Recuperación de información Memorias de Clase 7

Lunes 13 de septiembre de 2010

Diferencia entre recuperación de información y recuperación de datos

• Recuperación de información trata de resolver una necesidad de información.

o No hay una sola forma de saber cómo preguntar
o A la pregunta formulada múltiples respuestas, relacionado con el % de relevancia
o Lenguaje natural (procesamiento de lenguaje natural) es cambiante
o Para cada persona hay resultados diferentes, para preguntas diversas (subjetividad)

• Recuperación de datos: es un proceso más sencillo, no resuelve el problema de la recuperación de información solo devuelve datos sobre un tema.

o Forma exacta para generar preguntas
o Inferencia (como puedo establecer la pregunta)
o 100% de satisfacción a la pregunta hecha
o Lenguaje SQL (artificial)
o Si hay error se vuelve a hacer la pregunta hasta que salga el resultado
o Es la misma respuesta para varias personas (objetividad)

Objetivos de la Recuperación de Información

1. Poder recuperar sobre cualquier tipo de documento (texto, video, imagen, etc.)

2. Poder entender cualquier pregunta

3. Encontrar el mejor mecanismo para calcular la relevancia (los mejores procesos de comparación y análisis, mostrar los resultados)


Proceso de recuperación de información

a. Necesidad de información (vacio conceptual)
b. Definición necesidad (preguntas
c. Selección de recursos de información
d. Consulta de recuperación de información
e. Evaluación de resultados
f. Presentación al usuario

Problema de los lenguajes de consulta y recuperación de información
Como yo pregunto y como el sistema interpreta la pregunta, transformación del lenguaje (estandarizar)

Tipos de representación de la información

1. Lenguaje humano: pregunta del lenguaje natural (manejo regional de expresiones, de forma cotidiana, es poco conciso, ambigüedades, es difícil de interpretar). No hay ningún sistema que interprete el lenguaje natural de forma exacta.

2. Lenguaje restringido: se cambia la expresión de las preguntas (la transforma), cambia a términos controlados. Transforma la pregunta para que sea más efectiva. Cambia la expresión de búsqueda con términos normalizados con la finalidad que el computador entienda. Es más efectivo con menos palabras.
Lenguaje controlado: haciendo un tesauro, relaciones semánticas.

3. Lenguaje artificial: según reglas de la maquina, utilizando operaciones, palabras (especificas), símbolos. Se tiene otra transformación de búsqueda y aplica reglas de la maquina. Se cambia de expresión a ecuación que siga modelos lógicos matemáticos. Ecuaciones de búsqueda.

Como preguntar?

Pregunta tomada como:

• Ecuación
• Conjunto de términos
• Expresión


Notas de clase:

* Como se había mencionado la extracción de información se toma como un subproceso de Recuperación de Información.
* Las bases de datos son diferentes a las bases documentales.
* Los sistemas de recuperación de información
* Expresiones de búsqueda: conjunto de términos en lenguaje natural
* Demanda documental: con ecuaciones de búsqueda
* Ecuaciones de búsqueda: expresión de búsqueda

LA RECUPERACION DE INFORMACION Y LOS REGISTROS ELECTRONICOS FRENTE A LAS FUNCIONES DOCUMENTALES

Una buena gestión de documentos electrónicos se debe sustentar en la ejecución y aplicación de tres funciones documentales: declaración, clasificación y aplicación del ciclo vital del documento.
Declarar el documento, es decir, registrarlo para darle existencia dentro del sistema documental de la empresa, implica varias tareas tales como:
Marcar un registro como un documento, lo cual se puede realizar manualmente o a través de procesos de flujo auto9matizados. Se debe tener en cuenta que algunos datos de las aplicaciones pueden ser usados como un campo de valor para los metadatos.
Crear los metadatos del documento: como es único ID, asunto, para, de, etc. Para ser almacenado en servidor especifico.
Revisar privilegios de usuario: para editar, cambiar o borrar el registro, antes de ser declarado como documento.
Clasificar el documento, de acuerdo con una estructura archivística previamente aprobada. Implica tareas tales como:
Agrupar los documentos a partir del cuadro de clasificación de la entidad, ya sea bajo conceptos que reflejan las funciones generales, las actuaciones específicas de la entidad o siguiendo la estructura orgánico-funcional de la entidad.
El objetivo de este proceso es el de facilitar la localización conceptual de los documentos, así como su ubicación física en un repositorio electrónico.
Existe la opción automática de clasificación del documento para lo cual se deben definir reglas de almacenamiento de los documentos electrónicos con base en los metadatos, códigos de archivo, etc.
En el caso de la clasificación manual de los documentos se deben tener en cuenta pasoso como: desconocimiento del asunto de los documentos, listas de códigos de archivos para almacenar en servidor de documentos electrónicos, seleccionar los códigos de la lista de códigos de archivo y almacenar el código del archivo, como un metadato más y así su recuperación posterior.
Aplicar el concepto del ciclo vital del documento al proceso de gestión.
Se entiende por ciclo vital, las etapas sucesivas por las que atraviesan los documentos desde su producción o recepción en la oficina y su conservación temporal, hasta su eliminación o integración a un archivo permanente.

Archivo General de la Nacion. Los documentos y los archivos electronicos. Bogota. 2005. p94

RECUPERACIÓN DE INFORMACIÓN Y LAS FIRMAS ELECTRONICAS

El requisito que más nos preocupa a las personas que trabajamos con recuperación de la información, es la idea de tener siempre comprobantes en papel de cualquier transacción, independientemente de su cuantía, es el de la firma. En este sentido es importante advertir  que la ley avala el uso de todo  tipo de tecnologías de firma electrónica, lo cual no quiere decir que sean exclusivamente firmas digitales. La ley indica en su artículo 7º sobre requisitos para las firmas electrónicas, que son los mismos que se cumplen con firmas manuscritas y podrían ser los mismos en sistemas de tecnología basada en estándares biométricos como huellas digitales y plantares y estructura del iris del ojo, sino se tuviera clara una vinculación de la persona con al transacción, estos requisitos son: que se pueda identificar al iniciador del mensaje; que se pueda indicar que el iniciador del  mensaje aprueba el mensaje y que el método sea  tanto confiable como apropiado  para le propósito de la transacción. Por eso es tan importante que la gestión documental se apoye en el concepto de abogados.

