Contamos 4,6 millones de palabras escritas en Latinoamérica. Por un lado, novelas y cuentos de 1841 a 1929; por otro, la prensa digital de 2023 de diecinueve países. Aquí ves qué palabras pesan más en cada uno, en qué se parecen la literatura y el periodismo, y en qué se separan.
de cualquier texto en español se escribe con solo cien palabras. En la literatura y en la prensa pasa lo mismo, aunque cada una las usa a su manera.
Lo ideal sería comparar literatura y prensa de la misma época, año por año, desde la primera gaceta americana (la Gazeta de México, 1722). Esos textos existen, pero los periódicos antiguos solo están en escaneos con mucho ruido de OCR o en hemerotecas que bloquean la descarga. Por eso esta versión compara las dos fuentes latinoamericanas limpias que hay. La literatura llega hasta 1929 porque lo posterior tiene derechos de autor. Parte de las diferencias es de género y parte es de época; la sección «Huellas de época» separa lo que se puede.
Novela, cuento y tradición, por año de primera edición.
Noticias digitales de 2023, identificadas por el dominio del medio.
Las veinte palabras más frecuentes son casi idénticas en la literatura y en la prensa: preposiciones, artículos, conjunciones y pronombres. No dicen nada por sí solas; sostienen la frase. Lo que cambia es el orden. La literatura sube que, no, me y le, las palabras del diálogo y de la intimidad. La prensa sube del, para, más y fue.
Usa el conmutador para quitar las palabras gramaticales y ver las que tienen contenido. Ahí aparece de qué habla cada una.
Valores en apariciones por millón de palabras. En negrita, las palabras que están en un solo top 20; en gris, las que comparten los dos.
En la prensa las diez primeras pesan más (casi el 30 % del texto) porque repite de, la, el, en en cada nombre de institución y cada complemento. Desde las cien primeras las dos curvas se igualan: con 10.000 formas distintas, ambas cubren entre el 89 y el 91 % de lo que escriben.
Si ordenas las palabras de más a menos frecuente y dibujas rango contra frecuencia en escala logarítmica, sale casi una recta. George K. Zipf la describió en 1935 y se cumple en todos los idiomas estudiados. Aquí las dos líneas casi se superponen: la literatura y el periodismo comparten la misma arquitectura estadística aunque hablen de cosas distintas.
Para encontrar lo que distingue a cada corpus usamos la prueba de verosimilitud (log-likelihood), el método estándar de la lingüística de corpus. Mide qué palabras aparecen en un texto mucho más de lo que el azar predice al compararlo con otro. Dejamos fuera las palabras gramaticales y los nombres de personajes.
Fíjate en tres cosas. La literatura está llena de tratamientos (don, doña, señor, señora) porque narra relaciones entre personas de una sociedad jerárquica. Su vocabulario es corporal y doméstico: ojos, mano, cabeza, voz, casa, puerta. Y su diálogo se marca con verbos como contestó y exclamó. La prensa, en cambio, habla en plural y en instituciones (personas, gobierno, autoridades, sector), mide el tiempo con el calendario (año) y nombra países (Argentina, México, Estados Unidos). Para citar dice informó.
Agrupamos palabras que cumplen la misma función y sumamos su frecuencia. Así se ve el perfil de cada corpus de un vistazo. Las barras están a la misma escala en todas las filas.
La literatura usa cuatro veces más primera persona y cinco veces más vocabulario del cuerpo. La prensa casi no dice yo ni tú, y multiplica por cuatro las instituciones y las cifras. Los verbos de habla quedan casi empatados: los dos géneros viven de citar a alguien, pero la literatura repite dijo y la prensa lo alterna con afirmó, señaló, aseguró, informó.
La diversidad léxica se mide en un tramo continuo de 100.000 palabras de cada corpus, para comparar tamaños iguales. Las oraciones de la prensa vienen ya separadas por el corpus de Leipzig; en la literatura las cortamos por signos de puntuación, y el diálogo las acorta.
Algunas diferencias no vienen de que un texto sea literatura y el otro prensa, sino de los cien años que los separan. Conviene reconocerlas para no confundirlas.
El vos de la literatura tiene dos orígenes. Uno es el vos reverencial antiguo, que aparece en novelas ambientadas en la Colonia o de tono arcaico, como Monja y casada de Riva Palacio o Sab de Gómez de Avellaneda. El otro es el voseo rioplatense de los cuentos de Fray Mocho, Viana y Payró, que escriben el habla del campo y del suburbio. En la prensa de 2023, aunque buena parte sea argentina, vos es once veces menos frecuente: el periodismo escribe en un registro neutro aunque sus lectores voseen.
Para ver la evolución en el tiempo usamos Google Books. Ojo: estas curvas mezclan libros de España y de América y no separan literatura de prensa. Sirven de contexto sobre cómo se mueve el idioma impreso en general. Pasa el puntero (o el dedo) sobre cada gráfico para leer los valores por millón de palabras.
Antes de 1800 hay pocos libros digitalizados por año y las curvas oscilan; además el OCR confunde la s larga (ſ) con la f. Las curvas están suavizadas con una media móvil de 5 años y terminan en 2010, porque en los últimos años del corpus cambia la mezcla de libros y aparecen saltos que no son del idioma.
La tabla incluye las 9.000 palabras más frecuentes de cada corpus. Si una palabra no aparece, es rara en ese corpus (menos de unas 3 veces por millón).