María Jesús Lamarca Lapuente. Hipertexto: El nuevo concepto de documento en la cultura de la imagen.

Los programas independientes de hipertexto permiten crear, almacenar, mantener, adaptar, presentar, anotar, y navegar por la información y por los nodos, pero un buen sistema de hipertexto, además de un sistema de navegación, precisa también de un sistema de búsqueda que permita recuperar y filtrar la información para que el usuario pueda acceder de forma directa a la información que le interesa. La búsqueda y recuperación de información requerirá un distinto proceso según se trate de un sistema hipertextual independiente o de un sistema hipertextual en red. Las búsquedas son mucho más sencillas y fáciles en una base de datos cerrada que en un sistema abierto en red, como puede ser la WWW, donde son imprescindibles potentes motores de búsqueda e índices, y complejos sistemas de tratamiento de la información.

La consulta de un hipertexto puede ser considerada en sí misma como un proceso de recuperación de información, pero no se trata de un proceso por interrogación, sino por navegación. Se parte de una determinada demanda de información y se obtienen un conjunto de documentos o recursos (nodos) que satisfacen esa demanda. Sin embargo, las posibilidades de recuperación de la información mediante navegación están muy limitadas, los enlaces suelen conectar nodos en función de su contenido semántico y no es posible hacer búsquedas a partir de las propiedades formales de los documentos como autor, título, fecha de publicación, etc. En muchos casos, para encontrar la información, es necesario recorrer un trayecto de navegación demasiado extenso y hacer una exploración sucesiva de nodos enlazados, mientras que la búsqueda por interrogación es mucho más directa.

Las herramientas de navegación ayudan a las búsquedas dentro de un hipertexto: los mapas de navegación, mapas temáticos, sumarios, índices y tablas de contenido, son herramientas imprescindibles para informar y guiar al usuario por el contenido de la información. Gracias a ellas, el usuario podrá elegir su propia ruta de consulta y navegación. Sin embargo, cuando el hipertexto es demasiado amplio, estas herramientas se quedan cortas y serán necesarios otros mecanismos que permitan una consulta más eficaz y una búsqueda de acceso directo. La creación de una base de datos donde se incluyan tanto elementos del contenido, como de la forma de los documentos contenidos en el hipertexto, en conjunción con el establecimiento de un sistema integrado de búsqueda, serán la solución a este problema.

En el caso de los documentos de la World Wide Web, el problema de la recuperación de información se agrava. No existe una única base de datos que incluya todos los documentos de la Web ordenados, clasificados e indizados en donde poder hacer las búsquedas. Además, los documentos en Internet son dinámicos: cambian de lugar e incluso de contenido, e incluyen morfologías, tipos de archivos, formatos y contenidos de muy distinto signo.

En la búsqueda y recuperación de información son necesarios, pues, distintos enfoques según se trate de contextos abiertos o cerrados (no es lo mismo hacer una búsqueda en una Intranet o en un CD-ROM de datos, que en la WWW). También hay que atender a si existe una homogeneidad en los documentos o si, por el contrario, se trata de documentos o recursos de diferentes tipos. Es preciso establecer también los principios y niveles de descripción de contenidos y tener en cuenta qué herramientas se pueden utilizar. La tendencia actual, frente a la tradicional búsqueda y recuperación en que hacía falta la labor de bibliotecarios y documentalistas que realizaban la indización de forma manual, es que el usuario sea capaz, por sí mismo, ofreciéndole las herramientas adecuadas, de hacer las búsquedas por sí solo.

Podemos establecer una serie de diferencias entre la recuperación tradicional y la recuperación en la WWW.

Recuperación tradicional	Recuperación en la WWW
documentos similares  control terminológico  interfaz homogénea de interrogación  uso de lenguajes documentales  principio de autoridad	documentos diferentes  carencia de control terminológico  interfaces diversas  intentos de normalización en la descripción de contenidos ya que no hay una autoridad (o no se siguen las existentes como Dublin Core u otros tipos de metadatos, tesauros, ontologías, etc.)  no hay permanencia, los documentos cambian de forma y lugar, por lo que es preciso también una normalización para su localización

La información en en la Web se caracteriza por el dinamismo (cambios continuos de contenido) y la volatilidad (cambios de destino de un mismo documento). Al contrario que en los medios tradicionales, la redundancia o publicación repetida de un documento es una constante en Internet, por eso, en la WWW el problema de la recuperación se agrava.  

