Herramientas computacionales para el fortalecimiento de los idiomas mayas: una propuesta Michael Gasser School of Informatics, Indiana University, Estados Unidos gasser@indiana.edu, http://www.cs.indiana.edu/~gasser El proyecto L 3 MOTIVACIÓN La democracia comprende entre otro la posibilidad de que cada persona participe según su capacidad en la sociedad, usando su propio idioma. Vivimos cada vez más en una sociedad basada en el conocimiento, con nuevas maneras revolucionarias de compartir información. En un mundo realmente democrático todo conocimiento humano sería disponible en todos idiomas, o en forma original o en traducción de otro idioma. La realidad es muy diferente de este ideal. En el mundo actual, encontramos un pequeño conjunto de idiomas privilegiados cuyas ventajas ante los miles de otros idiomas son un legado de siglos del imperialismo y colonialismo. Cada cultura tiene sus propias aportaciones al almacén global de ciencia, tecnología, historia, y literatura, pero a los hablantes y lectores de los idiomas desventajados se les niegan el acceso a lo que no se origina en su propia cultura y la posibilidad de hacer disponible a los demás sus propias aportaciones. Esta brecha lingüística se interacciona con otras desigualdades, reforzando la Brecha Norte-Sur. La Revolución Digital ha abierto nuevas posibilidades de superar la brecha lingüística, por la facilidad de la transmisión de información y la índole democrática del Internet. Sin embargo, las desigualdades se quedan en el cibermundo; hoy día se habla de la Brecha Digital Lingüística (Paolillo, 2005). Aún se podría decir que la situación se ha empeorado; hay el peligro de que los papeles de muchos idiomas en las vidas de sus comunidades se disminuyan a medida que los idiomas privilegiados asuman el papel de ciberlenguas. Este peligro es especialmente serio en el caso de los idiomas indígenas, los que ya pueden ser marginalizados por restricciones legales y sociales en sus propios países. METAS Sin embargo, no es la tecnología que tiene la culpa por la Brecha Digital Lingüística; es la distribución de los fondos que sostienen las investigaciones en la informática; finalmente el sistema de 1 Gasser: Herramientas computacionales para el fortalecimiento de los idiomas mayas
capitalismo global en el que todos vivimos y que no se basa en abstracciones como la democratización del conocimiento sino en el lucro. Nosotros creemos que, con nuevas prioridades, la informática podría abordar algunas de las desigualdades y posibilitar cambios fundamentales. Específicamente, proponemos la aplicación de los métodos de la lingüística computacional y la interacción persona-computadora al fortalecimiento de los idiomas del Sur Global y del empoderamiento de las comunidades en las que se hablen. Estos proyectos (llamados L 3 ( learning lots of languages )) necesitarán una estrecha colaboración entre nosotros y miembros de las comunidades lingüísticas. Nos parece que los acuerdos de paz, en particular el Acuerdo sobre Identitad y Derechos de los Pueblos Indígenas, y la aparición de la Academia de Lenguas Mayas de Guatemala apuntan a un período esperanzador en la historia reciente de los idiomas mayas. Quisiéramos participar en este proceso con una colaboración con la ALMG en un proyecto ambicioso del tipo resumido arriba. Proponemos el desarrollo de cuatro tipos de aplicaciones computacionales relacionadas: traducción entre los idiomas mayas (por ejemplo, del k iche al mam) traducción rudimentaria entre los idiomas mayas y el español en campos restringidos (por ejemplo, documentos legales o noticias) herramientas que ayuden en la enseñanza de los idiomas maya, especialmente sobre la gramática una base de datos multilingüe en la que se podría buscar correspondencias lexicales y gramaticales entre los idiomas mayas y que podría servir como base de diccionarios multilingües (k iche - kaqchikel - mam - q eqchi, etc.) En el resto de este documento, explico esta propuesta con mayor detalle. La lingüística computacional y los idiomas desventajados Una aplicación computacional consiste en dos partes: un programa que procesa los datos y una interfaz que permite que el usuario se comunique con el programa subyacente. En el caso de las aplicaciones que estamos proponiendo, el programa subyacente se basa en las investigaciones en la lingüística computacional. PLANTEAMIENTOS EN LA LINGÜÍSTICA COMPUTACIONAL La lingüística computacional se dedica a la realización computacional del análisis, de la generación, y de la traducción de palabras, oraciones, y discursos. Aborda estas tareas utilizando dos clases de métodos. Los métodos lingüísticos incorporan reglas gramaticales y léxicos explícitos. Dependen de gramáticas, diccionarios, y teorías lingüísticas, y como en la lingüística misma, se da una gran variedad de marcos y planteamientos. 2 Gasser: Herramientas computacionales para el fortalecimiento de los idiomas mayas
