💬 NLP

Neural Machine Translation for Coptic-French: Strategies for Low-Resource Ancient Languages

Este artículo presenta el primer estudio sistemático sobre la traducción del copto al francés, demostrando que el ajuste fino con un corpus estilísticamente variado y consciente del ruido mejora significativamente la calidad de la traducción y ofrece perspectivas valiosas para las lenguas antiguas de recursos limitados.

Autores originales: Nasma Chaoui, Richard Khoury

Publicado 2026-05-14

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Nasma Chaoui, Richard Khoury

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que tienes un libro muy antiguo, polvoriento y ligeramente dañado, escrito en una lengua antigua llamada copto. Quieres traducirlo al francés moderno para que más personas puedan leerlo. ¿El problema? Hay muy pocas personas que hablen copto hoy en día, y no existen muchos programas informáticos (IA) que sepan realizar esta traducción.

Este artículo es como un libro de recetas donde los autores, Nasma Chaoui y Richard Khoury, prueban diferentes "métodos de cocina" para ver cómo construir el mejor traductor posible para esta tarea específica. No están simplemente adivinando; están realizando experimentos para encontrar la forma más fiable de convertir un texto antiguo en francés moderno.

Aquí tienes un desglose de su viaje, utilizando analogías sencillas:

1. La gran pregunta: ¿Cómo empezamos?

Los autores plantearon cuatro preguntas principales, que trataron como cuatro caminos diferentes hacia la cima de una montaña:

Camino A: La ruta directa (Ajuste fino). Tomar una IA inteligente que sabe un poco sobre idiomas y "entrenarla" específicamente en copto y francés. Es como tomar a un estudiante general y contratar un tutor privado solo para copto.
Camino B: La ruta de pivote (El desvío). Traducir del copto al inglés primero, y luego traducir ese resultado en inglés al francés. Es como intentar llegar a París volando primero a Londres y luego tomando un tren.
Camino C: La ruta del "prompt mágico". Pedirle a una IA inteligente que conoce el copto y el inglés que simplemente "hable francés" sin ningún entrenamiento adicional. Es como pedirle a un chef que solo sabe cocinar italiano que de repente prepare un plato francés perfecto simplemente pidiéndolo amablemente.
Camino D: La ruta multilingüe. Utilizar una IA gigante que conoce 100 idiomas pero no está especializada en ninguno de ellos. Es como usar un navaja suiza para intentar realizar una cirugía; tiene las herramientas, pero quizás no la precisión.

El resultado: La "ruta directa" (Camino A) ganó por goleada. Entrenar un modelo específicamente para copto-francés fue mucho mejor que usar desvíos o esperar que una IA general lo resolviera.

2. Elegir al "estudiante" adecuado (El modelo)

Una vez que decidieron entrenar un modelo, tuvieron que elegir cuál empezar. Probaron cuatro "estudiantes" diferentes:

El especialista: Una IA que ya conocía el copto pero solo hablaba inglés.
El políglota: Una IA que conocía el copto y el francés, pero formaba parte de un enorme grupo de 100 idiomas.
El generalista: Una IA que conocía el francés pero no sabía copto en absoluto.
El primo: Una IA entrenada en jeroglíficos (el ancestro antiguo del copto).

El resultado: El políglota (el que ya conocía tanto el copto como el francés) fue el mejor estudiante. Sin embargo, el primo (el experto en jeroglíficos) ¡lo hizo sorprendentemente bien! Esto es como descubrir que si le enseñas a alguien a leer jeroglíficos egipcios antiguos, aprende copto mucho más rápido que alguien que nunca ha visto un idioma antiguo. Demuestra que el conocimiento de un idioma "primo" ayuda mucho.

3. El poder de la variedad (Múltiples traducciones)

Los textos antiguos son complicados porque una frase en copto podría traducirse al francés de tres maneras diferentes, todas correctas. Los autores se preguntaron: ¿Deberíamos enseñar a la IA con una sola traducción o con las tres?

Probaron esto entrenando a la IA con solo una versión de la traducción de la Biblia, y luego con las tres versiones mezcladas.

El resultado: La IA entrenada con las tres versiones fue la más flexible y humana. Aprendió que no hay solo una forma "correcta" de decir algo. Se volvió mejor captando el significado en lugar de simplemente copiar palabras. Es como enseñar a un estudiante mostrándole tres formas diferentes de escribir un ensayo; aprende la idea central mejor que si solo le mostraras una plantilla rígida.

4. Hacer que la IA sea "fuerte" (Manejo del ruido)

Los manuscritos antiguos a menudo están dañados. Pueden faltar letras (agujeros en la página), estar borrosas o mal leídas por los escáneres. Los autores querían saber: ¿Podemos hacer que la IA sea lo suficientemente fuerte para manejar estos errores?

Simularon esto "rompiendo" intencionadamente sus datos de entrenamiento. Eliminaron letras al azar, las intercambiaron o las reemplazaron por otras de aspecto similar, tal como un manuscrito dañado.

