Evaluación de la corrección automática de DeepL en dos traducciones automáticas de un texto jurídico

Abstract

Este trabajo final de graduación evalúa la eficacia de la corrección automática efectuada mediante DeepL (2017) y aplicada a dos traducciones automáticas del español al inglés de la Ley para atraer trabajadores y prestadores remotos de servicios de carácter internacional (nómadas digitales)1. Se seleccionó este texto por su relevancia estratégica en la atracción de talento internacional y su vinculación con la Hoja de Ruta para el Fortalecimiento del Ecosistema de Semiconductores en Costa Rica. En un contexto en donde también ocurre el auge de la inteligencia artificial generativa y de la redefinición del perfil del traductor, la investigación combina un enfoque mixto: análisis cuantitativo por medio del modelo Multidimensional Quality Metrics (MQM) y la herramienta Analyze My Writing (2025) y un análisis cualitativo centrado en terminología, fluidez y coherencia. Las traducciones iniciales que se generan con Google Translate (Google, LLC, 2024) y Trados Studio (RWS Holdings, 2024), se corrigieron con DeepL Write, que actuó como nivelador de calidad, mejorando especialmente el texto de Google. No obstante, se detectaron pérdidas de matices jurídicos, lo que confirma que la posedición automática no sustituye la labor experta del traductor humano, aunque constituye un recurso valioso y complementario en la traducción jurídica inversa.

This final graduation project evaluates the effectiveness of automatic correction using DeepL (2017) applied to two machine translations from Spanish to English of the Costa Rican law named Ley para atraer trabajadores y prestadores remotos de servicios de carácter internacional (nómadas digitales)2. The aforementioned text was selected for its strategic relevance in attracting international talent and its link to the Roadmap for Strengthening the Semiconductor Ecosystem in Costa Rica. In a context that also sees the rise of generative artificial intelligence and the redefinition of the translator's profile, this research combines a mixed approach: quantitative analysis using the Multidimensional Quality Metrics (MQM) model and the Analyze My Writing tool (2022), and qualitative analysis focused on terminology, fluency, and coherence. The initial translations, generated using Google Translate (Google, LLC, 2024) and Trados Studio (RWS Holdings, 2024), were corrected with DeepL Write, which served as a “quality leveler,” particularly improving the Google-generated text. However, losses of legal nuances were detected, confirming that automatic post-editing does not replace the expert work of the human translator, although it is a valuable and complementary resource in reverse legal translation.