Usando Transkribus con manuscritos medievales (2): la dinámica del aprendizaje

En la entrada anterior sobre Transkribus describí el proceso para subir y preparar un documento para la transcripción automatizada. Continuamos aquí donde nos habíamos quedado.

Al final de la entrada anterior teníamos un documento listo para ser transcrito, con las regiones de texto y líneas establecidas correctamente. Esto es muy importante: no pueden haber líneas fantasma, cuando entrenemos el modelo nuestra transcripción tiene que coincidir exactamente con las líneas del texto; si no, caos. Llega ahora la parte más larga del proceso: la transcripción manual. Pero antes de hablar de ello (que será el tema de la siguiente entrada), creo necesario explicar algunos aspectos del funcionamiento de la plataforma.

Transkribus es una plataforma basada en inteligencia artificial que produce un modelo de transcripción para cada tipo de letra (como veremos en una entrada futura, se puede entrenar para más de un tipo de letra, pero es una tarea que requiere un conocimiento un poco más avanzado). Como todas las máquinas inteligentes, hay que explicarle qué es lo que está aprendiendo a hacer para después pedirle que repita esta tarea. El aprendizaje ocurre en varias etapas: ver, ensayar y repetir. Hoy hablaremos de ver.

Esta primera parte requiere una serie de datos confiables, una muestra, de la que la máquina aprende a transcribir. Es decir, necesitamos introducir datos (input) antes de esperar un resultado (output). Esto es la transcripción inicial, que corre a cuenta del usuario. No puedo esperar que la máquina sepa qué es una a si no le he dicho qué es una a. Por eso mismo, la transcripción inicial debe tener un alto número de palabras, para que la máquina vea todas las formas posibles de a.

Mientras el aprendizaje de caracteres invariables, como los tipos usados en los impresos tempranos, requiere muchas menos palabras (en promedio, unas 2000), la variación de la letra escrita y el alografismo de las letras medievales hace que este rango se multiplique por diez para aprendizajes de letras manuscritas. Una transcripción inicial de una letra medieval deberá contar en promedio con unas 20.000 palabras (es decir, entre 30 y 40 páginas, aunque esto depende de las características de la letra y la página: cuán condensada es, la frecuencia de abreviaturas, la cantidad de palabras por línea, el número de columnas, etc.).

Con este número de palabras, la máquina tendrá suficientes apariciones de todos los alógrafos. Lo que es más importante, será capaz de aprender el significado de las abreviaturas. Será capaz de aprender que esto es una a o esto otro es una e:

fol. 57vb, Dfol. 58vb, Dfol. 159ra, Dfol. 159rb, D
Variedades de A en Lucidario D
fol. 1rfol. 1rfol. 1rfol. 1rfol. 1rfol. 208r
fol. 208rfol. 208rfol. 211vfol. 215rfol. 217fol. 217r
E y alógrafos en Lucidario C

Con las abreviaturas la cuestión es diferente pues en la escritura manuscrita, habitualmente tienen un valor variable. Así en:

fol. 161rb de D

La abreviatura de la primera q se resolverá ua, mientras que el de la segunda q será una ue. La que está encima de la im como er. Es decir: quatro, postrimera y que. La máquina también tiene que aprender que una misma abreviatura puede tener distintas resoluciones, como aquí:

fol. 161ra de D

Al tener suficientes evidencias (venga, algunos cientos de casos), la máquina desarrolla un sistema predictivo e hipotetiza que si hay una u con una lineta al final de una palabra, la resolución correcta es n: segun. Mientras que si hay una q con una lineta, la resolución del mismo trazo debe corresponder a ue: ques. No importa que la máquina no conozca la palabra que está transcribiendo, que puede aparecer por única vez en el testimonio, lo que importa es que la abreviatura siga reglas más o menos constantes.

