Computational lexical analysis of Flamenco genres

Este trabajo presenta un análisis computacional de más de 2000 letras de flamenco mediante procesamiento de lenguaje natural y aprendizaje automático para clasificar los géneros (*palos*), identificar sus campos semánticos característicos y revelar sus relaciones históricas y evolutivas a través de un análisis de redes.

Lo esencial

¡Hola! Imagina que el Flamenco es como una gran familia de músicos y cantantes que, durante siglos, han estado contando historias a través de sus canciones. Cada miembro de esta familia tiene su propia personalidad, su propio acento y sus propias historias que contar. A estos "miembros" o estilos de flamenco se les llama "palos" (como bulerías, soleá, seguiriyas, etc.).

El problema es que, hasta ahora, saber exactamente a qué familia pertenece una canción dependía mucho del "oído" y la experiencia de la persona que la escuchaba. Era como intentar adivinar si un amigo es de Madrid o de Sevilla solo por cómo camina: a veces es fácil, a veces es confuso.

¿Qué hicieron estos científicos?
Tres investigadores de las Islas Baleares decidieron ponerle un "microscopio digital" a las letras de más de 2.000 canciones de flamenco. En lugar de escuchar la música, usaron una computadora para leer y analizar las palabras que se usan en cada canción.

Aquí te explico sus descubrimientos con algunas analogías sencillas:

1. El "ADN" de las palabras (Clasificación)

Imagina que cada palo de flamenco tiene un vocabulario secreto, como si fuera su ADN.

• Las Alegrías (que vienen de Cádiz) hablan mucho del mar, de la ciudad y de fiestas. Sus palabras son como postales turísticas.
• Las Seguiriyas (muy tristes y profundas) hablan de Dios, del alma, del dolor y de la muerte. Sus palabras son como un susurro en una iglesia oscura.
• Las Bulerías son las más locas y festivas; hablan de amor, de familia gitana y de fiesta.

El truco de la computadora: Usaron un algoritmo (una especie de "detective de palabras" llamado Naive Bayes) que aprendió a leer estas letras. ¡Y funcionó! La computadora pudo decir: "¡Esta canción es una soleá!" solo leyendo las palabras, sin escuchar ni una sola nota de música. Logró acertar en más del 85-90% de los casos para los estilos más claros.

2. El mapa de las relaciones (Distancias)

Después de leer todas las letras, la computadora dibujó un mapa de relaciones. Imagina que cada palo es una isla.

• Algunas islas están muy cerca (como Tangos y Tientos), porque sus letras son casi idénticas. Esto confirma lo que los expertos sabían: los Tientos son como un Tango que va más despacio.
• Otras islas están muy lejos (como las Alegrías), porque sus palabras son muy diferentes a las de los demás.
• Las Bulerías actúan como un puente gigante o una plaza central. Como tienen un vocabulario muy rico y variado (hablan de todo), conectan a casi todos los demás estilos.

3. ¿Qué nos dice esto?

Este estudio es como encontrar un árbol genealógico escrito en las letras de las canciones.

• Confirmó que el flamenco tiene raíces muy claras en la cultura gitana (muchas palabras especiales en su dialecto, el caló, aparecen en los estilos más tristes).
• Mostró cómo algunas canciones evolucionaron de otras. Por ejemplo, confirmó que las Malagueñas y los Fandangos son primos hermanos que vienen de la misma zona (Málaga).

En resumen

Los científicos usaron matemáticas y computadoras para demostrar que las palabras de una canción de flamenco tienen una firma única. No es solo cuestión de ritmo o melodía; la forma en que se cuentan las historias (las palabras que se eligen) define perfectamente a qué "tribu" o palo pertenece la canción.

Es como si, sin escuchar la música, pudieras saber si alguien es un "poeta triste", un "bailarín festivo" o un "narrador de historias de amor" simplemente analizando la lista de palabras que usa en su diario. ¡Y así, la computadora nos ayudó a entender mejor la historia y el alma del flamenco!

Resumen técnico

Aquí tienes un resumen técnico detallado del artículo en español, estructurado según los puntos solicitados:

Resumen Técnico: Análisis Lexical Computacional de Géneros Flamencos

1. Planteamiento del Problema
El flamenco, reconocido como Patrimonio Cultural Inmaterial de la Humanidad por la UNESCO, es una tradición musical rica y compleja originaria de Andalucía. Sin embargo, su estudio académico ha dependido históricamente de métodos cualitativos y subjetivos para la clasificación de sus géneros (llamados palos). La clasificación tradicional se basa en la experiencia del oyente y en criterios como patrones rítmicos, progresiones de acordes y origen geográfico, lo que a menudo genera debates académicos sobre la taxonomía correcta de ciertos estilos.

Existe una carencia significativa de estudios cuantitativos que analicen sistemáticamente las letras del flamenco. A pesar de que las letras son un vehículo histórico de transmisión cultural y reflejan el contexto sociocultural de sus creadores, no existen herramientas computacionales dedicadas al análisis del contenido léxico de estas canciones. El objetivo de este trabajo es llenar ese vacío aplicando técnicas de Procesamiento del Lenguaje Natural (NLP) y aprendizaje automático para responder a dos preguntas de investigación:

1. ¿Se pueden clasificar los palos flamencos únicamente mediante su léxico?
2. ¿Qué relaciones existen entre los principales palos basándose en su vocabulario?

