1. Introducción

Uno de los objetivos de los lingüistas de la escuela descriptivista ha sido y es reunir los datos de la realidad suficientes para observar de cerca los fenómenos lingüísticos objeto de su investigación. Para alcanzar este objetivo, los dialectólogos visitan los lugares de la lengua meta de sus estudios para apuntar las características del habla local. Los sociolingüistas realizan encuestas controladas por varios parámetros lingüísticos y extralingüísticos. Los estudiosos que manejan los datos textuales, tanto en el estudio sincrónico como en el diacrónico, almacenan los corpora en formato digital para luego analizarlos extrayendo los ejemplos relevantes.

A la hora de llegar a algunas conclusiones, nos damos cuenta de que los datos no son exhaustivos sino que se limitan a presentar algunas partes de la totalidad. Trabajamos con especímenes parciales y no con la población total de los datos concernientes. ¿Cómo podríamos salvar el problema de la parcialidad frente a la totalidad o por lo menos alcanzar la representatividad deseada de los datos procedentes de la comunicación humana?

En la actualidad, la comunicación no se realiza exclusivamente cara a cara, ni a través de la forma tradicional de discursos, teléfonos, cartas, documentos en papel, etc. El mensaje, la información y el conocimiento se transmiten por medios inimaginables en los siglos pasados. Nos referimos al mundo de Internet, que apenas comenzó a finales del siglo XX¹. Los sueños de los lingüistas del pasado están realizados ya en gran escala por la tecnología de la información y la comunicación. Por medio de algunos servicios que se prestan gratuitamente, podemos acceder a la cantidad de información presentada en las páginas digitales de todos los lugares del mundo.

Por una cuestión de límite de tiempo, en esta ocasión nos limitamos a informar sobre algunos resultados de experimentos llevados a cabo en una sincronía de dos días² sobre dos aspectos relacionados con la presencia de la lengua española en su proyección mundial en Internet, y obtenidos mediante la aplicación de algunas técnicas de lingüística computacional.

2. Español sin fronteras

Dejando aparte el inglés, la lengua internacional por excelencia, el español, es una de las más difundidas en los espacios de Internet³. Para aproximarnos a la cantidad de páginas editadas en español, podemos utilizar el sistema del buscador Google de los Estados Unidos, la marca más conocida y utilizada en el mundo. Este buscador es utilizado por los lingüistas para encontrar ejemplos reales de palabras⁴, a diferencia de los usos normales de búsqueda de información general sobre asuntos concretos. La utilización primera sería la del diccionario, mientras que la segunda sería la de la enciclopedia.

Aparte del uso normal de la búsqueda, tanto en forma de diccionario como de enciclopedia, nos fijamos en una información muy importante sobre la cantidad aproximada de páginas encontradas. Si uno está versado en la «Búsqueda avanzada»⁵, puede obtener una información estadística del número de páginas de acuerdo con varias condiciones, entre las cuales destacamos la elección y condición de palabras, «Idioma» y «Región».

Google ofrece cuatro condiciones de las palabras: «con todas las palabras», «con la frase exacta», «con alguna de las palabras» y «sin las palabras». Estos criterios resultan sumamente útiles a la hora de estudiar los usos de algunos elementos lingüísticos. La tabla siguiente muestra la cantidad de páginas encontradas con la condición de «con alguna de las palabras» solicitadas⁶.

Según el estudio de estadística léxica de Juilland y Chang-Rodríguez (1965)⁸, basado en un corpus de 500.000 palabras, las voces más frecuentes son de, el, la, y, a, en, en este orden. Es decir, sería muy difícil que hubiera páginas sin la preposición de y mucho más difícil que haya páginas sin de ni el. Pensamos que es casi imposible editar las páginas sin usar las cinco palabras más frecuentes: dos preposiciones, dos artículos definidos y una conjunción, de modo que si buscamos con estas palabras mediante la condición optativa «con alguna de las palabras», el cálculo que ofrece el buscador representaría muy fielmente la cantidad de páginas en español existentes en el mundo.

