1. Lo que se quería y lo que salió

HALLAZGOS_FASE_1 §3.1 nombró la amenaza principal de la fase 1: los agentes son modelos que ya saben español y ya conocen patrones arahuacos, así que cuando producen una forma bien construida no sabemos si los restringió el caquetío o los rellenó su conocimiento previo.

La idea era cerrarles la puerta por construcción: derivar un filtro de forma solo del caquetío atestiguado y rechazar lo que no lo cumpla.

Se construyó el filtro y se midió qué deja pasar de cada fuente:

Bloquea el 55 % del castellano y solo el 14 % del wayunaiki.

El wayunaiki es la fuente de contaminación que preocupaba —769 de las 1413 entradas del lexicón, y una lengua viva bien representada en los datos de entrenamiento del modelo— y el filtro apenas lo toca.

La razón es estructural, no un fallo de implementación: caquetío y wayunaiki son las dos abrumadoramente CV (86.8 % y 81.4 % de formas estrictamente CV) y, tras normalizar la ortografía, sus inventarios difieren en dos letras. No hay nada que discriminar.

2. Qué sí sirve, entonces

El filtro se queda, con su función rebajada y dicha: es un detector de castellano. El castellano ES una vía de contaminación real —los agentes piensan en castellano— y detectarlo cuesta nada.

El control de validez de la fase 2 tiene que ser otro. Las dos vías que quedan, y ambas son más prometedoras que ésta:

3. 🔴 Dos problemas del dato que salieron al medir

3.1 La ortografía estaba midiendo al transcriptor

En la primera pasada, sin normalizar, el inventario "atestiguado" tenía 29 letras —incluidas c, q, z, f, v, á, é, í— y el del wayunaiki 21, ninguna de ésas. Las iniciales más frecuentes eran c:48, q:11 en el atestiguado y k:11 en el reconstruido.

Eso no es fonología: el caquetío atestiguado está transcrito en ortografía castellana colonial y el reconstruido en ortografía lingüística moderna. Sin normalizar, lo que se mide es quién escribió, no qué lengua es.

fonemizar() lo normaliza con diez reglas, cada una con su porqué en el código.

3.2 El conjunto atestiguado tiene residuo castellano

Al inspeccionar qué formas aportan los clusters raros al inventario:

Cada una mete su cluster (ll, sk, gr, sp) en el inventario "atestiguado" y hace el filtro más permisivo. Es residuo que se hereda: una palabra con morfología castellana no puede ser caquetío atestiguado.

4. 🔴 D5 no es cosmética: decide si el filtro discrimina

El hallazgo con más consecuencias de toda la medición.

gua/güe en transcripción colonial puede valer /gwa/ o simplemente /wa/. guaitiao es el taíno waitiao, donde <gu> es claramente /w/. Y de las 50 formas atestiguadas con <g>, la mayoría son gua-/güe-.

Aplicando la regla <gu> → /w/ y volviendo a medir:

Una sola decisión ortográfica multiplica por 2,5 el poder discriminante del filtro contra el wayunaiki. Eso convierte D5 (#36)↗ —hoy catalogada como política ortográfica c/k y bloqueante del gate— en una decisión con consecuencias directas sobre el experimento.

⚠️ Y con un aviso: la regla también hace caer el caquetío reconstruido de 98.5 % a 91.2 %, porque al convertir gü en w desaparece la ü del inventario atestiguado y las formas reconstruidas que la llevan empiezan a fallar. No es gratis.

Deliberadamente no se aplica por defecto. Activarla sería decidir D5 por la puerta de atrás. Queda medible con --gu-es-w.

5. Reproducirlo

python curiana_sim/curiana_fonotactica.py            # el informe
python curiana_sim/curiana_fonotactica.py --gu-es-w  # con la regla abierta
python curiana_sim/curiana_fonotactica.py --json

12 tests en tests/test_fonotactica.py. Dos de ellos protegen el resultado negativo: si el wayunaiki empieza a no pasar, no es una mejora automática — hay que mirar si el filtro se volvió más estricto por buenas razones o si el lexicón cambió debajo.

Enlaces

HALLAZGOS_FASE_1 · La morfología · El lexicón · El método comparativo · mapa-lengua · La esfera de interacción — por qué «caquetío» no nombra una etnia