El número de autores candidatos es otra cuestión de gran importancia, pues cuanto mayor sea dicho número, menor será el porcentaje de aciertos o identificaciones positivas. Sin embargo, y como veremos, este porcentaje también aumenta de forma significativa en la dirección inversa, hasta rozar la certeza absoluta, cuando el panel de posibles autores se reduce.
Así pues, el peor de los escenarios al que podemos enfrentarnos es aquel en que no tenemos ningún autor candidato, lo que equivale a decir que el panel de “sospechosos” está formado por el total de la población, lo que podríamos llamar “panel abierto”. Por desgracia, y a diferencia de lo que sucede con las huellas dactilares o el ADN, no existe por el momento – y es muy probable que nunca llegue a existir (Coulthard, 2005b) – un registro con muestras indubitadas y asignadas cada una de ellas a una persona en concreto. Esta situación no es infrecuente en las investigaciones policiales, donde el
61 análisis de notas anónimas que deben ser verificadas se da con una cierta frecuencia30. Pero aún entonces el análisis estilométrico puede revelar aspectos como el sexo del autor (Koppel et al., 2002), su edad (Burger y Henderson, 2006), su lengua materna (Koppel et al., 2006) o posibles alteraciones psicológicas (Pennebaker y King, 1999), por ejemplo, datos que permitirán elaborar un perfil (“autorship profiling”) personal que contribuya a su identificación.Además, el análisis estilométrico de textos publicados en las redes sociales está demostrando ser una eficaz herramienta para luchar contra delitos como el acoso o la pedofilia (Bogdanova, Rosso y Solorio, 2014).
La información procedente del cribado estadístico de los textos proporciona información de gran interés sobre los autores y, si bien los índices de fiabilidad son moderados, el sistema parece, como mínimo, prometedor. No cabe duda de que a medida que los procesos se perfeccionen, como resultado de sucesivos estudios empíricos, los perfiles generados serán cada vez más detallados y precisos. Entre tanto, merece la pena destacar el ensayo firmado por Argamon, Koppel, Pennebaker y Schler (2009), “Automatically Profiling the Author of an Anonymous Text”, en el que recogen los resultados de un estudio poblacional de rasgos personales a partir de textos anónimos, pues sus conclusiones son una buena muestra de la valiosa información que es posible obtener por este método y que ha servido de referencia a trabajos y estudios posteriores.
30
El tristemente caso de Jack el Destripador ocurrido en Londres, entre los meses de agosto y noviembre de 1888, es un buen ejemplo. Los investigadores se encontraron con una situación especialmente enrevesada, pues tuvieron que analizar cientos de misivas de individuos en las que los autores aseguraban ser el asesino. De todas ellas, la policía centró sus indagaciones en tres, las conocidas como “Dear Boss” – en la cual el autor firmaba con el apodo que a partir de entonces se haría famoso – “Saucy Jacky” y “From Hell”. Todas ellas fueron examinadas cuidadosamente en busca de indicios que señalasen la identidad del asesino, centrándose sobre todo en el tipo de escritura con que estaban elaboradas, pero también en ciertas marcas textuales, como errores gramaticales que se sospechaba podrían haber sido incluidos de forma intencionada por el autor para disimular su verdadero nivel cultural (Evans y Skinner, 2005).
62
En lo relativo al género del escritor, las muestras recogidas de un total de 19.320 autores diferentes – a partir de posts colgados en blogs, que acumulan un promedio de 7.250 palabras por autor – muestran que los rasgos relacionados con el contenido resultan más reveladores que los rasgos sintácticos.
Como puede verse en la Tabla ilustrativa número 1, los rasgos de estilo que resultan de mayor utilidad a la hora de determinar el género son los determinantes y las preposiciones, para los autores de género masculino y los pronombres para los autores del género femenino. En cuanto al contenido semántico, son los términos relacionados con la tecnología en el primer caso y con la vida personal o social en el segundo. Los autores del estudio se cuidan de recordar que en lo que hace referencia a la utilidad de los aspectos semánticos como marcadores de género, el contexto es de gran importancia, por lo que textos extraídos de fuentes diferentes a los blogs, como es este caso, precisarían marcadores semánticos distintos.