El resultado:

Si entrenas a la IA con texto perfecto y limpio, falla miserablemente cuando ve una página dañada.
Si entrenas a la IA con 50% de texto dañado, se convierte en un superhéroe. Aprende a adivinar las piezas faltantes e ignorar las manchas.
El punto óptimo fue entrenar con 50% de ruido. Esto creó un traductor lo suficientemente robusto para manejar libros antiguos reales, polvorientos y dañados sin desmoronarse.

La conclusión final

Los autores construyeron con éxito el primer traductor fiable de copto a francés. Su secreto no fue una sola cosa; fue una combinación de:

Entrenar un modelo específicamente para este par (no usando un desvío).
Empezar con un modelo que ya conocía el idioma antiguo o su "primo" (jeroglíficos).
Alimentarlo con muchas formas diferentes de decir lo mismo (variedad estilística).
"Arruinar" deliberadamente la mitad de los datos de entrenamiento para que la IA aprendiera a ser fuerte frente al daño.

Lanzaron estos dos mejores modelos (uno basado en el políglota y otro en el experto en jeroglíficos) para que los egiptólogos e historiadores puedan finalmente utilizar la IA para desbloquear los secretos de los antiguos manuscritos coptos, incluso si esos manuscritos están un poco desgastados.

Resumen Técnico: Traducción Automática Neuronal para Copto-Francés

Planteamiento del Problema

La Traducción Automática Neuronal (TAN) ha avanzado significativamente para las lenguas modernas, pero las lenguas históricas y antiguas siguen estando subrepresentadas debido a la escasez de datos. El copto, la etapa final de la familia lingüística egipcia, es fundamental para la egiptología y los estudios del cristianismo primitivo, pero carece de herramientas robustas de TAN, especialmente para la traducción al francés. Los recursos existentes se limitan principalmente a la traducción al inglés o al árabe. Este artículo aborda esta brecha investigando sistemáticamente estrategias para traducir del copto al francés, centrándose en cuatro desafíos centrales inherentes a la traducción de lenguas antiguas con pocos recursos:

Estrategia de Traducción: Si traducir directamente o utilizar una lengua puente (por ejemplo, inglés).
Selección del Modelo: Cómo elegir el modelo preentrenado óptimo para el ajuste fino.
Diversidad de Datos: El impacto de entrenar con múltiples versiones estilísticas del mismo texto.
Robustez: Cómo manejar el ruido y la corrupción comunes en los manuscritos antiguos (por ejemplo, caracteres faltantes, errores de OCR, variaciones ortográficas).

Metodología

Los autores construyeron una tubería integral utilizando corpus bíblicos alineados para evaluar cuatro etapas experimentales distintas:

1. Construcción y Preprocesamiento del Conjunto de Datos

Fuente: Los textos coptos se extrajeron del proyecto Coptic SCRIPTORIUM (Nuevos y Viejos Testamentos en saídico).
Objetivo: Se seleccionaron tres traducciones bíblicas francesas de dominio público (Louis Segond, Crampon y Darby) por su diversidad estilística.
Alineación: Los versículos se alinearon automáticamente utilizando identificadores de versículo.
Romanización: Dado que los vocabularios estándar de Transformer no admiten el Unicode copto original, se utilizó la herramienta uroman para romanizar el texto copto.
División: Se empleó una división a nivel de libro para evitar la contaminación de datos. Los libros (1 Corintios, Marcos, Gálatas, Hebreos) se retuvieron para la prueba, mientras que los 59 libros restantes formaron el conjunto de entrenamiento.

2. Etapas Experimentales

El estudio evaluó cuatro preguntas de investigación específicas mediante experimentos controlados:

Pertinencia del Ajuste Fino: Los autores compararon cuatro enfoques:
1. Ajuste fino de un modelo específico para copto (Enis) al francés.
2. Uso de un modelo multilingüe (Helsinki) tal cual viene de fábrica.
3. Prompts de cero disparos (zero-shot) del modelo copto para generar francés.
4. Una estrategia de puente (Copto $\to$ Inglés $\to$ Francés).
Elección del Modelo Preentrenado: Cuatro modelos preentrenados se ajustaron finamente en el corpus copto-francés:
- Enis: Un modelo de copto a inglés.
- Helsinki: Un modelo multilingüe entrenado en la Biblia (copto/francés).
- T5: Un modelo de propósito general (exposición al francés, sin copto).
- Hiero: Un modelo de jeroglíficos a inglés/alemán (familia lingüística relacionada).
Elección del Conjunto de Datos para el Ajuste Fino: Los modelos de mejor rendimiento (Helsinki y Hiero) se entrenaron con traducciones francesas individuales frente a un conjunto de datos combinado de las tres traducciones para evaluar el beneficio de la variación estilística.
Robustez ante el Ruido: Para simular la degradación de los manuscritos, los autores inyectaron ruido en los datos de entrenamiento:
- Lacunas: Eliminación del 2% de caracteres.
- Errores Ortográficos: Intercambio del 2% de caracteres adyacentes.
- Errores de OCR: Reemplazo del 10% con caracteres visualmente similares.
  Los modelos se entrenaron con niveles variables de ruido (0%, 10%, 30%, 50%, 100%) y se probaron en datos limpios y ruidosos.

