition (HTR) Transkribus (Kahle et al. 2017). Aquí el salto cuántico fue gracias a Stefano Bazzaco (2020) que nos ayudó a diseñar un modelo para transcribir automáticamente un ejemplar de la segunda edición de las Siete Partidas, acabada de imprimir en diciembre de 1491.
- 13 Para una discusión en profundidad sobre estos dos modelos véase Fradejas Rueda y Cossío Olavide (20 (...)
27El resultado de este primer modelo fue excelente. La tasa de error fue inferior al 1%. Además, dado que el sistema de la plataforma Transkribus permite descargar el resultado en un fichero TEI, fue sencillo adaptarlo al sistema de etiquetado diseñado en 7PartidasDigital. El único problema de este modelo, basado en el modelo para impresos góticos de los siglos XV y XVI desarrollado por Bazzaco, es que resolvía silenciosamente las abreviaturas, regularizaba algunos aspectos ortográficos (nasales ante oclusivas y el signo tironiano) por lo que ocultaba datos que en 7PartidasDigital son de interés. Estos mismos problemas los hemos detectado en un modelo que ha creado otro grupo de investigación para la transcripción de incunables poéticos castellanos.13 Pueden ser útiles para el estudio literario, pero no para el lingüístico.
- 14 Esta información, en el Client Expert, se encuentra dentro de la pestaña Metadata, y dentro de ella (...)
28Descubrimos que dentro de Transkribus es posible añadir etiquetado estructural y textual compatible con la TEI. Pensamos que se podía entrenar un modelo que etiquetara automáticamente el desarrollo de las abreviaturas marcadas con la sencilla etiqueta de expansión (<ex>). Se hizo una prueba con la edición veneciana de 1501, para lo que se creó un ground truth de entrenamiento con cerca de 30.000 palabras. Aparentemente fue un éxito, pues ofreció una tasa de error inferior al 1%. Sin embargo, no aprendió a marcar el desarrollo de las abreviaturas, tan solo las transcribía. El etiquetado TEI fino es cuestión de posproducción, son metadatos e información que se añaden a posteriori.14 Por lo tanto, la TEI no valía para transcribir automáticamente los textos marcando las abreviaturas, aunque sí permitía algunos aspectos estructurales como columnas, folios, encabezamientos y signaturas y reclamos pues dependen de zonas de texto dentro de la imagen que ha de descifrar. Por eso hubimos de abandonar, temporalmente, el marcado TEI.
Figura 3. Información sobre el modelo Gótica Libraria XIII CITLab desarrollado en Transkribus.
- 15 Durante la Transkribus Users Conference (TUC-2024), la investigadora italiana Elisa Bastianello mos (...)
- 16 En las versiones originales del etiquetado del HSMS se usaba el acento grave (`) para marcar las le (...)
- 17 Este modelo dejó de ser operativo por un problema de derecho de propiedad industrial por lo que Tra (...)
29A sugerencia de Francisco Gago Jover probamos a usar el sistema de marcado de abreviaturas del HSMS, los signos de mayor y menor que, o paréntesis angulares, y el acento grave para las letras voladas.15 Se entrenó un primer modelo con el manuscrito VITR/4/6 de la BNE usando los signos de menor que —<— y mayor que —>— (o paréntesis angulares) y el acento grave.16 Fue toda una revelación porque ofreció una tase de error de tan solo el 3.34% (figura 3).17 Animados con estos resultados, se entrenaron otros modelos para otros manuscritos como el 43–12 de la Catedral de Toledo, el MSS/12793 de la BNE o para el ms. 43–13 de la misma Catedral de Toledo todos ellos con tasas de error inferiores al 4%. Estos resultados llevaron a tomar la decisión de que las transcripciones se harían asistidas por los modelos HTR y que para poder considerar como válido un modelo, este debería tener una tasa de error CER inferior a 4%.
- 18 Esta posibilidad solo opera en la WebApp, que es lo que recoge la figura 4.
30La siguiente decisión fue emplear la plataforma Transkribus como un editor de textos y hacer ahí las labores de postedición necesarias para obtener una transcripción de los diversos testimonios. Esto implica añadir las etiquetas que delimitan los títulos corrientes, rúbricas, iniciales, marcado de texto en otras lenguas, especialmente latín, correcciones y añadidos del copista e incluso de los editores debido la facilidad de poderlas insertar con un sencillo clic gracias al teclado virtual (figura 4).18
Figura 4. Visión de la página de edición de Transkribus. Entre la reproducción del testimonio y la transcripción, se encuentran las etiquetas del teclado virtual.
