LuxBorrow: From Pompier to Pompjee, Tracing Borrowing in Luxembourgish

El artículo presenta LuxBorrow, un análisis centrado en los préstamos lingüísticos que examina 27 años de noticias en luxemburgués para demostrar que, aunque el uso de múltiples idiomas es ubicuo, la mezcla se caracteriza por inserciones localizadas con una adaptación morfológica predominante, especialmente de fuentes francesas, lo que impulsa la propuesta de métricas de evaluación basadas en préstamos en lugar de índices generales de mezcla.

Lo esencial

Imagina que el idioma luxemburgués (LU) es como un gran río principal que fluye a través de las noticias diarias. Durante 27 años, dos investigadores (Nina y Fred) han estado observando este río, no para ver cómo fluye el agua, sino para contar cuántas hojas, ramas y piedras de otros ríos (el francés, el alemán y el inglés) han terminado flotando dentro de él.

Este estudio se llama LuxBorrow y su objetivo es entender cómo el luxemburgués "pide prestado" palabras de sus vecinos. Aquí tienes la explicación sencilla:

1. El Río Principal y los Visitantes

El luxemburgués es el anfitrión de la fiesta. En casi todos los artículos de noticias (más de 259.000), el luxemburgués es la estructura principal. Sin embargo, es una fiesta muy internacional:

• 77 de cada 100 artículos tienen al menos una palabra de otro idioma.
• 65 de cada 100 artículos mezclan tres o cuatro idiomas a la vez.

Pero ojo: tener muchos invitados no significa que la fiesta esté descontrolada. La mayoría de las veces, los "visitantes" (palabras extranjeras) entran, dicen su frase y se van, pero el anfitrión (el luxemburgués) sigue llevando el ritmo de la conversación. No es que el luxemburgués y el francés sean dos mitades iguales; es más bien que el luxemburgués tiene un "acento internacional" muy marcado.

2. La Diferencia entre un "Huésped de Honor" y un "Turista"

El estudio hace una distinción muy importante, como si fuera un hotel:

• El Turista (Cambio de Código): Es cuando alguien entra en la habitación y habla en su propio idioma sin cambiar nada. Por ejemplo, decir una frase completa en francés dentro de un texto en luxemburgués. Es espontáneo y no se adapta.
• El Huésped de Honor (Préstamo Adaptado): Es cuando la palabra extranjera entra, se quita el abrigo, se pone el uniforme local y se queda a vivir.
  • Ejemplo: La palabra francesa pompier (bombero) se convierte en pompjee en luxemburgués. Ha cambiado su forma para encajar en la gramática local.

Los investigadores descubrieron que el luxemburgués es muy bueno "vestiendo" a sus invitados. De las palabras prestadas que encontraron:

• El 64% se adaptaron morfológicamente (cambiaron su forma, como pompier -> pompjee).
• El 36% solo cambiaron su ortografía (como escribir on como oun).
• Solo un 0.3% se quedó tal cual, sin adaptarse.

3. ¿De dónde vienen los invitados?

Si el luxemburgués fuera una casa, la cocina estaría dominada por la cocina francesa.

• Francia es el proveedor principal de palabras adaptadas (casi el 99% de las veces).
• Alemania está empezando a aportar un poco más, pero sigue siendo un segundo plano.
• Inglaterra es casi invisible en este proceso de adaptación; sus palabras suelen entrar como turistas (cambios de código) y no como huéspedes que se quedan a vivir.

4. La Evolución: ¿Está la fiesta volviéndose más ruidosa?

Al mirar las noticias desde 1999 hasta 2025, los investigadores notaron una tendencia clara:

• Más mezcla: La cantidad de palabras extranjeras ha aumentado un 37% en estos 27 años.
• Más estabilidad: Aunque hay más mezcla, no es un caos. Es una mezcla predecible y estable.
• El momento clave: En 2020, hubo un pico de mezcla (probablemente por la pandemia y la reforma ortográfica), pero la tendencia general es de una integración lenta y constante.

5. ¿Por qué importa esto? (La analogía del Traductor)

Imagina que quieres construir un traductor automático o un asistente de voz para el luxemburgués.

