Hay una parte del trabajo de corrección que no es lectura. Antes de entrar en un texto, cualquier corrector con oficio se hace preguntas que no se responden leyendo la primera página: si el libro está escrito de manera pareja o si hay capítulos que van a dar más trabajo que otros, si los autores de una obra colectiva escribieron «on-line» u «online», si la bibliografía está al día o se quedó en la década pasada, cuántos pliegos va a tener el libro antes de que alguien lo componga. Son preguntas sobre el conjunto, y el conjunto es justamente lo que una persona no puede ver de una sola vez.
Para esas preguntas armé en gbpublisher una herramienta de análisis del proyecto. Este apunte cuenta cómo funciona, por qué está hecha como está, dónde se equivoca y qué quedó afuera a propósito. No es un manual de uso: es una explicación para gente del oficio, editores y correctores, que quieran entender qué les está diciendo una máquina cuando les devuelve un número sobre un texto. La tesis, si hay que adelantarla, es sencilla: la máquina cuenta y el corrector decide. Todo lo que sigue es el detalle de dónde termina una cosa y empieza la otra.
Contar lo que se va a publicar
La primera decisión parece técnica, pero es editorial. Un libro en gbpublisher se escribe en Markdown, un texto plano con unas pocas marcas: almohadillas para los títulos, asteriscos para la cursiva, una sintaxis para las citas bibliográficas, otra para las notas, otra para los bloques especiales. Ese texto después se convierte en XML, y del XML salen el PDF, el EPUB y la página web.
La tentación, para contar palabras, es leer el Markdown tal como está y contar lo que hay entre espacios. Es lo que hace cualquier procesador de texto. El problema es que en ese archivo hay muchas cosas que no son texto del autor: la clave de una cita como [@perez2020, p. 23], el contenido de una nota al pie mezclado con el párrafo, la descripción alternativa de una imagen, una fórmula, un fragmento de código, las marcas de un recuadro. Si se cuenta todo, el número no describe el libro; describe el archivo.
Por eso el análisis no lee el texto directamente. Le pide al mismo programa que después va a generar el XML —Pandoc— que lo lea primero, y trabaja sobre lo que Pandoc entiende que hay ahí: este fragmento es un título, este es un párrafo, esto es una cita, esto es una nota, esto es el pie de una figura. La ventaja es una sola, pero es decisiva: el análisis y la publicación usan el mismo lector. Si un título no se cuenta, tampoco se publica. Si algo aparece en el libro, aparece en el análisis. No hay dos interpretaciones del mismo texto que puedan divergir.
Sobre esa lectura, una «palabra» es algo bastante más preciso que lo que hay entre dos espacios. No cuentan el texto interno de las citas, ni las fórmulas, ni el código, ni la descripción alternativa de las imágenes. Este último caso es instructivo: en la versión actual de Pandoc, cuando una figura tiene un pie, el mismo texto aparece dos veces en la estructura interna, una como pie y otra como descripción de la imagen. Un conteo ingenuo lo duplicaba. Lo descubrí probando: en un párrafo de unas veinte palabras, el primer conteo dio treinta y dos.
Además de contar, el análisis clasifica cada fragmento según dónde vive. No es lo mismo una palabra en el cuerpo del texto que una en el pie de una figura, en una tabla o dentro de un recuadro. Para las estadísticas que importan a la corrección —el largo de las oraciones, las variantes— solo se miran los párrafos del cuerpo. Los ítems de una lista, los párrafos de las notas, las citas en bloque y los bloques especiales tienen otra lógica de escritura y mezclarlos ensuciaría el resultado.
Dónde termina una oración
Parece la pregunta más fácil del mundo, y es la que más trabajo dio.
La respuesta escolar es «donde hay un punto». No sirve. «El Dr. Fernández llegó a las 10 a. m. y citó a J. L. Borges (cf. p. 23).» tiene siete puntos y es una sola oración. Un programa que corte en cada punto va a encontrar oraciones de dos palabras por todas partes, y la mediana se va a hundir.
