Cómo está hecho
Leer y votar
Un solo ejemplar, escaneado a poca resolución (885 puntos de ancho), leído por el taller con Kraken y con cuatro configuraciones de Tesseract. La Kraken lee mejor las letras, pero se come casi todas las tildes y las eñes (articulo, Espana); se le pusieron las que ve la Tesseract en la misma palabra cuando el libro la escribe así en otras páginas o cuando otra lectura las ve igual (así entran qué, sí, éstos, que el libro también escribe sin tilde cuando significan otra cosa). En las 24 páginas de tablas de conjugación la Kraken revuelve las columnas y pierde renglones: esas van de la Tesseract. Los puntos de relleno de las tablas y los índices («Yo.. . . am-aba») se quitaron. No se votó con el léxico de hoy: cambiaba la versalita del libro («LA España» → «La España»).
Medir
Contra siete páginas copiadas a mano en la imagen (págs. 12, 70, 150, 200, 250, 300 y 340; 12.096 letras; la 250 se copió después de escribir las reglas, de control), el texto publicado se equivoca en un 1,12 % de las letras. En la prosa, entre el 0,32 % y el 1,53 %; la lista de la pág. 250, 1,22 %; la tabla de la conjugación de amar (pág. 70), 5,78 %. La Kraken sola, 3,87 %; la mejor Tesseract sola, 1,88 %; el voto de las cinco lecturas, 1,78 % (las cuatro, con los puntos de relleno quitados como en lo publicado).
| texto | CER | pág. 12 | pág. 70 (tabla) | pág. 150 | pág. 200 | pág. 250 (control) | pág. 300 | pág. 340 |
|---|---|---|---|---|---|---|---|---|
| la Kraken con las tildes de las Tesseract y las tablas de la Tesseract (lo publicado) | 1,12 % | 0,32 | 5,78 | 0,43 | 0,65 | 1,22 | 0,37 | 1,53 |
| el voto de las cinco lecturas | 1,78 % | 0,64 | 10,74 | 1,22 | 0,33 | 1,55 | 0,55 | 1,92 |
| la Tesseract (tess-g25-psm1) sola | 1,88 % | 0,87 | 5,78 | 2,01 | 0,65 | 3,45 | 0,60 | 2,37 |
| la Kraken sola | 3,87 % | 1,46 | 30,70 | 0,67 | 1,47 | 1,62 | 1,51 | 2,15 |
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 (109).
- Las cabezas sueltas «CAPÍTULO …», fuera (50), y con ellas los titulillos que la máquina leyó mal y no se quitaron al votar; el capítulo se encuentra por su título.
- Los capítulos, del «Índice de materias» del libro: en su página se busca su título como lo leyó la máquina y se parte ahí; el título que se enseña es el del libro. Los apartados de cada capítulo («Número de los nombres», «Pronombres posesivos») quedan como párrafos en mayúsculas dentro del texto.
| partes | capítulos | párrafos | páginas leídas | palabras |
|---|---|---|---|---|
| 8 | 33 | 4069 | 398 | 110.895 |
Lo que queda mal y se ve: las tablas de varias columnas (las terminaciones de las tres conjugaciones, la lista de los verbos irregulares, el catálogo de voces de dudosa escritura y el índice alfabético), donde los renglones de una columna se juntan con los de la otra; los adornos de las cabeceras, que la máquina lee como letras sueltas (al principio del capítulo XII); y alguna tilde o eñe que no vio ninguna lectura.
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.