Cómo está hecho
Leer y votar
Un solo ejemplar de la segunda edición (París, 1835; 552 hojas a 600 ppp), leído por el taller con Kraken (el modelo CATMuS-Print) y con una Tesseract. La Kraken lee mejor las letras, pero se come casi todas las tildes y las eñes (genero, despenase); la Tesseract las ve. No se votan: con dos lecturas desempata el léxico de hoy, y el léxico de hoy corrige a Salvá (preposicion → preposición 87 veces, hai → haz; en la pág. 395, donde explica que caido, leido, oido se dicen como si se escribiesen caído, leído, oído, el voto las cambia de sitio). Se publica la Kraken, y en cada palabra que las dos leen igual salvo las tildes, la tilde o la eñe de la Tesseract si el libro escribe así esa palabra (la Tesseract la lee así más veces que sin ella en todo el libro) y no es una aguda acabada en consonante, que Salvá no acentúa (preposicion, razon, capitan). Sin léxico de hoy ni modelos de lenguaje: 6.770 palabras cambiadas, todas en tildes y eñes (`herramientas/salva-gramatica/tildes.py`). Las notas al pie, en letra menuda debajo de una raya, se apartan del texto en 29 páginas: la raya se ve en la imagen y el renglón donde empieza la nota sale de su altura y del largo de los renglones (`menuda.py`).
Medir
Contra seis trozos copiados a mano en la imagen (págs. 25, 130, 210, 320 y 395, y la 165, copiada después de hacer las reglas, de control; 5.192 letras), el texto publicado se equivoca en un 0,96 % de las letras: de 0,33 % (la 165) a 1,82 % (la 395, la de las tildes de los diptongos). Lo que más queda son tildes que ninguna de las dos lecturas vio (sinó, apóstoles, circúito) y alguna letra de la cursiva (oisto por visto).
| texto | CER | WER | pág. 25 | pág. 130 | pág. 165 (control) | pág. 210 | pág. 320 | pág. 395 |
|---|---|---|---|---|---|---|---|---|
| Kraken con las tildes de la Tesseract (lo publicado) | 0,96 % | 6,4 % | 0,35 | 0,85 | 0,33 | 1,23 | 0,80 | 1,82 |
| Kraken sola | 1,81 % | 11,3 % | 2,12 | 1,58 | 0,66 | 2,45 | 0,91 | 2,97 |
| Tesseract (tess-col2-psm6) sola | 2,23 % | 11,2 % | 0,88 | 1,46 | 0,88 | 4,19 | 1,49 | 3,55 |
| el voto de las dos (`obra.py`, con el léxico de hoy) | 1,44 % | 9,3 % | 1,95 | 1,34 | 0,33 | 1,64 | 0,80 | 2,59 |
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 (286).
- El titulillo de arriba de cada página («SINTÁXIS», «DE LA PREPOSICION.», «Y MÉTRICA.»), fuera, también cuando la máquina lo lee pegado al texto («SINTAXIS segun se ve en…») (457); y las cabezas sueltas «CAPÍTULO …» y «PARTE …» (13), porque el capítulo se encuentra por su título.
- Los capítulos, de la «Tabla» 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. La Sintáxis va en dos páginas.
- Las notas al pie, en letra menuda, van en su propio hilo (la que sigue en la página siguiente se junta con su principio, no con el texto) y se enseñan sangradas, con «nota al pie».
| partes | capítulos | párrafos | páginas leídas | palabras |
|---|---|---|---|---|
| 8 | 34 | 3505 | 542 | 166.627 |
Lo que queda mal y se ve: las tablas de las conjugaciones (págs. 58-98, un renglón por párrafo y a veces las columnas mezcladas); las notas al pie de las páginas en que no se apartaron (una de cada dos: las que la raya o el largo de los renglones no dejan ver con seguridad), que van pegadas al texto; las tildes que ninguna lectura vio; y las cabezas de las notas C y E del final, que la máquina no leyó (van dentro de la nota de antes).
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.