Operación Arca de Noe digital (2ª parte)

Como vimos en la clase anterior, las posibilidades que nos ofrece la situación actual en relación a métodos de indización, es variada. En este momento la recuperación de información (RI) en la web se basa por un lado en los buscadores. Esta situación se presenta:

"La web ha evolucionado hacia lo que podría considerarse un dinámico almacén donde albergar informaciones muy diversas en contenidos, relevancia y utilidad. Por el momento, gran parte de la responsabilidad en la búsqueda y localización de la información de la información dispersa en la red recae en los motores de búsqueda" (Lynch, 1997)


Estos buscadores indizan las millones de páginas web a texto completo por medio de robots o araña. Estos presenta un funcionamiento demasiado simple, que les incapacita para la comprensión del lenguaje natural y por tanto no están lo suficientemente avanzados para extraer el significado de los recurso. Si ha esto le añadimos la diversidad de tipos de ficheros que nos encontramos, dicha recuperación es aún más difícil. Hay que puntualizar, que todo este tipo de fichero van estructurados en forma de metadatos (las etiquetas definen autor, título, longitud de texto, materia), pero la totalidad de los recurso no están estructurados completamente de esta manera y los buscadores no recopilan totalmente esta información.

Ante esta situación, la indización de la información, impide por ejemplo identificar el contexto o temática del recurso o su genero. En contrapartida la indización profesional, podría resolver estos problemas pero la cantidad de información producida, hace inviable esta situación.

En la actual web social, se han desarrollados herramientas que facilitan la indización de los recursos, que se basan en el uso de la folksonomías  y que se identifican como etiquetado social. Este permite organizar, describir y compartir recursos web por medio de etiquetas o tags, que son términos o conjunto de términos en lenguaje natural. Este puede ser de modo individual, donde el usuario etiqueta los recursos confeccionando su propio índice de etiquetas, para su posterior recuperación, o en un ámbito compartido, donde el índice de etiquetas es global (folksonomías), por el cual cualquier usuario puede recuperar un recurso etiquetado por otro.

Llegados a este punto, se podría diferenciar los tipo de indización que se realizan:

• Indización humana o profesional: una persona, tras analizar el contenido, le asigna términos de indización que considera que identifican las temáticas del contenido. Se realiza bajo un lenguaje controlado. El problema reside en colecciones de recurso como es la web, donde sólo se puede realizar a través de la distribución de tareas. Un ejemplo, sería la indización por parte del autor o creador del recurso, por medio de metadatos, pero en el caso de colecciones abiertas (web), presenta problemas de fiabilidad, debido a la falta de objetividad en la descripción. Otro inconveniente de esta indización, en el ámbito total de la web, sería el tema económico.
• Indización automática: se realiza con algoritmos por diferentes técnicas que le asignan un peso a cada uno de los términos que aparece en el documento, representando su contenido. Existen modelos como el Modelo de Espacio Vectorial, donde la descripción se realiza en relación a los términos que aparecen en el documento o el de Indización de Semántica Latente, donde un documento puede ser descrito por términos que no aparecen en dicho documento, pero que presenta fuertes relaciones de co-ocurrencia con los términos del documento en otros documentos de la colección. La indización automática resulta la única opción plausible para la web y además es más económica que la humana. Un inconveniente en el caso de la utilización de este tipo, en el caso de los robots de los buscadores, es que estos actualizan las bases de datos de forma periódica y con la casuística (constante cambio) de la publicación de contenidos en la web, es difícil que pueden ser indizado todo.
• Indización social: se realiza por agregación, ya que un mismo recurso es indizado por varios usuarios, dando como resultado una descripción más objetiva. También es más exhaustiva, ya que al ser realizada por distintos usuarios, el recurso presentará mayor número de descriptores. Los inconvenientes aparecen cuando existan gran proporción de etiquetas vacías de contenido social, pues se ha realizado por usuarios para su uso personal o bien es lo que pensó en el momento de etiquetarlo. Otro es le problema de desarrollarse en lenguaje natural, pues aparece la polisemia y la sinonimia. 

