Como os contadores de palavras realmente contam palavras (e por que o número muda entre os apps)

Cole um trecho idêntico de texto no Microsoft Word, no Google Docs e em uma terceira ferramenta de contagem de palavras, e é totalmente possível obter três totais ligeiramente diferentes — não porque alguma delas errou, mas porque "palavra" acaba sendo um conceito menos preciso do que parece à primeira vista. Um contador de palavras precisa tomar uma série de pequenas decisões específicas sobre casos-limite que uma olhada casual em um parágrafo simplesmente ignora: se um composto com hífen é uma palavra ou duas, se uma contração se separa, se um número isolado conta igual a uma palavra feita de letras, e — para idiomas que não usam espaços entre palavras — o que sequer marca o limite entre uma palavra e outra. Ferramentas diferentes tomam essas decisões de formas diferentes, e o total visível é simplesmente a soma de muitas pequenas decisões defensáveis, não uma única contagem objetivamente correta.

Um composto com hífen como "well-known" pode razoavelmente ser contado como uma palavra ou como duas, e as duas leituras têm um argumento defensável: funciona como uma única unidade semântica, mas também é visivelmente formado por duas palavras separadas unidas. Tanto o Word quanto o Google Docs contam um composto com hífen como uma única palavra, o que é o motivo pelo qual seguir essa convenção é o padrão certo para qualquer coisa que precise corresponder às expectativas de contagem de palavras de um professor ou editor, como um trabalho com um limite de palavras estabelecido. As contrações levantam exatamente a mesma pergunta em outro formato — "don't" é visivelmente formada pela junção de duas palavras, mas funciona como uma só — e, de novo, os principais processadores de texto a contam como uma única palavra em vez de duas, o que também é a convenção que vale a pena seguir se a contagem precisar bater com o que um professor, editor ou uma ferramenta de limite de palavras relataria.

Um número isolado, um sinal de pontuação solto cercado de espaços, e outros tokens estranhos levantam versões menores da mesma pergunta, e ferramentas diferentes as resolvem de formas ligeiramente diferentes — o que é a explicação real e nada glamorosa por trás da maioria das pequenas discrepâncias que as pessoas notam entre um contador de palavras e outro. Nenhuma dessas microdecisões muda muito o total sozinha, mas algumas centenas de palavras de prosa comum costumam conter hífens, contrações e tokens estranhos o bastante para que as discrepâncias se somem em uma diferença visível, embora normalmente pequena, no número final.

Um contador de palavras construído simplesmente dividindo o texto onde aparece um espaço funciona razoavelmente bem para o português e a maioria dos idiomas europeus, porque esses idiomas convencionalmente separam as palavras com espaços. Ele falha completamente para o chinês, o japonês e o tailandês, nenhum dos quais insere espaços entre as palavras — um parágrafo inteiro de texto em chinês pode ser uma sequência ininterrupta de caracteres sem nenhum espaço em lugar nenhum, e um contador que divide por espaços registra esse parágrafo inteiro como exatamente uma "palavra", não importa quantas palavras reais ele realmente contenha. Contar palavras corretamente nesses idiomas exige uma segmentação linguística genuína de texto — analisar os próprios caracteres para inferir onde uma palavra provavelmente termina e a próxima começa, usando o mesmo tipo de lógica de segmentação que os navegadores modernos implementam internamente para seleção de texto e quebra de linha — em vez da abordagem trivial de dividir por espaços, que funciona bem o suficiente para idiomas separados por espaços e falha completamente para os que não são.

Nenhuma das convenções concorrentes para hífens, contrações ou tokens de caso-limite é objetivamente mais correta do que as outras — são respostas diferentes, igualmente defensáveis, para uma pergunta genuinamente ambígua. O que realmente importa na prática é com qual convenção a contagem precisa concordar: um estudante entregando um trabalho com um requisito de contagem de palavras estabelecido precisa de uma ferramenta que conte da mesma forma que seu processador de texto conta, já que isso é quase certamente o que vai ser checado; um redator enviando texto para uma publicação com seu próprio manual de estilo precisa corresponder à convenção que as ferramentas dessa publicação usam. Seguir a convenção compartilhada por Word e Google Docs — compostos com hífen e contrações contados cada um como uma palavra — é o mais próximo que existe de um padrão universal seguro, precisamente porque essas duas ferramentas juntas cobrem a esmagadora maioria das situações em que uma contagem de palavras precisa bater com algo externo e específico.