Los principales métodos de recopilación de documentos de la  Web se basan en la utilización de:

•  Listas, Directorios y Catálogos

  • Directorios y Catálogos impresos

  • Páginas en revistas de Listas, Directorios y Catálogos

  • Páginas de enlaces en la propia Web

•  Bases de datos de recopilación manual o automática (generalmente en soportes digitales como CD-Rom o en línea)

•  Bases de datos de recopilación automática mediante:

  •  Indización asistida

  •  Utilización de robots y agentes inteligentes

Sin duda, los métodos más rápidos y eficaces de recuperación de documentos de la WWW son los que proporciona la propia Web a través de los buscadores. Los principales tipos de buscadores son los índices temáticos (se trata de catálogos, directorios o buscadores por categorías en línea) y los motores de búsqueda (buscadores por contenido). Muchos de ellos utilizan robots o programas que exploran grandes porciones de la Web y que extraen información de forma automática. Dicha información puede después ser utilizada para alimentar los motores de búsqueda, para efectos estadísticos, para realizar copias de respaldo, etc. e incluso se está desarrollando la utilización de agentes inteligentes.

Hace ya algunos años se desarrollaron los llamados portales o puertas de acceso a Internet, una especie de escaparates que dan acceso a una serie de servicios entre los que suelen encontrarse la posibilidad de utilizar un determinado buscador, además de ofrecer una serie de servicios como noticias, compras en línea, correo electrónico gratuito, foros, chats, listas de distribución, etc.

Antes de adentrarnos en los mecanismos y herramientas que hacen posible la búsqueda y recuperación de documentos o recursos en un hipertexto, es preciso hacer un pequeño repaso sobre qué entendemos por recuperación, búsqueda y acceso al documento. También es preciso hacer mención a los primeros pasos de recuperación que tuvieron lugar en Internet y posteriormente en el gran hipertexto de la Web.

La recuperación de información es el proceso que permite obtener, de un fondo documental, los documentos adecuados a una determinada demanda de información por parte de un usuario. Este proceso engloba el conjunto de acciones referidas a la identificación, selección y acceso a los recursos de información necesarios para resolver el problema del usuario.

Las demandas del usuario pueden hacerse a partir de las propiedades formales del documento como son el título, autor, editorial, fecha de publicación, etc.; pero también pueden hacerse a partir de las propiedades semánticas o del contenido del documento, esto es, de los temas.

El Proceso de recuperación de información (Information Retrieval), según Belkin y Croft, abarca las siguientes fases:

•  Definición de las necesidades informativas
•  Selección y ordenación de las fuentes a utilizar
•  Traslación de las necesidades al lenguaje documental de la fuente
•  Traducción de la expresión de lenguaje documental al lenguaje de interrogación del sistema
•  Ejecución de las expresiones del lenguaje de interrogación obtenidas
•  Análisis de la pertinencia o no a la cuestión planteada
•  Replanteamiento, si procede, de las expresiones utilizadas
•  Selección y obtención de los documentos que respondan a las necesidades manifestadas por el usuario
•  Transmisión del resultado, preparado adecuadamente, al usuario

Podemos distinguir entre:

•  sistemas de recuperación manuales
•  sistemas de recuperación automatizados

Todas las fases anteriores son susceptibles de tratamiento informático, aunque éste queda claramente enfatizado en las fases 5 (ejecución de las expresiones), 6 (análisis de la pertinencia o no a la cuestión planteada) y 8 (selección y obtención de los documentos).

Y también podemos diferenciar 2 tipos distintos de información a recuperar 

•  recuperación de documentos (information retrieval)
•  recuperación de datos (data retrieval)

Estos 2 tipos de información "data retrieval" (recuperación de datos, RD) e "information retrieval" (recuperación de información, RI), necesitan una gestión y un tratamiento de la información distinto:

•  Los sistemas de tratamiento y recuperación de información documental (STRID) manipulan documentos (information retrieval)
•  Los sistemas de bases de datos (SGBD) manipulan registros (data retrieval)

Hay pues, hay que diferenciar la recopilación de datos de la recopilación de información, ya que en una primera etapa, ambos procedimientos se confundían.

Según Rijbergen, podemos establecer las diferencias entre recuperación de datos y recuperación de información de la siguiente forma: 

La estructuración de los datos es siempre más fácil que la estructuración de la información y por tanto, es igualmente más fácil su recuperación.

La recuperación de información, frente a la recuperación de datos, consiste el tratamiento y procesamiento de documentos, no datos o registros.

