ISSN: 1579-9794
Hikma 23(1) (2024), 111 - 139
Aproximación a la traducción automática de culturemas
gastronómicos en el ámbito turístico: estudio de caso
(español, alemán, francés)
1
An approach to machine translation of gastronomic
culturemes in the field of tourism: case study (Spanish,
German, French)
ANALÍA CUADRADO REY
analia.cuadradorey@ua.es
Universidad de Alicante
L
UCÍA NAVARRO BROTONS
lucia.navarro@ua.es
Universidad de Alicante
Fecha de recepción: 20/02/2023
Fecha de aceptación: 12/12/2023
Resumen: La traducción automática neuronal (TAN) ha mejorado de manera
notable la calidad de los textos traducidos y en la actualidad es una
herramienta más a disposición del traductor. A pesar de ello, el lenguaje
natural tiene algunas particularidades que presentan un desafío para este tipo
de motores. Tal es el caso de los culturemas (Nord, 1997, p. 34) debido a su
estrecha vinculación con la cultura y la idiosincrasia de cada lengua.
Constituyen un excelente ejemplo del uso de culturemas los textos
gastronómicos. En este contexto, el presente estudio de caso persigue
evaluar en qué medida el uso de las herramientas de TAN (DeepL y Google
Translate) puede servir de ayuda para traducir los culturemas propios de esta
tipología textual. Se pretende asimismo determinar si existe un tipo de
culturema más problemático para la TAN y establecer posibles patrones de
acuerdo con las propuestas de traducción ofrecidas. Para ello, trabajamos
con un corpus de culturemas gastronómicos españoles extraídos del portal
oficial de turismo de España y analizamos las traducciones al alemán y al
francés que ofrecen los citados motores de TAN. El estudio detecta que
ciertos parámetros de calidad actuales de la TAN, considerados errores, no
lo son cuando se traducen culturemas. Los que presentan mayor dificultad
para la TAN son los que contienen palabras diatópicas o construcciones
1
Este trabajo se ha realizado en el marco del Proyecto de Investigación DITAPE, Docencia e
Investigación en Traducción Automática y Posedición (2021/GV/080), financiado por la
Conselleria de Innovación, Universidades, Ciencia y Sociedad Digital de la Generalitat
Valenciana en el marco del programa de I+D+i para grupos emergentes, que se llevó a cabo
durante los años 2021 y 2022.
112 Aproximación a la traducción automática de culturemas gastronómicos […]
Hikma 23(1) (2024), 111 - 139
idiomáticas. Por último, el análisis del francés y del alemán ha permitido
vislumbrar similitudes en relación con el comportamiento de la máquina en
ambos idiomas. Los resultados apuntan, pues, a que todavía es
imprescindible la intervención humana para traducir y evaluar la mayor parte
de culturemas gastronómicos de manera adecuada. De ahí, la necesidad de
trabajar en nuevas métricas que permitan adaptarse a cada encargo.
Palabras clave: Culturemas, Traducción automática neuronal (TAN), Google
Translate, DeepL, Gastronomía
Abstract: Neural machine translation (NMT) has significantly improved the
quality of translated texts and it is now a tool at the translator's disposal.
However, natural language has some particularities that pose a challenge for
this type of tools. Such is the case of culturemes (Nord, 1997, p. 34)
which
are closely tied to the culture and idiosyncrasy of each language. An excellent
example of the use of culturemes is gastronomic texts. In this context, this
case study aims to assess how the use of MT tools (DeepL and Google
Translate) can help to translate the culturemes of this text typology. It is also
intended to determine whether there is a more problematic type of cultureme
for NMT and to establish possible patterns regarding the translation proposals
provided. To this purpose, we work with a corpus of Spanish gastronomic
culturemes retrieved from the official Spanish tourism website and we analyse
the German and French translations provided by the mentioned NMT tools.
The study detects that certain current NMT quality parameters which are
considered errors are not when translating culturemes. The most difficult ones
for NMT are those containing diatopic words or idiomatic constructions.
Finally, the analysis of French and German translations has revealed
similarities of the NMT in both languages. The results suggest, therefore, that
human intervention is still essential to translate and evaluate most
gastronomic culturemes adequately. Consequently, there is a need to work
on new metrics that can be adapted to each translation assignment.
Keywords: Cultureme, Neural Machine translation (NMT), Google Translate,
DeepL, Gastronomy
I
NTRODUCCIÓN
En 2021 la actividad turística representó el 8 % del PIB en España, si
bien se espera que en los próximos años se alcancen nuevamente las cifras
de los años previos a la pandemia del COVID-19, que se situaban en un
12,4 % en 2019 (INE, 2020). Actualmente, España ocupa el cuarto lugar de
los países más visitados del mundo, según el ranking de la Organización
Mundial del Turismo (OMT). Además, de acuerdo con los datos de 2021, los
Analía Cuadrado Rey y Lucía Navarro Brotons 113
Hikma 23(1) (2024), 111 - 139
turistas proceden principalmente de Francia, el 18,67 %; de Alemania, el
16,71 %; y de Reino Unido, el 13,80 %.
El turismo ha funcionado como motor crucial en el crecimiento
económico del sector gastronómico, pues ha conseguido aumentar la
cantidad y la calidad de este tipo de turismo. De hecho, «el 15 % de los
turistas que vienen a España vienen motivados por la gastronomía; ese turista
gasta el 20 % más que un turista medio» (KPMG, 2019, p. 49). Según el
informe elaborado por la consultora KPMG (2019) la gastronomía, entendida
en un sentido amplio, incluyendo el turismo asociado y la hostelería, supone
el 33 % del PIB.
Otro dato que da idea de la importancia de la gastronomía española es
el hecho de que los productos alimentarios representan el 17 % del total del
comercio exterior español y suponen el 15,5 % del gasto realizado por los
turistas internacionales en España. Además, según el Plan Turístico Nacional
2022 Enogastronomía, este es el quinto país con más estrellas Michelin del
mundo (228 restaurantes en la edición de 2022) y cuenta con seis
restaurantes en la lista de los 50 mejores del mundo que edita William Reed
Business Media.
En resumen, y siguiendo a Ansón (2014), podemos afirmar que la
importancia de la gastronomía española en el mundo radica en su capacidad
de aportar tres valores que la caracterizan y diferencian de otras: en primer
lugar, la gastronomía española combina con éxito un espacio de disfrute y
una fuente de salud. Constituye además un espacio de encuentro y una forma
de relación muy valiosa para la cohesión social. Y, por último, en ella conviven
de manera magistral la tradición con la innovación y la libertad creativa.
De este modo, la gastronomía española se ha posicionado como un
motor generador de textos especializados en diferentes ámbitos. Los textos
turísticos, por ejemplo, que comprenden un variado abanico de géneros que
engloban desde los folletos a papel hasta las páginas web, se caracterizan
por su multifuncionalidad, su multitematicidad, así como por su componente
cultural. En todos ellos es habitual que se haga referencia a los platos típicos,
en tanto en cuanto la gastronomía es un componente fundamental de la
cultura que a través de la comida y la bebida expresa los rasgos complejos y
arraigados de la identidad e historia de un lugar. Dichos componentes pueden
provocar problemas de traducción, pues se refieren a realidades y saberes
que se enmarcan en los límites de una sociedad, que nacen en un entorno
sociohistórico particular sujeto a una dinámica propia y a influencias externas
(Bugnot, 2006, p. 10). Por esta razón, la gastronomía sigue siendo, de
acuerdo con Herrezuelo (2005), un campo que presenta una gran dificultad
para la traducción. Por tanto, el traductor debe atender con esmero los
114 Aproximación a la traducción automática de culturemas gastronómicos […]
Hikma 23(1) (2024), 111 - 139
aspectos específicos como la terminología, la fraseología o los culturemas,
entre otros, y tener conciencia de que la traducción del texto turístico
constituye, de acuerdo con Kelly (1998), la primera impresión que reciben
muchos visitantes de un país. Del mismo modo, como apunta Durán (2012,
p. 104) «sin la traducción de textos turísticos la comunicación interlingüística
e intercultural entre locales y extranjeros no sería siempre posible». Así,
resulta evidente la importancia que adquiere la traducción y, por ende, la
figura del traductor como mediador intercultural, ya que este contribuye a la
formación de la imagen (González-Pastor, 2018), es decir, a la marca que se
crea de un país.
