Nigerian Salafi Discourse Corpus (NSDC): Construction, Methods, and Use

En el estudio de cómo las personas utilizan el lenguaje, los investigadores han dependido durante mucho tiempo de dos herramientas diferentes. Una herramienta es la lectura cercana de unos pocos textos, donde un académico examina cada palabra para comprender el significado profundo y el contexto social. La otra es el conteo masivo de palabras, donde las computadoras escanean millones de páginas para encontrar patrones ocultos que el ojo humano pasaría por alto. Durante décadas, estos dos enfoques trabajaron a menudo en mundos separados. Sin embargo, un campo de estudio creciente los combina, utilizando el volumen masivo de datos para guiar la lectura cercana, y utilizando la lectura cercana para dar sentido a los números. Este enfoque es particularmente poderoso cuando se estudia la religión, donde las creencias no son solo pensamientos privados, sino argumentos públicos librados en las calles, en las mezquitas y, cada vez más, en las redes sociales. En Nigeria, un país con una población musulmana vasta y diversa, internet se ha convertido en una arena primaria donde diferentes grupos debaten su identidad, autoridad y lugar en la sociedad. Para entender estos debates, los investigadores necesitan una forma de capturar la escala total de la conversación sin perder el matiz de las voces individuales.

Esto es exactamente lo que un equipo de investigadores de la Universidad de Ibadan se propuso hacer. Construyeron una enorme biblioteca digital de publicaciones de Facebook para rastrear cómo se discute el salafismo, un movimiento específico y a menudo controversial dentro del islam suní, en Nigeria. No solo recolectaron publicaciones al azar; construyeron un archivo cuidadosamente organizado llamado Nigerian Salafi Discourse Corpus. Esta colección contiene casi 5,800 publicaciones publicadas durante diez años, de 2015 a 2025, por páginas y perfiles con grandes seguidores. El texto dentro de estas publicaciones suma casi 2.5 millones de palabras. Los investigadores reunieron estos datos utilizando una interfaz de investigación formal proporcionada por Meta, la propietaria de Facebook, asegurando que solo accedieran a contenido público de figuras y organizaciones públicas. El objetivo era crear un registro claro y verificable de cómo se retrata a los salafíes, cómo se retratan a sí mismos y cómo argumentan contra otros grupos, como los sufíes o los musulmanes chiítas, dentro del contexto nigeriano.

Para construir esta biblioteca, los investigadores enfrentaron un desafío significativo: los datos brutos de Facebook son desordenados. Contienen un formato roto, publicaciones duplicadas, emojis, escrituras extranjeras y enlaces que pueden confundir a una computadora que intenta contar palabras. Para resolver esto, emplearon un asistente de inteligencia artificial especializado, al que llamaron Salih. Esta herramienta no solo adivinaba las respuestas; actuaba como un editor riguroso. Seguía un conjunto estricto de reglas para limpiar el texto, eliminando el ruido como emojis y URLs mientras mantenía las palabras significativas. Verificaba su propio trabajo en cada paso, asegurando que ninguna publicación fuera borrada accidentalmente y que el recuento final de palabras fuera preciso. El resultado fue una colección de texto limpia y organizada que podía ser analizada por otros investigadores. Este proceso fue diseñado para ser completamente transparente, lo que significa que cualquier otro científico podría seguir los mismos pasos y obtener exactamente el mismo resultado, un estándar crucial para la confianza científica.

Una vez que el texto estuvo limpio, los investigadores añadieron tres capas de información detallada a cada palabra. La primera capa simplemente identificaba qué tipo de palabra era cada una, como un sustantivo, un verbo o un nombre propio. La segunda capa agrupaba las palabras en temas específicos, tales como "autoridad religiosa", "conflicto" o "prácticas de adoración". La tercera capa, que es la más compleja, analizaba el propósito de oraciones enteras. Codificaba si una oración intentaba legitimar a un grupo, atacar a un oponente, llamar a la acción o reportar lo que alguien más decía. Esta codificación se basó en un método llamado enfoque histórico-discursivo, que ayuda a los investigadores a entender no solo qué se está diciendo, sino por qué se dice y qué efecto se pretende lograr. Los investigadores fueron cuidadosos al notar que, aunque la computadora hizo el trabajo pesado, el sistema no era perfecto. Encontraron que la computadora a veces sobreidentificaba ciertos tipos de oraciones, como llamadas a la acción, y planean refinar estas reglas en el futuro.

Los datos que descubrieron revelan una conversación vibrante y a menudo acalorada. Los investigadores encontraron que el volumen de las publicaciones fluctuó durante la década, con un pico de actividad alrededor de 2017 y otro aumento en 2024. Una parte significativa de la discusión involucra nombrar y definir grupos. Los datos muestran que el término "musulmán" se utiliza como identidad por defecto en la gran mayoría de las publicaciones, pero etiquetas específicas como "salafí", "sufí", "chiíta" y "wahabi" se utilizan para trazar fronteras entre grupos. El análisis sugiere que la etiqueta "wahabi" se usa a menudo como un término negativo para criticar a otros, mientras que "salafí" es frecuentemente usado por el grupo para describirse a sí mismos. Los investigadores también observaron que el lenguaje utilizado para discutir la autoridad religiosa es intenso, con una fuerte dependencia de citar a eruditos y textos religiosos para apoyar argumentos. Curiosamente, los datos muestran que, si bien se citan las escrituras religiosas, no es la única herramienta utilizada; los argumentos sobre leyes, política y orden social son igual de comunes, indicando que el debate está profundamente ligado al estado y la sociedad nigeriana en general.

Uno de los hallazgos más sorprendentes es cómo la longitud de estas publicaciones ha cambiado con el tiempo. Mientras que el número de publicaciones se mantuvo relativamente estable en años recientes, la cantidad de texto en cada publicación ha disminuido. Esto sugiere que la naturaleza del discurso se está desplazando hacia mensajes más cortos y comprimidos, quizás reflejando la naturaleza acelerada de las redes sociales modernas. Los investigadores también notaron que la conversación no es solo teológica; está profundamente entrelazada con la seguridad y el conflicto. Los datos capturan cómo los grupos religiosos son vinculados o separados de la violencia, particularmente en el contexto de la insurgencia en el norte de Nigeria. Al mantener el término "Boko Haram" como una unidad única en su análisis, los investigadores aseguraron que la palabra "haram" (prohibido) dentro de ese nombre no activara accidentalmente códigos relacionados con reglas religiosas, manteniendo la discusión de seguridad distinta de la teológica.

El valor de este trabajo reside en su capacidad para convertir un flujo caótico de discusiones en línea en un recurso estructurado que cualquiera pueda estudiar. Permite a los investigadores ir más allá de las anécdotas y observar los patrones reales de cómo se utilizan millones de palabras para dar forma a la identidad religiosa en África. El corpus está ahora disponible para otros académicos, quienes pueden usarlo para investigar desde cómo se forman los estereotipos hasta cómo se expresa la lealtad política en el lenguaje religioso. Los investigadores enfatizan que, aunque la computadora hizo el conteo, la interpretación de estos patrones requiere la visión humana. Han proporcionado un mapa del territorio, pero el viaje para comprender los significados más profundos de estos debates apenas comienza. Este proyecto demuestra que, con un diseño cuidadoso y métodos transparentes, la inteligencia artificial puede ayudarnos a comprender las formas complejas en que las comunidades se definen a sí mismas y su lugar en el mundo.