Proyecto «Angarmegia: Ciencia, Cultura y Educación». Portal abierto y colaborativo de Investigación y Docencia

/

El hecho de que las lenguas estén integradas por elementos discretos permite diversos ejercicios de identificación y segmentación mediante la aplicación de determinados criterios de clasificación. Estas operaciones facilitan los procesos para cuantificar las células que las componen, fijar su organización y establecer su estructura jerárquica. Resultan, por tanto,  esenciales en la búsqueda de lo característico y diferenciador de cada una de ellas, en la comprensión de los principios o leyes sobre los que asientan sus mecanismos de comunicación y en la explicación de sus modelos relacionales.

La necesidad de alcanzar conclusiones más precisas, objetivas  y científicamente irrefutables, abre la puerta de la lingüística al tratamiento de los números que  resultan de ese tipo de análisis mediante la aplicación de  métodos estadísticos adecuados. El más antiguo indicador utilizado en el campo léxico, como se ha relatado en las páginas anteriores, se fundamenta en el recuento de las frecuencias absolutas y relativas de empleo de unidades léxicas. Nacen de aquí los primeros listados de palabras ordenadas en razón de la frecuencia de aparición en textos y conversaciones que serán el soporte de  los diccionarios de vocabulario básico.

López Morales [LÓPEZ MORALES. 1986] llega a diferenciar  cuatros tipos distintos de diccionarios[1]. Habla de diccionarios normativos que catalogan un gran número de términos e incluyen arcaísmos, regionalismos, tecnicismos y cultismos. Se constituyen en el  inventario del legado léxico de una comunidad de habla. Junto a ellos distingue las listas de frecuencia que recogen sólo los vocablos vivos, los más comunes en el seno de la colectividad, aquellos que son generalmente utilizados y mayoritariamente comprendidos. Estos vocablos se ordenan estableciendo una jerarquía de acuerdo a la cantidad de veces que se repiten en un texto. Ponen de manifiesto la limitación de los hablantes a la hora de manejar el caudal léxico de su propia lengua. El grupo tercero lo constituyen los diccionarios de léxico básico que resultan de recuentos selectivos. En este caso se contabilizan las palabras  en  mundos diferentes delimitados en función de la clase de texto generado o de las condiciones en que se produce. Se matiza aquí la frecuencia con factores nuevos como la dispersión o el uso. El último modelo que enumera López Morales, la disponibilidad léxica, nace con la intención de organizar las palabras atendiendo a su facilidad para aparecer ligadas a temas de comunicación y situaciones particulares muy concretas. La frecuencia, en ellos,  deja de ser, al menos en teoría, el criterio dominante para la ordenación.

Al mismo tiempo que la lingüística se interesa por el recuento de las frecuencias, la psicología descubre que la frecuencia de uso  está en íntima relación con fenómenos de orden psicológico como la rapidez y  exactitud en  la percepción de las palabras y el tiempo de reacción verbal. Miller [MILLER. 1956:273] establece experimentalmente una correlación de 0.70 entre frecuencia de uso y percepción y destaca lo sorprendente que resulta una “correlación tan íntima cuando se observa que las dos evaluaciones - frecuencia y umbral - provienen de fuentes distintas”.

El umbral de percepción es una medida que conecta sensación y percepción. La sensación se refiere a las experiencias inmediatas básicas generadas por los estímulos simples [MARTÍN y FOLEY. 1996]. Es la respuesta de los órganos de los sentidos frente a un estímulo [FELDMAN, R. 1999]. La percepción  se encarga de descifrar esas sensaciones dándoles significado y organización [FELDMAN, R. 1999]. Implica, en consecuencia, la actividad del cerebro.  Se denomina  umbral de percepción a la cantidad mínima de estímulo necesario para que sea detectado por los sentidos y enviado al cerebro para su interpretación y respuesta. Por ejemplo, el umbral de percepción de un sonido  está establecido, para el individuo medio y en condiciones de silencio, en la detección del tic-tac de un reloj de pulso a siete metros de distancia.

El concepto de tiempo de reacción se considera, en  Psicología, acuñado por Gustav Theodor Fechner, también conocido bajo el seudónimo de Dr. Mises  [FECHNER, G. 1860; edición inglesa de HOWES, D. 1961. Traducción de ADLER,  H.]. Fechner es el autor de la teoría de la inferencia inconsciente de la percepción que  estima que las sensaciones no permiten el acceso directo a fenómenos ni a objetos, sino que sirven a la mente como señales de realidad.