2. Metodología
Los autores utilizaron un enfoque basado en datos y aprendizaje automático sobre un corpus de letras de flamenco:

• Dataset: Se utilizó un corpus curado por Norman P. Kliman que contiene 3.380 letras de 78 estilos diferentes. Para el análisis, se seleccionó un subconjunto de los 8 géneros más representados (con más de 100 letras cada uno): bulerías, soleá, seguiriyas, fandangos, tangos, tientos, malagueñas y alegrías. El corpus final constaba de 2.216 letras.
• Preprocesamiento: Se aplicaron técnicas de limpieza de texto, incluyendo la eliminación de puntuación y acentos (debido a inconsistencias en la transcripción manual), la normalización de mayúsculas/minúsculas (distinguiendo sustantivos propios de inicios de verso) y la eliminación de palabras vacías (stop words). Se concatenaron nombres compuestos (ej. "SantaAna") para preservar su significado léxico.
• Modelo de Clasificación: Se empleó un clasificador Naive Bayes Multinomial (MNB).
  • Las letras se representaron mediante matrices TF-IDF (Frecuencia de Término - Frecuencia Inversa de Documento) en lugar de simples conteos de palabras, para ponderar la importancia de los términos.
  • El conjunto de datos se dividió en 85% para entrenamiento y 15% para validación.
  • Se optimizó el parámetro de suavizado ($\alpha$) mediante búsqueda de la máxima precisión global.
• Extracción de Características: Se identificaron "palabras esenciales" para cada género. Estas se definieron como aquellas palabras que mantienen una alta probabilidad condicional $P(w|C)$ (donde $w$ es la palabra y $C$ el género) de manera consistente a través de múltiples iteraciones de entrenamiento.
• Análisis de Distancia y Redes: Se calculó la distancia coseno entre los vectores TF-IDF de cada género para cuantificar la similitud léxica. Basándose en estas distancias, se construyó un grafo de red y un Árbol de Expansión Mínima (MST) para visualizar las relaciones jerárquicas y evolutivas entre los estilos.

3. Contribuciones Clave

• Prueba de Concepto: Demostración de que es posible clasificar automáticamente los géneros flamencos con alta precisión utilizando exclusivamente el contenido léxico de sus letras, sin necesidad de información musical (ritmo, melodía).
• Identificación de Campos Semánticos: Mapeo automático de los campos léxicos característicos de cada estilo (geografía, emociones, cultura gitana, religión), revelando cómo el lenguaje refleja la identidad cultural de cada palo.
• Validación Cuantitativa de Teorías Históricas: Uso de métricas de distancia léxica para corroborar o proponer relaciones históricas entre géneros que antes se basaban solo en la tradición oral o la intuición de expertos.
• Metodología Reproducible: Establecimiento de un marco metodológico para el análisis cuantitativo del patrimonio cultural inmaterial mediante NLP.

4. Resultados Principales

• Precisión de Clasificación: El modelo MNB logró clasificar los géneros con un alto grado de precisión.
  • Seguiriyas (91%), alegrías (88%) y soleá (85%) mostraron las tasas de acierto más altas.
  • Tangos (50%) y tientos (61%) tuvieron menor precisión debido a su alta similitud léxica.
• Confusiones Significativas: El modelo confundió frecuentemente géneros que históricamente están relacionados:
  • Bulerías con soleá (39% de confusión), apoyando la teoría de que las bulerías surgieron de la aceleración de la soleá.
  • Tientos con tangos (40% de confusión), validando que los tientos son una variación lenta de los tangos.
  • Malagueñas con fandangos (53% de confusión), sugiriendo un origen común en Málaga.
• Léxico Característico:
  • Alegrías: Vocabulario ligado a Cádiz, festividades y lugares específicos (Muralla Real, mar).
  • Seguiriyas y Soleá: Alto uso de vocabulario caló (lengua gitana), conceptos abstractos profundos (Dios, alma, desgracia, infierno) y temas de sufrimiento.
  • Bulerías: Vocabulario más diverso y festivo, centrado en la identidad gitana, el amor y nombres propios.
  • Fandangos: Enfoque en el amor romántico y la mujer.
• Estructura de Red (MST): El análisis de redes reveló cuatro ramas principales convergiendo en las bulerías como nodo central:
  1. Rama gitana pura (seguiriyas, soleá).
  2. Rama de Cantes de Málaga (malagueñas, fandangos).
  3. Rama de Tangos (tangos, tientos).
  4. Rama de alegrías (la más distante léxicamente).

5. Significado e Impacto
Este trabajo representa un avance significativo en la musicología computacional y el estudio del patrimonio cultural. Al cuantificar las relaciones entre los géneros flamencos, el estudio:

• Objetiva la clasificación: Reduce la subjetividad en la taxonomía del flamenco, proporcionando evidencia empírica sobre la evolución y el parentesco de los estilos.
• Ilumina la identidad cultural: Muestra cómo las letras codifican la historia, la geografía y la experiencia emocional de las comunidades que dieron origen a cada estilo.
• Abre nuevas líneas de investigación: Sugiere que las técnicas de NLP pueden aplicarse a otras tradiciones orales para descubrir patrones ocultos y dinámicas de evolución cultural que los métodos tradicionales podrían pasar por alto.

En conclusión, el estudio demuestra que el léxico de las letras del flamenco no es aleatorio, sino que porta una estructura profunda que refleja la historia, la cultura y la evolución de esta tradición musical, permitiendo una comprensión más profunda y cuantitativa de su riqueza.