31Quizá parezca extraño que estemos usando el sistema de codificación del HSMS, puesto que es una labor de posproducción (o postranscripción), y no se emplean directamente las etiquetas TEI disponibles. Se tomó esta decisión porque al utilizar el sistema del HSMS tenemos la posibilidad de usar una herramienta de lematización y etiquetado morfológico que Gago Jover y Pueyo Mena (2018a, 2018b) han desarrollado para el Old Spanish Textual Archive (OSTA), lo que permite, además, añadir una nueva capa de datos a los ficheros; capa que, cuando se inició el proyecto (2014), nos parecía ciencia ficción: incorporar información morfológica y léxica a las transcripciones de textos medievales castellanos.
32Debido a que el HSMS trabaja con ficheros de texto plano, y como por medio del teclado virtual (siempre que se trabaje en la aplicación web) se pueden introducir las etiquetas delimitadoras de columna —{CB1. o {CB2.—, rúbrica —{RUB.—, inicial —{INn.}—, signatura —{SG.}—…—, la mejor opción es descargar el resultado en un fichero de texto plano. Tras lo que comienza un nuevo proceso, el de comprobar que todas las etiquetas están cerradas y emparejadas y no hay errores en la foliación, ni caracteres no válidos. Para ello se ejecuta la rutina PROOFER (Nitti 1978), que actualmente solo funciona en MS-DOS, por lo que hemos tenido que instalar un emulador de DOS. Debido a esto, hay que tener cuidado de que el fichero esté codificado en ANSI y que los fines de línea sean “a la Microsoft,” es decir, con la secuencia CR+LF. El análisis con esta rutina da un fichero con todos los avisos correspondientes que han de ser corregidos.
Figura 5. Pantalla del analizador Corpus OSTA.
33Una vez enmendados todos los problemas, entonces procedemos a analizarlo con la aplicación OSTA, un lematizador y etiquetador morfológico (PoS tagger) basado en FreeLing (Padró 2011, Padró y Stanilovsky 2012, Sánchez-Marco et al. 2011). Analizado un texto, lo que puede llevar a la máquina entre uno y tres minutos, presenta en la pantalla el resultado (figura 5). En una representación de la mise-en-page del ejemplar transcrito y codificado en la que pueden aparecer algunas formas resaltadas. Las que aparezcan en rojo o bien son errores de transcripción, por lo que se procede a la corrección en el fichero de texto plano original, o bien son formas que no constan en el diccionario del etiquetador. En este caso, al hacer clic sobre una palabra en rojo, se resalta con una caja negra y en la caja de la derecha se permite corregir lo necesario, ya sea el lema, ya sea el análisis morfológico, ambos y, si es necesario, añadir otros posibles análisis para la palabra en cuestión.
34Las palabras en azul son palabras que presentan clíticos. Aquí hay que estar avisados en el sentido de que a veces el etiquetador no lo tiene claro y muestra como palabras con clíticos formas que no los contienen realmente. Un caso clásico, en nuestra experiencia, son las primeras personas del plural. El etiquetador ante la s final de algunas formas verbales cree que se trata del pronombre personal se apocopado.
Figura 6. Pantallazo del fichero final del analizador Corpus OSTA.
35El resultado final es una página HTML en la que se mantiene la disposición gráfica y textual del original, como puede verse en la figura 6, pero también contiene información léxica y morfológica que solo es visible al pasar el ratón sobre cada una de las palabras. Este fichero HTML es fácilmente transformable en un documento TEI válido.
36La estructura de estos ficheros HTML con el resultado final es vertical. Cada una de las palabras gráficas está encerrada en la etiqueta <w> la cual contiene un único atributo, @data1 que recoge toda la información generada por el etiquetador: la forma regularizada, el lema y la etiqueta morfológica (ejemplo 6).
Ejemplo 6. Cuatro primeras líneas del texto analizado y representado en la figura 5.