Descrita la situación, paso a enumerar unas de las muchas posibilidades:

• Centrarse un sector de conocimiento los más particular posible. Recopilar contenidos que se desarrollen (ej. blogs o flickr) en dicho sector.
• Desarrollar una técnica que permita una indización híbrida "empleo de algoritmos para la ponderación de los tags (qué relevancia descriptiva tiene cada tag para cada recurso), así como para la eliminación de tags vacíos de significación colectiva. Para esto sólo sería necesario aplicar modelos propios de la indización automática sobre la indización social: ponderación mediante el empleo de las frecuencias de uso del tag, ponderación de los taggers por autoridad, desambiguación del significado en función del contexto, etc." (Hassan Montero, 2006). Esta indización híbrida, utilizaría conceptos de la indización humana y de la automática. Se podría determinar un método de indización automática con su lista de palabras vacías, algoritmos para la ponderación de términos y además que posibiliten la eliminación de aquellos términos con bajo significado social de los ya utilizados por los usuarios, analizadores lingüisticos, un vocabulario controlado que con la ayuda de técnicas de stemming, reconocedores de nombres propios y siglas. Este proceso debe de ser invisible para el usuario que utiliza los descriptores. De esta forma, la actividad que realiza el usuario determinando sus descriptores, sigue intacta y por tanto no intercedemos en dicha acción. Simplemente le damos la opción de añadir uno descriptores normalizados, los cuales le seguirán dando la utilidad que los utilizados por el anteriormente.
• Cuando un usuario vaya añadir unos descriptores en un blog o en fotos en flickr, la aplicación realizará una indización a texto completo y de las etiquetas que se van a utilizar, dando como resultado los descriptores más relevantes, con más contenido social y desarrollados en un lenguaje controlado.
• Un paso más sería el incluir la opción de poder añadir la entrada del post o de la foto, en aplicaciones como por ejemplo Twitter o Deliciuos., (las cuales presentan APIs abiertas y posibilitan herramientas añadidas) con la indización que ha resultado del anterior proceso. De esta forma los usuarios tendrían unas herramientas más normalizada, para la búsqueda por medio de un sistema de navegación (browsing), en cada una de las aplicaciones aquí mencionadas.

Bibliografía:

• Hassan Montero, Yusef; (2006). Indización Social y Recuperación de Información. En: No Solo Usabilidad, nº 5, 2006. <nosolousabilidad.com>. ISSN 1886-8592
• Olvera Lobo, Mª Dolores. Métodos y técnicas para la indización y la recuperación de los recursos de la World Wide Web. En: Boletín Asociación Andaluza Bibliotecarios nº 57 (1999). ISSN 0213-6333

Operación Arca de Noe digital (1ª parte)

Tema 2

Fundamentación epistemológica y conceptual, para el diseño y la construcción de sistemas de indización

1. Delimitación del concepto: la indización es el proceso por el cual se extraen los conceptos fundamentales de un documento y se representa por unos términos adecuados.
2. Los paradigmas y plataformas teóricas en el desarrollo de una ciencia. El caso de la Biblioteconomía y la Documentación: estas ciencias o tecnicas se basaron en un principio en la archivística. En la actualidad se relaciona con la arquitectura de la información.
3. El conocimiento como referente básico para el desarrollo de teorías y métodos para la construcción de sistemas conceptuales para de indización: la gestión del conocimiento es la base que posibilita el desarrollo de técnicas de indización que mejoren dicha actividad. Existen normas que estandarizan estas técnicas. 
4. Modelos teóricos generales en Biblioteconomía y Documentación: existen varios modelos:

• Físico: se puede determinar como el tradicional, donde la gestión de la información se realiza para ser recuperados por sistemas que utilizan los algoritmos, los cuales recuperen la información por equiparación del contenido de los documentos y las necesidades de información del usuario. El problema es cuando se recupera información que no es  adecuada para dicha necesidad.
• Cognitivo: es el avance en los sistemas de recuperación, en el cual el usuario se encuentra en el centro del proceso de recuperación y donde los procesos de indización van muy relacionados con la lógica informática.