La regla que quedó es esta: una oración termina en un punto, un signo de cierre de interrogación o de exclamación, o unos puntos suspensivos —con las comillas, los paréntesis o los corchetes de cierre que vengan detrás—, pero solo si la palabra que sigue empieza con mayúscula. Antes de esa mayúscula se admiten los signos de apertura que el español pone al comienzo: ¿, ¡, «, “, paréntesis, corchete, raya.
Esa sola condición resuelve la mayoría de los casos. «p. 23», «vol. 3», «a. C.», «etc. y otros» no cortan, porque detrás del punto viene un número o una minúscula. Lo que queda son los casos en que una abreviatura va seguida de mayúscula: tratamientos como «Dr.» o «Sra.», remisiones como «cf.» o «ed.», siglas con puntos como «EE. UU.». Para esos hace falta una lista. Y las iniciales de nombre, «J. L. Borges», se reconocen solas: una letra mayúscula seguida de punto no cierra oración.
La lista de abreviaturas tiene su pequeña historia. La fuente prevista era el apéndice de abreviaturas del Diccionario panhispánico de dudas. Cuando fui a buscarlo, la dirección redirigía a la portada de la Academia: el apéndice ya no está disponible en línea. Así que la lista terminó siendo propia, y deliberadamente corta: no contiene todas las abreviaturas del español, sino solo las que suelen ir seguidas de mayúscula, que son las únicas que confunden al detector. «Etc.» quedó afuera a propósito: cuando aparece al final de una oración, su punto también la cierra, y la Ortografía dice que en ese caso no se duplica.
La mediana, no el promedio
Con las oraciones separadas, el análisis informa el largo típico, en palabras, de cada capítulo y del libro entero. Usa la mediana y no el promedio, y la diferencia no es un capricho estadístico.
El promedio es sensible a los extremos. Un capítulo con oraciones razonables y una sola enumeración de ciento cuarenta palabras sin un punto —que en textos académicos aparece más de lo que uno quisiera— ve su promedio arrastrado hacia arriba por esa oración única. La mediana es el valor del medio: la mitad de las oraciones son más cortas y la otra mitad, más largas. Una oración monstruosa no la mueve. La mediana dice cómo es la oración típica de ese capítulo, que es lo que le interesa a quien va a corregirlo.
No hay que pedirle a ese número más de lo que da. No dice si un texto es bueno ni si es claro. Una mediana de treinta palabras puede ser perfectamente legible en un ensayo filosófico y un problema en un manual. Lo que el número sí permite es comparar: un capítulo contra otro del mismo libro, un autor contra otro de la misma obra colectiva, un texto contra sí mismo antes y después de la corrección.
El índice de Price
Derek de Solla Price fue uno de los fundadores de la cienciometría. Estudiando cómo se citan entre sí los artículos científicos, propuso una medida sencilla: el porcentaje de las referencias de un trabajo que fueron publicadas en los últimos cinco años. Un índice alto indica una bibliografía reciente, propia de un campo que se discute en el presente; uno bajo, un campo de envejecimiento lento, una tradición que se apoya en clásicos, o una bibliografía que se quedó atrás. El propio Price observó que los valores cambian mucho entre disciplinas: las ciencias experimentales citan lo reciente; las humanidades conversan con textos de hace décadas o siglos.
En gbpublisher el índice se calcula sobre las entradas que cumplen tres condiciones a la vez: están citadas en el texto, existen en el archivo bibliográfico del proyecto y tienen año. De esas, se cuentan las que caen en los últimos cinco años calendario, incluido el año en curso.
