Un catálogo sin genealogía

La lingüística histórica tiene un instrumento poderoso y caro. Reconstruye protoformas, establece correspondencias, produce árboles. Funciona, y lleva dos siglos funcionando.

Pero se ha aplicado con una desigualdad enorme. En el corpus sobre el que trabaja esta serie hay 225 macrosistemas, y los juicios de parentesco revisados por expertos existen para uno. Uno de 225.

De ahí se sigue algo incómodo que conviene decir antes que nada: cualquier estudio comparativo que se apoye en la capa histórica del léxico medirá, sin quererlo, la densidad de la bibliografía comparatista y no el pasado de las lenguas.

La pregunta de esta serie es si se puede hacer algo útil renunciando a la reconstrucción. No mejorarla ni sustituirla: prescindir de ella y ver qué queda.

Lo que queda

Queda un objeto más modesto y mucho más barato: un catálogo de códigos consonánticos.

Se construye con tres cosas y sólo tres — el esqueleto consonántico de una forma, el concepto que expresa, y el requisito de que la coincidencia se dé en al menos tres lenguas distintas. Nada más entra. No entra ninguna clasificación en ramas, ninguna protoforma, ninguna lista de cognados, ninguna hipótesis sobre qué desciende de qué.

El procedimiento no sabe que las familias tienen ramas.

La genealogía entra al final, y sólo para leer lo que salió. Cuando se cruzan los códigos con las etiquetas de rama, se hace sobre un catálogo ya cerrado, y la pregunta no es «¿qué códigos predice la clasificación?» sino la inversa: ¿reencuentra el catálogo, por su cuenta, algo que la clasificación reconoce?

Ese orden no es una preferencia estilística. Es lo que hace que el instrumento sirva allí donde no hay reconstrucción, que es exactamente para lo que se diseñó. Un método que necesitara la clasificación para construir su catálogo no podría aplicarse justo donde hace falta.

Lo que no se intenta

El objeto es fácil de sobreinterpretar, así que conviene acotarlo con precisión.

No se reconstruyen protoformas. Ninguna forma ancestral, ni siquiera implícitamente.

No se afirma parentesco. Que dos palabras compartan código no dice que desciendan de una común.

No se distingue herencia de préstamo. Sin protoformas es imposible, y no se va a fingir lo contrario. Un grupo de palabras con el mismo código puede ser herencia común, préstamo antiguo, préstamo reciente, convergencia o coincidencia. El catálogo no elige.

No se atribuye significado a un código. Se escribe n·m|name y nunca n·m = name. El código no significa «nombre»: es la forma que «nombre» toma repetidamente, bajo esas condiciones de información.

Lo que se puede afirmar es una sola cosa, y por eso el método es barato: que ciertas correspondencias forma–sentido se repiten entre lenguas más de lo que se repetirían por azar, con el azar medido explícitamente. Todo lo demás queda fuera.

Es menos de lo que da el método comparativo. Y se puede obtener donde el método comparativo no se ha aplicado.

La prueba, en el único sitio donde hay respuesta conocida

Un instrumento que no se puede contrastar no vale nada. El indoeuropeo tiene cognación de oro revisada por expertos, así que es ahí donde se mide.

Contra esa cognación, concepto más esqueleto idéntico da 93,3 % de precisión frente a una base del 26,0 %, con una cobertura del 13,6 %.

Precisión alta, cobertura baja. Que es exactamente lo que un catálogo debe ser: encuentra una minoría fiable de las relaciones que existen, y no pretende encontrarlas todas.

Tres correcciones que costaron cinco papers

El paper del método no publica sólo el protocolo. Publica también las tres cosas que hubo que corregir, porque cinco aplicaciones sucesivas las obligaron:

El nulo se calcula exacto y no se estima. Estimarlo barajando ochenta mil veces publicó, durante tres papers, un intervalo de confianza que no medía la incertidumbre de los datos sino la de nuestro propio sorteo. Con la forma cerrada, las cifras cambiaron: 225× → 218×, 77× → 78×, 39× → 37×.

Batir un nulo de barajado autoriza a afirmar una correspondencia y nada más. Leerla como migración exige una protoforma que el método no tiene.

El umbral se fija acotado por dos límites —el techo alcanzable y la tasa de falsos positivos— porque el 2× que se usó durante cinco papers resultaba superado por azar en el 64 % de los casos para uno de los estadísticos empleados.

Un aparato descrito sin los fallos que lo originaron es una lista de buenas intenciones.

Dónde encaja, y dónde no

Reducir una palabra a sus consonantes no es nuevo: es el consonant class matching de Dolgopolsky y de Turchin, Peiros y Gell-Mann. La variante que se usa aquí se diferencia en dos cosas.

No trunca: el consonant class matching clásico compara las dos primeras consonantes, y aquí se conserva la secuencia entera, porque la aridad es objeto de estudio y no un parámetro fijado.

Y la salida no es una matriz de distancias sino un catálogo consultable por concepto. La diferencia no es de formato. Una matriz responde «¿cuánto se parecen estas dos lenguas?»; un catálogo responde «¿qué forma toma este concepto, repetidamente, en este macrosistema?». La segunda pregunta no promedia sobre el léxico, y por eso cada código se puede inspeccionar, discutir y refutar uno a uno.

Que es, al final, la única razón para publicarlo.

El paper: El catálogo de códigos consonánticos: un método comparativo sin genealogía, sin cognación y sin reconstrucción (PDF) · English version

La infraestructura: Corpus Integrativo — 3,79 millones de formas, 4.735 doculectos, 225 macrosistemas.