Universidad Ricardo Palma

Facultad de Humanidades y Lenguas Modernas

CARRERA DE TRADUCCIÓN E INTERPRETACIÓN

Proyecto de tesis: La percepción de los estudiantes y profesionales de la

carrera de Traducción de la URP, UNIFÉ, UPC y UCV
frente a la Traducción Automática en el 2021

Curso: Tesis II
 
Profesor: Lévano, Sofía

Responsable: Aguilar Díaz, Stefani - 201320632

2020-II
Lima, Perú
1. La percepción de los estudiantes y profesionales de la carrera de
Traducción de la URP, UNIFÉ, UPC y UCV frente a la Traducción
Automática en el 2021

2. Responsable: Aguilar Díaz, Stefani – 201320632

3. Planteamiento del Problema (Identificación y descripción de la situación,

problemática)

3.1. Descripción de la situación problemática

La tecnología ha existido desde los inicios de la humanidad tales como la
rueda, la imprenta y el internet. A lo largo del tiempo, se ha visto la
necesidad de crear, diseñar y mejorar bienes o servicios para facilitar la
adaptación de la especie al medio ambiente y la satisfacción de sus deseos
o necesidades ya sea físicas, sociales y culturales. El avance tecnológico
es impulsado por ciertos tipos de motivaciones tales como: el deseo de
mejorar nuestra vida cotidiana o nuevas formas de opresión, guerra, o
nuevas enfermedades. Cada sujeto es completamente responsable de lo
que pueda buscar, encontrar y usar, bien sea para un bien o un mal común
o individual. En estos momentos, el siguiente gran paso es la
automatización. Pues este término introduce a las inteligencias artificiales.
Pues, la automatización es un sistema donde se transfieren tareas de
producción, realizadas habitualmente por operadores humanos a un
conjunto de elementos tecnológicos. 

Desde el comienzo, la tecnología ha estado estrechamente ligada a la

comunicación, ya que estas dos áreas hacen que se pueda obtener mayor
acceso de información de diferentes partes del mundo y ésta pueda ser
aplicable en distintas áreas. Lamentablemente, la diversidad de lenguas
existentes ha constituido una barrera lingüística y cultural. Y para que exista
una comunicación fluida y entendible, se ha diseñado una herramienta
denominada Traducción Automática (Machine Translation, término en
inglés). En la era de las nuevas tecnologías y la comunicación, la
Traducción Automática (en adelante TA) se ha convertido en una
herramienta muy eficiente y accesible para cualquier individuo que desee
ingresar a una plataforma virtual de traducción.

En consecuencia, la TA se ha presentado hasta ahora como un

componente fundamental para la sociedad debido a su productividad y
calidad en la traducción. Asimismo, nos ofrece la oportunidad de aprender,
usar y mejorar esta herramienta significativa. En sus inicios, se dio a
conocer la TA basada en reglas. Este surgió en la década de los setenta.
Fue avanzando la tecnología y, posteriormente, apareció la Traducción
Automática por estadística, pero esta no llegó a tener una considerable
efectividad en vista de que contenía un elevado número de fallas. Por esa
 razón, se formó otro tipo de TA llamada TA Neuronal (N.M.T., por sus siglas
en inglés). Este sistema estuvo mucho mejor diseñado. Con ella, la
capacidad de obtener redes neuronales en base a la información de entrada
y salida, es decir, ingresar el mismo texto en dos diferentes idiomas,
garantiza una mejor calidad y productividad en la traducción.

Dado a la demanda de traducciones por las empresas, gobiernos,

organizaciones, universidades, colegios, instituciones, etc, la TA ha logrado
grandes cambios en la sociedad. Puesto que, los humanos requieren de
una herramienta con una alta efectividad y rapidez para traducir.
Constantemente realizan mejoras como: ingresar textos notablemente
grandes e incluso archivos en formato Word o PowerPoint, por ejemplo:
DeepL. Algunos profesionales ven estos logros como un avance
significativo para la industria de la Traducción en vista que esto puede
agilizar los encargos y enviar estos a los clientes. Por otro lado, algunos
profesionales consideran que la TA no es conveniente para ellos mismos
puesto que de un modo u otro reducen el trabajo de la traducción humana. 

