Seleccionar página

Comienzo aquí a recoger primero, una colección de estudios e investigaciones que considero relevantes entorno a la Cartografía de la Información.

La mayoría son papers universitarios y cada uno va aportando una aproximación distinta.

La mecánica será la siguiente:

  1. Nombrar el estudio
  2. Referenciarlo
  3. Copiar traducidas las notas que me son más relevantes de cada artículo, e ir señalando y acumulando conceptos que me interesan
  4. Finalizar con unas reflexiones propias

El objetivo de estos estudios es intentar ver más allá de la arquitectura de la información que como consultor SEO estoy habituado a usar, y cada sitio web tiene.

Entiendo que todas esas casitas-web, deben estar conformando un espacio común que es muy difícil de visualizar y entender.

Pretendo pues, tratar de entender las distintas aproximaciones a la cartografía de la información con el deseo de dar con una imagen, forma o espacialidad que además pueda compararlas con la historia del arte como baúl experimental de imágenes, formas y espacios.

Por ejemplo en comparación con la anterior de un vídeo juego, con la que sigue de Miquel Navarro (Fuente: Valencia Plaza).

Miquel Navarro - Cartografía de la Información

Quiero pensar que tras asociar las imágenes cartográficas a otras imágenes del arte, éstas ayudarán a entender mejor los mapas de información, así como poder vislumbrar posibles antecedentes y progresos.

Empezamos.

Information Cartography

A metro map can tell a story, as well as provide good directions.

Por Dafna Shahaf, Carlos Guestrin, Eric Horvitz, y Jure Leskovec

Enlace: Comunicados de la ACM
Enlace al PDF: PDF

Este estudio está fechado en 2015, y existe otro previo del mismo equipo titulado Information Cartography: Creating Zoomable, Large-Scale Maps of Information, enlace a cs.stanford.edu

Ideas Clave

(Copia y traducción en gris; comentarios propios en negrita)

Aunque la atención y la comprensión humanas pueden verse abrumadas por la avalancha de datos, los métodos automáticos pueden extraer conocimiento estructurado y proporcionar mapas de panoramas de información complejos para ayudar a las personas a comprender ideas, conexiones e historias.

Las propiedades de los buenos mapas son difíciles de formalizar; las características importantes incluyen la coherencia de las historias, la cobertura de temas diversos e importantes y las relaciones entre las piezas de información.

Estos principios se pueden usar para sintetizar narrativas significativas a partir de grandes conjuntos de datos…

ME QUEDO CON:

  1. Ayudar a comprender ideas
  2. Coherencia, cobertura y relación (asociación) entre piezas (partes) de contenido

Introducción

Los avances tecnológicos recientes nos permiten producir datos a velocidades asombrosas, mientras que el surgimiento de la Web ha derribado las barreras de distribución.

Sin embargo, a pesar de este diluvio acelerado de datos, el conocimiento y la atención siguen siendo bienes preciosos y escasos.

Los escritores, investigadores y analistas dedican incontables horas a recopilar información y sintetizar narrativas significativas, examinando e infiriendo relaciones entre piezas de información.

Las sutilezas y las relaciones en una historia en evolución son fáciles de perder en una cámara de eco creada por la modificación y reutilización del contenido, alimentada por incentivos para atraer indexadores, globos oculares y clics en anuncios.

ME QUEDO CON (3):

  1. Ayudar a comprender ideas
  2. Coherencia, cobertura y relación (asociación) entre piezas (partes) de contenido
  3. Inferir ideas

El problema de extraer automáticamente conocimiento estructurado de grandes conjuntos de datos es cada vez más frecuente.

Varios métodos han buscado resumir y visualizar narrativas. Sin embargo, la mayoría funciona solo para historias simples que son de naturaleza lineal.

En contraste, las historias complejas exhiben una estructura no lineal; historias espaguetis en ramas, historias paralelas, callejones sin salida y narraciones entrelazadas.

Para explorarlos, los usuarios necesitan un mapa que los guíe a través de un territorio desconocido.

Los mapas de metro consisten en un conjunto de líneas con intersecciones o superposiciones. Lo que es más importante, muestran explícitamente las relaciones entre diferentes piezas de información de una manera que captura la evolución de una historia.

