De dónde sale el texto
El texto del Diccionario de ideas afines que publicamos sale de varias fuentes, entre ellas Internet Archive y la Universidad de Duke, cotejadas y corregidas por Karb and Sil.
El texto de Benot es de dominio público. Lo nuestro (las correcciones, el cuadro navegable, el índice de palabras, los enlaces) se publica con licencia CC BY 4.0, Karb and Sil.
Por qué no basta con la transcripción
La transcripción es buena, pero no es el libro letra a letra. Comparada palabra a palabra con las dos lecturas del escaneo, en las páginas de cada grupo: de 223 989 palabras de tres letras o más, las dos lecturas leen el 85,9 %; del resto, la mayoría son errores de las lecturas, no de la transcripción [El cotejo]. Pero tiene unas dos mil erratas de tecleo (incopóreo, cenectivo, pastels), algunas palabras pegadas (cunatriclinio) y casi siempre las tildes de hoy: a donde el libro imprime á, fue donde imprime fué [El cotejo].
Cómo lo hemos corregido
Con reglas que se leen. La idea es mirar cada palabra de la transcripción en su sitio: se busca en las lecturas entre la palabra de antes y la de después, y lo que haya en medio es lo que imprime el libro ahí. No vale una regla general, porque el libro no es uniforme: en la pág. 8 imprime «conforme á» y en la 489, «ir a la concha» [Los recortes]. interpretación nuestra
| palabras | qué | |
|---|---|---|
| erratas corregidas, con contexto | 1 290 | la transcripción trae una palabra que no existe, y las lecturas, en ese sitio, una que sí y se le parece: incopóreo → incorpóreo (en 1 020, las dos lecturas; en 270, una, y entonces tienen que parecerse más) |
| erratas corregidas, sin contexto | 188 | a una sola letra de una palabra que está en las páginas del grupo, y sin otra parecida: diversamene → diversamente |
| palabras pegadas, separadas | 101 | cunatriclinio → cuna, triclinio, cuando una lectura las lee seguidas |
| tildes del libro puestas | 2 679 | 2 330 que el libro añade (a → á, mas → más, piston → pistón) y 349 que quita o mueve (grís → gris), estas solo si las dos lecturas coinciden |
| erratas dudosas, decididas con un juez o en el escaneo | 712 | 854 dudosas (hay una palabra parecida en las páginas, pero sin contexto ni bastante parecido) y 100 palabras que no están en ningún léxico y que ninguna lectura lee: se le preguntó a un modelo de lenguaje qué imprime el libro, con respuesta cerrada, y su respuesta pasó una comprobación en código: 551 corregidas (golge de estado → golpe de estado, comoreliquía → como reliquia), 129 que estaban bien (Bokaldi, Epafo). Las 274 que el juez no resolvió se miraron una a una en el escaneo: 161 corregidas con lo que imprime el libro (acclar → acelar, tetracado → tetrarcado), 83 que estaban bien |
| erratas dudosas, sin tocar | 30 | miradas en el escaneo: 20 no se leen (renglones casi sin tinta, una letra que falta) y 10 piden juntar o quitar palabras de la transcripción (relampa y guear, donde el libro imprime relampaguear): se quedan como las trae la transcripción |
| tildes sin decidir | 605 | las lecturas no coinciden, o solo una tiene el contexto: se queda la de la transcripción |
Mirado en el escaneo, con una muestra: de 8 erratas corregidas con una sola lectura, las 8 bien; de 14 corregidas sin contexto, 13 bien y una a medias (cumpliminto → cumplimiento, donde el libro dice cumplimientos: por eso añadimos la condición de que no haya otra palabra parecida); de 14 dudosas, 8 eran erratas de verdad (dos de ellas, palabras pegadas), y por eso no las cambiamos todas a ciegas [Los recortes]. Las decisiones del juez, también miradas en el escaneo: en una primera muestra de 30, 26 bien; añadimos dos comprobaciones (si los dos OCR leen otra cosa en el mismo sitio, no vale; las tildes las dicen los OCR, no el juez) y, en una segunda muestra de 30 nueva, las 30 bien [Los recortes].
No corregimos lo que el libro imprime mal (la transcripción pone obtuso donde el libro dice obstuso, y se queda la de la transcripción), ni las voces en cursiva (latín, francés), ni lo que la transcripción no trae: el libro va a dos columnas, cada grupo junto a su contrario, y una palabra que falta no se puede atribuir a un grupo sin saber de qué columna es.
Las páginas
La transcripción no trae páginas. Las sacamos de las dos lecturas: el número y el título del grupo en el cuerpo («733. Trofeo.—N.»), el titulillo de cada página («4—6») y, donde nada de eso se lee, la página entre sus vecinos que más trae de sus primeras palabras. Así, 997 de los 1 025 grupos tienen su página segura; 28 la tienen por la de sus vecinos.
Para el Diccionario
Este mismo texto, con las tildes del libro y, al lado, la palabra con las tildes de hoy y su lema, va al Diccionario de Wordkers como ontología temática: los mil grupos, su cuadro y sus contrarios. Con las erratas corregidas, el Diccionario reconoce 82 939 palabras de las 162 314 (antes de corregir, 82 198); el resto son, sobre todo, locuciones (manera de ser) y palabras que existen pero no son cabeza de artículo.
Karb and Sil · 25/10/2026 18:26 · CC BY 4.0