Claude.ai para automatizar flujos de trabajo en investigación y docencia

Tres modalidades — cualquier equipo

Cada ejercicio ofrece tres formas de trabajar. Elige la que encaje con tu situación:

◈ Claude.ai — Prompt listo para copiar y pegar directamente en claude.ai (Sonnet 4 o Opus 4). Solo necesitas suscripción Pro y navegador.

▶ R en navegador — Script R ejecutable aquí mismo, sin instalar nada. Usa WebR (R compilado a WebAssembly). Trabaja sobre una muestra de datos embebida, editable en el propio bloque. Ideal si no tienes RStudio disponible.

▸ RStudio — Script R completo para procesar los ficheros reales descargados en local. Requiere RStudio + tidyverse instalados.

Secuencia recomendada: Claude.ai para ver el resultado primero → R navegador para explorar el análisis en el acto → RStudio para la versión completa y publicable.

Prompt para Claude.ai

R en el navegador (WebR · sin instalar)

Script R para RStudio

Fichero de práctica

Cronograma orientativo · 2 horas

0:00–0:15

Introducción. Tres modalidades de trabajo. Diferencias entre Claude Sonnet y Opus. WebR: R sin instalar.

0:15–0:50

Bloque 1 — Revisión bibliográfica. Cribado PRISMA + clasificación temática.

0:50–1:20

Bloque 2 — Anotación terminológica asistida. Corpus + corrección de errores MQM.

1:20–1:50

Bloque 3 — Evaluación de calidad. TQA comparativa HT/MT/MTPE + hoja pretraductiva.

1:50–2:00

Cierre. Límites éticos, reproducibilidad, flujo Claude.ai → RStudio → publicación.

Bloque 1

Revisión bibliográfica y cribado PRISMA

35 min

Dividimos la revisión en dos microprocesos: cribado de relevancia por criterios PRISMA y clasificación temática del corpus resultante. Ambos son repetitivos y perfectamente automatizables con Claude.

1.1

Cribado de abstracts con criterios PRISMA

inclusión / exclusióndecisión binariajustificación

▾

Microproceso: dados unos criterios de inclusión/exclusión y un conjunto de abstracts, determinar cuáles pasan a la siguiente fase de la revisión. Tarea que en revisiones sistemáticas lleva horas por dos revisores independientes.

Claude.ai

R navegador

RStudio

Copia este prompt en claude.ai y pega el contenido de abstracts_ts.csv al final, o adjunta el fichero directamente.

Prompt · Cribado PRISMA

Eres un revisor experto en Translation Studies realizando una revisión sistemática. Debes cribar cada abstract aplicando los siguientes criterios.

CRITERIOS DE INCLUSIÓN (debe cumplir AL MENOS UNO):
- Estudia procesos de traducción humana o automática
- Analiza calidad, errores o evaluación de traducciones
- Investiga traducción especializada (jurídica, médica, técnica)
- Examina posedición (MTPE) de traducción automática

CRITERIOS DE EXCLUSIÓN (excluir si cumple CUALQUIERA):
- El objeto de estudio es la interpretación oral exclusivamente
- No incluye análisis empírico ni corpus
- Es únicamente una reseña bibliográfica sin aportación propia

INSTRUCCIONES DE FORMATO:
Para cada abstract, responde con una línea en este formato exacto:
ID | DECISIÓN | CRITERIO APLICADO | CONFIANZA (alta/media/baja)

Donde DECISIÓN es INCLUIR o EXCLUIR.
Añade al final una tabla resumen con totales.

ABSTRACTS A EVALUAR:
[PEGA AQUÍ EL CONTENIDO DEL FICHERO abstracts_ts.csv]

Consejo: en un Project de Claude.ai guarda el prompt como instrucción del proyecto para no repetirlo en cada sesión. Para más de 30 abstracts, divide en lotes de 15–20.

Resultado esperadoTabla con ID, decisión, criterio y confianza. Tiempo estimado para 20 abstracts: < 30 segundos frente a 1–2 horas de revisión manual.

R en el navegador. Los datos son una muestra de 8 abstracts embebidos. Pulsa ▶ Ejecutar para ver el análisis. Puedes editar el código directamente.

R navegador · Cribado PRISMA — muestra 8

# Muestra de 8 abstracts con decisión PRISMA simulada
# (RStudio completo: 20 abstracts del fichero abstracts_ts.csv)

decisiones <- read.csv(text = "id,decision,criterio,confianza
A01,INCLUIR,MT en textos medicos especializados,alta
A02,INCLUIR,Subtitulacion y carga cognitiva,alta
A03,INCLUIR,Terminologia y corpus juridico,alta
A04,EXCLUIR,Solo revision bibliometrica sin corpus,alta
A05,INCLUIR,Esfuerzo de posedicion y metricas MT,alta
A06,EXCLUIR,Solo interpretacion oral sin traduccion escrita,alta
A07,INCLUIR,Corpus de traducciones literarias,alta
A08,INCLUIR,Posedicion adaptativa con perfiles,media")

