¿Qué son los datos digitales para las Humanidades?

 

La digitalización exponencial de las fuentes que hasta hace unas décadas eran análogas: libros, revistas, mapas, discos de acetato, etc., así como el nacimiento de objetos digitales textuales, sonoros, visuales, etc. permite a los investigadores en humanidades incursionar en la recuperación, análisis, creación, manejo e interpretación de datos digitales en tanto representaciones de sus objetos de estudio. Un dato digital, definido como una “ abstracción digital, construida selectivamente y procesable por máquina que representa algunos aspectos de un objeto dado de investigación humanística” (Shöch, 2013), no sustituye al objeto investigado si no que amplía las posibilidades para su comprensión. Por lo tanto, todo  set de datos pueden ser  analizado a partir de  enfoques hermenéuticos y semióticos y tratado mediante procesos computacionales que los construya como fuentes de valor probatorio de hipótesis.  Valorar estas posibilidades de análisis requiere formular las preguntas sobre qué son y cómo se construyen estos datos. Por ello, en esta nota  se describen los datos digitales en humanidades a partir de las discusiones del archivista digital Trevor Owens y el filólogo computacional Christof Schöch. Por una parte, Owens (2011) presenta las características de los datos digitales en tanto clases de cosas creadas, interpretables y procesables por computadora. Por otra parte, Schöch (2013), aborda los grandes datos (big data)  y define otro tipo de dato: los datos inteligentes (smart data)  que se desarrollarán más adelante.. Las aproximaciones de estos autores permiten vislumbrar cómo los humanistas pueden investigar con datos, usando metodologías y herramientas computacionales, sin perder de vista los enfoques interpretativos y contextuales propios de las humanidades. Así, los datos digitales creados por humanos y por lo tanto supeditados al análisis crítico, se posicionan como fuentes probatorias para la investigación y fuentes de creación de nuevos artefactos.  

En humanidades, los objetos de estudio no suelen ser comprendidos ni nombrados como datos, sino como  fuentes para su creación: Los datos no son los objetos de estudio sino interpretaciones discretas del mismo. Definidas las representaciones que se quieren capturar, se puede, tras un trabajo manual o automatizado, crear un set de datos susceptibles de ser ponderados, ordenados, relacionados y visualizados a través de  procesos computacionales. El uso de ordenadores agiliza y, en ciertos casos, automatiza la identificación de representaciones sin dejar de lado el trabajo humano. Los investigadores son quienes definen y orientan las actividades que un programa o un software realiza sobre un objeto de estudio digital y esto implica muchas veces una tarea semi-automatizada: asignar códigos por ejemplo. Pero ¿cómo se pueden presentar los datos en este flujo de trabajo/investigación? 

 Los datos digitales pueden presentarse de manea estructurada, no estructurada o semi estructurada. Por estructurado se entiende el modelamiento de un dato en una base de datos donde cuentan con identificadores únicos y se predefinen sus relaciones. Esto implica la definición  de entidades, los atributos y las relaciones así como las estrategias de captura de los datos. Por no estructurados se señalan aquellos datos en los que no hay límites precisos y su significado está implícito. Se encuentran en  un  texto sin formato, un conjunto de imágenes o las publicaciones de una red social. Los datos semi-estructurados por otra parte, están bajo un esquema que resalta de manera más o menos precisa partes y límites de un objeto de investigación. La notación en XML o las codificaciones bajo árboles de categorías suelen semi-estructurar objetos digitales textuales.  

Estén o no estructurados los datos digitales es preciso especificar a qué se refieren los autores cuando dicen que son creados y que son artefactos. Owens (2011) en su artículo Defining Data for Humanists: Text, Artifact, Information or Evidence?, explica los datos digitales como diferentes tipos de cosas: datos como artefactos, datos como textos y datos como información procesable en computadora. En principio, apunta el autor, todos los datos son fabricados por personas. Por ello, es posible explicitar las decisiones deliberadas: recopilación, codificación y las metodologías para abstraerlos: modelar bases de datos, utilizar procedimientos estadísticos o visualizarlos. Si bien un dato es  fundamentalmente una notación binaria en la que dos símbolos, 0 y 1, lo constituyen, es posible comprender su cualidad de artefacto-material en dos aspectos: el hardware donde se ha creado y el ambiente digital en el que nace. Esto quiere decir que:  

 

Hay dos formas de pensar en las características de los artefactos de los archivos digitales. El primero es considerar la materialidad del hardware en el que se crean, almacenan y procesan estos datos: la fisicalidad de sus “portadores”. […] Pero hay otro elemento artefactual en los registros nacidos en formato digital, y ese es el “entorno digital” en el que se crean, modifican y acceden a los registros (Bailey, 2011)1 

 

Definidos como cosas, los datos para Owen pueden ser comprendidos como textos y por lo tanto pueden ser interpretados. Los datos son creaciones con autoría, están dirigidos a una audiencia y se puede indagar las maneras como se usan, entienden e interpretan en contextos particulares. Estos datos, además, son información procesable por computadora mediante software existente o lenguajes de programación. Los resultados de estos procedimientos pueden aportar a los argumentos de las investigaciones o generar nuevos artefactos que pueden a su vez, ser leídos y explorados bajo nuevas preguntas. Para Owen esta comprensión de los datos digitales abre el diálogo sobre los aportes de los datos a los humanistas y de los humanistas a los datos: 

 

Al final, el tipo de preguntas que hacen los humanistas sobre textos y artefactos son tan relevantes como para preguntar sobre datos. Si bien las nuevas y emocionantes perspectivas del procesamiento de datos ofrecen a los humanistas una gama de interesantes posibilidades para la investigación, los enfoques humanistas de las cualidades textuales y de artefactos de los datos también tienen mucho que ofrecer a la interpretación de los datos (Owen, 2011).

