Cibermetría Introducción teórico-práctica a una disciplina emergente

Transcripción

1 Cibermetría Introducción teórico-práctica a una disciplina emergente Isidro F. Aguillo Version 0.81 (Febrero 2003) isidro@cindoc.csic.es CINDOC-CSIC

2 Presentación: Isidro F. Aguillo Puesto actual Laboratorio de Internet. Centro Nacional de Información y Documentación Científica (CINDOC). Consejo Superior de Investigaciones Científicas (CSIC) BIRG (Bibliometric + Informetric Research Group). University of New South Wales. Formación Licenciado CC. Biológicas (UCM) Master en Información y Documentación (UC3M) Líneas de trabajo y otros datos Proyectos nacionales: TECNOCIENCIA (portal de I+D), ICYTnet (Bibliotecas Virtuales), Ciencia e Internet (Análisis, descripción y evaluación) Proyectos europeos: WISER (cibermetría), EICSTES (indicadores I+D), PEKING (gestión del conocimiento), SALUT (anorexia y bulimia), IMPACT-INFO2000 (sociedad de la información) Revistas: Editor Cybermetrics ; Comité asesor El Profesional de la Información Sociedades: Junta Directiva SEDIC. Director Sector Información ASEDIE Premio IWE 1996 Personalidad del año

3 Agenda Definición y objeto de la cibermetría Cibermetría descriptiva El tamaño de Internet Infraestructuras: Ordenadores, servidores y dominios Cibergeografía, Ciberdemografía Webespacio El problema de los gtld Traductores de IP El Webespacio académico Ficheros ricos y ficheros media Idiomas en la red Internet invisible

4 Agenda (II) Métodos, herramientas y aplicaciones (I) Captura directa: Agentes personales Volcadores, inspectores de enlaces y mapeadores Métodos indirectos Motores de búsqueda: - Características y problemática Multibuscadores Cibermetría de los motores de búsqueda Tamaño y solapamiento Composición y estructura Calidad, actualización y cobertura Recuperación automática inteligente Cibercienciometría Desarrollo de indicadores de I+D en el Web Análisis de enlaces hipertextuales (sitas) y Factor de Impacto Web Co-sitación, redes sociales y teoría del small world Bibliometría de revistas electrónicas y depósitos de documentos

5 Agenda (III) Métodos, herramientas y aplicaciones (II) Evaluación cuantitativa de sedes Web El modelo Google (PageRank) Calidad de los enlaces, visibilidad e impacto Webmetría Análisis de las visitas a sedes Web (Web usage Mining) Informetría Web data mining Leyes informetricas Ley de Lotka (Zipf)

6 Definición Cibermetría es la disciplina dedicada a la descripción cuantitativa de los contenidos y procesos de comunicación que se producen en el ciberespacio Ciberespacio es el conjunto de contenidos accesibles en formato electrónico. La condición de accesibilidad universal de Internet aconseja utilizar el termino como sinónimo de la Internet de los contenidos, fundamentalmente pero no exclusivamente, el webespacio Puesto que la Cibercienciometría es el sub-campo más desarrollado, por razones prácticas se nombra con el término más general de Cibermetría o el más específico de Webometría

7 Disciplinas cuantitativas informetría bibliometría Cibercienciometría cienciometría cibermetría webometría Adaptado de Björneborn

8 Contenidos CIBERSPACIO (Contenidos en formato electrónico) I N T E R N E T CONTENIDOS INTERNET FÍSICA , FOROS, USENET NEWS WEB VISIBLE INTERNET WEBSPACE WEB PÚBLICA INTERNET INVISIBLE INVISIBLE INFRANET DATOS SOBRE EL USO INTRANET TOPOLOGÍA, TRAFICO, DEMOGRAFÍA, GEOGRAFÍA OTROS NO INTERNET