Tabla 1
Class Style Features Content Features
Female personal pronoun, I, me,
him, my
cute, love, boyfriend, mom, feel
Male determiner, the, of,
preposition-matter, as
system, software, game, based, site
Teens im, so, thats, dont, cant haha, school, lol, wanna,
bored
Twenties preposition, determiner,
of, the, in
apartment, office, work, job, bar
Thirties+ preposition, determiner,
of, the, in
years, wife, husband, daughter, children Bulgarian conjunction-extension, pronoun-interactant, however, pronoun- conscious, and bulgaria, university, imagination, bulgarian, theoretical
Czech Personal pronoun,
usually, did, not, very
czech, republic, able, care, started
French indeed, conjunction-
elaboration, will,
auxverb-future, auxverb- probability
identity, europe, european, nation, gap
63
Russian can’t, i, can, over, every russia, russian, crimes,
moscow, crime
Spanish determiner-specific, this,
going_to, because, although
spain, restoration, comedy, related, hardcastle
Neurotic myself, subject pronoun,
reflexive pronoun, preposition-behalf, pronoun-speaker
put, feel, worry, says, hurt
Non-neurotic little, aux verbs-
obligation, nonspecific determiner, up,
preposition-agent
reading, next, cool, tired, bed
Los análisis destinados a determinar la edad del autor de un texto anónimo y que hacen uso combinado de rasgos de estilo y contenido alcanzan una precisión de hasta un 77,7 %, siendo los segundos los más reveladores y predecibles en sí mismos: cuestiones relativas a la escuela y los estados de ánimo para los adolescentes, relativas al trabajo y las relaciones sociales para los veinteañeros y relativas a la vida familiar para los de treinta y tantos.
A la hora de establecer los rasgos indicadores de la lengua nativa, Argamon et al., (2009) hicieron uso del International Corpus of Learner
English. Todos los autores de los textos de muestra y entrenamiento eran
estudiantes universitarios y a la vez estudiantes de inglés como L2, con edades y nivel lingüístico similar. En este estudio en concreto, se tuvo en cuenta a participantes originarios de cinco países: España, Rusia, República Checa, Bulgaria y Francia. De nuevo y como puede verse en la Tabla 2 de resultados, son los rasgos relacionados con el contenido los que proporcionan más información; de hecho, al combinar contenido y rasgos de estilo, estos últimos lastran el resultado final.
64 Tabla 2
Baseline Style Content Style+Content
Gender (2 classes) 50.0 72.0 75.1 76.1
Age (3 classes) 42.7 66.9 75.5 77.7
Language (5 classes) 20.0 65.1 82.3 79.3
Neuroticism (2classes) 50.0 65.7 53.0 63.1
Con respecto al contenido, los investigadores (Argamon et al., 2009) observaron que los hablantes nativos de ciertas lenguas utilizaban ciertas palabras más que otras y una revisión somera de los resultados llama nuestra atención hacia ciertos datos: en los estudiantes de origen español, ruso, checo y búlgaro la primera palabra que aparece es la que designa su país natal –
Spain, Russia, Czech Republic, Bulgaria, sin embargo, en el caso de los de
origen francés, no aparece el nombre de su país, pero en cambio sí lo hacen dos términos que no están incluidos entre los marcadores semánticos de los de las otras nacionalidades: europe y european (Tabla 1). No entraremos a valorar aquí el significado que este dato pueda tener al respecto de la imagen que de su propia identidad nacional tienen unos y otros, pero nos parece que serviría para abrir una interesante línea de investigación.
En el apartado de personalidad, los sujetos cuyos textos fueron utilizados como muestras eran estudiantes de psicología de la Universidad de Texas. Todos ellos recibieron indicaciones para que escribiesen durante veinte minutos lo primero que les viniese a la mente, en un ejercicio de stream of
consciousness. Todos, además, habían completado previamente un
cuestionario estándar de determinación de personalidad (John, 1990). Sin embargo, Argamon et al. se centraron en único rasgo: la neurosis – enfermedad del sistema nervioso que se caracteriza por la inestabilidad emocional – y en este caso los rasgos de estilo fueron los más reveladores, mientras que los de contenido semántico resultaron prácticamente irrelevantes. A pesar de que el porcentaje de reconocimientos positivos de
65 rasgos neuróticos a través del análisis estilométrico de los textos son modestos, apenas un 65,7%, los autores del estudio lo ponen en contexto al recordar que los intentos de detectar rasgos neuróticos de familiares o conocidos de los sujetos, a partir del trato cotidiano, tan solo alcanza el 69%31.
En conjunto, y a pesar de que se trata de un estudio reducido, en relación al número de aspectos personales de los autores que podrían establecerse como objetivo, sirve para hacerse una idea de las posibilidades que el sistema ofrece a los especialistas de las distintas ramas de las ciencias humanísticas.
Por supuesto, en estas situaciones y para que el lingüista forense pueda extraer información fundada y de utilidad de los textos anónimos analizados, es preciso disponer de estudios poblacionales extensos que recojan las variaciones lingüísticas en las distintas comunidades del habla y en las que intervienen factores geográficos, de género y socio-culturales muy diversos32.
