http://www.thinkepi.net/schema-org-catalogacion-revisitada?utm_source=feedburner&utm_medium=email&utm_campaign=Feed%3A+thinkepi+%28ThinkEPI%29&utm_content=Yahoo%21+Mail
Schema.org: la catalogación revisitada
16 diciembre, 2012
Por Francisco-Javier García-Marco
en Notas ThinkEPI 2013
Introducción
En Junio de 2011 se produjo una noticia importante para las personas que tenemos interés por el tratamiento controlado de la información, hasta hace poco denominado catalogación o descripción documental e indización, y hoy referido cada vez más frecuentemente como asignación de metadatos.
El 2 de junio de 2001, Google, Microsoft y Yahoo! comunicaron que habían acordado trabajar juntos para convencer a los administradores de páginas web para que estructuraran sus páginas según esquemas comunes, de manera que la recuperación de su información fuera más relevante y exhaustiva. Se ponía en marcha la iniciativaSchema.org (2012).
Los esquemas propuestos en Schema.org son una suerte de microformatos o microplantillas de catalogación para diversos tipos de información que se expresan enRDF Schema —por lo que se integran en la web semántica— y son soportados por los buscadores más importantes del mundo, incluyendo también al buscador ruso Yandexdesde noviembre de 2011.
Los grandes buscadores no han propuesto esta aproximación a la catalogación por hacernos un favor a los que creemos en el control de datos dentro de esquemas de representación normalizados, sino porque sus sistemas están dejando de ser eficaces para proporcionar una conexión relevante para el usuario entre lo que busca y los anuncios que le pueden interesar. Una desconexión que amenaza a sus resultados corporativos.
También están interesados en este enfoque porque quieren desarrollar —de hecho están ya desarrollando desde hace algunos años— servicios de agregación y comparación de todo tipo que requieren que los datos estén etiquetados para que funcionen automáticamente. Ejemplos sencillos y generalizados con gran valor económico por su potencial publicitario son los comparadores de precios, como Google shopping.
Como etiquetar es caro y se requiere personal especializado para hacerlo bien —por eso triunfan en las alternativas especializadas—1, los grandes buscadores, lógicamente, desean que la catalogación sea hecha directamente por los proveedores de la información.
Por ello, un factor importante para el triunfo de esta iniciativa es que los microesquemas sean realmente adoptados por los responsables de los sitios web. Eso requiere tanto formación como, sobre todo, incentivos. La parte de formación se apoya, en primer lugar, en su gran sencillez, centrada realmente en el tipo de información que se debe esquematizar. Pero lo que se espera que sea más importante es el incentivo —poderoso, ciertamente— para los administradores de webs, a saber, la mejora en el posicionamiento de sus páginas web, cada vez más sepultadas en el océano de información en el que se ha convertido la World Wide Web.
La web se está transformando en un sistema de recuperación normal: la catalogación revisitada
Por encima de los detalles técnicos y políticos de la iniciativa, lo que ahora quisiera resaltar como fascinante es que las mayores empresas de la Internet redescubran la catalogación como instrumento para una conseguir una recuperación más precisa y exhaustiva.
En este sentido, Schema.org es radicalmente distinto del otro pilar del despegue de la catalogación en Internet, a saber, Dublin Core (DC). Y es que DC surgió del ámbito de la biblioteconomía —apadrinado por la Oclc—, mientras que Schema.org es una iniciativa que ha nacido en el campo de los motores de búsqueda, en definitiva, en el campo de la recuperación de la información.
Una preocupación inmediata es cómo se coordina esta iniciativa con otras de semejante pretensión de universalidad, como especialmente la Dublin Core Metadata Initiative(Dcmi). Dcmi ha creado un Dcmi Schema.org alignment task group (2012), cuyo objetivo es precisamente elaborar mapeos entre ambos estándares. Es significativo que sea Dcmi quien quiera mapear, y Schema.org quien lance la iniciativa de forma independiente; resulta revelador de cuál es el equilibro de fuerzas.
En cualquier caso, lo importante es que aproximaciones documentales que se creían superadas en el entorno web están siendo recuperadas. Lo cierto es que esto no ha pasado por primera vez: se reproduce, hasta donde yo sé, por lo menos en la historia de la indización y recuperación postcoordinada, y en la del hipertexto.
