Síntesis y avances del proyecto ANR-D4R - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Síntesis y avances del proyecto ANR-D4R

Résumé

El proyecto ANR-D4R, un esfuerzo colaborativo interdisciplinario entre historiadores, lingüistas e informáticos se ha embarcado en la tarea de tratar un corpus del siglo XVI concerniente a la Reforma en España. Nuestro objetivo es interrogar grandes cantidades de documentos mediante la digitalización y transcripción de las reproducciones fotográficas de los textos originales y la implementación de avanzadas técnicas de reconocimiento de texto manuscrito. En esta presentación se abordan nuevamente las cuestiones de las estructurales de las fases procesales, esta vez axplorando las posibilidades de generar textos estructurados sobre la base de las instrucciones publicadas por el Inquisidor general Fernando de Valdés en 1561. A día de hoy, hemos logrado transcribir una cantidad significativa de las reproducciones fotográficas recibidas. Sin embargo, es importante destacar que cada documento presenta desafíos únicos, relacionados tanto con el estado de conservación de los originales como con las peculiaridades lingüísticas y estilísticas del siglo XVI. Para superar estos desafíos, nos hemos apoyado en la robustez y flexibilidad de las tecnologías HTR, como HTR+ Basada en la tecnología TensorFlow y PyLaia sobre la base de PyTorch Basándonos en las instrucciones emitidas por el Inquisidor General Fernando de Valdés en 1561, hemos estructurado las fases procesales de los textos. Este enfoque nos ha permitido organizar los datos de manera coherente y facilitar su interpretación y análisis. El entrenamiento eficaz de los modelos HTR requiere una serie de reglas de transcripción. Estas reglas, que determinan cómo se transcriben las peculiaridades gráficas y lingüísticas del texto original, son esenciales para mejorar la precisión de la transcripción automática. Hemos establecido un conjunto de reglas que, hasta ahora, han demostrado ser efectivas en nuestros experimentos. Hemos seleccionado cinco obras representativas del corpus documental para una discusión más detallada. Estas obras, que abarcan una variedad de géneros y estilos, ofrecen un panorama interesante de la diversidad y complejidad de los textos de la Reforma en España. •Sumario breve de la doctrina cristiana escrita por Juan Pérez de Pineda •Exposición del primer salmo de David Escrita por el Doctor Constantino de la fuente •Epístola para consolar a los fieles de Jesucristo escrita por Juan Pérez de Pineda •versión bilingüe deConfesión de fe cristiana hecha por ciertos fieles españoles escrita por Casiodoro de Reina •Breve tratado de la doctrina Antigua de Dios, y de la nueva de los hombres Editada por Zacharie Durant HTR+ y PyLaia son herramientas de aprendizaje profundo basadas en PyTorch para el análisis de documentos manuscritos. HTR+ se ha utilizado con éxito en numerosos proyectos de transcripción automática, mientras que PyLaia, una herramienta más reciente, ofrece una serie de características avanzadas para el análisis de texto manuscrito, como el reconocimiento de línea y la segmentación de página. Para facilitar el análisis de los datos transcritos, hemos implementado sistemas de exportación propuestos por la plataforma Transkribus. Esta plataforma ofrece una serie de herramientas útiles para la exportación y el análisis de datos, lo que nos permite trabajar con los textos transcritos de manera más eficiente. El proyecto ANR-D4R ha logrado avances significativos en la transcripción y análisis de un importante corpus de textos relacionados con la Reforma en España del siglo XVI. A través de la implementación de tecnologías avanzadas de reconocimiento de texto manuscrito, como HTR+ y PyLaia, y la estructuración detallada de las fases procesales basada en las instrucciones históricas de Fernando de Valdés, hemos logrado un progreso considerable en la comprensión y el análisis de estos textos. La selección y aplicación rigurosa de las reglas de transcripción han demostrado ser fundamentales para el entrenamiento efectivo de los modelos HTR. Además, la selección de cinco obras representativas del corpus documental ha permitido una comprensión más profunda de la diversidad y complejidad de estos textos.
Fichier non déposé

Dates et versions

hal-04101469 , version 1 (19-05-2023)

Licence

Paternité

Identifiants

  • HAL Id : hal-04101469 , version 1

Citer

Andres Echavarria. Síntesis y avances del proyecto ANR-D4R: codificación TEI y modelos de Handwritten Text Recognition HTR+ y PyLaia. Workshop 31 de mayo 1° de junio – Universitat de Barcelona, IRIEC – Université Paul-Valéry Montpellier 3; Universitat de Barcelona, May 2022, Barcelona, Francia. ⟨hal-04101469⟩
21 Consultations
0 Téléchargements

Partager

Gmail Facebook X LinkedIn More