Version classiqueVersion mobile

Democracia, Información y Cibersociedad. Una mirada desde Chile

 | 
Héctor Vera Vera
, 
Juan Pablo Arancibia Carrizo

Contribuciones y limitaciones del Big Data al análisis de contenido en prensa

Fabián Riquelme

Texte intégral

Análisis de contenido

Breve historia

1Una definición clásica para el análisis de contenido es la de “una técnica de investigación para la descripción objetiva, sistemática y cuantitativa del contenido manifiesto de la comunicación” (Berelson, 1952). El especialista en cibernética y lingüística, Klaus Krippendorff, por su parte, lo define como una “técnica de investigación que permite realizar inferencias válidas y replicables a partir de textos (u otras fuentes de contenido), enmarcados dentro del contexto de su uso” (Krippendorff, 2004).

2Según Krippendorff, si bien esta disciplina surgió como tal a inicios de los años 1940, el análisis sistemático de textos ya se practicaba en tiempos de la Inquisición, en el siglo XVII. De hecho, los primeros trabajos académicos sobre el análisis de prensa se realizaron en 1690, 1695 y 1699, por alumnos que estaban defendiendo su grado en Teología. El hito que permitió el desarrollo del análisis de contenido como hoy lo conocemos fue la creación de la imprenta, que en una versión más rústica se comenzó a gestar durante la primera mitad del siglo XVI, para pasar a una etapa de fuerte modernización entre fines del siglo XIX y comienzos del siglo XX, durante la época conocida como la Segunda Revolución Industrial. Posiblemente, el primer análisis cuantitativo de prensa corresponde a la tesis doctoral de Speed (1893), un breve documento en que el autor analiza la cobertura de los periódicos de Nueva York entre 1881 y 1893, y contrasta las noticias de contingencia local y nacional con las noticias de deportes y prensa rosa (chismes y farándula).

La computación y el análisis del lenguaje

  • 86 Es un hecho no muy conocido y que me parece interesante destacar aquí, el que los primeros programa (...)

3En forma paralela a la creación del análisis de contenido como disciplina de estudio, comenzaron a aparecer, también a inicios de los años 1940, los primeros computadores programables. La primera generación de computadores eran máquinas de grandes dimensiones que, como las imprentas, ocupaban grandes galpones. Adicionalmente, estas máquinas no eran de uso personal, sino que requerían de varios programadores o programadoras86.

4Inicialmente, la comunicación hombre-máquina se hacía mediante lenguajes de muy bajo nivel, más cercanos al lenguaje entendible por la máquina, el cual está conformado en última instancia por variaciones de voltaje, representadas por secuencias de ceros (0) y unos (1). Rápidamente se entendió que, con el fin de mejorar la calidad y complejidad de los programas, así como de abaratar los costos de desarrollo, era necesario crear lenguajes de más alto nivel, es decir, más cercanos al lenguaje natural de los seres humanos. La condición para ello es que estos nuevos lenguajes siguieran siendo formales, para que pudiesen ser interpretados en forma no ambigua por el computador. Esto llevó a la creación en los años 1950 de los primeros lenguajes de programación de más alto nivel, así como a la creación de los primeros compiladores, que son los programas que permiten traducir un lenguaje de alto nivel, escrito por una persona, a un lenguaje de bajo nivel, entendible por la máquina. En 1956, el destacado lingüista Noam Chomsky propuso una jerarquía de lenguajes de acuerdo con su nivel de formalidad (Chomsky, 1956) que facilitó la comprensión y proliferación de los lenguajes formales. Un código de programación no es más que una secuencia de símbolos que dan lugar a un texto perteneciente a un lenguaje formal. Un código válido debe cumplir, por tanto, con un léxico, una sintaxis y una semántica especificados por dicho lenguaje. Hasta el día de hoy, para traducir un código escrito en algún lenguaje de programación a su versión equivalente de bajo nivel (en lenguaje máquina), el compilador debe pasar por distintas etapas, descritas en la Figura 1.