La invención de las primeras máquinas ordenadoras y extractoras provocó la revolución de la indización postcoordinada extractiva automática, que explotó con la invención de la computadora electrónica, y que luego fue siendo corregida hasta desembocar en el necesario complemento de la indización postcoordinada controlada y el tesauro. Igualmente, el automatismo y la inmediatez de la navegación hipertextual sugirió un mundo asociacionista donde la lectura no estuviera basada en estructuras jerárquicas intratextuales o intertextuales; pero la Web hoy en día está dotada de fuertes estructuras jerárquicas que complementan a las asociativas, y el mapa del sitio y el menú jerárquico —las “taxonomías”— son parte inevitable del modo estándar de publicar información en laWorld Wide Web.
En fin, el hipertexto se planteó como alternativa a la lectura estructurada; y la búsqueda por palabras clave se impuso inicialmente a la recuperación dentro de esquemas organizados; pero ambas cosas no podían durar con exclusión de la otra parte de la realidad. Deslumbrados por el asociacionismo conceptual y la potencia de los índices automatizados, sus defensores dieron la espalda inicialmente a dos realidades que son psicológicas, no tecnológicas: por un lado, la jerarquización de conceptos es crítica para el funcionamiento de la memoria a largo plazo; y, por el otro, las estructuras de conceptos constituyen los espacios que hacen a la información semánticamente “navegable”2.
La World Wide Web es otro ejemplo de redescubrimiento de los principios clásicos del tratamiento de la información3. Las primeras arañas se basaban en índices inversos de palabras extraídas y en operadores de búsqueda. La primera gran revolución se basó en la aplicación de técnicas documentales a la web: Google dotó de estructura a sus índices gracias al concepto de popularidad, inspirado en los índices de citas de Eugene Garfield. Lo mismo que los índices de palabras clave y la recuperación extractiva, los índices de citas son totalmente automatizables, dentro de parámetros tolerables de error.
Luego los buscadores han ido incorporando otras herramientas de control de vocabulario como la corrección ortográfica o los anillos de sinónimos, para evitar las anomalías que se producen en el proceso de emparejamiento de las preguntas de los usuarios y los contenidos de las bases de datos de los buscadores. Ahora se pretende una asignación de metadatos sistemática, ligada a la mejora del posicionamiento.
En el horizonte, se atisba una iniciativa semejante en el campo de los sistemas de organización del conocimiento mediante ontologías. Pero estas tareas requieren inevitablemente de un mayor concurso humano. En fin, La World Wide Web ha ido paso a paso recorriendo el camino de reincorporación a los principios clásicos del procesamiento de la documentación que tuvo que realizar en su día la recuperación postcoordinada, incorporando las posibilidades de automatización reales a un paradigma de recuperación más amplio.
A modo de conclusión: ¿reinvención de la rueda o recapitulación ontogénica de la filogenia informacional?
En los pocos meses que la iniciativa lleva en marcha, el número de esquemas4 y —lo más revelador— su complejidad ha crecido a gran velocidad. Podemos predecir con bastante seguridad que sucederá lo mismo que con la catalogación bibliográfica o con los esquemas de descripción de documentos: su complejidad crecerá para acomodarse a las necesidades más exigentes, aunque será necesario preservar un conjunto mínimo de datos fácilmente comprensibles para que “todos” puedan catalogar sus documentos al menos de forma sencilla.
Al final, cada cual etiquetará equilibrando sus necesidades y sus recursos. Las operaciones críticas que se apoyan en ingresos importantes producirán una catalogación detallada; las que no, muy simple o inexistente; y entre medio, un amplio continuo.
Es fascinante observar cómo las grandes bases de datos de la Internet —los motores de búsqueda— dan un paso más hacia su “catalogización” forzados por la pérdida de relevancia y exhaustividad que el crecimiento exponencial de sus bases de datos ha provocado. Se trata de una reproducción del proceso que se produjo en la cultura del papel con la explosión de las publicaciones y su concentración en organizaciones —bibliotecas— cada vez mayores. Una reproducción, eso sí, acelerada, al trepidante ritmo de la tecnología informática, que recuerda la recapitulación que se produce en el desarrollo fetal de la evolución filogenética de la especie.