9 Unidades DOMINIO FÍSICO DOMINIO LÓGICO Dominio Sitio Directorio Documento Sede gtld ctld Institucional Sede anidada ctlsd Subdominio *com, *net, *org *biz, *name, *aero *uk, *ar *es, *fr *ac.uk, *edu.ar *edu *csic.es *rediris.es *cindoc.csic.es icytnet.cindoc.csic.es *.html *.pdf, *.doc, *.ps

10 INFRANET WEB INVISIBLE INTERNET INVISIBLE Bases de datos Bibliograficas Bases de datos Alfanuméricas Ficheros no texto Pasarelas TAMAÑO Catálogos de bibliotecas 40,000 webopac Otras bases de datos bibliográficas Obras de referencia: Enciclopedias, diccionarios Estadisticas y datos numéricos Bases de datos de texto completo Páginas huerfanas Ficheros ricos (pdf, ps, ppt..) Ficheros media Palabras de acceso Depósitos de documentos y revistas electrónicas 500,000 bases de datos ~22% millones > revistas electrónicas Páginas dinámicas ASP, PHP 100+ millones 2-50 veces mayor que la web visible

11 Ventajas métricas La presencia en el Web refleja mas y mejor las actividades de la institución o individuo que las publicaciones tradicionales en papel En el entorno académico, profesores, investigadores y estudiantes colocan en la Red material inédito, borradores de trabajos, versiones preliminares de artículos, material para cursos, transparencias para presentaciones o bases de datos El Web alcanza una mayor audiencia que otros medios tradicionales de comunicación científica. Las revistas científicas tienen una distribución restringida La naturaleza hipertextual del Web ofrece la posibilidad de descubrir patrones ocultos entre las diferentes sedes Las sedes académicas a menudo enlazan con otras sedes con las que tienen relaciones de carácter económico, industrial, cultural, político o social.

12 Cibergeografía, ciberdemografía Datos y fuentes Internet Geography Project Cybergeography Nua Surveys Herramientas Encuestas Portal AUI Visualización Mapas (geográficos) Matrix Mapas conceptuales Map.net maps.map.net

13 Dec-95 Apr-96 Aug-96 Dec-96 Apr-97 Aug-97 Dec-97 Apr-98 Aug-98 Dec-98 Apr-99 Aug-99 Dec-99 Apr-00 Aug-00 Dec % World Population Using Internet Ciberdemografía Apr-01 Aug-01 Dec-01 Apr-02

14 Ciberdemografía Worldwide Numbers with Internet Access (millions) (Source: and projection) [projection based on extrapolating Sep99-Sep00 growth] Dec-95 Dec-96 Dec-97 Dec-98 Dec-99 Dec-00 Dec-01 Dec-02 Dec-03 Dec-04 Dec-05

15 Cibergeografía

16 NUA Surveys

17 Encuestas (Portal AUI)

18 Mapas (geográficos)

19 Map Net

20 Tamaño de Internet Infraestructuras: Ordenadores, servidores y dominios Hosts Lottor (Mundo) RIPE (Europa) Asia Web Watchwww.ciolek.com/Asia-Web-Watch/mainpage.html Servidores Netcraft Dominios Mundo España Estudios Experimentos Capturando Tablas con Excel Servidores en universidades iberoamericanas

21 Evolución de Internet (Lottor)

22 Lottor y Excel

23 Netcraft

24 Zooknic

25 Contenidos en el Web Webespacio Spireproject 10/02) Depósitos Archive Google Cache Tráfico millones (páginas spireproject.com/art13.htm El 80% de las sesiones de navegación en el Web implican el uso de un motor de búsqueda o un directorio. Yahoo y, muy especialmente, Google son los más importantes intermediarios

26 Wayback Machine

27 El problema de los gtld gtld Tradicionales: com, org, net, int (eu.int) Nuevos: biz, info, name, aero, coop, museum De facto: cx, tv, cc Casos especiales: edu Experimentos Euroseek (API Google) Delimitador site: Problemática Dominios y países Dominios internacionales Traductores de IP IP Locator

