Dos nombres para el mismo artículo

Un lector encontró en nuestros artículos traducidos algo que ninguna comprobación automática podía ver: un enlace que prometía una cosa y aterrizaba en una página cuyo encabezado afirmaba otra. Lo dejamos por escrito como regla y después nos pusimos a convertirlo en una guarda.

La guarda evidente es «el texto del enlace tiene que ser el título». Esa guarda está equivocada, y averiguar por qué costó la medición entera.

La regla evidente no es el estilo de la casa

Medimos todos los enlaces internos entre artículos en nueve idiomas: 1153, sin ningún destino ausente. Después puntuamos cada texto de enlace contra el título de la página a la que apunta, como solapamiento de palabras, y miramos todo lo que quedaba por debajo de un umbral de 0,55.

Había 418. Cuarenta y nueve estaban en inglés, que es el idioma fuente y por tanto, por definición, no es una deriva de traducción. Esos cuarenta y nueve tienen este aspecto:

> un enlace que dice only ever connects outbound, apuntando a un artículo titulado The case against port forwarding your panel

Eso no es un error. Un texto de enlace corto y descriptivo va dentro de la frase que lo rodea, y así debe ser. Una guarda sobre la banda baja se dispararía cuatrocientas veces y no señalaría ningún defecto, y una guarda que da falsas alarmas acaba saltada, lo que es peor que no tenerla.

Así que la banda baja es estilo de la casa, y lo que buscábamos está en un sitio completamente distinto.

El defecto está en la banda alta, y es una sustitución

El caso del informe tiene un solapamiento de 0,78. Está muy por encima del umbral, y por eso mirar por debajo del umbral no podría haberlo encontrado nunca.

> enlace: ein Ablauf ist ein Graph, und ein Graph muss endlich sein > título: Ein Flow ist ein Graph, und er muss endlich sein

El texto del enlace no es más corto que el título ni es una paráfrasis. Cita el título y cambia una palabra. Esa es la forma real del defecto: aparece una palabra que el título no contiene y falta una palabra del título, al mismo tiempo.

Acortar un título está bien, porque un enlace dentro de una frase a menudo no puede cargar con el título entero. Añadir una palabra aclaratoria está bien. Hacer las dos cosas a la vez significa que hay dos nombres en circulación para un artículo, y quien vio el enlace y después el encabezado tiene que decidir si está en la página correcta.

Enunciada así, la regla es una sola frase y sobrevive al contacto con texto real. Por encima del umbral de solapamiento, un texto de enlace puede acortar el título o ampliarlo, pero no las dos cosas.

Dos cosas que parecen otro nombre y no lo son

Hubo que filtrar dos clases de variación antes de que la regla fuera utilizable, y las dos se encontraron ejecutándola y leyendo el ruido.

La primera son las palabras funcionales: artículos, conjunciones, preposiciones. Son estructurales y no cargan ningún nombre. Toda palabra de dos caracteres como mucho se descarta en ambos lados.

El umbral de dos, y no de tres, está medido y no elegido. El caso italiano del mismo informe es deve essere contra un título que dice dev'essere: las mismas dos palabras, escritas con una elisión. Con un límite de tres caracteres, dev se cae del lado del título, ya no falta nada y el hallazgo desaparece. Una guarda ajustada un carácter de más se habría puesto en verde sobre uno de los dos casos para los que se construyó.

La segunda es la flexión. sell y selling, says y saying son la misma palabra en formas distintas, y en ocho idiomas eso es constante. Dos palabras que comparten una raíz de cuatro caracteres cuentan como la misma palabra.

La contraparte inglesa es el triaje

Eso dejó un conjunto de hallazgos que necesitaban un juicio, y el juicio tenía que venir de algún sitio que no fuera el gusto.

La regla que usamos: mirar el mismo enlace en la fuente inglesa. Si el inglés cita ahí su propio título, entonces la traducción se ha desviado de algo y es un defecto. Si el inglés es él mismo descriptivo en ese punto, la traducción sigue a la fuente y es estilo de la casa.

Es una buena prueba porque se responde mirando, no exige saber el idioma y pone la decisión donde ya está la fuente de verdad. Produjo dieciocho excepciones deliberadas, cada una anotada con su motivo, que es siempre una frase sobre lo que hace el inglés en ese punto y no una nota que diga «revisado».

