WEBVTT

NOTE
Subtitles for "Introduction to descriptive modelling of the World Wide Web.webm", a video by Renepick (own work, 23 November 2016),
licensed under the Creative Commons Attribution-Share Alike 3.0 Unported license: https://creativecommons.org/licenses/by-sa/3.0/deed.en
Video page on Wikimedia Commons: https://commons.wikimedia.org/wiki/File:Introduction_to_descriptive_modelling_of_the_World_Wide_Web.webm
ShareAlike (as stated on the Commons page): if you remix, transform, or build upon the material, you must distribute your contributions under the same or compatible license as the original. Changes made: subtitles added.
These subtitles are a translation made by AI and checked by a second AI agent. No human reviewed them.

00:00:00.390 --> 00:00:03.900
En esta unidad vamos a ver nuestro primer

00:00:03.920 --> 00:00:06.450
modelo descriptivo, muy, muy
pequeño, de la World Wide Web.

00:00:07.100 --> 00:00:09.400
La razón de que sea tan pequeño es que

00:00:09.420 --> 00:00:12.470
los modelos descriptivos se
abordan en la próxima lección

00:00:12.750 --> 00:00:16.160
con bastante detalle
y solo queremos ver un

00:00:16.180 --> 00:00:18.670
modelo muy pequeño para ver

00:00:18.830 --> 00:00:20.710
qué podemos hacer con
los modelos generativos

00:00:20.920 --> 00:00:22.710
así que lo mantenemos muy pequeño.

00:00:24.100 --> 00:00:27.760
Cuando completéis esta unidad,
deberíais estar familiarizados con

00:00:27.780 --> 00:00:30.720
dos modelos descriptivos
sencillos de la web

00:00:30.740 --> 00:00:32.450
como una colección de documentos de texto

00:00:33.220 --> 00:00:34.920
y deberíais ser capaces de distinguir

00:00:34.940 --> 00:00:36.790
entre el modelo y la realidad.

00:00:37.740 --> 00:00:40.540
Deberíais conocer el concepto
de elección de modelado.

00:00:40.560 --> 00:00:43.310
Ya os mostramos un pequeño ejemplo

00:00:43.560 --> 00:00:47.230
y por eso deberíais poder criticar
vuestro modelo descriptivo.

00:00:48.000 --> 00:00:50.340
Y por último, pero no menos importante,

00:00:50.360 --> 00:00:53.210
os daremos seis pasos importantes
del modelado descriptivo.

00:00:54.930 --> 00:00:58.020
Así que construyamos un modelo muy
simplista de la World Wide Web.

00:00:58.040 --> 00:00:59.410
Tomamos un rastreo web,

00:00:59.860 --> 00:01:01.240
en nuestro caso solo una parte,

00:01:01.260 --> 00:01:02.890
a saber, la Simple English Wikipedia,

00:01:03.340 --> 00:01:05.560
pero obviamente podríamos
haber rastreado mucho más,

00:01:05.580 --> 00:01:07.370
bueno, siempre que tengamos ordenadores.

00:01:07.900 --> 00:01:10.830
Y usamos el modelo de colección
de documentos de texto.

00:01:11.720 --> 00:01:14.800
Y nuestro objetivo, como antes,
es medir el tamaño, porque

00:01:14.820 --> 00:01:16.680
queríamos saber el tamaño
de la World Wide Web,

00:01:16.700 --> 00:01:19.510
o, en nuestro caso, el de
la Simple English Wikipedia.

00:01:20.740 --> 00:01:24.810
Y la idea es que podríamos contar
palabras como medida del tamaño.

00:01:25.000 --> 00:01:27.180
Y hacemos aquí la suposición de decir que

00:01:27.200 --> 00:01:30.310
todo lo que hay entre dos
espacios en blanco sucesivos

00:01:30.620 --> 00:01:32.330
se considera una palabra.

00:01:33.320 --> 00:01:35.870
Tenemos un rastreo web y
queremos saber el tamaño,

00:01:36.330 --> 00:01:39.360
pero a partir del rastreo
web podríamos verlo como

00:01:39.380 --> 00:01:40.520
una colección de documentos

00:01:40.540 --> 00:01:42.020
y ahí podríamos contar las palabras

00:01:42.040 --> 00:01:45.630
para darnos un indicador
de cuál es el tamaño.