3. Métricas de Evaluación

Dado que un solo versículo copto puede tener múltiples traducciones francesas válidas, las métricas de superposición léxica (como BLEU) se consideraron insuficientes. El estudio utilizó similitud semántica y métricas aprendidas:

BERTScore: Similitud contextual de tokens.
BLEURT: Métrica aprendida que predice juicios de calidad humana.
COMET: Métrica multilingüe basada en BERT para la calidad de la traducción.
METEOR: Coincidencia de unigramas con sinonimia y lematización.

Resultados Clave

1. Estrategia de Traducción

El ajuste fino es esencial. El modelo ajustado fino de copto a francés superó significativamente a todas las alternativas.

El ajuste fino logró las puntuaciones más altas en todas las métricas (por ejemplo, BERTScore 0.820).
Las estrategias de puente (Copto $\to$ Inglés $\to$ Francés) y los prompts de cero disparos (zero-shot) rindieron mal, a menudo peor que los modelos base, lo que indica una acumulación de errores y expectativas de decodificación desajustadas.
Los modelos multilingües utilizados sin ajuste fino rindieron de manera subóptima para pares de lenguas con pocos recursos.

2. Selección del Modelo

El preentrenamiento en lenguas relacionadas o en el par objetivo es crucial.

El modelo Helsinki (preentrenado en textos bíblicos coptos y franceses) logró el mejor rendimiento general (BERTScore 0.850, COMET 0.731). Su éxito se atribuye a tener ambas lenguas, fuente y objetivo, en su corpus de preentrenamiento y a la alineación de dominio (textos bíblicos).
El modelo Hiero (entrenado en jeroglíficos, una lengua relacionada) se desempeñó como el segundo mejor modelo, demostrando que el conocimiento se transfiere eficazmente entre lenguas antiguas relacionadas.
Los modelos que carecían de exposición al copto o a lenguas relacionadas (T5) rindieron lo peor.

3. Diversidad del Conjunto de Datos

La diversidad estilística mejora la generalización.

Los modelos entrenados con una única traducción francesa rindieron mejor cuando se probaron en esa misma traducción (alta coincidencia léxica).
Sin embargo, los modelos entrenados con las tres traducciones lograron consistentemente las puntuaciones BLEURT y COMET más altas en todos los conjuntos de prueba. Esto indica que la exposición a múltiples traducciones válidas permite al modelo aprender representaciones semánticas mejores y generar traducciones de mayor calidad en general, incluso si la redacción difiere ligeramente de una referencia específica.

4. Robustez ante el Ruido

La inyección controlada de ruido mejora la resiliencia.

Los modelos entrenados con datos limpios (0% de ruido) rindieron mejor en datos de prueba limpios, pero sufrieron caídas severas de rendimiento (hasta un 53% en BLEURT para Hiero) cuando se probaron en datos ruidosos.
Los modelos entrenados con 50% de ruido lograron el mejor equilibrio. Mantuvieron un alto rendimiento en datos limpios mientras mostraban una degradación significativamente menor en entradas ruidosas (caída de menos del 15% en promedio).
Esto sugiere que, para la traducción de lenguas antiguas, entrenar con corrupción simulada es una estrategia necesaria para manejar la degradación real de los manuscritos históricos.

Significado y Contribuciones

El artículo afirma presentar el primer estudio sistemático de estrategias para traducir del copto al francés. Sus contribuciones principales son:

Validación Empírica: Demuestra que el ajuste fino específico de la tarea es superior a los enfoques basados en puentes o de cero disparos para la traducción de lenguas antiguas.
Aprendizaje por Transferencia: Confirma que los modelos preentrenados en lenguas antiguas relacionadas (jeroglíficos) o en el par específico de lenguas (copto-francés) producen los mejores resultados.
Estrategia de Datos: Establece que entrenar en corpus estilísticamente diversos (múltiples traducciones bíblicas) mejora la robustez semántica y la calidad general de la traducción.
Robustez ante el Ruido: Proporciona una guía práctica para la TAN de lenguas antiguas con pocos recursos: inyectar aproximadamente 50% de ruido durante el entrenamiento crea modelos que son resilientes a la corrupción inherente a los manuscritos históricos sin sacrificar demasiado el rendimiento en texto limpio.

Los autores concluyen que estos hallazgos ofrecen orientación práctica para desarrollar herramientas de TAN para otros pares de lenguas con pocos recursos o antiguas, yendo más allá del caso específico copto-francés. Los modelos y el código resultantes han sido puestos a disposición del público.