José Manuel Fradejas Rueda
Universidad de Valladolid
La estilometría es el análisis estadístico de textos y trata de identificar semejanzas y diferencias entre ellos para agruparlos de acuerdo con sus características lingüísticas con el objetivo de detectar señales estilísticas que puedan servir para establecer su autoría, su ubicación genérica, sus orígenes, estilo…
Este tipo de análisis se ha empleado básicamente para los problemas de autoría y he podido comprobar y demostrar que funciona con textos en lengua española contemporánea (Fradejas Rueda 2016a). Y me preguntaba si estos métodos serían válidos para textos de épocas pasadas. Ya teníamos los ensayos de Rissler-Pipka (2016a y 2016b) con el llamado Quijote de Avellaneda y una nota breve sobre el Lazarillo (Fradejas Rueda 2016b), textos que se encuentran fácilmente estandarizados o canonicalizados, es decir, regularizados en sus aspectos gráficos. La pregunta era si sería posible utilizar estos métodos con textos medievales.
Las primeras pruebas que hice –y que presenté durante el XXXV Romanistentag de Zürich (octubre 2017; Fradejas Rueda en prensa)– permitieron ver que pueden utilizarse tanto ediciones críticas como transcripciones de manuscritos y que los resultados no variaban en casi nada (figura 1)1. La razón es que los elementos en los que se basa este tipo de análisis son los menos proclives al cambio y a los problemas de copia y ortográficos: artículos, preposiciones, conjunciones…, es decir, las palabras de función, unos pequeños elementos a los que pocos prestan atención, que son prácticamente imposibles de manipular puesto que ningún autor (hablante, copista) es capaz de controlar cómo y cuándo utilizamos cada palabra de función y que son los auténticos marcadores del estilo de un autor.
Obtener textos en formato electrónico no es tarea sencilla. La gran mayoría de los textos antiguos se hallan en formatos impresos y cuando los hay en formato digital han podido sufrir todo tipo de modificaciones incontroladas, como es el caso de los muchos textos medievales y clásicos españoles recogidos en la Biblioteca Virtual Miguel de Cervantes (Fradejas Rueda 2016c) o siguen un sistema de codificación no estandarizado, como es el sistema de transcripción del Hispanic Seminary of Medieval Studies (manual de transcripción).
Este último sistema no fue creado para que los investigadores leyeran los textos directamente –de ahí el denuesto que hacia él han mostrado algunos investigadores– sino para ser tratados por los ordenadores puesto que se transcribieron y codificaron con el objeto de tener los datos puros y no mediatizados para un diccionario del español medieval (Dictionary of Old Spanish Texts). Lo cierto es que esta es la única fuente fiable de transcripciones digitales de textos medievales españoles, un ingente corpus que en la actualidad es accesible por medio de la Biblioteca Digital de Textos del Español Antiguo (BiDiTEA) y que en futuro tendrá un complemento en el Old Spanish Text Archive (OSTA), que permitirá acceder a esos mismos textos etiquetados morfológicamente y permitirá búsquedas complejas dentro de dicho corpus.
Entre las varias colecciones, o subcorpus, que constituyen la BiDiTEA se encuentra la Obra en prosa de Alfonso X el Sabio, que está constituida por 21 textos que sumados contienen 3.334.643 palabras-token, o palabras gráficas, es decir, cada una de las palabra que hay entre límites de palabra (espacios en blanco y signos de puntuación) y que se pueden ver en la tabla 1.