• Si el traductor solo sabe que el texto es "mezclado", se confundirá.
• Pero si el traductor sabe qué palabras son préstamos adaptados (como pompjee) y cuáles son turistas (frases enteras en francés), puede entender el texto mucho mejor.

El estudio nos dice que no basta con contar cuántas palabras hay de cada idioma. Hay que mirar cómo se han adaptado. Es como saber la diferencia entre un inmigrante que ha aprendido el idioma local y un turista que solo pide un café en su idioma.

En resumen

El luxemburgués es un idioma resiliente y dominante. Aunque convive con el francés, el alemán y el inglés, y aunque acepta muchas palabras de ellos, las "maquilla" y las adapta a su propia identidad. No está desapareciendo; está evolucionando, absorbiendo lo mejor de sus vecinos pero manteniendo su propia estructura como el río principal que sigue fluyendo.

Los autores nos dicen: "No mires solo la cantidad de mezcla, mira la calidad de la adaptación". Y en Luxemburgo, la adaptación es la reina.

Resumen técnico

Resumen Técnico: LuxBorrow

1. Planteamiento del Problema

El Luxemburgués (LU) es una lengua en contacto intenso con el alemán (DE), el francés (FR) y el inglés (EN). En los medios de comunicación luxemburgueses, la mezcla lingüística es omnipresente. Sin embargo, existe una distinción crítica y a menudo difusa entre:

• Préstamos léxicos (Borrowing): Elementos integrados en el léxico y la gramática de la lengua receptora (LU), a menudo con adaptaciones ortográficas o morfológicas.
• Cambio de código (Code-switching): Alternancia espontánea y no integrada entre idiomas dentro del discurso.

El problema central es que los sistemas de Procesamiento de Lenguaje Natural (NLP) actuales y las métricas estándar (como el Índice de Mezcla de Código o CMI) a menudo tratan toda la mezcla como un fenómeno homogéneo. Esto dificulta la robustez de los sistemas NLP (como ASR, MT o normalización) y la comprensión sociolingüística precisa. No existía un corpus etiquetado a escala masiva para LU que diferenciara explícitamente entre préstamos integrados y cambios de código, especialmente en un contexto de recursos lingüísticos limitados.

2. Metodología

Los autores presentan LuxBorrow, un pipeline de análisis centrado en el préstamo léxico, aplicado a un corpus longitudinal de 259,305 artículos de noticias de RTL (1999–2025), con un total de 43.7 millones de tokens.

La metodología se estructura en tres fases principales:

• A. Identificación de Idioma Jerárquica (LID):

  • Nivel de oración: Se utiliza OpenLID (basado en FastText) para clasificar la oración completa. Se aplica un umbral de probabilidad adaptativo a la longitud de la oración para evitar falsos positivos en oraciones cortas. Solo las oraciones etiquetadas como LU pasan a la siguiente etapa.
  • Nivel de token: Dentro de las oraciones LU, se ejecuta un detector de préstamos específico en lugar de un LID genérico.

• B. Detección de Préstamos y Codificación:

  • Normalización: Los tokens se lematizan y normalizan ortográficamente usando spellux.
  • Registro de Préstamos: Se construyó un registro manual y automático de 7,796 entradas de préstamos derivados del Lëtzebuergeschen Online Dictionnaire (LOD) y Wiktionary.
  • Reglas de Adaptación: Se implementaron patrones morfológicos y ortográficos para distinguir préstamos integrados de cambios de código.
    • Criterio de préstamo: Tokens que coinciden con patrones de adaptación conocidos y ocurren en contextos predominantemente LU (ventanas de ±3 tokens con alta densidad de LU).
    • Criterio de cambio de código: Spanos más largos de idioma donante con sintaxis del idioma donante.
  • Resolución de Ambigüedades: Se aplicaron reglas para descartar falsos positivos, como palabras de herencia común (ej. raíces germánicas compartidas entre LU y DE) o préstamos paralelos (palabras tomadas de un origen común, no de una lengua a otra).

• C. Análisis Estadístico y Métricas:

  • Se calcularon métricas documentales (CMI, Entropía de Shannon, Índice M) y métricas específicas de préstamo (Tasa de Tokens Préstamo, Entropía del Donante, Ratio de Asimilación).
  • El análisis se segmentó por dominio (política, deportes, etc.) y periodos temporales (1999–2025).

