El análisis de datos textuales surge de los análisis (de carácter cuantitativo) realizados fundamentalmente sobre obras literarias, entre los que se destacan un recuento de todas las palabras presentes en la Biblia y la presentación del primer catálogo de clasificación de libros de una biblioteca (Catálogo de Biblioteca Bodleiana de la Universidad de Oxford en el año 1876). Estos análisis estaban enfocados exclusivamente al recuento (estudio de frecuencia) de cada término sin tener en consideración, por ejemplo, el estudio de la distribución del vocabulario, ni la relación/asociación entre términos.

A principios de 1900 estas ideas se extienden dando lugar, en primer lugar, a la generación de resúmenes de largos textos. Tomando como punto de partida el análisis de frecuencias se crean medidas de significación relativa de cada término dentro de un texto determinado. A mediados de siglo, surgen nuevos desarrollos teóricos, que permiten entrar en el estudio de la distribución del vocabulario. Surgen, así, los primeros estudios de comparación léxica teniendo en consideración distintos autores e incluso un mismo autor en distintos momentos y obras.

El tratamiento de datos de texto desde una perspectiva estadística formal se afianza en la década del 70, cuando surge el Análisis Factorial de Correspondencias [2], desarrollado inicialmente para el trato de bases de datos lingüísticas.

Con el paso del tiempo y con el desarrollo de la informática (que avanza día a día), el análisis estadístico de datos textuales se ha expendido y ha ido incrementando su implementación en los más diversos ámbitos, dejando de lado las aplicaciones únicamente a obras literarias. Entre los principales ámbitos de aplicación se destacan: análisis de mercado, búsquedas y análisis web, estudios periodísticos, estudios de psicología y educación, sociología, politología, bibliotecas digitales, entre otros [1].

Los textos analizados (documentos, entrevistas, encuestas con preguntas abiertas, etc.) se organizan y estructuran de forma conjunta en un único elemento, denominado corpus. Así, el análisis estadístico de datos textuales (en inglés, text data mining o simplemente text mining) se define como el proceso de extraer información (estructurada y sistematizada) del corpus, a partir de su transformación en una matriz léxica o matriz de términos (term matrix).

En este trabajo se presentan un conjunto de indicadores utilizados como herramientas descriptivas y se ponen en práctica a través de una aplicación sobre los discursos de asunción de 2 expresidentes uruguayos, en el período post dictadura militar: 1985 – 2020.

El actual régimen electoral de Uruguay (vigente desde 1996) introdujo una reforma del sistema electoral previsto por la Constitución de 1967, estableciendo, entre otros aspectos:

·         Elecciones internas abiertas y simultáneas de los candidatos a la Presidencia, Vicepresidencia de la República, así como de los órganos deliberativos de cada partido político.

·         Candidatura única a la Presidencia de la República por cada partido.

Así, en el mes de junio de cada año electoral, se definen (a través de las elecciones internas) los candidatos oficiales a las elecciones presidenciales. En el mes de octubre del mismo año, son celebradas las elecciones nacionales, con la postulación de un único candidato por cada partido.  En caso de que ninguno de los candidatos llegue a una adhesión del 50% +1 del total de votos emitidos se realiza una segunda vuelta, en el mes de noviembre. Cabe resaltar que, según la Constitución de Uruguay, el voto no es solamente un derecho, sino que es, sobre todo, un deber como ciudadano, además de una obligación.

En este trabajo se propone realizar un análisis, desde esta perspectiva, de cuatro discursos presidenciales de Uruguay, correspondientes a dos expresidentes. En particular, Julio María Sanguinetti (presidente en los períodos 1985-1990 y 1995-2000) y Tabaré Vázquez (presidente en los períodos 2005-2010 y 2015-2020). Ambos provienen de sectores ideológicos/políticos distintos, tradicionalmente opuestos/rivales y cada uno ha formado parte del gobierno como oposición, durante el mandato del otro. Los resultados presentados son de carácter descriptivo multidimensional y se complementan con elementos de visualización, herramienta típicamente utilizada en el ámbito del análisis estadístico de datos de naturaleza textual. Los principales resultados obtenidos ponen de manifiesto la diferencia que existe en los discursos, a nivel tanto de candidato como de período.

