1
00:00:00,390 --> 00:00:03,900
En esta unidad vamos a ver nuestro primer

2
00:00:03,920 --> 00:00:06,450
modelo descriptivo, muy, muy
pequeño, de la World Wide Web.

3
00:00:07,100 --> 00:00:09,400
La razón de que sea tan pequeño es que

4
00:00:09,420 --> 00:00:12,470
los modelos descriptivos se
abordan en la próxima lección

5
00:00:12,750 --> 00:00:16,160
con bastante detalle
y solo queremos ver un

6
00:00:16,180 --> 00:00:18,670
modelo muy pequeño para ver

7
00:00:18,830 --> 00:00:20,710
qué podemos hacer con
los modelos generativos

8
00:00:20,920 --> 00:00:22,710
así que lo mantenemos muy pequeño.

9
00:00:24,100 --> 00:00:27,760
Cuando completéis esta unidad,
deberíais estar familiarizados con

10
00:00:27,780 --> 00:00:30,720
dos modelos descriptivos
sencillos de la web

11
00:00:30,740 --> 00:00:32,450
como una colección de documentos de texto

12
00:00:33,220 --> 00:00:34,920
y deberíais ser capaces de distinguir

13
00:00:34,940 --> 00:00:36,790
entre el modelo y la realidad.

14
00:00:37,740 --> 00:00:40,540
Deberíais conocer el concepto
de elección de modelado.

15
00:00:40,560 --> 00:00:43,310
Ya os mostramos un pequeño ejemplo

16
00:00:43,560 --> 00:00:47,230
y por eso deberíais poder criticar
vuestro modelo descriptivo.

17
00:00:48,000 --> 00:00:50,340
Y por último, pero no menos importante,

18
00:00:50,360 --> 00:00:53,210
os daremos seis pasos importantes
del modelado descriptivo.

19
00:00:54,930 --> 00:00:58,020
Así que construyamos un modelo muy
simplista de la World Wide Web.

20
00:00:58,040 --> 00:00:59,410
Tomamos un rastreo web,

21
00:00:59,860 --> 00:01:01,240
en nuestro caso solo una parte,

22
00:01:01,260 --> 00:01:02,890
a saber, la Simple English Wikipedia,

23
00:01:03,340 --> 00:01:05,560
pero obviamente podríamos
haber rastreado mucho más,

24
00:01:05,580 --> 00:01:07,370
bueno, siempre que tengamos ordenadores.

25
00:01:07,900 --> 00:01:10,830
Y usamos el modelo de colección
de documentos de texto.

26
00:01:11,720 --> 00:01:14,800
Y nuestro objetivo, como antes,
es medir el tamaño, porque

27
00:01:14,820 --> 00:01:16,680
queríamos saber el tamaño
de la World Wide Web,

28
00:01:16,700 --> 00:01:19,510
o, en nuestro caso, el de
la Simple English Wikipedia.

29
00:01:20,740 --> 00:01:24,810
Y la idea es que podríamos contar
palabras como medida del tamaño.

30
00:01:25,000 --> 00:01:27,180
Y hacemos aquí la suposición de decir que

31
00:01:27,200 --> 00:01:30,310
todo lo que hay entre dos
espacios en blanco sucesivos

32
00:01:30,620 --> 00:01:32,330
se considera una palabra.

33
00:01:33,320 --> 00:01:35,870
Tenemos un rastreo web y
queremos saber el tamaño,

34
00:01:36,330 --> 00:01:39,360
pero a partir del rastreo
web podríamos verlo como

35
00:01:39,380 --> 00:01:40,520
una colección de documentos

36
00:01:40,540 --> 00:01:42,020
y ahí podríamos contar las palabras

37
00:01:42,040 --> 00:01:45,630
para darnos un indicador
de cuál es el tamaño.

38
00:01:46,300 --> 00:01:49,930
Y cuando lo ejecutamos, como
veremos también en el próximo vídeo,

39
00:01:50,440 --> 00:01:53,910
el resultado es que tenemos
unos 1,2 millones de palabras,

40
00:01:54,480 --> 00:01:56,750
al menos en mi versión del rastreo

41
00:01:57,240 --> 00:02:01,110
y puede que sea distinto de
lo que veis en los ejercicios,

42
00:02:01,640 --> 00:02:05,880
así que vamos a criticar ya nuestro
modelo y nuestras elecciones de modelado.