Ahora bien, en los últimos años hemos asistido a la irrupción
sistemática de la traducción automática neuronal (TAN). Desde la perspectiva
de la TAN, los textos turísticos, en general, y aquellos que aluden a la
gastronomía, en particular, suponen un reto, puesto que los culturemas son
candidatos a proporcionar mayor número de errores de traducción por su
elevada carga cultural. Ante esta situación, la traducción y su calidad se
vuelven imprescindibles para que España se sitúe dentro de los niveles
adecuados de los programas turísticos de la Unión Europea que velan por
mejorar las experiencias turísticas y de viaje, así como para que el país
continúe liderando los primeros puestos de destino turístico del mundo.
Noviarini (2021, p. 25) sostiene que la TAN tiene sus limitaciones, entre
ellas, la de comprender el contexto y la situación cultural de una nación. Este
estudio de caso parte, por tanto, de la hipótesis de que los culturemas en
general, y los gastronómicos en particular, suponen todavía un problema para
la TAN. Los objetivos principales que nos proponemos son analizar si los
motores de TAN Google Translate y DeepL (en sus versiones gratuitas)
detectan los culturemas gastronómicos extraídos del portal oficial de turismo
de España y observar cómo los traducen al francés y al alemán con el fin de
determinar en qué medida el traductor puede apoyarse en la TAN para
abordar su traducción.
En este sentido, los objetivos secundarios que nos servirán para
alcanzar los principales son en un primer momento determinar si existe una
categoría de culturema que ofrece una problemática mayor que otra para la
TAN y para posteriormente establecer posibles similitudes o patrones
respecto al comportamiento de la máquina mediante el análisis contrastivo de
los resultados de la TAN en francés y en alemán.
1. LA TRADUCCIÓN DE CULTUREMAS EN EL ÁMBITO TURÍSTICO
El texto turístico posee una gran riqueza léxica debido a la diversidad
de áreas temáticas que es susceptible de abarcar: historia, geografía,
economía, arte, deporte o gastronomía, entre otras. Si focalizamos en el
Analía Cuadrado Rey y Lucía Navarro Brotons 115
Hikma 23(1) (2024), 111 - 139
ámbito gastronómico, el que nos ocupa en este estudio, se puede comprobar
que la literatura sobre este tipo de traducción no es excesivamente amplia en
comparación con otros ámbitos de especialidad (Bugnot, 2006; Rodríguez,
2009; González-Pastor y Cuadrado-Rey, 2014; Díaz, 2018; Navarro-Brotons,
2020, por citar solo algunos ejemplos) y que, generalmente, se estudia como
un subgénero dentro de la traducción turística (Martínez e Íñigo, 1998;
González-Pastor, 2018).
Cuando se aborda la gastronomía, se infiere al instante que es el reflejo
de la cultura de un pueblo, pues revela multitud de elementos de sus
tradiciones y costumbres. De acuerdo con Rodríguez (2009, p. 54) los
elementos culturales más frecuentes en el ámbito gastronómico se refieren a
productos e ingredientes, a platos y, ocasionalmente, a técnicas de cocina o
elaboraciones. En este sentido, la dificultad de la traducción gastronómica
radica en el peso que tienen las costumbres, la sociedad y la cultura de cada
país o región en este tipo de textos. La carga idiosincrásica que encontramos
en la terminología gastronómica debe ser tratada con sumo cuidado con el fin
de mantener, en la medida de lo posible, los matices que esta encierra.
De manera general, los elementos propios de una realidad cultural
determinada han sido denominados de diversas maneras a lo largo de la
historia de los Estudios de Traducción. Moreno (2006) resume las distintas
denominaciones que cada corriente traductológica otorgó a los elementos
lingüísticos culturales y distingue entre los términos que denominan un objeto
y los que se refieren a un signo.
Objeto
Signo
Referencias culturales (Escuela de
Granada)
Segmentos marcados culturalmente
(Mayoral)
Culturemas (Nord)
Referencias culturales (escuela de
Granada)
Realias, realias culturales (E. Eslava y
de Leipzig)
Palabras realias (escuela de Leipzig)
Presuposiciones (Nida y Reyburn)
Nombres de referentes culturales
específicos (Cartagena)
Foco cultural (Newmark)
Indicadores culturales (Nord)
Referentes culturales específicos
(Cartagena)
Palabras culturales (Newmark)
116 Aproximación a la traducción automática de culturemas gastronómicos […]
Hikma 23(1) (2024), 111 - 139
Divergencias metalingüísticas
(Vázquez-Ayora, comparativismo)
Léxico vinculado a una cultura (Katan)
Tabla 1. Denominaciones de los culturemas
Fuente. Moreno Peinado (2006)
Como hemos podido constatar, existen múltiples denominaciones para
designar el elemento lingüístico cultural que evidencian la fuerte relación
existente entre el plano léxico y el cultural. En el marco de nuestro trabajo
hemos tomado como referencia la definición de culturema propuesta por Nord
(1997), por ser el término más utilizado actualmente en traductología. Nord
(1997) lo define como un fenómeno social de una cultura A que es
considerado relevante por los miembros de esa cultura y que, cuando se
compara como un fenómeno social correspondiente en la cultura B, se
encuentra que es específico de la cultura A (Nord 1997, p. 34). Creemos, al
igual que González-Pastor (2012, p. 43) que es importante desvincular el
término culturema del concepto de intraducibilidad, ya que estos elementos
pueden ser traducidos, de un modo u otro, y, en algunas ocasiones, incluso
existen, según la autora, equivalentes culturales por proximidad cultural.
A la hora de trasladar los culturemas de una lengua a otra partimos de
la idea, siguiendo a Hurtado (2001, pp. 614-615), de que se deben considerar
varios factores como el tipo de relación que existe entre las dos culturas, el
género cultural en que se inserta, la función del culturema en el texto origen
(TO), la naturaleza del culturema, las características del destinatario o la
finalidad de la traducción. Como apunta Igareda (2011, p. 14) «la traducción
de los elementos culturales es una herramienta esencial para establecer
identidades y para facilitar (o dificultar) el entendimiento intercultural».
Si bien las recetas tradicionales pertenecen a un género altamente
estereotipado, cuyas variaciones entre lenguas y en una misma lengua son
pequeñas a nivel macrotextual (Nordman, 1996, p. 558), y son características
con independencia a la lengua en las que se encuentren escritas, somos
conocedores de que, en la traducción gastronómica, en general, y en la
traducción de las recetas, en particular, se conjugan factores como las
costumbres y la cultura de cada país o región a la que pertenecen. Por esta
razón, la traducción de los elementos culturales en gastronomía es una tarea
ardua y complicada para la que
[...], a veces, se necesita recurrir a verdaderas explicaciones que
arrojen un poco de luz para un lector extranjero, y más teniendo en
cuenta que en muchas ocasiones ni los propios nativos de un país
conocen determinados platos por ser típicos de una zona muy
concreta de la que desconocen sus exquisiteces culinarias. (Ponce,
2006, p. 12)
Analía Cuadrado Rey y Lucía Navarro Brotons 117
Hikma 23(1) (2024), 111 - 139
De acuerdo con Bugnot (2006, pp. 11-14), los procedimientos de
traducción a los que se opta con frecuencia para la traducción de culturemas
gastronómicos en el ámbito turístico son: 1) los préstamos asimilados que, en
ocasiones, pueden presentar en la lengua meta (LM) alguna variante
ortográfica fruto de la adecuación de la voz original al texto de llegada; 2) los
extranjerismos entrecomillados seguidos generalmente de una explicitación
que incluye el ingrediente principal y la preparación culinaria o de un
equivalente cultural; 3) los sintagmas descriptivos que expresan la
preparación culinaria y el ingrediente principal. El sintagma descriptivo puede
incluir también un indicador del grado de equivalencia del tipo variante de. De
acuerdo con Bugnot (2006, p. 13) este esquema de sintagma descriptivo
debería utilizarse para los culturemas que ella denomina hechos de
civilización y que hacen referencia a una realidad extralingüística muy
localizada; 4) los equivalentes culturales no funcionales que se deben traducir
mediante el equivalente cultural seguido del préstamo entrecomillado. Estos
procedimientos contemplan las peculiaridades referenciales, socioculturales,
históricas y cognitivas a la hora de llevar a cabo la búsqueda de la
equivalencia y ponen en evidencia que dicha búsqueda entraña serias
dificultades, especialmente, porque viene condicionada por el polo receptor y
por el escopo. Estudios más recientes, como el llevado a cabo por Darias
(2022, p. 32), ponen de manifiesto que las técnicas más empleadas en la
traducción de culturemas gastronómicos son la descripción, el préstamo, la
generalización, la traducción literal y la equivalencia. Estas técnicas se suelen
combinar en función de las necesidades y rara vez se emplean de forma
aislada. El préstamo se utiliza con frecuencia, ya que sirve, de acuerdo con
Bugnot (2006, p. 14), de entrada, a un mundo codificado para el receptor. Sin
embargo, para que el receptor pueda aproximarse cognitivamente al plato,
necesita que ese préstamo venga acompañado de más información.