OBJETIVOS

El objetivo general de este trabajo es analizar en forma conjunta, complementaria y comparativa, cuatro discursos presidenciales de Uruguay, correspondientes a dos expresidentes. En particular, Julio María Sanguinetti (presidente en los períodos 1985-1990 y 1995-2000) y Tabaré Vázquez (presidente en los períodos 2005-2010 y 2015-2020).

A partir de este objetivo general, se plantean los siguientes objetivos específicos:

·         Analizar por separado cada uno de los cuatro discursos.

·         Analizar y comparar los discursos a nivel de candidato.

·         Analizar y comparar los discursos a nivel de período.

 

MATERIAL Y MÉTODOS

Material

El objeto de estudio de este trabajo serán cuatro discursos de asunción de presidentes de Uruguay, correspondientes a dos expresidentes. En primer lugar, serán estudiados los cuatro discursos de forma independiente (analizando y comparando su contenido). Además, y de forma complementaria, los discursos serán analizados desde una perspectiva comparativa tanto a nivel individual de candidato, como a nivel de período.

En particular, los datos a analizar corresponden a los discursos de asunción de Julio María Sanguinetti y de Tabaré Vázquez, presidentes en los períodos 1985-1990 y 1995-2000, y 2005-2010 y 2015-2020, respectivamente.

Métodos

La metodología general a utilizar está basada íntegramente en la teoría desarrollada para el análisis estadístico de datos textuales. En particular, las estrategias utilizadas para analizar los datos en este trabajo son de carácter descriptivo y toman como insumo datos ordenados (tidy data, en particular: tidy text). Las características de este tipo de datos son [12][7]:

·         Cada columna es una variable.

·         Cada fila es una observación de esa variable.

·         Cada tipo de variable corresponde a una tabla distinta.

·         Debe ser posible enlazar dichas tablas, en caso de existir.

Al considerar los documentos analizados en formato de texto ordenado se identifican los siguientes elementos:

·         Estructura general: una ficha por fila.

·         Cadena (string): cadena de caracteres.

·         Corpus: conjunto de textos con metadatos e información adicional.

·         Matriz de términos: matriz tal que sus filas son los documentos analizados y las columnas los términos.

A partir de esta estructuración de los documentos a ser analizados, es posible estudiar cada uno de ellos de forma independiente y conjunta/comparada.

En lo que refiere a cada análisis independiente resulta pertinente considerar cada una de las palabras/términos que conforman cada documento, comenzando, por ejemplo, con un recuento absoluto (n_palabra) y/o relativo (frecuencia, de cada palabra (tf) [11]. Sin embargo, existen palabras presentes muchas veces en un documento (es decir, tf alta) que no son realmente importantes. Este tipo de palabras se conocen como palabras vacías (stop words) y suelen ser eliminadas en una primera instancia de depurado de los textos a ser analizados.

Desde otro enfoque, se propone observar la frecuencia inversa, dentro de un conjunto de documentos, de un término (idf). Así, se disminuye el peso de las palabras más comunes y se aumenta el de las menos comunes. Esta medida se define como:

 

 

Es posible combinar ambas medidas en una sola y obtener el tf-idf de un término, entendida como la frecuencia de un término dentro de un documento, ajustado por la frecuencia con la que se usa dentro de un conjunto de documentos.

Tomando como punto de partida estas medidas, y analizando que éstas presentan una distribución similar en cualquier tipo de texto analizado (libros, textos de sitios web, discursos, etc.), surge la Ley de Zipf [17] que establece que la frecuencia de una palabra en un texto es inversamente proporcional a su ranking (“posición” que ocupa una palabra, al ordenar todas las palabras por frecuencia), es decir:

A partir del uso de estas medidas, será posible una primera comparación entre textos, en particular (en este trabajo) entre cuatro discursos de asunción presidencial.