La reparación en sí fueron 76 textos de enlace en 66 ficheros, en ocho idiomas: quince en neerlandés, trece en italiano, doce en francés, ocho en rumano y ocho en ucraniano, siete en alemán y siete en español, seis en portugués y ninguno en inglés. La diferencia salió en exactamente 66 líneas dentro y 66 líneas fuera, que es la confirmación más barata que hay de que no se movió nada más. El recuento de la banda alta pasó de 94 a 18, y esos 18 son las excepciones.

Una lista de permitidos necesita una prueba de que está viva

La guarda tiene once pruebas: una por idioma, una que exige que cada excepción lleve un motivo y una que exige que cada excepción se alcance de verdad.

Esa tercera es la importante, y viene de una lección cara en otro punto de este código. Una entrada de una lista de permitidos con una errata no coincide con nada. Además parece completa, se queda en el fichero durante un año y en silencio no protege nada. Teníamos una lista de treinta entradas en otra guarda donde cuatro estaban muertas exactamente por ese motivo.

Así que la lista se comprueba desde el otro lado: si una línea nunca se dispara, la prueba falla y la línea tiene que salir. Eso cierra el círculo, porque significa que una excepción que ya se ha reparado no puede quedarse como decoración.

La guarda se demostró en rojo antes de creerla en verde, sobre el estado del árbol previo a la reparación: fallaron ocho de once pruebas, informando exactamente de los 76 hallazgos que después se arreglaron.

Dos cosas que esta ronda encontró y no arregló

Dos hallazgos quedaban fuera del alcance y se dejaron por escrito en lugar de repararse en silencio.

Cinco traducciones de un mismo artículo habían perdido del título una palabra que otros cuatro idiomas sí llevaban, así que el mismo artículo tenía un asunto distinto en idiomas distintos. Eso es un problema de título y no un problema de enlace, y se trató aparte.

Los artículos ucranianos escriben un término del sector de dos maneras, diecisiete ficheros contra seis. Eso es una decisión de terminología sobre el catálogo entero y no un defecto en diecisiete ficheros, y tomarla de pasada mientras se repara otra cosa es la manera en que un catálogo acaba con tres grafías en lugar de dos.

Lo que dejaríamos por escrito

1. 01La regla que se escribiría a partir del informe suele estar equivocada. Mida el corpus entero antes de codificarla.
2. 02Un texto de enlace corto y descriptivo es estilo de la casa, y una guarda sobre él señala cientos de cosas que no son defectos.
3. 03El defecto es una sustitución, no un acortamiento. Una palabra añadida y una palabra ausente al mismo tiempo.
4. 04Mire por encima del umbral, no por debajo. El caso real puntuó 0,78 contra un umbral de 0,55.
5. 05Ajuste los límites sobre los casos que tiene, y compruebe que el ajuste no hace desaparecer uno de ellos.
6. 06La flexión no es otro nombre. Basta con una raíz compartida.
7. 07El idioma fuente es el triaje. Si el inglés también es descriptivo ahí, la traducción no se está desviando.
8. 08Cada excepción lleva un motivo, y el motivo dice qué hace la fuente, no que alguien haya mirado.
9. 09Pruebe que su lista de permitidos está viva. Una entrada muerta no protege nada y parece completa.
10. 10Demuestre la guarda en rojo sobre el estado antiguo, con el recuento de hallazgos que debería producir.

Para que quede claro qué es esto: 1153 enlaces internos entre artículos medidos en nueve idiomas sin ningún destino ausente, 76 reparados en 66 ficheros, una diferencia de exactamente 66 dentro y 66 fuera, la banda alta reducida de 94 hallazgos a las 18 excepciones anotadas, la guarda nueva con 11 pruebas y demostrada en rojo con 8 fallos sobre el árbol antiguo, la comprobación de contenido 851 de 851 ficheros generados idénticos byte a byte, el conjunto de pruebas web 4594 en verde donde estaba en 4583, la comprobación de tipos limpia, el analizador de estilo sin errores, y un barrido de bytes sobre los 66 ficheros tocados con los dos recuentos de tipografía explicados en lugar de supuestos. Sin demostrar: sigue habiendo un lector por idioma, ninguno de ellos es hablante nativo, y los motivos de las excepciones no los leyó una segunda persona.

Del trabajo de plataforma en Provibr. La revisión de lectores que sacó esto a la luz está en tres fallos que ningún script podía ver, y lo que nueve catálogos le hacen a un conjunto de controles fijos está en dieciséis mil claves, nueve idiomas.