2. IRRUPCIÓN DE LA TRADUCCIÓN AUTOMÁTICA NEURONAL (TAN)
El mercado de la traducción ha experimentado recientemente una serie
de cambios significativos relacionados tanto con la demanda, como con los
costes y los avances tecnológicos. El impacto de la globalización, como indica
Griffin-Mason (2018) ha provocado un gran incremento en la demanda de
traducción, frente a la limitada cantidad de traductores profesionales. Según
Nunes (2019), en las últimas décadas, la tecnología que se venía aplicando
para la automatización de ciertos procesos en ámbitos con tareas repetitivas,
que conllevaban un pequeño esfuerzo cognitivo y de las que se habían
encargado las personas hasta el momento, se ha empezado a implementar
también en el sector lingüístico y, en concreto, en la traducción. La TAN, cuyo
uso se ha generalizado desde 2016 (Kenny, 2022, p. 32), ha experimentado
recientemente mejoras gracias al uso de tecnología avanzada (Poibeau,
118 Aproximación a la traducción automática de culturemas gastronómicos […]
Hikma 23(1) (2024), 111 - 139
2017). De hecho, los resultados del Proyecto DITAPE apuntan claramente
hacia la idea de que, a pesar de que la traducción humana (TH) sigue
desempeñando un papel central en la facturación del sector en España, la
TAN es una realidad existente que ha ido adquiriendo mayor relevancia en
los últimos años (González, 2023, p. 33). Por ende, la TAN parece disponer
de todos los elementos necesarios para superar ampliamente los problemas
que figuraban en los sistemas anteriores (Mitkov et al., 2018).
En efecto, este mejor rendimiento se debe al empleo de redes
neuronales que permiten realizar traducciones más fluidas y naturales
(Zaninello y Birch, 2020, p. 3816). Del mismo modo, gracias a la gran cantidad
de datos disponibles y a las continuas actualizaciones de los sistemas, la TAN
se trata de una de las herramientas más empleadas para superar las barreras
lingüísticas tanto en internet y en ámbitos sociales, como para fines
profesionales (Monti et al., 2020). Además, el impacto de la TAN también se
observa en la investigación, puesto que las publicaciones que la tratan están
en auge (Stahlberg, 2020, p. 344).
A pesar de que las investigaciones, los estudios y el desarrollo de la
TAN han logrado producir unos avances que hace tiempo resultaban
impensables, la TAN todavía no consigue realizar traducciones perfectas ni
equiparables a las traducciones humanas. Asimismo, cabe destacar que la
calidad de las traducciones y la tipología de errores producidos por la TAN es
variable en función del par de lenguas involucradas. Pues asumimos que
cada idioma dispone de unas características diferentes a nivel morfológico y
sintáctico que pueden facilitar o dificultar la traducción; entre otros factores
que intervienen en el caso de la TAN, como por ejemplo la disponibilidad de
datos para entrenar el sistema y la difusión de una lengua (Poibeau, 2017).
Sin duda, es evidente que la traducción dista mucho de ser un mero
acto de traslación literal palabra por palabra de una lengua a otra en el que
basta con aplicar reglas sintácticas (Somers, 2012, p. 3). La traducción
trasciende los aspectos técnicos de la transferencia lingüística y abarca
también los culturales. Por tanto, se trata de un proceso intrincado para
desentrañar los matices culturales que existen en el TO y encontrar la manera
de expresarlos a través de la LM con el fin de que puedan ser comprendidos
por el polo receptor. Este es el mayor reto tanto para la traducción en general
como para la TAN en particular (Cohen et al. 2019). Es más, la TAN ha tenido
un gran éxito en la traducción de textos sencillos (Nitzke et al. 2019). En
cambio, no alcanza estos estándares cuando se trata de textos complejos y
matizados que requieren más abstracción o referencias culturales
específicas. Para captar el significado del TO, una TAN eficaz debería tener
en cuenta las distintas capas que existen en la lengua origen (LO), tanto
desde el punto de vista cultural como lingüístico, es decir, es necesario que
Analía Cuadrado Rey y Lucía Navarro Brotons 119
Hikma 23(1) (2024), 111 - 139
capte adecuadamente la interdependencia de un culturema con su contexto
semántico y cultural dentro de sus oraciones inmediatas y vecinas y sea
capaz de trasladarlo al texto meta (TM) de manera que sea comprensible por
el receptor de este. De acuerdo con Aragonés y Way (2017, p. 38) los
sistemas de TAN no poseen todavía una habilidad que les permita reconstruir
el significado de manera que el texto resulte fácilmente comprensible para el
lector meta.
3. EVALUACIÓN DE LA CALIDAD DE LA TRADUCCIÓN AUTOMÁTICA
En la actualidad, la evaluación de la calidad de los textos traducidos
con TAN es un aspecto central tanto en la investigación como en la industria
de la traducción (Sánchez y Rico, 2020, p. 31). De hecho, la evaluación de la
calidad y la posedición de resultados está siendo el eje de muchas y diversas
investigaciones (Barbin, 2022; Rossi y Carré, 2022; O'Brien, 2022; Way,
2018).
Sin embargo, no deja de ser un tema polémico al no existir un consenso
acerca del propio concepto de calidad. Koby et al. (2014, pp. 416-417)
proponen una definición bastante restringida en la que se detalla que la alta
calidad de una traducción viene determinada por la transferencia completa
del contenido del TO al TM; por la inclusión de denotaciones, connotaciones,
matices y estilo y, también, por el uso de la gramática y el orden de palabras
correctas. Todo ello con el fin de generar un texto culturalmente apropiado,
semejante al que podría haber redactado un hablante nativo de la LM para
sus destinatarios. Como afirma Candel (2015, p. 40): «Different variables
determine the approach to the assessment of quality of machine translation
output and it is very complex to find common ground that serves as a starting
point for proposing universal quality evaluation criteria».
A pesar de ello, autores como Lomme et al. (2014); Leiva (2018);
Sánchez y Rico (2020) sostienen que la calidad del texto dependerá de las
expectativas de los clientes, es decir, del encargo de traducción. Por ende,
será variable ya que ésta se acordará con el cliente y se determinará según
la finalidad otorgada al TM. Dicha falta de claridad en relación con el concepto
de calidad debido a la diversidad de finalidades textuales da como resultado
diferentes métodos de evaluación para los sistemas de TAN. Estos métodos
de evaluación se pueden clasificar según sean manuales o automáticos. Los
manuales son aquellos en los que la evaluación se efectúa por parte de
profesionales lingüísticos. A modo ejemplo, de acuerdo con Sánchez y Rico
(2020, p. 35), mencionamos los principales sistemas manuales: SAEJ2450,
MQM y el modelo TAUS.
El sistema SAEJ2450, desarrollado por la Society of Automotive
Engineers en 2001, supone una de las primeras iniciativas que surgen con el
120 Aproximación a la traducción automática de culturemas gastronómicos […]
Hikma 23(1) (2024), 111 - 139
fin de sistematizar la evaluación de las traducciones con una mención
específica a la traducción automática (TA). Este sistema consiste en la
etiquetación de errores por parte del evaluador lo que permite obtener una
puntuación de calidad del texto.
El sistema Multidimensional Quality Metrics (MQM), desarrollado en el
marco del Proyecto QTLaunchPad, tiene como objetivo actualizar el modelo
LISA QA. A diferencia de los modelos de métrica de calidad anteriores, MQM
se diseñó desde el principio para ser flexible y trabajar con otras normas con
el fin de integrar la evaluación de la calidad en todo el proceso de traducción
de documentos. Una de las aportaciones más interesantes del modelo MQM
es la adopción de una definición amplia de traducción que incluye el concepto
llamado verity. Este abarca las cuestiones extralingüísticas, es decir, aquellas
que quedan fuera de las nociones tradicionales de precisión y fluidez. Dicho
de otro modo, hace referencia a las cuestiones del texto relacionadas con la
cultura origen (CO) que tendrían que ser modificadas sustancialmente por un
profesional altamente cualificado para poder ser comprendidas por la cultura
meta (CM).
