Retomo la explicación de la entrada anterior –y con ella, termino la serie de entradas sobre los botones de función en el modo colación de ChrysoCollate.
Retomo la explicación de la entrada anterior –y con ella, termino la serie de entradas sobre los botones de función en el modo colación de ChrysoCollate.
Retomando el hilo de la entrada anterior, en esta entrada explicaré cómo funcionan los botones función «+L[acuna]/A[bsentia]», «+F[olio]» y «Export wit[ness]» de ChrysoCollate. El primero es un botón bastante útil porque permite marcar errores por omisión: lagunas textuales y pasajes ausentes en un testimonio en el documento que se está colacionando.
En la entrada anterior comencé a hablar del modo de colación ( Collation Mode ) de ChrysoCollate.
Me toca, finalmente, hablar ahora del lápiz que dejé pendiente hace dos semanas (en realidad, hace dos meses, porque he ido dilatando escribir esta entrada para que coincida con el inicio real de la collatio ). Descartados CollateX y Juxta , comencé a buscar una alternativa simple para esta labor.
Una extendida –y algo exagerada– anécdota cuenta que, durante la primera carrera espacial, los científicos de la NASA descubrieron que los bolígrafos que los astronautas usarían en las misiones de exploración lunar no funcionaban en condiciones de gravedad cero.
En la última entrada sobre collatio hablé del potencial de la edición asistida por ordenadores.
Siguiendo con las entradas dedicadas a la tipología de errores de copia de textos manuscritos, en esta entrada quiero examinar el caso concreto de uno de los testimonios del Lucidario , B. Este es el último testimonio de la transmisión manuscrita del Lucidario en ser transcrito (y además, el quinto y final en ser transcrito automáticamente con Transkribus). Se trata de un testimonio malo, lleno de saltos, omisiones, reemplazos
Terminé la última entrada describiendo el inusual comportamiento al entrenar dos modelos de transcripción en PyLaia, 7P y Lucidario B : Cuando las tasas de error en los sets de entrenamiento y de validación de un modelo HTR son demasiado altas, el modelo puede volverse a entrenar —que no es lo mismo que re-entrenarlo , algo que desaconsejo— para lograr nuevas iteraciones (versiones) que corrijan el problema.
Ha pasado casi un año desde mi última entrada sobre Transkribus y varias cosas han cambiado. Poco después de la última entrada, en marzo de 2023, la mejor y más eficiente máquina de HTR de Transkribus, CITLab+ (de la que hablo en estas entradas), fue retirada por una disputa de propiedad intelectual sobre el código de la máquina.
Entradas atrás, hablé del proceso de establecimiento del texto final en una edición: la constitutio textus . Central para el establecimiento de un texto es la evaluación ( recensio ) del elenco de la tradición manuscrita de una obra, y dentro de esta, realizar una comparación ( collatio ) que permita hacer surgir una versión definitiva –e idealmente fiel– del texto editado (realmente no se puede ir más allá, pues, como