Análisis de consultas al Diccionario del español de México en línea

Analysis Consultations of Mexico Spanish Dictionary online

Alfonso Medina Urrea*

* Profesor-investigador del Centro de Estudios Lingüísticos y Literarios (CELL) del COLMEX. Miembro del equipo de investigación responsable del Diccionario del español de México (DEM), del CELL-COLMEX. Dirección electrónica: amedinau@colmex.mx.

Fecha de recepción: 27 de marzo de 2014
Fecha de aprobación: 27 de agosto de 2014

Resumen

En este trabajo se examinan las frecuencias y dispersiones geográfica y temporal de las consultas hechas al Diccionario del español de México entre agosto de 2012 y septiembre de 2013. Esta información se usa para calcular un índice que permite seleccionar aquellas que son más usuales en más lugares y por más tiempo. Con este índice se puede, por un lado, evaluar la base estadística que dio lugar a la nomenclatura actual del diccionario y, por el otro, seleccionar aquellas consultas sin respuesta en el sistema que sean los mejores candidatos para formar parte de futuras nomenclaturas del diccionario.

Palabras clave: Diccionario del español de México, adquisición léxica, frecuencia de consulta, dispersión geográfica de consultas, dispersión temporal de consultas.

Abstract

In this study, frequencies and geographic and temporal dispersions of queries made, between August 2012 and September 2013, to the online Dictionary of Mexican Spanish are examined. They are used to compute an index that allows selection of those queries that are most common in more places and during the longest time span. On the one hand, the statistical basis that led to this dictionary's current nomenclature can be evaluated by means of this index. On the other hand, unanswered queries with highest index values can be considered candidates for future nomenclatures.

INTRODUCCIÓN

Uno de los temas más visibles del proyecto del Diccionario del español de México (DEM) ha sido el de cómo determinar la nomenclatura de un diccionario, esto es, la lista de lemas que se definen en él. Al tratarse de un diccionario integral, el DEM busca documentar las voces más usuales del español en México y no solamente las más coloridas y peculiares de nuestra región. En otras palabras, lo importante no ha sido compilar la lista de los vocablos que nos parecen más característicos del español mexicano, como si se tratara de un diccionario de mexicanismos, sino determinar cuáles son los que más usamos día a día, que naturalmente tienden a ser los que compartimos con otros hablantes de la lengua española.

Un diccionario integral de nuestro español satisface varias necesidades. Dos de las más importantes son: 1) documentar el léxico que usamos hoy en día, para contribuir a la educación y comunicación en nuestro país y 2) afirmar nuestra herencia lingüística, especialmente nuestro patrimonio léxico, que no es prestado y que en mucho compartimos con el resto de los hispanoparlantes. Así, un diccionario integral, además de permitirnos conocer lo particular y peculiar de nuestro dialecto, nos posibilita ponderar lo frecuente, común y tradicional y, por lo tanto, más difundido con el mundo de habla hispana.

En este contexto, el equipo lexicográfico del DEM se apoyó desde un primer momento en criterios estadísticos, los que se le aplicaron al Corpus del español mexicano contemporáneo (CEMC)¹ para conformar una base estadística, que nos permite asegurar que los vocablos que forman parte de la nomenclatura del diccionario son los más representativos del español usado en México, en diversos géneros textuales y registros dialectales (Lara et al. 1980: 29-39). En su última versión, el diccionario incluye los vocablos con frecuencia de tres o más² en el CEMC. Específicamente, tiene una nomenclatura de aproximadamente 25 mil vocablos, que engloban cerca de 50 mil acepciones; y se puede confiar, gracias a esta base estadística, en que las palabras del diccionario han sido usadas en México en los siglos XX y XXI.

Ciertamente, el tamaño de la nomenclatura del diccionario deberá crecer todavía más para satisfacer las necesidades educativas y comunicativas de los hispanoparlantes mexicanos. Por eso, el equipo del DEM trabaja nuevos artículos lexicográficos, correspondientes a las palabras con frecuencia dos o menos en el CEMC, y se ha embarcado en la compilación de un nuevo corpus, el CEMC₂, que servirá para constituir una nueva base estadística, que permitirá determinar qué vocablos adicionales, muchos muy nuevos, podrán incluirse en la futura nomenclatura.