cat("===========================================\n")
cat("  RESULTADO DEL CRIBADO PRISMA (muestra)  \n")
cat("===========================================\n\n")

tab <- table(decisiones$decision)
for (d in names(tab)) {
  barra <- paste(rep("\u2588", tab[d]), collapse = "")
  cat(sprintf("  %-9s %s  n=%d\n", d, barra, tab[d]))
}
cat(sprintf("\nTasa de inclusion: %.0f%%  (%d/%d abstracts)\n\n",
    100 * tab["INCLUIR"] / nrow(decisiones),
    tab["INCLUIR"], nrow(decisiones)))

cat("-- Articulos INCLUIDOS ------------------\n")
inc <- decisiones[decisiones$decision == "INCLUIR", ]
for (i in seq_len(nrow(inc)))
  cat(sprintf("  %s  [%s]  %s\n", inc$id[i], inc$confianza[i], inc$criterio[i]))

cat("\n-- Articulos EXCLUIDOS ------------------\n")
exc <- decisiones[decisiones$decision == "EXCLUIR", ]
for (i in seq_len(nrow(exc)))
  cat(sprintf("  %s  %s\n", exc$id[i], exc$criterio[i]))

Pulsa ▶ Ejecutar para ver el resultado aquí

Editable: modifica las decisiones o añade abstracts directamente en el textarea y vuelve a ejecutar. El fichero completo (abstracts_ts.csv · 20 abstracts) está disponible en la sección Ficheros.

Script para RStudio. Coloca abstracts_ts.csv en el directorio de trabajo y ejecuta 00_verificar_ficheros.R primero.

RStudio · Análisis exploratorio del corpus

# ── BLOQUE 1.1 · Análisis exploratorio del corpus ──────────────────
library(tidyverse)

corpus <- read_csv("abstracts_ts.csv", locale = locale(encoding = "UTF-8"))

cat("Total abstracts:", nrow(corpus), "\n")
cat("Rango de años:", paste(range(corpus$year, na.rm=TRUE), collapse="–"), "\n\n")

# Distribución temporal
por_anio <- count(corpus, year)
print(por_anio)

# Revistas más frecuentes
cat("\nTop revistas:\n")
print(count(corpus, journal, sort=TRUE))

# Términos frecuentes en títulos
palabras <- corpus |> pull(title) |> tolower() |>
  strsplit("\\s+") |> unlist() |>
  gsub("[^a-záéíóúüñ]", "", x=_) |> (\(x) x[nchar(x)>4])()
stop_w <- c("about","their","which","these","using","study","based","paper")
top <- sort(table(palabras[!palabras %in% stop_w]), decreasing=TRUE)[1:15]
cat("\nTérminos más frecuentes en títulos:\n"); print(top)

cat("\n=== Listo para cribado en Claude.ai ===\n")

1.2

Clasificación temática del corpus seleccionado

taxonomía predefinidaetiquetas múltiplesmapa temático

▾

Microproceso: clasificar cada artículo incluido en las subdisciplinas de Translation Studies relevantes. Permite identificar lagunas y sesgos temáticos del corpus.

Claude.ai

R navegador

RStudio

Usa Opus 4 si el corpus supera 15 artículos o si las categorías son limítrofes. El output en CSV se puede pegar directamente en clasificacion.csv.

Prompt · Clasificación temática

Clasifica cada artículo del corpus en una o más subdisciplinas de Translation Studies.
Un artículo puede pertenecer a varias.

TAXONOMÍA:
1. MT/MTPE — Traducción automática y posedición
2. LSP — Traducción especializada (jurídica, médica, técnica)
3. AVT — Traducción audiovisual (subtitulado, doblaje)
4. LIT — Traducción literaria y literariedad
5. TERM — Terminología y terminografía
6. QUAL — Evaluación y calidad de traducción
7. COGS — Procesos cognitivos del traductor
8. CORP — Estudios de corpus en traducción
9. PED — Didáctica de la traducción
10. LOCZ — Localización y software

FORMATO DE SALIDA — responde EXACTAMENTE en este formato CSV:
id,titulo_abrev,categorias,categoria_principal,justificacion_breve

Donde:
- categorias: lista de códigos separados por | (ej: MT/MTPE|QUAL)
- categoria_principal: el código más relevante
- justificacion_breve: máximo 15 palabras

CORPUS A CLASIFICAR:
[PEGA AQUÍ LOS ARTÍCULOS INCLUIDOS TRAS EL CRIBADO]

R en el navegador. Muestra de 10 artículos clasificados. Expande las categorías múltiples y genera el mapa temático en texto.