Figura 1. Proceso de compilación (elaboración propia)

Figura 1. Proceso de compilación (elaboración propia)

5En el análisis léxico se verifica que los símbolos contenidos en el código fuente conformen palabras válidas pertenecientes al lenguaje de origen. Análogamente, esto equivaldría a dado un texto en castellano, verificar si todas sus palabras pertenecen a nuestro diccionario. Un compilador rechaza un código en esta primera etapa de análisis, del mismo modo que nosotros podríamos rechazar un texto que queremos escrito enteramente en castellano, pero que contenga una palabra con una c cedilla del francés (Ç), o bien una secuencia de letras que no signifique nada, como “covfefe”.

6La siguiente etapa corresponde al análisis sintáctico, esto es, verificar que las palabras o secuencias de caracteres del código respetan las reglas gramaticales del lenguaje de origen. Es en esta etapa donde el compilador verifica que por ejemplo la suma de dos números esté escrita como “1+2”, y no como “12+”, del mismo modo que en una frase en castellano el artículo debe ir antes del sustantivo, y no después. Sin embargo, cada lenguaje posee su propia gramática, y de hecho existen lenguajes de programación con notación prefija, donde en lugar de “1+2”, lo correcto es decir “+ (1,2)”.

7Finalmente (en cuanto a lo que nos convoca), en la etapa del análisis semántico, el compilador le da un sentido al contenido, y es capaz de deducir que “1+2” significa “3” y no otra cosa. El resultado de cada proceso de análisis retorna una versión más estructurada del código, que sirve como entrada para el proceso siguiente. Una vez acabado el análisis semántico, el código ya está lo suficientemente preparado como para generar un código objeto, que es un lenguaje intermedio que finalmente derivará en el código resultante de bajo nivel (el lenguaje máquina).

8Visto así, podemos decir que el análisis de contenido ha sido un tema importante en las ciencias de la computación prácticamente desde sus orígenes como disciplina. De hecho, el uso de la computación para resolver problemas de análisis de texto comenzó a desarrollarse a partir de fines de los años 1950, en forma paralela a la creación de los primeros compiladores. El análisis de contenido, por lo tanto, ha sido históricamente una herramienta útil tanto para las ciencias sociales como para las ciencias de la computación. ¿Por qué entonces durante tantas décadas ambas disciplinas han parecido estar tan alejadas la una de la otra, y no existe un conocimiento generalizado acerca de técnicas tan útiles como las del análisis de contenido? ¿Por qué el uso de este tipo de técnicas parece estar restringido exclusivamente a organizaciones complejas dotadas de infraestructuras y recursos tecnológicos y humanos especializados, tales como universidades, grandes empresas y centros de investigación?

9Las respuestas a estas preguntas pueden ser muchas, y se puede especular también mucho sobre el tema. Pero lo cierto es que la investigación periodística ha comenzado a explotar masivamente el uso de las tecnologías de la información solo durante las últimas décadas, debido al menos a dos factores evidentes:

  1. La explosiva proliferación de medios de comunicación (prensa en línea, redes sociales, radio, televisión, entre otros medios) que entre todos generan un volumen de datos tal que en la actualidad resulta inviable analizarlos exhaustivamente de forma manual.

  2. El explosivo desarrollo de las tecnologías, que en la actualidad permiten proveer herramientas muy útiles, eficientes, en muchos casos de licencia libre y uso gratuito, para el análisis de datos y de contenido.

10Es en medio de estas explosiones (y otras) en que surge el concepto de big data, del cual el análisis de contenido debe hoy en día hacerse cargo, para poder enfrentar sus actuales desafíos, y los que vienen.

¿Qué es Big Data?

11Es bien sabido que las tecnologías y los datos obtenidos gracias a su uso han mantenido un crecimiento explosivo y sostenido desde los años 1990. Desde entonces se han venido instalando en nuestro argot comunicacional nuevos conceptos, algunos para satisfacer necesidades expresivas, otros surgidos del marketing: social network analysis, Web 2.0, cloud computing, big data, community management, businness intelligence, data science, smart city y sus derivados, Internet of Things (IoT), siglas como I+D+i, entre otros. Este boom de nuevas terminologías no es nuevo, y no difiere demasiado de la aparición años atrás de otros conceptos en su momento novedosos, tales como cibernética, inteligencia artificial, redes neuronales, machine learning o data mining. Debido a su alto tecnicismo, su naturaleza multidisciplinaria y a su relativa novedad, es común que estos conceptos se presten para confusión, y que los interlocutores se refieran a ellos de distinta forma. La primera limitación para el uso del big data es no tener claro qué se pude entender por big data. Pero no nos adelantemos.