Diversos estudios y creaciones tecnológicas han arrojado resultados

positivos que cada día va en crecimiento, sin intención de detenerse (Quoc
Le y Schuster, 2016). Es por ello, que los cambios efectuados conforme a la
TA son derivados de la tecnología. A causa de estos estudios y creaciones
tecnológicas, la presente investigación abordará la gran relevancia que esta
posee. Consecuentemente, se discutirá sus causas y consecuencias a nivel
social. Además, se formularán encuestas para estudiantes y profesionales
de traducción. Por último, se analizarán estas y efectuará resultados de
diversas magnitudes.

3.2 Formulación de la pregunta de investigación general

¿Cuál es la percepción de los estudiantes y profesionales de Traducción de
la URP, UNIFÉ, UPC y UCV frente a la Traducción Automática en el 2021?
3.3 Formulación de preguntas específicas
¿Cuál es la percepción de los estudiantes y profesionales de Traducción de
la URP, UNIFÉ, UPC y UCV frente a la productividad de la Traducción
Automática en el 2021?
¿Cuál es la percepción de los estudiantes y profesionales de traducción de
la URP, UNIFÉ, UPC y UCV frente a la calidad de la Traducción Automática
en el 2021?
4. Objetivos

4.1. Objetivo general

 Determinar la percepción de los estudiantes y profesionales de Traducción
de la URP, UNIFÉ, UPC y UCV frente a la Traducción Automática en el
2021.

4.2 Objetivos específicos

Identificar la percepción de los estudiantes y profesionales de Traducción

de la URP, UNIFÉ, UPC y UCV frente a la productividad de la Traducción
Automática en el 2021.

Identificar la percepción de los estudiantes y profesionales de traducción de

la URP, UNIFÉ, UPC y UCV frente a la calidad de la Traducción Automática
en el 2021. 

5. Justificación y/o Importancia del estudio

La presente investigación se enfocará bajo el nivel social debido a que se

estudiará la percepción de los estudiantes y profesionales de Traducción
frente a la Traducción Automática, pues se considera que los cambios
provocados por la tecnología y la traducción, han obtenido grandes avances
en la Traducción Automática a lo largo del tiempo. Además, este se ha
convertido en un componente fundamental para los usuarios ya que la TA
en la industria se utiliza para responder a las necesidades interlingüísticas
de diversos canales de comunicación. La demanda del uso de TA ayuda en
gran parte debido a la calidad y productividad de la traducción automática.
Esta investigación puede ser de gran ayuda para estudiantes y usuarios de
Traducción.

6. Alcance y limitaciones

En cuanto a los alcances de la presente investigación serán: el diagnóstico

de la situación actual de los estudiantes y profesionales en relación a las
variables estudiadas, acceso a la información tales como fuentes
bibliográficas y, por último, factibilidad del lugar para la recolección de datos
Acceso a la universidad.

En la presente investigación se hallarán limitaciones como: la colaboración

de estudiantes y profesionales de la carrera de Traducción y el período de
tiempo de recolección de la información.

7. Marco teórico

7.1 Antecedentes de estudio

 Aranberri (2014) en Posedición, productividad y calidad se
planteó como objetivo la nueva perspectiva de calidad, que ha
pasado a ser una noción dinámica, en contraste con la concepción
estática de perfección con la que se imponía anteriormente. Llegó a
la siguiente conclusión: que la traducción automática, generalmente
combinada con la posedición, ha pasado a tener una posición central
dentro de la industria de la traducción, gracias a la flexibilidad que
ofrece para satisfacer los diferentes niveles de calidad y tiempo de
respuesta. La productividad de posedición ha emergido como
modelo extendido para decidir si una empresa debería adoptar o no
la traducción automática. A pesar de la dificultad de simular entornos
reales para este tipo de modelo de evaluación, se ha visto que la
mayoría de estudios corroboran el aumento del rendimiento gracias a
la TA, aunque éste varíe en función de la calidad de traducción del
sistema y la especialización de los poseditores. Finalmente, se ha
tratado la calidad de las traducciones automáticas combinadas con
posedición, que, según estudios, parece poder competir con la
traducción manual tradicional.