Por último, se destaca que todas estas medidas de carácter descriptivo multidimensional suelen ser acompañadas de representaciones gráficas que complementan y facilitan su interpretación.

RESULTADOS

Análisis preliminar de los discursos

Para el procesamiento de los datos, se utilizó el software libre R Project [8], tomando como referencias las propuestas de Kwartler [6], y Silge y Robinson [11]. En particular los paquetes utilizados fueron: tm, wordcloud, tidyverse, stringr, tidytext, textclean, ggplot2 [4], [5], [3], [14], [15], [10], [9], [13].

En cuanto a los principales resultados a presentar en este trabajo, y con el objetivo de abordar/presentar las principales estrategias (descritas en la sección Métodos) de tratamiento y análisis de este tipo de datos, se describen (en primera instancia) las principales características de los discursos brutos, es decir, sin depurar.

Así, el primer elemento a tener en consideración es la extensión, medida en cantidad de términos/palabras, de cada uno de los cuatro discursos analizados. Tal como se puede observar en la Tabla 1^[1], los dos discursos de Tabaré Vázquez presentan una extensión sustancialmente menor que cualquiera de los dos discursos de Julio María Sanguinetti.  

 

Tabla 1. Total de palabras por discurso.

 

Tomando como punto de partida estas diferencias, cabe comenzar a investigar cada uno de los discursos a la interna, palabra por palabra. En la Figura 1, se presentan gráficamente (nube de palabras) las palabras más dichas en términos absolutos (npalabra > 10) de cada uno de los discursos y su análisis se complementa a partir de los indicadores presentados en la Tabla 2 (Ranking ≤ 10). 

 

Figura 1: Nubes de palabras según discurso.

 

Tabla 2. Indicadores según discurso.

 

Tabla 2. Indicadores según discurso (cont.).

 

Tabla 2. Indicadores según discurso (cont.).

 

Si, además, se considera la frecuencia relativa (tf) de cada palabra a la interna de cada discurso, es posible determinar que en todos los casos, existen: muchas palabras dichas pocas veces y pocas palabras dichas muchas veces (ver Figura 2).

Figura 2: Cantidad de palabras por tf según discurso.

Al analizar la información presentada, y tal como era de esperar, se detecta que las palabras más utilizadas, en cada uno de los discursos, corresponden a palabras vacías (mencionadas previamente). Surge, por lo tanto, la necesidad de depurar los discursos analizados, a efectos de poder extraer información relevante de contenido.

Proceso de depurado

El proceso de depurado, realizado típicamente sobre este tipo de datos (de naturaleza textual), comienza teniendo en consideración las, ya mencionadas, palabras vacías.

En particular, en este trabajo se ha utilizado, inicialmente, un conjunto de 750 palabras.

A modo de ejemplo:

a, acá, ahí, al, algo, algún, alguna, alguno, algunas, algunos, allá, allí, ambos, ante

bien, bajo, bastante, breve, buen, buena, buenas, bueno, buenos     

cada, casi, como, con, cual, cuales, cualquier, cualquiera, cualquieras, cuan, cuando   

de, del, demás, desde, donde    

...

tuvo, tuya, tuyas, tuyo, tuyos, tú

último, un, una, unas, uno, unos, usa, usais, usamos

va, vais, valor, vamos, van, varias, varios, vaya, veces, ver

 

Estas listas de palabras no son únicas y se actualizan, generalmente, en función de la temática en estudio.

Análisis de contenido de los discursos

Retomando los resultados expuestos en el apartado Análisis preliminar de los discursos, en la Tabla 3 se presentan las palabras totales por discurso depurado. El primer aspecto a destacar es que los dos discursos de J.M. Sanguinetti, aún poseen mayor extensión que los de Vázquez. De todas formas, en los cuatro casos analizados, se detecta un descenso de alrededor de un 60% de la longitud total del discurso (65%, 63%, 59% y 58%, respectivamente).

 

Tabla 3. Total de palabras por discurso depurado.

