Phonological distances for linguistic typology and the origin of Indo-European languages

Mediante un marco teórico-informático que modela las secuencias fonémicas como cadenas de Markov de segundo orden, los autores cuantifican las distancias fonológicas entre 67 lenguas modernas para recuperar sus familias lingüísticas y, al correlacionar estos datos con la distancia geográfica, identifican una región de origen para las lenguas indoeuropeas que respalda la hipótesis de la estepa.

Lo esencial

Imagina que las lenguas humanas son como músicas o dialectos de un mismo universo. Durante mucho tiempo, los lingüistas han intentado entender cómo se relacionan estas lenguas, quién es "pariente" de quién y de dónde vienen, usando listas de palabras o reglas gramaticales.

Este artículo es como un nuevo tipo de detective que no mira las palabras, sino el ritmo y la música de cómo suenan.

Aquí tienes la explicación de la investigación, contada como una historia sencilla:

1. El Problema: ¿Cómo medimos la "distancia" entre idiomas?

Imagina que quieres saber qué tan parecidos son el español y el inglés. Podrías contar cuántas palabras se parecen, pero eso es como juzgar dos canciones solo por la letra. A veces, dos canciones tienen letras diferentes pero la misma melodía.

Los autores de este estudio decidieron mirar la melodía de los sonidos (los fonemas). No miraron si las palabras significan lo mismo, sino cómo se organizan los sonidos dentro de una lengua.

2. La Herramienta: El "Detector de Patrones" (Cadenas de Markov)

Para entender esto, imagina que estás leyendo un libro de texto, pero en lugar de leer palabra por palabra, estás leyendo sonido por sonido.

• El experimento: Tomaron la Biblia (porque está traducida a muchos idiomas y es un texto largo y consistente) y la convirtieron en una secuencia interminable de sonidos.
• La magia: Descubrieron que los sonidos no son aleatorios. Si escuchas un sonido, el siguiente no es una lotería; hay un patrón. Es como si el idioma tuviera una memoria.
  • Analogía: Imagina que estás jugando a completar frases. Si digo "El gato...", es muy probable que la siguiente palabra sea "duerme" o "maúlla", pero muy improbable que sea "pizza". Los idiomas funcionan igual con los sonidos.
  • Los investigadores descubrieron que para entender la "personalidad" de un idioma, no basta con mirar un sonido aislado. Necesitan mirar grupos de tres sonidos (como si fueran acordes de tres notas en música). Si analizas estos grupos de tres, capturas casi toda la esencia estadística de cómo suena ese idioma.

3. La Medición: La "Regla de la Distancia"

Una vez que entendieron los patrones de sonido, querían medir la distancia entre idiomas.

• El error común: Si solo cuentas cuántos sonidos son iguales, podrías decir que la "p" y la "b" son muy diferentes porque son letras distintas. Pero en la realidad, suenan casi igual (ambas son explosiones de aire con los labios).
• La solución inteligente: Usaron una "regla" que entiende la física de la boca.
  • Analogía: Imagina que cada sonido es un bloque de Lego con características específicas (¿tiene labio? ¿tiene vibración? ¿es nasal?).
  • Si cambias un bloque de Lego por otro que es casi idéntico (solo cambia un detalle), la "distancia" es pequeña. Si cambias un bloque por uno totalmente diferente, la distancia es grande.
  • Usaron una fórmula matemática (llamada distancia de Wasserstein) que calcula el "costo" de transformar la música de un idioma en la de otro.

4. Los Resultados: El Mapa del Tesoro Lingüístico

Al medir las distancias entre 67 idiomas modernos, obtuvieron un mapa que funcionó de maravilla:

• Agrupación natural: Los idiomas que sabemos que son parientes (como el español, italiano y francés) se agruparon juntos, como si fueran una familia en una foto.
• Contacto vs. Sangre: También vieron grupos que no son familiares por sangre (origen), sino por vecindad. Por ejemplo, el vasco y el español se parecen más en su "música" de lo que deberían, porque han convivido durante siglos. Es como dos vecinos que, aunque no son hermanos, terminan hablando con el mismo acento.

5. El Gran Hallazgo: ¿Dónde nació el idioma "Indo-Europeo"?

Este es el punto más emocionante. Los idiomas Indo-Europeos (que incluyen el español, inglés, ruso, hindi, etc.) son como una gran familia dispersa por todo el mundo. La pregunta histórica es: ¿Dónde vivía la abuela de todos ellos?