Cada parada de metro es un grupo de artículos y las líneas siguen hilos narrativos coherentes.

Nuestra representación está motivada por la fuerte evidencia empírica de que las representaciones de mapas ayudan a los usuarios a obtener y retener conocimientos; por ejemplo, se ha demostrado que los mapas mentales y los mapas de conocimiento aumentan la recuperación de la memoria en los estudiantes, así como la motivación y la concentración.

También hemos descubierto que las visualizaciones de mapas permiten a los usuarios digerir información. 

ME QUEDO CON (4):

  1. Ayudar a comprender ideas
  2. Coherencia, cobertura y relación (asociación) entre piezas (partes) de contenido
  3. Inferir ideas
  4. Muestran (explican) la relación entre diferentes piezas de contenido

ROCK’N’ROLL METRO MAP by By Dafna Shahaf, Carlos Guestrin, Eric Horvitz, and Jure Leskovec

Rock'n'roll metro map by  Dafna Shahaf, Carlos Guestrin, Eric Horvitz, and Jure Leskovec

Asociación artística

A Piet Mondrian, obra: New York City I, (fuente Wikipedia)

Demostramos que los mapas de metro pueden ayudar a las personas a comprender la información en muchas áreas, incluidas noticias, áreas de investigación, casos legales e incluso obras de literatura.

Los mapas de metro pueden ayudarlos a lidiar con la sobrecarga de información, enmarcando una dirección para la investigación sobre la extracción automatizada de información, así como sobre nuevas representaciones para resumir y presentar conjuntos complejos de conceptos interrelacionados.

Encontrar un buen mapa

Comenzamos formalizando las características de buenos mapas y formulando su construcción como un problema de optimización.

Una función objetivo

Antes de que podamos crear un algoritmo para calcular buenos mapas, debemos crear una función objetivo, que es especialmente importante para los mapas, donde el objetivo no está claro a priori.

Un mapa de metro consta de un conjunto de líneas de metro, cada una de las cuales es una secuencia ordenada de paradas, donde una parada es un subconjunto de artículos.

Cada línea sigue un hilo narrativo coherente, y diferentes líneas se enfocan en diferentes aspectos de la historia.

Las intersecciones entre líneas revelan las formas en que interactúan las diferentes historias.

El mapa incluye tres historias, siguiendo los puntos de vista ruso, ucraniano y occidental.

Metro map sobre la crisis de Crimea

Coherencia. Un primer requisito es que cada línea de metro cuente una historia coherente; seguir los artículos a lo largo de una línea debería dar al usuario una comprensión clara de la evolución de una historia.

Considere una cadena de clústeres, donde un clúster es un conjunto de documentos.

Por el bien de la presentación, nos enfocamos en singletons, con cada grupo en un solo documento.

Para definir la coherencia, un primer paso natural es medir la similitud entre cada dos artículos consecutivos a lo largo de la cadena. Como una sola mala transición puede destruir la coherencia de toda una cadena, medimos la fuerza de la cadena por la fuerza de su eslabón más débil.

Cobertura. La coherencia es crucial para buenos mapas, pero ¿es suficiente? Buscando una respuesta, encontramos líneas máximamente coherentes para la consulta «Bill Clinton». Los resultados fueron desalentadores. Si bien las líneas eran realmente coherentes, no eran importantes.

Muchas líneas giraban en torno a temas limitados (como la visita de Clinton a Belfast). Además, como no existía la noción de diversidad, varias líneas incluían información redundante.

Este ejemplo sugiere que seleccionar las líneas más coherentes no garantiza un buen mapa.

En cambio, el desafío clave es equilibrar la coherencia y la cobertura; además de ser coherentes, las líneas también deben cubrir diversos temas importantes para el usuario.

Definimos un conjunto de elementos que el mapa puede cubrir. Los elementos pueden depender del dominio…

Calculamos una función de cobertura, midiendo qué tan bien cada documento cubre cada elemento. Lo extendemos a una función establecida, midiendo qué tan bien un conjunto de documentos cubre cada elemento. Para fomentar la diversidad, esta función es submodular; si el mapa ya cubre bien un elemento, agregar otro documento que cubra bien ese elemento proporciona poca cobertura adicional. La falta de cobertura adicional nos anima a elegir documentos que cubran temas nuevos.