Según Dominich, podemos establecer los siguiente Modelos para la recuperación de información:

Los sistemas de recuperación de información han sido concomitantes al desarrollo de Internet, pero no será hasta el desarrollo de los motores de búsqueda cuando se perfile una verdadera implantación de sistemas que abarquen el ingente volumen de información que proporciona la Web. Estos sistemas combinan la inteligencia artificial, la indización automática y el procesamiento del lenguaje natural. Sin embargo, antes del desarrollo de los motores de búsqueda y de sistemas más sofisticados, la misma forma de la Web basada en un sistema de hipertexto condujo a la importancia de la propia estructura hipertextual como un método valioso de recuperación de información basada en la navegación y exploración.

Siguiendo a Mari Carmen Marcos Mora, podemos establecer 2 tipos de navegación: browsing y clustering. Para esta autora:

•  Browsing: "Se entiende por browsing el método de acceso a la información consistente en ojear un espacio con el propósito de reconocer objetos en él. Puede realizarse en espacios de una dimensión (una lista) de forma secuencial, o puede tener lugar en un contexto estructurado que contiene relaciones jerárquicas (por ejemplo en forma de árbol) o bien semánticas o asociativas (por ejemplo en forma de mapa). Puede realizarse tanto en contextos analógicos (revisar las estanterías de una biblioteca, por ejemplo) como en contextos digitales (en el seno de documentos de un procesador de texto, en presentaciones multimedia, en la web, etc). En el caso de la web, el browsing implica desplazamientos hipertextuales a través de una estructura en el seno de una misma sede web o entre distintas sedes web. Este caso particular de browsing en la Web suele recibir el nombre de navegación".

•  Clustering: "Las llamadas técnicas de clustering tratan de agrupar objetos similares mediante algoritmos matemáticos. Estas técnicas aplicadas al ámbito de la recuperación de información consiguen crear de forma automática clasificaciones de documentos considerando ciertas similitudes en su contenido. En el caso de bases de datos documentales como los catálogos de bibliotecas, quiere decirse que se agruparán dentro de un mismo cluster aquellos documentos en los que concurran mayor número de términos de indización, por ejemplo. Si a estas técnicas de agrupación se suma una presentación gráfica de su resultado, se obtiene una nueva forma de ver los documentos de las bases de datos que facilita el ojeo y por tanto la recuperación de información". (El término cluster fue acuñado por Tryon en 1939).

Fuente: KartOO Metamotor de búsqueda (término buscado: hipertexto).
http://www.kartoo.com

Así pues, las técnicas de recuperación basadas en la navegación, la exploración y el "ojeo" no han sido sustituidas por las técnicas basadas en la interrogación (querying), sino que ambas técnicas coexisten en el espacio y en el tiempo de forma que el usuario puede elegir entre definir previamente el objeto de su búsqueda para realizar una búsqueda directa (búsqueda por interrogación) o puede moverse por una estructura navegacional  y decidir sobre la marcha cuál es la información que le interesa a medida que explora la base de datos que se le va mostrando (búsqueda por navegación).

Haciendo un poco de historia, antes de que naciera el primer navegador gráfico Mosaic, hizo su aparición el primer motor de búsqueda en Internet, se trata de ARCHIE, una base de datos con información sobre el contenido de una serie de servidores de FTP que permitía localizar en qué servidor se encontraba un recurso concreto.

También se desarrollaron los sistemas de ayuda VERONICA y WAIS que permitían localizar documentos en un entorno GOPHER. El primero servía para indexar los menús y daba soporte a la navegación hasta que el protocolo gopher:// fue sustituido por el protocolo http con el nacimiento de la World Wide Web, y el segundo permitía explorar diferentes bases de datos y hacer consultas a texto completo utilizando palabras clave. Poco después haría su aparición el navegador Mosaic, que con su interfaz gráfica permitiría un incremento exponencial en el número de usuarios de Internet.

El primer sistema de recuperación de información en la Web fue Yahoo que se convirtió en uno de los sitios más visitados y en un ingente directorio de recursos. Yahoo se gestionaba de forma manual por una serie de personas que analizaban los sitios web, los indizaban y los convertían en registros de un gran directorio. Sin embargo, el crecimiento exponencial de la Web (Nielsen ha calculado que se realizan 550 millones de búsquedas al día en todo el mundo) pronto dejó patente que era imposible utilizar recursos humanos para esta ingente labor, así que comenzaron a desarrollarse los primeros motores de búsqueda que indexaban la información de forma automática.