Ahora bien, la misma operación puede efectuarse por «Región». En la opción que ofrece el buscador podemos elegir la localidad por país. Lo he intentado con la mayoría de las opciones y encontrado las cifras siguientes de los 41 países que poseen más de un millón de páginas (tabla 2)⁹:

En este cuadro podemos observar que Estados Unidos es el país que presenta más páginas en español, seguido de España, Chile, México, Argentina, etcétera¹⁰. A pesar de que se presenta una distribución desigual, lo que es normal en la estadística de frecuencia, podemos destacar el hecho de que las páginas en español se distribuyen no sólo en los países hispanohablantes sino también en los no hispanohablantes: Brasil, Francia, Alemania, Reino Unido, Suecia, Bélgica, Italia, Canadá, Países Bajos, China, Portugal, Corea del Sur, Suiza, Rusia, Irlanda, República Checa, Luxemburgo, Japón y Taiwán, aparte de Estados Unidos, que ocupa el primer lugar. ¿Estas páginas son realmente emitidas desde el país en cuestión? ¿Se divulga la lengua española con tanta fuerza en el mundo?

Al observar las primeras 343 páginas «de Japón» que ofrece el buscador, hemos comprobado que la mayoría son realmente emitidas desde la dirección «.jp», aunque también encontramos algunas excepciones, por ejemplo, las páginas de embajadas japonesas residentes en los países hispanohablantes, las que llevan la dirección «.edu» o «.com», etcétera. Estas excepciones, a nuestro modo de ver, no constituirían unos contraejemplos si los consideramos «páginas de Japón», dejando aparte su situación física geográfica. Ahora lo que importa es el hecho de que la lengua española se ha difundido más allá del mundo hispanohablante. Lo mismo puede decirse de los casos de las páginas emitidas por los hispanohablantes residentes en Japón. La cuestión de la autoría es relativa. Hay profesores japoneses de universidad que elaboran páginas en español, los cuales probablemente cuenten con la ayuda de colegas, amigos o conocidos nativos. Lo más destacable para nuestro actual objeto de estudio es que en estas páginas se publican mensajes e informaciones en español fuera del ámbito hispanohablante.

3. Español a través de las lenguas

Después de observar los espacios en español extendidos por el mundo, ampliemos nuestra visión a varios idiomas. Dentro de la multitud de idiomas que ofrece el buscador, hemos elegido cinco lenguas europeas: español, inglés, francés, alemán y ruso; y dos asiáticas: chino y japonés. Cuando se trata de personajes históricos en estas páginas, se respeta su ortografía original, aparte de las transliteraciones en su propio idioma. Lo que nos interesa es la frecuencia de las formas españolas de personalidades que se presentan en el contexto del idioma en cuestión. A través de la función de «con la frase exacta» y elección de «Idioma» del buscador Google, podemos saber la cantidad aproximada de páginas. He elegido nombres propios de la literatura, pintura y música, tratados en enciclopedias japonesas¹¹. La tabla siguiente muestra la cantidad de páginas en orden descendente de WWW («cualquier idioma»), con el límite de más de un millón de páginas¹²:

Por este cuadro podemos saber la cantidad aproximada de páginas donde aparecen los nombres en cuestión. Reconocemos de nuevo la fuerza de las dos lenguas internacionales: español e inglés. En comparación con estos dos idiomas, otras lenguas europeas, francés y alemán, ofrecen muchas menos páginas y todavía menos las dos lenguas asiáticas y la rusa.

Estas cifras no pueden ser necesariamente indicadoras de citas culturales, puesto que los nombres de grandes figuras de historia pueden ser utilizados en nombres de calles, hoteles, institutos de enseñanza, aulas de universidad, etcétera. Sabemos que la aerolínea española Iberia utiliza los nombres de grandes autores de la literatura española para identificar los aviones de tipo B-747¹³. Podemos considerar estas utilizaciones como fenómenos socioculturales. Los nombres de calles, hoteles, aviones, etcétera, no están lexicalizados¹⁴, completamente separados de los nombres de persona, a pesar de que a veces no nos damos cuenta del origen de su denominación. Serían resultado de una identificación artificial de entidades con la historia cultural. Todas estas cifras reflejan de alguna manera la referencia al pasado de la cultura hispánica, lo cual podríamos denominar como una «proyección lingüística cultural». Y una vez más nos llama la atención el hecho de que las personalidades de la cultura hispánica son proyectadas no solamente en español, sino en otras lenguas del mundo, en mayor o menor escala.