Translation Automation User Society (TAUS), por su parte, aporta una
gran cantidad de recursos relacionados con la TAN. En relación con la
calidad, desarrolla un modelo que aspira a convertirse en el estándar de la
industria. En este contexto, la propuesta de TAUS se concreta en el modelo
Dynamic Quality Framework (DQF) que consiste en identificar los errores en
la traducción y asignarlos a una o a varias categorías. Este sistema hace uso
de una tipología de errores consensuada, que se divide en cuatro grandes
grupos: lengua, terminología, precisión y estilo. Seguidamente, se indica la
gravedad del error en función de una escala establecida y, por último, se le
asigna un valor numérico a cada error.
Los métodos de evaluación automáticos, por su parte, se han
desarrollado en los últimos años y se caracterizan principalmente porque un
algoritmo informático que toma como referencia traducciones humanas
sustituye al profesional lingüístico. Algunos modelos de evaluación
automática son: Bilingual Evaluation Understudy (BLEU) que se fundamenta
en métricas basadas en la precisión, Metric for Evaluation of Translation with
Explicit ORdering (METEOR) en la exhaustividad o Translation Error Rate
(TER) en la distancia de Levenshtein.
Si bien la subjetividad ha sido una desventaja que se les ha conferido
a los métodos de evaluación manuales, de acuerdo con Sánchez y Rico
(2020, p. 35), pues son los que «se han empleado de forma constante en la
evaluación de la calidad de los sistemas de TA», frente a los de evaluación
Analía Cuadrado Rey y Lucía Navarro Brotons 121
Hikma 23(1) (2024), 111 - 139
automática que, a pesar de ser una alternativa objetiva y más económica, no
tienen en cuenta la intencionalidad del TM.
Por este motivo, en esta investigación se opta por un modelo de
evaluación manual, concretamente se aplicará el modelo MQM que ofrece
gran flexibilidad y minuciosidad.
4. METODOLOGÍA
En consonancia con estudios previos que analizan los patrones de
comportamiento de la TAN (Ortego y Seghiri, 2019), hemos elegido dos
motores de TAN, dado que la evaluación de un solo sistema no habría
resultado suficiente para aportar conclusiones relevantes. Hemos decidido
comparar los sistemas de Google Translate y DeepL, ya que aparecen entre
los tres más utilizados de acuerdo con el estudio ELIS (2022, p. 25). Ambos
están disponibles en línea, de forma gratuita y son los más conocidos y
empleados gracias a la elevada calidad y precisión de sus traducciones que
han mejorado de manera exponencial en estos últimos años. En relación con
la TAN, el estudio ELIS (2022, p. 21) revela que cerca del 71 % de los
traductores autónomos la utilizan (un 12 % diariamente; un 22 %
regularmente y un 37 % ocasionalmente). Por otro lado, este mismo estudio
(ELIS, 2022, p. 22) indica que el 58 % de las empresas de servicios
lingüísticos declara haber incorporado ya el uso de sistemas de TAN para
realizar las traducciones y el 15 % manifestaba la intención de implementarlo
en 2022.
La metodología empleada ha sido la siguiente:
En primer lugar, se ha configurado un corpus mediante la selección de
las recetas de platos típicos españoles recogidas en el portal oficial de turismo
de España publicada en 2020, con un total de 4 347 platos típicos que
representa un número lo suficientemente significativo como para poder
realizar nuestro análisis. La elección de dicha página web se justifica por ser
la principal plataforma de promoción en línea internacional de España como
destino turístico. Se trata de un portal oficial gestionado por Segittur bajo la
dirección de Turespaña, propietaria y responsable del sitio, desde su creación
en el año 2003, renovado en 2020 en plena integración con el Plan
Estratégico de Marketing de Turespaña. El sitio web tiene publicadas nueve
versiones internacionales orientadas a la promoción global en once idiomas
y dispone de cinco versiones internacionales íntegras en español, alemán,
francés, inglés e italiano.
A continuación, se hizo una propuesta de clasificación de los
culturemas gastronómicos extraídos de las recetas publicadas en la web
mencionada anteriormente de acuerdo con criterios como: la
122 Aproximación a la traducción automática de culturemas gastronómicos […]
Hikma 23(1) (2024), 111 - 139
composicionalidad frente a la idiomaticidad, el uso de términos propios de
lenguas distintas del español o diatópicos. La clasificación propuesta es la
siguiente: culturemas con nombre transparente
2
o semitransparente;
culturemas con nombre opaco; culturemas expresados en la lengua cooficial
propia de una región española; culturemas con diatopía del español;
culturemas con nombres compuestos por construcciones idiomáticas y
equivalentes acuñados en español.
Una vez finalizada esta segunda parte se procedió a la TAN de los
culturemas. Para ello se han insertado los culturemas en los dos motores de
TAN seleccionados, DeepL y Google Translate, y se ha recogido el resultado
de la máquina, tanto en francés como en alemán.
Por último, para llevar a cabo el análisis cualitativo de los resultados
obtenidos debíamos seleccionar previamente una muestra representativa de
culturemas extraída del corpus total. Para este fin, hemos utilizado la
herramienta de cálculo que ofrece la Universidad de Granada y que se puede
descargar gratuitamente en formato Excel. Dicha herramienta es de especial
interés para este estudio porque implementa la función matemática propia del
cálculo del tamaño óptimo de una muestra y nos posibilita establecerlo para
la muestra de nuestro corpus con un nivel de confianza del 95 % y un margen
de error del 8 %. Aplicando estos parámetros para un corpus de 4 347 platos
típicos, el análisis cualitativo se realizará sobre la TAN al francés y al alemán
de 145 culturemas. Para que sea representativo de la totalidad del corpus
recogido, se han tenido en cuenta ejemplos de todas las categorías de
culturemas gastronómicos establecidas en nuestra propuesta.
2
González-Pastor (2012, p. 314) señala que los culturemas se pueden clasificar en opacos,
semi-transparentes y transparentes según el grado de complejidad que presentan para su
traducción. Los culturemas opacos están compuestos por realia de difícil transmisión y elementos
culturales propios de la cultura popular. Dentro de los culturemas semi-transparentes
encontramos los realia que suelen presentar una carga cultural parcial, dado que contienen
elementos léxicos provenientes del lenguaje general. Por último, los culturemas universales o
transparentes son elementos globalizados y compartidos por las culturas en juego y que son
identificados rápidamente tanto por el mediador como por el lector meta.
Analía Cuadrado Rey y Lucía Navarro Brotons 123
Hikma 23(1) (2024), 111 - 139
Figura 1. Herramienta de cálculo muestral de la UGR
Fuente. Universidad de Granada
El método de análisis escogido para evaluar la calidad de la TAN es el
modelo MQM porque, por un lado, se puede adaptar en función de «[...] qué
queremos evaluar en cada momento y con qué nivel de detalle» Sánchez y
Rico (2020, p. 38). La adaptación que proponemos recoge tres de las ocho
dimensiones de las que dispone el modelo MQM: precisión (accuracy);
convenciones lingüísticas (linguistic conventions) y adecuación al público
meta (audience appropriateness); y, por otro lado, la evaluación numérica no
es estrictamente necesaria, lo que nos permite focalizar el análisis descriptivo
del error para evaluar su relevancia. A lo largo del análisis cualitativo se
contrastarán los resultados obtenidos en los dos idiomas de llegada: francés
y alemán. A continuación, se presenta la tabla que incluye los tipos y subtipos
de errores que se han analizado:
1.Accuracy
Mistranslation
Over-translation
Under-translation
Addition
Omission
Untranslated
124 Aproximación a la traducción automática de culturemas gastronómicos […]
Hikma 23(1) (2024), 111 - 139
2. Linguistic conventions
Grammar
Punctuation
Spelling
3. Audience appropriateness Inappropriately use of a culture-specific reference
Tabla 2. Tabla modelo de evaluación de culturemas
Fuente. Adaptado de MQM
En el caso de audience appropriateness (adecuación al público meta)
el modelo MQM no ofrece subtipos de error más allá del uso inapropiado de
referencias culturales específicas. Por este motivo, lo complementamos con
la tipología de error propuesta por Alarcón (2003), realizada expresamente
para los errores de la TAN. El baremo de Alarcón Navío incluye trece
categorías de error de las cuales destacamos las cinco más representativas
para el análisis del corpus que nos ocupa: falso sentido, sinsentidos, calcos
sintácticos y léxicos de la LO, alteración en el orden de las palabras y
palabras sin traducir.