Las oportunidades que se nos presentan, creo que van en la dirección del desarrollo de modelos cognitivos, pues para la gestión de la información , en el momento actual, es importante que no nos quedemos en los modelos tradicionales, como por ejemplo la norma antes citada, y avancemos hacia una gestión de las información que desarrolle una indización que favorezca el proceso cognitivo de la recuperación de información. Anteriormente he hablado de una indización relacionada con la lógica informática y un ejemplo serían los metadatos, los cuales favorecen este proceso.

Oportunidades de la gestión de la información en el momento actual

En el momento actual en el que nos encontramos, como ya hemos visto, hay tal cantidad de información que se habla de infoxicación. Con Internet la producción de información a aumentado de forma exponencial a la expansión de la red y de sus aplicaciones. Los buscadores no son suficientes para poder gestionarla, tanto por la cantidad existente, como por la forma de recuperarla. En la web existen herramientas tanto para desarrollar contenidos, compartirlos y recuperarlos. En este punto, las nuevas oportunidades que se nos presentan en relación a la gestión y difusión de la información son amplias.

Nosotros partimos desde un punto de partida más avanzado que el resto de los usuarios. Nuestro conocimiento en relación a la gestión de la información debe de ser una base para el desarrollo de nuevas herramientas. Deberíamos de reciclarnos hacia un entendimiento de estas herramientas  y poder aportar nuevas ideas.

Enumero los pasos de como poder aprovechar estas oportunidades:

1. En relación a los usuarios y a sus necesidades. Existe un nuevo tipo de usuario que ya no va a los centros de información a explicar sus necesidades. Estos se encuentran en las redes sociales, un conjunto de nodos que forman una amplia red de información. En estas redes es donde debemos de movernos para anticiparnos a las necesidades de información de sectores concretos de usuarios y a su vez, en estos sectores podemos recopilar información  que nos ayude a cubrir dichas necesidades. Además estas redes nos dan la posibilidad de poder gestionar a los usuarios, por medio de sus perfiles, como información, racionalizando de esta forma la difusión selectiva de información (DSI).
2. Gestión de la información. Las herramientas existentes nos permiten poder gestionar la información de dichos sectores. Se comenzaría utilizando aplicaciones las cuales te permiten comprobar cuales de los perfiles de este sector son los más representativos en la red. También se recurre a herramientas como las "Alertas de Google" que te dan la posibilidad de poder obterner las últimas publicaciones de un sector en distintos medios. Despues con los RSS puedes recibir la ultimas publicaciones de los medios que más te interesan según el sector de la información que estés gestionando o la pertinencia de lo publicado. Estos contenidos los puedes gestionar con herramientas como "Google Reader" "Netvides" "iGoogle", etc. 
3. Desarrollo de una aplicación para la difusión de la información. Cuando ya se tiene concretado el sector de usuarios y se ha recopilado la información que pueda cubrir sus necesidades de información, se ha de desarrollar una aplicación que facilite esa difusión y que además puede ser utilizada por dichos usuarios para que realicen aportaciones de información. En este punto, debe de existir una ontología sobre este sector del conocimiento que ayude a la indización de los contenidos que incluyan los usuarios, para facilitar la gestión y recuperación de información. Estas aportaciones pueden ser en forma de resúmenes, comentarios, enlaces, fotos o vídeos, etc. Se pueden añadir otras herramientas de la web 2.0 para ayudar a esta difusión, como puede ser el "Google Maps" para difundirla por geolocalización. Este tipo de aplicaciones tendrían que tener versiones tanto para dispositivos fijos como móviles.
4. Difusión del servicio. Una vez desarrollada la aplicación, el siguiente paso sería su difusión, la cual se llevaría a cabo por los mismo medios donde se encuentran los usuarios, es decir, por medio de las redes sociales e iría acompañado por la publicación de un blog, donde se informaría de los contenido y últimos avances.

