From Exposure to Expectation: Frequency, Surprisal, and Language Across Development in Spanish

El lenguaje es un río que fluye a través de nuestras vidas, transportándonos desde el balbuceo inicial de la infancia hasta las conversaciones complejas y rápidas de la edad adulta. Durante décadas, los científicos han intentado comprender cómo este río moldea nuestras mentes, planteando dos preguntas distintas pero relacionadas. La primera trata sobre el comienzo: ¿por qué los niños aprenden algunas palabras, como "perro" o "leche", mucho antes que otras, como "justicia" o "susurro"? La segunda trata sobre el viaje: una vez que conocemos una palabra, ¿por qué a veces resulta fácil leerla o escucharla y otras veces se siente como un tropiezo, incluso cuando la palabra en sí no ha cambiado?

Para responder a estas preguntas, los investigadores suelen observar dos tipos diferentes de pistas estadísticas ocultas en el lenguaje que escuchamos. Una pista es la frecuencia, que es simplemente un recuento de cuántas veces un niño escucha una palabra específica en su vida diaria. Cuanto más aparece una palabra, más familiar se vuelve. La otra pista es una medida de sorpresa. Imagine una oración en la que usted está esperando la siguiente palabra. Si la oración le hace esperar una cierta palabra, esa palabra resulta predecible. Si la oración le lleva a esperar algo distinto, y aparece una palabra diferente, esa palabra conlleva un alto valor de "sorpresa". En el mundo de la ciencia moderna, los investigadores utilizan potentes programas informáticos, conocidos como modelos de lenguaje extensos, para calcular esta sorpresa. Estos programas han sido entrenados con vastas cantidades de texto y pueden adivinar la siguiente palabra en una oración con una precisión notable, lo que permite a los científicos medir exactamente qué tan inesperada es una palabra en un contexto determinado.

Durante mucho tiempo, se asumió que estas dos pistas —qué tan seguido escuchamos una palabra y qué tan sorprendente es— trabajaban juntas de la misma manera, ya estuviéramos hablando de un niño aprendiendo su primer vocabulario o de un adulto leyendo una novela. La idea era que las mismas reglas de aprendizaje y procesamiento del lenguaje se aplicaban de forma generalizada. Sin embargo, un nuevo estudio de Francisco Portillo López, de la Universidad de Navarra, desafía esta suposición. Al examinar la lengua española a través de dos lentes diferentes, la investigación sugiere que las reglas para aprender una palabra son fundamentalmente distintas de las reglas para procesar una palabra una vez que ya se conoce.

El investigador comenzó observando las etapas más tempranas del lenguaje, centráéndose en 225 sustantivos comunes en español. Quería saber si la medida de sorpresa de la computadora podía ayudar a explicar por qué algunos términos se aprenden temprano y otros tarde. Para ello, recopiló datos sobre la frecuencia con la que estas palabras aparecían en el habla de los cuidadores al dirigirse a niños pequeños, una fuente conocida como habla dirigida al niño. También utilizó tres modelos informáticos diferentes para calcular el valor de sorpresa de cada palabra basándose en el contexto en el que aparecía. Los resultados fueron claros y consistentes: la frecuencia de una palabra era un poderoso predictor de cuándo la aprendería un niño. Las palabras que aparecían a menudo en el entorno del niño se aprendían mucho antes. En cambio, la medida de sorpresa apenas ayudaba; incluso cuando la computadora calculaba qué tan inesperada era una palabra en una oración específica, esta información no explicaba por qué un niño aprendía esa palabra en un momento determinado, una vez que se tomaba en cuenta el simple hecho de cuántas veces se había escuchado la palabra.

