1 Análisis Bibliométricos en Internet Alicia Ocaso y Silvia Spinak. - 1999

1

Análisis Bibliométricos en Internet

Alicia Ocaso y Silvia Spinak. - 1999.

2

Bibliometría

Definición:Bibliometría es la “aplicación de análisisestadísticos para estudiar las

característicasdel uso y creación de documentos”.

Spinak, E. 1996. “Diccionario Enciclopédico de Bibliometría, Cienciometría e Infometría”. Pág. 34.

3

Aplicación en la Web

Aplicar hipótesis y leyes de la Bibliometría para:

Analizar el comportamiento de los documentos

Medir recursos, acceso y utilidad de la información publicada en Internet

Valorar el impacto de esa información

4

Sitio

Def. 1: es un grupo de páginas Web localizadas en la misma dirección IP

Def. 2: un conjunto de páginas que se relacionan temáticamente dentro de una misma dirección IP

OCLC Research / Web Characterization Project (Setiembre 1999)

5

Página

Unidad de información Consiste en uno o más recursos Web, que

serán vertidos simultáneamente como una unidad en la pantalla. Los recursos Web son el texto, imágenes, sonido, etc.

Página = Documento

6

¿Qué medimos en la Web?

A nivel macro:

Con las direcciones IP medimos sitios

Con los motores de búsqueda medimos páginas

7

Algunos números

8

Cantidad de sitios

Número de sitios4,882,000 (+/- 3%)

Crecimiento 1997 1998 1999

1,570,000 2,851,000 4,882,000

PermanenciaDirecciones IP cambiadas 1998-1999= 44%

OCLC Online Computer Library Center, (Setiembre 1999)

9

Recuperación de páginas

Cobertura estimada de diferentes buscadores según NEC

Steve Lawrence and C. Lee Giles, NEC Research Institute (Setiembre 1999)

10

Cantidad de páginas

Según Nature, se estima que existen unas 800 millones de páginas.Porcentaje de cobertura por los distintos buscadores

Danny Sullivan, Search Engine Watch (Setiembre 1999)

11

Cantidad de páginas

Cantidad de páginas indexadas por los distintos buscadores

Danny Sullivan, Search Engine Watch (Setiembre 1999)

12

Motores de búsqueda

Crecimiento temporal

Danny Sullivan, Search Engine Watch (Setiembre 1999

13

Distribución por idioma

Acceso por idioma: 57% en inglés

Global Reach Web Site

14

Uso de la Web

En Terabytes trasmitidos de 1992 a 1995. 1 Terabyte = 1 billón de bytes = más de 15.000 CDs

Ray Larson, Berkeley, 1996

15

Encuestas de uso de la Web

Las encuestas buscan detectar: las páginas más citadas los sitios más importantes y productivos qué nuevas palabras pueden ser

utilizadas para clasificar los sitios, y sus documentos o páginas

16

Tipos de encuestas

Preguntas a los usuarios Muestreos de documentos

17

Una metodología

Georgia Tech Graphics, Visualization, and

Usability Web Surveys programas inteligentes recopilación de datosuso intensivo de análisis estadístico recolección de datos cualitativos (formularios HTML)

grandes muestreos y muestreos al azar

http://donturn.fis.utoronto.ca/research/augmentis.html

18

Objetivos de las encuestas

Bibliométricamente, las encuestas buscan hacer agrupaciones (clusters) de distintos tipos para determinar cuáles son las tendencias en el uso de la Web

Pueden medir cómo reaccionan los usuarios y cómo utilizan los documentos sin necesidad de preguntarles directamente

19

Características de los documentos Web

Del mismo modo que existen diferentes guías de publicación y normas que influyen en la Bibliometría de los documentos impresos, los documentos Web también tienen sus características.

20

Grupo de investigaciónInktomi (Hotbot)

ExaminaronTamaño del documentoUso de los tags de HTMLCantidad de tags con respecto al tamaño promedio de

documentoUso de los atributos de los tagsErrores de sintaxis de los tagsUso de la extensión de especificación de browserProtocolos utilizados en las URLs hijasTipo de archivo utilizado en las URLs hijasNúmero de links embebidos en las páginas LegibilidadUtilización de puerto en el servidor


21

Grupo de investigaciónInktomi (Hotbot)

Crearon tablas ponderadas detectando información del tipo cuáles eran las 10 términos más utilizados cuáles los 10 errores más comunes

Conclusiones existencia de múltiples características medibles posibilidad de identificar la unicidad del documento. este tipo de información luego podría ser utilizada para comparar e identificar el comportamiento de los usuarios con respecto a determinado tipo de documento.

