Lengua ingusetia en digital: Plataforma PaydaDosh

## Renacimiento digital del inguso: Cómo PaydaDosh está construyendo un diccionario, corpus y modelos de IA

El proyecto PaydaDosh es una plataforma lingüística abierta que combina un diccionario, corpus paralelo y herramientas de IA para apoyar el idioma inguso. La base de datos recopilada incluye más de 66.000 entradas de diccionario y decenas de miles de oraciones alineadas, lo que la convierte en el recurso más grande para estudiar y preservar el idioma. El inguso, que pertenece a las lenguas nakh de la familia caucásica, es hablado por unas 400–500 mil personas, pero su presencia digital era mínima hasta hace poco.

Componentes de la plataforma: Del diccionario al asistente de IA

PaydaDosh proporciona a desarrolladores y lingüistas un conjunto completo de recursos:

• Diccionario — 66.524 entradas de diccionario con traducciones, etiquetas gramaticales, formas de palabras y ejemplos de audio.
• Corpus paralelo — oraciones de textos reales alineadas con traducciones al ruso. Incluye la novela histórica Magas the Blessed (34.156 oraciones), folclore (9.477 oraciones) y traducciones de clásicos (Pushkin, Turgenev y otros).
• Colecciones temáticas — 2.156 proverbios divididos en 16 categorías (trabajo, familia, honor, etc.) y 171 parábolas con traducciones paralelas.
• Frasario — frases listas para usar agrupadas por situaciones prácticas.
• Comunidad — sección de «Preguntas» donde hablantes nativos responden consultas sobre gramática y traducción, con respuestas autorizadas marcadas.
• Asistente de IA — genera automáticamente respuestas preliminares a preguntas usando datos del diccionario y la gramática.
• Aplicaciones móviles — dos apps para Android (una sin conexión) y un bot de Telegram con sincronización de datos.

Todos los recursos son abiertos y de libre acceso, lo que es crucial para apoyar idiomas de bajos recursos en la era digital.

Fuentes de datos: De diccionarios clásicos a colecciones modernas

El diccionario se basa en el proyecto «Ingush Language Dictionary Compendium» (ghalghay.github.io), pero PaydaDosh lo ha expandido significativamente integrando datos de diversas fuentes. Entre ellas:

• M. G. Uzhaev _Ingush-Russian Dictionary_ (1927)
• Z. K. Malsagov _Ingush Terminological Collection_ (1933)
• Johanna Nichols. _Ingush-English and English-Ingush Dictionary_ (2004), traducido al ruso por Ahmed Bekov
• A. S. Kurkiev _Ingush-Russian Dictionary_ (2005)
• A.-M. M. Dudarov _Ingush Agriculture_ (2015)
• N. D. Kodzoev _Dictionary of Computer Terms_ (2016)
• Revista infantil «SelaIad» (294 números)

Cada entrada de diccionario incluye un enlace a la fuente como código corto, garantizando transparencia y permitiendo a los investigadores verificar los originales. Este enfoque es especialmente importante para el trabajo académico, donde la precisión de los datos es fundamental.

Implementación técnica: Morfología, corpus e IA

El inguso presenta una estructura ergativa, sistema de casos complejo y clases verbales, lo que requiere herramientas de procesamiento especializadas. PaydaDosh aborda esto mediante:

Búsqueda difusa con análisis morfológico. El algoritmo reconoce formas de palabras y prioriza coincidencias exactas. Para un idioma donde una sola palabra base puede generar docenas de formas, esto mejora la relevancia de la búsqueda. Por ejemplo, una consulta por «kho» (yo) devuelve todas las formas del pronombre pero resalta la forma base.

Vinculación del corpus y el diccionario. Cada oración en el corpus paralelo está ligada a entradas del diccionario. Al hacer clic en una palabra del texto, se lleva al usuario a su entrada, mientras que la ficha de la palabra muestra ejemplos de uso del corpus. La búsqueda funciona tanto en texto inguso como ruso, simplificando el trabajo con datos paralelos.

Integración de IA en el sistema de P&R. Cuando llega una nueva consulta, el sistema genera una respuesta preliminar basada en datos existentes, reduciendo la barrera de entrada para los usuarios. Las respuestas de hablantes nativos se marcan por separado y el voto promueve las más precisas.

Sincronización multiplataforma. El historial de búsquedas, favoritos y contribuciones de usuarios se sincronizan entre el sitio web, el bot de Telegram y las apps móviles, creando un ecosistema unificado para trabajar con el idioma en cualquier formato.

Mecanismo de contribución de usuarios. Los usuarios registrados pueden agregar nuevas palabras, ejemplos o grabaciones de audio. Todas las contribuciones pasan por moderación editorial antes de publicarse, asegurando la calidad de los datos.

Valor del corpus paralelo para la lingüística computacional

El corpus paralelo es un recurso clave para desarrollar herramientas de PNL. Para el inguso, como la mayoría de las lenguas caucásicas de bajos recursos, estos materiales eran prácticamente inexistentes. PaydaDosh llena este vacío proporcionando:

• 218 oraciones alineadas de The Tale of Igor's Campaign para análisis sintáctico.
• 2.918 oraciones de The Captain's Daughter de Pushkin, que permiten estudiar estrategias de traducción.
• Textos de folclore y literatura moderna que reflejan el habla cotidiana.

Estos conjuntos de datos son invaluables para entrenar modelos de lenguaje, especialmente en tareas de traducción automática. Los enfoques estándar desarrollados para idiomas mayores suelen fallar con sistemas ergativos y guiones no estándar, por lo que los corpus personalizados son esenciales para adaptar tecnologías.

Planes de desarrollo: De apps móviles a herramientas educativas

El equipo de PaydaDosh se centra en tres direcciones:

• Expansión del corpus — agregar textos ingusos originales, incluyendo prosa moderna y periodismo.
• Profundización de la funcionalidad de IA — desarrollar modelos que tengan en cuenta las particularidades gramaticales del inguso para mejorar la precisión de las respuestas automáticas.
• Herramientas educativas — portar cuestionarios y tarjetas de memoria móviles a la plataforma web, creando lecciones interactivas.

Se presta especial atención al apoyo a investigadores: se planea una API para acceso programático a datos y herramientas de análisis de corpus. Esto convertirá la plataforma no solo en una referencia, sino en un laboratorio para la lingüística computacional.

Lecciones clave

• Escala de datos: 66.524 entradas de diccionario y 43.633 oraciones en el corpus paralelo forman la base para el desarrollo de PNL.
• Adaptación técnica: La búsqueda difusa con morfología aborda la alta productividad flexiva del inguso.
• Apertura: Todos los recursos son de uso libre, crucial para preservar idiomas con ecosistemas digitales limitados.
• Comunidad: Combinar IA con contribuciones nativas moderadas crea un modelo de crecimiento sostenible.

— Editorial Team