Todas las oportunidades que se nos plantean en en esta nueva situación, debe de tener el mismo carácter que en el lugar donde se están desarrollando, es decir, deben de tener una base social, pues creo que para la sostenibilidad de este tipo de aplicaciones, se debe de contar con los usuarios, pues ellos son los destinatarios finales y además los que van a ayudar a sus desarrollo.

Buscando las necesidades de indización y resumen en la Web 2.0

La herramienta que he utilizado para el desarrollo de actividades propias de un servicio de indización y resumen, pertenece al grupo de los marcadores sociales. Esta herrramienta es Delicious. Antes de entrar en detalles sobre esta, vamos a realizar una pequeña introducción sobre que como se desarrolla el proceso de indización y de resumen (1):

• Indización:  "La indización consiste en extraer los conceptos fundamentales del contenido de un documento y representarlos mediante unos términos adecuados, bien procedentes del lenguaje natural empleados por los autores o de un lenguaje documental previamente seleccionado, como es el tesauro. Las variables que intervienen en el proceso de indización son las siguientes: nivel de análisis, cualificación y pericia de los indizadores, tipo y volumen de información que va a indizarse, disponibilidad de tiempo, medios económicos y características del sistema de almacenamiento de la base de datos. "
• Resumen: "Es el recurso de información más solicitado por científicos y profesionales, porque permite de una forma anticipada la consulta o rechazo del original, sin necesidad del acceso directo."

Ateniendose a las anteriores conceptos, paso a describir los marcadores sociales. Estos (social bookmarking) permiten organizar, almacenar, gestionar y buscar enlaces de recursos en línea. Cada registro suele ir acompañado de información adicional aportada por el usuario como descripciones8indización), anotaciones (resumenes) y folcsonomías. Estos registros se pueden hacer: públicos, creando listas de recursos temáticos seleccionados accesibles a todos los usuarios; privados, de forma que sólo el usuario que los ha guardado puede consultarlos; y también se pueden compartir con un grupo de usuarios, práctica recomendable para trabajo de colaboración.

Muchas de las herramientas de marcado social proporcionan fuentes RSS de estas listas de marcadores (lo más recientes, por etiqueta, etc.) de forma que también se pueden difundir y compartir por medio de la sindicación de contenidos.

Una de las principales ventajas de estas herramientas es la calidad de los resultados almacenados y, por lo tanto, una mayor relevancia de los resultados de las búsquedas que se realizan dentro de ellos. Son los propios usuarios quienes clasifican los enlaces y cuántos más usuarios hayan guardado un enlace con una determinada etiqueta es más probable que sea un sitio realmente relevante y relacionado con el término de búsqueda.

Las principales ventajas de los marcadores sociales son:

• Mantener organizado un conjunto de marcadores independientemente del ordenador que se esté usando.
• Clasificación social basada en el conocimiento humano. Los usuarios leen el enlace y deciden las etiquetas de clasificación, lo cual es un grado superior a la simple indexación de las arañas web o robots rastreadores.
• Se obtiene una clasificación de la utilidad de los enlaces basada en la experiencia humana y no en variables más técnicas como el número de enlaces o la frecuencia de aparición de una palabra clave.
• Creación de vocabularios y de clasificaciones por parte de la comunidad.

Y también se pueden señalar algunas desventajas:

• Como ya se ha señalado al hablar de las folcsonomías, el uso de vocabularios informales provoca errores de clasificación: palabras mal escritas, variaciones de género y número, palabras con tilde o sin ella, etc. Sin embargo, a medida que aumente el número de usuarios, estos errores, cometidos por un mínimo porcentaje de ellos, se diluyen.
• Posible mal uso (spam) por su utilización por sistemas de optimización de los motores de búsqueda.
• No existe relación entre el etiquetado elaborado en diferentes idiomas. Es decir, las herramientas no saben que aquello etiquetado como education y educación pertenecen al mismo concepto.