28 TAMAÑO DEL WEBESPACIO gtld + US Europa Asia-Australasia America/Africa Puesto Webpaginas Puesto Webpaginas Puesto Webpaginas Puesto Webpaginas 1 com de jp br org uk kr ca net ru au za edu nl cn ar to it tw mx us pl nz cl gov ch il co nu cz tr pe cc fr hk ve mil dk sg uy vu se my cr tv at th cu info no id ma ws fi in ec int es ph eg Fuente: FAST (July 2002)

29 Euroseek (API Google)

30 REST WORLD 65% REST WORLD 61% REST WORLD 56% TLD.com TLD.net TLD.org FR UK 5% DE 4% 9% IT 4% ES 4% NL 3% SE 3% UK 9% OTHER EU 3% UK 9% DE 5% OTHER EU 7% FR 7% OTHER EU 8% FR 4% IT 4% NL 4% ES 3% DE 6% IT 5% NL 4% AT 2% FI 3% ES 3% OTHER EU 3% UK 2% REST WORLD 26% ES 4% DE 5% IT 5% TLD.int FR 6% BE 17% Contribution of EU gtld REST WORLD 63% UK 8% FR 5% OTHER EU 4% LU 32% DE 4% IT 4% NL 3% ES 3% SE 2% BE 1% FI 1% Intranet NO 2% Fuente: Euroseek, Julio 2002

31 IP Locator

32 El Webespacio académico Sedes Dominios institucionales OCLC Web Characterizacion wcp.oclc.org Sitios y Sedes Webespacio académico Subdominios académicos Directorios de universidades y centros de investigación Braintrack Universities Worldwide geowww.uibk.ac.at/univ Galilei HEIR siu.no/heir Portal Tecnociencia Universia

33 Subdominios académicos ac.ae ac.in ac.rw edu.am edu.cn edu.hk edu.mm edu.pk edu.ua ac.at ac.ir ac.se edu.ar edu.co edu.hn edu.mn edu.pl edu.uy ac.bd ac.je ac.sg edu.au edu.cu edu.hu edu.mo edu.pr edu.ve ac.be ac.jp ac.sz edu.az edu.dm edu.jm edu.mp edu.pt edu.vg ac.bw ac.ke ac.th edu.ba edu.do edu.jo edu.mt edu.py edu.vn ac.by ac.kr ac.tz edu.bb edu.dz edu.kg edu.mx edu.qa edu.ws ac.ci ac.lk ac.ug edu.bh edu.ec edu.kh edu.my edu.ru edu.ye ac.cn ac.lv ac.uk edu.bm edu.ee edu.kn edu.na edu.sa edu.yu ac.cr ac.ma ac.uz edu.bn edu.eg edu.kw edu.nf edu.sg edu.za ac.cy ac.mu ac.vn edu.bo edu.gd edu.ky edu.ng edu.sh edu.zm ac.fj ac.mz ac.yu edu.br edu.ge edu.kz edu.ni edu.st ac.gg ac.nz ac.za edu.bs edu.gh edu.lb edu.np edu.sv ac.gs ac.pa ac.zm edu.bt edu.gr edu.lc edu.om edu.to ac.id ac.pg ac.zw edu.by edu.gs edu.li edu.pa edu.tr ac.il ac.pl acad.bg edu.bz edu.gt edu.lv edu.pe edu.tt ac.im ac.ru edu.al edu.ck edu.gu edu.mk edu.ph edu.tw

34 Proporción de recursos académicos Taiwan Thailand Turkey Is ra e l Ho ng Ko ng Aus tralia B e lgium Unite d Kingdo m Aus tria Ko re a South Africa Singapore Japan Argentina Poland New Zealand academic non academic 0% 20% 40% 60% 80% 100% Euroseek, Julio 2002