3. Contribuciones Clave

1. Corpus Anotado a Gran Escala: El primer corpus longitudinal (27 años) de noticias en LU con etiquetas híbridas a nivel de token para identificación de idioma y distinción explícita entre préstamo y cambio de código.
2. Pipeline de Detección Híbrido: Un sistema que combina LID a nivel de oración con un detector basado en reglas y léxico a nivel de token, diseñado específicamente para lenguas de recursos limitados con alta mezcla.
3. Métricas Centradas en el Préstamo: Propuesta de abandonar las métricas de mezcla general a favor de indicadores más accionables: tasas de tokens/préstamos, entropía del idioma donante sobre los ítems prestados y ratios de asimilación.
4. Análisis Diacrónico: Una visión detallada de cómo ha evolucionado la integración léxica y el cambio de código en LU durante un cuarto de siglo.

4. Resultados Principales

• Dominio de la Matriz LU: El luxemburgués sigue siendo la lengua matriz en el 100% de los documentos. Aunque el 77.1% de los artículos incluyen al menos un idioma donante, la intensidad de la mezcla es baja (CMI mediano de 5.25).
• Amplitud vs. Intensidad: La presencia de múltiples idiomas (hasta 4) no implica un texto bilingüe equilibrado. El CMI mediano aumenta ligeramente de 3.90 (LU+1) a 7.00 (LU+3), indicando inserciones localizadas en lugar de alternancia profunda.
• Patrones de Adaptación (RQ3):
  • Se identificaron 25,444 instancias de préstamos.
  • Distribución: 63.8% morfológica, 35.9% ortográfica y solo 0.3% léxica (sin adaptación).
  • Reglas Dominantes: Las reglas ortográficas individuales más frecuentes son on → oun (34.5%) y eur → er (29.6%). Sin embargo, colectivamente, los cambios morfológicos dominan.
  • Préstamos Puros: Los préstamos sin adaptación (léxicos puros) son extremadamente raros.
• Evolución Diacrónica (RQ4):
  • El cambio de código ha aumentado un 37.4% en frecuencia desde 1999 hasta 2025.
  • La proporción de préstamos morfológicamente adaptados es pequeña (~0.73% del total de mezcla), pero su volumen absoluto ha crecido 13.2 veces entre el primer y el último periodo.
  • Origen de los Préstamos: El francés (FR) es el proveedor abrumador de préstamos adaptados (~97-99%), seguido de un crecimiento modesto del alemán (DE) y un aporte insignificante del inglés (EN).
• Sesgo de Dominio: Las secciones políticas muestran picos de mezcla, pero a menudo son eventos de muestra pequeña (ej. discursos específicos). Las secciones grandes (Nacional, Internacional) muestran una mezcla moderada pero persistente y estable.

5. Significado e Impacto

• Para la Lingüística de Contacto: El estudio valida el "Simple View" de préstamos y cambio de código en un contexto europeo multilingüe, demostrando que la integración morfológica es el mecanismo principal para la entrenchment (asentamiento) de préstamos, incluso en una lengua con alta exposición a otras.
• Para el NLP (Procesamiento de Lenguaje Natural):
  • Demuestra que los identificadores de idioma estándar fallan al distinguir préstamos integrados de cambios de código.
  • Sugiere que para tareas como la normalización de texto, ASR o Traducción Automática, es crucial utilizar diagnósticos centrados en el préstamo (ratios de asimilación, reglas de adaptación) en lugar de métricas de mezcla globales.
  • Proporciona un marco para mejorar la robustez de modelos en entornos multilingües de baja recursos.
• Limitaciones y Futuro: El estudio se basa en un solo medio (RTL), lo que puede introducir sesgos editoriales. El trabajo futuro incluirá la creación de un conjunto de datos "gold standard" anotado manualmente, la inclusión de datos conversacionales y redes sociales para capturar préstamos más raros, y la integración de estos detectores en modelos de secuencia basados en datos.

En conclusión, LuxBorrow establece que, aunque la mezcla lingüística en Luxemburgo es omnipresente, la estructura del texto sigue siendo dominada por el luxemburgués, y la integración de elementos extranjeros ocurre principalmente a través de reglas ortográficas y morfológicas sistemáticas, especialmente provenientes del francés.