Fecha |
Título |
Biblioteca |
1201-1400 | General estoria V | Escorial: Monasterio I.I.2 |
1250-1250 | Libro de las animalias | Madrid: Nacional RES/270 |
1250-1279 | Lapidarios de Alfonso X | Escorial: Monasterio h.I.15 |
1254 -1254 | Judizios de las estrellas | Madrid: Nacional MSS/3065 |
1254-1260 | Cánones de Albateni | Paris: Arsenal 8322 |
1254-1260 | Tablas de Zarquiel | Paris: Arsenal 8322 |
1256-1256 | Picatrix de Alfonso X | Roma: Vaticana Reg. Lat. 1283 |
1256-1265 | Libro de las leyes | London: British Library Add. 20787 |
1259-1259 | Libro de las cruzes | Madrid: Nacional MSS/9294 |
1270-1284 | Estoria de España I | Escorial: Monasterio Y.I.2 |
1272-1275 | General Estoria I | Madrid: Nacional MSS/816 |
1276-1279 | Libro de las formas y de las imágenes | Escorial: Monasterio h.I.16 |
1277-1277 | Libro del cuadrante señero | Paris: Arsenal 8322 |
1277-1277 | Libros del saber de astronomía | Madrid: Universidad Complutense BH MSS 156 |
1280-1280 | General estoria IV | Roma: Vaticana Urb. Lat. 539 |
1283-1283 | Libros de ajedrez, dados y tablas | Escorial: Monasterio T.I.6 |
1284-1347 | Estoria de España II | Escorial: Monasterio XI.I.4 |
1301-1350 | Setenario | Toledo: Biblioteca Capitular 43-20 |
1301-1350 | General estoria VI | Toledo: Biblioteca Capitular 43-20 |
1301-1400 | General estoria II | Madrid: Nacional MSS/10237 |
1401-1500 | General estoria V | Escorial: Monasterio R.I.10 |
Tabla 1. Textos que conforman el Scriptorium alfonsí, con indicación de la fecha de copia, título y biblioteca en la que se conserva
Otra colección de interés para nuestro proyecto es la de Textos legales españoles porque entre ellos se encuentra una transcripción completa de la edición de 1491 de las Siete Partidas, texto central en nuestro proyecto.
Se descargaron todos estos textos y se procedió a su limpieza, es decir, a la eliminación de las etiquetas y metadatos que contienen (indicaciones de folio, columna, títulos corrientes, rúbricas, reclamos, signaturas, iniciales, imágenes, etc.) y se analizaron con el paquete stylo (Eder, Rybicki & Kestemont) escrito en el lenguaje de programación R (R Development Core Team 2008).
El primer análisis fue un análisis de grupos para ver cómo se relacionaban entre sí las distintas obras del scriptorium. Y el resultado fue verdaderamente sorprendente. Con un análisis que solo contemplaba las 100 palabras más frecuentes (MFW) se obtuvo el dendrograma correspondiente (Figura 2).
Lo más interesante es ver cómo con solo las cien palabras más frecuentes (100 MFW), el sistema ha podido agrupar las obras en dos grandes grupos que se corresponden con un dato externo incontestable e inequívoco2: los textos del grupo de la izquierda tienen como fuente básica textos que son traducción de otros latinos, mientras que los de la derecha son todos traducciones de textos árabes.
Si se aumenta la base del análisis a las 3000 palabras más frecuentes (3000 MFW) y se aplica la misma fórmula de cálculo, los resultados no varían en su conjunto, como puede verse en el dendrograma recogido en la figura 3.
La única consecuencia importante es que se han intercambiado las dos grandes ramas y se han reorganizado las hojas (el lugar que ocupa cada texto dentro del árbol), pero esto es totalmente asignificativo puesto que lo importante son las distancias, que vienen indicadas por la longitud de las líneas verticales, que son idénticas3.
Durante el Colloque international Las Siete Partidas: une codification normative pour un nouveau monde, celebrado en la Casa de Velázquez (2-4 de noviembre de 2017), al escuchar la comunicación de los profesores Ignacio Czeguhn y José Antonio López Nevot sobre «Las ediciones de las Partidas en el siglo XVI» y los problemas de las versiones de las Primera y Segunda Partidas, hice un nuevo análisis de grupos aplicado esta vez solamente al texto de las Siete Partidas. Para ello tomé la transcripción del Hispanic Seminary of Medieval Studies, la limpié de los códigos metatextuales (referencias a folio, columna, reclamos, títulos corrientes, marcas de iniciales y de rúbrica) y la dividí en siete segmentos, uno por cada una de las siete partidas que constituyen la obra completa. De cada uno de los ficheros se eliminaron del texto las Adiciones y Concordancias añadidas por Montalvo para evitar que el estilo de este pudiera interferir en el de las Siete Partidas. En un primer análisis se analizaron las cien palabras más frecuentes (100 MFW4), y el resultado fue que la Primera y la Segunda Partida se agrupan entre sí frente a las cinco restantes, como puede observarse en el dendrograma de la figura 4.
Para comprobar si la agrupación es robusta, se pueden realizar varios ensayos cambiando el número de palabras que considera en cada pasada, 100, 200, 300, etc. Establecí que creara el dendrograma diez veces y en cada pasada aumentara en 100 el número de palabras más frecuentes. El resultado, normalmente, habrían sido diez dendrogramas pero todos esos árboles no nos habrían dejado ver el bosque, por lo que se le pidió a stylo que realizara un árbol de consenso, es decir, que estableciera por un consenso estadístico qué distancia existe entre cada una de las Siete Partidas. El árbol de consenso ofrecía el mismo resultado que el dendrograma para las 100 MFW, como se puede ver en la figura 5.