En este sentido, es claro que la ley no pretende obligar al uso de firmas digitales y certificados en todo tipo de transacciones, sino que si la tecnología cumple con el concepto de escritura, originalidad y firma, se entenderá equivalente al papel y a las firmas manuscritas.

En este caso la tecnología a nivel mundial tiene cada día mayor demanda, es muy segura y la preocupación que existe con la tecnología biométrica o basada en estándares biométricos es que supone intrusiones a la privacidad ya que en algunos casos permiten hacer lectura de ADN y a través de lectura del iris del ojo detectar enfermedades.

Los documentos y los Archivos Electrónicos. Archivo General de la Nacion.Bogota.2005.pag 71

EL REPORTE DELTA

La tecnología actual nos permite tener a disposición los datos que queramos. También nos permite con ella producir la información que se quiera y se desee para la toma de decisiones. No esperemos que con solo la tecnología se tomen las decisiones, se requiere la intervención de personas preparadas para ello. Este es el tema que manejamos en el artículo esta semana.

Acortar direcciones de la Web se ha vuelto requisito indispensable. En el Software esta semana reseñamos dos sitios que brindan este servicio en forma gratuita. La Joya en la Web presenta un espectacular sitio que recopila información estadística de muchos deportes con capacidad para analizar y filtrar y en las estadísticas presentamos la distribución de las líneas de banda ancha en América latina.


José Camilo Daccach T.http://www.deltaasesores.com/
Ver más en:
http://www.eltiempo.com/blogs/el_reporte_delta/2010/09/brujulas-y-gps-abreviador-de-d.php

Metadatos. Curso básico de Joomla.mov

http://www.youtube.com/watch?v=r7cryqS3_o4

RECUPERACIÓN DE INFORMACIÓN, ASPECTOS RELATIVOS A LA PROTECCIÓN DE INFORMACIÓN

Desde el punto de vista de las nuevas tecnologías, es pertinente aclarar que la legislación no protege la información como tal, sino una forma de documentos que son los llamados mensajes de datos, en este sentido hay una ley rectora de protección de la información digital en Colombia o de protección de los documentos electrónicos.
Desde que se expidió la ley 527 de 1999, reglamentada por el decreto 1747 de 2000, se ha observado que no se aplica, dado que la carga de responsabilidad radica en cabeza de la entidad que gestiona la información y los documentos, vale la pena decir que esta ley no es mandatorio y busca proteger el patrimonio de las organizaciones, tanto en el sector público como en el privado.
Cuando se gestiona información o documentos, se están administrando riesgos, frente a lo cual la ley 527 lo que busca cada vez que se cree un documento como riesgo posible, es entregar un mensaje de cautela, tanto al Estado como al sector privado. La administración de estos riesgos, consiste en primer lugar, en proteger los atributos de la información y en segundo lugar, enfrentar la controversia que se puede presentar tanto en el sector público como en el sector privado.
Por otra parte, no hay que olvidar que información en el sector publico o en el privado, es valor en libros, patrimonial y económico, se calcula que en el mundo el 90 por ciento de los documentos nacen electrónicos, muchos se imprimen y se suscriben con firmas ológrafas o manuscritas, o sea que cada vez más la información tiene mas relevancia en las organizaciones y eso supone una carga de diligencia muy importante de todos los niveles.
Como antecedentes generales, se puede afirmar que hay una creciente e ilimitada capacidad de almacenamiento, así como facilidad para administrar la información electrónica y su localización.

Los documentos y los archivos electronicos. Archivo General de la Nacion.Bogota.2005.p65

Recuperación de información Memorias de Clase 6

6 de septiembre de 2010

Recuperación de información

Necesidad de información: se toma cuando hay un proceso del conocimiento tácito en explicito, se transforma en información, en estructuras mentales, ese conocimiento llena un vacío cognitivo. Cuando no hay claridad suficiente para analizar una información, se crea una necesidad. El problema es que no se sabe cuales ni cuantos datos satisfacen la necesidad, depende de los conocimientos previos que tengan las personas.

Hay un vacio conceptual para generar una idea, y la Recuperación de Información es el cómo satisfacer los vacios conceptuales. Las necesidades de información crecen y cambian, son problemas de la gestión del conocimiento

Hay dos tipos de necesidades de información:

1. Necesidad de información concreta: es específica, fácil de solucionar, se puede intuir que información puede satisfacer estas necesidades, tiene un vacio conceptual definido, se pueden plantear preguntas concretas, da lugar a respuesta con un documento con un contenido completo. Utiliza palabras exactas, correspondientes con los límites temáticos. Con la necesidad de información específica hay preguntas definidas y tiene una respuesta concreta y facilita la recuperación de información y desaparece la necesidad de información. Influye en la recuperación de información ya que con necesidades específicas es más fácil la recuperación, permite expresiones de búsqueda más detalladas.


2. Necesidad de información orientada al problema: no hay temática definida, está mal formulada, no se especifica en las búsquedas. Para necesidades de información no definidas, se generan preguntas generales y hay millones de documentos. En general, la necesidad de información no es satisfecha, permanece durante un largo periodo de tiempo y dificulta la recuperación de información.


DEFINICIÓN DE LA RECUPERACIÓN DE INFORMACIÓN

Según Ingwersen, la recuperación de información es el proceso de gestión del conocimiento, proceso para satisfacer una necesidad de información. Con la recuperación de información se pasa de un estado actual del conocimiento a un estado necesario de conocimiento.

• Problema personal de espacio, disminuir los vacios conceptuales
• Problema de gestión del conocimiento

Según Belkin, la necesidad de información es el estado normal del conocimiento y la recuperación de información es el problema de normalización del conocimiento.

Recuperación de información es el proceso de comparar una pregunta contra un conjunto de índices. Permite comparar los términos de una pregunta contra un conjunto de términos de u índice de un conjunto de documentos mostrándolos, desplegándolos estableciendo un modelo de relevancia (ranking).

¿Cómo organizo los resultados?
¿Qué coloco primero?
¿A que le doy mayor valor?
¿Qué documentos son más relevantes ante una expresión de búsqueda?

SISTEMA DE RECUPERACIÓN DE INFORMACIÓN

El sistema de recuperación de información involucra procesos automatizados, hardware, software, información digital, que la información, los contenidos documentos están codificados digitalmente sin importar el formato.