5. ANÁLISIS Y RESULTADOS
De acuerdo con la metodología establecida en el apartado anterior, se
ha procedido a clasificar los 145 culturemas gastronómicos que componen la
muestra.
5.1 Clasificación de los culturemas gastronómicos españoles
El análisis de identificación y clasificación de los culturemas, arreglo a
la clasificación propuesta
3
, nos ha permitido obtener los resultados que
presentamos a continuación en la Figura 2 para cada una de las categorías:
3
Culturemas con nombre transparente o semitransparente; culturemas con nombre opaco;
culturemas expresados en la lengua cooficial propia de una región española; culturemas con
diatopía del español; culturemas con nombres compuestos por construcciones idiomáticas y
equivalentes acuñados en español.
Analía Cuadrado Rey y Lucía Navarro Brotons 125
Hikma 23(1) (2024), 111 - 139
Figura 2. Culturemas gastronómicos españoles: propuesta de clasificación
Fuente. Elaboración propia
El 39 % son culturemas con nombre transparente o semitransparente
del tipo entrecot al cabrales, bacalao a la riojana, chocos con habas.
El 24 % son culturemas con nombre opaco como por ejemplo
atascaburras o zarangollo.
El 12 % son culturemas expresados en la lengua cooficial propia de
una región española, por ejemplo, arnadí, panellets o pastissets.
El 12 % son culturemas con diatopía del español con platos como
caparrones con tropiezos, fabes con almejas o vieja al horno.
El 8 % culturemas con denominaciones compuestas por
construcciones idiomáticas del tipo tocino de cielo, olla de músico o cabello
de ángel.
Por último, el 5 % equivalentes acuñados en español tales como
fideuá, paella, marmitako o escalivada.
A continuación, presentamos los resultados del análisis.
5.2 Resultados generales del análisis cualitativo
El análisis cualitativo, con el que queremos comprobar si los motores
de TAN, Google Translate y DeepL, detectan los 145 culturemas
gastronómicos en los textos españoles y son capaces de traducirlos al
francés y al alemán de manera correcta, parte de la recopilación de las
126 Aproximación a la traducción automática de culturemas gastronómicos […]
Hikma 23(1) (2024), 111 - 139
traducciones ofrecidas por la TAN. En este sentido, en muchas ocasiones,
los motores han ofrecido diferentes opciones de traducción para cada uno de
los culturemas. Por este motivo, hemos podido recuperar 450 resultados en
francés y 348 en alemán. Tras aplicar el método MQM que mide la precisión
(accuracy); las convenciones lingüísticas (linguistic conventions) y la
adecuación al público meta (audience appropriateness) de los culturemas,
presentamos en la Figura 3 el porcentaje de éxito que los motores han
evidenciado para cada idioma:
Figura 3. Porcentaje de éxito de los motores DeepL y Google Translate
Fuente. Elaboración propia
A la hora de hacer la traslación de los culturemas, la Figura 3 evidencia
una diferencia significativa del éxito de los motores de TAN en relación con
las convenciones lingüísticas frente a la precisión y a la adecuación al público
meta.
1) En el caso del francés, DeepL alcanza un 62,80 % de éxito en las
convenciones lingüísticas y con Google un 55 %. Para el alemán, DeepL
obtiene un éxito del 77,86 % y con Google un 80 %.
2) Las cifras relacionadas con la precisión y con la adecuación al
público meta son bastantes inferiores. La precisión en el caso del francés
logra el 30,30 % en DeepL y el 10 % en Google; mientras que, en el caso del
alemán, la precisión en DeepL se sitúa en el 35,90 % y en el 8 % para Google.
Analía Cuadrado Rey y Lucía Navarro Brotons 127
Hikma 23(1) (2024), 111 - 139
En términos generales, DeepL ofrece un resultado más satisfactorio
que Google Translate en los tres aspectos analizados para ambos idiomas.
A continuación, se presenta un análisis detallado de la precisión (accuracy);
las convenciones lingüísticas (linguistic conventions) y la adecuación al
público meta (audience appropriateness).
5.3 Resultados pormenorizados del análisis cualitativo
Durante el proceso de evaluación de la calidad de la traducción
producida por los motores Google y DeepL, se ha hallado una serie de errores
que se ha distribuido entre las diferentes categorías del modelo MQM.
5.3.1 Precisión (accuracy)
Para evaluar la precisión, se han tomado como referencia los
siguientes parámetros establecidos por el método MQM: Mistranslation,
Over-translation, Under-translation, Addition, Omission, Untranslated. La
Figura 4 muestra los resultados obtenidos para cada motor e idioma.
Figura 4. Precisión (Accuracy) de los motores DeepL y Google Translate
ES>FR/ES>DE
Fuente. Elaboración propia
Los dos parámetros de error principales de esta categoría son
mistranslation y untranslated.
128 Aproximación a la traducción automática de culturemas gastronómicos […]
Hikma 23(1) (2024), 111 - 139
1) Los culturemas gastronómicos traducidos erróneamente al francés
rondan el 50 % en ambos motores (para pastel de cierva Google Translate
ofrece «tarte à la biche» y DeepL «tarte au cerf»). En el caso del alemán la
traducción errónea se da en mayor medida en Google con un 47 % (para
atascaburras Google ofrece como traducción «Marmeladen»).
2) La no traducción para el alemán alcanza el 28,5 % en DeepL y el
35 % en Google (panellets, pastissets, fideua, paella o escalivada, por
ejemplo, no se traducen). En francés las cifras para DeepL son del 16,2 % y
para Google del 40 % (para chocos con habas, por ejemplo, Google ofrece la
traducción «seiches au Habas», donde se traduce únicamente una parte.
Otros culturemas como arnadí, zarangollo de Murcia o atascaburras no se
traducen).
3) En cuanto al parámetro de la over-translation, la presencia en DeepL
es del 10,70 % cuando traduce al alemán (por ejemplo, para pastissets, este
motor ofrece los equivalentes «Backwaren», que quiere decir productos de
panificación y pastelería, y «Gebäckstücke» que significa ‘pasteles’). No se
ha registrado ningún ejemplo de este parámetro en francés.
4) La under-translation no está presente en la traducción de los
culturemas al francés. En alemán, por el contrario, se ha detectado en torno
al 10 % de under-translation, un 10,7 % en DeepL y un 10 % en Google
Translate («Tintenfisch mit Bohnen» para chocos con habas, por ejemplo).
5) Según los criterios de evaluación del modelo MQM, la adición
(Addition) es un tipo de error. Sin embargo, cabe matizar en este punto que
en la TH de culturemas gastronómicos es recurrente el uso de explicitaciones
que acompañan al culturema original y que detallan el ingrediente principal y
la preparación culinaria (Bugnot, 2006, p. 11; Darias, 2022, p. 32). Por todo
ello, no hemos contemplado la adición como error en el análisis de los
culturemas del corpus cuando la máquina ha ofrecido la información
necesaria para facilitar la comprensión al lector meta. Por ejemplo, se ha
considerado correcta la adición de la palabra queso junto al culturema
Cabrales que el motor DeepL propone tanto para el alemán como para el
francés («Entrecote mit Cabrales-Käse»; «entrecôte au fromage cabrales»).
La adición como error ha estado muy poco representada en los
resultados obtenidos por los motores de TAN analizados. Únicamente se ha
detectado en DeepL con un 3,50 % para la combinación español-alemán.
Este es el caso, por ejemplo, del equivalente en alemán de arroz con costra
propuesto por DeepL: «Reis mit Brotkruste». Se comprueba que se ha
añadido el término Brot (‘pan’), que da a entender que el arroz con costra está
cubierto de pan cuando en realidad está recubierto de huevo. Finalmente, no
Analía Cuadrado Rey y Lucía Navarro Brotons 129
Hikma 23(1) (2024), 111 - 139
se han dado casos de omisiones en ninguno de los motores ni en ninguna de
las dos combinaciones lingüísticas analizadas.