35 Ficheros ricos y ficheros media Ficheros ricos Definición y tipos Adobe Acrobat y Postcript MS Office: Word (doc, rtf), Excel (xls), Powerpoint (ppt) Tamaño: Practicas con Google, FAST y Altavista Métodos directos (pdf) Métodos indirectos (delimitadores) Ficheros media Definición y tipos FilExt Localización en motores Términos (FAST) Delimitadores (Altavista, Inktomi) Bases de datos autónomas (Google)

36 Google (filetype)

37 Google (filetype) Composición y evolución de los tipos de fichero según Google Extensiones 11-nov may oct-02 Extensiones 11-nov may oct-02 html, htm ps asp, aspx, dsp, jsp py php, php3, php xls shtm, shtml ppt cgi stm pdf rtf cfm class, jar c, cc, cpp, cxx, inc, java, pas, pl, bmp, gif, jpg, png sh, tcl, bat zip, gz, bz txt, text, csv gsp swf wml phtml, phtm rdf doc htx jhtml, jhtm fcgi xml, xhtml, xsl, dtd dwg exe lasso

38 Ficheros ricos en ciertos dominios WOR LD SPAIN AUSTRIA NORWAY BRAZIL SWITZERLAND DENMARK SWEDEN TAIWAN CZECHIA POLAND KOR EA rtf ppt xls ps doc pdf AUSTRALIA CHINA CANADA FRANCE NETHERLANDS IT A LY RUSSIA UNITED KINGDOM JAPAN GERMANY 0% 20% 40% 60% 80% 100% Euroseek, July 2002

39 ac.nz edu.pl edu.ar ac.jp edu.sg ac.za ac.kr ac.at ac.uk ac.be edu.au edu.hk ac.il edu.tr ac.th edu.tw Ficheros ricos en dominios académicos 100,00% 90,00% 80,00% 70,00% 60,00% 50,00% 40,00% 30,00% 20,00% 10,00% 0,00% pdf ps ppt doc rich files all Euroseek, Julio 2002

40 FilExt

41 Imágenes en Google

42 Media en Inktomi (MSN Search)

43 Idiomas en la red Fuentes y estudios Usuarios según idioma Global Reach globalreach.biz/globstats/index.php3 Composición del webespacio Experimentos con buscadores Google FAST Altavista Inktomi (Hotbot/MSN Search) Copernic

44 Idiomas en la red Idiomas utilizados para acceder a Google March October

45 Idiomas en Google

46 Idiomas (Google) <lr> value Idioma Código Idioma Código Arabic lang_ar Icelandic lang_is Chinese (S) lang_zh-cn Italian lang_it Language Chinese (T) lang_zh-tw Japanese lang_ja Czech lang_cs Korean lang_ko Danish lang_da Language Latvian lang_lv Dutch lang_nl Lithuanian lang_lt English lang_en Norwegian lang_no Estonian lang_et Portuguese lang_pt Finnish lang_fi Polish lang_pl French lang_fr Romanian lang_ro German lang_de Russian lang_ru Greek lang_el Spanish lang_es Hebrew lang_iw Swedish lang_sv Hungarian lang_hu Turkish lang_tr