• Software: algún mecanismo que compare
• Hardware: administra índices

El sistema de recuperación de información estudia la recuperación de información que pertenece a una colección de documentos para satisfacer una necesidad de información. El sistema de recuperación de información compara los contenidos de los contenidos de los documentos contra preguntas de necesidad de información (compara términos contra términos). Hace procesamiento de texto, de contenido y genera índice. Son sistemas que ofrecen al usuario mecanismos para acceder a fuentes de información.

Con la recuperación de información hay análisis de preguntas, indización, organización de resultados, análisis de contenidos, procesos de comparación.
La recuperación de información desde los sistemas de recuperación de información como conjunto de tareas, procesos y procedimientos automatizados mediante las cuales el usuario localiza y accede a los recursos de información. Ofrece documentos relevantes, relación semántica o procesamiento semántico de contenidos. La recuperación de información sin importar lo que yo busco ante una necesidad de información (orientada al problema) se analice y se transforme en una necesidad concreta.

• Relevancia: importancia según necesidad de búsqueda
• Pertinencia: útil, es subjetiva depende de cada persona


EXTRACCIÓN DE INFORMACIÓN

Es el proceso especializado de recuperación de información, destinado a necesidades de información concretas. Hacer una búsqueda basada en unos términos y criterios asociados, establecer unas reglas. Se toma como subproceso de recuperación de información.

Recuperación de información y sistemas expertos

Los sistemas expertos, con su capacidad para combinar información y reglas de actuación, han sido vistos como una de las posibles soluciones al tratamiento y recuperación de información, no sólo documental. La década de 1980 fue prolija en investigación y publicaciones sobre experimentos de este orden, interés que continua en la presente década. En resumen, un sistema experto es una aplicación capaz de realizar las tareas propias de un experto humano en un área restringida. Se compone de una base de datos, de una base de reglas y de un motor de inferencia (FROST, 1989). La base de datos almacena el conjunto de datos o documentos sobre los que se desea ejecutar una serie de acciones. La base de reglas contiene un compendio de reglas lógicas que el sistema debe utilizar para desarrollar razonamientos, así como las normas que permiten combinar las reglas, por último, el motor de inferencia es el encargado de ejecutar las órdenes del usuario, utilizando como criterios las reglas, y como material de partida el contenido de la base de datos, hasta alcanzar una conclusión simulando el razonamiento que seguiría el experto humano. El desarrollo posterior de estos sistemas ha traído un conjunto de nuevas aplicaciones a las que se identifica como Sistemas Basados en el Conocimiento (SBC), que incorporan técnicas más sofisticadas como la lógica difusa, razonamiento basado en modelos, etc., y lo que puede ser más interesante para el especialista en información, medios de recuperación de información deductiva (FROST, 1989: 6).

Lo que diferencia a estos sistemas de un sistema tradicional de recuperación de información es que estos últimos sólo son capaces de recuperar lo que existe explícitamente, mientras que un sistema experto debe ser capaz de generar información no explícita razonando con los elementos que se le dan (WORMELL, 1988). Pero la capacidad de los SE y de los SBC en el ámbito de la recuperación de la información no se limita a la recuperación. Pueden utilizarse en ayudas al usuario, en selección de recursos de información, en filtrado de respuestas... (ALBERICCO y MICCO, 1990) Un SE/SBC puede actuar como un intermediario inteligente que guía y apoya el trabajo del usuario final. Para desempeñar de forma adecuada esta tarea, los enfoques centrados en la creación de modelos de las estructuras cognitivas del usuario son los más prometedores (INGWERSEN, 1987).

Referencia:
TRAMULLAS, Jesús, KRONOS. Recuperación de información y sistemas expertos 1997, 2000. Disponible En: http://tramullas.com/documatica/3-8.html

Recuperación de información MEMORIAS DE CLASE 5

viernes 27 de Agosto de 2010

Procesos de recuperación de Informapción 

INDIZACIÓN: es el proceso de describir o representar el contenido temático de un recurso de información. Acción de describir o identificar un documento en relación con su contenido. Genera otra colección igual a la primera. Representar un conjunto de documentos en base a esos términos.

Cada documento implica que un documento está en un sistema de información 2 veces. Son estructuras de datos organizados. Indizar es aplicar una técnica. Dependiendo del sistema de información se puede identificar si usa índices (depende del contenido del documento).

Durante la indización los conceptos se extraen del documento mediante análisis y luego de este proceso los conceptos se transforman en términos de indización. La indización consiste en :

1. Examen del documento y determinación de su contenido

2. Identificación y selección de los conceptos principales del contenido

3. Selección de los términos de indización

Opciones de búsqueda

a. Recorriendo el texto: busca algo que contenga la palabra, sirve para abrir y recorrer el texto. Si corresponde la búsqueda lo muestra. (ejemplo: windows)

b. Procesamiento del contenido del texto: se aplica teoría de indización para grandes colecciones y colecciones estáticas (el contenido siempre va a estar allí, que no se muevan del directorio)

Índices: los índices de estructura de datos de Un Sistema de Recuperación de Información permiten realizar búsquedas mediante técnicas que comparan o equiparan los enunciados que han utilizado los usuarios con los términos almacenados en los índices del sistema.

Estructura de índices

1. Archivos directos: se toma de cada documento

2. Archivo inverso: genera una matriz de términos; tipo de documento. Índice en cuya estructura se encuentra: palabra clave, ID documento, ID campo. Se compone de:

Vocabulario: conjunto de palabras que aparece en un texto.

Ocurrencias: lista de las apariciones de cada palabra en el texto, una por cada palabra.

Entramos y revisamos la LISTA WIP, que permite analizar la estructura semántica de la red para medir y comparar la popularidad de los personajes más importantes de todo el mundo. Ingresamos a la dirección http://www.elpais.com/graficos/tecnologia/Lista/WIP/elpeputec/20080215elpeputec_1/Ges/

Y los resultados fueron:

1. Búsqueda de nombres los robots buscan en la red nombres propios de personas que aparezcan en la web, a partir de la web semántica que analiza el contenido de cada sitio por palabra y el contexto en que se encuentra.

2. Documentación: si la palabra cumple los requisitos, el robot contextualiza datos respecto al personaje: profesión, fecha de nacimiento, lugar de trabajo, rol social, etc.