43
00:02:05,900 --> 00:02:09,960
Quiero que penséis en
esto ahora un momento,

44
00:02:09,980 --> 00:02:11,970
así que quizá podáis
incluso pausar el vídeo

45
00:02:12,260 --> 00:02:15,440
y pensar en algo que podría haber cambiado

46
00:02:15,460 --> 00:02:18,890
el resultado de 1,2 millones
de palabras que hemos obtenido.

47
00:02:19,540 --> 00:02:21,970
Así que salgamos a
criticar nuestro modelo.

48
00:02:22,080 --> 00:02:24,140
Por eso os daré dos frases

49
00:02:24,160 --> 00:02:27,050
y os pido que contéis cuántas
palabras hay en ellas.

50
00:02:28,520 --> 00:02:30,840
Las frases son “I live in Koblenz”,

51
00:02:30,860 --> 00:02:33,290
donde se celebra nuestro MOOC

52
00:02:33,700 --> 00:02:36,610
y la otra es “I live in San Francisco.”

53
00:02:37,160 --> 00:02:39,540
y, como ya he apuntado, la respuesta

54
00:02:39,560 --> 00:02:41,140
en el primer caso, cuatro palabras

55
00:02:41,160 --> 00:02:43,210
y en el segundo caso, cinco palabras.

56
00:02:43,820 --> 00:02:47,260
Y podemos ver que el resultado varía mucho

57
00:02:47,280 --> 00:02:49,530
según la elección implícita que hicimos.

58
00:02:49,960 --> 00:02:52,090
Porque algunos podrían argumentar que

59
00:02:52,320 --> 00:02:54,830
Koblenz y San Francisco son ambas ciudades

60
00:02:55,160 --> 00:02:57,850
y que en ambos casos deberían
ser una sola palabra,

61
00:02:57,980 --> 00:03:00,310
de modo que ambas frases
tienen solo cuatro palabras.

62
00:03:00,960 --> 00:03:04,230
Entonces, ¿cuál fue la elección
implícita de modelado que hicimos aquí,

63
00:03:04,560 --> 00:03:08,300
que fue, por cierto, la misma
elección de modelado que hicimos

64
00:03:08,320 --> 00:03:10,770
al contar las palabras de
la Simple English Wikipedia?

65
00:03:11,600 --> 00:03:14,000
Y probablemente tenéis
razón al daros cuenta de que

66
00:03:14,020 --> 00:03:16,880
la elección de modelado fue
que todo lo que hay entre

67
00:03:16,900 --> 00:03:20,510
dos espacios en blanco consecutivos
debe considerarse una sola palabra,

68
00:03:20,600 --> 00:03:23,690
de modo que San y Francisco
son dos palabras distintas.

69
00:03:24,260 --> 00:03:26,720
Otra forma en que podríamos haber modelado

70
00:03:26,740 --> 00:03:29,030
la World Wide Web o la
Simple English Wikipedia

71
00:03:29,450 --> 00:03:32,710
es modelar documentos en lugar
de palabras para medir su tamaño.

72
00:03:33,080 --> 00:03:36,590
Podríamos haber dicho que cada
URI corresponde a un documento

73
00:03:36,900 --> 00:03:38,820
y luego haber contado simplemente los URI

74
00:03:38,840 --> 00:03:41,170
o haber contado los archivos
que hemos descargado.

75
00:03:41,940 --> 00:03:43,950
Pero ¿qué pasa con el contenido duplicado?

76
00:03:44,220 --> 00:03:48,070
Es decir, que tenemos dos URI
con el mismo archivo HTML.

77
00:03:49,080 --> 00:03:50,970
¿Y qué pasa con el contenido web dinámico?

78
00:03:51,400 --> 00:03:55,190
Es fácil tener una cantidad
infinita de URI en un dominio,

79
00:03:55,680 --> 00:03:59,900
por ejemplo un servidor web o un
sitio web que muestra números primos

80
00:03:59,920 --> 00:04:02,950
y tiene todos los números
primos como URL distintas.

81
00:04:04,200 --> 00:04:09,360
Así que veis que ya un modelo simplista

82
00:04:09,380 --> 00:04:12,170
en el que solo contamos
la cantidad de documentos

83
00:04:12,660 --> 00:04:17,050
podría ser bastante
difícil de llevar a cabo.

84
00:04:17,420 --> 00:04:20,290
En la Simple English Wikipedia
supongo que la respuesta sería

85
00:04:20,700 --> 00:04:23,710
algo así como cien mil documentos.