En lo que concierne a Delicious en particular:

• Se usan folcsonomías para que los usuarios realicen sus clasificaciones.
• Delicious es la aplicación de marcado social más utilizada actualmente gracias a su interfaz simple, su esquema de URL legibles para los humanos y una serie de widgets y enlaces RSS que hacen posible la reutilización de sus contenidos.
• En cada uno de los enlaces, presenta un número que indica cuántos usuarios de Delicious han guardado también ese enlace, lo cual pude ser una indicación de su fiabilidad y relevancia. Cuanta más gente lo tenga así anotado es más probable que sea una fuente de interés.

En relación a la demanda de servicios a los cuales puede servir, he concretado en clientes como pueden ser las bibliotecas y centros de documentación. El servicio consitiría en mostrar los recursos de información seleccionados, y que se han considerado de interés para las bibliotecas y centros de documentación. Su desarrollo consiste en en estos pasos:

1. Se presenta una cuenta donde se va a ir indizando y realizando resumenes de cada uno de los enlaces que el gestor considera de interes para dichos clientes. Lista de entrada y gestión de los recursos
2. Gestionados los recursos, puede presentarse listas sobre servicios concretos. Estas se representarán por medio de un título y un resumen sobre su contenido:

• Listas que contenga recursos de ciertas temáticas, que sean de interes para los profesionales de dichos centro. Bibliotecas, documentación y web 2.0
• Listas que ayuden a la difusión de servicios de estos centros. Recomendaciones de lectura de la biblioteca

La sostenibilidad de estos tipos de servicios viene dada por los siguientes puntos:

• Por el caracter social de estas herramientas. Se utilizan marcadores de otros usuarios que tenga relación con la tematica que interesa en ese momento. Perfil de la Biblioteca Universitaria de Sabadell
• Mejora la difusión de contenidos y servicios de los centros.
• Fuente de consulta para el desarrollo de blogs y wikis coorporativos.
• Posibiblidad de tener un perfil coorporativo. De esta forma se implica a un mayor número de personas del mismo centro y se potencia la colaboración

En el caso de realizarse de forma coorporativa, se debería de tener en cuenta el uso de las folcsonomías (en mi perfil se puede observar estos problemas con el descriptor "web2.0" y "Web 2.0" o con los descriptores en lengua inglesa). La solución sería la utilización de tesauros para el trabajo en colaboración.

Referencias:
(1) Electronic content management skills

Cuestiones previas

Mi respuestas a estas cuestiones previas son las siguientes:

1. La concomitancia que se esta produciendo en esta época, se nos muestra en cualquier campo de nuestra sociedad. Las TIC están revolucionando todos los ámbitos de la humanidad, ayudan a que se produzcan cambios sociales, mejorando la comunicación y la información de los grupos que buscan estos cambios (tenemos varios ejemplos "las revoluciones árabes"). En relación con la política, permite que la comunicación ya no sea unidireccional, donde la clase política maneja con gran facilidad la información con la ayuda de los medios de comunicación de masas, y si permite una bidireccional, donde los usuarios pueden opinar y completar la información sobre temas de actualidad social (un ejemplo "política e internet").
 De igual forma, esta incidencia se observa en la economía, ya que hoy en día, cualquier empresa que deseé mantener un nivel de ventas adecuado, tiene en cuenta estos tipo de cambios y crean puesto de dirección como "community manager, gestores de contenidos, arquitectos de la información y directores de marketing digital" para gestionar la reputación digital de la empresa, pues con estas nuevas TIC, una empresa debe de gestionar muy bien su imagen, ya que los usuarios opinan sobre sus productos o gestiones, por medio de herramientas como los blogs o twitter (ejemplo "gestión de la reputación digital").