Los métodos estadísticos aprenden el conocimiento sobre la base de las coocurrencias entre palabras en grandes corpus textuales. En vez de teorías lingüísticas, dependen del aprendizaje automática y de la estadística. Los idiomas que estamos llamando desventajados no tienen recursos digitales significativos; por eso, en el principio de un proyecto se excluye la posibilidad de los métodos estadísticos que requieren muchos datos. Sin embargo, esperamos que la acumulación de corpus en los idiomas sea una consecuencia del proyecto; a medida que se creen más datos, podrá el sistema aprender más regularidades de los idiomas. LOS MÉTODOS LINGÜÍSTICOS El análisis y la generación El análisis y la generación relacionan formas superficiales (comprensibles a usuarios) con formas abstractas, consistiendo en elementos no ambiguos y expresando las relaciones gramaticales entre los elementos. Para implementar el análisis y la generación según la metodología lingüística, se necesitan por lo menos una teoría lingüística, una gramática explícita del idioma, y un léxico digital. El análisis empieza con una entrada una palabra, una oración, o un discurso y produce como salida una representación de la entrada en forma de una serie de morfemas y relaciones gramaticales entre los morfemas (según la teoría que estamos siguiendo nosotros). Por ejemplo, la palabra k iche xatrilo te vio se analiza así en L 3 : (1) xatrilo x + at + r + il + o IL + TMP:CMP + ABS:2S + ERG:3S + TRM:VT O sea, la palabra se segmenta en cinco morfemas: la raíz del verbo (il ver ), el sujeto y objeto (los prefijos del Juego B (absolutivo) y Juego A (ergativo)), el prefijo del tiempo (x-: COMPLETIVO), y una terminación que caracteriza esta clase de verbos transitivos (-o). La forma analizada permite otro procesamiento una respuesta si la entrada original es una pregunta, una traducción en otro idioma pero además podría ser útil para un usuario que esté aprendiendo el idioma y que quiera ver la estructura de la palabra o para un maestro que esté enseñando la gramática. En tal caso, necesitamos una interfaz que muestra gráficamente el análisis, por ejemplo como se ve en Figura 1 en la versión actual del sistema L 3. 3 Gasser: Herramientas computacionales para el fortalecimiento de los idiomas mayas
La generación empieza con una forma analizada y produce una forma superficial: (2) IL + TMP:CMP + ABS:2S + ERG:3S + TRM:VT {il, x, at, r/u, o} xatrilo Cuando una aplicación se comunica con un usuario, usa la generación. Además la traducción depende de la generación de oraciones en la lengua meta, como se explica abajo. La traducción automática Figura 1: Gráfico para el análisis de una palabra k iche La traducción acepta una palabra, una oración, o un discurso en la lengua origen y produce una forma correspondiente en la lengua meta. Para implementar la traducción automática entre dos idiomas según la metodología lingüística, se necesitan, además de los recursos gramaticales y lexicales para cada idioma, por lo menos un léxico bilingüe y un conjunto de reglas explícitas para las correspondencias gramaticales entre los idiomas. La traducción empieza con el análisis de la entrada. Como hemos visto, el resultado del análisis es una representación que consiste en morfemas y relaciones abstractas como TIEMPO, PLURAL, SUJETO, y ERGATIVO. El próximo paso es la producción de una representación correspondiente en la lengua meta. Para lenguas con una estrecha relación, como el k iche y el kaqchikel, las correspondencias entre los elementos abstractos son bastante directas, y la traducción no requiere un análisis más abstracto. Para el ejemplo de (1) y (2), tenemos (3) K iche : xatrilo x + at + r + il + o IL + TMP:CMP + ABS:2S + ERG:3S + TRM:VT Kaqchikel: IL + TMP:CMP + ABS:2S + ERG:3S {tz ët, x, at, r/u} xatutz