• La hipótesis: Los autores notaron algo curioso: cuanto más lejos viven dos idiomas en el mapa geográfico, más diferentes suenan sus "músicas". Es como si el idioma se fuera "desvaneciendo" o cambiando más a medida que viaja lejos de su origen.
• El cálculo: Usaron esta regla para hacer una especie de triangulación inversa. Imagina que tienes un mapa del mundo y marcas dónde están todos los idiomas hoy. Luego, buscas el punto en el mapa donde, si hubieras empezado ahí, las distancias sonoras coincidirían perfectamente con las distancias geográficas actuales.
• El veredicto: El punto donde todo encaja mejor está al norte del Mar Negro (en la actual Ucrania/Rusia).
  • Esto confirma la famosa Hipótesis de las Estepas (Steppe hypothesis), que dice que los antepasados de estos idiomas eran pastores nómadas que vivían en las estepas y se expandieron hacia Europa y Asia.
  • Es como encontrar el origen de una mancha de tinta en un papel: si miras cómo se expande, puedes deducir exactamente dónde cayó la primera gota.

En resumen

Este estudio nos dice que la forma en que suenan las lenguas (su "música" interna) guarda un mapa de su historia. Al escuchar atentamente los patrones de tres sonidos y medir la distancia física entre ellos, los científicos han podido no solo agrupar a las lenguas, sino también localizar el hogar ancestral de una de las familias lingüísticas más grandes del mundo, confirmando que todo comenzó en las vastas llanuras de la estepa euroasiática.

Es como si el sonido de las lenguas fuera una huella dactilar que nunca olvida de dónde vino.

Resumen técnico

1. El Problema

La lingüística computacional y la tipología buscan cuantificar las relaciones entre idiomas para entender su evolución, clasificación genética y patrones de contacto. Aunque existen métodos para medir distancias léxicas o sintácticas (como la distancia de Levenshtein en listas de Swadesh), existe una necesidad de enfoques más robustos en el dominio fonológico.

El desafío principal radica en:

• Capturar las correlaciones estadísticas complejas dentro de un sistema fonológico, más allá de la simple frecuencia de fonemas individuales.
• Desarrollar una métrica que tenga en cuenta la similitud articulatoria entre sonidos (no tratar todos los fonemas como igualmente distantes).
• Utilizar estas distancias para inferir la provincia natal (homeland) de grandes familias lingüísticas, específicamente la familia Indoeuropea (IE), un tema de debate histórico entre la hipótesis de la Estepa (Kurgan) y la hipótesis Anatólica.

---

2. Metodología

Los autores proponen un marco basado en la teoría de la información y el transporte óptimo, aplicando los siguientes pasos:

A. Dataset y Preprocesamiento

• Corpus: Se utilizó una versión paralela de la Biblia en 129 traducciones, seleccionando la versión más antigua disponible para cada idioma para minimizar sesgos modernos.
• Transcripción: Se convirtieron los textos a Alfabeto Fonético Internacional (IPA) utilizando Phonemizer (backend eSpeak) y Epitran.
• Selección: Se filtraron 67 idiomas. Se eliminaron rasgos suprasegmentales (tonos) y diacríticos sutiles, pero se mantuvieron distinciones fonémicas clave (aspiración, palatalización, nasalización).
• Validación: Se compararon las transcripciones con la base de datos WikiPron, corrigiendo solo errores manifiestos.

B. Modelado Estadístico (Cadenas de Markov)

• Se trataron las secuencias de fonemas como procesos estocásticos.
• Para evitar problemas de segmentación de palabras, se eliminaron los límites de palabra, creando cadenas continuas de fonemas.
• Entropía de Bloque y Ganancia de Predictibilidad: Se calcularon las entropías de bloques ($H_r$) para tamaños de bloque $r$. Se definió la "ganancia de predictibilidad" ($G_u$) como la segunda derivada discreta negativa de la entropía.
• Hallazgo Clave: El análisis mostró que la ganancia de predictibilidad se estabiliza a partir de $u=2$. Esto indica que las secuencias fonológicas pueden modelarse eficazmente como Cadenas de Markov de segundo orden (o modelos de trifones). Los trifones capturan la esencia de las propiedades estadísticas de la variación fonológica.

