Traducción especializada 4.0: del texto a la IA / Specialised Translation 4.0: From Text to AI / Tradução especializada 4.0: do texto à IA

Referencias bibliográficas

Aparecida de Matos, M. (2024). El impacto de la inteligencia artificial (IA) en el ambiente de la (para)traducción: la creación en las manos de aquel que traduce. En M. Matos y K. Schurster (Eds.), Traducción y paratraducción: Manipulaciones ideológicas y culturales (pp. 197–210). Berlin, Boston: De Gruyter. https://doi.org/10.1515/9783111313719-011

González-Pastor, D. (2024). La traducción automática y la formación de traductores en España: Perspectivas desde la industria y el ámbito académico. Mutatis Mutandis. Revista Latinoamericana de Traducción, 17(1), 117–142.

Rodríguez-Faneca, C. (2021). Corpus y nuevas tecnologías aplicadas a la traducción: conceptos teóricos y prácticos para el trabajo de la competencia instrumental en el aula. Futhark. Revista de Investigación y Cultura, 16, 171–191.

1. Introducción y marco teórico

Las emociones tienen una influencia enorme en los humanos: influyen en, entre otras muchas cosas, nuestra percepción del mundo y en nuestro comportamiento. Su efecto, en este sentido, es comparable al de otro elemento que también tiene una enorme influencia en las personas: la cultura. Ambas dimensiones, la emoción y la cultura, están intrínsecamente relacionadas. Aunque hay autores, como Ekman (1994), que consideran que existen ciertas emociones que se manifiestan a través de expresiones faciales universales a todas las culturas, De Leersnyder et al. (2013) señalan que la cultura desempeña un papel fundamental en la experimentación y regulación de las emociones que se sienten. Estas percepciones de los estímulos emocionales y la interpretación que se hace de ellos en función de la cultura (y, por extensión, la lengua) del individuo nos llevan a plantearnos una cuestión adicional en el ya complejo proceso traductor: el texto que se está traduciendo, ¿es percibido emocionalmente en la lengua y cultura meta tal y como se percibe en la lengua y cultura origen?

Antes de abordar formas de «medir» la percepción emocional de un texto, resulta necesario definir el eje central de este estudio: la emoción. La emoción es un concepto complejo y que ha suscitado interesantes debates ya desde la época de Aristóteles, cuando se considera que se empezaron a formular las primeras hipótesis y teorías en torno a este concepto (Trueba Atienza, 2009). A lo largo de la historia se han sucedido numerosas definiciones, aunque Kleinginna y Kleinginna (1981, p. 355) ofrecieron una definición basada en casi un centenar de definiciones de distintos autores que genera bastante consenso:

Emotion is a complex set of interactions among subjective and objective factors, mediated by neural~hormonal systems, which can (a) give rise to affective experiences such as feelings of arousal, pleasure/displeasure; (b) generate cognitive processes such as emotionally relevant perceptual effects, appraisals, labeling processes; (c) activate widespread physiological adjustments to the arousing conditions; and (d) lead to behavior that is often, but not always, expressive, goal-directed, and adaptive.

A pesar de la relativa antigüedad de esta definición, concuerda con definiciones más actuales, como la de Cotrufo y Ureña Bares (2018), que consideran la emoción como un conjunto de cambios fisiológicos, cognitivos, subjetivos y motores que nacen de la valoración de un estímulo, en un contexto determinado y con relación a los objetivos de un individuo en un momento concreto de su vida.

Las emociones, como se deduce de la definición de Kleinginna y Kleinginna (1981), tienen importantes vínculos con la cognición, algo que afecta, indudablemente, a cuestiones como la lectura y la percepción de los textos que se leen. Citron (2012) señaló que la presencia de emociones en los textos tiene distintas implicaciones en la lectura y Kousta et al. (2009) mostraron que las palabras con carga emocional se procesan más rápido y con mayor precisión que las palabras sin carga emocional asociada. Khairudin et al. (2012) observaron, además, que las palabras con connotaciones emocionales positivas o negativas se recuerdan mejor que aquellas neutras. Como vemos, las emociones, manifestadas también en forma de palabras, tienen un impacto más que significativo en la cognición.