En fin, los grandes directorios y catálogos de la Internet murieron; y con ellos parecía que se enterraban la catalogación y la clasificación en el Internet; por otra parte, el futuro de la información y la documentación. Recordemos al primer Yahoo!. Pero la necesidad seguía viva e, ignorada, ha terminado por hablar a gritos. Sin embargo, algo ha cambiado: La labor no se realizará centralizadamente por ahora en los grandes servicios de búsqueda de la Internet. Se trata ahora de que cataloguen los productores, no los agregadores. El que está en la parte de abajo de la pirámide trabaja; el que está en la parte de arriba, dirige y recoge. O, dicho de forma más neutra, que cada uno se centre en lo suyo. ¡Bienvenidos alCataloguing in Publication (CiP) de la Internet!
Pero, en fin, ¿no buscamos trabajo? Pues parece que viene abundante. Cualquiera que mire desapasionadamente el esquema de la Web semántica propuesto por Tim Berners-Lee (2001) o sus sucesivas reinterpretaciones, puede ver que el proyecto de la Web semántica reinserta a los bibliotecarios, documentalistas y archiveros dentro del gran proyecto de la Internet a la vez de una manera nueva y, por otra parte, asombrosamente clásica. Mientras siga habiendo energía abundante en el mundo para que funcione la Red, nuestra disciplina queda cada vez más dividida en dos grandes campos: los que trabajarán en su parte museística y de nicho —ligada a la preservación, el acceso y el comercio de la información en papel, celuloide y otros formatos físicos— y los que trabajarán en el nuevo espacio de información digital, que, por otra parte, se “bibliotecariza” a pasos agigantados.
Pero tampoco echemos las campanas al vuelo, porque con tanto cambio es difícil asegurar un coto cerrado. Aproximaciones como Schema.org se orientan sobre todo a promover también una catalogación “popular”, al alcance de todos, motivada por un posicionamiento mejor en la Internet.
Enfoques con Schema.org no reconocen barreras profesionales ni de otro tipo. Es difícil, pues, que esto se convierta en monopolio profesional. Nuestro nicho seguirá estando, probablemente, en los proyectos de complejidad media, que exigen mantenimiento constante y que están ligados a un sustrato económico estable, basado en la producción de rentas o la atracción de subvenciones suficientes.
A nivel más general, y saliendo de la perspectiva de nuestro nicho profesional —precioso ombligo, pero ombligo al fin y al cabo—, Schema.org supone una iniciativa y un avance importante en dos grandes direcciones: por un lado, la incorporación de la World Wide Web a la normalidad en el ámbito de la recuperación de información; y, por el otro, la democratización de la Web semántica o, si se quiere, el lanzamiento de una Web semántica fácilmente incorporable por cualquier webmaster, que ahora puede ser casi cualquier persona con acceso a la Internet que se tome un poco de molestia.
Notas
1. Especializados no sólo en cuanto a las generalidades del tratamiento informacional, sino también sobre el campo específico que se trate, sea turismo, medicina o equipamiento informático.
2. Lógicamente, el otro extremo es igual de malo: que las jerarquías sean inflexibles, descarnadas y obsoletas; o la lectura rígida, encorsetada y descontextualizada. Pero la tecnología, especialmente, la Web semántica, hace posible abordar también estos problemas.
3. ¿Son clásicos porque son principios, o se piensan como principios porque son clásicos? La recurrencia de su descubrimiento en los campos de la recuperación extractiva, el hipertexto y los motores de búsqueda proporciona una cierta evidencia a favor de la primera opción, aunque la recuperación —a diferencia de los procesos psicológicos de la memoria, que son algo dado— es una técnica surgida de la invención humana, y puede ser siempre cuestionada por un nuevo paradigma.
4. El catálogo de tipos ha ido evolucionando hacia una auténtica ontología ligera (Schema.org, s.d.).
Referencias
Berners-Lee, Tim; Hendler, James; Lassila, Ora. The semantic web. Scientific American. May 17, 2001.