El cruce entre lo citado y lo que hay en el archivo bibliográfico trae, además, un dato que para la corrección vale tanto como el índice: las entradas que están en la bibliografía y que nadie cita. En un libro con un solo autor suelen ser restos de versiones anteriores. En una obra colectiva, donde cada capítulo trajo sus referencias y alguien las juntó, pueden ser decenas. Detectarlas antes de componer ahorra una conversación incómoda en pruebas.
Variantes: lo que el libro dice de dos maneras
Esta es, para mí, la parte más útil del análisis, y la que mejor muestra la diferencia entre lo que una máquina puede hacer y lo que tiene que decidir una persona.
Una variante es la misma palabra escrita de dos formas en un mismo libro. No necesariamente es un error: muchas veces las dos formas son correctas. El problema es la inconsistencia, y la inconsistencia entre capítulos es exactamente lo que un corrector no ve cuando lee capítulo por capítulo. Por eso el análisis de variantes no se hace por archivo sino sobre el libro entero: interesa que el capítulo 3 diga «on-line» y el 7 diga «online».
La idea obvia para encontrar variantes es quitarle las tildes y las mayúsculas a todas las palabras y agrupar las que quedan iguales. La probé, y el resultado sirve para explicar por qué en español no funciona. Sobre un texto de referencia, ese método encontró 99 grupos que diferían en una tilde y 773 que diferían en una mayúscula. Casi todos eran pares perfectamente correctos: como y cómo, el y él, cambio y cambió; palabras con mayúscula porque abrían una oración. En español la tilde distingue palabras. Quitarla y comparar no encuentra variantes: encuentra la gramática.
Así que el análisis busca solo tres clases de variantes, cada una con sus filtros.
Guion. «On-line» y «online», «socio-económico» y «socioeconómico». Se agrupan por la forma sin guiones. Es la clase más limpia: casi siempre señala una decisión que hay que unificar.
Mayúscula dentro de la oración. «Estado» y «estado», «Universidad» y «universidad». No cuentan la primera palabra de una oración, que lleva mayúscula por posición; ni las palabras escritas enteras en mayúsculas, como las siglas; ni los títulos, que tienen sus propias convenciones. Lo que queda es la mayúscula como decisión del autor, y ahí suele haber material.
Tilde. Acá no se compara todo con todo. Se usan dos listas cerradas, armadas a partir del Libro de estilo de la Real Academia (el capítulo de acentuación) y de la Ortografía de 2010 (el apartado sobre palabras con diptongo):
- Tildes optativas: el adverbio solo y los demostrativos este, ese, aquel y sus formas. La Academia admite escribirlos con o sin tilde según el caso. El análisis no juzga la elección; solo avisa si en el libro aparecen las dos formas, porque eso ya no es una elección sino una inconsistencia.
- Tildes suprimidas: palabras que no deben llevarla. Algunas nunca la llevaron, como los demostrativos neutros esto, eso y aquello, que no tienen con qué confundirse. Otras la perdieron con la Ortografía de 2010, que pasó a considerar monosílabas a efectos de acentuación palabras como guion, truhan, hui, fie o crie. De estas se informa toda aparición con tilde.
Las citas en bloque no entran en el análisis de variantes. Una cita textual respeta la grafía del original, y si el original escribía «guión» con tilde, la cita tiene que conservarla. Un corrector lo sabe; la herramienta lo tiene que saber también, o va a pedir que se corrija lo que no se debe tocar.
Del dato al texto
Una lista de variantes que no lleva al lugar donde están es un inventario, no una herramienta. Cada forma de cada grupo viene acompañada de hasta ocho oraciones de ejemplo, y al elegir una el editor abre el archivo y se posiciona en esa oración.
Cómo llega hasta ahí tiene su lógica. Lo natural sería guardar la posición de cada ejemplo al analizar: archivo, línea, columna. Pero mientras se corrige, el texto cambia, y cualquier posición guardada queda vieja después de la primera corrección. Así que la herramienta no recuerda dónde estaba la oración: la busca en el texto tal como está en ese momento. Hay además una razón técnica que cerró la discusión: la lectura de Pandoc sobre la que se apoya el análisis no conserva el número de línea de cada fragmento. Buscar en el texto vivo no era una alternativa: era el único camino, y por suerte también el correcto.
