La combinació d’estilometria, aprenentatge automàtic i anàlisi mètrica permet atribuir amb una precisió sense precedents l’autoria d’una de les obres més debatudes de William Shakespeare i obre una nova etapa per a la recerca en humanitats digitals.
Les obres de William Shakespeare són de les més importants i admirades de la història de la literatura, però també de les que generen més debats i controvèrsies. Des de mitjan segle XIX, els acadèmics han sospitat que algunes de les seves obres no van ser fruit d’un geni solitari, sinó de col·laboracions estretes amb altres dramaturgs de l’època jacobina. El cas més cèlebre és Enric VIII (1613), una peça on els canvis de ritme i estil suggerien, des de l’anàlisi de James Spedding el 1850, la mà d’un “soci”: el dramaturg John Fletcher. Tanmateix, determinar quines escenes havia escrit cada autor era un laberint de teories complexes i subjectives, limitades per la interpretació humana i el pas del temps.
Per superar aquest obstacle històric, la ciència de dades ha proposat una solució innovadora que combina dues tecnologies clau:
- Anàlisi estilomètrica de freqüència lèxica, un sistema que estudia la “empremta dactilar” verbal d’un escriptor mesurant l’ús subconscient de les paraules més comunes d’un idioma.
- Modelatge d’aprenentatge automàtic d’estructures mètriques, un algorisme dissenyat per analitzar la música interna del vers, els seus accents i les seves transicions rítmiques.
William Shakespeare. Martin Droeshout – Beinecke Rare Book & Manuscript Library, Yale University [2], Domini públic, https://commons.wikimedia.org/w/index.php?curid=10730498.
Per separat, cada enfocament ofereix només una perspectiva parcial del problema. Tanmateix, la seva sinergia permet estimar amb una alta probabilitat el repartiment de l’autoria, fragment a fragment i sense dependre dels límits de cada escena. L’anàlisi d’Enric VIII realitzada el 2019 per l’investigador Petr Plecháč ha demostrat el poder d’aquesta combinació: els seus resultats donen un fort suport a la divisió entre Shakespeare i Fletcher proposada per Spedding, descarten un tercer candidat (Philip Massinger) i reforcen el consens sobre un debat obert des de feia més d’un segle i mig.
Estilometria de freqüència lèxica
L’Anàlisi Estilomètrica de Freqüència Lèxica parteix d’una premissa fascinant: tots tenim un estil d’escriptura únic i involuntari, semblant a una signatura biomètrica. Quan un autor escriu, no només destaca per les seves metàfores brillants o pel vocabulari elaborat, sinó també per la freqüència exacta amb què utilitza paraules extremadament comunes i funcionals, com ara preposicions, conjuncions i pronoms (“i”, “en”, “que”, “ell”).
Aquest mètode funciona processant digitalment grans corpus textuals. L’algorisme compta la distribució d’aquestes paraules més recurrents (conegudes en informàtica com a Most Frequent Words o MFW). En fer-ho, genera un perfil estadístic d’alta precisió que actua com un mapa de la identitat estilística de l’autor en qüestió.
No obstant això, l’estilometria basada en paraules freqüents presenta limitacions inherents quan s’aplica de manera aïllada a la poesia o al teatre en vers del segle XVII. Un dramaturg isabelí podia imitar conscientment el vocabulari d’un col·lega o veure’s obligat a utilitzar paraules específiques a causa del tema històric de l’obra, fet que pot confondre un algorisme de recompte simple. A més, aquest enfocament no és capaç de captar la cadència, la rima o la subtil “melodia” estructural que distingeix un poeta en la construcció física del vers.
Modelatge d’estructures mètriques
Per solucionar les mancances de l’anàlisi lèxica bàsica, els investigadors van desenvolupar el Modelatge d’Aprenentatge Automàtic d’Estructures Mètriques i Ritme. Aquest enfocament no se centra en quines paraules s’escullen, sinó en com s’organitzen rítmicament dins l’estructura del vers.
El mètode utilitza un classificador d’aprenentatge automàtic (una màquina de vectors de suport) entrenat amb els patrons mètrics de l’època, com el famós pentàmetre iàmbic característic del teatre anglès. El sistema analitza l’alternança de síl·labes tòniques (accentuades) i àtones (no accentuades), codificant la distribució dels accents de cada línia com un patró rítmic propi. Quan el Modelatge d’Estructures Mètriques es combina amb l’Estilometria de Freqüència Lèxica en un únic perfil estadístic, l’ordinador no només sap quin vocabulari s’ha emprat, sinó que també registra la “música” i l’arquitectura física amb què aquest vocabulari ha estat construït.
Una sinergia reveladora: mentre que el vocabulari i el ritme, per separat, poden fallar en alguns casos, cadascun aporta un senyal en gran part involuntari de l’autor. En unificar la freqüència lèxica amb els patrons mètrics, la intel·ligència artificial adquireix la capacitat de detectar transicions d’autoria gairebé imperceptibles —fins i tot dins d’una mateixa escena—, analitzant el text en finestres lliscants com si fos una partitura literària completa.