<FOL>
<folio>5r</folio>
<CB2>
<CB>
<LN id="360"><LNC>1</LNC></LN>
<w data1="do·donde·PR000000">do</w>
<w data1="non·no·RN">no</w>
<w data1="lo·lo·PC3NA00">lo</w>
<w data1="podrie·poder·VMIC3S0">pod<ABB>r</ABB><SUP>i</SUP>e</w>
<w data1="ffazer·hacer·VMN0000">ffazer</w>
<w data1="ssin·sin·SPS00">ssin</w>
<w data1="conssementjento·consentimiento·NCMS000">conssementj<ABB>en</ABB>to</w>
<BR/>
<LN id="361"><LNC>2</LNC></LN>
<w data1="del·l·de·SPS00·DA0MS0">del</w>
<w data1="otro·otro·PI0MS000">otro.</w>
<RUB>
<w data1="¶·¶·Fz1">¶</w>
<w data1="Ley·ley·NCFS000">Ley</w>
<w data1="quinta·quinta·NCFS000">q<ABB>u</ABB><SUP>i</SUP>nta</w>
<w data1="commo·como·CS">commo</w>
<w data1="bo·bo">bo</w>
<w data1="en·en·SPS00">en</w>
<w data1="el·el·DA0MS0">el</w>
<w data1="matrimonjo·matrimonio·NCMS000">matr<ABB>i</ABB><SUP>i</SUP>mo·njo</w>
</RUB>
<BR/>
<LN id="362"><LNC>3</LNC></LN>
<w data1="ay·ahí·RG">ay</w>
<w data1="tres·tres·AQ0MS0">tres</w>
<w data1="ssagramento·sacramento·NCMP000">ssagrame<ABB>n</ABB>tos</w>
<w data1=".·PUNCT·PUNCT">.</w>
<BR/>
<LN id="363"><LNC>4</LNC></LN>
<w data1="Uerdadero·verdadero·AQ0MS0">U<IN2>u</IN2>erdadero</w>
<w data1="es·ser·VSIP3S0">es</w>
<w data1="el·el·DA0MS0">el</w>
<w data1="casamjento·casamiento·NCMS000">casamje<ABB>n</ABB>to</w>
<w data1="que·que·PR0CN000">q<ABB>ue</ABB></w>
<w data1="sse·se·PC3N000">sse</w>
<BR/>
</CB>
</CB2>
</FOL>
37Esto es fácilmente transformable a TEI, puesto que tiene el elemento <w> y este una serie de atributos que permiten codificar toda esa información. Los más claros son los atributos @lemma y @pos19 (ejemplo 7). El gran problema que se nos ha planteado en 7PartidasDigital es decidir qué atributo es el que debe contener la forma libre de las indicaciones editoriales (y marcas de abreviatura) que constituyen el valor del elemento <w>. Las TEI Guidelines (TEI 2024) ofrecen dentro de los atributos lingüísticos (att.linguistic20) un subapartado llamado att.lexicographic.normalized21 y que proporciona los atributos @norm y @orig El primero “provides the normalized/standardized form of information present in the source text in a non-normalized form,” mientras que el segundo “gives the original string or is the empty string when the element does not appear in the source text.”
Ejemplo 7. El texto del fichero html producido por el analizador OSTA y transformado a codificación TEI.
<pb n="5r"/>
<cb n="1"/>
<lb n="1"/>
<div>
<p>
<w norm="do" lemma="donde" pos="PR000000">do</w>
<w norm="non" lemma="no" pos="RN">no<ex>n</ex></w>
<w norm="lo" lemma="lo" pos="PC3NA00">lo</w>
<w norm="podrie" lemma="poder" pos="VMIC3S0">pod<ex>ri</ex>e</w>
<w norm="ffazer" lemma="hacer" pos="VMN0000">ffazer</w>
<w norm="ssin" lemma="sin" pos="SPS00">ssin</w>
<w norm="consentimento" lemma="consentimiento" pos="NCMS000">conssetimje<ex>n</ex>to</w>
<lb n="2"/>
<w norm="del" lemma="de el" pos="SPS00·DA0MS0">del</w>
<w norm="otro" lemma="otro" pos="PI0MS000">otro</w>
<w norm="." lemma="PUNCT" pos="PUNCT">.</w>
</p>
</div>
<div type="ley">
<head rend="rojo">
<w norm="¶" lemma="¶" pos="Fz1">¶</w>
<w norm="Ley" lemma="ley" pos="NCFS000">Ley</w>
<w norm="quinta" lemma="quinta" pos="NCFS000">q<ex>ui</ex>nta</w>
<w norm="commo" lemma="como" pos="CS">com<ex>m</ex>o</w>
<w norm="en" lemma="en" pos="SPS00">en</w>
<w norm="el" lemma="de" pos="DA0MS0">e<ex>el</ex></w>
<w norm="matrimonjo" lemma="matrimonio" pos="NCMS000">mat<ex>ri</ex>mo-</w>
<lb n="3"/>njo</head>
<lb n="4"/>
<p>
<w norm="Uerdadero" lemma="verdadero" pos="AQ0MS0"><hi rend="inicial_2">U</hi>erdadero</w>
<w norm="es" lemma="ser" pos="VSIP3S0">es</w>
<w norm="el" lemma="de" pos="DA0MS0">el</w>
<w norm="casamjento" lemma="casamiento" pos="NCMS000">casamje<ex>n</ex>to</w>
<w norm="que" lemma="que" pos="PR0CN000">q<ex>ue</ex></w>
<w norm="sse" lemma="se" pos="PC3CN000">sse</w>
</p>
</div>
38Puesto que lo que queremos codificar como atributo es la forma limpia de las informaciones relativas al desarrollo de abreviaturas, correcciones de los escribas o de los transcriptores, estimamos que el atributo correcto es @norm puesto que, en cierta manera, se ofrecerá una forma normalizada / estandarizada, y que no consideramos como la forma regularizada, que se suele marcar con el elemento <reg>. No se trata de ofrecer la alternativa, englobándola con <choice> de la forma original <orig> y la regularizada dentro de <reg>, sino recoger la forma gráfica que aparece en el texto sin las microcaracterísticas que nada pueden aportar, pues no buscamos una presentación crítica (Sánchez-Prieto Borja 1998, 69) cuyo objetivo sea facilitar la lectura (Sánchez-Prieto Borja 2011, 40) de los documentos antiguos ni deshacer problemas de ambigüedades en formas como amo (sustantivo) que se confundiría con amo (presente del verbo amar), aunque la presentación crítica poco puede hacer en este caso, y, puesto que los textos antiguos no usan tildes diacríticas, amo (3ª del pretérito perfecto). De la desambiguación se encargan el lema amo, amar y las etiquetas morfológicas correspondientes: NCMS000, VMIP1S0 y VMII3S0.
