PEQUEÑO PASEO LEXICOGRÁFICO

Imagen: Catálogo de pajaritos sumerio de hace muuucho tiempo. Tomada de la sección lexicográfica de la página web de la colección Schoyen.

Como lo había mencionado antes, me puse a bajar texto de unos cuantos blogs (5) para ver qué resultados de co-ocurrencia de palabras salen, con mi programita. Quería hacer eso también con el blog del Juglar del Zipa, pero resultó que tiene demasiado pocas palabras. Para llenar el hueco metodológico, decidí más bien recurrir a nuestro amigo Addiction Kerberos. Tomé el texto de "Crónicas desde el Trasero del mundo", pero increíblemente no resultó suficiente, por lo que acudí a "Joural Malédiction". Como me dio pereza romperme la cabeza escogiendo la fuente de los textos, tomé ese, dos blogs del prolífico y prostático Jaime Ruiz ("Pensemos" y "Vislumbrando el Milagro Colombiano") el de Alejandro Gaviria y el de Alejandro Peláez (Machete), blogs que visito con alguna frecuencia.

Como de costumbre, la matriz de coocurrencia (una columna para cada palabra, una fila para cada palabra, y en cada sitio el número de veces que salen en una misma vecindad) es descepcionantemente poco poblada. Por eso hacen falta archivos muy grandes. Sin embargo, algo se puede ver en ésta. Aquí están algunas palabras que suelen aparecer juntas en al menos dos de dichos blogs:

PALABRA 1	PALABRA 2	AGAVIRIA	KERBEROS	MACHETE	PENSEMOS PB	PAIS BIZARRO
colombianos	somos	1	0	0	268	0
colombianos	desarrollo	0	0	1	0	161
mucho	muchos	151	0	0	0	1
colombiana	riqueza	0	0	0	122	7
colombiana	evidente	1	0	0	0	84
estado	unidos	68	0	0	1	0
colombia	colombiana	66	0	0	1	0
colciencias	mejor	0	16	50	0	0
pasa	pasado	55	0	0	0	2
pública	veces	1	0	0	51	0
harvard	semana	0	0	0	2	50
prensa	últimas	1	0	0	50	0
colciencias	mientras	0	5	39	0	0
blog	orden	0	0	0	43	1
paz	tecnología	0	0	0	1	38
medios	parece	0	0	0	4	31
materia	ricos	1	0	0	34	0
colombianas	público	0	0	0	32	3
colombianas	medios	0	0	0	26	8
colombiana	rural	0	0	0	32	1

(para una lista un poco más completa, usted puede ir por allá)

El tamaño de los textos hace que estén más documentados los resultados de los dos blogs del gramático del régimen. Tomando en cuenta todas las co-ocurrencias y comparándolas con la medida de similaridad usual (el coseno entre los vectores) obtuve un resultado un poco extraño (mostrado acá como porcentajes de la raíz cuadrada del coseno entre vectores con todos los datos de co-ocurrencia):

	AGAVIRIA	KERBEROS	MACHETE	PENSEMOS PB	PAÍS BIZARRO
AGAVIRIA	100	17	12	14	15
KERBEROS	17	100	54	16	10
MACHETE	12	54	100	12	18
PENSEMOS	14	16	12	100	19
PAÍS BIZARRO	15	10	18	19	100

Tomé la raíz cuadrada porque los números, tal como salen, son demasiado pequeños entre palabras distintas, y no se pueden apreciar las diferencias bien. Aunque los resultados no muestran unas afinidades lexicográficas muy marcadas, hay una sorprendente entre nuestro amigo Alejandro Peláez y el atormentado Addiction Kerberos. Como diría Jaime Ruiz: ¿serán el mismo?

Con un poco de imaginación y con números en negrillas, uno puede ver que los blogs de don Jaime sí son más parecidos entre sí que con los otros tres, al menos. Y que todos los otros tres son, en general más parecidos entre sí que con los bizarros.

El esquema matemático que usé no es la gran cosa (leximancer, por ejemplo, haría algo muchísimo más sofisticado), y estoy trabajando en uno más sofisticado basado en la medición de la fidelidad de los canales de comunicación cuánticos, que tal vez de resultados más interesantes. Cuando lo tenga, lo pongo acá.

Veamos si con este ladrillazo espanto a mis tres lectores.

Hasta pronto.