Para asegurar que esto no fuera solo una peculiaridad de cómo se le pedía a la computadora que adivinara las palabras, el investigador probó la computadora de diferentes maneras. Intentó utilizar estructuras de oraciones estandarizadas, donde cada palabra se colocaba en la misma estructura simple, y también utilizó conversaciones reales y naturales entre padres e hijos. En ambos casos, el patrón se mantuvo. El sentido de sorpresa de la computadora, diseñado para medir qué tan bien un contexto predice una palabra específica, no pareció importar para el momento del aprendizaje de las primeras palabras. Lo único que predecía de manera fiable cuándo un niño adquiría una nueva palabra era cuántas veces se había encontrado con ella anteriormente. Este hallazgo respalda una visión del aprendizaje donde la repetición y la exposición acumulativa son los motores principales, en lugar de la resolución de acertijos momento a momento sobre qué es lo que viene después.

La historia da un giro brusco cuando el investigador cambia su enfoque de los niños a los adultos. En la segunda parte del estudio, examinó cómo los hablantes adultos de español leen textos. Utilizando datos de un estudio de seguimiento ocular (eye-tracking), donde cámaras registraban exactamente dónde y cuánto tiempo miraba la gente las palabras en una página, probó la medida de sorpresa del mismo modelo computacional. Esta vez, los resultados fueron completamente diferentes. Para los lectores adultos, la medida de sorpresa fue un predictor fuerte y fiable de cuánto tiempo se detenían en una palabra. Cuando una palabra era menos predecible dado el contexto de las palabras anteriores, los adultos pasaban más tiempo mirándola, lo que indicaba que sus cerebros estaban trabajando más duro para procesar la entrada inesperada. Este efecto se mantuvo sólido incluso tras tener en cuenta la frecuencia de la palabra y su longitud. En el mundo adulto de la lectura fluida, el valor de la sorpresa importa profundamente.

El contraste entre estos dos hallazgos revela una división significativa en cómo funciona el lenguaje. Para un niño que construye un vocabulario desde cero, el volumen puro de exposición a una palabra es lo que la consolida en la memoria. El contexto en el que aparece la palabra importa menos que el hecho de que el niño la haya escuchado muchas veces. Es como si el niño estuviera recolectando piedras, y cuantas más veces recoge una piedra específica, más familiar se vuelve. Para un adulto, sin embargo, la mente ya está llena de estas piedras, organizadas en una vasta red. Cuando un adulto lee, está constantemente haciendo predicciones sobre lo que vendrá después. Si el texto rompe esa predicción, el cerebro registra un momento de fricción y los ojos se ralentizan para resolver la discrepancia.

Esta distinción sugiere que los modelos computacionales utilizados para estudiar el lenguaje no están fallando; más bien, están capturando diferentes aspectos de la experiencia humana dependiendo de la etapa de la vida que se observa. La misma medida matemática de sorpresa que es casi inútil para predecir cuándo un niño aprende una palabra es esencial para entender cómo un adulto la lee. Esto implica que el cerebro no utiliza un método único y estático para manejar el lenguaje. En cambio, la importancia de las pistas estadísticas cambia a medida que nos desarrollamos. Al principio, el cerebro depende de la acumulación de la experiencia. Más tarde, una vez que existe un sistema robusto, el cerebro se vuelve altamente sensible al contexto inmediato y a las expectativas que este genera.

El estudio también ofrece una nota de cautela sobre cómo evaluamos la inteligencia artificial. Un programa informático podría ser excelente imitando los patrones de lectura de un adulto, lo que lo haría parecer un modelo perfecto del lenguaje humano. Pero este mismo programa podría fallar al intentar capturar la mecánica de cómo aprende realmente un niño. Si solo probamos estos modelos frente al comportamiento adulto, podríamos pasar por alto el hecho de que no reflejan el proceso de aprendizaje de una mente en desarrollo. La investigación sugiere que para comprender verdaderamente el lenguaje, debemos mirar tanto al niño como al adulto, reconociendo que las reglas del juego cambian a medida que el jugador crece. El viaje desde la exposición hacia la expectativa no es una línea recta donde los mismos factores se aplican en cada paso; es un camino donde el peso de la frecuencia y el poder de la predicción se desplazan, definiendo diferentes capítulos en la historia de cómo aprendemos a hablar y a leer.