DCMI Schema.org Alignment Task Group. Schema.org Alignment. DCMI, 2012.
http://wiki.dublincore.org/index.php/Schema.org_Alignment
Schema.org. “The type hierarchy”. Schema.org, 2012.
http://schema.org/docs/full.html
Schema.org. “What is Schema.org? The type hierarchy”. Schema.org, 2012.
http://schema.org
Schema.org: la catalogación revisitada
16 diciembre, 2012
Por Francisco-Javier García-Marco
en Notas ThinkEPI 2013
Introducción
En Junio de 2011 se produjo una noticia importante para las personas que tenemos interés por el tratamiento controlado de la información, hasta hace poco denominado catalogación o descripción documental e indización, y hoy referido cada vez más frecuentemente como asignación de metadatos.
El 2 de junio de 2001, Google, Microsoft y Yahoo! comunicaron que habían acordado trabajar juntos para convencer a los administradores de páginas web para que estructuraran sus páginas según esquemas comunes, de manera que la recuperación de su información fuera más relevante y exhaustiva. Se ponía en marcha la iniciativaSchema.org (2012).
Los esquemas propuestos en Schema.org son una suerte de microformatos o microplantillas de catalogación para diversos tipos de información que se expresan enRDF Schema —por lo que se integran en la web semántica— y son soportados por los buscadores más importantes del mundo, incluyendo también al buscador ruso Yandexdesde noviembre de 2011.
Los grandes buscadores no han propuesto esta aproximación a la catalogación por hacernos un favor a los que creemos en el control de datos dentro de esquemas de representación normalizados, sino porque sus sistemas están dejando de ser eficaces para proporcionar una conexión relevante para el usuario entre lo que busca y los anuncios que le pueden interesar. Una desconexión que amenaza a sus resultados corporativos.
También están interesados en este enfoque porque quieren desarrollar —de hecho están ya desarrollando desde hace algunos años— servicios de agregación y comparación de todo tipo que requieren que los datos estén etiquetados para que funcionen automáticamente. Ejemplos sencillos y generalizados con gran valor económico por su potencial publicitario son los comparadores de precios, como Google shopping.
Como etiquetar es caro y se requiere personal especializado para hacerlo bien —por eso triunfan en las alternativas especializadas—1, los grandes buscadores, lógicamente, desean que la catalogación sea hecha directamente por los proveedores de la información.
Por ello, un factor importante para el triunfo de esta iniciativa es que los microesquemas sean realmente adoptados por los responsables de los sitios web. Eso requiere tanto formación como, sobre todo, incentivos. La parte de formación se apoya, en primer lugar, en su gran sencillez, centrada realmente en el tipo de información que se debe esquematizar. Pero lo que se espera que sea más importante es el incentivo —poderoso, ciertamente— para los administradores de webs, a saber, la mejora en el posicionamiento de sus páginas web, cada vez más sepultadas en el océano de información en el que se ha convertido la World Wide Web.
La web se está transformando en un sistema de recuperación normal: la catalogación revisitada
Por encima de los detalles técnicos y políticos de la iniciativa, lo que ahora quisiera resaltar como fascinante es que las mayores empresas de la Internet redescubran la catalogación como instrumento para una conseguir una recuperación más precisa y exhaustiva.
En este sentido, Schema.org es radicalmente distinto del otro pilar del despegue de la catalogación en Internet, a saber, Dublin Core (DC). Y es que DC surgió del ámbito de la biblioteconomía —apadrinado por la Oclc—, mientras que Schema.org es una iniciativa que ha nacido en el campo de los motores de búsqueda, en definitiva, en el campo de la recuperación de la información.
Una preocupación inmediata es cómo se coordina esta iniciativa con otras de semejante pretensión de universalidad, como especialmente la Dublin Core Metadata Initiative(Dcmi). Dcmi ha creado un Dcmi Schema.org alignment task group (2012), cuyo objetivo es precisamente elaborar mapeos entre ambos estándares. Es significativo que sea Dcmi quien quiera mapear, y Schema.org quien lance la iniciativa de forma independiente; resulta revelador de cuál es el equilibro de fuerzas.
En cualquier caso, lo importante es que aproximaciones documentales que se creían superadas en el entorno web están siendo recuperadas. Lo cierto es que esto no ha pasado por primera vez: se reproduce, hasta donde yo sé, por lo menos en la historia de la indización y recuperación postcoordinada, y en la del hipertexto.