Cuántas páginas va a tener
La última pieza no es léxica, pero vive en la misma pantalla y responde a una pregunta que se hace siempre antes de tiempo: cuántas páginas va a tener el libro.
La estimación sale de un dato empírico, medido sobre muchos libros compuestos en el estudio: una página de libro tiene, en promedio, unos 2200 caracteres con espacios. Dentro de un mismo libro hay páginas llenas de 2400 y páginas ralas de 1900, así que el análisis da un rango: el mínimo con páginas llenas, el máximo con páginas ralas. Ese rango se convierte en pliegos de 32 páginas, redondeando hacia arriba, porque a la imprenta no se le encargan medios pliegos.
Es una estimación de texto, y la pantalla lo dice: no reserva lugar para figuras ni tablas. Para un ensayo es bastante precisa; para un libro con muchas ilustraciones es un piso.
Dónde se equivoca
Toda herramienta que mide un texto se equivoca en algún lugar, y conocer esos lugares es parte de usarla bien. Estos son los que conozco.
El año de la bibliografía no es el año de la obra. Es la fricción más importante del índice de Price en ciencias sociales y humanidades. El año que figura en una entrada bibliográfica es el de la edición consultada. Si un autor cita Economía y sociedad de Weber en una edición de 2022, para el índice esa es una referencia reciente. En una disciplina donde se cita mucho a los clásicos en ediciones nuevas, el índice puede inflarse sin que la bibliografía esté realmente al día. Los sistemas bibliográficos serios tienen un campo para la fecha original de publicación —biblatex lo llama origdate—, pero hoy el índice no lo usa.
Las referencias sin año desaparecen del cálculo. Una entrada sin fecha, o con «s. f.», no puede ubicarse en el tiempo y queda fuera. Si son pocas, no importa; si son muchas, el índice describe solo una parte de la bibliografía, y conviene saberlo antes de leerlo. Cuando la fecha es un rango, como en una obra publicada entre 2018 y 2020, se toma el comienzo.
Los cinco años son calendario. En enero, «los últimos cinco años contando el actual» abarcan en la práctica poco más de cuatro. Es un sesgo pequeño y conocido, aceptado a cambio de un criterio que cualquiera puede verificar a mano.
El índice no tiene un valor «bueno». Comparado con el de otros libros de la misma colección o la misma disciplina, informa. Leído como nota absoluta, engaña. Un 15% puede ser normal en un libro de historia y alarmante en uno de biomedicina.
Nombres que empiezan con minúscula. La regla de la mayúscula falla cuando la oración siguiente empieza con un nombre como iPhone o eBay, o con un número: «…se publicó en 1990. 2001 fue el año de…». En los dos casos el detector no ve el corte, y dos oraciones se cuentan como una. Es raro en textos académicos en español, pero ocurre.
Abreviaturas que cierran oración. Si una abreviatura de la lista aparece de verdad al final de una oración y la siguiente empieza con mayúscula —«…lo atendió el Dr. Luego, en la sala…» es un ejemplo forzado, pero posible—, el detector no corta. La lista prioriza no cortar donde no hay que hacerlo; el precio es que alguna vez no corta donde sí.
La mayúscula correcta en los dos sentidos. Estado como institución y estado como condición son las dos correctas, y pueden convivir en la misma página. La herramienta las va a señalar como variantes. Es lo que tiene que hacer: no puede saber cuál de los dos sentidos tiene cada aparición. Para eso están las oraciones de ejemplo, y para eso está el corrector.
Una lista cerrada no encuentra lo que no está en la lista. El análisis de tildes solo mira las palabras de sus dos listas. Es una decisión explícita: prefiero pocas alertas confiables a muchas alertas ruidosas, porque una herramienta que avisa de todo termina siendo una herramienta a la que nadie le hace caso.