La percepción requiere un proceso lógico y activo por parte del perceptor que utiliza la información suministrada por la sensación para inferir las propiedades de los fenómenos u objetos y responder en consecuencia. Formula al respecto, en lo que es su principio más famoso, que la intensidad de una sensación se incrementa a lo largo del estímulo (S = k log R) para caracterizar las relaciones psicofísicas externas.

Al hacer esto, creyó haber alcanzado el camino para demostrar una verdad filosófica fundamental: que la mente y la materia son simples modos diferentes de concebir una misma realidad. Su pensamiento  es adoptado por la Psicología Cognitiva  que lo incorpora a sus experimentos.

Franciscus Cornelis Donders  hace pública en 1865 una comunicación preliminar sobre el tiempo de reacción en la que informa del trabajo que realiza con un estudiante, Johan Jacob de Jaager,  que concretará  su disertación doctoral en ese mismo año. Poco después, 1868, [DONDERS, F. 1868; en inglés 1969] defiende su generalización como procedimiento experimental  y lo aplica en el estudio del tiempo invertido por las operaciones mentales. Concluye que el tiempo de reacción es aditivo y evalúa por separado los tiempos necesarios para responder a  estímulos bajo condiciones de  decisión y de simple no decisión. Hoy son muchas las ramas de la ciencia que utilizan esta medida, aunque sin alcanzar la importancia que tuvo en los laboratorios psicológicos de la época. 

El cálculo de la frecuen­cia de uso de la palabra dentro de un idio­ma pasa, de esta manera,  a ser considerado por  lingüis­tas y psicólogos como un dato de primer orden en sus estudios y aplicaciones.

Se suele iniciar la relación histórica de esta clase de trabajo con  J. W. Kärding quien, en 1897, [KÄRDING. 1897] establece las palabras más usuales de la lengua alemana. Siguen Thorndike [THORNDIKE. 1921], que en 1921 hará algo parecido en lengua inglesa, Henmon, en 1924 [HENMON. 1924], en Estados Unidos, Buchanan en 1927 [BUCHANAN. 1941], Vander Beke [VANDER BEKE. 1935]...[2];  pero, sin duda,  la referencia  mayoritariamente aceptada como  esencial para el desarrollo de esta rama de la léxico-estadística es la investigación, mediado el siglo XX,  de Gougenheim y  sus colaboradores en Francia. Ellos publican, en 1956, unos listados de términos que resultan de valorar, mediante la frecuencia,  un extenso corpus de conversaciones  obtenidas por registro directo.

Después de la Segunda Guerra Mundial el inglés empieza a imponerse como el idioma de las comunicaciones internacionales y el francés se siente  amenazado. Francia necesita reforzar su posición en las colonias para restaurar su prestigio exterior, lo que hace cuestión de estado la enseñanza del francés como lengua extranjera. E­l Ministerio Nacional de Educación establece una comisión encargada de fijar los contenidos del “francés elemental”, rebautizado posteriormente “francés fundamental”. Gougenheim, el pedagogo Rivenc y Michéa asumen la máxima responsabilidad en la empresa de encontrar métodos que faciliten el aprendizaje de esta lengua y favorezcan su difusión El diccionario final  del francés elemental/fundamental recopila las palabras más frecuentemente usadas y su conocimiento pasa a ser la base  para la adquisición progresiva y racional del idioma.

Este enfoque es seductor en su principio, pero pronto aparecen voces críticas. Ya había advertido Michéa [MICHÉA. 1950:188-189] sobre la existencia de un vocabulario temático y otro  atemático.

La lectura atenta de cualquier serie  léxica basada en el recuento exclusivo de frecuencias evidencia que, al margen de las palabras llamadas gramaticales (artículos, preposiciones, pronombres...), las más habituales en cualquier discurso y ocasión, existen otras cuyo uso es más o menos relevante según el contexto, tema o materia de la conversación. Suelen ser vocablos que nombran objetos y actos inmediatos o muy cercanos al binomio hablante-oyente.

”Los lingüistas admiten que el cálculo de la frecuencia de uso está realmente fundamentado cuando se enumeran las palabras-herramienta, los verbos, los nombres susceptibles de aparecer en un texto o una conversación cualesquiera”. [FRAISSE, P. 1977a:187].