Los pesos sesgan el mapa para cubrir elementos importantes al mismo tiempo que ofrecen un mecanismo natural para la personalización.

ME QUEDO CON (5 y 6):

  1. Ayudar a comprender ideas
  2. Coherencia, cobertura y relación (asociación) entre piezas (partes) de contenido
  3. Inferir ideas
  4. Muestran (explican) la relación entre diferentes piezas de contenido
  5. La coherencia no corresponde a la relevancia
  6. Más esfuerzos por la diversidad que por la redundancia (repetición).

Conectividad. Finalmente, un mapa es más que un conjunto de líneas, con información también en su estructura. Nuestra propiedad final es, por lo tanto, la conectividad. Un mapa debe transmitir la estructura subyacente de la historia y cómo interactúan los diferentes aspectos de la historia.

Intuitivamente, diferentes historias tienen diferentes estructuras. Algunas historias son casi lineales, mientras que otras son mucho más complejas. Para capturar la estructura de una historia, calculamos el número mínimo de líneas que cubren todas las paradas de metro. Este objetivo prefiere historias largas siempre que sea posible; las historias lineales se convierten en mapas lineales, mientras que las historias complejas mantienen sus hilos entrelazados.

ME QUEDO CON (7 y 8):

  1. Ayudar a comprender ideas
  2. Coherencia, cobertura y relación (asociación) entre piezas (partes) de contenido
  3. Inferir ideas
  4. Muestran (explican) la relación entre diferentes piezas de contenido
  5. La coherencia no corresponde a la relevancia
  6. Más esfuerzos por la diversidad que por la redundancia (repetición).
  7. La conectividad espacializa la información
  8. Para asuntos complejos

Atarlo todo junto. Ahora formulamos el problema de encontrar un buen mapa del metro, dado un conjunto de documentos. Necesitamos considerar las compensaciones entre las propiedades discutidas anteriormente: «calidad del grupo», «coherencia de línea», «estructura del mapa» y «cobertura por debajo del presupuesto»; por ejemplo, maximizar la cobertura conduce a un mapa desconectado, ya que no hay razón para reutilizar un clúster para más de una línea.

Maximizar la coherencia a menudo da como resultado cadenas repetitivas de alcance limitado.

Por lo tanto, es mejor tratar la coherencia como una restricción; una cadena es lo suficientemente coherente para ser incluida en el mapa, o no lo es.

ME QUEDO CON (9):

  1. Ayudar a comprender ideas
  2. Coherencia, cobertura y relación (asociación) entre piezas (partes) de contenido
  3. Inferir ideas
  4. Muestran (explican) la relación entre diferentes piezas de contenido
  5. La coherencia no corresponde a la relevancia
  6. Más esfuerzos por la diversidad que por la redundancia (repetición).
  7. La conectividad espacializa la información
  8. Para asuntos complejos
  9. Demasiado amplio el tema, se desfigura, demasiado estrecho lo limita.

Algoritmo

Ahora repasamos brevemente las ideas principales detrás del algoritmo, que comienza calculando un conjunto de documentos a partir de una consulta.

Complejidad y tiempo de ejecución. Dado un conjunto de consultas de documentos D, primero ejecutamos un algoritmo de tiempo lineal, compilando D en una secuencia de gráficos de co-ocurrencia de palabras.

Más importante aún, el tamaño de los gráficos no depende de D [nº de documentos] sino del tamaño de nuestro vocabulario W.

Nuestro principal cuello de botella es el paso de cobertura, que es un polinomio de alto grado en |W|.

Otro parámetro importante es m, la «ventana de historial» del usuario o la cantidad de artículos anteriores en la línea que el ser puede recordar.