Además, la consulta de hipertextos por medio de la navegación por la estructura de la red hipertextual es prácticamente imposible en un entorno casi infinito como la WWW, por lo que las técnicas de recuperación han tendido hacia una búsqueda dinámica basada en la búsqueda en línea que traslada la búsqueda a la propia estructura de la WWW y no a los documentos almacenados en índices. Se desarrollaron entonces los llamados lenguajes de consulta a la Web (Web query languages). Existen diferentes modelos de lenguajes de interrogación, pero entre los más comunes destacan un modelo gráfico etiquetado que representa los nodos de las páginas web y los enlaces entre las páginas y un modelo semiestructurado que representa el contenido de las páginas web con un esquema de datos que permanece oculto y que puede ir variando tanto en la extensión como en la descripción. En muchos casos se trata de extensiones de los lenguajes utilizados anteriormente para la construcción y gestión de bases de datos, como el lenguaje SQL (Structured Query Language) para las bases de datos relacionales, pero adaptado al contexto de la World Wide Web.

Todos estos mecanismos permanecen ocultos para el usuario y la interacción entre la persona que consulta y la base de datos se realiza por medio de una interfaz de búsqueda en la que el usuario puede escribir los términos, palabras clave o texto a buscar, para posteriormente recibir los resultados de su consulta por medio de una nueva interfaz de presentación de los datos e información obtenidos como respuesta a dicha consulta.

De esta forma, la interfaz de usuario tanto la diseñada para que el usuario realice la consulta como la que ofrece la respuesta a las operaciones de búsqueda, se ha convertido en un elemento indispensable dentro de los buscadores. Esta interfaz de consulta puede estar compuesta de un simple formulario presentado en una caja de consulta o  de un formulario más complejo y sofisticado en una caja compuesta que permita hacer búsquedas avanzadas por medio de la inclusión de una serie de parámetros adicionales que acoten o restrinjan la consulta por medio de operadores booleanos, indicadores de idioma, geográficos, búsquedas dentro del título, dentro del texto, etc.

Sin embargo, esto no resolvía el problema de la abrumadora cantidad de documentos y las miles de referencias que se obtenían tras una búsqueda, por lo que se hizo preciso obtener respuestas más eficaces y pertinentes acordes con las necesidades del usuario. Se trataba del eterno problema o la difícil conjugación entre exhaustividad y precisión. De esta forma, fue preciso no sólo mejorar la interfaz de usuario para facilitar las consultas, sino también aplicar las viejas técnicas de los lenguajes documentales - adaptarlas o crear otras nuevas- para la recuperación en línea.

La manera más fácil para expresar información es en lenguaje natural. Sin embargo, el lenguaje natural es demasiado ambiguo para que el contenido de los documentos sea extractado de forma automática. Para resolver el problema de las ambigüedades en la recuperación de documentos impresos, fue preciso utilizar lenguajes documentales de representación del conocimiento (uso de lenguajes controlados, taxonomías, tesauros, ontologías, etc.). De la misma forma, para recuperar documentos en la Web, se han desarrollado diferentes estrategias, como el uso de metadatos o la utilización de lenguajes semánticos basados en XML (e.j. RDF y OWL) para indizar documentos Web y representar el conocimiento incluido en ellos. Hoy es fácil recuperar la información precisa si se utiliza un lenguaje para representar el contenido semántico de los documentos y soportar las inferencias lógicas. Sin embargo, la mayor parte de los documentos contenidos en la Web carecen de una estructuración semántica.

En resumen, para buscar información en la Web tenemos 3 caminos: seguir un enlace, usar un directorio o usar un motor de búsqueda. Esto es, entre los principales métodos de recuperación de información en la Web podemos destacar:

•  Búsqueda por navegación o exploración de la red a través de los enlaces de la estructura hipertextual (incluye los lenguajes de consulta a la Web y la búsqueda dinámica).

•  Directorios (clasifican documentos web por materia y podemos acceder a ellos navegando por los directorios -o índices- y subdirectorios).

•  Motores de búsqueda (indexan documentos de la Web para que se puedan recuperar a través de una pregunta).

G. Chang en Mining the World Wide Web establece 4 tipos de sistemas de recuperación de información en Web basados en la recuperación de información por medio de palabras clave:

•  Motores de búsqueda: indexan los documentos o recursos web de forma automática por medio de robots y conforman una base de datos a la que posteriormente consultará el motor cuando se realiza una consulta.

•  Directorios o Índices temáticos: se trata de listas de recursos organizados por categorías temáticas y estructuradas de forma jerárquica que permiten visualizar los contenidos ofreciendo una lista de enlaces a las páginas que aparecen referenciadas en el buscador.

•  Metabuscadores: reúnen varios motores de búsqueda ejecutando la consulta en varios motores de forma simultánea y, por tanto, combinan los resultados de diversas fuentes, pero eliminando las referencias duplicadas y agrupando los resultados ordenándolos por pertinencia.

