A new grammatical formalism to solve ellipsis: - Elhuyar Fundazioa

3.52.51.50.5Fig 3.- Tasa de error OCR en documentosHTML y PDFEn la figura 4 se reflejan los mismos datosque en las figuras 1 y 2 pero para textosespecializados.98765432103210HTMLPDF1 2 3 4 5 6 7 8 9 1011121314151617181920err.Conocim.err. Tipog.err. OCR0 100 200 300 400 500Fig 4.- Tasa de error en documentos deinformáticaLos de turismo tienen un comportamientomás similar al corpus general, lo que es normalya que no se puede considerar un dominiotécnico.Comparando los errores en el corpus generalcon los de los documentos técnicos se confirmaque los documentos técnicos contienen menoserrores.Sin embargo comparando los resultados parael euskera con los obtenidos para el inglés yalemán en (Ringlstetter et al., 2006) se detectauna mayor tasa de errores para el conjunto delos documentos, debido a la utilización dereconocedores/ analizadores genéricos y no delistas preparadas al efecto. A la espera de unestudio manual de los resultados, podemosdecir que en el trabajo de referencia seconseguía más precisión en la detección deerrores y en nuestro sistema se consigue mayorcobertura.Antes de establecer una clasificación similara la propuesta por Ringlstetter et al. (2006) (conporcentajes de textos clasificados comoexcelentes, buenos, regulares y malos) esnecesario un estudio manual más detallado delos resultados obtenidos. Un problema quehemos detectado es la aparición de textosdialectales y diacrónicos que no encajan enninguna de las categorías previstas (correcto,tipográfico, competencia y OCR). Estamospreparando un detector de textos escritos eneuskera dialectal.4 Conclusiones y trabajo futuroEn nuestro trabajo hemos tomado como base eltrabajo de Ringlstetter et al. (2006) y comoobjeto de estudio y experimentación unamuestra de los corpus recuperados en lostrabajos de Leturia et al. (2008). Sin embargonuestro trabajo difiere del mencionado en que altratar un idioma de gran riqueza morfológicahemos optado por transductores para reconocererrores en lugar de listas de errores. Esto traeconsigo, en nuestra opinión, una coberturamayor de los errores que se estudian, además dela reutilización de recursos previamentedesarrollados, lo que hace el método interesantepara aplicarlo, sin prácticamente trabajomanual, a lenguas que tienen disponibles estosrecursos.Los resultados van a ser de gran interés paradetectar los distintos tipos de textos obtenidosde la Web en euskera según su corrección, yfiltrar aquellos que pueden generar problemas ono tienen una calidad mínima.AgradecimientosProyecto parcialmente subvencionado por losproyectos OpenMT2 (Ministerio de Ciencia eInnovación, TIN2009-14675-C03-01) yBerbatek (Eusko Jaurlaritza, IE09-262). Graciasa Mans Hulden por su ayuda en la construcciónde los transductores usando foma.