¿Es posible conocer la autoría de una obra literaria por las palabras y la frecuencia de uso de éstas que contiene? Esta es una pregunta recurrente entre los estudios de obras que nos han llegado hasta hoy como anónimas y de las que se sospecha una autoría que no ha podido ser confirmada por estudios historico-literarios tradicionales.
Dos matemáticos y un físico,
DaríoBenedetto,
Emanuele Caglioti y
Vittorio Loreto de la
Universidad deLa Sapienza en
Roma, decidieron poner a prueba el algoritmo
Lempel-Ziv como método de identificación de creadores literarios. Su objetivo era identificar a los autores de obras
literarias. Noventa textos escritos por 11 autores italianos (entre
ellos
Dante Alighieri y
Pirandello) sirvieron como material de base.
Se elegía el texto de un autor determinado y se le unían dos
pequeños textos de igual tamaño: uno del mismo autor y otro de un
autor diferente. Se introducían estos archivos en un programa de
compresión, como el popular
WinZip, y los científicos comparaban
cuánto espacio de almacenamiento necesitaba cada uno. Conjeturaron
que la entropía relativa del texto combinado les daría una idea
sobre la autoría del texto anónimo. Si ambos eran obra del mismo
autor, el algoritmo necesitaría menos espacio de almacenamiento que
si el texto adjunto estaba escrito por otro diferente. En el segundo
caso, la entropía relativa sería mayor, dado que el algoritmo
tendría que considerar los distintos estilos y palabras usadas por
ambos autores. En consecuencia, necesitaría más espacio para
almacenar el archivo. Cuanto más pequeño fuera el archivo
comprimido de los dos textos combinados, más probable era que el
texto original y el adjunto pertenecieran al mismo autor. Los
resultados del experimento fueron francamente increíbles.
Cerca del
95% de las veces los programas de compresión permitieron identificar
correctamente al autor.
Seguramente embargados por la emoción
del éxito de su nuevo enfoque, los tres científicos no se dieron
cuenta, o al menos olvidaron mencionar en su bibliografía, que su
método no era tan original como creían. De hecho, no fueron los
primeros en pensar que los métodos matemáticos se podrían usar para atribuir textos literarios a
sus autores.
George Zipf, profesor de Lingüística en
Harvard, ya
había abordado temas como la frecuencia de palabras en 1932. Y el
escocés
George Yule había demostrado en 1944, en un artículo
titulado
Estudio estadístico del vocabulario literario, cómo había
podido atribuir el manuscrito
De imítatione Christi al conocido
místico
Tomás de Kempis, que vivió en los Países Bajos en el
siglo XV. Y por supuesto, hay que mencionar los
papeles federalistas del siglo XVIII, cuya
autoría por parte de
Alexander Hamilton,
Iames Madison y
Iohn Iay
fue determinada por los estadísticos americanos
R. Prederick
Mosteller y
David L. Wallace.
Dado que todo les había ido tan bien,
Benedetto, Caglioti y Loreto decidieron llevar a cabo otro
experimento. Analizaron los grados de afinidad entre lenguajes
diferentes. Dos lenguas que pertenezcan a la misma familia
lingüística deberían tener una entropía(1) relativa baja. Por tanto,
podría comprimirse de forma más eficiente una combinación de dos
textos escritos en lenguas que estén emparentadas que dos que
pertenezcan a familias diferentes. Los científicos analizaron 52
lenguas europeas. De nuevo, tuvieron éxito. Usando el programa de
compresión, pudieron clasificar cada lengua en su grupo lingüístico
correspondiente. El italiano y el francés, por ejemplo, tienen una
entropía relativa baja y por tanto pertenecen a la misma familia. El
sueco y el croata, por otro lado, tienen una entropía relativa alta
y por tanto han de provenir de grupos lingüísticos diferentes.
WinZip consiguió incluso identificar el maltés, el vasco y el
húngaro como lenguajes aislados que no pertenecían a ninguno de los
grupos lingüísticos conocidos.
El estudio completo se puede consultar en. Dario Benedetto, Emanuele Caglioti, Vittorio Loreto, "Language
Trees and Zipping", Phys.
Rev. Lett., 88, 048702 (2002)
(1)
Para entender la compresión de datos,
es necesario familiarizarse con el concepto de entropía.
En física, la entropía es una medida del
desorden de un sistema, por ejemplo un gas. En telecomunicaciones, la
entropía es una medida del contenido en información
de un mensaje. Un mensaje que consista, por ejemplo, en 1.000
repeticiones del número 0 tiene muy poco
contenido en información y una entropía
muy baja. Se puede comprimir a la pequeña formula 1000x0 Por otro lado, una secuencia totalmente aleatoria de unos y
ceros tiene una entropía muy alta. No se puede comprimir en
absoluto, y la única forma de almacenar dicha secuencia es
repitiendo todos sus caracteres. La entropía relativa indica cuánto
espacio de almacenamiento se ocupa si una
secuencia de caracteres se comprime, con un método que se había
optimizado para una secuencia diferente. El código
morse, concebido para el inglés, puede ser un ejemplo. La letra que
aparece mas frecuentemente en inglés, la e, obtuvo el código
mas corto: un punto. Las letras que aparecen menos obtienen códigos
mas largos, por ejemplo <<—.-» para la -q-. Para otras
lenguas, el código morse no es idóneo, porque
las longitudes de los códigos no corresponden con la frecuencia de
las letras. La entropía relativa mide entonces cuántos
puntos y guiones adicionales se necesitan para transmitir un texto,
digamos en italiano, con un código que
esta pensado para el inglés.
La mayoría de las rutinas de
compresión de datos estén basadas en algoritmos desarrollados a
finales de los años setenta por dos científicos
israelíes
del
Technion en
Haifa. El método que desarrollaron
Abraham Lempel,
informático, y de
Jacob Ziv, ingeniero
electrónico, se basa en el hecho de que en
un archivo aparecen secuencias idénticas de bits y bytes. La primera
vez que una secuencia aparece en el texto, se introduce en una
especie de diccionario. Cuando vuelve a aparecer la misma secuencia,
un marcador
señala el lugar adecuado del
diccionario. Dado que el marcador ocupa menos espacio que
la
secuencia, el texto se comprime. Pero aún hay mas. La
distribución de la tabla que lista todas las secuencias no sigue las
reglas de
clasificación de un diccionario
normal, si no que se adapta al archivo en concreto que queremos comprimir. El algoritmo <<aprende>>
a distinguir qué secuencias aparecen mas a menudo y adapta la
compresión a ellas. Cuando el tamaño del
archivo aumenta, el espacio necesario para almacenarlo crece hacia
la
entropía del texto.
.png)