A pesar de que la situación de “panel de candidatos abierto” es muy frecuente, es preciso decir que antes o después termina por convertirse en lo que hemos denominado “panel de candidatos cerrado”. En esta situación, el total de autores candidatos suele estar formado por un número mucho más manejable, que puede oscilar entre dos y veinte, a lo sumo, en la mayoría de
31
Los progresos en este terreno deben ser, a pesar de todo, cuidadosamente evaluados. En un examen psicolingüístico de la novela Primary Colours, el reputado, a la vez que controvertido, lingüista de la Universidad de Vassar, Donald W. Foster, dictaminaba que el autor era “blanco, de mediana edad, ambivalente hacia las mujeres; (…) alguien a quien le gustaría educar a personas de color al respecto de lo que más les conviene…” (Foster 2001: 62-63). Un dictamen que no fue bien recibido, a pesar de que Foster identificó correctamente a Joe Klein como el autor de esta novela, publicada en un primer momento en forma anónima.
32
Este tipo de estudios requieren una gran inversión, en términos tanto económicos, como de tiempo y esfuerzo, por lo que generalmente precisan del respaldo institucional. El caso de Carol E. Chaski en un buen ejemplo, pues desde hace varios años lleva a cabo un muestreo de textos procedentes de distintos grupos sociales que el Departamento de Justicia de los Estados Unidos contribuye a financiar (Chaski, web).
66
los casos. El proceso que lleva a pasar de una a otra situación suele estar condicionado por circunstancias extralingüísticas: ciertos candidatos, la inmensa mayoría a decir verdad, son excluidos simplemente porque no tuvieron la oportunidad de elaborar el texto en cuestión. La carencia de medios materiales o coincidencias oportunas relativas al momento y al lugar, hacen que los investigadores descarten a una buena parte de los sospechosos
“teóricamente posibles” y pasen a considerar un grupo mucho más reducido
de “teóricamente probables”. Los investigadores, por otro lado, deben esforzarse por que el número de candidatos que integran este último grupo, el
“panel cerrado”, sea lo más bajo posible, pues, como decíamos más arriba,
la precisión de los resultados del análisis estilométrico aumenta en proporción inversa. Así, por ejemplo, en el estudio comparativo de Jack Grieve, “Quantitative authorship attribution: An evaluation of tecniques” (2007), la precisión de un perfil basado en frecuencia de aparición de ciertas palabras – con un mínimo de diez textos de muestra por autor – oscila entre un 90% para el caso en que sean 2 los candidatos y 50% en el caso de que los candidatos sean 20.
La situación de panel cerrado tiene, además, sus propias peculiaridades, la primera de las cuales, y tal vez la más importante, es que al elaborarlo deberíamos tener la certeza absoluta de que el autor del texto dubitado se encuentra incluido en el mismo (Grant, 2008). Si esto no es así, todo el estudio se viene abajo, pues por mucho que uno de los candidatos con los que estamos trabajando muestre rasgos que lo señalen como el más probable, nunca podríamos tener la seguridad de que fuera del panel no se encuentre el autor real del texto. Dado que, como hemos dicho antes, las circunstancias que excluyen a unos e incluyen a otros en el panel de
candidatos cerrado son extralingüísticas, quienes llevan a cabo estas
indagaciones deben extremar la precaución para asegurarse de que ningún posible candidato quede fuera, mientras que al mismo tiempo intentan que el número de los que entran no resulte excesivo.
67 Una vez hecho esto, y con un número reducido de autores candidatos, el proceso a seguir pasa por obtener muestras de texto indubitadas de cada uno de ellos, cuanto más extensas, mejor. A partir de ahí, el planteamiento es sencillo, al menos en teoría: se trata de establecer cuál de los textos indubitados guarda una mayor similitud con el texto dubitado y atribuirle al autor del primero la autoría del segundo (Chaski, 2007; Grant, 2007; Eagleson, 1994). Para ello se extraen los marcadores de estilo que se consideren oportunos – y cuya selección varía de unos estudios a otros – y a partir de ahí se lleva a cabo la comparación.
“Once it has been established what texts are to be compared, the stylistic analyst has to determine whether the variance within a text is larger or smaller than between texts i.e. the analyst has to show that what is being measured varies more between works of two authors than between different works of the same author.” (Holmes, 1985: 329).
A la hora de extraer los marcadores de estilo que van a servir para elaborar el perfil estilístico de cada autor, es importante disponer de una cantidad suficiente textos indubitados con el fin de poder determinar con precisión qué marcadores se mantienen constantes, tanto a través de variaciones temporales, como genéricas o de contenido. Efstathios Stamatatos (2009) propone dos sistemas para el tratamiento de los textos de cada autor: o bien reunir todas las muestras de cada autor y formar un único texto por cada candidato del cual se establecerá el perfil de su estilo, o bien conservar las diferentes muestras de cada autor y tratarlas de forma individual elaborando un perfil por cada una de ellas. En el primero de los casos las diferencias entre las distintas muestras de un solo autor se desechan y Stamatatos advierte que el perfil obtenido del texto en conjunto puede diferir considerablemente del que se obtendría a partir de cada una de las muestras por separado. En la
68
actualidad es el segundo sistema por el que se inclinan la mayoría de los analistas.
