Cómo está hecho
Leer y votar
Dos tomos, cada uno un escaneo de un solo ejemplar (469 y 455 hojas a 200 ppp), leídos por el taller con Kraken (el modelo CATMuS-Print). Una sola lectura, sin voto: el taller no los leyó con Tesseract. Cada tomo tiene su paginación; el texto va seguido de uno a otro, y cada párrafo dice su tomo y su página («t. II, pág. 86»).
Medir
Contra cinco trozos de media página copiados a mano en la imagen (t. I, págs. 44, 204 y 384; t. II, págs. 86 y 316; 3.669 letras), el texto se equivoca en un 1,99 % de las letras. Casi dos tercios de ese error son tildes y eñes que la máquina no ve en un escaneo de 200 ppp («ninos», «senora», «articulo»): sin contarlas, el error baja al 0,71 %.
| texto | CER | WER | t. I, 44 | t. I, 204 | t. I, 384 | t. II, 86 | t. II, 316 |
|---|---|---|---|---|---|---|---|
| Kraken sola (lo publicado) | 1,99 % | 10,2 % | 0,99 | 1,75 | 1,22 | 3,21 | 2,71 |
| lo mismo, sin contar tildes ni eñes | 0,71 % |
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 (352).
- El titulillo de arriba de cada página («ANDRÉS BELLO.», «GRAMÁTICA CASTELLANA.»), fuera (59); y las cabezas sueltas «CAPÍTULO …» y «APÉNDICE» (20), porque el capítulo se encuentra por su título.
- Los capítulos (I a L y siete apéndices), del índice de cada tomo: en su página (con su tomo) se busca su título y se parte ahí. Los dos tomos van seguidos: el t. I acaba en el capítulo XXX y el II empieza en el XXXI. Las notas de Bello, por «NOTA I», «NOTA II»… y su título; las de Cuervo, por su número y la página de esta edición a la que van («4 (pág. 19).»).
| partes | capítulos | párrafos | páginas leídas | palabras |
|---|---|---|---|---|
| 8 | 188 | 3215 | 819 | 176.783 |
Lo que queda mal y se ve: las tildes y las eñes que la máquina no ve (es lo que más se nota al leer), las tablas (los paradigmas de la conjugación), los títulos de las notas de Bello sin tildes («Definicion del verbo»), unas pocas notas de Cuervo cuya cabeza la máquina leyó mal y que van con la nota de antes (unas cinco de unas ciento veinte), 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.