R navegador · Mapa temático — muestra 10

# Muestra de 10 articulos con clasificacion tematica
# (RStudio completo: clasificacion.csv con los 20 articulos incluidos)

clas <- read.csv(text = "id,categorias,categoria_principal
A01,MT/MTPE|QUAL,MT/MTPE
A02,AVT|COGS,AVT
A03,TERM|LSP|CORP,TERM
A05,MT/MTPE|QUAL,MT/MTPE
A07,LIT|CORP,LIT
A08,MT/MTPE|COGS,MT/MTPE
A10,LOCZ|QUAL,LOCZ
A12,MT/MTPE|QUAL,MT/MTPE
A16,MT/MTPE|PED,PED
A20,LIT|CORP,LIT")

# Expandir categorias multiples
todas <- unlist(strsplit(clas$categorias, "\\|"))
freq  <- sort(table(todas), decreasing = TRUE)

cat("=============================================\n")
cat("  DISTRIBUCION TEMATICA DEL CORPUS (n=10)   \n")
cat("=============================================\n\n")

cat("Frecuencia por subdisciplina:\n\n")
for (i in seq_along(freq)) {
  barra <- paste(rep("\u2588", freq[i]), collapse = "")
  cat(sprintf("  %-10s  %s  (%d)\n", names(freq)[i], barra, freq[i]))
}

cat("\n-- Categoria principal ------------------\n")
cp <- sort(table(clas$categoria_principal), decreasing = TRUE)
for (i in seq_along(cp))
  cat(sprintf("  %-10s  %d articulo(s)\n", names(cp)[i], cp[i]))

cat(sprintf("\nMedia categorias por articulo: %.1f\n",
    length(todas) / nrow(clas)))

Pulsa ▶ Ejecutar para ver el resultado aquí

El fichero completo clasificacion.csv (20 artículos pre-clasificados) está disponible en la sección Ficheros de práctica.

Lee clasificacion.csv (output de Claude) y produce un gráfico ggplot2 de distribución temática.

RStudio · Mapa temático con ggplot2

# ── BLOQUE 1.2 · Mapa temático ─────────────────────────────────────
library(tidyverse); library(ggplot2)

clas <- read_csv("clasificacion.csv", locale = locale(encoding = "UTF-8"))

# Expandir categorías múltiples separadas por "|"
expandido <- clas |>
  separate_rows(categorias, sep = "\\|") |>
  mutate(categorias = str_trim(categorias)) |>
  filter(categorias != "EXCLUIDO")

freq_cat <- count(expandido, categorias, sort = TRUE) |>
  mutate(categorias = fct_reorder(categorias, n))

p <- ggplot(freq_cat, aes(x = categorias, y = n, fill = categorias)) +
  geom_col(show.legend = FALSE, width = 0.7) +
  geom_text(aes(label = n), hjust = -0.3, size = 3.5) +
  coord_flip() +
  scale_fill_viridis_d(option = "plasma", begin = 0.15, end = 0.85) +
  labs(title = "Distribución temática del corpus",
       subtitle = paste0("N = ", nrow(clas), " artículos"),
       x = NULL, y = "Frecuencia") +
  theme_minimal(base_size = 13)

print(p)
ggsave("mapa_tematico.png", p, width = 8, height = 5, dpi = 150)
cat("Guardado: mapa_tematico.png\n")

Bloque 2

Anotación terminológica asistida

30 min

La anotación manual de corpus es una de las tareas más intensivas en tiempo en lingüística y terminología. Claude realiza una primera pasada automática que el investigador verifica y corrige, reduciendo el tiempo de anotación entre un 60 y un 80%.

2.1

Etiquetar fenómenos lingüísticos con taxonomía cerrada

corpus terminológicoetiquetas predefinidassalida estructurada

▾

Microproceso: dado un conjunto de segmentos de texto y una taxonomía de etiquetas, identificar y marcar cada unidad relevante con marcas [término|ETIQUETA].

Claude.ai

R navegador

RStudio

Usa Sonnet 4. Para taxonomías muy detalladas o segmentos ambiguos, alterna a Opus 4 en esos casos específicos.

Prompt · Anotación terminológica

Eres un anotador especializado en terminología de Translation Studies. Identifica y etiqueta términos usando esta taxonomía.

TAXONOMÍA DE ETIQUETAS:
- TERM_PROC  → Términos del proceso traductor (estrategia, equivalencia, transposición…)
- TERM_TECH  → Términos tecnológicos (CAT, TMX, TM, MT, NMT, API…)
- TERM_EVAL  → Términos de evaluación (adecuación, fluidez, MQM, BLEU, TER…)
- TERM_LING  → Términos lingüísticos generales (sintagma, colocación, registro…)
- TERM_CULT  → Referencias culturales y realia
- FIG_MET    → Uso metafórico de un término técnico
- FIG_IDIOM  → Expresión idiomática o fraseológica

INSTRUCCIONES:
1. Devuelve el texto con los términos marcados: [término|ETIQUETA]
2. Si hay ambigüedad real, añade "?": [término|TERM_PROC?]
3. Al final lista los términos: término → etiqueta → frecuencia

SEGMENTOS A ANOTAR:
[PEGA AQUÍ EL CONTENIDO DEL FICHERO corpus_terminos.tsv]

Flujo: anota en Claude → copia la salida a corpus_anotado.tsv → usa el script R para convertirlo en base de datos terminológica con frecuencias por categoría.

Resultado esperadoCorpus anotado con marcas [término|ETIQUETA] + tabla de términos por categoría. En 30 segmentos: ~20 segundos frente a 2–3 horas de anotación manual experta.