22

¿Qué hacemos con estos números?

23

Dificultades en el análisis estadístico

Imposibilidad de tener cifras exactas de sitios y páginas

Inestabilidad de los sitios y páginas

24

Inestabilidad

Los sitios y páginas de Internet son efímeros y muy cambiantes.

Los documentos en la Web son “el punto intermedio de lo publicado y lo no publicado”.

Koehler, W. 1999. “An Analysis of Web Page and Web Site Constancy and Permanence” Pag. 162.

25

Estudios realizados

E.E.U.U. Wallace Koehler

Diciembre de 1996 a Enero 1998Koehler, W. 1999. “An Analysis of Web Page and Web Site Constancy and Permanence”.

Israel Bar-Ilan, J. y Peritz, B.

Enero a Junio de 1998

Bar-Ilan, J. y Peritz, B. 1999. “The Availability and Life Span of a Specific Topic on the Web; the Caseof “informetrics”: a Quantitative and Content Analysis”

26

¿Cuán permanentes son los sitios en Internet?

Tres tipos de comportamiento: Permanencia:

en un año, el 31% habían cambiado de dirección

Intermitencia:en una semana, el 5% desaparece pero vuelven

Desaparición:en una semana, el 0,5% desaparece totalmente


27

¿Cuán constantes son los sitios en Internet?

El 97% sufrieron algún tipo de cambio

Cambio:EstructuraTamaño


28

¿Difiere el comportamiento por tipo de sitio?

Los más estables:nombre de institución en el dominiolos sitios .gov

Los que más cambian:los sitios .comlos sitios .edu

Difieren según quién lo publique

Koehler, W. 1999. “An Analysis of Web Page and Web Site Constancy and Permanence” Pag. 163-164.

29

Internet = “cerebro mundial”

El escritor H.G.Wells de finales de la década del 30, predijo la creación de un cerebro mundial en el libro “World Brain”.

Si Internet es el cerebro mundial, podemos decir que: tiene poca memoria

cuando recuerda, cambia mucho de manera de pensar.


30

Medición de Impacto

31

Impacto de los sitios en la Web

Buscar patrones de distribución y uso de la información basado en citas y sus frecuencias de uso

La bibliometría mide el impacto número de citaciones al documento en un año / la cantidad de publicaciones

Las citas en Internetcantidad de visitasenlaces o links

32

Mediciones NO objetivas

Contar cantidad de accesos Engañoso Hábitos del usuario

Contar los enlaces o links Efecto “Mateo” Efecto “Matilda”

33

Categorización de sitios según su actividad de citas

CiegosSólo reciben citas y no responden

AutoritativosSe los cita más que lo que ellos citan a otros

EjesCitan más de lo que los citan a ellos

PuentesCitan en casi la misma proporción que son citados

http://www.undoc.csic.es/cybermetrics/cybermetrics99.html

34

Gráfica de categorización

http://www.undoc.csic.es/cybermetrics/cybermetrics99.html

35

Leyes Bibliométricas en la Web

Ley de Zipf

Ley de Bradford

36

Ley de Zipf

Analiza las distribuciones de frecuencias en una lista ordenada de “fuentes” que producen “items”, ej. Palabras.

Ley del mínimo esfuerzo (comportamiento individual de todo individuo).

37


Cuanto más enlaces o links deba hacer el usuario para llegar a una página, menos visitas recibirá.

El esfuerzo en la Web se mide en tiempo y no en dinero.


38

Ley de Bradford

“Si las revistas científicas se ordenan en secuencia decreciente de productividad de artículos sobre un tema dado, éstas pueden dividirse en un núcleo de revistas dedicadas más en particular al tema y varios grupos o zonas conteniendo el mismo número de artículos que el núcleo, donde el número de revistas en el núcleo y las zonas sucesivas estará en la relación de 1 : n : n2” .