ME QUEDO CON (10 y 11):

  1. Ayudar a comprender ideas
  2. Coherencia, cobertura y relación (asociación) entre piezas (partes) de contenido
  3. Inferir ideas
  4. Muestran (explican) la relación entre diferentes piezas de contenido
  5. La coherencia no corresponde a la relevancia
  6. Más esfuerzos por la diversidad que por la redundancia (repetición).
  7. La conectividad espacializa la información
  8. Para asuntos complejos
  9. Demasiado amplio el tema, se desfigura, demasiado estrecho lo limita.
  10. Necesita una consulta
  11. El tamaño del mapa depende del volumen del vocabulario

Aplicaciones

Noticias.

Las consecuencias de actuar sin comprender el panorama general pueden ser adversas. Sin embargo, con la cantidad cada vez mayor de contenido publicado todos los días, los lectores pueden perderse fácilmente el panorama general en medio de una avalancha de datos.

Dado que el objetivo de los mapas es ayudar a las personas a navegar por la información…

Con base en los resultados del estudio, especulamos que los mapas son más útiles para historias sin una sola trama dominante.

ME QUEDO CON (12):

  1. Ayudar a comprender ideas
  2. Coherencia, cobertura y relación (asociación) entre piezas (partes) de contenido
  3. Inferir ideas
  4. Muestran (explican) la relación entre diferentes piezas de contenido
  5. La coherencia no corresponde a la relevancia
  6. Más esfuerzos por la diversidad que por la redundancia (repetición).
  7. La conectividad espacializa la información
  8. Para asuntos complejos
  9. Demasiado amplio el tema, se desfigura, demasiado estrecho lo limita.
  10. Necesita una consulta
  11. El tamaño del mapa depende del volumen del vocabulario
  12. Los mapas tienen más valor para temas sin trama dominante (plurales).

Ciencia

Los usuarios de mapas superaron a los usuarios de solo Google en todos los parámetros, con una puntuación media del 84,5 %, y descubrieron una media de 1,62 artículos seminales. Los usuarios de Google lograron una puntuación del 74,2% y encontraron 1,2 artículos seminales en promedio. La puntuación media de recuerdo de los usuarios del mapa fue del 73,1 %, en comparación con el 46,4 % de Google.

ME QUEDO CON (13):

  1. Ayudar a comprender ideas
  2. Coherencia, cobertura y relación (asociación) entre piezas (partes) de contenido
  3. Inferir ideas
  4. Muestran (explican) la relación entre diferentes piezas de contenido
  5. La coherencia no corresponde a la relevancia
  6. Más esfuerzos por la diversidad que por la redundancia (repetición).
  7. La conectividad espacializa la información
  8. Para asuntos complejos
  9. Demasiado amplio el tema, se desfigura, demasiado estrecho lo limita.
  10. Necesita una consulta
  11. El tamaño del mapa depende del volumen del vocabulario
  12. Los mapas tienen más valor para temas sin trama dominante (plurales).
  13. Parece confirmarse una mayor retención y comprensión general

Uso de mapas

Nos basamos en el marco tradicional de recuperación de información, caracterizando a un usuario por una necesidad de información. Los usuarios formulan sus necesidades de información y envían consultas a un sistema. Si no está satisfecho con los resultados, podrá interactuar con el sistema a través de consultas reformuladas hasta quedar satisfecho.

Necesidades de información.

Los mapas no pretenden reemplazar los motores de búsqueda; muchas consultas de los motores de búsqueda están extremadamente enfocadas y las necesidades de información correspondientes a menudo se satisfacen con una frase simple.

Por el contrario, los mapas están diseñados para mostrar conexiones entre múltiples piezas de información. En términos de la taxonomía de Broder, los mapas son principalmente útiles para consultas informativas y de poca utilidad para consultas transaccionales y de navegación.

Las consultas informativas son impulsadas por la necesidad de un usuario de aprender algo.

Para caracterizar los diferentes tipos de aprendizaje, nos basamos en la taxonomía de Bloom, que identifica seis categorías cognitivas que caracterizan los procesos de aprendizaje, desde recordar hechos hasta emitir juicios.

Distinguimos entre dos categorías de necesidades de información para los usuarios de mapas. (Aprender e Investigar)

“Aprender” corresponde a los tres niveles inferiores de la taxonomía de Bloom; el objetivo del usuario es adquirir conocimiento. Un usuario en la categoría de aprendizaje podría estar interesado en examinar un tema concreto, que puede ser nuevo para el usuario o familiar que el usuario desea monitorear.

