Cómo cuentan palabras de verdad los contadores de palabras (y por qué el número cambia entre apps)

Pega un fragmento idéntico de texto en Microsoft Word, Google Docs y una tercera herramienta de conteo de palabras, y es totalmente posible obtener tres totales ligeramente distintos — no porque ninguno se haya equivocado, sino porque "palabra" resulta ser un concepto menos preciso de lo que parece a primera vista. Un contador de palabras tiene que tomar una serie de pequeñas decisiones específicas sobre casos límite que un vistazo casual a un párrafo pasa por alto por completo: si un compuesto con guion es una palabra o dos, si una contracción se separa, si un número aislado cuenta igual que una palabra hecha de letras, y — para idiomas que no separan las palabras con espacios en absoluto — qué marca siquiera un límite de palabra en primer lugar. Distintas herramientas toman esas decisiones de forma distinta, y el total visible es simplemente la suma de muchas pequeñas decisiones defendibles, no un único recuento objetivamente correcto.

Un compuesto con guion como "well-known" puede razonablemente contarse como una palabra o como dos, y ambas lecturas tienen un caso defendible: funciona como una única unidad semántica, pero también es visiblemente dos palabras unidas. Tanto Word como Google Docs cuentan un compuesto con guion como una sola palabra, que es por lo que igualar su convención es la opción correcta por defecto para cualquier cosa que necesite coincidir con las expectativas de un editor o de un límite de palabras, como una tarea con un límite de palabras indicado. Las contracciones plantean idénticamente la misma pregunta en otra forma — "don't" está visiblemente construida a partir de dos palabras comprimidas juntas, pero funciona como una — y de nuevo los principales procesadores de texto la cuentan como una sola palabra en lugar de dos, que de nuevo es la convención que vale la pena igualar si el recuento necesita coincidir con lo que reportaría un profesor, editor o herramienta de límite de palabras.

Un número aislado, un signo de puntuación suelto rodeado de espacios, y otros tokens extraños plantean versiones más pequeñas de la misma pregunta, y distintas herramientas las resuelven ligeramente distinto — que es la explicación real y poco vistosa detrás de la mayoría de las pequeñas discrepancias que la gente nota entre un contador de palabras y otro. Ninguna de estas microdecisiones cambia mucho el total por sí sola, pero unos pocos cientos de palabras de prosa ordinaria suelen contener suficientes guiones, contracciones y tokens extraños como para que las discrepancias se sumen a una diferencia visible, aunque normalmente pequeña, en el número final.

Un contador de palabras construido simplemente dividiendo el texto donde aparece un espacio funciona razonablemente bien para el español y la mayoría de los idiomas europeos, porque esos idiomas convencionalmente separan las palabras con espacios. Falla por completo en chino, japonés y tailandés, ninguno de los cuales inserta espacios entre palabras en absoluto — un párrafo entero de texto chino puede ser una secuencia ininterrumpida de caracteres sin ningún espacio en ningún sitio, y un contador que divide por espacios lo reporta como exactamente una "palabra", sin importar cuántas palabras reales contenga realmente. Contar palabras correctamente en esos idiomas requiere una segmentación de texto lingüística genuina — analizar los propios caracteres para inferir dónde termina plausiblemente una palabra y empieza la siguiente, usando el mismo tipo de lógica de segmentación que los navegadores modernos implementan internamente para la selección de texto y el salto de línea — en lugar del enfoque trivial de dividir por espacios que funciona bien para idiomas separados por espacios y falla por completo para los que no lo están.

Ninguna de las convenciones en competencia para guiones, contracciones o tokens de casos límite es objetivamente más correcta que las demás — son respuestas distintas, igualmente defendibles, a una pregunta genuinamente ambigua. Lo que realmente importa en la práctica es con qué convención necesita coincidir el recuento: un estudiante que entrega una tarea con un requisito de recuento de palabras indicado necesita una herramienta que cuente como lo hace su procesador de texto, ya que eso es casi con toda seguridad lo que se comprobará; un escritor que envía a una publicación con su propio estilo de casa necesita coincidir con la convención que usen las herramientas de esa publicación. Igualar la convención compartida de Word y Google Docs — compuestos con guion y contracciones contados cada uno como una palabra — es lo más cercano a un estándar universal seguro por defecto, precisamente porque esas dos herramientas juntas cubren la abrumadora mayoría de situaciones donde un recuento de palabras necesita coincidir con algo externo y específico.