Phonological Fossils: Machine Learning Detection of Non-Mainstream Vocabulary in Sulawesi Basic Lexicon

Este estudio utiliza un clasificador de aprendizaje automático (XGBoost) entrenado en características fonológicas para identificar vocabulario no heredado en lenguas de Sulawesi, revelando un patrón fonológico distintivo pero concluyendo que la falta de familias léxicas coherentes descarta la existencia de una única lengua sustrato pre-austronesia compartida.

Lo esencial

Imagina que las lenguas son como un gran árbol familiar. La mayoría de las ramas (palabras) crecieron de la misma semilla original (el proto-austronésico) y se parecen mucho entre sí. Pero, en algunas islas como Sulawesi (Indonesia), hay ciertas "ramas extrañas" que no encajan en el árbol: son más largas, tienen sonidos raros y parecen no tener parientes.

Los lingüistas siempre han pensado: "¡Eso debe ser una lengua antigua que vivía aquí antes de que llegaran los austronesios!". Es como encontrar una piedra en un jardín de rosas y asumir que es un fósil de un dinosaurio.

Este estudio pregunta: ¿Son realmente fósiles (una lengua antigua compartida) o son simplemente "malas hierbas" que cada jardinero plantó por su cuenta?

Aquí te explico cómo lo descubrieron, usando una analogía de detectives y un escáner de huellas dactilares.

1. El Problema: ¿Fósil o Invención?

En Sulawesi, hay muchas palabras básicas (como "cortar", "atarse", "grande") que no se parecen a las de sus vecinos.

• La teoría tradicional: Son restos de una lengua pre-austronesia única que todos heredaron.
• La duda: ¿O es que cada idioma inventó sus propias palabras raras de forma independiente?

El problema es que los lingüistas humanos a veces se confunden. Si una palabra no tiene un "pariente" conocido, asumimos que es un fósil. Pero ¿y si es solo que no hemos encontrado el pariente todavía?

2. La Solución: El "Escáner de Huellas Dactilares" (Machine Learning)

Los autores crearon un detective robótico (un modelo de aprendizaje automático) para resolver esto.

• El truco: Le dieron al robot una lista de palabras y le dijeron: "No mires si estas palabras son parientes entre sí (eso sería trampa). Solo mira cómo suenan".
• La tarea: El robot tenía que aprender a distinguir entre las palabras "normales" (que siguen las reglas de sonido austronesias) y las "raras" (las sospechosas).

3. La "Huella Dactilar Fonológica"

El robot descubrió que las palabras "raras" tenían un patrón de sonido muy específico, como una huella dactilar única. Estas palabras solían ser:

• Más largas: Como si alguien hubiera añadido trozos extra.
• Con más "choques" de consonantes: Sonidos que en las lenguas normales suelen chocar y separarse.
• Con "golpes de garganta": Un sonido especial (la glotal) que es muy común en estas palabras sospechosas.
• Verbos de acción: Muchas de estas palabras eran verbos como "morder" o "atacar".

La analogía: Es como si el robot dijera: "Oye, todas estas palabras extrañas suenan como si alguien hubiera comido demasiada comida picante y se les hubiera atascado en la garganta, mientras que las palabras normales suenan suaves y redondas".

4. El Gran Descubrimiento: ¡No son Fósiles Compartidos!

Aquí viene la parte más importante. Si todas estas palabras "raras" vinieran de una sola lengua antigua (un fósil compartido), deberían tener una relación familiar entre sí. Deberían parecerse como primos.

El estudio tomó las 266 palabras que ambos métodos (la regla humana y el robot) marcaron como sospechosas y las puso a "jugar a las familias".

• Resultado: ¡No encajaron! No formaron grupos coherentes.
• La conclusión: No hay una sola lengua antigua que las haya dejado. En su lugar, parece que cada idioma inventó sus propias palabras raras de forma independiente.

La metáfora final: Imagina que en seis casas diferentes, los dueños deciden pintar sus puertas de un color extraño (rojo neón).