R en el navegador. Parsea las marcas [término|ETIQUETA] de 5 segmentos anotados y extrae estadísticas por categoría.

R navegador · Extracción terminológica — 5 segmentos

# 5 segmentos anotados con marcas [termino|ETIQUETA]
# (RStudio completo: corpus_anotado.tsv con 30 segmentos)

segs <- c(
  "[translation memory|TERM_TECH] stores [segments|TERM_LING] as [translation units|TERM_TECH]",
  "[Neural machine translation|TERM_TECH] based on [transformer architecture|TERM_TECH]",
  "[Adequacy|TERM_EVAL] and [fluency|TERM_EVAL] measure quality in [target text|TERM_TRAD]",
  "[post-editor|TERM_TRAD] applies [quality threshold|TERM_EVAL] to [machine translation|TERM_TECH]",
  "[termbase|TERM_TECH] stores [preferred term|TERM_LING] with domain restrictions"
)

patron <- "\\[([^|\\]]+)\\|([A-Z_]+)\\]"
terminos <- data.frame(termino = character(), etiqueta = character(),
                       stringsAsFactors = FALSE)
for (s in segs) {
  m <- gregexpr(patron, s, perl = TRUE)
  matches <- regmatches(s, m)[[1]]
  for (x in matches) {
    p <- regmatches(x, regexec("\\[([^|]+)\\|([A-Z_]+)\\]", x))[[1]]
    terminos <- rbind(terminos,
      data.frame(termino = p[2], etiqueta = p[3], stringsAsFactors = FALSE))
  }
}

cat("=================================================\n")
cat("  ANOTACION TERMINOLOGICA — 5 segmentos          \n")
cat("=================================================\n\n")
cat(sprintf("Total terminos extraidos: %d\n\n", nrow(terminos)))

cat("-- Frecuencia por categoria -------------------\n")
freq_cat <- sort(table(terminos$etiqueta), decreasing = TRUE)
for (i in seq_along(freq_cat)) {
  barra <- paste(rep("\u2588", freq_cat[i]), collapse = "")
  cat(sprintf("  %-12s %s  (%d)\n", names(freq_cat)[i], barra, freq_cat[i]))
}

cat("\n-- Terminos por categoria --------------------\n")
for (cat_nm in names(freq_cat)) {
  items <- terminos[terminos$etiqueta == cat_nm, "termino"]
  cat(sprintf("  %s:\n", cat_nm))
  for (t in items) cat(sprintf("    * %s\n", t))
}

Pulsa ▶ Ejecutar para ver el resultado aquí

El fichero corpus_anotado.tsv (30 segmentos pre-anotados) está disponible en la sección Ficheros. El script RStudio convierte la salida en una base de datos TSV exportable.

Lee corpus_anotado.tsv y genera la base de datos terminológica con frecuencias y glosario exportable.

RStudio · Base de datos terminológica

# ── BLOQUE 2.1 · Base de datos terminológica ───────────────────────
library(tidyverse)

anotado <- read_tsv("corpus_anotado.tsv", locale = locale(encoding = "UTF-8"))

extraer <- function(texto) {
  m <- str_extract_all(texto, "\\[([^|]+)\\|([A-Z_?]+)\\]")[[1]]
  if (!length(m)) return(tibble(termino=character(), etiqueta=character()))
  tibble(termino  = str_extract(m, "(?<=\\[)[^|]+"),
         etiqueta = str_extract(m, "(?<=\\|)[A-Z_?]+(?=\\])"))
}

terminos_df <- anotado |>
  mutate(id = row_number()) |>
  rowwise() |>
  mutate(terms = list(extraer(texto_anotado))) |>
  unnest(terms) |>
  filter(!is.na(termino))

cat("Segmentos:", nrow(anotado), "· Términos:", nrow(terminos_df), "\n\n")
print(count(terminos_df, etiqueta, sort=TRUE))

glosario <- terminos_df |>
  count(etiqueta, termino, sort=TRUE) |>
  rename(frecuencia = n)
write_tsv(glosario, "glosario_generado.tsv")
cat("\nExportado: glosario_generado.tsv\n")

2.2

Anotación de tipos de error en traducciones de estudiantes

MQM simplificadorúbrica de erroresfeedback automático

▾

Microproceso: identificar y clasificar errores de traducción en trabajos de estudiantes según una taxonomía simplificada basada en MQM. Genera feedback estructurado y consistente que el docente revisa y personaliza.

Claude.ai

R navegador

RStudio

Usa Opus 4: la identificación de errores sutiles (falso sentido, omisiones, errores de registro) se beneficia del mayor razonamiento del modelo.

Prompt · Anotación MQM simplificado

Eres un docente experto en traducción corrigiendo trabajos de estudiantes. Para cada par TO/TM, identifica y clasifica errores según la siguiente taxonomía MQM simplificada.

