💬 NLP

SumTablets: A Transliteration Dataset of Sumerian Tablets

Este trabajo presenta SumTablets, un dataset que vincula 91.606 tablillas sumerias en Unicode con sus transliteraciones de Oracc para habilitar el uso de modelos de lenguaje modernos, logrando un modelo fine-tuned con un 97,55% de puntuación chrF que permite a los expertos verificar transliteraciones generadas de forma rápida y eficiente.

Autores originales: Cole Simmons, Richard Diehl Martinez, Dan Jurafsky

Publicado 2026-02-26

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Cole Simmons, Richard Diehl Martinez, Dan Jurafsky

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

¡Hola! Imagina que acabamos de descubrir un tesoro antiguo, pero no es oro ni joyas, sino miles de tablillas de arcilla que los antiguos sumerios escribieron hace 5.000 años. El problema es que están escritas en un código muy difícil: unos dibujitos en forma de cuña llamados cuneiforme.

Los expertos (llamados asiriólogos) han pasado décadas traduciendo estos dibujos a letras que nosotros podemos leer (como "lugal" o "en-lil"). A esto se le llama transliteración. Pero hasta ahora, hacer esto era como intentar adivinar un código secreto sin tener el diccionario a mano, y mucho menos una computadora que pudiera ayudar.

Aquí es donde entra este paper, que presenta algo llamado SumTablets. Vamos a desglosarlo con analogías sencillas:

1. El Problema: Un rompecabezas sin la imagen de la caja

Imagina que tienes dos cajas separadas:

Caja A: Contiene las fotos de los dibujos originales en las tablillas (los glifos cuneiformes).
Caja B: Contiene las traducciones que los expertos ya hicieron a letras latinas.

El problema es que nadie había emparejado estas dos cajas de forma ordenada para que una computadora pudiera aprender. Las computadoras necesitaban ver el dibujo y la traducción al mismo tiempo para aprender el patrón. Sin eso, la Inteligencia Artificial (IA) estaba a ciegas.

2. La Solución: SumTablets (El Gran Emparejador)

Los autores (Cole, Richard y Dan) crearon SumTablets. Piensa en esto como un gigantesco libro de emparejamientos digital.

Recopilaron 91,606 tablillas (¡casi 7 millones de dibujitos!).
Limpianon los datos antiguos (quitando notas de los expertos que no servían para la IA).
Usaron diccionarios especiales para conectar cada dibujo cuneiforme con su letra correspondiente.
Ahora, tienen una base de datos donde cada fila tiene: Dibujo Original + Traducción Experta.

Es como si les hubieran dado a la IA un manual de instrucciones perfecto: "Si ves este dibujo, escribe esta palabra".

3. La Magia: Enseñando a la IA a leer

Una vez que tuvieron los datos, probaron dos métodos para ver si la computadora podía aprender a traducir sola:

Método 1: El Diccionario de Apuestas (Línea Base).
Imagina que tienes un dibujo y el diccionario te dice: "Este dibujo puede leerse como 'A', 'B' o 'C'". La computadora simplemente elige una al azar, pero más a menudo elige la que más veces ha visto en el diccionario.
- Resultado: Funcionó bastante bien (un 61% de aciertos), pero a veces se equivocaba porque no entendía el contexto.
Método 2: El Genio Aprendiz (Modelo Neuronal).
Aquí usaron una IA muy potente (llamada XLM-R) que ya sabe hablar más de 100 idiomas modernos. Aunque el sumerio es un idioma "huérfano" (no tiene parientes vivos), la IA es muy buena adivinando patrones.
- Le enseñaron a la IA: "Mira estos dibujos, ahora escribe la traducción".
- La IA aprendió no solo las palabras, sino la gramática y la estructura de las frases.
- Resultado: ¡Un 97.5% de acierto! La computadora casi traduce tan bien como un experto humano.

4. ¿Por qué es esto importante? (La Analogía del Traductor)

Antes de este proyecto, un experto humano tenía que sentarse frente a una foto de una tablilla rota y difícil y pasar horas descifrando cada símbolo uno por uno. Era como intentar traducir un libro entero escribiendo letra por letra a mano.

Con SumTablets y el modelo de IA que crearon:

La IA puede hacer el trabajo sucio y rápido.
El experto humano ya no tiene que escribir todo desde cero.
El experto solo tiene que revisar lo que la IA escribió, como un editor que corrige un borrador.

En resumen

Este paper es como construir el puente digital entre los dibujos antiguos de arcilla y el lenguaje moderno. Han creado el mayor conjunto de datos del mundo para enseñar a las computadoras a leer sumerio.

El mensaje final: Gracias a esto, los expertos pueden dejar de perder horas traduciendo manualmente y empezar a dedicar más tiempo a lo que realmente importa: entender la historia, la cultura y las vidas de las personas que vivieron hace 5.000 años. La IA se convierte en su mejor ayudante, no en su reemplazo.

1. El Problema

La transliteración del sumerio es un proceso fundamental en la asiriología para interpretar tabletas de escritura cuneiforme. Sin embargo, este campo ha enfrentado una barrera significativa para la aplicación de métodos modernos de Procesamiento del Lenguaje Natural (NLP):

Falta de datos alineados: Aunque existen grandes repositorios de transliteraciones en línea (como ETCSL, CDLI y Oracc), carecen de una representación digital paralela de los glifos cuneiformes originales (en formato Unicode).
Complejidad lingüística: Los glifos cuneiformes son polivalentes (un mismo glifo puede tener múltiples lecturas semánticas o fonéticas dependiendo del contexto) y el sumerio es una lengua aislada con recursos limitados.
Obstáculo para el NLP: La ausencia de pares de datos "glifo-transliteración" estandarizados ha impedido el desarrollo de modelos de aprendizaje automático para automatizar o asistir en la transliteración, obligando a los expertos a realizar este trabajo manualmente, glifo por glifo.