Definiciones preliminares

12Un dato es una colección de símbolos interpretables dentro de un contexto dado. Cuando el valor semántico que le damos a un dato o a un conjunto de datos (data set) tiene sentido para nosotros dentro de dicho contexto, entonces recién podemos hablar de ese conjunto de datos como una fuente de información. Si bien los datos son entidades discretas, podemos entender un streaming de datos como un flujo continuo, e imaginarlo como el cauce de un río. De todo ese torrente de agua, solo algunos datos constituyen fuentes relevantes de información. La enorme mayoría de datos son irrelevantes, o como mucho necesarios para que el río siga un curso definido. Pero también existen otros tipos de datos, piedras de diversos tamaños, que chapotean, confunden y entorpecen el curso del agua; datos que se mezclan con nuestras fuentes de información y que solo aportan ruido en nuestros canales de comunicación. Como dice el dicho: “cuando el río suena, es porque piedras trae”. Estos últimos datos no son relevantes en sí mismos como fuentes de información, pero sí resulta valiosa la capacidad para identificarlos, para poder distinguirlos de aquellos datos que sí son valiosos para nuestro análisis. El big data, entonces, es un concepto que responde a grandes conjuntos de datos, esto es, a ríos anchos, profundos o caudalosos, mientras que el análisis de big data son los métodos y herramientas con que contamos para poder extraer de allí datos relevantes, que al ser interpretados y añadirles valor, se convierten en nueva información.

La difícil búsqueda de consensos

13En 2001, Doug Laney, miembro de META Group, una empresa estadounidense de investigación y tecnologías de la información (TI), definió un conjunto de desafíos a tener en consideración para poder enfrentar el creciente aumento de datos: ser capaces de observar y rastrear un gran volumen de datos, de naturaleza diversa y generados a gran velocidad (Laney, 2001). Cuatro años más tarde, META Group fue absorbida por la empresa Gartner, la que convirtió estos tres desafíos (volumen, variedad y velocidad) en las propiedades del modelo de las “3Vs”, el cual se comenzó a masificar en la industria como una manera de describir al big data. Los últimos años, algunas organizaciones han sumado otras dos nuevas propiedades a la definición de big data, como son la variabilidad de los datos, que exige de mecanismos para enfrentar posibles inconsistencias entre ellos, y la veracidad de los mismos, que reconoce la diversidad en la calidad de los datos (Hilbert, 2016).

14Pese a lo anterior, ni el modelo de las “3Vs” ni el de las “5Vs” permite distinguir objetivamente cuándo un conjunto de datos puede o no ser catalogado como big data. Como muchos otros conceptos, su interpretación puede depender del punto de vista. Como ejemplo, pongo el caso del Informe Big Data de Prensa, un proyecto de análisis de medios de prensa online en el que tuve la oportunidad de participar desde su creación en 2016 hasta el primer semestre de 2017. Este proyecto fue desarrollado por los centros de investigación de CITIAPS (www.citiaps.cl) y CISEC (www.cisec.cl), ambos pertenecientes a la Universidad de Santiago de Chile. La idea de los informes consistía en la medición de la “fuerza” en los medios de prensa de diversos términos proveídos por una bolsa de términos. Dado un término t de una bolsa de palabras asociada a un concepto, y una noticia n, la fuerza del término t en la noticia n fue definida mediante la siguiente fórmula:

FUERZA(t, n) = log (TAMAÑO(n)) · FREQ(t, n)