El ejercicio de encontrar piezas léxicas para compilar diccionarios en papel o electrónicos o lexicones para otras tecnologías es conocido como adquisición léxica (lexical acquisition). Existen técnicas para llenar lagunas en la nomenclatura de diccionarios que se basan en los patrones de ocurrencia de las palabras en corpus electrónicos. De hecho, la adquisición léxica automática ahorra recursos y es cada vez más viable, dados los avances en el procesamiento del lenguaje natural (PLN), aprendizaje de máquinas y compilación de corpus electrónicos.³

La primera versión en línea del DEM fue la del Diccionario del español usual en México (DEUM) y apareció en el servidor http://mezcal.colmex.mx, que ya dejó de existir. La última versión se encuentra en http://dem.colmex.mx. El hecho de tener el diccionario en la Web permite mucho más que difundir su contenido. Por un lado, es posible conocer qué información consultan y obtienen los usuarios del DEM en México, en los países de habla hispana y en el resto del mundo. Por otro lado, se puede analizar lo que los usuarios buscan en el diccionario que todavía no forma parte de su nomenclatura. Además, como se apuntó arriba, el monitoreo de estas consultas puede ayudar a determinar qué vocablos faltan y podrían considerarse prioritarios para el equipo lexicográfico.

En este trabajo, se analizan las consultas que se han hecho al DEM en línea. En esencia, se examinan sus frecuencias y sus dispersiones geográfica y temporal para asignarle a cada una un índice de frecuencia y dispersión que permite seleccionar aquellas que son más usuales en más lugares y por más tiempo. La idea es utilizar este índice para ordenar las consultas de más frecuentes y dispersas a menos frecuentes y menos dispersas. Con esta información se puede, por un lado, evaluar el análisis estadístico que dio lugar a la nomenclatura actual y, por el otro, seleccionar las consultas que constituyen los mejores candidatos para formar parte de la futura nomenclatura del diccionario.

LAS CONSULTS AL DEM

La última versión del DEM se puso en línea en agosto de 2012. Desde esa fecha, cada consulta queda registrada en el sistema, con información sobre el país de origen, la dirección IP (Internet Protocol) del equipo desde donde se hizo,⁴ la fecha, hora y el resultado de dicha consulta; esto es, si la petición de información fue o no encontrada en la nomenclatura o en alguna definición o ejemplo del diccionario.

En este trabajo se examinan 13 meses de consultas, de agosto de 2012 a septiembre de 2013. Después de eliminar consultas repetidas y consecutivas, originadas desde una misma dirección IP, se llevaron a cabo en este intervalo de tiempo un total de 180,164 búsquedas, las que corresponden a 16,505 búsquedas distintas (por ejemplo, el vocablo casa se buscó 101 veces pero cuenta como una búsqueda distinta o tipo de consulta).

Lo interesante es que, detrás de cada consulta, hay una persona interesada en alguna pieza léxica del español mexicano contemporáneo. Si bien no contamos con datos de corte sociolingüístico que nos permitan caracterizar a los usuarios, es posible analizar dichas consultas mediante la observación de sus frecuencias (qué tanto se repiten) y sus dispersiones geográfica (desde cuántos países) y temporal (cómo se repartieron en el tiempo durante los 13 meses de la muestra).

FRECUENCIA DE LAS CONSULTAS

Como se sugirió arriba, muchas peticiones de búsqueda se repiten; pero muchas ocurren sólo una vez. Así que, de las 180,164 búsquedas mencionadas antes, se identificaron 62,343 tipos de consultas, con frecuencias absolutas que van de la mayor, con 244 ocurrencias, a las consultas únicas que suman más de la mitad del total (37,399). Para este análisis, la información recabada se presenta en tablas cuyos renglones contienen consultas ordenadas de mayor a menor frecuencia, dispersión o índice de éstos. Por ejemplo, en la Tabla 1, se muestran en la segunda columna las veinte consultas o peticiones de búsqueda más frecuentes,⁵ en la tercera columna sus frecuencias durante el periodo examinado y, en la primera, el rango de ordenamiento. Específicamente, las consultas están ordenadas de mayor a menor frecuencia (esto es, a menor rango en la tabla, mayor frecuencia y a mayor rango, menor frecuencia):