Además de todas estas cifras en cantidades absolutas, también nos interesa el orden inverso de la frecuencia, que se muestra de la manera siguiente¹⁵:

Ahora todas las cifras anteriores se han convertido en el orden inverso de frecuencia. Por ejemplo, la máxima cantidad alcanzada por Miguel de Cervantes en la tabla 3 se ha reducido en 24, el máximo del orden inverso; mientras que la mínima cantidad correspondiente a Francisco de Quevedo obtiene 1 en WWW. Por este cuadro podemos observar qué lugar ocupa cada nombre dentro del universo de cada idioma. Aparte del orden general de WWW, cada idioma ofrece unas características peculiares en su proyección de la cultura hispánica. Por ejemplo, Astor Piazzolla y Joan Miró alcanzan cifras relativamente altas en idiomas tanto europeos como asiáticos en contraste con el caso del español, donde ocupan una posición intermedia. Un caso inverso es el de José Hernández. La ordenación que presenta el Total de 7 idiomas no coincide exactamente con la de WWW, lo cual significa que se supone haber variaciones en otras lenguas no tratadas en la figura.

En el siguiente cuadro se muestra la matriz de coeficientes de correlación de las 9 categorías de idioma:

Figura 1. Idiomas. Coeficientes de correlación.

Aparecen marcadas las cifras superiores a 0,7, que indican un alto grado de correlación. A partir de esta matriz podemos elaborar un dendrograma, resultado del análisis multivariado cluster (método de valor medio):

Figura 2. Idiomas. Dendrograma.

Mediante esta figura podemos observar que hay dos grupos principales:

1. WWW, Español, Inglés, Total de 7 idiomas; y
2. Francés, Ruso, Chino, Alemán, Japonés.

Por la figura 1, sabemos que el coeficiente de correlación entre WWW y Español es 0,594. Esta cifra es tan abstracta que indica simplemente que se da un grado mediano de correlación. Veamos la realidad de la correlación, utilizando los datos de la tabla 4. Personas e idiomas - Orden inverso de frecuencia:

Figura 3. Español y WWW. Orden inverso de frecuencia. (Correl. 0,594).

En este gráfico Miguel de Cervantes aparece situado en primer lugar tanto en Español como en WWW, mientras que Francisco de Quevedo e Isaac Albéniz ocupan el último lugar en WWW y Español, respectivamente, dentro de los primeros 24 nombres más frecuentes. La distribución presenta una forma gradual y regular.

Ahora bien, el caso de Japonés es peculiar en el sentido de que el coeficiente de correlación entre este idioma y WWW es relativamente bajo: 0,367, lo que demuestra una baja correlación, por no decir nula:

Figura 4. Japonés y WWW. Orden inverso de frecuencia. (Correl. 0,367).

Según este gráfico los nombres que presentan valores peculiares son: Astor Piazzolla, Isaac Albéniz, Pau Casals y Joan Miró, que se sitúan en posiciones altas en Japonés, mientras que en el mundo de WWW ocupan lugares inferiores al valor medio dentro de los 24 elementos tratados. Las personas indicadas pertenecen a actividades musicales y pictóricas. Nos llama la atención que estos autores y Pablo Picasso y El Greco ocupan lugares superiores al de Miguel de Cervantes, el primero en Español y en WWW.

4. Conclusión

El objetivo de nuestro análisis en las secciones anteriores no ha sido elaborar un ranking de la cantidad de páginas ni de la proyección cultural, sino medir por algunos datos estadísticos la envergadura de la actividad de la lengua española divulgada en el mundo de Internet, así como observar la proyección de la cultura hispánica en las páginas en español y en otros idiomas¹⁶. Ninguno de los dos datos es homogéneo, sino que presentan una gran divergencia respecto de sus propias características.

Tradicionalmente, la lingüística hispánica ha venido investigando las variedades del español de acuerdo con la diversidad geográfica (geolingüística), la diversidad de parámetros personales y sociales (sociolingüística), de estilo de habla (estilística lingüística) y de tiempo (lingüística histórica). El resultado de investigación se titula como «Español DE América», «Español DE jóvenes», «Español DE estilo coloquial», «Español DEL Siglo de Oro», etcétera. Además de estas directrices establecidas, lo que podríamos proponer ahora es, tomando en cuenta la pertenencia constante a los parámetros tradicionales, aproximarnos a las variedades dinámicas del «español EN» distintos campos de actividades humanas: «español EN el ámbito universitario», «español EN Internet», «español EN la comunicación intercultural» y «Español EN el Mundo»¹⁷.