La invención de las primeras máquinas ordenadoras y extractoras provocó la revolución de la indización postcoordinada extractiva automática, que explotó con la invención de la computadora electrónica, y que luego fue siendo corregida hasta desembocar en el necesario complemento de la indización postcoordinada controlada y el tesauro. Igualmente, el automatismo y la inmediatez de la navegación hipertextual sugirió un mundo asociacionista donde la lectura no estuviera basada en estructuras jerárquicas intratextuales o intertextuales; pero la Web hoy en día está dotada de fuertes estructuras jerárquicas que complementan a las asociativas, y el mapa del sitio y el menú jerárquico —las “taxonomías”— son parte inevitable del modo estándar de publicar información en laWorld Wide Web.
En fin, el hipertexto se planteó como alternativa a la lectura estructurada; y la búsqueda por palabras clave se impuso inicialmente a la recuperación dentro de esquemas organizados; pero ambas cosas no podían durar con exclusión de la otra parte de la realidad. Deslumbrados por el asociacionismo conceptual y la potencia de los índices automatizados, sus defensores dieron la espalda inicialmente a dos realidades que son psicológicas, no tecnológicas: por un lado, la jerarquización de conceptos es crítica para el funcionamiento de la memoria a largo plazo; y, por el otro, las estructuras de conceptos constituyen los espacios que hacen a la información semánticamente “navegable”2.
La World Wide Web es otro ejemplo de redescubrimiento de los principios clásicos del tratamiento de la información3. Las primeras arañas se basaban en índices inversos de palabras extraídas y en operadores de búsqueda. La primera gran revolución se basó en la aplicación de técnicas documentales a la web: Google dotó de estructura a sus índices gracias al concepto de popularidad, inspirado en los índices de citas de Eugene Garfield. Lo mismo que los índices de palabras clave y la recuperación extractiva, los índices de citas son totalmente automatizables, dentro de parámetros tolerables de error.
Luego los buscadores han ido incorporando otras herramientas de control de vocabulario como la corrección ortográfica o los anillos de sinónimos, para evitar las anomalías que se producen en el proceso de emparejamiento de las preguntas de los usuarios y los contenidos de las bases de datos de los buscadores. Ahora se pretende una asignación de metadatos sistemática, ligada a la mejora del posicionamiento.
En el horizonte, se atisba una iniciativa semejante en el campo de los sistemas de organización del conocimiento mediante ontologías. Pero estas tareas requieren inevitablemente de un mayor concurso humano. En fin, La World Wide Web ha ido paso a paso recorriendo el camino de reincorporación a los principios clásicos del procesamiento de la documentación que tuvo que realizar en su día la recuperación postcoordinada, incorporando las posibilidades de automatización reales a un paradigma de recuperación más amplio.
A modo de conclusión: ¿reinvención de la rueda o recapitulación ontogénica de la filogenia informacional?
En los pocos meses que la iniciativa lleva en marcha, el número de esquemas4 y —lo más revelador— su complejidad ha crecido a gran velocidad. Podemos predecir con bastante seguridad que sucederá lo mismo que con la catalogación bibliográfica o con los esquemas de descripción de documentos: su complejidad crecerá para acomodarse a las necesidades más exigentes, aunque será necesario preservar un conjunto mínimo de datos fácilmente comprensibles para que “todos” puedan catalogar sus documentos al menos de forma sencilla.
Al final, cada cual etiquetará equilibrando sus necesidades y sus recursos. Las operaciones críticas que se apoyan en ingresos importantes producirán una catalogación detallada; las que no, muy simple o inexistente; y entre medio, un amplio continuo.
Es fascinante observar cómo las grandes bases de datos de la Internet —los motores de búsqueda— dan un paso más hacia su “catalogización” forzados por la pérdida de relevancia y exhaustividad que el crecimiento exponencial de sus bases de datos ha provocado. Se trata de una reproducción del proceso que se produjo en la cultura del papel con la explosión de las publicaciones y su concentración en organizaciones —bibliotecas— cada vez mayores. Una reproducción, eso sí, acelerada, al trepidante ritmo de la tecnología informática, que recuerda la recapitulación que se produce en el desarrollo fetal de la evolución filogenética de la especie.