47 Países (Google) Andorra AD Bhutan BT Estonia EE Guinea-Bissau GW Kazakhstan KZ United Arab Emirates AE Bouvet Island BV Egypt EG Guyana GY Lao PDR LA Afghanistan AF Botswana BW Western Sahara EH Hong Kong HK Lebanon LB Antigua and Barbuda AG Belarus BY Eritrea ER Heard and Mc Donald Islands HM Saint Lucia LC Anguilla AI Belize BZ Spain ES Honduras HN Liechtenstein LI Albania AL Canada CA Ethiopia ET Croatia (Hrvatska) HR Sri Lanka LK Language Armenia AM Cocos (Keeling) Islands CC European Union EU Haiti HT Liberia LR Netherlands Antilles AN Congo, DR CD Finland FI Hungary HU Lesotho LS Angola AO Central African Republic CF Fiji FJ Indonesia ID Lithuania LT Antarctica AQ Congo CG Falkland Islands (Malvinas) FK Ireland IE Luxembourg LU Language Argentina AR Switzerland CH Micronesia, FS FM Israel IL Latvia LV American Samoa AS Cote D'ivoire CI Faroe Islands FO India IN Libya LY Austria AT Cook Islands CK France FR British Indian Ocean Terr. IO Morocco MA Australia AU Chile CL France, Metropolitan FX Iraq IQ Monaco MC Aruba AW Cameroon CM Gabon GA Iran IR Moldova MD Azerbaijan AZ China CN United Kingdom UK Iceland IS Madagascar MG Bosnia and Herzegowina BA Colombia CO Grenada GD Italy IT Marshall Islands MH Barbados BB Costa Rica CR Georgia GE Jamaica JM Macedonia, FYR MK Bangladesh BD Cuba CU French Quiana GF Jordan JO Mali ML Belgium BE Cape Verde CV Ghana GH Japan JP Myanmar MM Burkina Faso BF Christmas Island CX Gibraltar GI Kenya KE Mongolia MN Bulgaria BG Cyprus CY Greenland GL Kyrgyzstan KG Macau MO Bahrain BH Czech Republic CZ Gambia GM Cambodia KH Northern Mariana Islands MP Burundi BI Germany DE Guinea GN Kiribati KI Martinique MQ Benin BJ Djibouti DJ Guadeloupe GP Comoros KM Mauritania MR Bermuda BM Denmark DK Equatorial Guinea GQ Saint Kitts and Nevis KN Montserrat MS Brunei Darussalam BN Dominica DM Greece GR Korea, DPR KP Malta MT Bolivia BO Dominican Republic DO South Georgia/South Sandwich I. GS Korea, Republic of KR Mauritius MU Brazil BR Algeria DZ Guatemala GT Kuwait KW Maldives MV Bahamas BS Ecuador EC Guam GU Cayman Islands KY Malawi MW

48 Países II (Google) Mexico MX Qatar QA Tokelau TK Malaysia MY Reunion RE Turkmenistan TM Mozambique MZ Romania RO Tunisia TN Namibia NA Russian Federation RU Tonga TO New Caledonia NC Rwanda RW East Timor TP Niger NE Saudi Arabia SA Turkey TR Norfolk Island NF Solomon Islands Language SB Trinidad and Tobago TT Nigeria NG Seychelles SC Tuvalu TV Nicaragua NI Sudan SD Taiwan TW Netherlands NL Sweden SE Tanzania TZ Norway NO Singapore Language SG Ukraine UA Nepal NP St. Helena SH Uganda UG Nauru NR Slovenia SI United States Minor Outlying I. UM Niue NU Svalbard and Jan Mayen Is. SJ United States US New Zealand NZ Slovakia (Slovak Republic) SK Uruguay UY Oman OM Sierra Leone SL Uzbekistan UZ Panama PA San Marino SM Holy See (Vatican City State) VA Peru PE Senegal SN Saint Vincent and the Grenadines VC French Polynesia PF Somalia SO Venezuela VE Papua New Guinea PG Suriname SR Virgin Islands (British) VG Philippines PH Sao Tome and Principe ST Virgin Islands (U.S.) VI Pakistan PK El Salvador SV Vietnam VN Poland PL Syria SY Vanuatu VU St. Pierre and Miquelon PM Swaziland SZ Wallis and Futuna Islands WF Pitcairn PN Turks and Caicos Islands TC Samoa WS Puerto Rico PR Chad TD Yemen YE Palestine PS French Southern Territories TF Mayotte YT Portugal PT Togo TG Yugoslavia YU Palau PW Thailand TH South Africa ZA Paraguay PY Tajikistan TJ Zambia ZM

