Is there a text in my data? (Part 1): on counting words

Abstract

A B S T R A C TThis essay is the first in a two-part series. This first installment invites readers to consider a few very basic questions: what does it mean to count words in a text? What happens to the text, and to our understanding of it, when we decompose it into a series of word counts?What relation exists between the textual domain and its numerical image? Or, to restate this question with a nod to literary critic stanley fish, "is there a text in my data?" following one document through a series of typical transformations --first into a simple list of words and their frequencies, then to a vector of elements in a matrix, and from there through the processes of normalization, dimensionality reduction, and analysis --this essay argues against the commonly held notion that counting words reduces complexity, suggesting instead that semantic models embed textual objects in highly complex structures that are extremely sensitive to historical context and subtle nuances in meaning. Word frequencies aren't static, given things that simply exist in a text. They're produced through the act of modeling, and the mathematical structures they imply dissolve both words and texts into elaborate systems of mutual interrelation.

El texto literario hecho datos: F. M. Dostoievski en el marco de las Humanidades digitales y los enfoques cuantitativos

“…En los estudios literarios estos datos, recordemos los smart big data de Schöch (2013), tienen la capacidad de funcionar como fuentes potenciales de información, haciendo evidente aquello a lo que nos referíamos anteriormente con la necesidad de comprender cuáles son los objetivos reales de la incorporación de los métodos digitales a los estudios literarios: la distant reading (Moretti, 2013;2000; siempre sería capaz de producir nuevos artefactos que pueden ser abordados mediante una close reading (Owens, 2011). Gavin (2019) lleva un poco más lejos la reflexión, al rebajar la importancia de si el análisis computacional de textos consiste o requiere una close o distant reading, para plantear la cuestión de qué son los datos (palabras) en los que descompone los textos que analiza, sugiriendo que no son ya textos, sino una nueva forma de textualidad (Gavin, 2019: 21). No hay que olvidar en este mismo sentido que las expectativas que un lector o investigador en la actualidad ponen en un texto no son las mismas que los de otra época o, incluso, de otro nicho sociocultural, y que esta no coincidencia cambia la naturaleza del propio texto (Jones Nulty, 2019).…”