Objetivo
Esta charla ofrece una introducción a la minería de texto aplicada al análisis de grandes volúmenes de datos utilizando R. A través de ejemplos concretos, se presentarán herramientas y técnicas fundamentales para la extracción, procesamiento y análisis de textos, abordando casos de datos provenientes de fuentes digitales. El objetivo es proporcionar una primera aproximación a métodos computacionales para el estudio de textos en humanidades y ciencias sociales, con foco en la identificación de patrones, el procesamiento de lenguaje natural y la generación de visualizaciones.
Procesamiento y análisis de textos
Una introducción a la minería de texto y el procesamiento de lenguaje natural (NLP). ¿Cómo transformar textos en datos analizables cuantitativa y cualitativamente? Extracción de entidades, análisis de sentimientos y detección de temas aplicados al estudio de textos en historia, ciencias políticas, sociología y antropología: documentos históricos, prensa, discursos políticos, debates legislativos, entrevistas, diarios, cartas y materiales de archivo.
Aplicación de grandes modelos de lenguaje (LLMs)
A partir de modelos de lenguaje avanzados como GPT de OpenAI, se mostrará cómo estas tecnologías pueden enriquecer el análisis textual combinando métodos cuantitativos y cualitativos. Esto incluye la extracción automatizada de entidades (nombres, fechas, ubicaciones), el análisis de contenidos temáticos y la organización de información que permita tanto el análisis a gran escala como la interpretación en profundidad.
Glosario inicial
Giro digital [digital turn]
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.
Macrodatos [big data]
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.
El giro digital
Datos: ¿analógicos o digitales?
¿Big Data vs. Small Data?
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).
Enfoques computacionales
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.
Historia del Observatorio de Conflictividad
Lanzamos el Observatorio en 2012 como una iniciativa llamada SISMOS (Seminario de Investigación sobre el Movimiento de la Sociedad), con el objetivo de registrar la conflictividad en la ciudad de Mar del Plata.
Anotar conflictos a mano: el inicio del monitoreo
Íbamos al archivo, tomábamos fotos de las notas de prensa y codificábamos manualmente los eventos de conflictividad en una planilla de Excel.
Del Excel al formulario web: cambios en los formatos de carga
Pasamos de una planilla de Excel sin validaciones a una base en Access con consultas básicas. Luego usamos formularios de Google para facilitar la carga colaborativa, hasta llegar a un formulario propio en PHP, SQL y JS, con validaciones, múltiples usuarios y base de datos integrada.
Giro computacional en el monitoreo de la conflictividad
Comenzamos a utilizar prensa online como fuente, implementando técnicas de web scraping y minería de texto. El análisis se apoyó en un enfoque de diccionario, que permite identificar automáticamente actores, demandas y formas de acción en los textos.
El giro IA en el análisis de la conflictividad
Actualmente estamos incorporando modelos generativos de lenguaje (LLMs) para automatizar la extracción de datos estructurados a partir de notas periodísticas en texto plano. Esto nos permite no solo identificar actores, demandas y formas de acción, sino también generar resúmenes, clasificaciones y etiquetas con mayor flexibilidad y escalabilidad.