5.3.2 Convenciones lingüísticas (linguistic conventions)
Las convenciones lingüísticas se han analizado tomando como
parámetros la incorrección gramatical (artículos, verbos, preposiciones,
conjunciones, verbos auxiliares, entre otros) y la ortotipografía (mayúsculas,
tildes, puntuación, espacios, etc.). Lo resultados se muestran en la Figura 5
y se explican a continuación:
Figura 5. Convenciones lingüísticas (linguistic conventions) de los motores
DeepL y Google ES>FR/ES>DE
Fuente. Elaboración propia
1) En francés se ha detectado que ambos motores ofrecen un
porcentaje similar de incorrección gramatical, un 27,9 % con DeepL y un 30 %
con Google, («entrecôte à la Cabrales», «gâteau de biche»). Sin embargo, en
alemán únicamente DeepL presenta incorrecciones gramaticales en un 15 %
de los casos («alt gebacken», «Kabeljau nach Riojan-Art»).
2) Los errores ortotipográficos se presentaron en una proporción
semejante en ambas combinaciones lingüísticas. En conjunto se recogió en
francés un total de 24,3 % de errores de este tipo. Por ejemplo, «paella» en
lugar de «paëlla». En alemán los errores ortotipográficos alcanzaron un
27,14 %. Sin embargo, hay que destacar que estos errores se dan en mayor
130 Aproximación a la traducción automática de culturemas gastronómicos […]
Hikma 23(1) (2024), 111 - 139
medida en las traducciones propuestas por el motor de Google Translate con
un 15 % («seiches au Habas») en francés y un 20 % en alemán («Zarangollo
Murcian», «Himmel Speck»).
En algunos de estos ejemplos, como es el caso de «gâteau de biche»
o «alt gebacken», convergen claramente dos tipos de error. Por un lado, los
culturemas traducidos con incorrecciones gramaticales merman la fluidez.
Por otro lado, la inconsistencia terminológica pone en evidencia que la
máquina todavía no es capaz de detectar con precisión el contenido
semántico correcto del culturema para ofrecer el equivalente más apropiado.
5.3.3 Adaptación al público meta (audience appropriateness)
El análisis para determinar la adecuación al público meta (audience
appropriateness) de la traducción de culturemas ofrecida por los motores de
TAN, basado en cinco de los trece parámetros propuestos por Alarcón (2003),
muestra que las dos categorías que presentan más cantidad de errores en
ambos idiomas son los falsos sentidos y los términos sin traducir; seguidas
de los calcos, los sinsentidos y, por último, las alteraciones en el orden de las
palabras. Lo resultados se muestran en la Figura 6 y se explican a
continuación:
Figura 6. Adecuación al público meta (audience appropriateness) de los
motores DeepL y Google Translate ES>FR/ES>DE
Fuente. Elaboración propia
Analía Cuadrado Rey y Lucía Navarro Brotons 131
Hikma 23(1) (2024), 111 - 139
1) Los falsos sentidos para el alemán suponen el 39,29 % en DeepL
(«Heckenkuchen» y «Zwiebelkuchen» cuyos significados son
respectivamente ‘tarta de bayas’ y ‘pastel salado de cebolla’ como
equivalentes del culturema pastel de cierva) y el 15 % en Google Translate
(«Kuchen», que significa ‘tarta dulce’, como equivalente de pastel de cierva).
En el caso del francés, los falsos sentidos alcanzan el 20,9 % (por ejemplo,
DeepL traduce arroz con costra por «riz en croûte». El término croûte en el
ámbito culinario francés hace referencia a la corteza del pan o bien a alguna
masa a base de harina que recubre alguna carne, pescado, etc. Nos
encontramos aquí ante un falso sentido, puesto que la costra de este arroz
está hecha exclusivamente a base de huevo, como una especie de tortilla que
se cuaja sobre el arroz en el horno) y el 9,3 % en Google Translate (por
ejemplo, para cabello de ángel se ofrece la traducción literal «cheveux
d’ange» que en francés hace alusión a los fideos finos y no al dulce de
calabaza).
Los falsos sentidos fruto de la TAN requieren una especial atención,
puesto que en algunos casos la máquina ofrece resultados fluidos y
aparentemente correctos, que, sin embargo, no se corresponden
exactamente con el original.
2) Las palabras sin traducir para el alemán logran el 32,14 % en DeepL
(atascaburras) y el 40 % en Google (panellets). Para el francés las cifras
alcanzan el 27,2 % en DeepL (zarangollo de Murcia, arnadí, caparrones) y el
39 % en Google (panellets).
Con frecuencia se encuentran extranjerismos en los textos
gastronómicos, de hecho, de acuerdo con Bugnot (2006, p. 11) es un
procedimiento usual de traducción para la traslación de los culturemas
gastronómicos al que se opta habitualmente en la TH. Ahora bien, el
extranjerismo debería aparecer entrecomillado y seguido de una explicación
que incluya el ingrediente principal y la preparación culinaria. En este sentido,
Darias (2022, p. 32) también pone de manifiesto que el préstamo y la
descripción son dos de las técnicas más empleadas en la traducción de
culturemas gastronómicos. Por este motivo, se considera error cuando los
motores han propuesto dejar el culturema sin traducir y sin incluir información
adicional. Esta consideración viene motivada por el hecho de que el lector
meta no cuenta con ningún recurso para comprender el significado del
culturema.
3) Los calcos sintácticos y léxicos. En el caso del francés, el porcentaje
de errores por calcos sintácticos y léxicos es del 13,6 % para DeepL (bacalao
a la riojana por «morue à la Rioja») y del 11 % para Google (olla de músico
por «pot de musicien»). En el caso del alemán, este tipo de errores es algo
132 Aproximación a la traducción automática de culturemas gastronómicos […]
Hikma 23(1) (2024), 111 - 139
más bajo en DeepL con un 7,14 % y un poco más elevado en Google con un
15 %. El motor de TAN suele incurrir en este tipo de error con los culturemas
pluriverbales, muchas veces idiomáticos, que hacen referencia a una realidad
extralingüística muy localizada, a los que Bugnot (2006, p. 13) denomina
«hechos de civilización». Tal es el caso de la olla de músico que recibe este
nombre por tratarse del plato típico que se sirve como cena la noche del 21
de abril en la ciudad de Alcoy. Se trata del primer día de las fiestas de moros
y cristianos, conocido como el día de los músicos
.
En el polo opuesto, detectamos que los culturemas transparentes o
semitransparentes que son descriptivos y que expresan la preparación
culinaria y el ingrediente principal son los que menor problema de error
presentan por calco sintáctico y léxico. Valga como ejemplo el culturema
papas aliñadas que Google traduce como «pommes de terre assaisonnées»
o el culturema arroz con costra que DeepL traduce en alemán por «Reis mit
Kruste». Cabe recordar que Darias (2022, p. 32) habla de la traducción literal
como una técnica válida en la TH de culturemas gastronómicos.
4) Los sinsentidos representan para DeepL un 7,14 % de error en
alemán y un 15,40 % en francés, mientras que Google muestra un 20 % tanto
para el alemán como para el francés. La tendencia de los motores de TAN a
traducir palabra por palabra, como hemos visto en el apartado anterior, lleva
no solamente a incurrir en errores de calco sintáctico y léxico, sino que
además cuando los culturemas contienen palabras diatópicas o son
construcciones idiomáticas generan sinsentidos en la LM.
Sirvan como ejemplo las traducciones ofrecidas por DeepL para el
culturema vieja al horno que presenta diatopía del español. En alemán
«Baked Vieja/ alte Frau» y en francés «vieille femme cuite au four». Se tratan
de traducciones literales que no contemplan la acepción diatópica de vieja
como un tipo de pescado blanco. Es evidente que para un motor de TAN
resulta complejo identificar con qué sentido se emplea una palabra y el
problema aumenta en el caso de las palabras polisémicas, como es el caso
de las diatópicas. Según Somers (2012), la selección del término adecuado
podría resultar difícil para un ordenador por el simple hecho de que las
palabras tienen múltiples significados y están sujetas a fenómenos de
homonimia y polisemia.
Por último, el siguiente ejemplo, tocino de cielo, ilustra un compuesto
sintagmático idiomático que da como resultado un sinsentido. DeepL lo
traduce literalmente como «le lard/bacon du paradis» en francés y Google
hace lo mismo en alemán al traducirlo por «Himmel Speck».