ët Los morfemas del verbo k iche xatrilo corresponden más o menos directamente a los del verbo kaqchikel xatutz ët; solo no se realiza en kaqchikel el sufijo de terminación para esta clase de verbos. En el caso de idiomas más lejanos, como el k iche y el español, las correspondencias son a menudo más complejas. O sea, en el contexto de la traducción, el análisis de la entrada puede contener elementos ambiguos. En el ejemplo de xatrilo, el morfema at significa la segunda persona singular absolutiva. Pero en un idioma acusativo-nominativo como el español, este morfema puede co- 4 Gasser: Herramientas computacionales para el fortalecimiento de los idiomas mayas
rresponder o al nominativo (el sufijo -s que indica un sujeto de la segunda persona singular, como en ves) o al acusativo (el pronombre te). En tales casos, necesitamos o un nivel de representación más abstracta que es compartido por los idiomas o reglas especiales para implementar las correspondencias complejas. Aún más común y aún más difícil de resolver que estos casos gramaticales es la falta de correspondencias directas lexicales. Por ejemplo, para traducir el verbo español comer en un idioma maya, es necesario escoger entre varios verbos específicos, como los verbos k iche tixik y wa ik. El proceso de desambiguación en tales casos lexicales puede ser muy complejo. Normalmente el usuario no necesita ver los pasos computacionales entre la entrada en la lengua origen y la salida en la lengua meta. Sin embargo, como en el caso del análisis, podrían alumnos y maestros del uno u otro idioma aprovecharse de la visualización del procesamiento. En la versión actual de L 3, se muestra como en Figura 2. Figura 2: Gráfica para la traducción de una palabra k iche al kaqchikel Los métodos estadísticos Los métodos lingüísticos sufren de limitaciones, especialmente en el campo lexical. Las correspondencias lexicales entre idiomas son a menudo no absolutas sino solo tendencias estadísticas, dependiendo de la presencia o ausencia de otras palabras en el contexto. Por ejemplo, el sustantivo k iche k u x(aj) se puede traducir en español como centro, corazón, pecho, alma, etc., y forma 5 Gasser: Herramientas computacionales para el fortalecimiento de los idiomas mayas
parte de muchos compuestos, por ejemplo, uk u x tzij verbo, uk u x pwaq tesoro. Es difícil, tal vez imposible, escribir una regla que cubre todos los casos. En su vez, un sistema estadístico registra las coocurrencias entre una palabra como k u x(aj) y otras palabras en su contexto con las varias traducciones de la palabra en otros idiomas. Las estadísticas que se acumulan permiten deducir la traducción mejor en diferentes contextos. Los métodos estadísticos tienen otra ventaja. Cuando el conocimiento en el sistema es programado por un humano, puede ser contaminado por los prejuicios del programador (o el lingüista detrás del programador). Por contraste, un sistema estadístico aprende el conocimiento automáticamente, sin mediación del programador. La traducción automática, sea implementado por métodos lingüísticos o estadísticos, alcanza resultados más exitosos cuando se trata de contenido restringido (por ejemplo, a noticias, modos de empleo de dispositivos, documentos legales, cuentos infantiles) y de pares de idiomas estrechamente relacionados. De todos modos, la traducción automática probablemente no alcanzará nunca la calidad de la traducción humana. Por lo tanto, en el trabajo reciente los investigadores en la traducción automática piensan en formas apropiadas y eficaces de colaboración entre humanos y máquinas. Propuestas específicas La meta a largo plazo del proyecto es un sistema que se mejora continuamente a medida que el conocimiento lexical y gramatical de diferentes idiomas se agrega, o por acciones de los mantenadores del sistema o por el aprendizaje automático de regularidades en textos. Durante el próximo medio año tenemos la intención de centrarnos en un pequeño conjunto de idiomas mayas para evaluar y demostrar la posibilidad de la traducción automática entre estos idiomas y de herramientas pedagógicas útiles para los idiomas. Dependiendo del éxito de esta fase del proyecto, continuaremos con la incorporación del español y otros idiomas mayas. TRADUCCIÓN La traducción automática basada en métodos lingüísticos empieza con la implementación de reglas gramáticas para cada