 

Hacer de los datos, datos inteligentes (smart data) 

Para Schöch (2013) en su artículo Big? Smart? Clean? Messy? Data in the Humanities, los datos en humanidades son de dos tipos: grandes datos (big data) y datos inteligentes (smart data). Sus definiciones dependen tanto de el volumen y variedad de datos como el nivel de estructuración y limpieza de los mismos. Los grandes datos se conciben como datos desordenados, en los que sus significados están implícitos, son grandes en volumen y sus formas son variadas. Los datos inteligentes por otra parte, están estructurados o semi-estructurados, están limpios y sus significados son explícitos. Además, su volumen es pequeño y no son tan heterogéneos. La diferencia, dice el autor, no es solo de grado si no de las mismas metodologías que se usan para capturar, modelar y enriquecerlos. 

El término de grandes datos, definido por Jonathan Ward y Adam Barker, citado por Schöch, como el “almacenamiento y análisis de conjuntos de datos grandes o complejos utilizando una serie de técnicas que incluyen, entre otras: NoSQL, MapReduce y aprendizaje automático”2 implican para las humanidades el uso de métodos estadísticos como el análisis de conglomerados, análisis de componentes y el desarrollo de software que permitan manejarlos o implementar inteligencia artificial, entre otros temas. En contraste al volumen de los datos grandes, los datos inteligentes en principio tienen una escala menor: son pequeños en volumen. 

El término de datos inteligentes señala el Schöch (2013?), no es un término extendido y él lo usa para dar cuenta de los “datos estructurados o semi-estructurados” que ya han pasado por procesos de limpieza – y enriquecimiento mediante marcas, anotaciones o asignación de metadatos. Para la creación de datos inteligentes es necesario la intervención humana, que contribuye a procesos de estructuración , mediante modelado de bases de datos, o  de semi-estructuración, mediante esquemas y uso de software. Un ejemplo de uso de datos inteligentes es el análisis cualitativo asistido por computadora: iniciativas de codificación de textos basados en esquemas ( el caso de Text Encoding Initiative), permiten implementar esquemas  de anotación que crean datos procesables por la computadora, y permiten observar patrones y tendencias. 

Datos digitales inteligentes: una tarea colaborativa 

En la indagación humanística, contar con datos inteligentes representa todo un reto, por el tiempo dedicado a su anotación, y porque su creación depende en gran medida de análisis semánticos y pragmáticos realizados por personas. De ahí que sea difícil transformar grandes cantidades de datos en datos inteligentes usando exclusivamente análisis computacionales. En todo caso, ante las discusiones de si los grandes datos son una fuente para las humanidades, el trabajo con conjuntos de datos menos grandes y apoyados por trabajos colaborativos en los que las personas puedan contribuir desde sus propias investigaciones a la estructuración o semi-estructuración de datos es una opción que a futuro nos permitirá contar con set de datos no imaginados antes. Además, estos trabajos colaborativos permiten destacar las aportaciones que hacen las humanidades a la problematización de los datos mismos y las maneras de estructurarlos. Finalmente, la creación de modelados controlados o unidades de análisis para objetos de investigación comunes permitiría integrar set de datos por comunidades de investigación. Y para ello es necesario abrir las metodologías y crear proyectos colaborativos en el tiempo. 

¿Interesado en conocer herramientas para estructurar datos en Humanidades?  

Visita la colección de Herramientas Digitales de la Biblioteca Daniel Cosío Villegas y consulta algunas herramientas como: 

• Anotación semántica de textos y corpus: INCEpTION
• Anotación semántica de imágenes y documentos: Recogito
• Análisis cualitativo de datos: Taguette

 Notas

1. NoSQL se refiere a los sistemas de gestión de bases de datos que no almacenan sus datos en estructuras fijas como tablas no requieren que se predefinan entidades o atributos y se usan para trabajar grandes cantidades de datos.MapReduce es un modo de trabajo con grandes datos mediante computadoras distribuidas.El aprendizaje automatizado se refiere a las técnicas que se desarrollan para que las computadoras aprendan. 
2. There are two ways to think of the artifactual characteristics of digital files. The first is to consider the materiality of the hardware on which this data is created, stored, and processed — the physicality of their “carriers”. […] But there is another artifactual element to born-digital records, and that is the “digital environment” in which records are created, altered, and accessed (Bailey, 2011)

Referencias 
 

               Bailey, J. (2011, noviembre 28). The Artifactual Elements of Born-Digital Records, Part 1 | The Signal [Webpage]. https://blogs.loc.gov/thesignal/2011/11/the-artifactual-elements-of-born-digital-records-part-1/ 

             Schöch, C. (2013). Big? Smart? Clean? Messy? Data in the Humanities Journal of Digital Humanities. Journal of Digital Humanities, 2(3). http://journalofdigitalhumanities.org/2-3/big-smart-clean-messy-data-in-the-humanities/ 

              Owens, Trevor (2011) Defining Data for Humanists: Text, Artifact, Information or Evidence? Journal of Digital Humanities. http://journalofdigitalhumanities.org/1-1/defining-data-for-humanists-by-trevor-owens/.  

 

---

---