Una introducción a la minería de texto y el procesamiento de lenguaje natural (NLP). ¿Cómo convertir datos brutos en información estructurada? Extracción de entidades, análisis de sentimientos y detección de temas, especialmente útil para analizar diarios, cartas, periódicos y otros documentos históricos.

Mediante el uso de modelos de lenguaje avanzados como GPT de OpenAI, se explorará cómo estas tecnologías pueden identificar y estructurar información en corpus de texto. Esto incluye la extracción automatizada de entidades (nombres, fechas, ubicaciones) y la conversión de documentos no estructurados en formatos organizados, facilitando su análisis y visualización.

Según la DFD (Sociedad Alemana de Investigación) el término “giro digital” comprende todos los cambios e impactos relevantes en términos epistémicos, éticos, legales, técnicos, de infraestructura, organizacionales, financieros y también sociales, que surgen del desarrollo y uso de las tecnologías digitales en las ciencias y las humanidades. Por otra parte, el giro digital no es un fenómeno que se restringe a la investigación científica; Las tecnologías y los procesos digitales son, por el contrario, relevantes en todos los ámbitos de la sociedad y la economía.

Según la gobierno argentino el término “big data” se refiere a una gran cantidad de información que sólo se puede procesar mediante el uso de herramientas digitales y que sirve para responder preguntas a través del análisis de enormes volúmenes de datos. Se trata de un paradigma que se caracteriza por lo que se conoce como las cinco V: Volumen, Velocidad, Variedad, Veracidad, Valor.

Según Susan Greenberg HD es un término nuevo que describe lo que probablemente sea una actividad (o colección de actividades) antigua pero que nos da una imagen o metáfora fresca de ese trabajo, para que pueda ser visto con nuevos ojos. Permite que se hagan nuevas conexiones a través de lo que antes eran campos de interés muy separados, que es la esencia de la imaginación y la creación de nuevos conocimientos.

Mientras que para Jennifer Giuliano, en su forma más simple, DH es la utilización de computadoras y herramientas computacionales para la exploración, análisis y producción de conocimiento humanístico.

Para ver más de 800 definiciones de HD ir a what is digital humanities?

El giro digital y su boom de datos forzó diálogos insospechados entre las ciencias comunicacionales y las ciencias sociales y humanas. Las nuevas tecnologías y la proliferación de datos masivos en formato digital trajeron más desorden a los ya desordenados escritorios de científicxs sociales y humanistas (historiadorxs, sociólogxs, politólogxs, antropólogxs, filósofxs, etc., etc., etc.), que el contexto pandémico no hizo más que amplificar con su hipertrofiada virtualidad.

• ¿Cómo hacer archivo de forma remota?
• ¿Se puede hacer etnografía en la virtualidad?
• ¿Las encuestas online son confiables?
• ¿Son viables las entrevistas por telegram o whatsapp?
• ¿Cómo ir a la hemeroteca sin salir de casa?
• ¿Cómo leer cientos de periódicos sin hojearlos?

La distinción entre datos pequeños y grandes es reciente. Antes de 2008, los datos rara vez se consideraban en términos de “pequeños” o “grandes”. Todos los datos eran, en efecto, lo que ahora a veces se denomina “Small Data”, independientemente de su volumen (Kitchin & Lauriault, 2015).

Dentro de la diversa y compleja variedad de epistemologías, problemáticas, metodologías, técnicas y lenguajes de programación disponibles en las ciencias sociales computacionales y las humanidades digitales, optamos por un enfoque pragmático, similar al de los autodidactas que aprenden a través de tutoriales en plataformas como YouTube. A partir de un conjunto reducido de problemas específicos (como la descarga de grandes volúmenes de texto desde internet, la conversión de datos a formatos tabulares, y la limpieza, procesamiento, exploración y visualización de estos sin necesidad de una lectura profunda), nos adentraremos en lenguajes de programación como R, Python, PHP y SQL. Con estos, abordaremos ejercicios prácticos de web scraping, minería de texto y lectura distante.

Este campo de análisis incluye métodos y técnicas computacionales relacionados con el análisis de contenido (semi) automatizado y la minería de textos. En orden de antigüedad,las tres áreas centrales del CATA son: 1) técnicas que se basan en diccionarios y conteo simple de palabras, 2) aprendizaje automático supervisado, 3) aprendizaje automático no supervisado, y aprendizaje automático semi supervisado. CATA puede usarse para dibujar una imagen precisa de los actores, los problemas y la dinámica temporal de los procesos conflictivos (Maerz & Puschmann, 2020).

Estas técnicas pueden entenderse como existentes en un continuo, desde enfoques que son de naturaleza más deductiva y presuponen un conocimiento de dominio muy detallado y problemas de investigación precisos, como el análisis de diccionario; hasta métodos más inductivos como el aprendizaje no supervisado, más adecuados para la exploración.