Los modelos de Transkribus son capaces de aprender que un mismo trazo puede tener valores distintos o ninguno, como en estos ejemplos:

generacionesqueperdieroncommomuy
fol. 68rfol. 68rfol. 68rfol. 68vfol. 68v
Valores del mismo trazo en el Lucidario H

Incluso si un escriba adapta el comportamiento de sus abreviaturas, la máquina intentará resolver la resolución basándose en datos estadísticos. Sin embargo, estas predicciones pueden fallar. Un problema así surgió con el testimonio D :

fol. 97vb de D

Aquí la lineta tras la q no sigue las reglas que la mayoría estadística y se comporta como ue, sino que debe ser resuelta como u. De hecho, es un caso único en el testimonio: no hay otra u abreviada tras una q que no represente el valor ue o que sea parte de una abreviatura mayor (como qiere > quiere). Al carecer de la información necesaria para hacer la presunción, la máquina desarrolló incorrectamente aqueel en vez de aquel. Este problema se multiplica con manuscritos que tienen desarrollos variables de abreviaturas y no suficientes ocurrencias en la transcripción inicial para que la máquina aprenda a distinguir distintos valores.

En los testimonios del Lucidario esto ocurre con las palabras discípulo, que puede ser abreviada (en el mismo testimonio) como do, diço, diçipo o maestro como mo, mao, maesto. También pueden crear problemas los sustantivos que incorporan el sufijo -mento/-miento. Por ejemplo, abondamiento puede ser abreviado abondamo, abondamjo, abondamjēto o abondamjēo.

La única solución para reducir la proliferación de errores causados por las abreviaturas polivalentes es aumentar el tamaño de nuestra muestra (es decir, de la transcripción inicial que le preparamos para entrenar el modelo). Así, nos aseguramos de que la máquina cuente con suficientes apariciones y valores de las abreviaturas. Por ello, es una buena práctica que la transcripción inicial no siga estrictamente el orden numérico de los folios del manuscrito. En vez de darle las primeras 30 páginas, es mejor dar las primeras diez, diez en el medio y las diez finales.

Con esto, el aprendizaje se consolida por vía doble. Lo primero es porque se aumenta la diversidad de la muestra de abreviaturas y sus valores. Con ello, se pueden aprender formas abreviadas que no se encuentran en las primeras páginas. Me viene a la mente un problema que apareció con el testimonio C: en los primeros 30 folios el verbo esciuir (escrivir) y sus variaciones (escipto, escripto y esciptura, escriptura) aparecen solamente dos veces; en los últimos 80 aparecen 23 veces. Como el modelo aprendió con solo dos ejemplos de las páginas iniciales, el resto de las apariciones fueron desarrolladas muy ‘creativamente’ (i.e., catastróficamente):

Transcripción automática del fol. 138r de C

Lo segundo no tiene que ver con las abreviaturas, sino con la escritura misma. Repartir así el muestreo de folios le ofrece a la máquina la posibilidad de encontrar una mayor variación en las formas de las letras en comparación a lo que aprendería si estudiara solamente en un grupo reducido de control. Aquí entran a tallar dos dinámicas propias de la escritura manuscrita que son menores o inexistentes en la letra impresa: la caligrafía cambia por motivos materiales (el desgaste de la pluma y sus efectos sobre el grosor de los trazos, el cambio de la tinta y de su calidad, defectos sobre el soporte como manchas o roturas, borrones) y por motivos humanos (un escriba cansado altera su letra, malas condiciones de iluminación pueden ayudar a la proliferación de errores y correcciones, preocupaciones como el poco espacio restante en el cuaderno –y tener el inicio del siguiente ya copiado– puede llevarle a condensar la escritura). El cansancio parece haber influenciado al copista Martín de Yarza, quien pasó de una letra espaciada y relativamente derecha, a una mucho más condensada y cursiva en el testimonio C.

fol. 131v-132r de C
fol. 179v-180r de C

Aquí nos quedamos. Nuevamente dejo en el tintero el tema que motivó mi primera entrada, el entrenamiento de un modelo de transcripción en Transkribus para el Lucidario D. De eso hablaré, insh’allah, en la próxima entrada.


Imagen de miniatura: fol. 33r de H



Citar este post
Cossío Olavide, Mario (2022, 7 diciembre). Usando Transkribus con manuscritos medievales (2): la dinámica del aprendizaje. Lucidarios. Recuperado 22 de mayo de 2024, de https://doi.org/10.58079/r3c6

También te podría gustar...

Buscar en OpenEdition Search

Se le redirigirá a OpenEdition Search