Gli strumenti elettronici a disposizione del traduttore: situazione attuale e prospettive future

Si vuole ora cercare di capire se anche il web possa essere considerato un corpus e se in quanto corpus può risultare utili per le traduzioni.
Innanzitutto il web è considerato un enorme contenitore di materiale testuale, di facile accesso, gratuito e caratterizzato da una varietà di stili, tipologie e contenuti linguistici (Chiari, 2007).
Se, secondo le definizioni che vengono fornite da diversi autori come ad esempio McEnery e Wilson (1996), un corpus è una raccolta di testi usata come campione di una lingua, allora anche il web può essere definito un corpus, poiché raccoglie testi in varie lingue e appartenenti a diverse tipologie testuali.
Resnik e Smith (2003: 350) in particolare vedono il web "as a great big body of text waiting to be mined, a huge fabric of linguistic data often interwoven with parallel threads".

Comparando il web ad un corpus tradizionale si possono trovare sia vantaggi che svantaggi come spiega Spousta (2006), in termini di estensione, poiché corpora basati su testi tratti dal web possono essere molto ampi, e inoltre la grandezza del web è in continua espansione; in termini di qualità dei tesi e la loro rappresentatività: ci sono molte differenti fonti di informazioni sul web e non è possibile controllare il suo contenuto ma allo stesso tempo, data l'enorme quantità di testi disponibili, è possibile filtrare testi inappropriati, mantenendo comunque il corpus di grandi dimensioni; in termini di stabilità temporale poiché il web cambia costantemente, nuove pagine vengono aggiunte ed altre rimosse; infine per quanto riguarda i diritti di distribuzione del materiale in quanto molte pagine web sono coperte da copyright e non possono essere usate se violano i diritti d'autore e a volte non si può identificare l'autore dei contenuti.

Si è accennato alla rappresentatività del web come corpus. Un corpus per essere rappresentativo di una lingua deve contenere diverse tipologie testuali in maniera bilanciata, che presentino le diverse situazioni comunicative e le diverse varietà di una determinata lingua. Il web però non presenta tutte le varietà di una lingua, di conseguenza non può essere rappresentativo. Inoltre i motori di ricerca che vengono interrogati per ricercare le informazioni sul web come Google o YahooSearch, privilegiano i siti più autorevoli e quindi non vi è una selezione bilanciata di testi formali, informali, appartenenti a diverse tipologie testuali.

Anche dal punto di vista delle lingue presenti sul web vi è uno squilibrio enorme. Xu (2000) ha stimato che il 71 % delle pagine web è scritta in inglese, seguite dal giapponese (6,8%), tedesco (5,1%), francese (1,8%), cinese (1,5%), spagnolo (1,1%), italiano (0,9%) e svedese (0,7%).
Inoltre i testi che vengono pubblicati sul web possono essere scritti da una varietà di autori e ciò comporta un tasso di errori significativamente più alto rispetto ai testi stampati, che vengono raccolti e controllati. Non si tratta solo di errori di battitura o scannerizzazione, ma anche di errori prodotti da persone che scrivono dei testi in una lingua che non è la loro madrelingua e di cui non conoscono perfettamente le regole e le caratteristiche linguistiche (Chiari, 2007; Kilgariff e Grefenstette, 2003).
Kilgariff e Grefenstette (2003: 342) affermano quindi che "All the "erroneous" forms exist, but much less often than the "correct" forms. The web is a dirty corpus, but expected usage is much more frequent than what might considered as noise".

Lo scopo principale che ci interessa per il nostro ambito di ricerca è considerare il web uno strumento utile al lavoro del traduttore. I traduttori hanno infatti trovato nel web uno strumento utile per cercare come una determinata parola o frase viene usata all'interno di un contesto e quale è la sua frequenza d'uso (Volk, 2002).
Inoltre nel web si possono trovare i testi paralleli, che hanno avuto un ruolo importante nella traduzione automatica e nel trattamento automatico del linguaggio.
Resnik (1999) a tal proposito ha sviluppato un metodo per ricercare automaticamente i testi paralleli nel web, chiamato STRAND. È un'architettura per structural translation recognition, acquiring natural data. Il suo obiettivo è quello di individuare coppie di pagine web che sono traduzioni reciproche, attraverso diverse strategie e filtri.

Il web offre quindi molte risorse non solo come corpus, ma permette di trovare qualsiasi tipo di informazione. Per quanto riguarda la traduzione di testi o parte di essi, da parte di utenti generali o traduttori professionisti, il web permette non solo di consultare diverse tipologie di dizionari e altri strumenti linguistici come banche dati terminologiche, corpora ecc, ma anche di utilizzare i sistemi di traduzione automatica gratuiti.