3. Relaciones entre personajes: el robot mediante un algoritmo comprueba otros personajes relacionados con el personaje de la búsqueda y evalúa el porcentaje de relación para determinar si es relevante o no.

4. Presencia en la red: el robot analiza el número de veces que el personaje aparece en internet contextualizando el tipo de perfil del mismo.

5. Índice de popularidad: cada día busca el número de veces que el personaje aparece en sitios de noticias, para poder comprar con fechas anteriores para obtener el índice de tendencia de su índice de popularidad.

6. La lista WIP: todo el contenido se envía a una base de datos que sirve de soporte para la elaboración de la lista WIP.

Se descargo el programa AntConc 3.2.1w se guardo en descargas luego se ejecuto file open dir se escoge el archivo que se va indexar Word list start (genera ranking, frecuencia y términos) se ingresa por collocate se ingresa por concordance se ingresa por concordande plot analizando opciones de la indización

La exploración como mecanismo de recuperación

Las limitaciones inherentes al proceso de recuperación mediante ecuaciones han conducido a experimentar otras aproximaciones. Una de las más utilizadas es aquella que utiliza la exploración, es decir, el acceso a los documentos mediante técnicas de visualización de parte de su contenido que puede ser relevante, y la posterior asociación con otros documentos de perfil similar. Para Doyle (ELLIS, 1990: 22-23), esta capacidad de exploración debería ser fundamental en los sistemas. El usuario accede a un listado o enumeración de elementos descriptivos, y mediante un proceso de selección de elementos, va centrando el objetivo de su búsqueda. Los criterios utilizados por el usuario se basan en la deducción y la asociación de conceptos (aproximación ésta similar a la que utiliza un sistema hipertextual -ver infra el capítulo pertinente-) frente a la lógica de conjuntos que se plantea en un sistema de ecuaciones. Este tipo de representación es más adecuada para reflejar la polirepresentación que un concepto puede tener para un usuario individual. En cambio, la utilización de la exploración suele realizarse en entornos en los cuales el usuario no posee una idea clara de cual debería ser la mejor táctica para aproximarse a la información que precisa. Por lo tanto, la cuestión clave a considerar en un sistema de exploración es combinar las ideas y esquemas del usuario con el esquema de organización de la información que ofrece el sistema (INGWERSEN, 1992: 135-140). Esta es la aproximación que pretenden desarrollar los enfoques cognitivos, poniendo su énfasis en el intermediario que debe existir entre el modelo del usuario y el modelo del sistema.
Referencia
TRAMULLAS,Jesús, KRONOS.La exploración como mecanismo de recuperación 1997, 2000. Consultado En: http://tramullas.com/documatica/3-6.html

Paradigma de interrogación: el problema de la relevancia en la Recuperación de Información

La interrogación se puede caracterizar como un proceso en el que el usuario lanza a una base de datos una sentencia (juicio) de búsqueda utilizando palabras clave y el sistema debe localizar la información que mejor satisfaga la búsqueda a través del emparejamiento (matching) entre el/los términos de la sentencia, y el/los términos almacenados en la base de datos.

El propósito de todo sistema de representación y Recuperación de Información no es proporcionar mucha información, sino proporcionar información relevante. La autora define la relevancia como “la relación que existe entre una necesidad de información manifiesta y la información almacenada”. En torno al concepto de información almacenada que no se trata como almacenamiento tangible ni univoco, y por otro, en torno a la necesidad de información manifiesta, ya que en internet muchas veces, no existe tal necesidad concreta de información.

En los sistemas de información, la relevancia se ha medido a través del número de documento que satisface una necesidad de información de un usuario, y ha dado lugar a indicadores y parámetros de evaluación cuantitativa, del éxito de un sistema de recuperación de información a través del cálculo de la tasa de exhaustividad.

Para evaluar la relevancia es necesario tener en cuenta una doble perspectiva: por un lado, el punto de vista cognitivo sobre cómo opera y se comporta el usuario ante una necesidad de información, y por otro, el punto de vista algorítmico. Con lo anterior, se distingue la relevancia subjetiva y la relevancia objetiva o valorable.

Relevancia subjetiva: la relevancia es subjetiva en sí misma, el usuario siempre tiene una intención concreta (una necesidad manifiesta de información). Cuando un usuario realiza una consulta especifica, el es intencionalmente relevante, porque sabe lo que está pensando y lo que quiere encontrar y espera lo mismo del sistema de búsqueda que interroga.

Relevancia objetiva: se basa en el análisis del propio mecanismo de recuperación, esto es, de algoritmos que utiliza el search engine, que es transparente para el usuario. Lo que se evalúa es el sistema/software que realiza el cálculo de la relevancia, que puede ir desde el número de veces de los términos de la pregunta que aparecen en cada documento candidato para satisfacerla (exact matching), al cálculo más sofisticado utilizando algoritmos de asignación de pesos a los términos que ponderan con un valor más alto a los más específicos, y con un valor más bajo a los muy abundantes.

La asignación de metadatos a los objetos de la red permitiría una mayor relevancia en los sistemas de recuperación global, tanto desde el punto de vista objetivo como subjetivo. Esos metadatos de carácter general servirán, teniendo en cuenta en lo que se fija el usuario, para determinar la utilidad de los recursos recuperados como resultado a una consulta. De esta manera, la relevancia dependerá no solo de la función de comparación de la palabra clave introducida, invertido del buscador, dependerá en muchos casos, también, del tipo de documento encontrado, del autor, de la actualidad del recurso (fecha), del idioma en que está escrito, etc., y de la medida en que el resultado pueda anticipar al usuario el interés que tiene los documentos encontrados potencialmente para él.


Referencia

MENDEZ RODRIGEZ, Eva. Metadatos y recuperación de información. estándares, problemas y aplicación en bibliotecas digitales. Asturias: Ediciones Trea, S.L., 2002. p 237-240

Recuperación de información

Recuperación de información

Según Calvins Mooers la Recuperación de Información es “el proceso el método por el cual un usuario es capaz de convertir su necesidad informativa en una lista de citas de documentos almacenados, que contienen la información útil para él”. La Recuperación de Información la autora la toma como el conjunto de técnicas autorizadas que permiten localizar y en muchos casos llegar a la información que buscamos.

La Recuperación de Información es el proceso por el cual, una vez preparado el documento e identificada la necesidad informativa, se produce una comparación entre ambas para producir unos resultados satisfactorios para el usuario y consta de 5 fases:

1. Preparación de la información: este tratamiento puede ser mínimo, consistiendo simplemente en un cambio de soporte, o más complejo, como puede ser un sistema de indización por las raíces de las palabras.