 Nazar, Díaz y Wulliamoz (2005) en Percepción del traductor

frente a la calidad de la traducción automática neuronal y sus
diferencias con la humana se planteó como objetivo avances
tecnológicos, en donde la comunicación se ha visto influenciada, de
igual manera como la producción y generación del conocimiento. Los
avances tecnológicos en relación con la traducción han existido
desde la década de los 40, comenzando con la traducción
automática basada en reglas, luego la aparición de la traducción
automática estadística y actualmente está presente la traducción
automática neuronal. Cada tipo de TA ha tenido sus falencias y
errores, y por esto no han podido alcanzar el mismo nivel de
rendimiento humano. Por ejemplo, la basada en reglas solo es capaz
de traducir oraciones cortas y no trabaja bien con las expresiones
anafóricas, como “it”, ya que el sistema no es capaz de ligarla con su
referente. En otras palabras, la instauración del sistema lingüístico
humano a través de reglas específicas es una tarea compleja. Esto
se ve reflejado en la baja calificación que los encuestados les dieron
a las traducciones con este tipo de sistema, donde el promedio fue
de 1,2 (de un total de 7). En el caso de la TAE, esta presenta la
dificultad de contar con grandes corpus bilingües como requisito para
su desempeño. Asimismo, se pueden presentar problemas de falta
de correspondencias léxicas, así como de correspondencia
gramatical y malas equivalencias. Esto se ve reflejado en las
calificaciones que los encuestados les dieron a las traducciones con
este tipo de sistema, donde el promedio fue de 3,4 (de un total de 7).

 Doherty (2006) en The Impact of Translation Technologies on

the Process and Product of Translation se planteó como objetivo el
impacto de las tecnologías de traducción en la comunicación
internacional desde una perspectiva interaccionista, los efectos en el
proceso de traducción, sus productos y su lugar en la sociedad son
todos notablemente palpables. Los avances tecnológicos de
principios del decenio de 1990 dieron lugar a la adopción
generalizada de las herramientas de TAO, principalmente las TA,
que han creado un aumento de la productividad y la coherencia en la
traducción, pero una disminución de la remuneración, el control y los
riesgos para la calidad general. Las TA prepararon entonces el
camino para los sistemas de MT de última generación que utilizan
traducciones humanas para emular los resultados del proceso de
traducción y ofrecer un resultado en velocidades y volúmenes que
nunca podrán alcanzar los traductores humanos por sí solos. Sin
embargo, la MT no está exenta de riesgos para la calidad, la
tergiversación y el uso indebido, y presenta otra fuerza a la que los
traductores deben hacer frente, ya que la fijación de la producción
traducida por máquina se convierte en el pan de cada día de muchos
traductores profesionales.

 Goutte, Cancedda, Dymetman, y Foster G., (2009) en

Learning Machine Translation se planteó como objetivo los múltiples
sistemas de TA que se pueden combinar con el objetivo de mejorar
la calidad de la traducción. una traducción de consenso a partir de
las hipótesis de TA alineadas. El método utiliza el procedimiento de
alineación mejorada de Matusov y otros (2006), así como sus
extensiones. A diferencia de los enfoques anteriores para la
combinación de sistemas en la TA, el método presentado aquí
incluye un componente de aprendizaje automático. La alineación de
palabras entre las hipótesis de traducción es un procedimiento
estadístico e iterativo. La decisión de cómo alinear dos traducciones
de una frase tiene en cuenta el contexto de todo un corpus de
traducciones automáticas. Esta alineación no monótona de alta
calidad se utiliza para encontrar las palabras correspondientes y el
posterior reordenamiento de las palabras cuando se crean redes de
confusión con alternativas de traducción. Varias CN que representan
estructuras de frases alternativas se combinan en una sola red. La
traducción consensuada se extrae de esta red usando varias
características probabilísticas que estiman el peso de cada palabra
candidata. Esta traducción a menudo tiene una calidad
significativamente mejor que las traducciones originales y puede ser
diferente de cada una de ellas. En este capítulo, hemos descrito
formalmente el algoritmo de alineación, así como las técnicas de
estimación de peso.