TAXONOMÍA DE ERRORES:
GRAVES (penalizan 2 puntos c/u):
  ERR-SEN  : Error de sentido (significado alterado, falso sentido)
  ERR-OMI  : Omisión no justificada de contenido relevante
  ERR-ADD  : Adición no justificada que altera el mensaje

MEDIOS (penalizan 1 punto c/u):
  ERR-TERM : Error terminológico (término incorrecto en el dominio)
  ERR-REG  : Error de registro (inadecuación formal/informal)
  ERR-COH  : Incoherencia o inconsistencia interna en el TM

MENORES (penalizan 0.5 puntos c/u):
  ERR-ORTH : Error ortográfico o tipográfico
  ERR-SYNT : Error sintáctico menor
  ERR-PRAG : Inadecuación pragmática leve

INSTRUCCIONES:
Para cada par TO/TM:
1. Lista errores: [fragmento] → tipo → explicación (máx. 20 palabras)
2. Penalización total y nota sobre 10
3. Feedback constructivo (2-3 frases) dirigido al estudiante

PARES A CORREGIR:
[PEGA AQUÍ EL CONTENIDO DEL FICHERO pares_to_tm.tsv]

Ética: comunica a los estudiantes que el feedback inicial es asistido por IA y ha sido revisado por el docente. La decisión final de nota corresponde siempre al profesor.

R en el navegador. Analiza 13 errores anotados de 5 estudiantes: penalización acumulada, nota estimada y distribución por tipo y gravedad.

R navegador · Estadísticas de corrección — 5 estudiantes

# Errores anotados en traducciones — 5 estudiantes, 10 pares TO/TM
# (RStudio completo: errores_anotados.csv con 15 entradas)

err <- read.csv(text = "par_id,estudiante_id,tipo_error,gravedad,penalizacion
P01,E001,ERR-TERM,medio,1
P01,E001,ERR-TERM,medio,1
P01,E001,ERR-SYNT,menor,0.5
P02,E001,ERR-SEN,grave,2
P02,E001,ERR-REG,medio,1
P03,E002,ERR-ORTH,menor,0.5
P04,E002,ERR-SEN,grave,2
P05,E003,ERR-TERM,medio,1
P06,E003,ERR-COH,medio,1
P07,E004,ERR-ORTH,menor,0.5
P08,E004,ERR-PRAG,menor,0.5
P09,E005,ERR-ORTH,menor,0.5
P10,E005,ERR-ORTH,menor,0.5")

cat("===========================================\n")
cat("  EVALUACION DE TRADUCCIONES — MQM         \n")
cat("  5 estudiantes · 10 pares TO/TM           \n")
cat("===========================================\n\n")

cat("-- Nota estimada por estudiante -----------\n\n")
for (e in sort(unique(err$estudiante_id))) {
  sub   <- err[err$estudiante_id == e, ]
  pen   <- sum(sub$penalizacion)
  nota  <- max(0, 10 - pen)
  grav  <- sum(sub$gravedad == "grave")
  cat(sprintf("  %s  Nota: %4.1f/10  [pen: -%.1f  errores: %d  graves: %d]\n",
      e, nota, pen, nrow(sub), grav))
}

cat("\n-- Tipos mas frecuentes -------------------\n")
freq_t <- sort(table(err$tipo_error), decreasing = TRUE)
for (i in seq_along(freq_t))
  cat(sprintf("  %-12s  %d\n", names(freq_t)[i], freq_t[i]))

cat("\n-- Por gravedad (penalizacion) ------------\n")
pesos <- c(grave=2, medio=1, menor=0.5)
for (g in c("grave","medio","menor")) {
  n   <- sum(err$gravedad == g)
  pen <- n * pesos[g]
  cat(sprintf("  %-8s  %d error(es)  x%.1f pt = -%.1f pts en total\n",
      g, n, pesos[g], pen))
}

Pulsa ▶ Ejecutar para ver el resultado aquí

Edita las notas del CSV embebido para simular distintos perfiles de error. El fichero completo errores_anotados.csv está disponible en la sección Ficheros.

Lee errores_anotados.csv y produce estadísticas de grupo + gráfico de distribución de errores.

RStudio · Estadísticas de corrección + gráfico

# ── BLOQUE 2.2 · Estadísticas de corrección ────────────────────────
library(tidyverse); library(ggplot2)

err <- read_csv("errores_anotados.csv", locale = locale(encoding = "UTF-8"))

resumen <- err |>
  group_by(estudiante_id) |>
  summarise(penalizacion = sum(penalizacion),
            nota = max(0, 10 - penalizacion),
            n_errores = n(),
            graves = sum(gravedad == "grave"), .groups="drop") |>
  arrange(desc(nota))

cat("=== Resumen por estudiante ===\n"); print(resumen)

p <- ggplot(err, aes(x = tipo_error, fill = gravedad)) +
  geom_bar(position = "stack") +
  scale_fill_manual(values = c(grave="#e05555",medio="#e8a030",menor="#6aab6a")) +
  coord_flip() +
  labs(title = "Distribución de errores por tipo y gravedad",
       x = NULL, y = "Frecuencia", fill = "Gravedad") +
  theme_minimal(base_size = 12)
print(p)
ggsave("errores_grupo.png", p, width = 8, height = 5, dpi = 150)
write_csv(resumen, "notas_estimadas.csv")
cat("Exportados: errores_grupo.png · notas_estimadas.csv\n")

Bloque 3

Evaluación de calidad y fenómenos culturales

30 min

Evaluación comparativa con rúbrica ponderada (HT vs MT vs MTPE) y detección automática de fenómenos que plantean problemas específicos de traducción. Este bloque es ideal para mostrar la diferencia entre Sonnet y Opus en tareas de razonamiento cultural.

