Jo Guldi: El peligroso arte de la minería de textos. Una metodología para la historia digital

Los amantes de las humanidades digitales están de enhorabuena. Por fin aparece el texto que nos había ido anunciando la profesora Jo Guldi: The Dangerous Art of Text Mining: A Methodology for Digital History (CUP).

Vayamos primero con la certera y concisa presentación editorial:

The Dangerous Art of Text Mining celebra la nueva y audaz investigación que ahora es posible gracias a la minería de textos: el arte de contar palabras a lo largo del tiempo. Sin embargo, este libro también presenta una advertencia: sin la ayuda de las humanidades, la ciencia de datos puede distorsionar el pasado y conducir a peligrosos errores. El libro se abre con una galería de errores y, a continuación, recorre los análisis pioneros que han resultado de la colaboración entre humanistas y científicos de datos. Jo Guldi explora cómo la minería de textos puede dar una idea de la cambiante historia del pasado: por ejemplo, lo rápido que los estadounidenses olvidaron la historia de la esclavitud. Los datos textuales pueden incluso demostrar quién fue responsable en el Congreso de silenciar el ecologismo en las últimas décadas. El libro termina con una apasionada visión de cómo sería la minería de textos en defensa de la democracia, y por qué los humanistas deben participar en ella”.

Dicho lo cual, he aquí algunos de los primeros párrafos introductorios:

“El peligro está implícito incluso en la metáfora. La minería se refiere específicamente a la extracción de valiosos minerales metálicos de la tierra, y metafóricamente a cualquier proceso que extraiga el contenido raro y valioso de su contexto circundante, normalmente a costa de un gasto extremo de mano de obra y con peligro para el medio ambiente. La minería de datos, una operación igualmente intensiva con costes ocultos implícitos, también comienza con el recuento, pero incluye transformaciones estadísticas para comprobar relaciones como la correlación y la significación. La minería de textos, un proceso con todos los peligros de las dos categorías anteriores, extrae valor del texto como dato. Comienza con transformaciones informáticas que descomponen y clasifican cadenas digitalizadas de texto de archivo en unidades que representan palabras y frases constituyentes y, a continuación, aplica manipulaciones estadísticas que nos permiten estudiar los tipos de señales y relaciones significativas que los analistas formados en humanidades y ciencias sociales desearían detectar en el curso de la lectura. Con la ayuda de ordenadores, los conocimientos de la lectura pueden llevarse a cabo a mayor escala.

La minería de textos es poderosa si se hace bien. Cuando se presenta en forma de visualizaciones, el resultado de la minería de textos ofrece, al menos potencialmente, un enorme rendimiento de la inversión, destilando kilómetros de texto en una valiosa y concisa representación de lo que significan todas esas palabras. Una sola visualización podría reducir la historia de cómo ha cambiado la política de una sola institución a lo largo de cien años. Los estudiosos de las humanidades han utilizado la minería de textos para ofrecernos un espejo de las historias que la gente se ha contado sobre cómo se transmite el Covid, y cómo los novelistas estadounidenses presentan a personajes blancos y negros de forma diferente a lo largo del tiempo.

Vemos un ejemplo de este método en la figura 0.1, donde se han utilizado incrustaciones de palabras para mostrar cómo los miembros del Congreso de EE.UU. hablaron del término “esclavitud” de 1870 a 2010. El eje x es una línea de tiempo que va de 1870 a 2020 (la longitud completa del conjunto de datos), dividida en periodos de cinco años. El eje y es una medida abstracta de la “similitud” entre la palabra clave “esclavitud” y las palabras que aparecen en la misma frase, párrafo o debate. Las palabras situadas más arriba en el eje y aparecen junto a “esclavitud” con mayor regularidad. El diagrama se diseñó para mostrar el contexto cambiante en el que aparecía la palabra “esclavitud” de una generación a otra.

La gran conclusión de la figura 0.1 es que durante la mayor parte del periodo transcurrido desde la Guerra Civil, el Congreso no ha hablado de raza cuando ha hablado de esclavitud. Los miembros del Congreso utilizaron el término “esclavitud” como metáfora de una multitud de otros males que deseaban denunciar. Calificaron la poligamia mormona, el nazismo y el bolchevismo como formas de esclavitud mental o moral.

Pero con mucha menos frecuencia los congresistas reconocían que la esclavitud como institución había destrozado la vida de generaciones de afroamericanos, traídos a Estados Unidos contra su voluntad. Los congresistas tampoco hablaban del legado de la esclavitud en la América moderna. En su lugar, asociaban la esclavitud con los acontecimientos en el extranjero, especialmente la “esclavitud económica” que asociaban con los regímenes comunistas.

La reticencia del Congreso a hablar de los hechos de la historia estadounidense en el principal órgano de la democracia estadounidense persistió durante más de un siglo. Sólo en los 90 “racismo” y “linchamiento” se convirtieron por primera vez en sinónimos de “esclavitud”.

Un diagrama como el de la figura 0.1 está diseñado para poner de manifiesto los cambios a lo largo del tiempo, cambios que pueden ser tan sutiles que sorprendan a muchos historiadores estadounidenses.  No es el algoritmo por sí solo lo que hace obvia esta idea. El algoritmo tiene que ser utilizado por un programador que entienda la importancia de los cambios a lo largo del tiempo en los patrones de palabras que aparecen con otras palabras. Al desvelar los misterios del algoritmo, la categoría del tiempo revela cómo nos hemos mentido unos a otros sobre nuestras instituciones y nuestra identidad.