Alternativamente, el usuario puede desear explorar y navegar alrededor de un punto de partida. La navegación es una aplicación prometedora para mapas, con muchos sitios de noticias que incluyen una función de «artículos relacionados». Maps puede aumentarlo, lo que permite a los usuarios ver el artículo en un contexto más amplio.

La categoría «investigar» corresponde a los niveles más altos de la taxonomía de Bloom, donde los usuarios buscan producir resultados.

En él, los usuarios buscan transformar los datos existentes en patrones útiles, buscando lagunas en el conocimiento actual. Analizan y sintetizan diferentes piezas de información, buscando generalizaciones plausibles que puedan resultar en nuevos conocimientos. En particular, estos usuarios podrían estar interesados en contrastar y comparar múltiples mapas.

ME QUEDO CON (14):

  1. Ayudar a comprender ideas
  2. Coherencia, cobertura y relación (asociación) entre piezas (partes) de contenido
  3. Inferir ideas
  4. Muestran (explican) la relación entre diferentes piezas de contenido
  5. La coherencia no corresponde a la relevancia
  6. Más esfuerzos por la diversidad que por la redundancia (repetición).
  7. La conectividad espacializa la información
  8. Para asuntos complejos
  9. Demasiado amplio el tema, se desfigura, demasiado estrecho lo limita.
  10. Necesita una consulta
  11. El tamaño del mapa depende del volumen del vocabulario
  12. Los mapas tienen más valor para temas sin trama dominante (plurales).
  13. Parece confirmarse una mayor retención y comprensión general.
  14. Los motores de búsqueda sirven para aprender, los mapas para investigar, que requiere interrelacionar para obtener nuevos conocimientos.

Interacción

La interacción es crucial para el éxito de los mapas de metro. Los usuarios suelen saber con precisión lo que quieren encontrar, pero no les resulta fácil sintetizar sus ideas en unas pocas palabras clave.

Por lo tanto, los mapas deberían permitir la interacción. Muchos modelos de interacción se pueden integrar naturalmente con mapas de metro.

… discutimos dos mecanismos de interacción que hemos implementado: “zoom” y “retroalimentación de palabras”.

Zoom. Algunos usuarios están interesados en una descripción general rápida y de alto nivel de un tema, mientras que otros desean profundizar en los detalles.

Por lo tanto, queremos que nuestros mapas sean ampliables.

Dado que los mapas son ricamente expresivos, existen múltiples formas de interpretar las interacciones de zoom.

Hemos implementado tres interpretaciones: el zoom podría afectar la resolución de tiempo; la resolución de grupos podría hacer que los grupos se dividan y fusionen; y los usuarios podrían concentrarse en una línea de metro en particular.

Retroalimentación de palabras. Cuando un usuario interactúa con un mapa, lo ideal es que el mapa admita comentarios del tipo «Cuéntame más sobre la reacción de la UE a la crisis» o «No estoy interesado en los Red Sox [equipo de béisbol]«.

Proponemos «retroalimentación basada en funciones» en su lugar para proporcionar una forma natural de respaldar las consultas discutidas anteriormente; el usuario podría aumentar la importancia de la palabra “UE” y disminuir la importancia del “béisbol” para lograr el efecto deseado.

ME QUEDO CON (15):

  1. Ayudar a comprender ideas
  2. Coherencia, cobertura y relación (asociación) entre piezas (partes) de contenido
  3. Inferir ideas
  4. Muestran (explican) la relación entre diferentes piezas de contenido
  5. La coherencia no corresponde a la relevancia
  6. Más esfuerzos por la diversidad que por la redundancia (repetición).
  7. La conectividad espacializa la información
  8. Para asuntos complejos
  9. Demasiado amplio el tema, se desfigura, demasiado estrecho lo limita.
  10. Necesita una consulta
  11. El tamaño del mapa depende del volumen del vocabulario
  12. Los mapas tienen más valor para temas sin trama dominante (plurales).
  13. Parece confirmarse una mayor retención y comprensión general.
  14. Los motores de búsqueda sirven para aprender, los mapas para investigar, que requiere interrelacionar para obtener nuevos conocimientos.
  15. Que una vez creado un mapa sea manipulable y no requiera crear uno nuevo.