 El mismo Gougenheim [GOUGENHEIM. 1956] reconoce que el sujeto hablante dispone de dos vocabularios: el vocabulario de la frecuencia, que le suministra el marco de su discurso, y un inmenso vocabulario de disponibilidad en el que las palabras concretas se organizan con relación a sus necesidades.

 Surgen  intentos de encuadrar las frecuencias en estadios delimitados. Buchanan [BUCHANAN. 1941], por ejemplo, discrimina según siete áreas temáticas: obras dramáticas, novela, poesía, folklore, prosa, textos técnicos y textos periodísticos. Matiza la frecuencia con el concepto, ya explicado, de rango. Vander Beke [VANDER BEKE. 1935]  estima especialmente la aparición de una palabra en varios textos,...

 Pero será el hecho de avanzar en el conocimiento de  la metodología estadística, que revela vicios y omisiones en la recogida de muestras, junto a un mayor grado de exigencia y rigor en la formulación de hipótesis, lo que aconseje la búsqueda de otros indicadores y medidas capaces de  completar los recuentos de frecuencias. Afirma, en este sentido, Juilland [JUILLAND, A. 1964:V]:

“Originally we planned to add depth to our investigations by relying on data provided by available frequency dictionaries and graded word lists, those of Henmon, vander Beke, and Gougenheim for French; of Brown, Carr, and Shane for Portuguese; of Macrea for Rumanian; and of Buchanan, Rodríguez Bou, and García Hoz for Spanish. Unfortunately, we soon realized that these studies, mainly because of their limited pedagogical objective, were not suited to our purpose. Even frequency dictionaries and graded word lists compiled with discrimination and care were of little help, because differences in the sampling techniques, in the scanning procedures, in the computing methods, and in the weighting formulas disqualified the results as a sound basis for meaningful comparison and generalization”.

“Planeamos agregar profundidad a nuestras investigaciones confiando en los datos proporcionados por los diccionarios disponibles de la frecuencia y calificamos originalmente las listas de la palabra, las de Henmon, Vander Beke y Gougenheim para el francés, de Brown, de Carr, y de Shane para el portugués, de Macrea para el rumano y de Buchanan, de Rodríguez Bou, y García Hoz para el español. Desafortunadamente, pronto descubrimos  que estos estudios, principalmente debido a su objetivo pedagógico limitado, no servían a nuestro propósito. Incluso los diccionarios de la frecuencia y las listas clasificadas de  palabras compiladas con  discriminación y cuidado eran de poca ayuda, porque las diferencias en las técnicas de muestreo, en los procedimientos de la exploración, en los métodos que computaban, y en las fórmulas que aplicaban descalificaron los resultados como base adecuada para la comparación y la generalización significativas”.

La constatación de esta realidad abre otras líneas de investigación que se concretan en nuevos postulados. Se llega así al concepto de  dispersión para corregir posibles desviaciones debidas al azar u otras circunstancias con incidencia en la muestra analizada. Es el equipo de Juilland el que dará el giro definitivo a los estudios frecuentistas.  Y lo hacen en un proyecto que él mimo explica [JUILLAND, A. 1964:V] y justifica así:

“This volume inaugurates our Collection THE ROMANCE LANGUAGES AND THEIR STRUCTURES, devoted to the publication of the results of nearly a decade of investigations into the structure of the Romance languages undertaken with the help of electronic computors at the University of Pennsylvania from 1956 to 1961, and at Stanford University since 1961.

The general purpose of these investigations was to prepare structural frameworks, formal procedures, and programming routines designed to facilitate the use of computors in the descriptive, comparative, and historical study of the various aspects of natural languages; the more specific puipose is to use these frameworks, procedures, and routines in an exhaustive study of the phonological, grammatical, and lexical structuration of the five major Romance languages, French, Italian, Portuguese, Rumanian, and Spanish.

If the study of the paradigmatic relations which hold between invariants or classes of invariants in the System adds a second dimension to the "linear" study of syntagmatic relations that hold between variants in the Text, statistical data add the depth of a third dimension to the universe represented by the textual manifestations of a natural language. Though the importance of quantitative data for gaining a genuine insight into linguistic structuration has never been questioned, the gathering of statistical information by visual‑manual techniques was such a time‑consuming task in precomputor days, that it usually discouraged this type of inquiry”.