 Sepesy y Donaj (2019) en Machine Translation and the

Evaluation of Its Quality se planteó como objetivo la traducción
automática que es utilizada por millones de personas diariamente.
En este capítulo se analizan los diferentes enfoques de la traducción
automática que se han desarrollado a lo largo del tiempo.
Actualmente, el enfoque más prometedor es la traducción automática
neuronal. Aunque es eficaz, también sufre algunos problemas, como
la escalada a vocabularios más grandes de palabras y la lenta
velocidad de entrenamiento de los modelos. Los investigadores
continúan trabajando para resolver los problemas y hacer de la
traducción un mejor servicio accesible para todos. La segunda parte
del capítulo describe cómo se evalúa el resultado de la traducción
automática. Se esbozan las principales características de la
evaluación humana y automática de la traducción automática. La
evaluación humana de los resultados de la TA sigue siendo crucial
para buscar ideas para mejorar aún más los sistemas de TA. Por
otro lado, la evaluación automática de la TA es barata y rápida. En el
capítulo se presentaron las métricas tradicionales y avanzadas para
la evaluación automática de la TA. A pesar de los conocidos
problemas con el BLEU, y la disponibilidad de muchas otras
métricas, los desarrolladores de sistemas de TA han seguido
utilizando el BLEU como la principal medida de la calidad de la
traducción.

 Lohner (2010) en Tecnología de la información. Su impacto

social y efectos legislativos. Algunas consideraciones. Se planteó
como objetivo los instrumentos jurídicos existentes (leyes, principios
contractuales, procedimientos administrativos y jurisprudencia)
debido a que son eficientes en cuanto a los avances en la tecnología
de la información en general se refiere, y su producción y uso en
particular. En el contexto de los valores e intereses jurídicos
generales en una sociedad democrática funcionalmente adecuada,
no puede ser excluido el hecho de que los instrumentos existentes
 necesiten algunas modificaciones o ajustes. Puesto que el marco
jurídico es anterior a la «era de la información», es probable que la
ley existente no pueda ser aplicada en todo el mundo o es al menos
confusa con respecto a varios aspectos de producción y uso de
tecnología de la información. Las condiciones económicas de la
producción de tecnología parecen estar favorablemente
influenciadas por instrumentos jurídicos existentes, tales como
reglamento y decisiones judiciales que tratan del Derecho
competencia europeo.

7.2 Bases teórico-científicas

La traducción automática
La traducción automática (TA), término que proviene del inglés,
machine translation (MT), se define según Arnold et al. (1994) como
«the attempt to automate all, or part of the process of translating from
one human language to another». En este sentido, es un proceso de
traducción automatizado, es decir, realizado por un software que
proporciona la traducción del texto en lengua meta. Los motores de
traducción automática normalmente son una solución rápida para
eliminar la barrera que supone el no tener conocimientos de lenguas.
Sin embargo, estas herramientas pueden ser de gran utilidad para
los traductores, ya que el tipo de texto obtenido solamente requiere
una posedición. Además de ser un campo interesante para mejorar
el rendimiento de la figura del traductor, los motores de traducción
automática también son objeto de investigación para desarrollar el
procesamiento de las mismas herramientas. Viver (2018).

Wulliamoz (2018) indica que, los avances tecnológicos en relación

con la traducción han existido desde la década de los 40. Desde
dicha década, muchos científicos e ingenieros alrededor del mundo
han apostado por la traducción automática y/o creado tipos de
traducciones automáticas cada vez más precisas y de mayor calidad.
Pioneros como Peter Toma, Yehoshua Bar-Hillel, Noam Chomsky,
Zellig Harris, John von Neumann, Donald O. Hebb, Marvin Minsky,
Bernard Widrow, Seymour Papert, Teuvo Kohonen, John Hopfield,
Warren Weaver, entre otros. Comenzó con la traducción automática
basada en reglas, luego la aparición de la traducción automática
estadística y actualmente está presente la traducción automática
neuronal. Cada tipo de TA ha tenido sus falencias y errores, y por
esto no han podido alcanzar el mismo nivel de rendimiento humano.
Por ejemplo, la basada en reglas solo es capaz de traducir oraciones
cortas y no trabaja de manera apropiada con las expresiones
anafóricas, como “it”, ya que el sistema no es capaz de ligarlo con su
referente. En otras palabras, la instauración del sistema lingüístico
humano a través de reglas específicas es una tarea compleja.