La Primera y la Segunda Partidas forman un grupo netamente diferenciado del resto. Puesto que los elementos que se tienen en cuenta para este análisis son las palabras más frecuentes, y estas son las palabras llamadas de función, y sobre las que los autores, copistas y editores no tienen control alguno, la conclusión que se puede extraer es que en las Siete Partidas hay dos estilos netamente diferenciados: un grupo lo constituyen la Primera y Segunda Partida y otro las cinco restantes. Lo que parece concurrir con la visión historiográfica tradicional.
Sin embargo, aún hay pequeños misterios que rodean al texto de la Siete Partidas y que podrían ser desvelados por medio de análisis estilométricos, como por ejemoplo si existen tres versiones distintas de la Primera Partida, como se viene sosteniendo tradicionalmente (Craddock 1974 y 1981), y qué testimonios conforman cada una de estas versiones.
Bibliografía
Alvar, Carlos y Sara Finci (eds.) (2007). Juan Manuel, Obras completas. Madrid: Biblioteca Castro.
Büttner, Andreas, Friedrich Michael Dimpel, Stefan Evert, Fotis Jannidis, Steffen Pielström, Thomas Proisl, Isabella Reger (2017). «Delta in der stilometrischen Autorschaftsattribution». Zeitschrift für digitale Geisteswissenschaften, 2: DOI: 10.17175/2017_006
Craddock, Jerry (1974). «La nota cronológica inserta en el prólogo de las Siete Partidas». Al-Andalus, 39: 363-390.
Craddock, Jerry (1981). «La cronología de las obras legislativas de Alfonso X el Sabio». Anuario de Historia del Derecho Español, 51: 365-418.
Eder, M., Rybicki, J. and Kestemont, M. (2016). «Stylometry with R: a package for computational text analysis». R Journal, 8(1): 107-121.
Fradejas Rueda, José Manuel (2016a). «El análisis estilométrico aplicado a la literatura española: las novelas policiacas e históricas», Caracteres. Caracteres. Estudios culturales y críticos de la esfera digital, 5/2.
Fradejas Rueda, José Manuel, (2016b). «Estilometría, un ámbito por descubrir», en Laboratorio de Innovación en Humanidades Digitales, UNED (2016.1108).
Fradejas Rueda, José Manuel (2016c). «Lingüística forense y crítica textual. El caso Ayala–Cervantes», Signa,25 (2016), págs. 193-220. https://doi.org/10.5944/signa.vol25.2016.16927.
Fradejas Rueda, José Manuel (en prensa). «Estilometría y la edad media castellana», en Nanette Rissler-Picka (ed.), Stil und Stilometrie in der Romania, Romanische Studien Behefte.
R Development Core Team (2008). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria.
Rissler-Pipka, Nanette (2016a). «Avellaneda y los problemas de la identificación del autor. Propuestas para una investigación con nuevas herramientas digitales». Ed. Hanno Ehrlicher. El otro Don Quijote. La continuación de Fernández de Avellaneda y sus efectos. Ausburgo: Institut für Spanien, Portugal- und Lateinamerikastudien (ISLA). pp. 27-51.
Rissler-Pipka, Nanette (2016b). «Der falsche Quijote? Autorschaftsattribution für spanische Prosa der frühen Neuzeit», DHd 2016 Modellierung, Vernetzung, Visualisierung, pp. 212-217. <http://dhd2016.de/boa.pdf> (17/6/2016).
CITA
Fradejas Rueda, José Manuel (2019.04.04), «Alfonso X y la estilometría», https://7partidas.hypotheses.org/1072 [fecha de acceso]
NOTAS
- En otras lenguas, como el alemán medieval, hay un alto ruido. Cfr. Büttner et al. 2017. Otra cuestión es cuando el llamado sistema alfonsí se desbarate, en ese caso habrá que recurrir a la normalización o canonicalización de los textos, como está sucediendo en los experimentos que se están llevando a cabo con el teatro del Siglo de Oro. [↩]
- Acceso al fichero con las cien palabras consideradas por el sistema. [↩]
- Puede haber dendrogramas horizontales en los que las etiquetas identificadoras están a la derecha de la imagen; en este caso lo importante son las líneas horizontales. [↩]
- Acceso al fichero con las cien palabras consideradas en el análisis. [↩]