2. Metodología

Los autores presentan SumTablets, un enfoque sistemático para crear un dataset masivo y estandarizado, seguido de la implementación de modelos de base.

A. Construcción del Dataset (SumTablets)

El dataset se deriva de recursos públicos, principalmente el Electronic Pennsylvania Sumerian Dictionary (ePSD2) y la Oracc Sign List (OSL). El proceso de creación incluye:

Preprocesamiento y Limpieza: Se normalizan las transliteraciones de Oracc, eliminando anotaciones editoriales (como corchetes que indican texto perdido o reconstruido) que podrían introducir sesgos, y convirtiendo la información estructural en tokens especiales (ej. <SURFACE> para caras de la tabla, \n para saltos de línea, ... para roturas).
Mapeo Inverso (Transliteración $\to$ Glifo): Dado que una lectura específica corresponde a un glifo fuente único, se utilizan diccionarios Unicode-lectura para mapear cada lectura de vuelta a su glifo Unicode original.
- Se logra un éxito del 99.93% en mapear lecturas a nombres de glifos.
- Se logra un éxito del 99.96% en mapear nombres de glifos a representaciones Unicode.
- Los casos no encontrados se marcan como <UNK>.
Estructura del Dataset: El resultado final son 91,606 tabletas sumerias (totalizando 6,970,407 glifos) alineadas con sus transliteraciones, incluyendo metadatos de periodo histórico y género (administrativo, real, literario, etc.).

B. Modelos de Línea Base (Baselines)

Para evaluar la viabilidad de la tarea, se implementaron y compararon dos enfoques:

Línea Base de Diccionario (Dictionary Baseline): Un enfoque probabilístico que, para cada glifo de entrada, muestrea una de sus posibles lecturas basándose en la frecuencia de ocurrencia en los diccionarios ePSD2 y OSL.
Línea Base Neuronal (Neural Baseline):
- Arquitectura: Modelo Encoder-Decoder de secuencia a secuencia.
- Base: Se utiliza XLM-R (un modelo transformer multilingüe preentrenado en más de 100 idiomas).
- Tokenización: Se reentrenaron dos tokenizadores SentencePiece desde cero: uno para los glifos Unicode (vocabulario de 632 tokens) y otro para las transliteraciones (vocabulario de 1024 tokens).
- Entrenamiento: Se realizó en tres etapas:
  1. Ajuste fino (fine-tuning) del encoder con tarea de modelado de lenguaje enmascarado (MLM) sobre los glifos.
  2. Entrenamiento del modelo completo con el encoder congelado.
  3. Descongelamiento y entrenamiento conjunto de encoder y decoder.
- Hiperparámetros: Se usó búsqueda por haz (beam search) con tamaño 5 y se manejó el desequilibrio de clases (sobremuestreo de textos no administrativos).

3. Contribuciones Clave

Primer Dataset Masivo: SumTablets es el primer dataset a gran escala y fácilmente accesible (vía Hugging Face) que empareja glifos cuneiformes Unicode con transliteraciones sumerias.
Estandarización: Se ha normalizado la estructura de datos de Oracc, preservando la fidelidad morfosintáctica y estructural mediante tokens especiales, optimizándola para tareas de NLP.
Benchmark Nuevo: Se establece la primera línea base y evaluación para la transliteración automática de sumerio, definiendo métricas y protocolos de división de datos (Train/Val/Test estratificados por periodo).
Código Abierto: Se liberan tanto el dataset como el código de preparación de datos en GitHub bajo licencia CC BY 4.0.

4. Resultados

Los modelos se evaluaron utilizando la puntuación chrF (F-score a nivel de carácter) en un conjunto de prueba retenido:

Línea Base de Diccionario: Obtuvo un chrF promedio de 61.22. Esto demuestra que la simple frecuencia de lectura no es suficiente para capturar el contexto complejo.
Modelo Neuronal (XLM-R Fine-tuned): Logró un chrF promedio de 97.54.
- Este rendimiento es notablemente alto, considerando que el sumerio es una lengua aislada y de bajos recursos.
- El modelo superó consistentemente a la línea base de diccionario en todos los periodos y géneros.
- Análisis de Errores: El modelo tuvo dificultades con textos litúrgicos y literarios (menos datos de entrenamiento) y en la predicción de fonemas dentro de nombres propios, donde la elección de la lectura es a menudo una cuestión de convención académica más que de regla estricta.

5. Significado e Impacto

Aceleración de la Investigación: La alta precisión del modelo (97.54%) sugiere que las herramientas basadas en IA pueden permitir a los asiriólogos generar transliteraciones preliminares rápidamente, desplazando el esfuerzo humano de la transcripción manual hacia la validación, corrección y análisis profundo.
Viabilidad de Modelos Multilingües: Demuestra que los modelos transformer preentrenados multilingües pueden adaptarse eficazmente a lenguas aisladas y de bajos recursos como el sumerio, superando la falta de datos masivos específicos.
Paso hacia la Traducción: La transliteración automática es un paso crítico esencial para desarrollar pipelines completos de traducción automática del sumerio al inglés u otros idiomas modernos.
Accesibilidad: Al hacer estos datos accesibles a través de bibliotecas estándar de ML (Hugging Face), se democratiza la investigación en asiriología computacional, permitiendo que no solo expertos en sumerio, sino también investigadores de NLP, contribuyan al campo.

En conclusión, SumTablets cierra la brecha entre la asiriología digital tradicional y el NLP moderno, proporcionando los cimientos necesarios para la automatización inteligente de la lectura de las primeras escrituras de la humanidad.