• Hipótesis antigua: ¡Todos compraron la pintura en la misma tienda de un vecino antiguo!
• Verdad del estudio: No, cada uno compró su pintura en una tienda diferente. Simplemente, a todos se les ocurrió pintar la puerta de rojo neón por razones distintas (quizás porque les gustaba el color o porque la puerta estaba rota). No hay un "abuelo rojo neón" compartido.

5. ¿Por qué importa esto?

• Validación: El estudio confirma que el "sonido raro" es real y detectable por máquinas.
• Precaución: Nos enseña que no podemos asumir que una palabra rara es un fósil de una lengua antigua solo porque suena diferente. A veces, es solo una innovación local.
• Herramienta nueva: Ahora tenemos un "filtro" computacional que puede escanear miles de palabras rápidamente para decirle a los lingüistas humanos: "¡Eh, fíjate en estas! Suena sospechoso, investiga más".

En resumen

Este estudio usó inteligencia artificial para escanear las "huellas dactilares" de las palabras en Sulawesi. Descubrió que, aunque hay muchas palabras que suenan "extranjeras", no provienen de un solo pueblo antiguo perdido, sino que son invenciones independientes de cada idioma. Es como descubrir que, aunque todos usaron el mismo tipo de sombrero, no se lo prestaron entre ellos; cada uno se lo compró por su cuenta.

Resumen técnico

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

Título: Fósiles Fonológicos: Detección de Vocabulario No Mayoritario en el Léxico Básico de Sulawesi mediante Aprendizaje Automático

1. El Problema

En muchas lenguas austronesias de Sulawesi (Indonesia), una proporción sustancial del vocabulario básico resiste la reconstrucción a una forma proto-lengua. Estas formas carecen de cognados plausibles, se desvían de la estructura de raíz disilábica canónica y muestran patrones fonológicos inconsistentes con las correspondencias sonoras establecidas.

• Hipótesis tradicional: Se ha interpretado que estas formas no conformes son remanentes de lenguas sustrato pre-austronesias desplazadas por la expansión austronesia.
• Limitación actual: Esta interpretación asume que la no conformidad fonológica implica un origen no austronesio compartido, una premisa que rara vez se ha probado sistemáticamente. Además, los métodos tradicionales de detección de sustrato requieren un conocimiento experto profundo y no escalan bien a grandes conjuntos de datos.

2. Metodología

Los autores proponen un enfoque computacional híbrido que combina un método de sustracción basado en reglas con un clasificador de aprendizaje automático (ML) entrenado exclusivamente en características fonológicas.

• Datos: Se utilizaron 1,357 formas léxicas de 6 lenguas de Sulawesi (Muna, Bugis, Makassar, Wolio, Toraja-Sa'dan, Tolaki) extraídas de la Austronesian Basic Vocabulary Database (ABVD).
• Diseño de Dos Modelos (para evitar circularidad):
  • Modelo A (Línea base circular): Entrenado con 31 características, incluyendo propiedades de distribución (tamaño del conjunto de cognados, etc.). Este modelo sirve solo como herramienta de clasificación, ya que "memoriza" la etiqueta de entrenamiento.
  • Modelo B (Reclamación científica): Entrenado con 27 características fonológicas y distribucionales, excluyendo todas las datos de cognados. Si este modelo funciona, demuestra que las propiedades fonológicas por sí solas distinguen el vocabulario heredado del no mayoritario.
• Características del Modelo B: Incluyen longitud de la forma, conteo de vocales, presencia de oclusivas glotales, clusters consonánticos, prefijos canónicos, dominio semántico y cobertura de cognados a nivel de idioma (como variable de control).
• Algoritmos: Se entrenaron XGBoost, Random Forest y Regresión Logística.
• Validación:
  • Validación cruzada estratificada (5-fold, 10 semillas).
  • Leave-One-Language-Out (LOLO): Entrenar con 5 idiomas y probar con el sexto para verificar la generalización.
  • Análisis de Consenso: Cruce de predicciones entre el método de sustracción (E022) y el ML (E027) para identificar candidatos de alta confianza.
  • Agrupación Fonológica: Uso de distancia de Levenshtein y algoritmos de clustering (Ward, DBSCAN) para verificar si los candidatos de consenso forman familias léxicas coherentes (lo que indicaría un sustrato común).