2. Identificación de la necesidad informativa: preparándola para que pueda interrogar a la base de daros. Este proceso será más o menos complejo en función del sistema de búsqueda que se emplee.

3. Comparación de la pregunta que expresa la necesidad del usuario: con el contenido de la base de datos. Los métodos de comparación varían en función del sistema con el que se trabaje.

4. Salida del resultado de la fase anterior.

5. Evaluación de los resultados: si no se evalúa no se puede conocer realmente si los resultados son satisfactorios y si el sistema es adecuado o no.


Referencia

GOMEZ DIAZ, Raquel. La lematización en español: una aplicación para la Recuperación de Información. Asturias: Ediciones Trea, S.L., 2005. p. 33-47.

METADATOS Y RECUPERACIÓN DE INFORMACIÓN EN INTERNET

Recuperación de información en la red: la recuperación de información en internet es diferente a la que se proyecta y realiza en los servicios de información tradicionales (bibliotecas y archivos, fundamentalmente), ya que la información no se almacena de forma centralizada y por que los recursos de internet tienen las siguientes características:

• No son fijos y estables, como los documentos impresos y otros materiales en soporte físico
• No están seleccionados y recopilados, como ocurre en las bibliotecas tradicionales y digitales
• No están organizados de una forma centralizada para el acceso, ni se catalogan e indizan, como los recursos de las bibliotecas

El mundo de la Web se caracteriza además por ser dinámico y vertiginosamente cambiante, heterogéneo en cuanto a la variedad y la poca uniformidad de la información que alberga, y disperso, porque esa información se encuentra repartida por miles de servidores en distintas partes del mundo y de distintos sectores de actividad; donde cualquiera puede ser autor/editor digital.  Es preciso reconocer que la generalización del uso de internet, el aumento constante de usuarios, así como la importancia que han cobrado los servicios de información Web, hacen que los profesionales de la información se enfrenten a un mundo informativo prodigo, y en muchos casos, confuso.  Los bibliotecólogos no pueden ser ajenos a los diversos problemas que plantea la recuperación en un universo de información cambiante día a día teniendo en cuenta volumen, variedad y volatilidad.  

Internet es un mundo creciente de diseminación de información que combina muchas de las tareas tradicionales realizadas en bibliotecas y archivos, sin embargo su arquitectura es diferente a las unidades de información. Las bibliotecas han sido y son, en primera instancia, sistemas de almacenamiento y recuperación de información, y en segundo lugar, un medio de comunicación. A la inversa, internet es un medio de comunicación y solo de forma secundaria es un medio de almacenamiento y recuperación de información. esta visión de internet queda patente en la importancia que están cobrando los portales horizontales en la Web, donde la recuperación de información lato sensu es una parte mínima de los servicios de información que ofrecen.     

Tendencias de los sistemas de búsquedas web: las herramientas de búsqueda y recuperación de información en al red SRII se fundamentan en la automatización de las tareas tradicionales de organización del conocimiento (clasificación e indización). De forma elemental, podemos decir que un software clasifica y/o indiza automáticamente los datos de internet, organizando de alguna manera la miríada de información digital existente.   

El tratamiento automático a la información evita los altos costos, los retrasos y la imposibilidad de realización que supondría una indización humana de todos los recursos distribuidos en la Web. Sin embargo, y a diferencia de los indizadores humanos, estas aplicaciones, en general, no identifican características de un documento como la materia de la que trata, la fecha de publicación, el tipo de documento o las condiciones de acceso. Todo esto se debe a que la mayor parte de los engines que indizan la red no registran metadatos, y el caso de que si están preparados para reconocerlos, los autores/editores de las páginas Web no utilizan un modelo de metadatos de forma generalizada que permita insertar en la cabecera del documento esta información, determinante para el usuario, tanto a la hora de realizar sus consultas, como a la hora de comprobar si los resultados son relevantes según sus expectativas, sin necesidad de seguir el enlace y acceder al documento completo.   

El autor plantea un acercamiento a todas las formas y tendencias de recuperación de información en la red: 

1. Por una lado, una aproximación practico-tecnológica que se realiza gracias a una estrategia que usa la potencia del cálculo y la capacidad de transmisión de las redes para la recuperación de un volumen enorme de datos e información, lo que los investigadores de la Alexandria Digital Library denominan “método de fuerza bruta”.

2. Por otro, una aproximación teórico-semántica, de aspecto bibliotecario, según el cual el acceso a los recursos mejora imponiendo a los datos una estructura. La estructuración de la información a través de metadatos es una tendencia en esa línea teórico-semántica.

REFERENCIA

MENDEZ RODRIGEZ, Eva. Metadatos y recuperación de información. estándares, problemas y aplicación en bibliotecas digitales. Asturias: Ediciones Trea, S.L., 2002. p 229-240.