86
00:04:24,140 --> 00:04:26,930
Así que lo importante que hay
que tener en cuenta es que

87
00:04:27,440 --> 00:04:31,270
el modelo instanciado refleja una
situación particular del mundo

88
00:04:31,730 --> 00:04:33,760
cuando tomamos una
colección de páginas web

89
00:04:33,780 --> 00:04:36,090
para construir un modelo de texto,

90
00:04:36,470 --> 00:04:40,370
nuestro modelo caracteriza cómo
podría funcionar el mundo en general,

91
00:04:40,860 --> 00:04:42,580
pero los modelos que estudiamos solo

92
00:04:42,600 --> 00:04:45,190
tienen una instantánea especial
de una situación especial.

93
00:04:45,340 --> 00:04:48,710
Si tomamos el rastreo dos horas más tarde,

94
00:04:48,920 --> 00:04:51,160
los resultados ya podrían variar un poco.

95
00:04:51,180 --> 00:04:52,840
Y también es importante entender

96
00:04:52,860 --> 00:04:54,920
que la web es un entorno muy dinámico,

97
00:04:54,940 --> 00:04:59,730
así que, de todos modos, es muy difícil
modelarla con una instantánea de la web.

98
00:05:01,360 --> 00:05:03,400
Quiero que recordéis
seis pasos importantes

99
00:05:03,420 --> 00:05:06,450
para estudiar objetos
con ayuda de modelos.

100
00:05:07,060 --> 00:05:09,560
Lo primero que debéis hacer es

101
00:05:09,580 --> 00:05:11,540
elegir un objeto de estudio.

102
00:05:11,560 --> 00:05:13,660
En nuestro caso podríais
elegir la World Wide Web

103
00:05:13,680 --> 00:05:15,170
o la Simple English Wikipedia.

104
00:05:16,280 --> 00:05:19,680
Y luego, si es demasiado difícil,

105
00:05:19,700 --> 00:05:22,130
por ejemplo, la World Wide Web
podría ser demasiado grande,

106
00:05:22,500 --> 00:05:24,390
podríais elegir un ejemplo de juguete,

107
00:05:25,000 --> 00:05:27,930
quizá un cierto rastreo web o
la Simple English Wikipedia.

108
00:05:29,080 --> 00:05:32,700
Y luego debéis elegir una perspectiva
desde la que mirar este objeto.

109
00:05:32,720 --> 00:05:34,840
En nuestro caso, cuando miramos la web,

110
00:05:34,860 --> 00:05:37,180
podríais decir: bueno, miremos la web

111
00:05:37,200 --> 00:05:38,930
como colección de documentos de texto

112
00:05:39,690 --> 00:05:41,840
y luego elegís una forma de modelar,

113
00:05:41,860 --> 00:05:44,690
es decir, descriptiva,
generativa o predictiva,

114
00:05:45,490 --> 00:05:47,060
y luego fijáis los supuestos del modelo,

115
00:05:47,080 --> 00:05:50,450
así, en nuestro caso, cómo
definimos una palabra.

116
00:05:50,700 --> 00:05:53,260
Y es incluso mejor cuando
escribís explícitamente

117
00:05:53,280 --> 00:05:54,680
vuestros supuestos del modelo,

118
00:05:54,700 --> 00:05:57,010
sobre todo si luego queréis
escribir un artículo

119
00:05:57,220 --> 00:05:59,510
para que otros entiendan
lo que hicisteis de verdad.

120
00:05:59,840 --> 00:06:02,060
Y siempre es importante ser conscientes

121
00:06:02,080 --> 00:06:05,160
de todas las selecciones,
elecciones y supuestos

122
00:06:05,180 --> 00:06:09,080
que hicisteis para poder
discutirlos críticamente

123
00:06:09,100 --> 00:06:11,050
o discutir críticamente vuestro modelo.

124
00:06:11,260 --> 00:06:14,230
O sea, esta es la parte realmente
científica que viene a la mente.

125
00:06:14,580 --> 00:06:17,410
Veremos más ejemplos de
esto durante este curso

126
00:06:18,120 --> 00:06:20,740
y espero que esta
información os haya sido útil

127
00:06:20,760 --> 00:06:22,600
y disfrutaréis del resto
del Web Science MOOC.

128
00:06:22,620 --> 00:06:23,670
Os habla Rene Pickhardt.