•  Técnicas de filtrado de información: se trata de un complemento de los motores de búsqueda, y no realmente de un sistema de recuperación distinto. El filtro permite determinar si un documento o recurso es o no relevante a priori para mantenerlo o eliminarlo de los resultados.

Sin embargo, existe numerosas clasificaciones, la mayor parte tiene en cuenta diferentes técnicas usadas en la búsqueda de documentos en la Web, como son:

•  exploración de la estructura hipertextual
•  recuperación de la información
•  metabuscadores
•  lenguajes de consulta basados en SQL
•  buscadores multimedia basados en el contexto
•  otros

En cuanto a las técnicas de búsqueda, Chang distingue 5 tipos de búsqueda:

•  Término simple: se trata de la búsqueda más sencilla en la que el motor de búsqueda mostrará únicamente los documentos en los que aparezca el término.

•  Término compuesto: este tipo de búsquedas resultan ya más complejas. Para ello los buscadores suelen utilizar la lógica booleana o combinar varios operadores lógicos.

•  Basadas en el contexto: para esta búsqueda se utilizan los operadores de adyacencia o proximidad con el fin de analizar si los términos aparecen, además de en el propio documento, en la misma frase y en un orden determinado.

•  Lenguaje natural: es la búsqueda más compleja, pero más simple para el usuario, pues es el motor de búsqueda quien analiza e interpreta el texto para dar respuesta a la consulta.

•  Correspondencia de patrones: se utiliza el operador de truncamiento y lo corriente es utilizar una interfaz en la que el usuario, paso a paso, va introduciendo los diferentes parámetros.

Lola García Santiago en Extraer y visualizar informaciónen Internet: el Web Mining, cita a Pirolli y Card que diferencian 2 estilos diferentes de recuperación en la Web:

•  estilo lobo: sigue el planteamiento de la recuperación de información clásica, una búsqueda a través de términos clave.
•  estilo araña: como este arácnido, se teje una red que actúa de filtro de la información recuperada.

Sin embargo, y siguiendo la metáfora etológica, hoy podríamos añadir un tercer animal: el estilo hormiga, esto es, la recuperación cooperativa, la búsqueda de conexiones y asociaciones entre los documentos que es establecida por las comunidades web actuales y que se manifiesta mediante la proliferación de folksonomías, blogosferas, fotosferas, wikipedias, etc. métodos de indización y clasificación que una serie de comunidades web llevan a cabo de forma colaborativa, cooperativa y compartida. La presencia y desarrollo de redes sociales ha sido una constante desde el nacimiento de Internet, ya sea para intercambiar mensajes de correo electrónico por medio de las listas de distribución, el establecimiento de foros en línea, el uso de chats, compartir archivos mediante las redes P2P, la creación de comunidades de weblogs, el desarrollo de software libre en colaboración, etc. La socialización de redes de comunidades en línea ha sido imparable en casi todas las manifestaciones y servicios posibles nacidos al albur de Internet. Y, de esta forma, vemos que también ha afectado a la búsqueda y recuperación de la Web.

Frente a los ambientes altamente tecnologizados que han dado origen al uso de robots y agentes inteligentes para la indización automática o la utilización de los potentes motores de búsqueda que rastrean, indizan y clasifican la World Wide Web sin intervención humana alguna, surgen nuevas formas sociales de aproximación a la indización, la clasificación, la búsqueda y acceso al documento. Todas estas nuevas formas están basadas en el principio de colaboración y puesta en común del conocimiento. De esta forma, la interactividad de los nuevos medios no se limita a la comunicación del usuario con las máquinas, sino que refuerza la interactividad como proceso comunicativo entre las personas.

Un buscador curioso es Ms Dewey (http://msdewey.com). Aunque no destaca por su funcionalidad, sí es llamativo por el vistoso diseño de su interfaz ya que, además, de consistir en una caja con el típico formulario para poder realizar la consulta, ofrece una imagen que muestra a una señorita que realiza comentarios y gestos y que es capaz de  responder a ciertos estímulos (por ejemplo, si se tarda en hacer la consulta o si no hay resultados). El fondo de la imagen no es la típica biblioteca, sino una ciudad futurista y la mujer, como se puede ver en la imagen, tampoco responde al tópico de la bibliotecaria al uso. Ello ha dado origen a una gran diversidad de opiniones en la red sobre la imagen estereotipada de la profesión bibliotecaria y de Ms Dewey, en particular. En realidad, no se trata de un chat-bot, sino de un buscador y muchos han comparado a Ms. Dewey con Google destacando esta nueva tendencia hacia lo visual, lo social, la diversión y la interacción.