DISPERSIÓN GEOGRÁFICA

En cuanto a la procedencia de las consultas, en la Gráfica 1 se observan las proporciones de las búsquedas según la región del mundo desde donde se originaron. Más del 70% se hizo en algún país de habla hispana. Menos del 1 por ciento (0.55%) se originó en África, Asia o alguna de las islas de los océanos Pacífico e Índico. La segunda región desde donde se hicieron más consultas es la de la América no hispanoparlante (incluido Estados Unidos, que tiene una población importante de mexicanos) y la tercera fue la de Europa sin España:

En la Tabla 2, se aprecian los porcentajes de consultas por país. De un total de 91 países, en la tabla aparecen 10. La proporción de Estados Unidos se explica en gran medida por la población de origen mexicano, pero seguramente también por el interés comercial entre México y ese país. Por otra parte, resulta interesante que Alemania tenga una proporción mayor a la de España.

Aunque la afinidad cultural entre México y estos países explique que se hagan peticiones de búsqueda desde ellos, en realidad los porcentajes son más bien bajos (con excepción de las consultas hechas desde Estados Unidos). Sin embargo, es muy significativo que las consultas que más se repiten se hagan desde varios países, lo cual se puede apreciar en la Tabla 3, que muestra el número de países desde donde se hizo cada consulta:

Es evidente que con la información que contamos sobre las peticiones de búsqueda (IP, país, fecha y hora) es difícil, si no imposible, hacer una caracterización de los usuarios del DEM. Al ser Estados Unidos el segundo país desde donde se hacen más consultas, cabe imaginar que muchas son de emigrantes mexicanos y de las personas que se relacionan con ellos. También es posible que se trate de estudiantes mexicanos, turistas, aprendices y estudiosos de la lengua y cultura de México en ese país o en Alemania, que tiene el tercer puesto. Además, hay una gran necesidad e interés de intérpretes y traductores en estos y otros países; así como de lingüistas y lexicógrafos, de obtener información sobre nuestro léxico.

DISPERSIÓN TEMPORAL

Otra manera de observar la variabilidad de las consultas es considerar su profusión a lo largo del tiempo. En esencia, se trata de determinar cuáles peticiones de información son las más constantes, esto es, cuáles no pasan de moda. Cabe mencionar que las fechas y horas registradas para cada petición de información están representadas mediante números no negativos. Es decir, ambas, la fecha y la hora de una consulta, están codificadas en un número. Por ejemplo, la primera consulta al DEM en línea se llevó a cabo el 1 de agosto de 2012 a las 11:12:55 horas, lo cual quedó representado con el número 41122.4673076042. La distancia temporal entre dos consultas será el valor absoluto de la resta entre los números que las representan; esto es, la diferencia entre el número mayor (la fecha y hora más tardías) y el número menor (la fecha y hora más tempranas). El número que resulta representa el intervalo de tiempo entre estas dos peticiones de información. Por ejemplo, la última consulta del periodo examinado se hizo el 30 de septiembre de 2012 a las 23:52:20 horas (lo que se representa con el número 41547.9946728009). Así que el intervalo entre la primera y última de las consultas se obtiene restando el primer número del segundo (41547.9946728009 — 41122.4673076042): 425.5273651967, que se redondea a 426. En la tabla 4 se muestran las 20 consultas más repartidas en el tiempo. La segunda columna contiene la distancia temporal entre la primera y la última vez que se buscaron las expresiones de la primera columna. De nuevo, aparecen ordenadas del mayor al menor tamaño de intervalo:

Una vez más, se observa que las unidades buscadas son sobre todo de carácter coloquial, popular o son de uso muy general (casa, perro, gato). Es interesante que las listas por frecuencia y dispersión geográfica y temporal muestren la misma tendencia. Por otra parte, vale la pena identificar qué consultas exhiben los valores mayores de los tres criterios de frecuencia y dispersión geográfica y temporal, lo que examinaremos en la próxima sección.