          

Sobre este nuevo escenario (discursos depurados), en la Figura 3 se presentan gráficamente las palabras más dichas en términos absolutos (n_palabra > 10) de cada uno de los discursos y su análisis se complementa a partir de los indicadores presentados en la Tabla 4 (Ranking ≤ 10). Es posible observar que las palabras con mayor tf resultan más informativas acerca del contenido general de cada discurso, con respecto al análisis realizado sobre los discursos sin depurar.

Figura 3: Nubes de palabras según discurso depurado.

 

Tabla 4: Indicadores según discurso depurado.

 

Tabla 4: Indicadores según discurso depurado (cont.).

 

Por otra parte, comparando la estructura general/global de los cuatro discursos analizados, es posible determinar que todos ellos presentan un comportamiento similar (tal como se estableció en la sección Métodos). Todos contienen muchas palabras dichas pocas veces y pocas palabras dichas muchas veces y su distribución se ajusta a la establecida por la Ley de Zipf (ver Figuras 4 y 5).

Figura 4: Cantidad de palabras por tf según discurso depurado.

 

Figura 5: Ley de Zipf según discurso depurado.

 

En cuanto al análisis del contenido en sí de cada uno de los discursos, se propone un enfoque que permita establecer similitudes y diferencias entre ellos, teniendo en consideración las medidas idf y tf-idf, definidas en la sección Métodos. En la Tabla 5 se presentan las 10 palabras más frecuentes de cada discurso, considerando únicamente aquellas que tienen tf-idf = 0.

Por cómo se definen estos indicadores, las palabras tales que idf(palabra) = 0 (y tf-idf(palabra) = 0) son palabras “extremadamente” comunes en los documentos analizados, más específicamente, son palabras que aparecen en los cuatro documentos.

En cuanto a cada uno de los discursos, en la Tabla 5 se indican con un * aquellas palabras que no figuraban en la Tabla 4 (Ranking ≤ 10). Es decir, son palabras que si bien no son las más dichas en su discurso, son dichas en todos los discursos.

Por otra parte, se destacan palabras que sí son frecuentes en el discurso al que pertenecen, pero no lo son en los demás, en particular:

En el discurso de Sanguinetti 1985: espíritu, simplemente, uruguayos.

En el discurso de Sanguinetti 1995: sistema, reforma.

En el discurso de Vázquez 2005: compromiso, cambios, señoras.

En el discurso de Vázquez 2015: artigas, hombre, época, principios, prócer.

 

Tabla 5: Indicadores según discurso depurado – idf tf-idf.

 

 

Tabla 5: Indicadores según discurso depurado – idf tf-idf (cont.).

 

Haciendo énfasis en estas palabras, que resultan “exclusivas” de un único discurso, en la Tabla 6 se presentan las 10 palabras con mayor tf-idf. Se puede observar que el 90% de ellas pertenecen a los discursos de Vázquez (4/10 a su primer discurso y 5/10 al segundo). Esto indicaría que Sanguinetti, en general, hace uso de palabras “`más comunes”.

Tabla 6: Indicadores según discurso depurado - Ordenados por tf-idf.

 

Por último, en cuanto a cada uno de los discursos y el uso de palabras “exclusiva” en cada uno de ellos, en la Tabla 7 se presentan las 10 palabras con mayor tf-idf, respectivamente.

 

Tabla 7: Indicadores según discurso depurado – idf tf-idf.

 

Tabla 7: Indicadores según discurso depurado – idf tf-idf (cont.).

DISCUSIÓN Y CONCLUSIONES

Teniendo en consideración los resultados presentados se puede apreciar, en primera instancia, una diferencia en la longitud general de los 4 discursos analizados: los 2 discursos de Sanguinetti resultan más largos que los dos de Vázquez. Resalta, además, que el primero de Sanguinetti (1985) es más largo que el segundo y que en el caso de Vázquez ocurre al revés.

En cuanto al análisis específico del contenido, a nivel general, se destaca que Vázquez utiliza más términos propios/exclusivos en sus discursos, mientras que Sanguinetti hace uso de palabras más comunes.

