Una imagen que vale 500.00 millones de palabras
Alguna vez Séneca
supo decir que el andar entre muchos libros disipaba el espíritu. Claro que sus
discursos cobraban vida a partir de una positividad muy diferente a la de
nuestra contemporaneidad, y aunque aún hoy hablando de infoxicación y
otros hastíos convocamos resonancias antiguas, nuestras disipaciones emergen de
un a priori histórico (Foucault,
1970) muy distinto que el que habitaba el autor de aquella máxima.
A tal punto que lo que hasta hace poco tiempo seguía siendo una
verdad universal, hoy se resignifica. Con estrategias de lectura como la
distante (distant reading) propuesta
por Moretti y la asistencia de potentísimos algoritmos capaces de leer y
devolvernos fenómenos invisibles para el ojo del lector humano (reading
machines). Diríamos que más que
disipar el espíritu también es capaz de cultivarlo.
Del mismo modo una imagen ya no sólo puede valer más que mil
palabras, como versaba el viejo aforismo, sino que también puede ser el equivalente de 500.000 millones de
palabras como es el caso de los gráficos devueltos por N-gram cada vez que le formulamos
alguna pregunta. El corpus que usa la segunda versión disponible desde el 2012
alcanza los 20 millones de libros (casi un 10% de todos los libros publicados
en todas épocas).
Nunca antes la humanidad fue capaz de procesar semejante
elefantismo bibliográfico.
Culturonomía para todos
En diciembre de 2010, Google lanzó una herramienta en línea para
el análisis de la historia de la lengua y la cultura que explora el gigantesco
corpus de textos históricos escaneados y digitalizados como parte del proyecto
de Google Books. Lo llamaron Ngram Viewer, y fue presentado al
mismo tiempo con un
paper en la revista Science (que luego sería revisitado en una breve,
intensa y entretenida conferencia TED) donde los
autores anunciaban un neologismo que refería al incipiente campo de
investigación en el que el nuevo artefacto se inscribiría: "culturomics".
Allí lo definían como la
aplicación de la recopilación de datos y el análisis de alto rendimiento para
el estudio de la cultura humana, extendiendo los límites de la investigación
cuantitativa rigurosa a una amplia gama de nuevos fenómenos que abarcan las
ciencias sociales y las humanidades.
Siguiendo esta definición N-Gram fue pensado en sus inicios para
ser puesta al servicio de lingüistas,
lexicógrafos e historiadores para el análisis de la historia de la lengua y
la cultura. Una herramienta de investigación para especialistas.
Lo que no se imaginaron era que su popularidad se extendiera entre
los usuarios casuales como lo hizo. Según los datos ofrecidos por Google más de
45 millones de gráficos de comparación de palabras fueron creados tan solo en sus
primeros 22 meses de vida.
Incorporando operadores a nuestras búsquedas
Hace un tiempo nos sorprendíamos de lo que podíamos
hacer con N-gram al utilizarlo como generador de indicios históricos en el
ámbito de la ciencia. En ese entonces quedamos entusiasmadísimos de lo que lográbamos
con tan poco y la potencia que esta
aplicación tendría abriéndola al juego de la imaginación de un colectivo de
personas ocupadas en sacarle un provecho creativo.
Lo que no sabíamos entonces era que como en toda buena interfaz
para los tiempos de barbarie que corren (Baricco, 2008) la puerta de entrada es sencilla pero la invitación a desarrollar un
uso más complejo está siempre abierta.
Para esto N-gram ofrece una serie de operadores, elementos que se incorporan a nuestras estrategias de
búsqueda permitiendo complejizarlas y mejorarlas, que expanden notablemente
sus posibilidades interrogatorias. Estos se organizan en tres categorías: tags sintácticos, corpus y matemáticos.
Tags sintácticos
Todas las palabras en el
Corpus Ngram han sido etiquetadas de acuerdo al modo en que estas forman parte
de una oración, tales etiquetas (tags) a su vez también pueden incluirse en
la búsqueda (aún no está funcionando para el corpus en español, pero de seguro
no se demorarán mucho en ponerlo a disposición).
Por ejemplo, se pueden indagar los usos de un término como Verbo
(término_VERB) y al mismo tiempo como sustantivo (término_NOUN).
Veamos un ejemplo.
En este caso hemos pedido que rastree en el corpus en inglés las
veces en que la palabra “orange” (la cual puede designar un atributo de color o
referirse al nombre de una fruta) aparece utilizada como sustantivo por un lado y como adjetivo por otro.
Incorporemos un operador sintáctico más a nuestro ejemplo y al
caso de la búsqueda de “Orange” como sustantivo vamos a agregarle un término
que nos devuelva los resultados respecto de la cantidad de veces que este
nombre aparece precedido por un artículo. De manera que tendremos tres resultados
(líneas) a comparar: _ADJ_ orange (orange como adjetivo), _NOUN orange (orange
como sustantivo), y _DET_ _NOUN_ orange (orange como sustantivo precedido de un
artículo).
Lo interesante de este último ejemplo es la inserción de un
campo variable ya que _DET_ no se refiere ningún artículo en particular sino a
cualquiera de ellos que se inserten en una oración antecediendo a la palabra "orange" utilizada como sustantivo.
Otros de los operadores sintácticos, _START_ y _END_, nos
permiten señalar que la búsqueda se ciña a los casos en que los términos
rastreados se comporten como comienzo o cierre de oración.
Para obtener información y ejemplos sobre el uso de los
operadores pueden visitar la sección info de N-gram.
Corpus
Los operadores
de corpus nos permiten realizar un ejercicio muy interesante que ensancha
notablemente las posibilidades de la aplicación como lo es el contrastar en un sólo
gráfico la búsqueda de un mismo o de diferentes términos en corpus de distintos
idiomas.
En el ejemplo de arriba vemos cómo se comportan las menciones
del nombre de Michel Foucault en francés, español, alemán en ingles
simultáneamente.
Operadores matemáticos
Por último encontramos los operadores matemáticos que probablemente
sean los que realizan la maniobra más extraña que se nos hubiera ocurrido jamás
como el aplicar operaciones aritméticas
a las palabras.
En este primer caso vamos
ver cómo funciona el operador
suma.
En el gráfico de arriba vemos como las citas de Sigmund Freud
superan ampliamente a la de otros personajes ligados al análisis de la psiquis
humana a punto tal que ni las suma de todos ellos logran siquiera igualar a las
del padre del psicoanálisis.
En el caso del operador
resta funciona siguiendo la misma lógica que el operador suma pero
aplicando una substracción del volumen de resultados del término de la derecha
al volumen de resultados del término de la izquierda.
El caso de la multiplicación
(el último de los operadores que revisaremos en este post) resulta muy útil al
momento de confrontar el comportamiento de curvas de resultados cuyos volúmenes
son muy disímiles. En ese caso, al volumen más pequeño se le aplica un
multiplicador como se muestra en el ejemplo de abajo en el que se comparan el
volumen de resultados para la palabra violín y la palabra ukelele. Esta última
con un multiplicador de 100.
Finalmente y con la idea de que experimentemos con esta simple pero
potentísima herramienta diseñamos un tutorial interactivo que dejamos a disposición en la imagen que sigue.
 |
| Click en la imagen para acceder al tutorial |
Los invitamos a que compartan los resultados de sus experimentos
en los comentarios de este post.
Sigamos aprendiendo!!!
Enlaces relacionados:
Enlaces relacionados:
- Apostillas sobre analítica cultural. Jugando con N-gram
- Tutorial interactivo: http://sdrv.ms/11GFTYX