El misteri d’Enric VIII de Shakespeare
El cas més cèlebre que va posar a prova l’efectivitat d’aquesta sinergia metodològica va ser l’anàlisi de l’obra històrica Enric VIII. Des de mitjan segle XIX, la crítica sospitava que Shakespeare no havia treballat sol en aquesta peça de 1613, però definir les fronteres exactes de la seva autoria era un desafiament filològic que semblava impossible de resoldre de manera objectiva.
William Shakespeare, Thomas Cotes (impressor) i John Smethwick (editor) – Folger Library Digital Image Collection, Domini públic, https://commons.wikimedia.org/w/index.php?curid=40861940.
Un avenç notable va arribar de la mà de Petr Plecháč, investigador de l’Acadèmia Txeca de Ciències, a Praga. Plecháč va aplicar conjuntament l’anàlisi estilomètrica i el reconeixement de patrons mètrics mitjançant un algorisme d’aprenentatge automàtic. Per entrenar el sistema, va utilitzar un corpus compost per obres d’autoria indiscutible escrites de manera independent per William Shakespeare, pel seu cèlebre contemporani John Fletcher i per un tercer candidat, Philip Massinger.
En analitzar Enric VIII en finestres lliscants de versos, l’algorisme va obtenir resultats molt sòlids:
- Divisió aproximadament equitativa: va estimar amb una alta probabilitat que Shakespeare va escriure aproximadament la meitat de l’obra, mentre que John Fletcher es va encarregar de l’altra meitat.
- Atribució d’escenes clau: el sistema va atribuir a Fletcher, amb unanimitat dels models, alguns dels moments més recordats de l’obra, com l’escena de la mascarada amb canons (Acte I, Escena 4), la mateixa que va incendiar el teatre Globe durant l’estrena.
- Descart dels sospitosos: l’anàlisi va permetre considerar molt improbable la participació d’altres dramaturgs de l’època sobre els quals existien sospites, especialment la de Philip Massinger.
Implicacions àmplies i context
L’èxit obtingut en l’enigma de Shakespeare i Fletcher il·lustra un canvi de paradigma que està guanyant força als departaments d’humanitats de tot el món. La combinació d’anàlisi lèxica i mètrica computacional ja no és una curiositat científica, sinó una eina cada vegada més consolidada en l’àmbit de la filologia forense i l’estudi del patrimoni cultural.
Aquesta metodologia obre un ampli ventall de possibilitats fascinants en altres sectors i regions. En el context europeu, projectes similars estan aportant llum al Segle d’Or espanyol, on iniciatives com ETSO apliquen algorismes semblants, basats en freqüències lèxiques, per depurar la gran quantitat de comèdies d’autoria dubtosa d’autors com Lope de Vega o Calderón de la Barca. Així mateix, la intel·ligència artificial aplicada als textos té un enorme potencial per a:
- Detecció de plagis complexos: més enllà de cercar coincidències exactes de text, l’anàlisi estilomètrica permet identificar còpies no literals —reescrites o traduïdes— en l’àmbit editorial i acadèmic actual.
- Restauració i completament de textos malmesos: xarxes neuronals profundes com Ithaca, de DeepMind, ajuden a predir quines paraules havien d’ocupar els fragments perduts d’inscripcions històriques deteriorades, elevant la precisió dels experts del 25% al 72% quan treballen amb aquesta eina.
Actors clau com l’Acadèmia Txeca de Ciències de Praga, projectes espanyols com ETSO —en l’ecosistema del qual col·laboren grups filològics com PROLOPE— o laboratoris britànics com DeepMind i la Universitat d’Oxford estan demostrant que la inversió en infraestructures digitals per a la cultura és vital per redescobrir i protegir la nostra història comuna, operant a una escala d’anàlisi que l’observació humana no pot abastar per si sola.
Tradició i innovació de la mà
L’aclariment del misteri que envoltava Enric VIII és un testimoni eloqüent del poder que sorgeix quan la tecnologia d’avantguarda es posa al servei de la cultura clàssica. La sinergia entre l’anàlisi de freqüència lèxica i el reconeixement mètric per intel·ligència artificial ens demostra que la precisió estadística pot convertir-se en la millor aliada de la sensibilitat artística.
Aquest enfocament no busca desvalorar el misteri de la creació literària ni substituir la mirada experta dels crítics tradicionals. Al contrari, funciona com un potent microscopi digital que allibera els investigadors de les tasques més feixugues de recompte i comparació massiva, permetent-los concentrar-se en la interpretació estètica, històrica i filosòfica de les obres. L’impacte d’aquestes eines és profundament integrador, ja que aporta evidència independent a la veritat històrica i reforça el reconeixement de creadors que el gran públic havia deixat a l’ombra, com John Fletcher, el nom del qual ni tan sols figurava al Primer Foli de 1623.
El missatge final per a les institucions educatives, culturals i científiques és clar: cal abraçar i finançar amb valentia aquestes innovacions interdisciplinàries. En establir ponts sòlids entre les ciències de la computació i les humanitats, no només projectem una nova llum sobre els misteris literaris del passat, sinó que també assentem les bases per a una comprensió molt més profunda, transparent i compartida de la nostra pròpia evolució cultural.