Para la aplicación de tecnologías de la traducción para los idiomas

chino y español existen pocas investigaciones, entre la información
recopilada sobre las tecnologías de la traducción se tiene un estudio
piloto sobre la traducción automática en internet: Google Traductor y
Baidu Translate (Páez, 2019), un estudio sobre la eficacia de la
traducción automática de expresiones ambiguas en español y chino
(Zhang, 2018), un estudio comparativo sobre las versiones de
traducción obtenidas mediante el uso de traductores automáticos,
como Google Translate, Baidu Translate y Bing Translator (Zhang,
2017), errores en la traducción automática chino – español obtenidas
con Google Traductor, Bing y Baidu (Hong, 2016), análisis de
sistemas de traducción automática en línea en el que mencionan que
la calidad de las traducciones proporcionadas en este par de lenguas
aún no es óptima, y diseñar un sistema de traducción automática
estadístico adecuado para estos idiomas es un reto debido a que
existen diferencias no solo a nivel morfológico sino también a nivel
sintáctico y semántico entre estos idiomas, para ello están usando
todas las entradas consideradas en el diccionario Yellowbridge
(Costajussà, 2015). Según un artículo de investigación sobre
estrategias para la traducción automática estadística de chino a
castellano con el inglés como lengua pivote, publicado en la revista
Procesamiento del Lenguaje Natural, Bertoldi, Li y Wang (2008)
serían otros investigadores del tema (Costa-jussà, Carlos Henríquez
y Banchs, 2011). Se encontró también un estudio en proceso de
investigación sobre el uso de la traducción automática chino>español
en la didáctica del español Gamboa (2019)

Productividad de la traducción automática

Los grandes avances en tecnología y en el campo de la inteligencia

artificial han propiciado que, en la actualidad, los sistemas de
traducción automática cambien y se desarrollen rápidamente. Por su
parte, las necesidades del sector siguen evolucionando: se está
volviendo imprescindible traducir un número cada vez mayor de
palabras en el menor tiempo posible, así como abaratar los costes.
Ante este panorama, el empleo de la traducción automática se está
convirtiendo en algo tan esencial como habitual. Sin embargo, esto
debe darse siempre y cuando se pueda establecer un estándar de
calidad y se vele por que el coste que implique, económico o de
esfuerzo, se vea compensado por las ventajas y los beneficios. Por
consiguiente, la traducción automática facilita el incremento de la
productividad, permite traducir contenido que, de otra forma, no sería
posible traducir y reduce los tiempos y los costes en el mercado
(López,2019).

A pesar de estos avances, es fundamental que se siga

perfeccionando la búsqueda de mejorar la calidad de la traducción
bruta obtenida, así como aumentar la productividad y reducir el
esfuerzo de posedición. Esto lo trata Guerberof (2009) en su estudio.
En él, Guerberof realiza una prueba con nueve traductores
profesionales a través de una prueba de posedición en línea. Debían
traducir segmentos nuevos, de traducción automática estadística y
procedentes de una memoria de traducción (coincidencias parciales
entre el 80 % y el 90 %) sin saber el origen de cada segmento. Los
resultados referentes a la productividad indicaron que los traductores
eran más rápidos poseditando que traduciendo los segmentos de
cero e incluso editando las coincidencias parciales de la memoria de
traducción. En cuanto a los errores encontrados evaluando la
calidad, más de la mitad procedían de los segmentos de la memoria
de traducción, mientras que el 27 % era de la traducción automática
y el 21 % en los segmentos nuevos. En cuanto a los errores, el 44 %
eran de precisión. No se puede establecer cuántos fueron los errores
de fluidez, ya que para este estudio se utilizó la escala de LISA, en la
que no se incluye la fluidez como una categoría de errores (López,
2018).

Los traductores llevaron a cabo una prueba de Quick Evaluation en

la herramienta de DQF de TAUS. Posteriormente, un grupo más
reducido de los mismos traductores realizó una prueba de
productividad en la misma herramienta de DQF. Al mismo tiempo
que esto ocurría, se efectuaron varias pruebas de calidad, en las que
se evaluó tanto la fluidez como la precisión de los dos tipos de
motores. El motivo por el cual se escogió este orden es que permite
recabar en primer lugar toda la información necesaria para
determinar la percepción de los traductores. Para finalizar, al realizar
las pruebas de productividad y obtener los resultados
correspondientes, se puede cotejar esta información con la
recopilada en la prueba inicial de evaluación y, así, contrastarla
(López, 2018).