Analía Cuadrado Rey y Lucía Navarro Brotons 133
Hikma 23(1) (2024), 111 - 139
5) Finalmente, solo se ha detectado un 10 % de alteraciones en el
orden para Google en las traducciones hacia el francés. Para la traducción
de tocino de cielo, por ejemplo, este motor de TA ofrece como resultado «ciel
bacon» que, además de ser un sinsentido, muestra de manera clara una
alteración en el orden de las palabras.
C
ONCLUSIONES
Con la reducida muestra aquí presentada, podemos afirmar que la
conclusión de este estudio de caso es que, si bien los nuevos motores de
TAN como Google Translate y DeepL han experimentado grandes avances
en los últimos años, no son capaces aún de detectar con rigurosidad los
culturemas ni ofrecer propuestas válidas de manera sistemática. Igualmente,
la TAN ofrece en muchas ocasiones resultados fluidos y a priori correctos que
enmascaran falsos sentidos.
En relación con la evaluación de la calidad podemos extraer las
siguientes conclusiones preliminares:
Se observa que la no traducción o la adición son elementos que
sistemáticamente podrían ser considerados como un error por los sistemas
de evaluación automática y manual. Sin embargo, en la TH de culturemas
gastronómicos es recurrente el uso de explicitaciones que acompañan al
culturema original. Por ello, la evaluación automática de textos marcados
culturalmente no ofrecería un texto de calidad con los parámetros actuales.
En este sentido, aunque la evaluación manual requiere mucho más tiempo
sigue siendo el método más fiable, pues entra en juego el criterio del traductor
humano capaz de detectar que algunos de los parámetros que se consideran
error no lo son en algunos casos concretos.
La elevada carga cultural de la gastronomía, pues, no parece favorecer
el uso sistemático de la TAN. En este sentido, parece interesante trabajar con
métricas que se puedan adaptar a las características de cada encargo. Este
estudio vislumbra nuevas líneas de investigación orientadas a desarrollar
métricas que contemplen la dimensión cultural atendiendo a todos los matices
presentes en textos marcados culturalmente como son los gastronómicos.
El sistema manual MQM permite valorar algunos de los aspectos
mencionados anteriormente. A pesar de ello, para poder evaluar en
profundidad la traducción de los culturemas ha sido necesario complementar
los parámetros de adecuación al público meta, ya que no ofrece subtipos de
error más allá del uso inapropiado de referencias culturales específicas.
De las seis categorías de culturemas propuestas concluimos que las
que presentan mayor dificultad para la TAN son las que contienen palabras
diatópicas o constituyen en sí mismas construcciones idiomáticas. El
problema aumenta cuando las construcciones idiomáticas en la LO presentan
134 Aproximación a la traducción automática de culturemas gastronómicos […]
Hikma 23(1) (2024), 111 - 139
una estructura diferente de su equivalente en la LM, o cuando no existe un
equivalente.
Por último, el análisis del francés y del alemán ha permitido vislumbrar
similitudes en relación con el comportamiento de la máquina en ambos
idiomas. Los resultados para cada categoría analizada se muestran
semejantes: las convenciones lingüísticas (linguistic conventions) obtienen
bastante buenos resultados en ambas lenguas. Sin embargo, los resultados
obtenidos para los parámetros de precisión (accuracy) y adecuación al
público meta (audience appropriateness) son también muy inferiores para las
combinaciones propuestas.
Pese a tratarse de un estudio preliminar con una evaluación única y
autónoma que deberá ampliarse con la opinión de otros expertos en una
segunda fase de investigación más profunda, los resultados parecen indicar
que la probabilidad de que la TAN cometa errores aumenta ante cualquier
contexto que no pueda interpretarse sin una comprensión profunda de la
cultura y la lengua. Parece, por tanto, que queda bastante camino por delante
para mejorar la TAN de culturemas y que todavía es imprescindible la
intervención humana para traducir o evaluar la mayor parte de culturemas
gastronómicos de manera adecuada.
REFERENCIAS BIBLIOGRÁFICAS
Alarcón Navío, E. (2003). Traducción automática versus traducción humana:
tipología de errores. En Muñoz Martín, R. (Ed.), Actas del I Congreso
Internacional de la Asociación Ibérica de Estudios de Traducción e
Interpretación (pp. 721-738). AIETI.
Ansón Oliart, R. (18 de febrero de 2014). Visión Global de la Gastronomía en
el siglo XXI [Discurso principal]. Conferencia de la Real Academia de
Gastronomía. Madrid, España.
Aragonés Lumeras, M. y Way, A. (2017). On the Complementarity between
Human Translators and Machine Translation. HERMES - Journal of
Language and Communication in Business, 56, 21-42.
https://doi.org/10.7146/hjlcb.v0i56.97200
Barbin, F. (2022). Neural MT and Human Post-editing: a Method to Improve
Editorial Quality. Interlingüística, 15-36.
Bugnot, M. (2006). La traducción de la gastronomía: Textos y contextos
(francés-español). TRANS: Revista de Traductología, 10, 9-22.
https://doi.org/10.24310/TRANS.2006.v0i10.1066
Candel Mora, M. Á. (2015). Evaluation of English to Spanish MT Output of
Tourism 2.0 consumer-Generated Reviews with Post-Editing Purposes.
Analía Cuadrado Rey y Lucía Navarro Brotons 135
Hikma 23(1) (2024), 111 - 139
En Esteves-Ferreira, J., Macan, J., Mitkov R. y Stefanov, O. (Eds.)
Proceedings of the 37th Conference Translating and the Computer
(pp. 37-47). AsLing.
Cohen, F., Zhong, Z. y Li, C. (2019). Cultural semantics - A missing Link in
Machine Translation. En Mehrez, S. (Ed.), In the Shoes of the Other:
Interdisciplinary Essays in Translation Studies from Cairo
(pp. 297-308). Al Kotob Khan.
Darias Marrero, A. (2022). La traducción de cartas de restaurante en un
destino turístico: un estudio de caso. Estudios De Traducción, 12,
25-34. https://doi.org/10.5209/estr.80344
DeepL SE. (s.f.) DeepL. https://www.deepl.com/translator
Díaz Flores, I. (2018). La terminología de la gastronomía puertorriqueña:
reflexiones en torno a su trasfondo y representación. CLINA Revista
Interdisciplinaria de Traducción Interpretación y Comunicación
Intercultural, 4(2), 181-205. https://doi.org/10.14201/clina2018421812
05
Durán Muñoz, I. (2012). Necesidades de mejora y adecuación en la
traducción de textos turísticos promocionales. Hermēneus. Revista de
traducción e interpretación, 14, 263-278.
ELIS. (2022). European language industry survey 2022. Trends, expectations
and concerns of the European language Industry. ELIA, EMT. EUATC,
FIT EUROPE, GALA, LIND, Women in Localization. https://fit-europe-
rc.org/wp-content/uploads/2022/03/ELIS-
2022_survey_results_final_report.pdf?x85225
González-Pastor, D. M. (2023). El proyecto DITAPE: docencia e investigación
en traducción automática y posedición. En González-Pastor, D. M.
(Ed.), El impacto de la traducción automática en la traducción
profesional en España: tendencias, retos y aspectos
socioprofesionales. El proyecto DITAPE (pp. 17-42). Peter Lang.
https://doi.org/10.3726/b19935
González-Pastor, D. M. (2018). ¿Cómo se traducen los culturemas del ámbito
turístico? Análisis de estrategias de traducción (español-inglés).
Comares.
González-Pastor, D. M. (2012). Análisis descriptivo de la traducción de
culturemas en el texto turístico. [Tesis doctoral, Universitat Politècnica
de València].
136 Aproximación a la traducción automática de culturemas gastronómicos […]
Hikma 23(1) (2024), 111 - 139
González-Pastor, D. M. y Cuadrado-Rey, A. (2014). El léxico en el ámbito de
la gastronomía valenciana: un estudio de las técnicas de traducción de
los culturemas. En Vargas-Sierra, C. (Ed.), TIC, trabajo colaborativo e
interacción en Terminología y Traducción (pp. 345-357). Comares.
Google Translate. (s.f.) Google Traductor. https://translate.google.es/?hl=es
Griffin-Mason, S. (2018). The Translation Sector of the Future: Indications
from the FIT 2017 Conference «Disruption and Diversification». Revista
Tradumàtica. Tecnologies de la traducció, 15, 71-84
https://doi.org/10.5565/rev/tradumatica.213
Herrezuelo Campos, M. I. (2005). La explicitación como procedimiento de
traducción en las publicaciones periódicas bilingües del sector turístico.