00:01:46.300 --> 00:01:49.930
Y cuando lo ejecutamos, como
veremos también en el próximo vídeo,

00:01:50.440 --> 00:01:53.910
el resultado es que tenemos
unos 1,2 millones de palabras,

00:01:54.480 --> 00:01:56.750
al menos en mi versión del rastreo

00:01:57.240 --> 00:02:01.110
y puede que sea distinto de
lo que veis en los ejercicios,

00:02:01.640 --> 00:02:05.880
así que vamos a criticar ya nuestro
modelo y nuestras elecciones de modelado.

00:02:05.900 --> 00:02:09.960
Quiero que penséis en
esto ahora un momento,

00:02:09.980 --> 00:02:11.970
así que quizá podáis
incluso pausar el vídeo

00:02:12.260 --> 00:02:15.440
y pensar en algo que podría haber cambiado

00:02:15.460 --> 00:02:18.890
el resultado de 1,2 millones
de palabras que hemos obtenido.

00:02:19.540 --> 00:02:21.970
Así que salgamos a
criticar nuestro modelo.

00:02:22.080 --> 00:02:24.140
Por eso os daré dos frases

00:02:24.160 --> 00:02:27.050
y os pido que contéis cuántas
palabras hay en ellas.

00:02:28.520 --> 00:02:30.840
Las frases son “I live in Koblenz”,

00:02:30.860 --> 00:02:33.290
donde se celebra nuestro MOOC

00:02:33.700 --> 00:02:36.610
y la otra es “I live in San Francisco.”

00:02:37.160 --> 00:02:39.540
y, como ya he apuntado, la respuesta

00:02:39.560 --> 00:02:41.140
en el primer caso, cuatro palabras

00:02:41.160 --> 00:02:43.210
y en el segundo caso, cinco palabras.

00:02:43.820 --> 00:02:47.260
Y podemos ver que el resultado varía mucho

00:02:47.280 --> 00:02:49.530
según la elección implícita que hicimos.

00:02:49.960 --> 00:02:52.090
Porque algunos podrían argumentar que

00:02:52.320 --> 00:02:54.830
Koblenz y San Francisco son ambas ciudades

00:02:55.160 --> 00:02:57.850
y que en ambos casos deberían
ser una sola palabra,

00:02:57.980 --> 00:03:00.310
de modo que ambas frases
tienen solo cuatro palabras.

00:03:00.960 --> 00:03:04.230
Entonces, ¿cuál fue la elección
implícita de modelado que hicimos aquí,

00:03:04.560 --> 00:03:08.300
que fue, por cierto, la misma
elección de modelado que hicimos

00:03:08.320 --> 00:03:10.770
al contar las palabras de
la Simple English Wikipedia?

00:03:11.600 --> 00:03:14.000
Y probablemente tenéis
razón al daros cuenta de que

00:03:14.020 --> 00:03:16.880
la elección de modelado fue
que todo lo que hay entre

00:03:16.900 --> 00:03:20.510
dos espacios en blanco consecutivos
debe considerarse una sola palabra,

00:03:20.600 --> 00:03:23.690
de modo que San y Francisco
son dos palabras distintas.

00:03:24.260 --> 00:03:26.720
Otra forma en que podríamos haber modelado

00:03:26.740 --> 00:03:29.030
la World Wide Web o la
Simple English Wikipedia

00:03:29.450 --> 00:03:32.710
es modelar documentos en lugar
de palabras para medir su tamaño.

00:03:33.080 --> 00:03:36.590
Podríamos haber dicho que cada
URI corresponde a un documento

00:03:36.900 --> 00:03:38.820
y luego haber contado simplemente los URI

00:03:38.840 --> 00:03:41.170
o haber contado los archivos
que hemos descargado.

00:03:41.940 --> 00:03:43.950
Pero ¿qué pasa con el contenido duplicado?

00:03:44.220 --> 00:03:48.070
Es decir, que tenemos dos URI
con el mismo archivo HTML.

00:03:49.080 --> 00:03:50.970
¿Y qué pasa con el contenido web dinámico?

00:03:51.400 --> 00:03:55.190
Es fácil tener una cantidad
infinita de URI en un dominio,

00:03:55.680 --> 00:03:59.900
por ejemplo un servidor web o un
sitio web que muestra números primos

00:03:59.920 --> 00:04:02.950
y tiene todos los números
primos como URL distintas.

00:04:04.200 --> 00:04:09.360
Así que veis que ya un modelo simplista

00:04:09.380 --> 00:04:12.170
en el que solo contamos
la cantidad de documentos

00:04:12.660 --> 00:04:17.050
podría ser bastante
difícil de llevar a cabo.

