La Novedad léxica como medida de riqueza léxica en un corpus oral contemporáneo

el corpus PRESEEA-Santander

Resumen

Los estudios cuantitativos del léxico más generalizados son, entre otros, los léxicos básicos, los disponibles y los que miden la riqueza léxica (Ávila Muñoz 2014). En esta última dirección se ubica el presente estudio. Tradicionalmente, la fórmula empleada a partir de la cual se obtiene la riqueza media de cada texto es TTR (Type Tokens Ratio), consistente en dividir el número de vocablos diferentes entre el total de palabras (Capsada y Torruella 2017). Esta fórmula es válida cuando se comparan corpus de igual tamaño, pero no resulta fiable al cotejar textos de distinta dimensión. Junto a la densidad, otros índices para medir la riqueza léxica -como la diversidad (Baayen 2001), la información (Shannon y Weaver 1963) o lo que llamamos la peculiaridad (Baayen 2001, 2008)- tampoco están exentos de problemas. En este artículo se revisan tales conceptos y se propone la novedad de frecuencia (N) como un nuevo índice de riqueza léxica. Se ofrece una definición, la fórmula correspondiente y se aplica al corpus sociolingüístico PRESEEA-Santander en dos direcciones: la categoría gramatical y los parámetros sociolingüísticos (sexo, edad y nivel educativo). Se aprecia, a tenor de los análisis, una diferencia notable de novedad léxica en función de la categoría gramatical y escasa en lo que atañe a los criterios sociolingüísticos, probablemente como medio para garantizar la comunicación humana. La metodología a partir de la cual se lleva a cabo la estadística léxica emplea el paquete R de ggplot y psych.