Primeros pasos hacia la corrección gramatical y ortográfica en gallego con LLM mediante la creación de conjuntos de datos sintéticos

Abstract

[Resumen] Este trabajo aborda la corrección gramatical del gallego mediante modelos de lenguaje, sistemas entrenados con grandes colecciones de texto capaces de generar y transformar oracio- nes. Ante la falta de corpus anotados, se recurrió a la creación de datos sintéticos, ejemplos construidos artificialmente para simular errores y correcciones. Se diseñaron dos conjuntos: el Dataset A, con oraciones que incluyen uno o dos errores breves y tipificados acompañados de explicación, y el Dataset B, elaborado en dos etapas, primero con variantes correctas generadas a partir de oraciones de referencia y después con errores añadidos de forma controlada junto a un registro de cambios. Ambos se usaron para ajustar un modelo multilingüe, cuya evaluación mostró el potencial de los datos sintéticos para entrenar correctores en gallego.[Abstract] This work addresses grammatical error correction in Galician using language models, sys- tems trained on large text collections capable of generating and transforming sentences. Given the lack of annotated corpora, synthetic data were created, i.e., examples artificially construc- ted to simulate errors and corrections. Two datasets were designed: Dataset A, with sentences containing one or two brief, typified errors accompanied by an explanation, and Dataset B, deve- loped in two stages, first with correct variants generated from reference sentences and then with errors added in a controlled way together with a record of changes. Both were used to fine-tune a multilingual model, whose evaluation showed the potential of synthetic data to train grammar correctors in Galician.