Un elemento léxico (forma de superficie) que ocurre exactamente una vez dentro de un texto o corpus especificado; su condición depende del ámbito elegido (documento individual, corpus o forma lematizada).

Principio

La pertenencia se basa estrictamente en la frecuencia dentro del ámbito declarado: count(token, ámbito) = 1 califica el token como hapax; cambiar el ámbito o aplicar lematización, normalización ortográfica o filtrado de errores modifica la pertenencia de forma determinista.

Demostración

Escenario ilustrativo: En una novela de 200 páginas, la cadena “xenolith” aparece en un párrafo y en ningún otro lugar; dentro del ámbito de la novela “xenolith” es un hapax. Reconocimiento: un recuento automático sobre la novela marca ese token como frecuencia‑uno. Si el corpus se amplía a la obra completa del autor y “xenolith” aparece en otro texto, deja de ser hapax en ese ámbito mayor.

Aplicación incorrecta

Tratar cada token de frecuencia uno como una novedad significativa sin distinguir errores OCR/artefactos, formas flexionadas o variantes ortográficas es un error semántico; igualmente, confundir hapax a nivel de forma de superficie con hapax a nivel de lema ignora la variación morfológica e interpreta mal la rareza.

Consecuencia

Los recuentos o proporciones de hapax influyen en medidas de rareza y dispersión léxica, pueden sesgar rasgos de atribución de autor y estilometría, y afectar heurísticas basadas en el vocabulario; dado que los hapax son numerosos en distribuciones de cola larga, pueden dominar los recuentos brutos de palabras raras si no se filtran o normalizan.

Inversión

En corpus muy grandes regidos por distribuciones de cola larga, la mayoría de los tipos distintos pueden ser hapax a nivel de forma de superficie, de modo que su recuento bruto pierde poder discriminatorio. Por el contrario, en vocabularios técnicos muy cerrados, los hapax verdaderos pueden ser raros y, por tanto, más informativos.

Límite

Claramente dentro: una cadena token que aparece exactamente una vez en el texto o corpus explícitamente especificado y según el esquema de tokenización. Caso límite: un token que aparece una vez en el texto bruto pero varias veces tras homogeneizar mayúsculas o lematizar. Claramente fuera: palabras que aparecen más de una vez en el ámbito declarado, o tipos que aparecen una vez por documento pero varias veces en el corpus.

Tensión semántica

Los hapax equilibran dos interpretaciones: como señales de novedad léxica y como ruido (errores, artefactos OCR, variantes ortográficas); la necesidad de detectar usos raros genuinos compite con la necesidad de filtrar artefactos no lingüísticos.

Síntesis

Un hapax es un indicador preciso y dependiente del ámbito de una única ocurrencia; su valor interpretativo depende del preprocesamiento, de la definición del ámbito y de distinguir entre rareza significativa y artefacto de datos.