Recuperación de información: Un voráz huracán digital

Recuperación de información: Un voráz huracán digital
La humanidad está hambrienta de datos. Entre más digitales somos, más información generamos.
Cuando inicié en el mundo de la computación había dos formas de guardar la información para llevarla conmigo. Una era utilizando un disquete de 3,5" y otra un disco flexible de 5, 25". Al primero le cabían 1,44 MB, al segundo 1,2 MB. Hoy en día ninguno de los dos podría alojar una canción MP3 de más de dos minutos.
Hoy en día existen las memorias USB que almacenan hasta 256 GB de datos. Han pasado poco más de 20 años y ahora podemos transportar 182.000 de esos extintos disquetes de 3,5" en un pequeño USB de cuatro centímetros de largo.
¿Se quieren seguir mareando? Expertos afirman que la humanidad en su conjunto acaba de alcanzar el gran total de 1 Zettabyte (ZB) de almacenamiento digital. Eso quiere decir que hemos producido 1.125.899.906.842.624 de esos disquetes de antaño.
¿Por qué ha crecido tanto nuestro apetito digital? Se debe a una combinación de factores. En primer lugar hay que apuntar a la masificación de la tecnología que hoy permite que múltiples gadgets (teléfonos inteligentes, laptops, tabletas, etc) estén al alcance de más personas.
El otro factor es la socialización de internet. Entre más redes sociales, más información se comparte. Millones de fotos, videos y correos electrónicos se intercambian en el mundo cada día.
En un periodo de 24 horas en YouTube -que existe desde 2005- se suben más de 200.000 videos. Cada mes los usuarios de Facebook suben a la red social tres mil millones de fotos, lo que equivale a más de 1.000 fotos por segundo.
El correo electrónico es otra gran fuente de almacenamiento digital. Las personas envían diariamente millones de correos electrónicos y no es extraño ver a amigos, familiares o colegas que en sus buzones tienen miles de mensajes sin leer.
Y ¿qué tanto cabe en un dispositivo de última generación? Un iPod de 10 GB puede almacenar cinco películas de dos horas. Una computadora personal con un disco duro de 1 Terabyte (1 TB) puede alojar unas 250 películas. Un Petabyte (PB) almacenaría todos los libros y grabaciones digitales que se encuentran en la Biblioteca del Congreso, la más grande del mundo.
En un ZB -esa medida que acabamos de alcanzar- permitiría alojar un millon de PB o unas 250 mil millones de películas. Se estima que para el 2020 el almacén digital de la humanidad llegará a 35 ZB.
Por supuesto todo esto requiere de una gran cantidad de electricidad para funcionar y por ello hay quienes dicen que la tecnología es una de las grandes responsables de las emisiones de carbono en el planeta.
Pero otros argumentan que es gracias al mundo cibernético que se todos los días es posible salvar árboles al lograr que el papel se convierta cada vez más en un producto innecesario.
Con tanta información digital y con tanto conocimiento acumulado en el ciberespacio, en la nube, y en los bits y los pixeles, no falta quien sugiera que la humanidad dará vida pronto a una nueva especie: la inteligencia artificial. Pero esa es otra historia de la que habremos de hablar en una futura entrada.http://www.bbc.co.uk/blogs/mundo/un_mundo_feliz/2010/08/un_voraz_huracan_digital.html#more

Un voráz huracán digital

recuperacion de informacion ULTIMAS NOTICIAS

Cofundador de Microsoft demandó compañías tecnológicas, entre ellas Facebook, Apple, Google y Yahoo


Paul Allen presentó una demanda en contra de once compañías de EE. UU.

Lo hizo por uso ilegal de varias patentes de comercio electrónico, que, según él, son propiedad de Microsoft.

Allen, creador del gigante informático Microsoft junto a Bill Gates, defiende en su demanda que esas firmas, además de YouTube, eBay, AOL, Netflix, Office Depot, Office Max y Staples, utilizan ilegalmente unas patentes que posee desde hace años la firma Interval Research, que también fundó él mismo en Silicon Valley.

"Interval Research fue una de las firmas pioneras en el desarrollo de la economía de internet. Esta demanda es necesaria para proteger nuestras inversiones en innovación", señaló en un comunicado David Postman, uno de los portavoces de Allen, un emprendedor habitual de las listas de multimillonarios de EE. UU.

Las firmas demandadas "han infringido y continúan infringiendo uno o más derechos" de las patentes 682, 652, 507 y 314, señala el documento presentado por Allen ante un tribunal de Seattle (Washington).

Entre todos esos grandes nombres del sector tecnológico estadounidense no están, sin embargo, ni Microsoft, firma de la que Allen sigue siendo uno de los principales inversores, ni Amazon.com. Ambas cuentan con sede en el estado de Washington.

"Las infracciones cometidas por los demandantes han causado daños a Interval y continuarán causando daños irreparables a esta firma. Interval tiene el derecho de considerar que esas infracciones fueron deliberadas y malintencionadas", explica la demanda, en la que no se señala la cuantía económica que Allen reclamara a esas compañías.

Allen, de 57 años y a quien el pasado noviembre se le diagnosticó un cáncer linfático, defiende que su empresa es la titular desde la década de los noventa de esas patentes, que serían componentes claves para el comercio electrónico y herramientas de búsqueda.

Según se desprende de la demanda, una de las patentes permite a las páginas web de esas firmas sugerir a los consumidores productos relacionados con los que consultan en ellas o bien, en el caso de las redes sociales, con distintas actividades que podrían ser de su interés.

Esas patentes también permiten que en las pantallas aparezcan anuncios, vídeos o fragmentos de texto sin que estos afecten a la principal actividad que realiza el internauta en ese momento.

"Esta demanda en contra de algunas de las compañías más innovadoras de Estados Unidos refleja una desafortunada tendencia entre personas que tratan de llevar la competencia a los tribunales en lugar de a los mercados", señaló un portavoz de Google al conocer la noticia.

La firma responsable del mayor buscador de internet expresó asimismo que "mediante la innovación, y no con litigios, es como llevamos al mercado el tipo de productos y servicios de los que se benefician millones de personas en el mundo".

Allen dejó Microsoft en 1983, cuando se le detectó un primer linfoma Hodgkin, que superó satisfactoriamente. Desde entonces, ha fundado numerosas empresas y ha dedicado su riqueza a distintos negocios, como el equipo de fútbol de los Seahawks de Seattle o el de baloncesto de los Trail Blazers de Portland.

Propietario de la firma inversora Vulcan Inc, el cofundador de Microsoft también financió el conocido museo Experience Music Project de Seattle, dedicado a la música y ubicado en un impresionante edificio diseñado por Frank Ghery.

NUEVA YORK

Efe

Cofundador de Microsoft demandó compañías tecnológicas, entre ellas Facebook, Apple, Google y Yahoo, [en línea] Revista enter 2.0. Sábado 28 de agosto de 2010.Disponible en: http://www.eltiempo.com/enter/actualidad_a/cofundador-de-microsoft-demando-companias-tecnologicas_7882535-1. Consulta: 28 de Agosto de 2010.

Google explora el futuro de las búsquedas 

A juicio de Eric Schmidt, CEO de Google, las búsquedas de tipo serendipia, o hallazgo afortunado e inesperado, serán parte importante de las búsquedas del futuro donde, claro está, Google espera mantener su posición de líder.

El buscador Google ha sido parte importante de la relación que los usuarios de Internet han tenido con la web. Sin embargo, el presidente de la empresa, Eric Schmidt, prevé que llegará un día en que el concepto actual de búsquedas será superado y que la palabra “googlear" incluso desaparecerá. Esta realidad no implicará el ocaso de Google; más bien todo lo contrario.