3.1

Evaluación comparativa de calidad con rúbrica TQA

HT vs MT vs MTPEadecuación + fluideztabla publicable

▾

Microproceso: evaluar y comparar la calidad de dos o más traducciones del mismo TO (HT / MT cruda / posedición) con criterios estandarizados ponderados. Tarea central en estudios de MTPE.

Claude.ai

R navegador

RStudio

Demo comparativa recomendada: ejecuta este mismo prompt primero con Sonnet 4 y luego con Opus 4. La diferencia en profundidad evaluativa es perceptible en las justificaciones.

Prompt · Evaluación TQA comparativa

Eres un evaluador experto en calidad de traducción. Evalúa las traducciones usando esta rúbrica ponderada.

RÚBRICA TQA (total: 10 puntos):
- Adecuación   (30%): fidelidad al sentido e intención del TO
- Fluidez      (25%): naturalidad en la lengua meta
- Terminología (20%): precisión léxica en el dominio
- Convenciones (15%): normas tipográficas y de formato
- Edición      (10%): ausencia de errores ortotipográficos

ESCALA: 9–10 excelente · 7–8 bueno · 5–6 aceptable · 3–4 deficiente · 1–2 inaceptable

INSTRUCCIONES:
Para cada versión evaluada:
1. Puntúa cada criterio (número + justificación de 1 frase)
2. Nota ponderada final
3. Punto fuerte + área de mejora prioritaria
4. Párrafo comparativo final entre versiones

FORMATO: tabla Markdown — columnas: Criterio | Peso | HT | Justif_HT | MT | Justif_MT | MTPE | Justif_MTPE

TEXTOS A EVALUAR:
[PEGA AQUÍ EL CONTENIDO DEL FICHERO pares_evaluacion.tsv]

Resultado esperadoTabla comparativa con puntuaciones ponderadas y párrafo evaluativo. Directamente publicable como Tabla X en un artículo sobre MTPE.

R en el navegador. Calcula notas ponderadas para 2 segmentos × 3 versiones y muestra el ranking con barras ASCII.

R navegador · Evaluación TQA — 2 segmentos × 3 versiones

# Evaluacion TQA comparativa — 2 segmentos, 3 versiones, 5 criterios
# (RStudio completo: evaluacion_tqa.csv con 4 segmentos)

tqa <- read.csv(text = "version,criterio,peso,puntuacion
HT,adecuacion,30,9
HT,fluidez,25,9
HT,terminologia,20,8
HT,convenciones,15,9
HT,edicion,10,9
MT,adecuacion,30,7
MT,fluidez,25,6
MT,terminologia,20,6
MT,convenciones,15,8
MT,edicion,10,8
MTPE,adecuacion,30,9
MTPE,fluidez,25,8
MTPE,terminologia,20,9
MTPE,convenciones,15,9
MTPE,edicion,10,9")

tqa$contrib <- tqa$puntuacion * tqa$peso / 100
notas <- sort(tapply(tqa$contrib, tqa$version, sum), decreasing = TRUE)

cat("===========================================\n")
cat("  EVALUACION TQA — Rubrica ponderada /10   \n")
cat("===========================================\n\n")

etiq <- c(HT="Traduccion humana     (HT)  ",
          MT="MT cruda              (MT)  ",
          MTPE="Posedicion          (MTPE)")
for (v in names(notas)) {
  barra <- paste(rep("\u2588", round(notas[v])), collapse="")
  cat(sprintf("  %s  %.2f  %s\n", etiq[v], notas[v], barra))
}

cat("\n-- Puntuacion por criterio ----------------\n\n")
cat(sprintf("  %-14s  %5s  %5s  %5s\n","Criterio","HT","MT","MTPE"))
cat("  ", paste(rep("-",38), collapse=""), "\n", sep="")
for (cr in unique(tqa$criterio)) {
  sub  <- tqa[tqa$criterio == cr, ]
  vals <- setNames(sub$puntuacion, sub$version)
  cat(sprintf("  %-14s  %5.0f  %5.0f  %5.0f\n",
      cr, vals["HT"], vals["MT"], vals["MTPE"]))
}

cat(sprintf("\n  Ganador: %s  (delta=+%.2f sobre MT cruda)\n",
    names(notas)[1], notas[1] - notas["MT"]))

Pulsa ▶ Ejecutar para ver el resultado aquí

Modifica las puntuaciones en el CSV embebido para explorar cómo cambia el ranking. El fichero completo evaluacion_tqa.csv (4 segmentos × 3 versiones × 5 criterios) está en la sección Ficheros.