[Tesis doctoral, Universidad de Málaga].
Hurtado Albir, A. (2001). Traducción y traductología. Introducción a la
traductología. Cátedra.
Igareda, P. (2011) Categorización temática del análisis cultural: una
propuesta para la traducción. Íkala, Revista de Lenguaje y Cultura,
16(1), 11-32. https://doi.org/10.17533/udea.ikala.8654
Instituto de Turismo de España, TURESPAÑA. (s.f.) Portal oficial de turismo
de España. https://www.spain.info/es/
Instituto Nacional de Estadística. (2022). Cuenta Satélite del Turismo de
España (CSTE) Serie 2016-2021.
https://www.ine.es/prensa/cst_2021.pdf
Kelly, D. (1998). The translation of texts from the tourist sector: textual
conventions, cultural distance and other constraints. TRANS: Revista
de Traductología, 2, 33-42.
https://doi.org/10.24310/TRANS.1998.v0i2.2354
Kenny, D. (2022). Human and machine translation. En Kenny, D. (Ed.),
Machine translation for everyone: Empowering users in the age of
artificial intelligence (pp. 23-50). Language Science Press.
https://doi.org/10.5281/zenodo.6653406
Koby, G. S., Fields, P., Hague, D. R., Lommel, A. y Melby, A. (2014). Defining
Translation Quality. Tradumàtica, 12, 413-420.
https://doi.org/10.5565/rev/tradumatica.76
KPMG. (2019). La gastronomía en la economía española.
https://assets.kpmg.com/content/dam/kpmg/es/pdf/2019/01/gastrono
mia-en-economia-espanola.pdf
Analía Cuadrado Rey y Lucía Navarro Brotons 137
Hikma 23(1) (2024), 111 - 139
Leiva Rojo, J. (2018). Aspects of human translation: the current situation and
an emerging trend. Hermēneus. Revista de traducción e interpretación,
20, 257-294. https://doi.org/10.24197/her.20.2018.257-294
Lommel, A., Uszkoreit, H. y Burchardt, A. (2014). Multidimiensional Quality
Metrics (MQM): A Framework for Declaring and Describin Translation
Quality Metrics. Revista Tradumàtica. Tecnologies de la traducció, 12,
455-463.
Martínez Sánchez, P. C. e Íñigo Ros, M. (1998). La traducción de términos
culturales en los folletos turísticos: La gastronomía. Quaderns de
Filologia: Estudis Lingüístics, 4, 153-170.
Ministerio de Industria, Comercio y Turismo. (2022). Plan turístico nacional
Enogastronomía 2022. https://www.mincotur.gob.es/es-
es/gabineteprensa/notasprensa/2022/documents/plan%20turi%CC%8
1stico%20nacional%202022_enogastronomi%CC%81a.pdf
Mitkov, R., Monti, J., Corpas Pastor, G. y Seretan, V. (2018). Multiword Units
in Machine Translation and Translation Technology. John Benjamins.
http://dx.doi.org/10.1075/cilt.341.01mon
Monti, J., Arcan, M. y Sangati, F. (2020). Translation asymmetries of
multiword expressions in machine translation: An analysis of the TED-
MWE corpus. En Corpas Pastor, G. y Colson, J. P. (Eds.) (pp. 23-42).
John Benjamins. https://doi.org/10.1075/ivitra.24.02mon
Moreno Peinado, A. (2006). La traducción de elementos culturales en el texto
audiovisual. La obra de Pedro Almodóvar en alemán, francés e inglés.
[Tesis doctoral, Universidad de Castilla la Mancha].
Navarro-Brotons, L. (2020). Traducción de unidades fraseológicas
gastronómicas francés-español peninsular/español de México.
Monografías de Traducción e Interpretación, número especial 6,
327-354. https://doi.org/10.6035/MonTI.2020.ne6.10
Nitzke, J., Tardel, A. y Hansen-Schirra, S. (2019). Training the modern
translator - the acquisition of digital competencies through blended
learning. The Interpreter and Translator Trainer, 13(3), 292-306.
http://dx.doi.org/10.1080/1750399X.2019.1656410
Nord, C. (1997). Translating as a Purposeful Activity. Functionalist
Approaches Explained. St. Jerome Publishing.
Nordman, M. (1996). Cooking Recipes and Knitting Patterns: Two Minilects
Representing Technical Writing. En Kalverkämper, H. y Baumann, K.
138 Aproximación a la traducción automática de culturemas gastronómicos […]
Hikma 23(1) (2024), 111 - 139
(Eds.), Fachliche Textsorten. Komponenten – Relationen – Strategien
(pp. 554-575). Narr.
Noviarini, T. (2021). The translation results of Google Translate from
Indonesian to English. SMART: Journal of English Language Teaching
and Applied Linguistics, 7(1), 21-26.
https://doi.org/10.52657/js.v7i1.1335
Nunes Vieira, L. N. (2019). Post-editing of machine translation. En O'Hagan,
M. (Ed.), The Routledge handbook of translation and technology
(pp. 319-337). Routledge. https://doi.org/10.4324/9781315311258
O'Brien, S. (2022). How to deal with errors in machine translation: Postediting.
En Kenny, D. (Ed.), Machine for everyone: Empowering users in the
age of artificial intelligence (pp. 105-120). Language Science Press.
https://doi.org/10.5281/zenodo.6653406
Organización Mundial del Turismo de las Naciones Unidas. (s.f.) ONU
Turismo. https://www.unwto.org/es
Ortego Antón, M. T. y Seghiri, M. (2019). La traducción automática de
locuciones nominales del español al inglés: A pain in the neck? En
Carrasco Bengoa, C., Cantanero Muñoz, M. y Diez Carbajo, C. (Eds.),
Traducción y sostenibilidad cultural: sustrato, fundamentos y
aplicaciones (pp. 331-342). Universidad de Salamanca.
Poibeau, T. (2019). Babel 2.0. Où va la traduction automatique ? Éditions
Odile Jacob.
Poibeau, T. (2017). Machine translation. The MIT Press.
Ponce-Márquez, N. (2006). Metodología en la clase de traducción:
dificultades pragmático-culturales en la traducción de textos turísticos
(Ejemplo de traducción de español /alemán). Tonos Digital: Revista de
Estudios Filológicos, 12, 1-14.
Proyecto QTLaunchPad. (s.f.) MQM (Multidimensional Quality Metrics).
https://themqm.org/
Rodríguez Abella, R. M. (2009). La traducción de los culturemas en el ámbito
de la gastronomía (Análisis de los folletos de TURESPAÑA). EUT
Edizioni Università di Trieste.
Rossi, C. y Carré, A. (2022). How to choose a suitable neural machine
translation solution: Evaluation of MT quality. En Kenny, D. (Ed.),
Machine translation for everyone: Empowering users in the age of
Analía Cuadrado Rey y Lucía Navarro Brotons 139
Hikma 23(1) (2024), 111 - 139
artificial intelligence (pp. 51-79). Language Science Press.
https://doi.org/10.5281/zenodo.6653406
Sánchez Ramos, M. d. M. y Rico Pérez, C. (2020). Traducción automática.
Conceptos clave, procesos de evaluación y técnicas de posedición.
Comares.
Somers, H. (2012). Machine Translation: History, Development and
Limitations. En Malmkjær, K. y Windle, K. (Eds.), The Oxford Handbook
of Translation Studies. Oxford University Press.
http://dx.doi.org/10.1093/oxfordhb/9780199239306.013.0029
Stahlberg, F. (2020). Neural Machine Translation: A Review. The Journal of
Artificial Intelligence Research, 69, 343-418.
https://doi.org/10.1613/jair.1.12007
Way, A. (2018). Quality Expectations of Machine Translation. En Moorkens,
J., Castilho, S., Gaspari, F. y Doherty, S. (Eds.), Translation Quality
Assessment (pp. 159-178). Springer International Publishing.
http://dx.doi.org/10.1007/978-3-319-91241-7_8
Zaninello, A. y Birch, A. (2020). Multiword Expression aware Neural Machine
Translation. En European Language Resources Association (Ed.),
Proceedings of the Twelfth Language Resources and Evaluation
Conference (pp.3816-3825). European Language Resources
Association.