Notas

1. Para cuestiones generales sobre el español en el ámbito de Internet, véase Francisco A. Marcos Marín, «La lengua española en Internet», El español en el mundo, Instituto Cervantes, 2000, pp. 299-357.
2. Son los días 28 y 29 de enero de 2010. Es importante mantener una sincronía lo más aproximada posible para llevar a cabo unos estudios comparativos de informaciones que varían de un momento a otro en el mundo de Internet.
3. Véase Pedro Maestre Yenes, «La utilización de las diferentes lenguas en Internet», El español en el mundo, Instituto Cervantes, 1999, pp. 187-239.
4. En Yutaka Miyazazi y Mutsuro Kai, Nihongogaku, temabetsu fairu, internet kensaku gizyutu to nihongo kenkyuu («Lingüística Japonesa. Ficheros temáticos. (1) Técnicas de búsqueda en Internet y estudios lingüísticos japoneses»), Tokio: Meizishoin, están reunidos los artículos que tratan las cuestiones prácticas de esta investigación.
5. Citamos entre comillas indicaciones que aparecen en la interfaz de Google.
6. La fecha de realización es 28 de enero de 2010.
7. Se puede observar que desciende la cifra correspondiente a «de el la y», con respecto a «de el la». Esto se debe, según K’s Production (2003), al cambio de acceso a los distintos servidores distribuidos por el mundo, cada uno de los cuales se están actualizando constantemente. K’s Production, Google no himitsu («Secretos de Google»), Tokyo, Softmagic, 2003.
8. Frequency dictionary of Spanish Words, The Hague, Mouton, 1965.
9. Los países que siguen son: Dinamarca (977.000), Ucrania (921.000), Rumania (849.000), India (848.000), Noruega (683.000), Austria (661.000), Malasia (575.000), Israel (561.000), Estonia (558.000), Finlandia (527.000), Filipinas (525.000), Australia (509.000), Polonia (500.000), Tailandia (488.000), Eslovenia (424.000), Eslovaquia (399.000), Sudáfrica (399.000), Singapur (384.000), Hungría (364.000), Indonesia (340.000), Lituania (305.000), Bulgaria (301.000), Nueva Zelanda (279.000), Grecia (249.000), Islandia (198.000), Macedonia (183.000), Marruecos (155.000), Arabia Saudí (145.000), Haití (142.000), Vietnam (142.000), Emiratos Árabes Unidos (109.000), Jordania (106.000), Bosnia-Herzegovina (56.300), Letonia (52.200), Bielorrusia (35.400), Irán (34.900), Ciudad del Vaticano (28.400), Egipto (19.200), Pakistán (18.300), Kenia (15.000), Liechtenstein (10.600), Nigeria (6.400), Laos (4.260), Kuwait (4.220), Guinea Ecuatorial (3.380), Camboya (3.350), Iraq (3.130), Mongolia (2.340), Líbano (1.590), Nepal (1.560), Serbia (476), Myanmar (344). La fecha de la realización de búsqueda es 28 de enero de 2010.
10. Compárese con la situación descrita por Pedro Maestre Yenes (1999, op.cit., p.203): «El número total de páginas en español en los países en los que es lengua oficial es de 1.825.787, lo que supone un 68,04 por ciento de las páginas en nuestro idioma».
11. Hemos consultado principalmente: Mineo Ikegami, Nobuaki Ushizima, Keizo Kanki, Norio Kinshichi, Kazuhiro Kobayashi, Juan Sopeña, Jiro Hamada (eds.), Cyclopedia of Spain and Portugal, 1992, Heibonsha, Tokyo (en japonés); Yoshio Oonuki, Kazuyasu Ochiai, Iyo Kunimoto, Keiichi Tsunekawa, Masanori Fukushima, Hiroshi Matsushita, Cyclopedia of Latin America, new edition, Heibonsha, Tokyo (en japonés), 1999.