También hay muchos análisis de texto basados en datos que pretenden ofrecer una visión sustantiva y fracasan. Estos fracasos de la minería de textos se producen cuando las destilaciones algorítmicas del texto se aplican erróneamente, con el resultado de análisis vacíos, sesgados o simplemente falsos.

Pensemos en el destino de las nubes de palabras en los últimos años. La nube de palabras (a veces conocida como “wordle” antes de la llegada de un popular juego del mismo nombre) es una visualización en la que el tamaño de las palabras corresponde a su frecuencia. En la visualización de la nube de palabras de la figura 0.2, las palabras más grandes están en el centro, pero la disposición espacial de las palabras es aleatoria, una elección estilística que anima a los ojos del espectador a vagar por la nube, asociando libremente por el camino.

Tras aparecer por primera vez como herramienta de navegación en el sitio web para compartir fotos Flickr en 2004, las nubes de palabras se convirtieron en la visualización preferida de los periódicos para reducir los discursos políticos a un gráfico pop. De 23004 a 2017, las nubes de palabras estuvieron en todas partes. Blogueros y sitios web utilizaban las nubes de palabras como índice de navegación. Durante la presidencia de Obama, periódicos como The Guardian publicaban regularmente visualizaciones que destilaban los discursos de Barack Obama sobre el Estado de la Unión en una nube de palabras. Pero las nubes de palabras desaparecieron abruptamente tanto de los periódicos como de los blogs cuando los acontecimientos políticos pusieron a prueba los límites de esta herramienta para revelar la verdad.

Ya durante la presidencia de Obama, la nube de palabras sirvió al público como una herramienta sencilla para convertir un texto complejo en una simple instantánea de un momento histórico. En los discursos de Obama, palabras clave como “libertad”, “pueblo” y “viaje” adquirían un gran tamaño, reforzando el sentimiento de Obama de que Estados Unidos era una nación en un punto de inflexión en la historia  Igualmente importante, la nube de palabras prometía destilar en una única verdad visualizable la realidad de la verdad en una era de sobrecarga de información.

Sin embargo, poco después de la elección de Donald Trump, la moda de las nubes de palabras empezó a disiparse. Con un nuevo presidente, el lenguaje se utilizaba de una forma fundamentalmente nueva, pero las nubes de palabras no hacían justicia a la diferencia. De hecho, si los periodistas de 2017 hubieran podido comparar todos los discursos de Trump durante su presidencia con los de Obama, habrían descubierto un hecho misterioso: los dos hombres utilizaron muchas de las mismas palabras al mismo ritmo. Ambos proclamaron su lealtad al “pueblo” “americano” y a su “país”; ambos hicieron referencia a los “Estados” “Unidos”. Obama habló de “economía” y “empleo”, mientras que Trump habló de “comercio” y “empleo”. Ambos se refirieron a “ciudadanos”, “familias” y “niños”. Ambos pregonaron su compromiso con la “seguridad”, con el papel de Estados Unidos en el “mundo” y con la importancia del “tiempo” presente.

(…)

Comprender las prioridades, los valores y las falsedades del presidente es una cuestión no poco prioritaria. Las personas razonables pueden discrepar razonablemente sobre los valores políticos. Pero los periódicos que sirven a personas razonables intentan proporcionar a todo el mundo los mismos hechos básicos sobre el momento presente y el pasado reciente. La nube de palabras desapareció porque se mostró incapaz, al menos en su forma automática, de generar hechos directos sobre Trump que fueran capaces de recoger las muchas diferencias obvias del presidente con su predecesor.

Un mundo entrenado en la manipulación de datos, pero ignorante o insensible al contexto original de los mismos, estará peligrosamente alejado de la realidad. La minería de textos puede ayudarnos a ser más precisos en la criba de datos a gran escala. Sin los conocimientos de las humanidades, la minería de textos cae fácilmente en el error: es como un mono alcanzando la luna, guiado sólo por el reflejo de la luna en un estanque, donde nunca la alcanzará.

Que debemos interesarnos por la precisión es obvio. Las universidades han aspirado durante mucho tiempo a ser el lugar donde los niños criados en el sesgo nativo de su propia localidad aprenden a familiarizarse con una realidad más amplia. Las empresas que dependen del análisis sintáctico del lenguaje con código también deberían interesarse por las formas de pensamiento híbrido: humanidades y matemáticas, ciencias sociales e informática.

La minería de textos puede utilizarse para trazar un retrato de la actividad partidista en los debates legislativos, los periódicos y las redes sociales. También puede apoyar el método más amplio de utilizar datos para localizar una discontinuidad en el tiempo y aprender todo lo posible sobre el carácter distintivo del acontecimiento en relación con otras perturbaciones similares, así como sobre los individuos, las causas y los contextos de perturbación.

Una vez que hemos ajustado los datos al propósito de comprender en qué se diferencian dos momentos en el tiempo, hemos dado un gran paso hacia la realidad. Hemos ajustado los datos al propósito de formular una pregunta histórica real. Hemos proporcionado un instrumento prácticamente útil para asignar culpas y perseguir reformas y, lo que es aún mejor, para empezar a conceptualizar los cambios que determinaron la forma del presente.

¿Por qué las soluciones de este tipo eran invisibles para el personal de los periódicos estadounidenses durante los años de Trump, cuando empezaron a mostrarse las limitaciones de la nube de palabras? Eran invisibles porque la minería de textos para el análisis histórico aún estaba en pañales durante los años de Trump. El lugar donde aparecerían las nuevas herramientas era todavía tierra de nadie entre dos campamentos enemigos.

(…)”.

© Cambridge University Press / Jo Guldi


Un comentario sobre “Jo Guldi: El peligroso arte de la minería de textos. Una metodología para la historia digital”

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.