Hay varias maneras de combinar los tres valores examinados en las secciones anteriores. Por ejemplo, para cada consulta se pueden promediar o multiplicar y, dependiendo de la importancia que se le quiera dar a cada valor, se les puede asignar pesos diferentes. En este experimento se consideró un mismo peso a cada uno de los tres criterios y se calculó un índice que los combina multiplicándolos. Los valores de este índice se pueden ver en la última columna de la Tabla 5; donde, por ejemplo, el índice de pinche es 197 x 369.12 x 27 = 1963332:

Otra vez, las consultas aparecen ordenadas de mayor a menor índice. De esta manera, tenemos que las cinco consultas hechas desde más países, más profusas en el tiempo y más frecuentes son pinche, chingar, chido, chale y naco. Es interesante que las primeras dos se hayan hecho desde más países (desde 27), mientras que chido sea la más frecuente y chale y naco sean las que tienen búsquedas más tempranas y más tardías en el periodo examinado (las que más persisten).

Es de notarse que, con excepción de las consultas hechas sin diacríticos (guey, cabron) todas las peticiones de búsqueda que se muestran en esta tabla ya forman parte de la nomenclatura del DEM. De hecho, se puede ver que mientras mayor sea el índice, mayor será la probabilidad de que la consulta ya se encuentre en la nomenclatura. Las entradas que no están allí tienen rangos mayores (si se mostrara más de la tabla, aparecerían más abajo). La primera consulta que no pertenece a la nomenclatura es wey, que no está en la tabla por tener rango de 27; esta forma, que suele usarse para chatear en dispositivos electrónicos, es una variante del vocablo güey. Luego, con rango 93 estaría chela y con rango 154, chafirete. Sobra decir que estas unidades también son de carácter coloquial y popular.

RESULTADOS POSIBLES DE LAS CONSULTAS AL DEM

En el nivel más básico, las consultas están o no están en la nomenclatura. Cuando las consultas no se encuentran en ella, de todas maneras pueden estar presentes al interior de algún artículo lexicográfico, lo cual no deja de ser un acierto respecto al contenido del diccionario. Por ejemplo, en los artículos transcritos al final de este párrafo, después de la entrada y las categorías gramaticales, aparece entre paréntesis información sobre formas de escritura alternativa y pronunciación de la entrada. Llamamos a esta información entre paréntesis "Modelo" porque allí también se especifican, formas especiales del plural "(Su plural es álbumes o albums)", del género opuesto "(Su femenino es alcaldesa)" y modelos de conjugación verbal "(Modelo de conjugación 1c)".

]]> violoncellista s m y f (Se pronuncia violonchelista) Persona que toca el violoncello, en especial la que lo hace profesionalmente: "Pau Casals ha sido considerado el mejor violoncellista del siglo", el famoso violoncellista Duport.

xoconoxtle s m (También xoconochtle, xoconostle, xoconoscle, xoconoxtli, soconoxtle o joconostle. Se pronuncia soconostle, joconostle o shoconoshtle) 1 Tuna jugosa, de sabor agridulce, color rojo y de aproximadamente 3 cm de diámetro, que se emplea en dulcería y como condimento de algunos platillos regionales, particularmente en salsas o moles aguados, como en el mole de olla 2 (Lemaireocereus stellatus) Especie de nopal que da esta tuna; [...].

yoghurt s m (También yogurt, yogourt, yoghourt, yogour o yogur. Se pronuncia yogur) Leche fermentada con bacilos búlgaros.

Lo importante es que los usuarios pueden buscar vocablos con formas de escritura alternativa (como xoconochtle, xoconostle, xoconoscle, xoconoxtli, soconoxtle o joconostle; y yogurt, yogourt, yoghourt, yogour o yogur) o, si no saben cómo se escriben, con indicaciones de su pronunciación (como violonchelista; soconostle, joconostle o shoconoshtle; y yogur). Así, si la consulta no está entre las entradas, se puede detectar que coincide con palabras, en algunos de los campos del artículo lexicográfico como el del "Modelo", que podrán considerarse aciertos en cuanto a la obtención de información pedida.