La comparación entre los perfiles elaborados a partir de los textos dubitados e indubitados se lleva a cabo por medio de programas estadísticos que señalan cuál es el candidato que se aproxima más al texto cuestionado y a este es a quien se le atribuye la autoría. Algunos autores sin embargo, no comparten esta terminología, como es el caso de Tim Grant (2008) y de John Olsson:
“When using the term 'authorship attribution' in the context of any type of text, short or long, we cannot use it in a technical sense. This is why I suggest that the most appropriate technical term for authorship testing is authorship comparison. Some linguists use authorship identification. My reason for disliking this term is that, again, if we have two possible authors as candidates, we are not really undertaking an identification exercise. To say that our writer is more likely to be x or more likely to be y is not the same as saying that our writer is x or y. We are not actually identifying x or y. We are proposing a greater likelihood of x than y, or the other way around.” (Olson, 2008: 44-45).
Olsson pone de manifiesto que el resultado de los análisis estilométricos informa de la proximidad o similitud entre estilos, pero no hay por el momento forma de asegurar de manera terminante que ambos están escritos por el mismo autor, incluso aunque nos encontremos ante una situación de panel de candidatos cerrado. Por esta misma razón, McMenamin (2002) propone una escala de probabilidades a la hora de proporcionar informes forenses de autoría (Tabla 3).
69 Tabla 3
Did the suspect write it? Scale Conclusion
YES 9 8 7 6 Identification
Highly probable – did write Probable – did write
Indications – did write
INCONCLUSIVE 5 No conclusions NO 4 3 2 1
Indications – did not write Probable – did not write
Highly probable – did not write Elimination
Se trata de una “escala de probabilidad de autoría” muy similar a la “escala de opinión” de los expertos que llevan a cabo el análisis y que Coulthard y Johnson (2012) sugieren para su uso en informes de lingüística forense ante los tribunales, dado que la atribución, en sentido estricto, es imposible, tal y como recuerda Olsson.
Merece la pena que nos detengamos durante unos instantes a reflexionar en el procedimiento mencionado, pues es muy revelador de la realidad con la que se trabaja la atribución de autoría por medios estadísticos. Recordemos que en principio, debemos tener elaborado un perfil estilométrico de cada uno de los textos candidatos y otro del texto dubitado. El objeto de este perfil es atenuar las variaciones intra-autor que puedan producirse por circunstancias contextuales y puede sernos de ayuda visualizar dichos perfiles como si de retratos fotográficos se tratase, como si hiciésemos un retrato fotográfico de una persona que no está quieta. Al fin y al cabo, el estilo de escritura de un autor está siempre moviéndose, variando en mayor o menor medida. Ahora bien, si estos retratos fotográficos – perfiles estilométricos – fuesen nítidos, bastaría superponer uno sobre otro, los retratos candidatos sobre el retrato dubitado, y cuando dos de ellos coincidiesen, podríamos afirmar que estaríamos ante la misma persona. Sin embargo y por desgracia, la atribución de textos no funciona así, ya que los perfiles – los retratos fotográficos – no son nítidos, con lo cual al superponer unos sobre otros, solo
70
cabe establecer parecidos razonables entre aquellos cuyos rasgos más se aproximen.
Esto significa que, en la práctica, es materialmente imposible establecer un perfil del estilo de escritura o habla nítido y preciso. A lo más que podemos aspirar es a reducir el grado de imprecisión, pero siempre será un retrato un poco borroso33. Esto puede parecer frustrante, pero a modo de consuelo vale la pena recordar que es la forma en que la estadística contempla el mundo. Nada es fijo o estable; a lo sumo hay una probabilidad muy elevada de que lo sea. Se trata, además, de una descripción de la realidad cada vez más extendida y empleada por todo tipo de ciencias y disciplinas, de la medicina a la gestión de mercados y de la física cuántica a la toma de decisiones militares. Si queremos un ejemplo práctico e inmediato, solo tenemos que preguntarle a un meteorólogo el tiempo que va a hacer al día siguiente; su respuesta vendrá siempre en tantos por ciento de probabilidades de lluvia o de buen tiempo.
La última posibilidad, en cuanto a número de candidatos, la constituye el caso en que tan solo hay uno y la tarea del lingüista consiste en confirmarle o rechazarle como autor un texto anónimo, o que se atribuye a otro escritor, como sucede en el presente trabajo. Esta situación, que podríamos llamar de
“panel de candidato único” y que en inglés acostumbra a denominarse “authorship verification”, presenta también sus propias peculiaridades. No