Spinak, E. 1996. “Diccionario Enciclopédico de Bibliometría, Cienciometría e Infometría”. Pág. 38.

39

Ley de Bradford

Las publicaciones se distribuyen en un núcleo y luego en una zona de dispersión que Bradford la dividió en 2 partes.

Las primeras publicaciones se agruparán en el núcleo y las siguientes en la zona de dispersión en esa relación matemática.

Ejemplo: En el núcleo: 8 revistas publican 110 artículos En zona de dispersión:

29 revistas publican 133 artículos 127 publican 152 artículos

40


La indexación temática cumple la misma distribución.

En Internet se observa que a medida que transcurre el tiempo, al principio hay un incremento sostenido en el enlace a un tema, pero luego sigue una abrupta y permanente reducción.

41

Sitios Actualizados

Expresión:R= número de enlaces en el 1er. Año

R, Ra, Ra2, Ra3, Ra4, ..., Rat-1

Sirve para medir el grado de obsolescencia en el tiempo.

Necesidad de mantener los sitios actualizados.

42

Estudios de Casos

43

I) Datos bibliométricos a partir de un servidor

Downie analizó las siguientes categorías:Análisis de la solicitud de información

Análisis basados en el usuario Quién es (organización)De dónde viene (ubicación geográfica)Qué es (qué tipo de browser utiliza)

Análisis basado en los bytes

Downie, Stephen J. 1996

44

Datos bibliométricos a partir de un servidor

Estas técnicas pueden unirse para crear un escenario detallado de la visita o visitas del usuario al sitio y de sus preferencias, sus problemas y sus acciones.

Downie descubrió que las solicitudes de información coincidían con la distribución de Zipf.

45

Datos bibliométricos a partir de un servidor

Otros resultados confirmaron que una configuración pobre del servidor así como falta de acceso y uso a los archivos logs completos hacían que se perdiera mucha información.

Se debe destacar que Downie tuvo en cuenta criterios éticos para la observación que la mayoría de los webmaster no practican.

46

II) Valorando el impacto

Estudio realizado por Josep M. Rodríguez i Gairín de la Universidad Politécnica de Catalunya, 1997.

Usando capacidad de indización y recuperación del buscador Altavista

http://escher.upc.es/josep-/publica/altavis.htm

47

Limitaciones del “Citation Index de Internet”

Utiliza metainformación de las “KeyWords”para generar sus índices

Anchor:xxHost:xximage:xxlink:xxtitle:xx


48

Midiendo el impacto

Contadores estadísticoscomplementado con

Páginas externas que “las citan”

Impacto de la Institución =Páginas que son citadas/páginas

publicadas


49

Análisis comparativo

Impacto de Universidades españolas UPM UPC UJI UCM

Páginas 6708 5774 1859 1706Enlaces 2742 3695 7483 1861Cociente 0.40 0.63 4.02 1.09UPM =Universidad Politécnica de Madrid

UPC = Universidad Politécnica de Catalunya

UJI = Universidad Jaume IUCM = Universidad Complutense de Madrid


50

Consideraciones a este modelo de valoración

Los robots no recogen todas las páginas (limitaciones: bajo suscripción, passwords,

páginas aisladas, protocolos de exclusión, etc.)La fiabilidad en la búsqueda es bastante

discutibleLa cantidad de enlaces no es proporcional

a la calidad de la informaciónhttp://escher.upc.es/josep-/publica/altavis.htm

51

III) Análisis de citación y co-citación en la Web

Estudio realizado por Ray Larson de la Universidad de California, Berkeley, 1996.