 “Este volumen inaugura nuestra colección los IDIOMAS ROMANCE Y SUS ESTRUCTURAS, dedicada a la publicación de los resultados de casi una década de investigaciones en la estructura de los idiomas romance emprendidas con la ayuda de computadores electrónicos en la universidad de Pensilvania a partir de 1956 y hasta 1961, y en la universidad de Stanford desde 1961.

Los fines generales de estas investigaciones eran preparar armazones estructurales, procedimientos formales, y las rutinas de programación diseñadas para facilitar el uso de computadoras en el estudio descriptivo, comparativo, e histórico de los varios aspectos de idiomas naturales; el propósito más específico es utilizar estos armazones, procedimientos, y rutinas en un estudio exhaustivo de la estructuración fonológica, gramatical, y léxica de los cinco idiomas, francés, italiano, portugués, rumano, y español, principales lenguas romance.

Si el estudio de las relaciones paradigmáticas que actúan entre los invariantes o las clases de invariantes en el sistema agrega una segunda dimensión al estudio ‘lineal’ de las relaciones sintagmáticas que celebran entre las variantes en el texto, los datos estadísticos agregan la profundidad de una tercera dimensión al universo representado por las manifestaciones textuales de una lengua natural. La importancia de los datos cuantitativos para ganar una penetración genuina en la estructuración lingüística nunca  ha sido cuestionada, sin embargo, la reunión de la información estadística por técnicas visual-manual era una tarea tan desperdiciadora de tiempo en los días del pre computador, que generalmente desalentó este tipo de investigación”.

Se trabaja, además, en encontrar fórmulas para determinar el coeficiente de uso que  relacione  frecuencia y dispersión. Se procede, para ello, a estratificar el conjunto léxico en cinco mundos o universos, constituidos por 100 000 palabras, delimitados por el contenido o las condiciones formales de los textos y seleccionados por procedimientos aleatorios. El índice de uso de cada término decidirá su  inclusión en los diccionarios básicos de la lengua[3].

“On the basis of sampling techniques established by modern statistics, each language was reduced to a body of about 20 000 to 25 000 sentences totalling about 500 000 words: samples of this size are large enough to be genuinely representative of the language under investigation, and small enough to be economically processable by electronic means. To insure the representative character of a "standard contemporary universe", each was divided into five equal "worlds" of about 100 000 words: 1) plays, consisting exclusively of dialogue and approximating best the spoken language; 2) fiction, consisting of novels and short stories; 3) prose, consisting of essays, memoirs, correspondence, etc.; 4) periodicals, consisting of dailies, weeklies, and monthlies; and 5) technical literature, consisting of writings on medicine, engineering, physics, botany, etc. For each of these genres, worlds of about 5 000 sentences totalling out 100 000 words were selected by random selection”.

“Tomando como base las técnicas de muestreo establecidas por la estadística moderna, cada lengua fue reducida a un cuerpo entre 20 000 y 25 000 oraciones que sumaban cerca de 500 000 palabras: las muestras de este tamaño son lo suficientemente grandes para ser  genuino representante de la lengua bajo investigación y bastante pequeñas para ser económicamente procesables por medios electrónicos. Para asegurar el carácter representativo de un ‘universo’ contemporáneo estándar cada uno fue dividido en cinco ‘mundos’ iguales de cerca de 100.000 palabras cada uno: 1) juegos, consistiendo exclusivamente en diálogos lo más aproximado posible a la lengua hablada; 2) ficción, novelas que consisten en historias cortas; 3) prosa, ensayos que consisten en memorias, correspondencia, etc.; 4) periódicos, diarios, semanarios y publicaciones mensuales; y 5) literatura técnica, escritos sobre medicina, ingeniería, física, botánica, etc. Las cerca de  5 000 oraciones que sumaban más de 100 000 palabras, para  cada uno de los géneros  que integraban estos mundos  fueron designadas por selección al azar”. [JUILLAND, A. 1964:VI]

En relación con el algoritmo metodológico que adopta, expone  [JUILLAND, A. 1973:XXXV]  la  necesidad de refinar las técnicas de cuantificación al demostrarse que fallan las primeras intuiciones de lexicógrafos y estadísticos cuando identifican uso en el idioma con frecuencia y ordenan, en consecuencia,  las palabras según coeficientes iguales, o proporcionales, al número de sus ocurrencias en la muestra. Propone como correctivo varias técnicas basadas en el concepto de dispersión. El cálculo que utiliza el equipo de Juilland es la desviación estándar respecto a la media estadística [JUILLAND, A. 1973:XXXVI-XXXVIII].