C. Métrica de Distancia (Wasserstein)

• En lugar de comparar simplemente frecuencias, se propuso una métrica basada en rasgos articulatorios.
• Vectorización: Cada fonema se representa como un vector de 24 rasgos articulatorios (ej. sonoro, nasal, anterior, etc.). Un trifón se mapea a un vector de 72 dimensiones (reducido a 60 tras eliminar rasgos constantes).
• Distancia de Edición de Rasgos: Se calculó la distancia entre vectores de trifones basándose en la similitud de sus rasgos.
• Distancia de Wasserstein (Earth Mover's Distance): La distancia fonológica entre dos idiomas se define como el costo mínimo de transformar la distribución de probabilidad de trifones de un idioma en la del otro, utilizando la métrica de distancia de rasgos como costo de transporte.

D. Inferencia de la Provincia Natal

• Se asume que la distancia fonológica aumenta con la distancia geográfica desde el origen debido a la deriva fonética y la reducción del contacto.
• Se calculó la distribución promedio de trifones ($P_{av}$) para los 39 idiomas indoeuropeos.
• Se estimó la distancia fonológica de cada idioma a $P_{av}$ y se transformó en una distancia geográfica predicha mediante una función logarítmica ajustada a los datos.
• Se minimizó la suma de cuadrados de los residuos ($\chi^2$) entre las distancias geográficas reales y las predichas para encontrar el punto óptimo en el mapa.

---

3. Contribuciones Clave

1. Modelado de Dependencias de Corto Alcance: Demostraron que las dependencias de corto alcance (modelos de Markov de orden 2) codifican patrones de relación lingüística a gran escala, validando el uso de trifones para la tipología.
2. Métrica Fonológica Robusta: Introdujeron una métrica de distancia que incorpora la similitud articulatoria mediante la distancia de Wasserstein, superando las limitaciones de métricas puramente lexicográficas o de edición de caracteres.
3. Correlación Geográfica-Fonológica: Establecieron una correlación estadísticamente significativa entre la distancia fonológica y la distancia geográfica, incluso dentro de una sola familia lingüística.
4. Inferencia de Origen: Aplicaron este marco para restringir la ubicación geográfica del origen de la familia Indoeuropea sin depender de datos genéticos o arqueológicos directos, utilizando únicamente datos lingüísticos sincronizados.

---

4. Resultados

• Agrupación Lingüística: La matriz de distancias recuperó con precisión las principales familias lingüísticas (Indoeuropea, Altaica, Dravídica, etc.).
  • Se observaron agrupaciones coherentes: Germanicas, Eslavas, Balto-Eslavas, Romances y un clúster Indoiranio.
  • También se detectaron similitudes inducidas por contacto (ej. proximidad fonológica entre el vasco y el español, o entre el albanés y las lenguas romances), demostrando que la métrica captura tanto la herencia genética como la convergencia por contacto.
• Correlación Geográfica:
  • Se encontró una fuerte correlación positiva entre la distancia fonológica y la distancia geográfica ($R_d = 0.496$ para idiomas IE).
  • La relación sigue una función logarítmica: a mayor distancia geográfica, mayor divergencia fonológica.
• Origen Indoeuropeo:
  • El punto que minimiza el error ($\chi^2$) se localiza al norte del Mar Negro, en la región de la estepa póntica.
  • El área de incertidumbre del 95% es consistente con la Hipótesis de la Estepa (Kurgan).
  • Los resultados son menos compatibles, aunque no totalmente incompatibles, con la Hipótesis Anatólica (que sitúa el origen en Anatolia, más al sur).

---

5. Significado e Implicaciones

• Validación de la Hipótesis de la Estepa: El estudio proporciona una evidencia independiente y basada en datos fonológicos que respalda fuertemente el origen de las lenguas indoeuropeas en la estepa póntica, alineándose con hallazgos recientes de genética poblacional.
• Nueva Herramienta para la Lingüística Cuantitativa: El enfoque demuestra que la información fonológica, cuando se modela correctamente (considerando correlaciones de orden superior y rasgos articulatorios), es un indicador potente de parentesco y evolución lingüística.
• Limitaciones y Futuro:
  • El estudio es sincrónico (analiza el estado actual de las lenguas); el futuro trabajo podría integrar datos diacrónicos para modelar la evolución temporal.
  • La dependencia de coordenadas geográficas únicas para cada idioma es una simplificación; futuros modelos podrían considerar áreas lingüísticas.
  • El tamaño del conjunto de datos (67 idiomas) podría ampliarse para incluir más lenguas no indoeuropeas y refinar la tipología global.

En conclusión, el artículo establece un puente sólido entre la física estadística, la teoría de la información y la lingüística histórica, ofreciendo un método cuantitativo riguroso para desentrañar la historia de las lenguas humanas.