3. Contribuciones Clave

1. Metodología de Detección No Circular: Introducen un diseño de dos modelos que separa las características de cognados de las fonológicas, demostrando que la señal fonológica es detectable independientemente de los datos de cognados.
2. Prueba de la Hipótesis de Sustrato Común: Ponen a prueba computacionalmente la suposición de que el vocabulario no conforme en lenguas relacionadas deriva de una fuente no austronesia común.
3. Identificación de una "Huella Dactilar Fonológica": Caracterizan un perfil fonológico específico asociado con el vocabulario no mayoritario en Sulawesi.
4. Análisis de Convergencia Histórica: Conectan los hallazgos computacionales con la adaptación histórica de la escritura Hanacaraka en javanés, mostrando que las categorías fonológicas eliminadas en la escritura coinciden con las detectadas por el modelo.

4. Resultados Principales

• Rendimiento del Clasificador:
  • El Modelo B (solo fonológico) alcanzó un AUC de 0.763 (± 0.007) en validación cruzada, demostrando una capacidad discriminativa moderada pero fiable sin usar datos de cognados.
  • La huella dactilar es robusta: se mantiene tras la conversión aproximada a IPA y la eliminación de características de longitud.
• La "Huella Dactilar Fonológica": Las formas no mayoritarias se caracterizan por:
  • Ser más largas (promedio 2.57 sílabas vs. 2.29 en formas heredadas).
  • Tener más clusters consonánticos.
  • Presentar tasas más altas de oclusivas glotales.
  • Tener menos prefijos canónicos austronesios.
  • Estar sobrerrepresentadas en el dominio semántico de acciones verbales.
• Consenso Inter-método:
  • Se identificaron 266 candidatos de consenso (alta confianza) mediante la intersección de ambos métodos (Coeficiente Kappa de Cohen = 0.61).
  • La distribución geográfica muestra tasas de vocabulario no mayoritario significativamente más altas en las lenguas de Sulawesi (media Psub = 0.606) en comparación con las lenguas del oeste de Indonesia (0.393).
• Resultado Negativo Crítico (Agrupación):
  • El análisis de agrupación de los 266 candidatos de consenso no reveló familias léxicas coherentes.
  • La puntuación de silueta fue baja (0.114) y la prueba de cognados cruzados no fue significativa (p = 0.569).
  • Interpretación: No hay evidencia de que estas formas deriven de una única lengua pre-austronesia. En su lugar, sugieren innovaciones independientes paralelas en cada idioma (llenando vacíos léxicos de manera similar) en lugar de un sustrato compartido.
• Falsos Positivos: Se identificaron que ciertos numerales compuestos (ej. "veinte", "cincuenta") imitan la huella dactilar debido a su complejidad morfológica, no a un origen de sustrato.

5. Significado e Implicaciones

• Revisión de la Teoría del Sustrato: El estudio sugiere cautela al interpretar la no conformidad fonológica como evidencia de un sustrato compartido. La falta de familias léxicas coherentes entre idiomas sugiere que estas formas son innovaciones independientes o préstamos areales dispersos, no restos de una lengua pre-austronesia unificada.
• Complementariedad Metodológica: El ML no reemplaza el método comparativo tradicional, sino que actúa como una herramienta escalable para filtrar vocabulario anómalo y priorizarlo para el análisis experto.
• Evidencia Convergente: La coincidencia entre la huella fonológica detectada por ML y las restricciones fonotácticas observadas en la adaptación de la escritura Hanacaraka (que elimina distinciones de aspiración y retroflección ausentes en el proto-austronesio) refuerza la validez de los hallazgos computacionales.
• Futuro: Se recomienda la expansión a vocabularios más allá de la lista Swadesh, el uso de transcripciones IPA completas y trabajo de campo dirigido en los candidatos de alta confianza (especialmente verbos de acción en Tolaki) para distinguir entre remanentes de sustrato genuinos e innovaciones independientes.

En resumen, el artículo demuestra que el aprendizaje automático puede detectar patrones fonológicos de "no conformidad" en Sulawesi, pero advierte que estos patrones no necesariamente prueban la existencia de un sustrato lingüístico común, sino que a menudo reflejan procesos de innovación paralela.