Trabajo relacionado

Sin embargo, se ha realizado un trabajo extenso en innumerables direcciones relacionadas, desde la detección y el seguimiento de temas hasta el resumen y la minería de texto temporal.

En primer lugar, nuestro sistema tiene una salida estructurada, por lo que no solo selecciona fragmentos de información, sino que muestra explícitamente las conexiones entre ellos.

Sin embargo, en todos estos métodos no existe la noción de rutas de gráficos como argumentos coherentes.

Otros métodos más consideran la coherencia a nivel de ruta, en el sentido de que agregan una puntuación de similitud en todos los documentos de la cadena. Sin embargo, no consideran el orden de los documentos ni la fuerza del eslabón más débil y pueden asignar alta coherencia a las cadenas a pesar de las malas transiciones.

Garantizar transiciones sólidas entre cadenas facilita la adquisición y comprensión del conocimiento.

ME QUEDO CON (16):

  1. Ayudar a comprender ideas
  2. Coherencia, cobertura y relación (asociación) entre piezas (partes) de contenido
  3. Inferir ideas
  4. Muestran (explican) la relación entre diferentes piezas de contenido
  5. La coherencia no corresponde a la relevancia
  6. Más esfuerzos por la diversidad que por la redundancia (repetición).
  7. La conectividad espacializa la información
  8. Para asuntos complejos
  9. Demasiado amplio el tema, se desfigura, demasiado estrecho lo limita.
  10. Necesita una consulta
  11. El tamaño del mapa depende del volumen del vocabulario
  12. Los mapas tienen más valor para temas sin trama dominante (plurales).
  13. Parece confirmarse una mayor retención y comprensión general.
  14. Los motores de búsqueda sirven para aprender, los mapas para investigar, que requiere interrelacionar para obtener nuevos conocimientos.
  15. Que una vez creado un mapa sea manipulable y no requiera crear uno nuevo.
  16. Subraya la importancia de la solidez y explicación de las conexiones entre documentos.

Conclusión

Hemos esbozado nuestros estudios hasta la fecha sobre métodos que extraen información y construyen mapas de metro resumidos.

Dada una consulta, nuestros algoritmos generan conjuntos estructurados y concisos de argumentos que maximizan la cobertura de información destacada.

Lo más importante es que los mapas de metro muestran explícitamente las relaciones entre las líneas.

Hemos aplicado mapas de metro para ayudar a las personas a comprender noticias, áreas de investigación, casos legales y obras literarias. Llevamos a cabo prometedores estudios piloto de usuarios sobre conjuntos de datos del mundo real en varios dominios. Los resultados sugieren que los mapas metropolitanos ayudan a los usuarios a adquirir conocimientos de manera más eficiente.

Nuestro trabajo también tiene varias limitaciones que sería interesante abordar en el futuro; por ejemplo, nuestra noción de coherencia asume la repetición de palabras, por lo que nuestro sistema no puede manejar documentos extremadamente cortos (como publicaciones de Twitter).

Otra dirección interesante es el mecanismo del punto de vista, que permite a los usuarios ver un tema a través de los ojos de otra persona (como un demócrata que pregunta por el punto de vista republicano).

Esta línea de trabajo puede conducir a herramientas que ayuden a las personas a navegar y comprender ideas, tendencias, conexiones e historias en medio de una explosión de información.

ME QUEDO CON (17):

  1. Ayudar a comprender ideas
  2. Coherencia, cobertura y relación (asociación) entre piezas (partes) de contenido
  3. Inferir ideas
  4. Muestran (explican) la relación entre diferentes piezas de contenido
  5. La coherencia no corresponde a la relevancia
  6. Más esfuerzos por la diversidad que por la redundancia (repetición).
  7. La conectividad espacializa la información
  8. Para asuntos complejos
  9. Demasiado amplio el tema, se desfigura, demasiado estrecho lo limita.
  10. Necesita una consulta
  11. El tamaño del mapa depende del volumen del vocabulario
  12. Los mapas tienen más valor para temas sin trama dominante (plurales).
  13. Parece confirmarse una mayor retención y comprensión general.
  14. Los motores de búsqueda sirven para aprender, los mapas para investigar, que requiere interrelacionar para obtener nuevos conocimientos.
  15. Que una vez creado un mapa sea manipulable y no requiera crear uno nuevo.
  16. Subraya la importancia de la solidez y explicación de las conexiones entre documentos.
  17. Sopesan introducir el mecanismo del punto de vista, para asuntos subjetivos e ideológicos.