Calidad de la traducción automática

Los traductores consideran que el motor neuronal es de mejor
calidad porque puede que haya menos errores en los segmentos que
propone, estos son mucho más difíciles de detectar, ya que se
emplea más tiempo en poseditar estos segmentos que en poseditar
los del motor estadístico. En cuanto a las conclusiones obtenidas de
los resultados de las pruebas de evaluación de calidad, los datos
muestran que el motor neuronal presenta una fluidez y una precisión
mayores que las del motor de TAE. De aquí se puede deducir que,
de la misma forma que en las pruebas de percepción, el evaluador
considera más adecuados, en términos de fluidez y precisión, los
resultados del motor de traducción automática neuronal. Por tanto, el
sujeto presupone que estos resultados requerirán menos
correcciones y menos tiempo de posedición. Sin embargo, en este
caso ya ha quedado demostrado que le llevaría más tiempo
poseditarlos (López, 2019).

En el mundo altamente tecnificado en el que vivimos, parece existir

la necesidad constante de justificar el trabajo propio y la calidad del
mismo. Esta noción parece ser más “justificable” en trabajos donde
se realizan labores manuales, ya que es más fácil fabricar una
máquina que imita la manera en la cual se recoge y se procesa el
trigo, por ejemplo, a una máquina que imita los procesos cognitivos
de una persona en un campo del saber cómo la traducción. afirmar
que existen diversas posiciones que un traductor puede adoptar
respecto a la existencia y el uso de los TA en el campo de la
traducción. Una de ellas, no muy común, es entender estos como
una herramienta que facilita su labor traductora, que le permite
traducir textos más rápidamente, buscar sinónimos de palabras que
desconoce sin la necesidad de un diccionario, así como aprender
diversas acepciones de las mismas, entre otras (Restrepo, 2019).

La traducción realizada por estos sistemas no suele ser de alta

calidad, los usuarios lo utilizan a fin de tener la idea general del texto
sin importar que algunas partes o fragmentos del mismo posean
errores gramaticales y debido a ello resulten incomprensibles. Esto
es debido a que el usuario intenta obtener una traducción rápida,
inmediata y sin coste alguno. Por ello, es preferible que no considere
traducción alguna en lugar de tener una de baja calidad. El usuario
que desee algo más de calidad tiene la opción de acceder a algunos
servicios de traducción automática online los cuales también ofrecen
múltiples servicios como los de post-edición, estos poseen un coste
adicional para el usuario, servicios de traducción realizado por
traductores profesionales e incluso te permiten obtener el propio
 programa de traducción automática para que lo instales en la intranet
de tu empresa, esto puede traer consigo también una
personalización del programa a fin de obtener mejores resultados
(Alcina, 2011).
Definiciones de términos básicos
Traducción Automática
La traducción automática (TA), término que proviene del inglés, machine
translation (MT) que significa como un proceso de traducción automatizado,
es decir, realizado por un software que proporciona la traducción del texto
en lengua meta.
La productividad de la Traducción Automática
Uno de los modelos de evaluación para medir el impacto y la eficacia de
una posible adopción de TA en la industria.
La calidad de la Traducción Automática
Evalúa si el resultado de un sistema de traducción automática es útil para
una aplicación específica.

8. Metodología
9.1 Método de investigación
Empírico: descriptivo
9.2 Diseño específico de investigación
El diseño de investigación será no experimental, transversal con
características de recolección de datos en un único momento
El propósito de la investigación se realizará de manera básica. Por el
nivel de profundidad del estudio se categorizará como una
investigación descriptiva. El tipo de medios para obtener datos de
esta investigación se obtendrá bajo la investigación de campo. El
enfoque de la investigación científica será cuantitativo.
9. Población y muestra

• Se toma en cuenta como la población a los estudiantes y profesionales de

la carrera de Traducción de la URP, UNIFÉ, UPC y UCV.

• Se toma en cuenta como muestra a 20 estudiantes de Traducción y 20

profesionales de Traducción
 10. Instrumentos de recolección de datos

Prueba de percepción de la traducción automática realizada en Google

Forms.
La encuesta estará conformada por 30 preguntas cerradas.

11. Técnicas de procesamiento de datos

Es una investigación cuantitativa: Estadística descriptiva
Estadística descriptiva: La estadística descriptiva consiste en la
presentación de manera resumida de la totalidad de observaciones hechas,
como resultado de recoger datos de una realidad o una experiencia.

Puede conectarse a una hoja de cálculo de Google. Si hay una hoja de

cálculo vinculada al formulario, las respuestas se enviarán automáticamente
a la hoja de cálculo. De no ser así, los usuarios pueden verlas en la página
“Resumen de respuestas”.