En fin, los grandes directorios y catálogos de la Internet murieron; y con ellos parecía que se enterraban la catalogación y la clasificación en el Internet; por otra parte, el futuro de la información y la documentación. Recordemos al primer Yahoo!. Pero la necesidad seguía viva e, ignorada, ha terminado por hablar a gritos. Sin embargo, algo ha cambiado: La labor no se realizará centralizadamente por ahora en los grandes servicios de búsqueda de la Internet. Se trata ahora de que cataloguen los productores, no los agregadores. El que está en la parte de abajo de la pirámide trabaja; el que está en la parte de arriba, dirige y recoge. O, dicho de forma más neutra, que cada uno se centre en lo suyo. ¡Bienvenidos alCataloguing in Publication (CiP) de la Internet!
Pero, en fin, ¿no buscamos trabajo? Pues parece que viene abundante. Cualquiera que mire desapasionadamente el esquema de la Web semántica propuesto por Tim Berners-Lee (2001) o sus sucesivas reinterpretaciones, puede ver que el proyecto de la Web semántica reinserta a los bibliotecarios, documentalistas y archiveros dentro del gran proyecto de la Internet a la vez de una manera nueva y, por otra parte, asombrosamente clásica. Mientras siga habiendo energía abundante en el mundo para que funcione la Red, nuestra disciplina queda cada vez más dividida en dos grandes campos: los que trabajarán en su parte museística y de nicho —ligada a la preservación, el acceso y el comercio de la información en papel, celuloide y otros formatos físicos— y los que trabajarán en el nuevo espacio de información digital, que, por otra parte, se “bibliotecariza” a pasos agigantados.
Pero tampoco echemos las campanas al vuelo, porque con tanto cambio es difícil asegurar un coto cerrado. Aproximaciones como Schema.org se orientan sobre todo a promover también una catalogación “popular”, al alcance de todos, motivada por un posicionamiento mejor en la Internet.
Enfoques con Schema.org no reconocen barreras profesionales ni de otro tipo. Es difícil, pues, que esto se convierta en monopolio profesional. Nuestro nicho seguirá estando, probablemente, en los proyectos de complejidad media, que exigen mantenimiento constante y que están ligados a un sustrato económico estable, basado en la producción de rentas o la atracción de subvenciones suficientes.
A nivel más general, y saliendo de la perspectiva de nuestro nicho profesional —precioso ombligo, pero ombligo al fin y al cabo—, Schema.org supone una iniciativa y un avance importante en dos grandes direcciones: por un lado, la incorporación de la World Wide Web a la normalidad en el ámbito de la recuperación de información; y, por el otro, la democratización de la Web semántica o, si se quiere, el lanzamiento de una Web semántica fácilmente incorporable por cualquier webmaster, que ahora puede ser casi cualquier persona con acceso a la Internet que se tome un poco de molestia.
Notas
1. Especializados no sólo en cuanto a las generalidades del tratamiento informacional, sino también sobre el campo específico que se trate, sea turismo, medicina o equipamiento informático.
2. Lógicamente, el otro extremo es igual de malo: que las jerarquías sean inflexibles, descarnadas y obsoletas; o la lectura rígida, encorsetada y descontextualizada. Pero la tecnología, especialmente, la Web semántica, hace posible abordar también estos problemas.
3. ¿Son clásicos porque son principios, o se piensan como principios porque son clásicos? La recurrencia de su descubrimiento en los campos de la recuperación extractiva, el hipertexto y los motores de búsqueda proporciona una cierta evidencia a favor de la primera opción, aunque la recuperación —a diferencia de los procesos psicológicos de la memoria, que son algo dado— es una técnica surgida de la invención humana, y puede ser siempre cuestionada por un nuevo paradigma.
4. El catálogo de tipos ha ido evolucionando hacia una auténtica ontología ligera (Schema.org, s.d.).
Referencias
Berners-Lee, Tim; Hendler, James; Lassila, Ora. The semantic web. Scientific American. May 17, 2001.
DCMI Schema.org Alignment Task Group. Schema.org Alignment. DCMI, 2012.
http://wiki.dublincore.org/index.php/Schema.org_Alignment
Schema.org. “The type hierarchy”. Schema.org, 2012.
http://schema.org/docs/full.html
Schema.org. “What is Schema.org? The type hierarchy”. Schema.org, 2012.
http://schema.org