Lee evaluacion_tqa.csv y produce gráficos de barras comparativos y tabla resumen exportable.

RStudio · Gráficos TQA comparativos

# ── BLOQUE 3.1 · Evaluación TQA ────────────────────────────────────
library(tidyverse); library(ggplot2)

tqa <- read_csv("evaluacion_tqa.csv", locale = locale(encoding = "UTF-8"))

notas <- tqa |>
  group_by(version) |>
  summarise(nota = sum(puntuacion * peso / 100), .groups="drop") |>
  arrange(desc(nota))
cat("=== Notas ponderadas ===\n"); print(notas)

p <- ggplot(tqa, aes(x = criterio, y = puntuacion, fill = version)) +
  geom_col(position = "dodge", width = 0.65) +
  geom_hline(yintercept = 5, linetype = "dashed", alpha = 0.4) +
  scale_fill_brewer(palette = "Set2") +
  scale_y_continuous(limits = c(0,10), breaks = seq(0,10,2)) +
  labs(title = "Evaluación TQA por criterio y versión",
       x = NULL, y = "Puntuación (1–10)", fill = "Versión") +
  theme_minimal(base_size = 12) +
  theme(axis.text.x = element_text(angle = 20, hjust = 1))
print(p)
ggsave("tqa_comparativa.png", p, width = 9, height = 5, dpi = 150)

resumen_wide <- tqa |>
  select(version, criterio, puntuacion) |>
  pivot_wider(names_from = version, values_from = puntuacion)
write_csv(resumen_wide, "tqa_resumen.csv")
cat("Exportados: tqa_comparativa.png · tqa_resumen.csv\n")

3.2

Detección de referencias culturales y lenguaje figurado

realiametáforashoja pretraductivaOpus 4 recomendado

▾

Microproceso: analizar un texto origen antes de traducirlo para mapear automáticamente los elementos que requerirán decisiones específicas: realia, metáforas, idioms, variación diatópica, intertextualidad. Genera una hoja de trabajo pretraductiva.

Claude.ai

R navegador

RStudio

Ejecuta primero con Sonnet 4 y luego con Opus 4: la profundidad del análisis cultural y el razonamiento sobre estrategias de traducción son notablemente distintos. Es el mejor ejercicio de comparación entre modelos.

Prompt · Hoja de trabajo pretraductiva

Eres un experto en análisis pretraductivo. Analiza el texto e identifica todos los elementos que requerirán decisiones específicas de traducción.

PAR LINGÜÍSTICO: inglés → español (variedad peninsular estándar)

CATEGORÍAS A IDENTIFICAR:
1. REALIA — Referencias culturales sin equivalente directo (topónimos con carga, instituciones, eventos, marcas)
2. MET_CONV — Metáforas convencionalizadas que pueden no coincidir entre culturas
3. IDIOM — Expresiones idiomáticas y fraseología fija
4. VAR_DIAT — Variación diatópica, dialectal o sociolectal
5. REG_SENS — Elementos sensibles al registro (argot, eufemismos, disfemismos)
6. INTERTXT — Referencias intertextuales, alusiones literarias o mediáticas
7. FIG_MET — Uso metafórico destacable de un término técnico

PARA CADA ELEMENTO:
- Fragmento exacto del TO
- Categoría
- Problema de traducción (1 frase)
- Estrategias posibles: [préstamo / equivalente funcional / adaptación / nota del traductor / explicitación]
- Recomendación motivada (máx. 20 palabras)

FORMATO: tabla Markdown ordenada por categoría.

TEXTO ORIGEN:
[PEGA AQUÍ EL CONTENIDO DEL FICHERO texto_origen.txt]

Variante didáctica: omite la columna "Recomendación" para que los estudiantes propongan las estrategias ellos mismos, y luego contrasta con la hoja completa de Claude.

Resultado esperadoTabla con 20+ fenómenos categorizados, problemas específicos de traducción y estrategias recomendadas. Sirve como hoja de trabajo para sesiones de aula o precodificación para investigación.

R en el navegador. Analiza la distribución de 12 fenómenos detectados en el texto periodístico y muestra las estrategias más recomendadas.

R navegador · Fenómenos culturales — texto periodístico

# Hoja de trabajo pretraductiva — 12 fenomenos del texto origen
# (RStudio completo: hoja_trabajo.csv con 23 fenomenos)

hoja <- read.csv(text = "fragmento,categoria,estrategia
barn-stormer,MET_CONV,equivalente funcional
took the gloves off,IDIOM,equivalente funcional
kicking the can down the road,IDIOM,parafrasis
NHS,REALIA,prestamo + explicitacion
Westminster,REALIA,prestamo
Upper House,REALIA,equivalente funcional + nota
bank holiday weekend,REALIA,adaptacion
Eton,REALIA,prestamo + nota
the full Monty,IDIOM,prestamo + nota / parafrasis
quasi-religious symbol,FIG_MET,equivalente funcional
postwar social contract,INTERTXT,prestamo + explicitacion
domesticate or foreignise,INTERTXT,prestamo + explicitacion",
stringsAsFactors = FALSE)