2-4. En nuestro ámbito de la documentación también se ha producido grandes cambios, como por ejemplo:

• se ha pasado de la publicación de unos pocos actores, a la actividad de multitud de productores de contenidos.
• Ya no hay escasos canales de distribución de contenidos, se ha avanzado hacia una explosión de canales de distribución.
• El número de usuarios y por tanto sus necesidades de información se multiplican .
• Al documentalista ya no sólo le sirven la anteriores herramientas de gestión documental, debe de actualizarse permanentemente y conocer la nuevas herramientas que posibiliten la gestión documental.

Un ejemplo de actividades y acciones que se han modificado con el cambio de entorno es por ejemplo la recuperación de información. La web es un ámbito descentralizado y heterogéneo muy distinto al que los documentalista estaban acostumbrados. Tal cantidad de información, necesita de unas normas y sistemas, los cuales son  muy conocidos por los especialistas y se desarrollan a partir de la filosofía de la documentación. Esta tipo de normas y sistemas, están determinado por varios puntos:

• XML: "Es sin ninguna duda el elemento de la web semántica que mayor repercusión tiene ya en biblioteconomía/documentación. Es un estándar que, junto con su norma asociada Xml schema, permite definir tipos de documentos y los conjuntos de etiquetas necesarias para codificarlos. La idea es que, una vez están marcados o codificados con una colección de etiquetas xml, es posible procesarlos y explotarlos de forma automática con diversos propósitos"
• RDF: "Es el sistema que permite utilizar metadatos para describir recursos (típicamente sitios web) en la web semántica. El objetivo de esta recomendación es habilitar la extracción del significado de la estructura de un documento, descrita en xml, con el fin de garantizar la interoperabilidad entre aplicaciones sin necesidad de intervención humana"
• Dublin Core: "Es un sistema de 15 definiciones semánticas descriptivas que pretenden transmitir un significado semántico a las mismas"
• OWL: "Owl es el lenguaje estándar de la web semántica para expresar y codificar ontologías. Por tanto, puede ser utilizado para representar explícitamente el significado de términos en vocabularios y las relaciones (semánticas) entre ellos"

Algunos de estas normas y sistemas utilizan las ontologías y van encaminadas hacia la web semántica o web 3.0 (de los terminos ontologías y web semántica hablaré en posteriores post). En el terreno de la web 2.0 existen diversas herramientas que posibilitan la recuperación de información, como pueden ser los RSS, aplicaciones como Google Reader o los marcadores sociales como Delicous.

En relación al proceso documental se están produciendo cambios de los que hemos hablado anteriormente, como hemos pasado de pocos productores a multitud de ellos. Ya no importa tanto que se haga de forma normalizado pues, la producción de información en la web 2.0 ya viene desarrollada con el estandar del XML. Este estandar permite, por primera vez, que el el formato que contiene la información, además contiene las herraminetas para su descripción, serían las etiquetas.

 

La siguiente fase es la gestión de dicha información y esta acción también ha cambiado. Lo importante ahora es poder localizar la información y para ello existen herramientas que permiten localizar lo que se esta publicando actualmente. El próximo paso es difundirla  y la web 2.0 da la posibiblidad, por ejemplo, de tener la información guardada y difundirla cuando sea necesaria por medio de herramientas de geolocalización.

 

En relación a los ususrios que reciben la  información, en este momento se abre la posibiblidad de satisfacer sus necesidades de información, antes de que las pidan. Esto se consigue siguiendo redes de usuarios con tematicas comunes.

 La formación de usuarios, es otro campo que ha cambiado, ya que podemos formar a los usuarios tanto a que la información que produzcan, la hagan de una forma adecuada para su recuperación, o enseñando a estos usuarios la forma de utilización de las herramientas que posibilita la web 2.0 para la recuperación de información.

Las aportaciones que he utilizado para este post, son de esta fuente:

• Web semántica y ontologías en el procesamiento de la información documental / por Rafael Pedraza Jiménez, Lluís Codina y Cristòfol Rovira