Del primer discurso de Sanguinetti, se destaca la utilización de las palabras: país, democracia, nacional, uruguayos, política, república, libertad y gobierno. Todas ellas podrían relacionarse con su condición de primer presidente democráticamente electo luego de 13 años de dictadura militar y con elementos que caracterizaron su política como primer mandatario, entre las que se destacan positivamente:

·         La consolidación del régimen constitucional tras la dictadura militar.

·         El carácter pacífico de la transición.

·         Las medidas adoptadas en favor de las víctimas de la dictadura militar.

·         La ley de amnistía dictada en marzo de 1985 en favor de las personas que todavía permanecían detenidas, condenadas por la justicia militar por delitos políticos.

·         La restitución de funcionarios públicos destituidos por la dictadura, y la reparación de su carrera profesional.

Cabe resaltar, también, que su gobierno fue muy criticado, entre otras cosas, por:

·         Mantenimiento de instituciones y prácticas de la dictadura militar que recortaban la vigencia de las libertades democráticas.

·         Las limitaciones de la ley de amnistía mencionada, que no fue total.

·         El sistemático bloqueo de la investigación de los crímenes cometidos durante la dictadura, la búsqueda de los detenidos desaparecidos y el juzgamiento de los responsables.

Por otra parte, el discurso de asunción de su segundo período presidencial se distancia del primero y se destaca por la reiterada utilización de palabras como país, sistema y reforma, lo que puede asociarse directamente con sus políticas implementadas.

En particular, el segundo mandato de Sanguinetti se caracterizó por la realización de las siguientes reformas:

En Seguridad social: régimen mixto entre el Banco de Previsión Social (BPS) y un sistema complementario de ahorro individual (AFAPs).

En Sistema electoral: reforma constitucional de 1996.  Establece la elección presidencial por mayoría absoluta con posibilidad de segunda vuelta y el candidato único a Presidente por partido, entre otras modificaciones del sistema electoral y el régimen de gobierno.

En Educación: a expansión de la oferta pública en educación inicial (universalización), creación de escuelas de tiempo completo en sectores pobres, reforma curricular de la educación media pública, desarrollo de la formación docente a través de la creación de seis centros estatales regionales, descentralizados.

En cuanto a los discursos de Vázquez se destaca, en el primero de ellos, la utilización de palabras de carácter progresista (ideología política asociada a su figura): compromiso, uruguay/os cambios, derecho/s. Estas palabras se relacionan, además con lo que fue su política como primer mandatario de izquierda en la historia del Uruguay. En particular, entre sus propuestas y proyectos, se destacan:

·         Creación del Ministerio de Desarrollo Social (con varios planes sociales asociados).

·         Creación del Plan CEIBAL (una PC por niño escolar).

·         Creación de Consejo Ciudadano de Seguimiento de los Compromisos de Gobierno.

·         Reconocimiento de los derechos políticos, civiles y sociales de todas y todos los uruguayos cualquiera sea su lugar de residencia.

·         Profundización en los llamados derechos humanos ``de segunda generación", promoviendo el acceso de la población a las prestaciones estatales que hacen a la calidad digna de la vida.

·         Complementación en derechos laborales y seguridad social.

·         Apoyo a las iniciativas internacionales tendientes a afirmar la vigencia y defensa de los Derechos Humanos.

·         Recuperación de la tradición de la política exterior del Uruguay en la defensa y promoción de los derechos de los trabajadores y los sistemas de previsión social.

Por último, en 2015 Vázquez realiza, en su discurso de asunción, un repaso de la historia del Uruguay, con especial énfasis en la figura de Artigas (prócer uruguayo) y lo cita como ejemplo de “hombre de principios”.

Es en este sentido que resaltan en su discurso palabras como: Artigas, hombre, valores, libertad y principios. Se destaca, además, la alta utilización de la palabra derechos, ya utilizada por el mandatario en su primer discurso.

  Referencias bibliográficas.

·         Alkire, S., & Santos, M. E. (2010). Acute Multidimensional Poverty: A New Index for Developing Countries. OPHI Working Paper No. 38.

