Acceso usuarios
Cordoba, España
Este trabajo tiene como objetivo fundamental comprobar la efectividad de un modelo lingüístico de gran capacidad, de inteligencia artificial generativa, como DeepSeek-V3, que es similar a los ya conocidos ChatGPT, Copilot o Gemini, y que, al igual que estos, no ha sido concebido en exclusividad para la traducción automática como sucede con los modelos neuronales, pero puede llegar a ejecutar traducciones.
En concreto, se establecerá su efectividad para realizar traducciones automáticas al español de textos alemanes que tienen una alta densidad terminológica, como son los textos sobre cardiopatías, y se prestará especial atención a cómo selecciona, analiza y traduce los Komposita, o términos formados por composición. También se comprobará si DeepSeek-V3 es adecuado para simplificar las traducciones resultantes o poseditadas, y en qué medida podría ser una herramienta útil para la alfabetización en salud. Para establecer el grado de efectividad y de posedición necesaria sobre los textos traducidos obtenidos con DeepSeek se ha tomado como referencia una traducción humana, y, a partir de ella, se ha estimado la precisión de la traducción automática obtenida.
Para ello, partimos de Kardio_COR, corpus creado ad hoc a partir de artículos científicos de la revista Die Kardiologie, de la que ofrecemos aquí seis fragmentos extraídos de los textos que conforman dicho corpus. Cuatro son las fases en las que se desarrolla el estudio, que se corresponden, a su vez, con los cuatro objetivos propuestos en este trabajo: (1) compilación, procesamiento y organización del corpus; (2) elaboración de los prompts, extracción de los Komposita y establecimiento de equivalencias; (3) análisis de las traducciones automáticas; y, finalmente, (4) posedición de las traducciones automáticas y generación de una versión simplificada del texto poseditado.
Los resultados obtenidos han arrojado información sobre: (1) la efectividad de DeepSeek-V3 para la traducción automática en el par de lenguas alemán-español de textos complejos sobre cardiología, en función del grado de posedición que ha sido necesario aplicar a las traducciones obtenidas; (2) las posibilidades de actuación que tiene el traductor humano a partir de los outputs generados por este modelo; (3) la aplicación de DeepSeek-V3 a la simplificación de textos complejos que faciliten al paciente comprender mejor su enfermedad y los beneficios que le aporta el tratamiento quirúrgico o medicamentoso que recibe.
This study aims to evaluate the effectiveness of a Large Language Model, a generative artificial intelligence linguistic model, with Mixture-of-Experts architecture, such as DeepSeek-V3.DeepSeek-V3 –similar to well-known other systems like ChatGPT, Copilot, or Gemini– in executing machine translations, despite not being exclusively designed for this translation purpose, as for example, neural machine translation models as DeepL or e-Translation. Specifically, the research assesses its capability to translate German texts with high terminological density, such as cardiology-related documents, into Spanish. Special attention is given to how the model selects, analyzes, and translates Komposita, that is, compound terms, regardless of whether or not the words have a Greco-Latin origin. Additionally, the study examines whether DeepSeek-V3 is suitable for simplifying its machinetranslated or post-edited outputs and explores its potential as a tool for health literacy. To determine the effectiveness and required post- editing of DeepSeek-generated translations, a human-translated reference was used to estimate translation accuracy. The analysis draws on Kardio_COR, an ad hoc corpus compiled from scientific articles in the journal Die Kardiologie, with six excerpts from this corpus serving as the primary data. The study is structured into four phases, aligned with the four objectives proposed in this paper: (1) compilation, processing, and organization of the ad hoc corpus; (2) development of prompts, extraction of Komposita, and establishment of German-Spanish equivalences; (3) Analysis of machine translations generated with DeepSeek V3; (4) post-editing of these machine translations and generation of simplified versions of the post-edited Spanish texts.
Key findings provide insights into: (1) DeepSeek-V3’s effectiveness in German-to-Spanish machine translation of complex cardiology texts, based on the post-editing effort required; (2) Opportunities for human translators to refine outputs generated by this Large Language Model; (3) The applicability of DeepSeek-V3 to simplify complex texts, aiding patients in better understanding their conditions and the benefits of surgical or pharmacological treatments.