15donde TAMAÑO (n) es el número de caracteres de la noticia n, y FREQ (t, n) es el número de veces que aparece el término t en la noticia n. Si el término aparecía en el titular, entonces se contabilizaba dos veces. El logaritmo en TAMAÑO buscaba suavizar las diferencias entre tamaños de las noticias, y ponderar más equitativamente TAMAÑO con FREQ como indicadores de relevancia. Con lo anterior, la fuerza de un término t en una lista de m noticias n1, n2, …, nm, quedó definida como:

FUERZA(t) = FUERZA(t,n1) + FUERZA(t,n2) +  + FUERZA(t,nm)

16Esta noción de fuerza fue inspirada en un trabajo de análisis de contenido en medios de prensa offline (Borau y García, 2004).

17En más de una ocasión recibí comentarios de otros investigadores en relación al nombre del informe. En efecto, se criticaba el hecho de que nos refiriéramos a solo “unos cuantos miles” de noticias de prensa online como “grandes cantidades de datos”, cuando lo usual al hablar de big data es considerar “varios millones”.

18En primer lugar, no puedo dejar de destacar que dichas críticas nunca tenían que ver con el contenido de los informes ni con la metodología empleada (la cual, por cierto, fue siempre muy bien recibida), sino exclusivamente con el título. En este sentido, podríamos simplemente haber cambiado el nombre de los informes y de este modo habernos ahorrado estas críticas. Sin embargo, resulta interesante revisitar los conceptos que hemos mencionado anteriormente. Si vemos una noticia de prensa como un único dato indivisible, entonces unos cuantos miles de noticias recolectadas en un par de meses pueden efectivamente parecer muy poco como para poder hablar de big data. Podríamos contra-argumentar que, en lugar de meses de recolección, el sistema puede escalar completamente a la posibilidad de monitorear noticias publicadas ya no durante los últimos meses, sino durante varios años o incluso décadas, de tal forma que el mismo producto ya tendría no varios miles, sino decenas de miles, o cientos de miles de datos. Pero más allá de esto, también podemos centrarnos en la noción misma de dato, y no considerar ya un dato como una noticia, sino como cada palabra contenida en las distintas noticias. Esto tiene sentido, si volvemos a la definición de la fórmula de “fuerza” empleada, donde la frecuencia de cada término cumple en el análisis una función relevante. De este modo, sí me parece que podríamos hablar sin lugar a dudas de un gran volumen de datos, que además son variables (pues las noticias provienen de diversos portales web, cada uno con distintos formatos y formas de visualización y extracción), que emergen a diario y también exigen ser recolectados a una gran velocidad, y que también pueden cumplir con los criterios de variabilidad y veracidad.

19Por supuesto, mi intención no es justificar aquí el nombre que recibieron estos informes. Lo que me interesa es ejemplificar cómo el concepto de big data es al menos tan difuso como el flujo de datos del que da cuenta.

Análisis de contenido con big data

20El análisis de contenido actualmente responde al siguiente procedimiento:

  1. Formulación de una hipótesis o pregunta que quiere ser respondida.

  2. Selección y recolección de la muestra de estudio.

  3. Definición de una bolsa de términos que constituirán el punto de referencia para los textos analizados.

  4. Implementación y ejecución de algoritmos de análisis de big data.

  5. Análisis e interpretación de los resultados.

21No es objetivo de este documento profundizar técnicamente en cada uno de estos puntos. Sin embargo, a partir de su mera enunciación podemos notar que dista mucho de ser un proceso totalmente automatizado, como se suele creer cuando no se está familiarizado con este tipo de estudios.

22Por otra parte, estos pasos también dan cuenta de la naturaleza multidisciplinaria de todo el proceso. Por ejemplo, dependiendo del contexto de estudio, el punto 1 podría estar a cargo de especialistas de las ciencias sociales, naturales, formales o aplicadas. La selección de la muestra, en el paso 2, comúnmente está a cargo de personas con conocimientos en estadísticas, mientras que la recolección de datos, así como la totalidad del punto 4, suele quedar a cargo de especialistas informáticos. El punto 3 puede ser el más infravalorado, pero resulta crítico para los pasos siguientes, además de ser el puente entre las ciencias sociales y los aspectos más tecnológicos de la solución. En efecto, la bolsa de términos debe ser definida por especialistas en el contexto de estudio, aquellos que formularon la hipótesis en el paso 1 y que se harán cargo posteriormente del análisis y la interpretación de los resultados, en el paso 5. Existen al menos tres aspectos cruciales en la definición de la bolsa de términos, a los que se debe poner mucha atención.