00:04:17.420 --> 00:04:20.290
En la Simple English Wikipedia
supongo que la respuesta sería

00:04:20.700 --> 00:04:23.710
algo así como cien mil documentos.

00:04:24.140 --> 00:04:26.930
Así que lo importante que hay
que tener en cuenta es que

00:04:27.440 --> 00:04:31.270
el modelo instanciado refleja una
situación particular del mundo

00:04:31.730 --> 00:04:33.760
cuando tomamos una
colección de páginas web

00:04:33.780 --> 00:04:36.090
para construir un modelo de texto,

00:04:36.470 --> 00:04:40.370
nuestro modelo caracteriza cómo
podría funcionar el mundo en general,

00:04:40.860 --> 00:04:42.580
pero los modelos que estudiamos solo

00:04:42.600 --> 00:04:45.190
tienen una instantánea especial
de una situación especial.

00:04:45.340 --> 00:04:48.710
Si tomamos el rastreo dos horas más tarde,

00:04:48.920 --> 00:04:51.160
los resultados ya podrían variar un poco.

00:04:51.180 --> 00:04:52.840
Y también es importante entender

00:04:52.860 --> 00:04:54.920
que la web es un entorno muy dinámico,

00:04:54.940 --> 00:04:59.730
así que, de todos modos, es muy difícil
modelarla con una instantánea de la web.

00:05:01.360 --> 00:05:03.400
Quiero que recordéis
seis pasos importantes

00:05:03.420 --> 00:05:06.450
para estudiar objetos
con ayuda de modelos.

00:05:07.060 --> 00:05:09.560
Lo primero que debéis hacer es

00:05:09.580 --> 00:05:11.540
elegir un objeto de estudio.

00:05:11.560 --> 00:05:13.660
En nuestro caso podríais
elegir la World Wide Web

00:05:13.680 --> 00:05:15.170
o la Simple English Wikipedia.

00:05:16.280 --> 00:05:19.680
Y luego, si es demasiado difícil,

00:05:19.700 --> 00:05:22.130
por ejemplo, la World Wide Web
podría ser demasiado grande,

00:05:22.500 --> 00:05:24.390
podríais elegir un ejemplo de juguete,

00:05:25.000 --> 00:05:27.930
quizá un cierto rastreo web o
la Simple English Wikipedia.

00:05:29.080 --> 00:05:32.700
Y luego debéis elegir una perspectiva
desde la que mirar este objeto.

00:05:32.720 --> 00:05:34.840
En nuestro caso, cuando miramos la web,

00:05:34.860 --> 00:05:37.180
podríais decir: bueno, miremos la web

00:05:37.200 --> 00:05:38.930
como colección de documentos de texto

00:05:39.690 --> 00:05:41.840
y luego elegís una forma de modelar,

00:05:41.860 --> 00:05:44.690
es decir, descriptiva,
generativa o predictiva,

00:05:45.490 --> 00:05:47.060
y luego fijáis los supuestos del modelo,

00:05:47.080 --> 00:05:50.450
así, en nuestro caso, cómo
definimos una palabra.

00:05:50.700 --> 00:05:53.260
Y es incluso mejor cuando
escribís explícitamente

00:05:53.280 --> 00:05:54.680
vuestros supuestos del modelo,

00:05:54.700 --> 00:05:57.010
sobre todo si luego queréis
escribir un artículo

00:05:57.220 --> 00:05:59.510
para que otros entiendan
lo que hicisteis de verdad.

00:05:59.840 --> 00:06:02.060
Y siempre es importante ser conscientes

00:06:02.080 --> 00:06:05.160
de todas las selecciones,
elecciones y supuestos

00:06:05.180 --> 00:06:09.080
que hicisteis para poder
discutirlos críticamente

00:06:09.100 --> 00:06:11.050
o discutir críticamente vuestro modelo.

00:06:11.260 --> 00:06:14.230
O sea, esta es la parte realmente
científica que viene a la mente.

00:06:14.580 --> 00:06:17.410
Veremos más ejemplos de
esto durante este curso

00:06:18.120 --> 00:06:20.740
y espero que esta
información os haya sido útil

00:06:20.760 --> 00:06:22.600
y disfrutaréis del resto
del Web Science MOOC.

00:06:22.620 --> 00:06:23.670
Os habla Rene Pickhardt.