49 Idiomas (Altavista) Language Language

50 Países (Altavista) Language Language

51 Internet invisible Características Tamaño y Calidad Fuentes Complete Planet Internet Invisible Descripción Identificación Institución País/Idioma Temática Cuantitativa Tamaño Visibilidad Cualitativa Estructura Cobertura Actualización Recuperación

52 Complete Planet

53 Agentes personales (I) Volcadores AaronWebVacuum 1.00 JOC WebSpider 3.42 Teleport Pro 1.29 Leech WebCopier 3.20 BackStreet 2.8 BlackWidow 4.16 MemoWeb 4.0 Offline Commander 1.8 WebReaper 9.8 Offline Explorer Pro 2.5 PowerSiphon 1.1 Website Extractor 8.35 Express Web Resource 1.1 WebWhacker WebZip

54 Agentes personales (II) Inspectores de enlaces Alert LinkRunner 4.7 HTML Link Validator 3.43 HTML Validator Professional 5.50 Link Checker Pro 3.0 LinkScan Workstation 11.0 Web Link Validator 2.3 WebTrends Suite 7.0 Mapeadores Astra Site Manager 2.0 SiteXpert 6.0 Blueprint Custo 2.0 WebKing 3.0 Funnel Web Profiler 2.0 WebMaster Pro 6.0 Xenu's Link Sleuth home.snafu.de/tilman/xenulink.html

55 Agentes personales (III) Extractores HTML WebData Extractor Experimentos Volcado de sede con el volcador Teleport Pro Inspección de la sede volcada con WebTrends Inspección directa de la sede con WebTrends Mapeado de la sede volcada con Xenu Inspección de links Mapeado directo de la sede con Xenu Inspección de links Tamaño de la sede según los motores de búsqueda Google, Fast (alltheweb), Altavista, Inktomi (MSN Search)

56 WebDataExtractor

57 Volcado, inspección y mapeado

58 Cibermetria de los motores de búsqueda Motores de búsqueda: - Características y problemática 8 grandes motores distintos Google millones Google, Alexa, Yahoo, Iwon FAST millones Alltheweb, Allthesites, Lycos Inktomi millones Hotbot, MSNSearch Wisenut millones Wisenut, Looksmart Altavista millones Altavista Teoma 900 millones Teoma, AskJeeves Gigablast 150 millones Gigablast Openfind millones Openfind Estudios sobre motores Search Engine Showdown Search Engine Watch searchengineshowdown.com searchenginewatch.com

59 Jan-99 Apr-99 Jul-99 Oct-99 Jan-00 Apr-00 Jul-00 Oct-00 Jan-01 Apr-01 Jul-01 Oct-01 Jan ,000 1,500 2,000 2,500 3,000 # Web Pages Indexed by Google (millions) Crecimiento de Google Apr-02 Jul-02

60 Delimitadores Delimitadores DOMINIO SUBDOMINIO ALTAVISTA domain MOTORES DE BÚSQUEDA FAST INKTOMI ALLTHEWEB HOTBOT MSN site GOOGLE (5) TEOMA (6) site (3) site (3) HOST (término) host site (1,2) selector (3) selector NO NO HOST (completo) site (1) site (3) site (3) URL url url allinurl inurl LINK link link (sede/cadena) linkdomain linkdomain NO NO LINK (página) link (4) link link NO TIPO FICHERO selector filetype selector (?) NO filetype NO TAMAÑO NO filesize NO NO NO NO IDIOMA selector language selector selector lang (3) selector PAIS NO NO NO NO NO TITULO title title selector (3) selector allintitle intitle (1) ^host fija el nombre (2) hostname* (3) termino de búsqueda requerido (4) sólo en páginas con dirección explícita (5) no delimitadores de dirección simultaneamente (6) Soporta site y inurl simultaneamente

