ANÁLISIS DE METADATOS DE NOTICIAS PARA LA EXTRACCIÓN DE INFORMACIÓN DE CÓDIGO FUENTE. EL SOFTWARE METADADOSHTML

Abstract

Introducción. Los objetivos de este trabajo son 1) determinar qué esquemas se utilizan para título, resumen, palabras clave, autoría y periódico en prensa; 2), conocer qué pautas siguen los periódicos en la implementación de dichos esquemas; 3) averiguar cómo esto afecta a la extracción de valores de datos. Metodología. Para ello, se define una muestra de diarios y se analiza su código fuente, identificando esquemas utilizados y patrones de uso. Esto permite extraer valores de dato utilizando la aplicación MetadadosHTML. Resultados. Se han detectado esquemas estándar, ad hoc y propios de los periódicos. Se han hallado diversas prácticas, como valores agrupados en una misma línea de código o por separado; ruido en un valor y errores al referir los nombres de los atributos de esquemas estándar. Conclusiones. Ello dificulta la extracción de información, por cuanto es necesario no sólo conocer esquemas y atributos, hay que saber qué prácticas sigue cada medio. Los errores al referir los nombres de los atributos impediría la extracción de valores de dato siguiendo los esquemas. Es necesario avanzar en el uso de estándares. También resulta imprescindible la adopción de buenas prácticas en el uso de esquemas estándar, ad hoc y propietarios.