- 22 En el caso de la inicial de la figura 2, la codificación, por el momento, es <hi rend="init3">E</hi> (...)
39Lo que se presenta en la ejemplo 6 no es la codificación última que tendrán los ficheros en 7PartidasDigital, pues, por ejemplo, en el <div> de la línea 39 de la ejemplo 6 no se ha incluido el @xml:id. Además, hay un pequeño problema que no sabemos cómo resolver: el marcado de las iniciales, tanto en manuscritos como en los impresos. Por el momento se ha resuelto con <hi> y con el atributo @rend en el que el literal es "init" y una cifra que indica el número de líneas que abarca,22 pero es una solución muy pobre habida cuenta que las iniciales, como dicen Millet y Pérez Ben (2023, 5), no son “a normal highlighted letter, but rather a letter that has another entity. Some initials occupy large spaces, are historiated, extend across the margin of the text column, etc..” Podría usarse el elemento <c> puesto que se trata de un carácter, pero los atributos disponibles no permiten una mayor especificación, aunque se abre una mayor posibilidad debido a la existencia de los atributos @type y @subtype.
40Un tercer problema, de corte lingüístico, es el tratamiento de las formas unidas ssobresta, que, por el momento etiquetamos como una única palabra gráfica —<w norm='ssobresta' lemma='sobre·este' pos='SPS00·DD0FS0'>ssobresta</w>—, aunque en realidad son dos palabras fundidas, contraídas, en una sola debido a la fusión de dos vocales iguales, a lo que habría que añadir los clíticos. El elemento <w> tiene el atributo @join que nos permitiría indicar que uno de los dos componentes se ha unido al otro y quizá podría analizarse de este modo:
<w norm="ssobr" lemma="sobre" pos="SPS00" join="right">ssobr</w>
<w norm="esta" lemma="este" pos="DD0FS0" join="left">esta</w>
41Sin embargo, se trata de una profundización, o intervención, excesiva en favor de una supuesta mayor legibilidad de los textos. En este caso, y muchos otros, ¿cuál es la vocal elidida, la final de sobre o la inicial de esta? El español no acepta finales con dos consonantes, tan solo fueron aceptables durante la época en la que se produjo la llamada apócope extrema.
42La TEI se ha consolidado como el sistema de codificación textual más adecuado y ampliamente utilizado en el ámbito de las humanidades digitales. Su evolución ha superado notablemente a sus predecesores, ofreciendo una versatilidad y profundidad sin precedentes en la representación digital de textos de interés filológico. No obstante, su complejidad puede presentar desafíos, a menudo los investigadores se enfrentan a decisiones complejas sobre la selección de los elementos y atributos apropiados, muchas veces provocados por la escasez de documentación detallada sobre las prácticas de etiquetado de numerosos proyectos. No obstante, es importante reconocer que la TEI no siempre constituye la solución óptima para todas las fases de un proyecto. En determinadas circunstancias, sistemas de codificación más antiguos y menos complejos, como es el caso del desarrollado por el HSMS, pueden resultar más eficaces, especialmente cuando se trata de integrar el marcado textual con otras tecnologías o abordar tareas específicas que requieren un enfoque más directo (transcripción automática o asistida por HTR). Esta realidad se ha puesto de manifiesto durante el desarrollo del proyecto 7PartidasDigital, donde la flexibilidad en la elección de herramientas de codificación ha demostrado ser crucial para alcanzar los objetivos de manera eficiente.
SVN keywords: $Id: jtei-fradejasrueda-295-source.xml 1347 2025-12-15 19:09:30Z ron $