·         Arévalo, C., & Paz, J. A. (2015). Pobreza en la Argentina. Privaciones múltiples y asimetrías regionales. Documento de Trabajo Nro. 15.

·         Battiston, D., Cruces, G., Lopez Calva, L. F., Lugo, M. A., & Santos, M. E. (2009). Income and Beyond: Multidimensional Poverty in Six Latin American countries. OPHI Working Paper No. 17.

·         Brown, T. A. (2006). Confirmatory factor analysis for applied research. New York: The Guilford Press.

·         Conconi, A. (2011). Pobreza Multidimensional en Argentina: Ampliando las Medidas Tradicionales de Pobreza por Ingreso y NBI. Documento de Trabajo Nro. 90.

·         Durán R. J. & Condorí M. Á (2019). Deprivation Index for Small Areas Based on Census Data in Argentina. Soc Indic Rec - Vol. 141, 331-363

·         Freiberg Hoffmann, A., Stover, J. B., de la Iglesia, G. & Fernández Liporace, M. (2013). Ccorrelaciones policóricas y tetracóricas en estudios factoriales exploratorios y confirmatorios. Ciencias Psicológicas, 7(2), 151-164.

·         Gasparini, L., Tornarolli, L. & Gluzmann, P. (2019). El desafío de la pobreza en Argentina. Diagnóstico y perspectivas. Buenos Aires: CEDLAS, CIPPEC, PNUD.

·         Instituto Nacional de Estadísticas y Censos, INDEC (2018). Incidencia de la pobreza y la indigencia en 31 aglomerados urbanos - Segundo semestre de 2017 - Condiciones de vida vol. 2 n°4 - Informes Técnicos vol. 2 n°63.

·         Instituto Nacional de Estadísticas y Censos, INDEC (Noviembre 2016). La medición de la pobreza y la indigencia en la Argentina - Metodología INDEC N°22.

·         Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). El análisis factorial exploratorio de los ítems: una guía práctica, revisada y actualizada. Anales de Psicología, 2014, vol. 30, n°3 (octubre), 1151-1169.

·         Ningaye, P., Yemedjeu, A., & Takoutio Feudjio, V. (2013). Multi-Poverty in Cameroon: A Structural Equation Modeling Approach. Social Indicators Research - Vol. 113 - No. 1, 159-181.

·         Salvia, A., Bonfiglio, J. I., & Vera, J. (2017). La pobreza multidimensional en la argentina urbana 2010-2016. Un ejercicio de aplicación de los métodos OPHI y CONEVAL al caso argentino. Fundación Universidad Católica Argentina, Ciudad Autónoma de Buenos Aires.

·         Schermelleh-Engel, K., Moosbrugger, H., & Müller, H. (2003). Evaluating the Fit of Structural Equation Models: Tests of Significance and Descriptive Goodness-of-Fit Measures. Methods of Psychological Research Online - Vol. 8 - No. 2, 23-74.

·         Sen, A. (1992). Functionings and Capability. En Inequality reexamined (39-55). Oxford: Oxford University Press.

·         Sen, A., & Foster, J. (2001). La pobreza como falla de la capacidad. En A. Sen, La desigualdad económica (págs. 224-249). México: Fondo de Cultura Económica.

·         United Nations, UN (2015). The Millennium Development Goals Report 2015. New York.

·         Wagle, U. (2005). Multidimensional Poverty Measurment with Economic Well-being, Capability, and Social Inclusion: A case from Kathmandu, Nepal. Journal of Human Development - Vol. 6 - No. 3, 301-328.

·         Walker, R. (2015). Multidimensional Poverty. GSDRC Professional Development Reading Pack No. 22.

Pies de página

  [1] Fuente: Esta, y todas las tablas del documento son de elaboración propia 

  Revista Interdisciplinaria de Economía Política está bajo una licencia de Atribución-NoComercial-SinDerivadas CC BY-NC-ND.

Ver el Resumen de la licencia | Ver el Código legal