Arqueólogos de Internet reconstruyen páginas web perdidas

Internet está desapareciendo. Y con él va una parte importante de nuestra historia registrada. Esa fue la conclusión de un estudio que analizó este blog el año pasado, que midió la velocidad a la que los enlaces compartidos en plataformas de redes sociales como Twitter estaban desapareciendo.

La conclusión fue que estos datos se pierden a una tasa del 11% en un año y del 27% en dos años.

Hoy, los investigadores detrás de este trabajo revelan que no todo está perdido. Hany Salah Eldeen y Michael Nelson de la Universidad Old Dominion en Norfolk, Virginia, han encontrado una manera de reconstruir el material eliminado y dicen que funciona razonablemente bien.

Primero, algunos antecedentes. Estos chicos comenzaron su trabajo estudiando los miles de tweets, publicaciones de blogs y otros recursos que se publicaron durante los 18 días de levantamiento de la revolución egipcia en 2011. Estos recursos fueron importantes, dicen, porque brindan un registro valioso de un histórico evento.

Sin embargo, también descubrieron que algunas de estas publicaciones y otras en la web estaban desapareciendo y comenzaron a medir la velocidad a la que desaparecían. De ahí los números dados arriba.

El nuevo trabajo es su intento de reconstruir estas publicaciones y recursos faltantes, al menos en parte, a partir de las pistas que dejan en la web.

SalahEldeen y Nelson comenzaron por intentar confirmar los resultados anteriores y eso arrojó una sorpresa. Un fenómeno interesante ocurrió cuando varios de los recursos que anteriormente se declararon como desaparecidos volvieron a estar disponibles, dicen.

Eso es posible si la desaparición original fue el resultado de un dominio o archivo interrumpido que luego se restauró, o una cuenta de usuario que se suspendió y luego se restableció.

Así que SalahEldeen y Nelson se preguntaron cómo sería posible encontrar este material resucitado, incluso cuando ya no se encuentra en su vecindario cibernético original. Señalan que la mayoría de los recursos compartidos dejan rastros en otros lugares de la web, como retweets, hashtags, comentarios, etc.

La idea que se les ocurrió a SalahEldeen y Nelson fue intentar reconstruir un recurso perdido mediante la búsqueda de las huellas dejadas en la web. Para eso, utilizaron el buscador de Twitter Topsy, que les permite ingresar la dirección de un recurso faltante y devuelve los tweets que se refieren a él. Esta es la firma del tweet del recurso.

A continuación, extraen los cinco términos más frecuentes de esta firma y los utilizan como consulta de búsqueda en Google. El resultado es una lista de posibles reemplazos del recurso perdido.

Una pregunta importante, por supuesto, es qué tan cerca los candidatos de reemplazo coinciden con el recurso original. Para probar esto, SalahEldeen y Nelson llevaron a cabo el mismo proceso para los recursos que no habían desaparecido y luego compararon a los candidatos de reemplazo con los originales. Dicen que los reemplazos tenían un 70% de similitud textual con el recurso original aproximadamente el 40% del tiempo.

No es perfecto, por supuesto, pero es mejor que nada. Y quizás con el tiempo sea posible hacerlo mejor.

Lo interesante es que este proceso es una especie de arqueología de Internet que reconstruye una página web histórica a partir del contexto en el que ocurrió. Esa es una nueva disciplina fascinante.

En el mundo real, los arqueólogos y antropólogos se han vuelto muy hábiles para reconstruir la historia natural de esta manera. Las conclusiones que se pueden extraer del descubrimiento y análisis de un solo diente, por ejemplo, son realmente asombrosas.

No hay ninguna razón por la que los arqueólogos de Internet no puedan volverse tan hábiles.

Ref: arxiv.org/abs/1309.2648 : Resucitando mi revolución: Uso de Social Link Neighborhood para traer contexto a la Web que desaparece

esconder