Conclusiones propias

Este estudio sugiere claramente que sirven los mapas de información para asuntos complejos, lo que deja a los buscadores como herramientas de recuperación de información pequeñas.

Puede sugerirse que los mapas de información serían el hermano mayor de los actuales buscadores de internet… O que la cartografía de la información son los padres de los buscadores, es decir, estamos más cerca del funcionamiento de los buscadores que de la construcción de sitios web.

Muy destacabale la insistencia en la importancia de describir o razonar las conexiones entre unos puntos de información y otros.

Este artículo publicado en 2015, anticipa de alguna manero lo que ahora en el sector del SEO se entienden como entidades, aún así, desde Google estas entidades se muestran con un coroloario de resultados y la conexión entre esos resultados no es explicada ni razonada.

Leemos que Google prefiere ofrecer diversidad en sus SERP, pero una secuencia de contenidos al estilo del 1 al 10, más su Knowledge Graph no se autoexplica ni deja intervenir sobre el como sugiere este estudio… Ese Knowledge graph, perfectamente se entendería igual nombrándolo Knowledge map.

Además esa diversidad en las SERP, podría ser similar al caso que mencionan los autores del estudio, que al ampliar demasiado la cobertura se desfigura el mapa y no ayuda a la comprensión.

Por ejemplo, si busco al muy recurrido para estos ejemplos, Barack Obama, ese Knowledge graph basado en mapas de información interactivos, debería poder insertarle variables: solo en EEUU, o Barack más familiar… sin tener que repetir la búsqueda.

Asociaciones artísticas: contextualización y ampliación

A pesar de que no me gusta nada la solución visual de los metro maps como el caso Rock’n’roll metro map, un poco más interesante el del caso de Crimea, sí hay similitudes artísticas.

Kazimir Malévich

Kazimir Severínovich Malévich (1879 – 1935), fue un pintor ruso de origen polaco​, creador del suprematismo, uno de los movimientos de la vanguardia rusa del siglo XX.

(Fuente Wikipedia).

Suprematismo número 38, fuente arthive.com

Piet Mondrian

Pieter Cornelis Mondriaan (1872 – 1944), fue un pintor vanguardista neerlandés. Fue miembro de la corriente De Stijl y fundador del neoplasticismo, junto con Theo van Doesburg. Evolucionó desde el naturalismo y el simbolismo hasta la abstracción, de la cual es el principal representante inaugural junto a los rusos Vasili Kandinski y Kazimir Malévich.

(Fuente Wikipedia).

Composición con azul, amarillo, rojo, negro y gris, (fuente t13.cl)

New York City I, (fuente Wikipedia )

Yturralde

Jose María Yturralde (1942), es pintor, profesor y artista español. En 1968 accede como becario al Centro de Cálculo de la Universidad de Madrid, donde realizó sus primeros trabajos con ordenadores. Ha ganado diversos premios y realizado estancias en el extranjero, entre otros centros, en el MIT, donde entró en contacto con György Kepes, Otto Piene, Jürgen Claus, Walter De Maria y Mark Mendel entre otros.

(Fuente Wikipedia)

Figura imposible 1978, (fuente geometricae.com)

Jose María Yturralde - Cartografía de la Información

Josef Albers

Josef Albers (1888 – 1976) fue un artista y profesor alemán cuyo trabajo, tanto en Europa como en los Estados Unidos, creó la base de algunos de los programas de educación artística más influyentes del siglo xx. Su esposa fue la también artista Anni Albers.

(Fuente Wikipedia)

Casa blanca B, (fuente museothyssen.org)

Josef Albers - Cartografía de la Información