cat("=====================================================\n")
cat("  HOJA DE TRABAJO PRETRADUCTIVA                     \n")
cat("  Texto: Britain's Got Translation (EN periodistico)\n")
cat("  12 fenomenos detectados automaticamente           \n")
cat("=====================================================\n\n")

freq_cat <- sort(table(hoja$categoria), decreasing = TRUE)
cat("-- Distribucion por categoria -----------------\n\n")
for (nm in names(freq_cat)) {
  barra <- paste(rep("\u2588", freq_cat[nm]), collapse = "")
  cat(sprintf("  %-12s %s  (%d)\n", nm, barra, freq_cat[nm]))
}

cat("\n-- Fenomenos por categoria --------------------\n")
for (nm in names(freq_cat)) {
  items <- hoja[hoja$categoria == nm, "fragmento"]
  cat(sprintf("\n  %s:\n", nm))
  for (it in items) cat(sprintf("    * %s\n", it))
}

cat("\n-- Estrategias mas recomendadas ---------------\n")
todas <- unlist(strsplit(hoja$estrategia, " / "))
todas <- trimws(todas)
freq_s <- sort(table(todas), decreasing = TRUE)
for (i in seq_along(freq_s))
  cat(sprintf("  %-40s (%d)\n", names(freq_s)[i], freq_s[i]))

Pulsa ▶ Ejecutar para ver el resultado aquí

El fichero completo hoja_trabajo.csv (23 fenómenos) y el texto origen texto_origen.txt están en la sección Ficheros. Úsalos con el script RStudio para comparar densidad de fenómenos entre textos de distintos géneros.

Lee hoja_trabajo.csv y produce estadísticas de densidad de fenómenos culturales comparables entre textos.

RStudio · Análisis de densidad cultural

# ── BLOQUE 3.2 · Fenómenos culturales ──────────────────────────────
library(tidyverse); library(ggplot2)

hoja <- read_csv("hoja_trabajo.csv", locale = locale(encoding = "UTF-8"))

densidad <- count(hoja, texto_id, categoria)
cat("=== Fenómenos por texto y categoría ===\n")
print(pivot_wider(densidad, names_from=categoria, values_from=n, values_fill=0))

# Estrategias más recomendadas
estrategias <- hoja |>
  separate_rows(estrategia_rec, sep = " / ") |>
  mutate(estrategia_rec = str_trim(estrategia_rec)) |>
  count(categoria, estrategia_rec, sort = TRUE)
cat("\n=== Estrategias recomendadas ===\n"); print(estrategias, n=20)

p <- ggplot(densidad, aes(x = categoria, y = n, fill = texto_id)) +
  geom_col(position = "dodge", width = 0.6) +
  scale_fill_brewer(palette = "Paired") +
  labs(title = "Densidad de fenómenos culturales por texto",
       subtitle = "Detectados con Claude.ai",
       x = "Categoría", y = "Frecuencia", fill = "Texto") +
  theme_minimal(base_size = 12) +
  theme(axis.text.x = element_text(angle = 25, hjust = 1))
print(p)
ggsave("fenomenos_culturales.png", p, width = 9, height = 5, dpi = 150)
write_csv(densidad, "densidad_fenomenos.csv")
cat("Exportados: fenomenos_culturales.png · densidad_fenomenos.csv\n")

Ficheros de práctica

Corpus y datasets prediseñados

Todos los ficheros contienen datos sintéticos verosímiles del dominio de Translation Studies. Descárgalos, colócalos en una carpeta y ejecuta primero 00_verificar_ficheros.R en RStudio para comprobar que todo está correcto.

abstracts_ts.csv

20 abstracts de Translation Studies (EN). Columnas: id, title, authors, year, journal, abstract. Para ejercicios 1.1 y 1.2.

corpus_terminos.tsv

30 segmentos especializados en traducción (EN). Para anotación terminológica — ejercicio 2.1.

pares_to_tm.tsv

10 pares TO/TM de 5 estudiantes simulados (EN→ES). Para corrección de errores — ejercicio 2.2.

pares_evaluacion.tsv

8 segmentos × 3 versiones (HT / MT / MTPE). Para evaluación TQA — ejercicio 3.1.

texto_origen.txt

Texto periodístico EN (400 palabras) con alta densidad de realia y metáforas. Para ejercicio 3.2.

clasificacion.csv

Output simulado de Claude: clasificación temática de los 20 abstracts. Para script 1.2.

corpus_anotado.tsv

30 segmentos anotados con marcas [término|ETIQUETA]. Para script 2.1.

errores_anotados.csv

15 errores tipificados con gravedad y penalización. Para script 2.2.

evaluacion_tqa.csv

60 filas de puntuaciones TQA (4 seg × 3 versiones × 5 criterios). Para script 3.1.

hoja_trabajo.csv

23 fenómenos culturales detectados en el texto periodístico. Para script 3.2.

00_verificar_ficheros.R

Script de comprobación: ejecuta primero en RStudio para verificar que todos los ficheros cargan sin errores.