El análisis de co-citación se ha desarrollado en las ciencias para identificar el centro de artículos, autores o revistas en un campo de estudio.

http://sherlock.berkeley.edu/asis96/asis96.html

52

Adaptaciones para la Web

Seleccionar el conjunto central de documentos para el estudio (“foco”)

Recuperación de frecuencias de cocitación dentro del foco

Compilar las cocitaciones en una matriz de frecuencia

Análisis de correlación para convertir esas frecuencias en coeficientes de correlación

Análisis multivariado de la matriz de correlación

Interpretación del mapa de resultadohttp://sherlock.berkeley.edu/asis96/asis96.html

53

Recolección de Información

Temas: Sistema de información geográfica Ciencias de la Tierra Testeo remoto por satélite

Se encontraron 115 Páginas de las 43 más relevantes --> 7209 links

luego análisis --> 332 --> 115• análisis exhaustivo --> 34


54

“Foco” de estudio

“Foco” de estudio = 34 direcciones


55

Matriz de cocitación

Citas por cada par de URLshttp://sherlock.berkeley.edu/asis96/asis96.html

56

Representación geométrica de la relación

Escala Mutlidimensional (MDS)http://sherlock.berkeley.edu/asis96/asis96.html

57

Resultados del estudio

Los enlaces hipertexto funcionan de manera parecida a las co-citaciones de autores.

Aplicar las técnicas de co-citación produjo resultados razonables.

58

Conclusiones

59

Conclusiones

La Web es, por un lado un medio poderoso para poder publicar a bajo costo y gran rapidez.

Por otro lado, ese crecimiento en cantidad no acompaña a la calidad ni en la posibilidad de fácil recuperación.

60

Conclusiones

La información en la Web fluye hacia la entropía. Es por eso que es necesario aplicar teorías de otras disciplinas para desarrollar nuevos métodos, técnicas de modelado para examinar esta telaraña tan compleja.

Sin duda las Ciencias de la Información pueden aportar una herramienta: Bibliometría.

61

Conclusiones

Conocer las características de los documentos y la arquitectura de los sitios es fundamental para el desarrollo armónico de la Web del futuro.

Debe incentivarse el uso de técnicas bibliométricas en nuestra realidad regional y nacional.

62

BibliografíaAbad, J.R. 1997. “Breve historia de Internet”. Madrid: Ediciones Anaya.Bar-Ilan, J. y Peritz, B. 1999. “The Availability and Life Span of a

Specific Topic on the Web; the Case of “informetrics”: a Quantitative and Content Analysis” En Preceedings of the Seventh Conference of the International Society for Scientometrics and Informetrics, Mexico, U.de Colima.

Corvillo Martínez, J. 1998. “Indización web con identificadores geográficos para zonas específicas”. http://personal.redestb.es/jordicm/bp98esp.html.

Downie, Stephen J. 1996. “Informetrics and the World Wide Web: a case study and discussion”. Canadian Association for Information Science, June 2-3, at University of Toronto. En Turnbull,D. 1999.

Koehler, W. 1999. “An Analysis of Web Page and Web Site Constancy and Permanence”. En Journal of the American Society for Information Science.

63

Bibliografía

Larson, R. 1996. “Bibliometrics of the Wold Wide Web: An Exploratory Analysis of the Intellectual Structure of Cyberspace”.http://sherlock.berkeley.edu/asis96/asis96.html

Rodríguez, J.M. 1997. “Valorando el impacto de la información en Internet: Altavista, el “Citation Index” de la Red”. En http://escher.upc.es/josep-/publica/altavis.htm

Spinak, E. 1996. “Diccionario Enciclopédico de Bibliometría, Cienciometría e Infometría”. Venezuela: UNESCO.

Turnbull,D. 1999. “Augmenting Information Seeking on the World Wide Web Using Collaborative Filtering Techniques”. http://donturn.fis.utoronto.ca/research/augmentis.html

64

Bibliografía

Páginas visitadas del 16 al 27 de Octubre de 1999

http://www.nw.com/zone/WWW/report.html. http://www.nua.ie/surveys/ http://neci.nj.nec.com/hompages/lawrence/websize.html. http://www.oclc.org/oclc/research/projects/webstats/statistics.htm. http://www.oclc.org/oclc/research/projects/webstats/definitions.htm. http://www.ciolek.com/WWWVL-InfoQuality.html. http://www.searchenginewatch/com/reports/sizes.html. http://euromktg.com/globstats http://undoc.csic.es/cybermetrics/link01.html http://www.cr http://www.undoc.csic.es/cybermetrics/cybermetrics99.html http://donturn.fis.utoronto.ca/research/augmentis.html

65

Fin

Documents

1 Análisis Bibliométricos en Internet Alicia Ocaso y Silvia Spinak. - 1999