En otras palabras, los resultados de las consultas al DEM son más complejos que la simple determinación de su ausencia o presencia en la nomenclatura del diccionario. En la Tabla 6 aparecen los posibles resultados de las peticiones de búsquedas hechas al diccionario en línea, también ordenados de más a menos frecuentes. Nótese que algunos renglones de la tabla aparecen sombreados, lo cual se explicará más adelante. Cuando la consulta tiene eco en la nomenclatura, se le aplica automáticamente la etiqueta "Entrada". Cuando no aparece allí, pero aparece en la definición (como la palabra flexionada aguados en la definición de xoconoxtle, citada arriba) o en algún ejemplo (como Casals y Duport en los ejemplos de violoncellista), la consulta se marca con la etiqueta "Definición" y, si aparece dentro de alguna locución que encabece alguna acepción, se marca con "Locución". Si resulta que coincide con alguna de las especificaciones de pronunciación o con alguna manera alternativa en que se deletrea una entrada, se aplica la etiqueta "Modelo". Si la consulta no coincide ni con una entrada, ni locución ni modelo por la ausencia o presencia de un diacrítico, a la etiqueta se le agrega la leyenda "sin acento".

Por otra parte, a veces las consultas no están en la nomenclatura, por estar flexionadas (por ejemplo, ocupaba), ser nombres propios (Amazonas) o ser multipalabra (Capsicum frutescens),⁶ pero ocurren en la definición, en algún ejemplo (lo que resulta, como se dijo, en la marca "Definición" o "Definición sin acento") o en la información entre paréntesis en la que se suele registrar datos sobre la pronunciación o maneras alternativas de escritura (lo que, como se dijo, se marca con "Modelo" o "Modelo sin acento"). También se detecta si a la consulta le hace falta el acento gráfico o diéresis (por ejemplo, guey) para encontrar una coincidencia en la nomenclatura (la que se marca, como se dijo, con "Entrada sin acento/diacrítico") o si se parece a alguna entrada de la misma (diksionario se parece a diccionario) según la distancia de Levenshtein⁷ (estas consultas se marcan con la etiqueta "Palabras similares"). Por otra parte, cuando se determina por inspección que la consulta guarda algún parecido en significado o en forma con alguna entrada, se marca manualmente con "Peculiar", como por ejemplo wey. Finalmente, si coincide con alguna de las expresiones que introducen alguna acepción (por ejemplo, domingo siete aparece en la expresión salir con un domingo siete que introduce la acepción tres del artículo lexicográfico dedicado a domingo) se marcan con la etiqueta "Locución".

Estrictamente, sólo las que vienen marcadas con la etiqueta "Entrada" están en la nomenclatura (59.2%), pero, si tienen las etiquetas "Entrada sin acento" o "Locución", es cuestionable que deban considerarse como no encontradas. Tampoco queda claro que una consulta multipalabra, que se marca con "Entrada separada", deba tratarse como encontrada aunque cada una de sus palabras sí esté en la nomenclatura. En un esfuerzo de simplificación, en este experimento las consultas que resultaron con las etiquetas sombreadas en la Tabla 6, "No encontrado", "Definición", "Definición sin acento", "Entrada separada" y "Peculiar" (similitud por inspección), se consideraron desaciertos, 32.35%; mientras que las demás se consideraron aciertos, 67.75% (respecto a la nomenclatura).

En la Tabla 7 se muestran las veinte peticiones de búsqueda con mayor índice de frecuencia y dispersión que encontraron una respuesta positiva en el sistema; están ordenadas de mayor a menor valor de este índice. De nuevo se aprecia que se trata de unidades de uso popular o coloquial en México y algunas de uso muy general.

Si bien es cierto que se trata de vocablos comunes en el español de México y que sin duda son de interés para intérpretes y traductores, así como para interesados en la cultura mexicana en general, al considerar que la mayoría de los usuarios en todo el mundo puedan ser mexicanos, que las conocen y usan, se podría formular la hipótesis de que están manifestando su necesidad de corroborar qué tan mexicano es el diccionario, como si lo mexicano fuera lo popular o lo coloquial; como si el diccionario fuera de mexicanismos y no integral.