idioma, de un léxico multilingüe, y de reglas de correspondencia entre los idiomas. Gramáticas Para la mayoría de los lenguas mayas, hay gramáticas adecuadas que pueden servir como bases de gramáticas computacionales. Hasta ahora hemos implementado una gramática parcial del k iche que consiste en aproximadamente 100 reglas morfológicas y que permite el análisis de aproximadamente 50% de las palabras. En enero 2007 agregaremos reglas sintácticas, y para el febrero 2007 esperamos tener una gramática adecuada para el análisis de la mayoría de oraciones simples k iche s. 6 Gasser: Herramientas computacionales para el fortalecimiento de los idiomas mayas
Con esta experiencia será más sencilla la implementación de gramáticas para otros lenguas. Esperamos que el proceso requiera aproximadamente 2-5 meses para cada idioma, dependiendo de su proximidad a los idiomas ya implementados. En la primera mitad de 2007, tenemos la intención de crear gramáticas para el kaqchikel y el mam. El kaqchikel no planteará muchos problemas por el parecido entre su gramática y la del k iche. El mam plantea más dificultades pues difiera mucho de los idiomas k icheanos y además tiene reglas morfológicas bastante complejas. Para el julio 2007 esperamos haber implementado gramáticas rudimentarias de estos dos idiomas adicionales y reglas de correspondencias entre los tres donde no se coinciden (frecuentemente entre el mam y los idiomas k icheanos). Léxicos En implementar un léxico computacional, normalmente se empieza con un diccionario disponible en forma digital. Entre los idiomas mayas guatemaltecos hemos encontrado en Internet diccionarios del k iche (ALMG, 2004; Christenson, 1993), del mam (ALMG, 2003), del q eqchi (ALMG, 2004), del q anjob al (ALMG, 2003), y del poqomchi (Dobbels, 2002). Ya hemos implementado un léxico k iche pequeño y vamos a continuar con un léxico mam en la primavera. Todavía nos falta un diccionario digital del kaqchikel; para este idioma quizás tendremos que escanear un diccionario escrito y aplicar el reconocimiento óptico de caracteres a los datos, un proceso mucho más complejo que la conversión de un recurso ya digitalizado. Los diccionarios bilingües que existen relacionan un idioma maya con el español o el inglés, no idiomas maya a otros (con la excepción del diccionario etimológico de Kaufman (2003)). Consideramos como meta importante del proyecto la creación de un sistema multilingüe que capta lo que se comparte en los idiomas mayas y que relaciona directamente palabras y reglas gramaticales mayas. Pensamos en empezar con el español como intermediario, poco a poco eliminándolo a medida que las equivalencias se vuelven obvias. Esperamos haber implementado un léxico trilingüe con 5-10,000 lexemas para el julio 2007; junto con las gramáticas, éste servirá de base para la traducción rudimentaria entre los tres idiomas. HERRAMIENTAS PEDAGÓGICAS Los programas que efectúan el análisis y la generación de oraciones pueden utilizarse también en aplicaciones que ayuden en la enseñanza de la gramática de los idiomas. Actualmente estamos desarrollando dos aplicaciones. Esperamos evaluarlas en la primavera en las clases de k iche como segunda lengua que dirige la Asociación Ajb atz Enlace Quiché en Santa Cruz del Quiché. 1. Una simple extensión es un programa que muestra los morfemas de un verbo, que permite que el usuario reemplace morfemas en la verbos con otros, y que corrige cualesquier errores. 2. Una aplicación más ambiciosa es un programa que le ofrece al usuario una paleta de imágenes representando personas ( hombre, niña, etc.), animales ( gato, pollo, etc.), objetos ( casa, cazuela, etc.), y acciones ( empujar, levantar, hablar, etc.). El usuario puede elegir y com- 7 Gasser: Herramientas computacionales para el fortalecimiento de los idiomas mayas