El formato

23En el análisis de contenido de big data, el formato en que se definen las bolsas de términos es crucial para el buen desempeño de los pasos siguientes. El formato debe ser invariable y de común acuerdo entre quienes definen la bolsa y quienes deberán implementar y ejecutar los algoritmos computacionales que utilizarán dichos términos como entrada. Estos algoritmos, a su vez, arrojarán salidas que también deberán estar estructuradas en un único formato comprensible para aquellas personas que se encargarán del posterior análisis e interpretación de los resultados.

24Las bolsas de palabras deben almacenarse en formatos de archivos de texto plano, pues los textos enriquecidos son más pesados y traen aspectos estéticos (negritas, itálicas, etc.) que son inservibles para el análisis de contenido.

25Existen muchos formatos posibles, tales como archivos XML, CSV, JSON, etc. De estos tres, CSV es el más liviano pero el menos estructurado, mientras que JSON es completamente estructurado y mucho más liviano que XML. En caso de que quienes definen las bolsas de palabras no tengan los conocimientos técnicos suficientes para estructurar la información en un formato apropiado, una práctica posible es que provean al equipo informático las listas de términos en un formato más familiar, como lo son las hojas de cálculo (Microsoft Excel, Apache OpenOffice Calc, Google Spreadsheets, entre otros), en cuyo caso el equipo informático deberá convertir las bolsas proporcionadas en dicho formato a un formato más apropiado y liviano para sus algoritmos.

El uso de expresiones regulares

26Una expresión regular es una secuencia de símbolos que permite representar un patrón de búsqueda. Las expresiones regulares se pueden utilizar a distintos niveles de complejidad, pero lo cierto es que en la actualidad estamos más familiarizados con ellas de lo que se cree. Por ejemplo, cuando para mejorar una búsqueda en Google encerramos una frase entre “comillas”, o incluimos un “OR” para buscar indistintamente un término u otro, lo que estamos haciendo es sustituir una búsqueda simple por una expresión regular soportada por el buscador. Además del uso de comillas para referirnos a palabras exactas y del OR para incluir disyunciones, las expresiones regulares comúnmente también permiten incluir conjunciones (“AND”), negaciones (“NOR”), repeticiones (“*”), asociaciones (determinadas por paréntesis), y a veces hasta la posibilidad de distinguir entre números y caracteres.

27Dentro del análisis de contenido, las expresiones regulares son muy útiles para afinar las bolsas de términos. Se pueden utilizar, por ejemplo, para distinguir el apellido “Ríos” del sustantivo plural “ríos”; para ampliar una búsqueda, como en (“Michelle Bachelet” OR “presidenta Bachelet”); para especificar que nos referimos a un término y no a otro, como en (“Ricardo Lagos” AND “Chile”); para restringir un contexto de búsqueda, como en (“Piñera” AND (NOR (“José Piñera”))), etc.

28Es una buena práctica que el equipo informático se reúna con los responsables de definir las bolsas de palabras, para que los primeros expliquen a los segundos las posibilidades que brindan las expresiones regulares, así como las notaciones necesarias para utilizarlas. Por su parte, es responsabilidad de los informáticos el desarrollar algoritmos que sean capaces de soportar términos escritos mediante expresiones regulares.

El lenguaje empleado en las fuentes de datos

29Por último, pero no menos importante, quienes definen las bolsas de palabras deben comprender las características comunicacionales y expresivas que se aplican en el medio que se utilizará como fuente de los datos.