CONSULTAS FALLIDAS

Con respecto a las consultas que no tuvieron resultados en la nomenclatura, en la Tabla 8 se observan las 40 con mayor índice de frecuencia y dispersión, ordenadas otra vez de mayor a menor índice. Lo más evidente es que de nuevo predominan vocablos de uso popular o coloquial, como wey, chela, chafirete y achichincle, algunos de los cuales ya se habían mencionado arriba.

Lo que hay que recalcar es que los otros vocablos que no son ni de uso popular ni coloquial se refieren a cuestiones con las que los hablantes estamos en contacto hoy en día, como aquellos relacionados con internet o los nuevos dispositivos electrónicos, y que por su frecuencia y dispersión de consulta merecen ser tomados en cuenta seriamente para su inclusión en las próximas versiones del diccionario.

HACIA UNA EVALUACIÓN DEL DICCIONARIO

El ideal de un diccionario en línea es que a toda consulta corresponda una respuesta; esto es, que cada petición de búsqueda encuentre una coincidencia dentro del conjunto de entradas que conforman la nomenclatura o dentro del conjunto de locuciones o expresiones multipalabra que encabezan numerosas acepciones, dentro del conjunto de descripciones de pronunciación o formas de escritura alternativas o dentro del conjunto de palabras similares que se pueden determinar mediante distancias de Levenshtein.

Para evaluar esto, basta determinar el porcentaje de consultas acertadas en el sistema, respecto al total de consultas. Este porcentaje se conoce también como medida de precisión y es un valor de predicción positiva. Para el DEM en línea podemos calcularlo de varias maneras. Primero, se puede considerar el volumen de consultas acertadas respecto al total de consultas recibidas (122,061 de 180,164), lo cual resulta en un porcentaje de 67.75%. Segundo, se pueden considerar los tipos de consultas (16,505 tipos de consultas acertadas de un total de 24,944 tipos de consultas), lo que resulta en una precisión de 66.17%. Sin embargo, al examinar las consultas no acertadas, se observan palabras flexionadas (haiga, bésame, fíen, álbumes, etcétera), nombres propios (méxico, oaxaca, batman, chómpiras, etcétera) y errores de los usuarios (eitca, oe, hti, etcétera) que no son fallas del diccionario, sino del usuario. Por inspección se encontraron 696 tipos de consulta que deben considerarse errores y no fallas del diccionario. Así que una tercera manera de estimar la precisión sería mediante la proporción de tipos acertados respecto a 24,248 (24,944 - 696), lo que da un porcentaje de 68.07%, casi 7 de cada 10 consultas diferentes.

OBSERVACIONES FINALES

Como bien se puede apreciar en los datos presentados, en el DEM en línea se registran consultas desde todo el mundo. La mayoría se hacen desde México, Estados Unidos y países de habla hispana. Es alentador que el 67.65% del volumen total de las consultas coincidan con la nomenclatura actual del diccionario. De hecho, esto puede verse como una medida de precisión para evaluar la base estadística que se obtuvo a partir del CEMC. Además, al eliminar errores de los usuarios y consultas flexionadas, se observa una precisión de 68.06%.

Al considerar las consultas más frecuentes, hechas desde más países y más persistentes en el tiempo, se observan vocablos que ya son parte de la nomenclatura del DEM. Estos vocablos son predominantemente de carácter popular y coloquial (pinche, chido, chingar, etcétera). Parece que los usuarios necesitan desafiar al diccionario en lo que perciben más mexicano y no lo perciben como un diccionario integral, sino de mexicanismos. De todas maneras, al considerar que de cada diez consultas tres no coinciden con la nomenclatura, este reto a la "mexicanidad" del diccionario logra enfrentarse dignamente.