Llegados a este punto, es interesante plantearnos cómo se puede «medir» la emoción. Como prácticamente todo en este debate, tampoco existe un consenso universal en cuanto a cómo se puede medir la emoción, pero sí que existen aproximaciones que permiten entender mejor qué connotaciones o implicaciones emocionales tiene determinada palabra. Para comprender mejor qué miden exactamente o en qué se basan dichas aproximaciones, hay dos conceptos que es importante conocer: la valencia hedónica y la intensidad de activación. La valencia hedónica hace referencia al carácter positivo, negativo (Joffily y Coricelli, 2013) o incluso neutro (Charland, 2005) de un estímulo, mientras que la intensidad de activación se refiere al carácter tranquilizador o inquietante de un estímulo (Kensinger, 2004). Esto se puede aplicar a distintos elementos, como las palabras. Existen listados, basados en las respuestas de cientos de participantes, que asignan un valor concreto de valencia hedónica y de intensidad de activación a un elevado número de palabras. Aunque existen en numerosos idiomas, podemos mencionar el de Warriner et al. (2013) en inglés y el Stadthagen-Gonzalez et al. (2017) en español. En ambos casos, se incluyen alrededor de catorce mil palabras y los valores de cada palabra se presentan en una escala de 1 a 9, en la que 1 significa «lo más negativo posible», en términos de valencia hedónica, o «el máximo nivel de tranquilidad», en términos de intensidad de activación, y el 9 significa «lo más positivo posible», en términos de valencia hedónica, o «el máximo nivel de inquietud», en términos de intensidad de activación. En la Figura 1 se muestra un ejemplo de cómo se concreta esto en los datos del listado de Stadthagen-Gonzalez et al. (2017).

Como vemos, la palabra «relajado» tiene una valencia hedónica alta y una intensidad de activación baja, lo que nos indica que es una palabra percibida por el público español como una palabra positiva y tranquilizante, mientras que la palabra «entierro» presenta valores totalmente opuestos a los de «relajado»: una valencia hedónica muy baja y una intensidad de activación bastante alta, lo que nos muestra que es una palabra percibida por un público español como una palabra muy negativa y bastante inquietante.

La forma recién expuesta de analizar distintas propiedades emocionales de las palabras puede ser muy interesante para estudiar ciertas cuestiones concretas, como, por ejemplo, cómo se percibe determinado concepto en dos lenguas y culturas distintas (el listado en inglés se hizo a partir de las respuestas de participantes estadounidenses y el estudio en español, de respuestas de participantes españoles). No obstante, puede resultar poco práctica para analizar grandes cantidades de texto si no se dispone de conocimientos informáticos que permitan una asociación automática de los datos relativos a cada palabra con todas las palabras que integran un texto o un corpus. Por ello, existen alternativas que pueden servir para llevar a cabo un análisis emocional de grandes cantidades de texto, como, por ejemplo, el análisis de sentimiento. El análisis de sentimiento se encuentra dentro del procesamiento del lenguaje natural y sirve para determinar automáticamente el sentimiento (o tono emocional) de un texto. Este sentimiento se suele determinar a partir de la estructura lingüística de los textos, las palabras contenidas en ellos y, por supuesto, el contexto en el que estas palabras aparecen (Taboada, 2016). Existen numerosas herramientas para el análisis de sentimiento, entre las que destacan VADER (Valence Aware Dictionary and Sentiment Reasoner), de Hutto y Gilbert (2014), y Stanford CoreNLP, de Manning et al. (2014). No obstante, estas herramientas se suelen desarrollar, de forma muy mayoritaria, para análisis de textos en inglés (Alslaity y Orji, 2024), lo que suele dejar a otros idiomas, como el español, con un menor número de avances en materia de análisis de sentimiento que los que se dan en inglés. No obstante, existen ciertas herramientas que permiten analizar el sentimiento de textos en inglés y español, lo que, a su vez, nos permite analizar cómo se percibe un texto traducido en su lengua origen con respecto a cómo se percibe en su lengua meta, lo que podría ayudar al traductor en su práctica profesional de cara a adaptar un texto a la cultura meta teniendo también en cuenta la percepción emocional que tendrá dicho texto.

Entre las herramientas que permiten hacer estos análisis en español e inglés y que presentaremos en más profundidad en la sección de metodología, destacan Lingmotif (Moreno-Ortiz, 2017), una herramienta de análisis de sentimiento per se, LIWC-2022 (Boyd et al., 2022), una herramienta de análisis textual desarrollada para investigaciones psicológicas y que no es una herramienta de análisis de sentimiento en sí misma, y ChatGPT 3.5 (OpenAI, 2023), un large language model (LLM) basado en inteligencia artificial, que tampoco en una herramienta de análisis de sentimiento per se. No obstante, las distintas herramientas aquí mencionadas proporcionan datos que sirven para determinar el sentimiento de los textos con menor o mayor detalle. Con esta contextualización, podemos volver a la pregunta que se planteaba al comienzo de esta introducción: ¿un texto traducido es percibido emocionalmente en la lengua y cultura meta tal y como se percibe en la lengua y cultura origen? Para responder a esta pregunta utilizaremos las herramientas mencionadas en este párrafo, a las que se expondrá a textos con distintos niveles de dificultad.