Lo que quedó afuera
Tan importante como lo que el análisis hace es lo que deliberadamente no hace. Algunas de estas exclusiones son definitivas; otras pueden revisarse.
Índices de legibilidad
Existe una tradición larga de fórmulas que intentan medir qué tan fácil es leer un texto. La más conocida, la de Flesch, fue adaptada al español por Fernández Huerta; después vinieron otras, como la de Szigriszt-Pazos. Todas combinan, con distintos pesos, el largo de las oraciones y el largo de las palabras medido en sílabas.
Quedaron afuera por dos razones. La primera es técnica: contar sílabas en español exige separar en sílabas, y aunque las reglas son conocidas, los diptongos, hiatos y extranjerismos hacen que cualquier implementación sea aproximada. La segunda es de fondo: esas fórmulas se calibraron sobre textos generales o escolares, y en un texto académico penalizan lo que es inevitable. «Epistemológico» tiene seis sílabas y no hay forma de decirlo en menos. Un artículo de filosofía va a salir siempre «difícil», y ese resultado no le dice nada a quien lo corrige.
Lo que esas fórmulas tienen de útil —el largo de las oraciones— ya está en la mediana, sin la parte que distorsiona.
¿Futuro? Posible, pero como dato informativo y nunca como veredicto. Si se incorpora, debería poder compararse dentro de un mismo libro o una misma colección, que es donde una medida así tiene sentido.
La ortografía en general
El análisis no busca palabras sin tilde ni errores ortográficos. Boton por botón no es una variante: es un error, y para eso gpublisher ya tiene el corrector ortográfico, que lo hace mejor, en el momento y en el lugar. Mezclar las dos cosas haría que el análisis de variantes dijera menos, no más.
Las repeticiones cercanas
Los ecos —la misma palabra dos veces en pocas líneas— son un problema clásico de estilo. No están en este análisis porque gbpublisher tiene otra herramienta en la aplicación que ya los marca en el editor. Duplicar esto no agrega nada.
Frecuencias y riqueza léxica
Era tentador agregar una lista de las palabras más frecuentes de cada capítulo, o una medida de riqueza léxica (cuántas palabras distintas sobre el total). Quedaron afuera porque las medidas más simples dependen del largo del texto: un capítulo más largo siempre parece más «pobre», porque repite más palabras funcionales. Compararlas entre capítulos de distinta extensión induce a error, y un número que induce a error es peor que la ausencia de número.
La fecha original en el índice de Price
Es la mejora más clara de todas. Si una entrada tiene fecha original, el índice podría usarla en lugar de la fecha de la edición consultada, o mostrar los dos cálculos lado a lado. La diferencia entre ambos sería, en sí misma, un dato interesante sobre cómo trabaja un autor con sus fuentes.
¿Futuro? Sí. Es la candidata más firme para una próxima versión.
Las notas y las citas en bloque en el largo de las oraciones
La mediana se mide solo sobre el cuerpo. Las notas tienen otra escritura —más telegráfica, llenas de remisiones— y mezclarlas desvirtuaría el número. Las citas en bloque no son del autor.
¿Futuro? Las citas en bloque, no: es una exclusión de principio. Las notas sí podrían tener su propia mediana, separada. En libros con aparato de notas extenso, saber si las notas son más o menos densas que el cuerpo puede orientar el trabajo.
Figuras y tablas en la estimación de páginas
Hoy la estimación solo cuenta texto. Se podría reservar un espacio por figura, o una fracción de página por tabla, pero ese espacio depende de decisiones de diseño que todavía no se tomaron cuando se hace el análisis: el tamaño de la imagen, si va a caja o a página completa, si la tabla se parte.
¿Futuro? Posible como estimación gruesa, siempre presentada como tal. El riesgo es darle a un número inventado el mismo aspecto que a uno medido.