12. Los personajes históricos que siguen son: Emilia Pardo Bazán (999.000), Juan de Valdés (995.000), Jacinto Benavente (968.000), Pedro Antonio de Alarcón (912.000), Gabriela Mistral (881.000), Lope de Vega y Carpio (829.000), Diego Rodríguez de Silva y Velázquez  (827.000), Rubén Darío (822.000), Pío Baroja (775.000), César Vallejo (750.000), Inca Garcilaso de la Vega (Gómez Suárez de Figueroa) (708.000), Manuel de Falla (692.000), Luis Buñuel (690.000), Enrique Granados (652.000), Arcipreste de Talavera (636.000), Juan Ramón Jiménez (621.000), Miguel de Unamuno (604.000), Ramón Gómez de la Serna (589.000), Antoni Gaudí (565.000), Camilo José Cela (491.000), Rufino Tamayo (486.000), Tirso de Molina (456.000), Nicolás Guillén (435.000), Garcilaso de la Vega (406.000), Pedro Calderón de la Barca (365.000), Alfonso Reyes (355.000), Azorín (José Martínez Ruiz) (300.000), Benito Pérez Galdós (279.000), Atahualpa Yupanqui (268.000), Alejo Carpentier (259.000), Baltasar Gracián (258.000), Gustavo Adolfo Bécquer (254.000), Francisco Jiménez de Cisneros (251.000), Vicente Aleixandre (243.000), Fray Luis de León (220.000), José Zorrilla (208.000), Don Juan Manuel (200.000), Ramón J. Sender (190.000), Miguel Ángel Asturias (190.000), Jorge Manrique (177.000), José Carlos Mariátegui (175.000), Adolfo Bioy Casares (173.000), Dámaso Alonso (168.000), Juan Valera (166.000), Vicente Blasco Ibáñez (165.000), Julián Sanz del Río (160.000), Salvador de Madariaga (159.000), Manuel Puig (154.000), José María Arguedas (147.000), Juan Luis Vives (139.000), Arcipreste de Hita (135.000), Clarín (Leopoldo Alas) (126.000), José Donoso (124.000), Gabriel Miró (122.000), José Lezama Lima (115.000), Gonzalo de Berceo (111.000), David Alfaro Siqueiros (109.000), Ana María Matute (106.000), Juan de Mena (102.000), Marqués de Santillana (92.500), Augusto Roa Bastos (83.100), Ángel Ganivet (75.200), Mateo Alemán (71.900), Juan Ruiz de Alarcón (66.900), José Echegaray (66.400), Ramón del Valle-Inclán (62.800), Bartolomé Esteban Murillo (62.100), Francisco de Zurbarán (53.900), Juan del Encina (52.900), Marcelino Menéndez Pelayo (48.300), Benito Jerónimo Feijoo (46.900), Gaspar Melchor de Jovellanos (44.600), Armando Palacio Valdés (41.300), Fernando de Herrera (40.600), Juan Meléndez Valdés (30.500), Juan Eugenio Hartzenbusch (21.800), Bartolomé Torres Naharro (5.660). La fecha de la búsqueda es 29 de enero de 2010.
13. Cf. Mineo Ikegami et al. (op.cit.), s.v. Iberia Koukuu.
14. En cambio palabras tales como amperio, sándwich, pulman, rímel, vatio son ejemplos lexicalizados de nombres propios de persona, procedentes o no de otros idiomas. Cf. Charles E. Kany, Semántica hispanoamericana, Madrid, Aguilar, 1962, pp.193-194.
15. Las cifras pueden variar mucho si abreviamos o completamos con más apellidos: por ejemplo, Cervantes (15.800.000), Miguel de Cervantes (3.540.000), Miguel de Cervantes Saavedra (874.000). Para unificar los resultados con propósito comparativo entre varios idiomas, hemos utilizado la forma más usual de cita.
16. Para situar los personajes de cultura hispánica tratados en nuestro estudio dentro de un contexto general de la cultura universal, véase la investigación amplia de Luis Cueto Álvarez de Sotomayor, Chimo Soler Herrero y Javier Noya, «Iconos culturales hispanos en Internet: Lo que ven los buscadores», El Español en el Mundo, Instituto Cervantes, 2004, pp. 127-190.
17. Lo que estamos observando en el mundo de Internet es algo parecido a la situación del Estado de Tejas en EEUU descrita por Manuel Alvar (1996): «Es imposible encontrar gentes afincadas desde hace varias generaciones; lo normal es que de las regiones próximas vengan emigrantes cuyo establecimiento no es siempre duradero, que continúen manteniendo constante relación con su patria de origen y que reflejen el español mejicano de su procedencia. Es decir, más que el español de Tejas lo que puede obtenerse es un español en Tejas.», en Manuel Alvar (dir.), Manual de dialectología hispánica. El español de América, Barcelona, Ariel, pág. 95. Para la visión amplia del español, véanse Francisco Moreno Fernández y Jaime Otero Roth, Atlas de la lengua española en el mundo, Barcelona, Ariel, 2007; id. La lengua española en su geografía, Madrid, Arco / Libros, 2009.