Cómo está hecho
Leer y votar
Un solo ejemplar de la edición de París, 1905 (550 hojas a 300 ppp), leído por el taller con Kraken (el modelo CATMuS-Print) y con Tesseract. Se votan Kraken y dos Tesseract (la tercera sale igual que una de ellas), Kraken de pivote: en la página medida el voto acierta más que cada una sola, y aquí no moderniza nada, porque la edición ya va en la ortografía de la Academia. El texto de Bello y las notas de Cuervo, que tienen su propia paginación, se votaron aparte.
Medir
Contra una sola página copiada a mano en la imagen (la pág. 60; 2.108 letras), el texto votado se equivoca en un 1,28 % de las letras. Es una sola página: la cifra es orientativa. Las notas de Cuervo no tienen página de oro propia.
| texto | CER | WER | pág. 60 |
|---|---|---|---|
| el voto de Kraken y dos Tesseract (lo publicado) | 1,28 % | 7,1 % | 1,28 |
| Kraken sola | 1,61 % | 11,1 % | 1,61 |
| Tesseract (tess-b3) | 1,33 % | 7,4 % | 1,33 |
| Tesseract (tess-g25) | 1,42 % | 7,4 % | 1,42 |
| el voto de las cuatro | 1,38 % | 7,1 % | 1,38 |
Trocear
Por reglas que se leen, sin modelos de lenguaje (`herramientas/gramaticas-libro/`, con tests). Las reglas solo quitan o juntan lo que la máquina o el impresor ponen fuera del texto; no se corrige ninguna palabra.
- El párrafo que sigue en la página siguiente se junta, y la palabra partida entre dos páginas se escribe entera (175).
- El titulillo de arriba de cada página, que la máquina lee aparte del número, fuera (65); y las cabezas sueltas «CAPÍTULO …» y «APÉNDICE.» (46), porque el capítulo se encuentra por su título.
- Los capítulos (I a L y siete apéndices), del índice del libro: en su página se busca su título y se parte ahí. Las notas de Bello, por «NOTA I.», «NOTA II.»…; las de Cuervo, por su número y el párrafo de Bello al que van («4 (núm. 7).»).
| partes | capítulos | párrafos | páginas leídas | palabras |
|---|---|---|---|---|
| 9 | 202 | 3435 | 533 | 230.847 |
Lo que queda mal y se ve: las tablas (los paradigmas de la conjugación), alguna cifra de los números de párrafo («4048» por 1048), algunas notas cuya cabeza la máquina leyó mal y que van con la nota de antes (de Bello, la VI y la VII; de Cuervo, unas veinte de unas ciento cincuenta), y los índices, con sus columnas de números.
El texto entero, en TXT. Todo es de dominio público; lo nuestro (el troceado, las cuentas, estas páginas), CC BY 4.0, Karb and Sil.