La línea exacta
La herramienta lleva al lugar de cada ejemplo buscando la oración en el texto, no por número de línea. Si la lectura de Pandoc algún día conserva las posiciones del archivo original —ya lo hace para otras variantes del lenguaje Markdown, no para la que usa gbpublisher—, se podría ir directo.
¿Futuro? Depende de Pandoc, no de gbpublisher. Y como buscar en el texto vivo funciona, no es urgente.
La ventana de cinco años
Se podría hacer configurable por disciplina: diez años para humanidades, tres para biomedicina. No lo hice porque la ventana de cinco años es la definición del índice, y cambiarla lo convierte en otra cosa que ya no se puede comparar con nada publicado.
¿Futuro? Antes que cambiar la ventana, prefiero agregar otra vista: la distribución de las referencias por década. Eso informa más y no rompe la comparación.
Cómo sacarle ventaja en la corrección
Con todo lo anterior, el análisis se vuelve útil cuando se lo usa en el momento correcto y para la pregunta correcta.
Antes de empezar, fijar el estilo de la casa. La lista de variantes muestra todas las decisiones que tomaron los autores sin darse cuenta de que las estaban tomando. Es el mejor momento para decidir: «on-line» u «online», «Estado» o «estado», solo con tilde o sin ella. Se elige una forma, se anota en la hoja de estilo del libro y se recorre con los ejemplos. En una obra colectiva esto solo ya justifica la herramienta.
Leer la mediana por capítulo, no la del libro. El número global sirve de poco. Lo interesante es la comparación: en una obra colectiva o en una traducción, un capítulo con la mediana muy por encima del resto avisa dónde va a estar el trabajo de reescritura, antes de leer una línea. Permite repartir el tiempo y, si hay más de un corrector, repartir los capítulos.
Usar el índice de Price como pregunta, no como veredicto. Un índice bajo en un tema de actualidad es una pregunta legítima para hacerle al autor: ¿no hay nada más reciente, o no lo buscaste? Un índice bajo en un libro de historia no dice nada. Y antes de leerlo, mirar cuántas referencias quedaron afuera por no tener año.
Limpiar la bibliografía antes de componer. Las entradas que nadie cita y las que no tienen fecha se resuelven en la etapa de corrección, cuando todavía es barato. En pruebas, cada referencia que se agrega o se quita mueve páginas.
Presupuestar con los pliegos. Antes de la primera composición ya hay un rango de páginas y de pliegos para pedir presupuesto a la imprenta. Si el rango cae cerca del borde de un pliego, se sabe de antemano que habrá que ajustar.
Volver a correrlo después. El análisis no es solo un diagnóstico de entrada. Corrido al final, muestra si las variantes se unificaron, si las medianas de los capítulos se acercaron, si la bibliografía quedó limpia. Es la forma más rápida de verificar que la hoja de estilo se aplicó en todo el libro y no solo en los capítulos que se corrigieron con más atención.
La máquina cuenta
Vuelvo al principio. Ninguno de estos números corrige nada. La mediana no sabe si una oración larga es necesaria. El índice de Price no sabe si una bibliografía vieja es la correcta para ese tema. La lista de variantes no sabe si Estado se refiere a la institución. La estimación de páginas no sabe cuántas figuras va a tener el libro.
Lo que sí hacen es algo que una persona no puede hacer bien: mirar el libro entero de una vez, sin cansarse y sin olvidarse de lo que vio en el capítulo 2 cuando llega al 12. Esa es la división de trabajo razonable. La máquina cuenta, señala y lleva al lugar. El corrector mira, entiende y decide.
Y las fricciones que describí no son defectos que haya que esconder. Son, precisamente, los lugares donde el criterio no se puede delegar. Una herramienta que los declara es más útil que una que pretende no tenerlos, porque le dice a quien la usa exactamente dónde tiene que mirar con sus propios ojos.