En una entrevista con Wall Street Journal, Schmidt explica que Google se ha propuesto definir el futuro de las búsquedas. Al respecto, señala que un porcentaje considerable de las mismas serán hechas en nombre del usuario, sin que éste tenga que realizar la búsqueda por cuenta propia. “De hecho, creo que la mayoría de la gente no quiere que Google responda sus preguntas, sino más bien quieren que Google les diga qué hacer a continuación".

Para ilustrar lo anterior, comentó “Supongamos que caminas por una calle. Debido a que Google tiene información sobre ti – sabemos a grandes rasgos quién eres, tus intereses y quiénes son tus amigos. Google sabe, con un margen de error de pocos centímetros, donde te encuentras. Si necesitas, por ejemplo, leche y hay un lugar cercano donde hay leche, Google te recordará comprarla".
Schmidt indica que el desarrollo de terminales móviles cada vez más potentes permitirá sorprender al usuario con información que éste ni siquiera sabía le interesaba.
“Lo que hace a los periódicos tan fundamentalmente fascinantes – esta serendipia- ya puede ser calculada. De hecho, podemos producirla en formato electrónico", agregó Schmidt.

Fuente: WSJ online

Google explora el futuro de las búsquedas. Diario TI (Ago. 19 de 2010). Disponible en: http://www.diarioti.com/gate/n.php?id=27409. Consulta: 28 agosto de 2010. 


Américas Administración del tráfico de redes móviles es fundamental

Documento de posicionamiento de 3G Américas ilustra la importancia de la administración de tráfico.

3G Américas anunció la publicación de un documento para educar a los interesados sobre la importancia de la administración del tráfico en las redes móviles de banda ancha con la finalidad de asegurar servicios de alta calidad para los consumidores brindando la confiabilidad general de la red. El informe, Traffic Management Techniques for Mobile Broadband Networks: Living in an Orthogonal World (Técnicas de administración de tráfico para redes móviles de banda ancha: vivir en un mundo ortogonal), se focaliza en las redes 3GPP y se ocupa específicamente de la administración del tráfico, incluso el manejo de flujos de tráfico en redes 3GPP en contraste con otras técnicas de administración de redes que pueden implantar los operadores (tales como compresión de descargas, optimización de redes y otros mecanismos de relevancia).

Teniendo presente al consumidor, es crítico contar con una visión de extremo a extremo (E2E) del servicio móvil para la administración de tráfico. Por ejemplo, para un consumidor que utiliza el teléfono celular para buscar listados de películas y adquirir boletos, el servicio E2E es la capacidad de ver qué película se está proyectando y ejecutar una transacción para adquirir boletos. El 3GPP buscó estandarizar técnicas de administración de tráfico (Calidad de Servicio, o QoS) cada vez más robustas para redes de banda ancha móvil con la visión que tiene el cliente sobre la QoS de E2E. Sin embargo, debe tenerse en cuenta que los operadores móviles típicamente no tienen un control total sobre el aprovisionamiento de servicios de E2E que dependen del acceso a Internet por banda ancha móvil.

Las organizaciones mundiales de estándares, como el 3GPP, desempeñan un papel importante en el desarrollo de la administración de tráfico a través de provisiones para abordar la QoS, en particular con respecto a la interoperabilidad con mecanismos de acceso distintos de los del 3GPP. Estas son innovaciones importantes, y el libro blanco de 3G Americas observa que los esfuerzos de las organizaciones que desarrollan estándares deben intensificarse.

Además, la configuración de dispositivos para el usuario final y los contenidos y aplicaciones no aprovisionados por el operador de la red no solo impactan en la experiencia de un usuario individual, sino también potencialmente en la de otros usuarios de una determinada celda. Los esfuerzos para impulsar aún más innovaciones QoS deben tomar en cuenta los impactos potencialmente adversos de estas fuentes y dar soporte y promover la interoperabilidad de aplicaciones de terceros con las plataformas de redes existentes.
Se necesitan más innovaciones a lo largo y ancho del ecosistema de la banda ancha móvil, en particular de parte de desarrolladores de aplicaciones, de modo de lograr la calidad de servicio E2E. Más aún, es importante la transparencia de las prácticas de administración de redes al promover la innovación, pero esto requiere un equilibrio cauteloso para asegurar la comprensión del consumidor al tiempo que se protege la confiabilidad de la red.

Fuente: 3G Américas.

Administración del trafico de redes móviles es fundamental. Diario TI (Ago. 18 de 2010). Disponible en: http://www.diarioti.com/gate/n.php?id=27396. Consulta: 28 agosto de 2010. 

recuperación de Información MEMORIAS DE CLASE 4

Lunes 23 de Agosto de 2010

Contexto del documento: relacionado con meta-información, metadatos, relaciones ontológicas, vocabularios controlados.

Contenido de documentos digitales:

Naturaleza texto

Sonido

Video

Imágenes

Otros

Codificación digital: como se guarda la información texto o formato maquina.

Documento documental referencial semiestrcuturado (como metadatos)

Documental contenido completo (con sentido en sí mismo) y satisface necesidades de información.

El docente hizo un ejercicio de buscar en internet definiciones para los siguientes conceptos:

• Palabra clave: son palabras tomadas del lenguaje natural que representan un contenido, no necesariamente están inmersos en el documento.

• Descriptor: termino que representa un contenido con vocabulario controlado.

• Encabezamiento de materia: términos que contienen muchos descriptores.

• Indización: representación del contenido mediante un conjunto de términos.

• Termino: palabra extraída por una maquina que puede representar un documento. Los términos son extraídos por un proceso de indización y permite representar un contenido.

• Descriptor libre: es un tipo de término y palabra clave a la vez, que al hacer un proceso de indización puede encontrar ciertos conceptos que representan un contenido. Extrae o infiere de qué se trata el contenido del documento.

• Etiqueta: palabra clave que no pertenece a un lenguaje normalizado, son palabras de uso común.

• Palabra vacía: semánticamente no dice nada pero para la maquina es un término de búsqueda.

Notas de clase:

El proceso de análisis e indización lo hace la maquina, localiza las palabras normalizadas, con documentos estructurados (etiquetas).