12. Matriz lógica de consistencia

Título: La percepción de los estudiantes y profesionales de la carrera de Traducción

de la URP, UNIFÉ, UPC, UCV frente a la Traducción Automática en 2020.
TÉCNICAS DE
FORMULACIÓN VARIABLES Y
DEL PROBLEMA OBJETIVOS DIMENSIONES MÉTODO Y PROCESAMIENTO
DISEÑO DE DATOS
Problema General Objetivo General Variable Estadística
¿Cuál es la descriptiva: la
Determinar la Investigación totalidad de
percepción de los
percepción de los Descriptiva observaciones
estudiantes y
estudiantes y Investigación hechas, como
profesionales de
profesionales de Cuantitativa resultado de
Traducción de la
Traducción de la Percepción de la Investigación recoger datos de
URP, UNIFÉ, UPC,
URP, UNIFÉ, TA. sustantiva una realidad o una
UCV frente a la
UPC, UCV frente Investigación experiencia Google
productividad de la
a la Traducción sincrónica Forms
Traducción
Automática en el No experimental
Automática en el
2021. Transversal
2021?
Problemas Objetivos Población y
Específicos Específicos Dimensiones muestra
¿Cuál es la Identificar la * La Alumnos y
percepción de los percepción de los productividad de profesionales de
estudiantes y estudiantes y la Traducción la carrera de
profesionales de profesionales de Automática * La Traducción de la
Traducción de la Traducción de la calidad de la Universidad
URP, UNIFÉ, UPC, URP, UNIFÉ, Traducción Ricardo Palma y
UCV frente a la UPC, UCV frente Automática Universidad
productividad de la a la productividad Femenina del
Traducción de la Traducción Sagrado Corazón.
Automática en el Automática en el 20 estudiantes de
2021? 2021. Traducción
¿Cuál es la Identificar la 20 profesionales
percepción de los percepción de los de Traducción
estudiantes y estudiantes y
profesionales de profesionales de
traducción de la traducción de la
URP, UNIFÉ, UPC, URP, UNIFÉ,
UCV frente a la UPC, UCV frente
calidad de la a la calidad de la
Traducción Traducción
Automática en el Automática en el
2021? 2021.

13. Referencias bibliográficas

 GAMBOA, M. (2019). Tecnologías de la traducción utilizadas por los
estudiantes de traducción de los últimos ciclos del área de chino
mandarín. Universidad Ricardo Palma. Recuperado de:
https://repositorio.urp.edu.pe/handle/URP/3194
 Wulliamoz, B. (2018). Percepción del traductor frente a la calidad de la
traducción automática neuronal y sus diferencias con la humana. Pontificia
Universidad Católica de Valparaíso. Recuperado de:
http://opac.pucv.cl/pucv_txt/txt-4500/UCC4511_01.pdf
 VIVER, P. (2018). La evaluación de las herramientas de traducción
automática (TA) desde la perspectiva del traductor: Google Translate,
Bing, Babylon y Systran. Universidad de Valladolid. Recuperado de:
https://uvadoc.uva.es/handle/10324/33981
 RESTREPO, S. (2019). Google Translate vs Traducción Humana :
percepciones de ocho traductores en torno al papel de este traductor
automático en su labor. Pontificia Universidad Javeriana. Recuperado de:
https://bit.ly/3739OlB
 CUZCO, J. O., y VALENZUELA, A.I. (2018). El programa de Traducción
Automática más utilizado por egresados de los últimos 5 años de la
carrera de Traducción e Interpretación de la Universidad César Vallejo de
Trujillo-2018. Universitat Autònoma de Barcelona. Recuperado de:
https://bit.ly/3nCW2fS
 LÓPEZ, A. (2018).Traducción automática neuronal y traducción
automática estadística: percepción y productividad. Universitat Autònoma
de Barcelona. Recuperado de: https://bit.ly/3fgzBdt
 LÓPEZ, A. (2019). Traducción automática neuronal y traducción
automática estadística : percepción y productividad. Universitat Autònoma
de Barcelona. Recuperado de: https://bit.ly/3303xWy
 GONZÁLEZ, M. (2010). Estudio Comparativo De Traductores Automáticos
En Línea: Systran, Reverso Y Google. Recuperado de:
https://bit.ly/3nBNTZk