binar las imágenes, creando una historia sencilla. Luego escribe las oraciones en k iche (u otro idioma) que cuentan la historia y las corrige el programa. COLABORACIÓN Un proyecto como el descrito arriba tiene aspectos técnicos y aspectos culturales; solo se puede realizar por medio de una colaboración entre expertos en los campos relevantes de la informática y representantes de las comunidades lingüísticas. En el contexto del proyecto propuesto, contaremos con la participación de la ALMG en cuatro campos. 1. Siempre requerirá las traducciones producidas por el sistema por lo menos la comprobación de hablantes y en muchos casos su participación sustancial en el proceso. (Cada corrección de la salida del sistema será tratada como retroalimentación y puede mejorar el rendimiento futuro.) 2. A corto plazo tendremos que centrarnos en dominios de contenido específicos, por ejemplo, la medicina, la geografía, la historia, las noticias, aún en documentos específicos. Por supuesto, cada decisión sobre el contenido será la responsabilidad de los hablantes de los idiomas. 3. Las herramientas pedagógicas que estamos proponiendo se basan en ejemplos de los idiomas oraciones y historias y de situaciones ilustradas con imágenes. Aunque tenemos competencia en el diseño de interfaces, dependeremos de los hablantes del idioma para la selección del contenido, tanto lingüístico como visual. 4. Aunque somos lingüistas y tenemos descripciones lingüísticas de los idiomas, no somos mayanistas (ni mucho menos mayas). Cuando no entendemos las descripciones o encontramos desacuerdo entre diferentes explicaciones de la gramática, pediremos las opiniones de lingüistas nativos. Conclusiones A través de la historia se ha dado competencia entre idiomas, un reflejo de la competencia entre pueblos, clases, y naciones. El debilitamiento y la desaparición de un idioma representan de cierto modo el debilitamiento y la desaparición del pueblo que lo hablaba; asimismo el fortalecimiento de un idioma representa el fortalecimiento de sus hablantes. En la época de la globalización y del Internet parece que la competencia entre idiomas está acelerando. Entre los 6-7000 idiomas que se hablan hoy día, muchos van a extinguirse. Para sobrevivir en el siglo XXI, un idioma debe ser no solo hablado sino también escrito, no solo medio de comunicación en la casa, en las tiendas, y por el teléfono sino también en el correo electrónico. La tecnología que está cambiando nuestro mundo puede ser enemigo o amigo de un idioma desventajado. Cuando apoya solo a los competidores fuertes, como ocurre en muchos casos, puede 8 Gasser: Herramientas computacionales para el fortalecimiento de los idiomas mayas
resultar que se le niegue al idioma el uso en el mundo digital, el que incluye en gran parte las escuelas, los hospitales, el negocio, y las salas de justicia. No obstante, cuando investigaciones y desarrollos tecnológicos se dirigen al idioma en cuestión, pueden aportar a la alfabetización, al aumento de textos escritos en el idioma, a la comunicación entre hablantes del idioma y los de otros idiomas relacionados, al uso del idioma en dominios digitales, a la capacidad de sus hablantes de encontrar información, y a la participación de sus hablantes en el mayor mundo. Por supuesto, no representarían tales proyectos una panacea, pero, junto con la voluntad y la colaboración de la comunidad de hablantes, podrían ayudar que idiomas como el k iche, el mam, el ixil, y el popti no solo sobrevivan sino prosperen en el mundo futuro. Referencias Academia de Lenguas Mayas de Guatemala, Dirección Lingüística y Cultural. (2003). Jit il q anej yet Q anjob al. Vocabulario Q anjob al. Guatemala: ALMG. Academia de Lenguas Mayas de Guatemala, Dirección Lingüística y Cultural. (2003). Pulb il yol Mam. Vocabulario Mam. Guatemala: ALMG. Academia de Lenguas Mayas de Guatemala, Dirección Lingüística y Cultural. (2004). Xtusulal aatin sa Q eqchi. Vocabulario Q eqchi. Guatemala: ALMG. Academia de Lenguas Mayas de Guatemala, Dirección Lingüística y Cultural. (2004). K iche choltzij. Vocabulario K iche. Guatemala: ALMG. Christenson, A.J. (1993?). K iche -English dictionary. Foundation for the Advancement of Mesoamerican Studies. http://www.famsi.org/mayawriting/dictionary/christenson/quidic_complete.pdf Dobbels, M. (2003). Tusq orik: Poqomchi Kaxlan q orik. Guatemala: PROASE. Kaufman, T. (2003). A preliminary Mayan dictionary. Foundation for the Advancement of Mesoamerican Studies. http://www.famsi.org/reports/01051/pmed.pdf#search=%22kaufman%20mayan%20dictionary%22 Paolillo, J. (2005). Language diversity on the Internet: examining linguistic bias. In UNESCO Institute for Statistics (Ed.), Measuring linguistic diversity on the Internet. Montreal, Canada: UIS. http://www.uis.unesco.org/template/pdf/cscl/measuringlinguisticdiversity_en.pdf 9 Gasser: Herramientas computacionales para el fortalecimiento de los idiomas mayas