Ejercicio de indización:

Se descargo del repositorio http://sisinfo.lasalle.edu.co/original/sri el software TENKA-TEXT se descargo se guardo en mis documentos o descargas se descomprime se ejecuta se escoge la opción TENTA.TEXT.WINDOWS.INTERFACE file choose text browse se busca carpeta descomprimida (según archivo que vayamos a indizar) se selecciona OK wordlister (aparece el listado de términos indizados del archivo seleccionado)

recuperacion de informacion MEMORIAS DE CLASE 3

viernes 20 de Agosto de 2010

se inicio la clase con la tutoría No. 1,

Ingresamos al sitio http://sisinfo.lasalle.edu.co/original/sri, se ingreso al repositorio para visualizar las colecciones allí publicadas por el profesor Felipe Gómez. Ingresamos por: colecciones 2010-II Básica Noticias (tamaño: 2.3 MB contiene 1.000 archivos y 11 carpetas, contiene noticias de Cee, ciencia, cultura, deportes, economía, partidos, política, sociedad, sucesos y tribunales) los archivos se encuentran en formato txt. para abrir cualquier archivo es necesario dar click derecho con el mouse y escoger la opción “Abrir con” y escoger la aplicación MFC WORDPAD para ver el contenido de los archivos. Con esta colección se hizo el primer acercamiento al trabajo del primer corte, fue la presentación que hizo el docente para encaminarnos hacia el trabajo del corte.

Buscar por titular de la noticia, ya que condensa el contenido de la noticia, para recuperar la información. Preguntarse ¿Es un documento estructurado? ¿Tiene un nivel de estructura? ¿Cómo esta codificada la información?

A partir de las siguientes colecciones debemos realizar el trabajo del primer corte, analizando las 4 colecciones:

1. Correos listas tamaño: 38.5 MB

2. Libros tamaño: 381 MB

3. Metadatos tamaño: 5.66 MB

4. Sitios web tamaño: 9.18 MB

Para el trabajo del primer corte consta de:

Parte 1: análisis de la colección, a partir de:

• Análisis de tamaños, organización y clasificación

• Análisis de formatos, codificación y extensiones

• Análisis de estructuras

• Análisis de contenidos

• Análisis de contextos

• Análisis de interfaces

• Conversión de formatos y estructuras

Parte 2: análisis del contenido, a partir de:

• Como se comporta el texto

• Análisis de cuerpos documentales

• Términos de búsqueda (ecuaciones)

• Análisis de contextos

Parte 3: análisis de las herramientas, creación de un manual de las herramientas Google Desktop Search y la escogida para realizar el proceso de comparación.

Parte 4: análisis de resultados, cuantos resultados, posiciones, características, cobertura, velocidad., entre otros. De las dos herramientas utilizadas para recuperación de información. ¿Cuál Sistema de Recuperación de Información es mejor?

Notas de clase:

Sistema de Recuperación de Información, herramienta que haga análisis sobre contenidos, que pueda buscar en cualquier formato.

Desktop Search: buscadores de escritorio, herramienta informática que busca documentos en un ordenador personal. Un motor de búsqueda de escritorio típico incluye un indexador que rastrea el disco duro en busca de archivos existentes. Cuando encuentra un archivo extrae la siguiente información y la guarda en un archivo de índice :

• La localización jerárquica al disco duro del archivo.

• Metadatos (el nombre, el tipo, la extensión, las palabras clave del archivo, etc.).

Categoría de herramientas para trabajar con colecciones de documentos, hace un proceso de indización y hace recuperación sobre cualquier término (localizar información).

Se hizo el ejercicio de instalar Google Desktop Search en clase, de la siguiente forma:

o Buscando en google “Google desktop”

o Haciendo click en “instalar google desktop”

o Guardando el archivo en mis documentos descargas

o Instalando la herramienta con doble click, luego se aceptan los términos y condiciones

o Eligiendo la única opción: búsqueda de archivos por nombre y ejecutar aplicaciones

o En el icono de “google desktop” se da click derecho opciones y lleva a una página de google en la cual permite configurar la herramienta para recuperación de información.

Recuperación de Información MEMORIAS DE CLASE 2

Dia viernes 13 de Agosto de 2010

se analizo acerca del documento estructurado y no estructurado.

Documento no estructurado: no tiene elementos constitutivos, no hay normatividad sobre el contenido del documento. Cuando se va a recuperar información, no tiene orden ni forma lógica, la maquina solo lee caracteres (no estructura).

Es importante saber en donde esta cada parte del documento sería más fácil recuperar información.

Las páginas web, son documentos no estructurados pero tienen elementos estructurados como la URL. Como un todo es un documento semi estructurado.

Ingresamos a la dirección http://cybertesis.upc.edu.pe para verificar la plantilla de tesis, que es un documento estructurado.

Cybertesis: proyecto para que todos los documentos estuvieran marcados (plantilla) que se puedan identificar los elementos constitutivos del documento. Es una plataforma que permite acceder en línea a los textos completos de las tesis o proyectos profesionales, mediante el uso de estándares internacionales de publicación digital y tecnologías que facilitan la consulta e intercambio de información. Cybertesis es el resultado de un programa de cooperación entre la Universidad de Montreal, la Universidad de Lyon y la Universidad de Chile con el apoyo del Fonds Francophone de Inforoutes y de la UNESCO. Tiene la opción de realizar búsquedas por autor, titulo, facultad y carrera, grado de magister y año de publicación.

La red peruana de tesis digitales tiene universidades como: Universidad Peruana de Ciencias Aplicadas, Universidad Nacional de Ingeniería, Universidad Nacional de Piura, Universidad Nacional Mayor de San Marcos y la Universidad Ricardo Palma. Disponible en: http://www.rptd.edu.pe/

Libro del Canon:

Cosmos. Carl Sagan, vimos un video llamado “Viaje Personal”, es una serie documental de divulgación científica cuyos objetivos fundamentales fueron: difundir la historia de la astronomía y de la ciencia, el origen de la vida, concienciar sobre el lugar que ocupa nuestra especie y nuestro planeta en el universo, las modernas visiones de la cosmología y las últimas noticias de la exploración espacial; en particular, las misiones Voyager.

Vimos el capitulo 1. En la orilla del océano cósmico, temas como :

• Años luz, galaxias, estrellas, planetas: números y distancias, donde nos encontramos.

• La Biblioteca de Alejandría.

• Eratóstenes y su cálculo de la circunferencia de la Tierra.

• Calendario Cósmico: desde los comienzos del universo hasta el destino de la humanidad.