30En efecto, las bolsas de palabras definidas para los medios de prensa pueden llegar a ser muy diferentes de las definidas para una red social como Twitter. Los medios de prensa poseen un lenguaje bastante estructurado, formal o semi-formal en la mayoría de los casos, y lo que se espera es que estén ausentes de faltas de ortografía. En cambio, en Twitter se utilizan hashtags (términos precedidos por el símbolo #), nombres de cuentas de usuario (precedidas por el símbolo @) y una tendencia al ahorro de palabras, debido a la restricción de 140 caracteres por tweet. Así, por ejemplo, una bolsa de palabras destinada al análisis de contenido en medios de prensa podría incluir un término (“Michelle Bachelet” OR “presidenta Bachelet”), mientras que el término análogo para el análisis de contenido en Twitter podría ser (“Bachelet” OR @mbachelet OR @presidencia_cl).

Limitaciones y comentarios a modo de conclusión

31Posiblemente la primera limitación para el uso de big data en análisis de contenido en prensa sea el no comprender bien lo que entendemos por big data. Al decidir hacer un análisis de contenido, es necesario conocer las fuentes de datos y determinar cómo los datos recolectados serán posteriormente manipulados. Si los datos no se ajustan a las 3Vs comentadas anteriormente, entonces quizás no estemos hablando de big data, y las técnicas computacionales requeridas para resolver el problema puedan ser menos sofisticadas de lo esperable, lo que podría reducir los costos y tiempos de implementación.

32Una segunda limitación previa a la ejecución misma de todo el proceso de análisis, es la de no disponer de un equipo apropiado para cada una de las etapas. Hemos visto que lo natural es utilizar un equipo multidisciplinario, con expertos tanto en el tópico de estudio (quienes definirán la hipótesis, las bolsas de palabras y luego interpretarán los resultados obtenidos) como en los aspectos más técnicos e informáticos. En el análisis de contenido con big data no puede existir una total independencia del trabajo tradicional de análisis de contenido, así como tampoco se puede prescindir de una comunicación fluida con quienes utilizan y mantienen las herramientas computacionales.

33Superadas estas limitaciones, ya podemos enfrascarnos en el proceso de recolección y análisis. Ya mencionamos anteriormente la relación existente entre el análisis de contenido humano y el que realizan los compiladores para traducir un código fuente en un código en lenguaje máquina. En ambos paradigmas se habla del análisis léxico, el sintáctico y el semántico. En ambos casos, el análisis que resulta más complejo es sin duda el semántico. Una limitación importante para el análisis de contenido es reconocer y hacernos cargo de la ambigüedad del lenguaje. Para el análisis de contenido en prensa, afortunadamente existe una forma de hablar relativamente estructurada. Sin embargo, los lenguajes hablados emplean diversos recursos para referirse a un mismo objeto, incluyendo la omisión, por lo cual los análisis más discursivos seguirán perteneciendo a un análisis más cualitativo, y por tanto no automatizable por la máquina. Ahora bien, si nuestra fuente de datos es una red social, entonces debemos además sumar recursos expresivos como el sarcasmo o la ironía, particularmente abundantes en el castellano chileno, los que son también difícilmente detectables con exactitud mediante el uso de herramientas computacionales. El análisis de contenido con big data, entonces, es preferible que se limite sobre todo a los aspectos léxicos y sintácticos del lenguaje, incorporando sólo ciertos aspectos semánticos que, de querer ser profundizados, deben ser complementados por técnicas cualitativas ajenas a la máquina.

34Desde el otro lado, están las dificultades técnicas y de seguridad, las que pueden diferir muchísimo entre una fuente de datos y otra. Para el caso de los medios de prensa, por ejemplo, cada sitio web indexa sus noticias de distinta manera, y por tanto el incorporar un nuevo medio al análisis implica un nuevo esfuerzo de programación para poder bucear en dicho sitio web para acceder a las noticias. Algunas páginas incluso impiden o restringen (consciente o inconscientemente) el acceso a sus datos, resultando muy difícil la automatización en la recolección de los datos. Algunos medios de prensa, así como la mayoría de redes sociales en línea (Twitter, Facebook, Linkedin, etc.) proveen APIs (Application Programming Interface), un conjunto de herramientas computacionales que facilitan el acceso a los datos de una manera más estructurada y de alto nivel. Sin embargo, algunas APIs son muy restrictivas (como el caso de Facebook o Linkedin), mientras otras, como la de Twitter, si bien permiten acceder a un gran volumen de datos, no permiten acceder a la totalidad de ellos, y restringen el número de accesos diarios. Para el caso de Twitter y otros microblogs se suma el hecho de que el contenido de un único tweet o mensaje es muy pequeño como para poder analizarlo individualmente. Lo que se hace en estos casos es considerar un conjunto de tweets como un gran corpus de texto, sobre el cual sí se puede hacer análisis de contenido.

