Sobre PaCheS

---

O Corpus Paralelo Chino<>Español, PaCheS, forma parte dun proxecto máis amplo, PaCorES, Parallel Corpora Spanish, que desenvolve corpus paralelos bilingües co español como lingua central. Até o momento, ademais deste, realizaronse o corpus alemán<>español (www.corpuspages.eu), o inglés/español (www.corpuspaens.eu) e o francés<>español (www.corpuspafres.eu).

O corpus PaCheS está composto por textos orixinais en chino ou español e as súas traducións ou tamén por traducións chinas e españolas dunha terceira lingua. Actualmente, PaCheS contén arredor de 50 millóns de tokens, segmentados en 2.177.314 bisegmentos, isto é, pares de unidades textuais alineadas a nivel oracional ou suboracional.

Con este corpus preténdese construír un recurso lingüístico multifuncional e representativo para o par de linguas chino/español, capaz de satisfacer necesidades diferenciadas dos usuarios e que poida ser explotado para múltiples propósitos, tales como investigación xeral en lingüística contrastiva, tipoloxía lingüística, estudos de tradución e lexicografía bilingüe, así como fornecer datos para o adestramento de sistemas de tradución automática.

O obxectivo primordial do corpus PaCheS é constituírse nunha ferramenta útil e fácil de usar para tradutores e estudantes de chino ou español como lingua estranxeira de nivel intermedio e avanzado. Con este recurso poden obter multitude de suxestións de tradución realizadas por humanos e presentadas en exemplos de uso real.

Actualmente inclúe as seguintes coleccións:

1. United Nations Parallel Corpus¹ v1.0, que se comp&oacte;e de actas oficiais e outros documentos parlamentarios de dominio público das Nacións Unidas en chinés e español. A versión actual conten textos producidos e traducidos anualmente entre 1990 y 2014, incluidas as alineacións a nivel de oración. En PaCheS inclu&iacte;use só unha parte que abarca máis de 1,2 millóns de bisegmentos.
2. Wikimatrix², é un corpus de oracións paralelas en chinés e español extraídas de artigos de Wikipedia. O textos chineses, orixinalmente escritos en caracteres de chinés tradicional, foron convertidos ao sistema simplificado.
3. ParaCrawl³ v9, un corpus formado mediante extracción automática de textos en sitios web multilingües, que posteriormente foron alineados a nivel oracional.
4. Ted-Talks⁴ un corpus que recolle as traduccións ao chinés e ao español das transcripcións de 1369 Ted-Talks dos anos 2018 a 2020.

Os bisegmentos, aliñados a nivel de oración, foron sometidos a unha serie de revisións semiautomáticas: eliminación de segmentos sen correspondencia, de segmentos sin interés textual e de segmentos demasiado curtos ou demasiado largos (máis de 350 caracteres en español).

Dado que se trata dun proxecto en curso, está previsto no futuro engadir novas coleccións de textos bilingües chino<>español de orixe diverso.

Estadísticas PaCheS (2024/02)