FUENTES CONSULTADAS

CEMC: Corpus del español mexicano contemporáneo, México: El Colegio de México (COLMEX). Disponible en línea en http://cemc.colmex.mx. Agosto de 2012-septiembre de 2013.         [ Links ]

DEM: Lara, L. F. (dir.) (2010), Diccionario del español de México, México: COLMEX. Disponible en línea en http://dem.colmex.mx. Agosto de 2012-septiembre de 2013.         [ Links ]

Jurafsky, D., Martin, J. H. (2009), Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics and Speech Recognition, 2a ed., Englewood Cliffs, NJ:Prentice Hall/Pearson.         [ Links ]

Lara, L. F., Ham Chande, R., García Hidalgo, M. I. (1980), Investigaciones lingüísticas en lexicografía, México: El Colegio de México.         [ Links ]

Manning, C. D., Schütze, H. (1999), Foundations of Statistical Natural Language Processing, Cambridge, MA:MIT Press.         [ Links ]

Notas

¹ Se trata de un corpus electrónico de cerca de dos millones de palabras que se puede consultar en http://cemc.colmex.mx.

² No se trata de la frecuencia absoluta de las palabras en el corpus. Más bien es una frecuencia ajustada para tomar en cuenta su dispersión en los diversos géneros del corpus (periodismo, literatura, etcétera). De esta manera, aquellos que ocurren en más géneros tienen una mayor frecuencia y aquellos que ocurren en menos géneros tienen una menor.

³ En otras palabras, es posible aplicar estos métodos para orientar al lexicógrafo en cuanto a qué vocablos deben ser considerados para futuras ediciones de un diccionario. Manning y Schütze caracterizan estos métodos como "algorithms and statistical techniques for filling holes in existing machine-readable dictionaries by looking at the occurrence patterns of words" (1999: 265). Así, el monitoreo de estas consultas puede ayudar a determinar qué vocablos faltan y deben ser prioridad del equipo lexicográfico.

⁴ Una dirección del protocolo de Internet o ip es un número binario de 32 bits que identifica de manera precisa un dispositivo electrónico particular conectado a Internet. Se representa en cuatro números decimales separados mediante puntos, como por ejemplo 172.16.35.22, que corresponde a una computadora de El Colegio de México (COLMEX), ya que 172.16 es el prefijo asignado a esa institución.

⁵ Nótese que en ésta y todas las tablas las consultas se transcriben tal y como fueron hechas, por lo que podrán aparecer con y sin diacríticos (guey y güey, cabron y cabrón, etcétera). Lo importante es que en este trabajo se consideran consultas distintas.

⁷ El algoritmo de Levenshtein es un método estándar, para medir similitud entre palabras, que no se explicará aquí por falta de espacio. Este método se describe con detalle en varios capítulos de Jurafsky y Martin (2009).

^* Sorprende que la consulta tranza se haya llevado a cabo desde siete países. Tal vez los usuarios hayan querido buscar transa por lo que esta consulta podría haberse tomado como "Sí encontrada" (por similitud, lo que se detectaría mediante el algoritmo de Levenshtein). También, tranza puede verse como una forma flexionada del verbo tranzar (tampoco en el DEM), por lo que en esta tabla debería habérsele asignado la etiqueta "No encontrado". Sin embargo, aparece con la etiqueta "Definición" porque en el DEM ocurre en el interior de la palabra "Mastranza" en el ejemplo de la entrada bravura ("Se esfuerza por mandar a la Maestranza lo mejor de sus dehesas, en cuanto a bravura y presentación").

INFORMACIÓN SOBRE EL AUTOR:

Alfonso Medina Urrea. Doctor en lingüística por el Centro de Estudios Lingüísticos y Literarios de El Colegio de México A.C. Desde 2012, es profesor-investigador en el Diccionario del español de México (DEM), COLMEX. Ha sido autor y coautor de más de 30 artículos de investigación, publicados en revistas especializadas, capítulos de libro y memorias de congreso; muchos relacionados con el descubrimiento automático de la morfología concatenativa afijal de diversas lenguas, otros con el desarrollo y compilación de corpus lingüísticos electrónicos y algunos más con diversas tecnologías del lenguaje. Dirección electrónica: amedinau@colmex.mx