35Finalmente, debemos tener cuidado con las conclusiones que extraigamos a partir del análisis de contenido en prensa o en redes sociales. Es sabido que los medios de prensa responden a líneas editoriales bien establecidas, y que lo que digan no es necesariamente un reflejo de lo que opine la sociedad acerca de un tema particular. Por su parte, también es un problema abierto el determinar a qué fracción de la sociedad activa corresponden los mensajes difundidos a través de una red social. Varios investigadores han intentado por ejemplo predecir elecciones a partir de lo que se dice de los candidatos en las redes sociales como Twitter. Sin embargo, lo cierto es que los resultados obtenidos hasta ahora han sido bastante desilusionantes. Esto se debe a muchas razones, tales como que no podemos saber si aquellos usuarios que más opinan sobre política efectivamente pertenecen al universo votante o tienen la intención real de votar, ni tampoco sabemos a qué estratos socio-económicos, etarios, educacionales o culturales pertenecen las personas detrás de dichas cuentas.

Bibliographie

Referencias

Berelson B (1952). Content analysis in communication research. Nueva York, NY: Free Press.

Borau E y García F (2004). Análisis comparativo entre la imagen del protocolo y de la diplomacia en la prensa española. Sphera Publica 1 (14): 97-123.

Chomsky N (1956). Three models for the description of language. IRE Transactions on Information Theory (2): 113-124.

Hilbert M (2016). Big Data for development: A review of promises and challenges. Development Policy Review 34 (1): 135-174.

Krippendorff K (2004). Content Analysis: An introduction to its methodology. 2da edición,

Thousand Oaks, CA: Sage Publications (1ra edición de 1980).

Laney D (2001). 3D data management: Controlling data volume, velocity, and variety.

Application Delivery Strategies, META Group (949): 1-4.

Lewis SC, Zamith R y Hermida A. Content analysis in an era of big data: A hybrid approach to computational and manual methods. Journal of Broadcasting & Electronic Media 57 (1): 34-52.

Speed G (1893). Do newspapers now give the news? The Forum (15): 705-711.

Notes

86 Es un hecho no muy conocido y que me parece interesante destacar aquí, el que los primeros programadores fueron en su gran mayoría mujeres, y varias de ellas tuvieron una destacada importancia en el desarrollo de los primeros lenguajes de programación y compiladores.

Table des illustrations

Titre Figura 1. Proceso de compilación (elaboración propia)
URL http://books.openedition.org/ariadnaediciones/docannexe/image/3614/img-1.jpg
Fichier image/jpeg, 21k

Auteur

Es profesor adjunto en la Escuela de Ingeniería Civil Informática de la Universidad de Valparaíso, Chile, además de investigador responsable en el Centro de Investigación y Desarrollo en Ingeniería en Salud (CINGS) de la misma universidad. Se tituló como ingeniero civil informático en la Universidad de Concepción, Chile, y obtuvo su Magíster en Ciencias de la Computación en la misma universidad. Más tarde obtuvo su PhD. in Computing en la Universitat Politécnica de Catalunya, Barcelona, España. Además, realizó un postdoctorado en el Centro de Innovación en Tecnologías de la Información para Aplicaciones Sociales (CITIAPS), en la Universidad de Santiago de Chile. Sus principales áreas de interés son el análisis de redes sociales, informática social, teoría de juegos cooperativos, teoría de la votación y complejidad computacional.

Acheter

Rechercher dans OpenEdition Search

Vous allez être redirigé vers OpenEdition Search