61 Tamaño

62 Solapamiento

63 Composición Google by Google Google by Notess

64 Siguiendo a Notess Instalación de Copernico 5.2/WebFerret Capacidad de exportación a Excel Experimentos Cobertura Tamaño (Copernic/Webferret) Búsqueda de términos (varios motores) Búsquedas delimitadas (cada motores) Teoría del máximo Solapamiento (Copernic) 300 primeros resultados Calidad de los enlaces (Copernic) Porcentaje de enlaces muertos (un único motor seleccionado)

65 Copernic

66 Webferret

67 Visualización Relaciones ocultas TouchGraph Google ml Instalación previa del Java JRE 1.3+ Prácticas con un nodo Prácticas con más de un nodo Kartoo Mapas Prácticas con términos institucionales Mapeadores de sedes Funnel Web Profiler 2.0 WebMap InfoMap

68 TouchGraph

69 Kartoo

70 Funnel Web Profiler

71 Cobertura MOTOR BÚSQUEDA 06-nov ene may jun s e p PAGS % PAGS % PAGS % PAGS % PAGS % ODP-DMOZ ALTAVISTA , , , ,56 GOOGLE , , , ,26 LY C OS , , , ,83 NORT.LIGHT ,31 nd nd nd nd nd nd HOTB OT , , , ,50 ALLTHEWEB , , , ,54

72 Metabuscadores Primera generación Ez2www Fuzzle Gimenei Kartoo iboogie IcySpicy Infonetware MetaEureka Surfwax Vivisimo Segunda generación Copernico (5.2/6.0) gimenei.com

73 Límites de los Metabuscadores Resultados proporcionados por buscadores y metabuscadores (Octubre 2002) Términos de búsqueda: scientometrics ornithology "Albert Einstein" God ALLTHEWEB GOOGLE Buscadores WISENUT ALTAVISTA TEOMA GIMENEI ICYSPICY METAEUREKA Metabuscadores EZ2WWW IBOOGIE VIVISIMO FUZZLE

74 Recuperación automática inteligente Copernic 6.0 Pro Indización Asignación automática de idiomas Filtrado por región y dominio WebQL Demostración Identificación de los componentes de la URL Cadena de caracteres a extraer Muestra de trabajo

75 Copernic 6.0

76 WebQL

77 Calidad, visibilidad e impacto Evaluación cuantitativa de sedes Web El modelo Google Instalación de la ToolBar (toolbar.google.com) Page Rank Escala logarítmica Componentes: visibilidad + peso Visibilidad Tipos de enlaces: inlinks, outlinks, selflinks, backlinks Cálculo mediante el uso de motores de búsqueda Impacto Web (WebIF) Calidad de los enlaces: Inspectores de enlaces

78 Google Toolbar

79 Métricas en acción Posición y nombre de la sede URL Tamaño Visibilidad PageRank Popularidad 1 New York Metropolitan Museum of Art metmuseum.org ,116 2 British Museum thebritishmuseum.ac.uk ,905 3 Museum of Modern Art, New York moma.org ,272 5 Natural History Museum, London nhm.ac.uk ,473 6 Musee du Louvre louvre.fr , ,111 7 Smithsonian Institution si.edu 131,39 809, ,441 8 Guggenheim Museum guggenheim.org , , American Museum of Natural History amnh.org 12, , , Victoria and Albert Museum vam.ac.uk , ,61 46 Philadelphia Museum of Art philamuseum.org , ,917 Ejemplo (Septiembre 2002) Búsqueda museum en Google Tamaño y visibilidad según FAST ( Page Rank extraído del Google Toolbar Popularidad según Alexa ( Experimento Búsqueda institucional

80 Trabajando con enlaces Visibilidad Inlinks (enlaces recibidos) Altavista: link AND NOT host FAST: link.all -site Inktomi: linkdomain -domain Outlinks (enlaces emitidos) Inspectores de enlaces Selflinks (auto-enlaces) Altavista: link AND host FAST: link.all site Inktomi: linkdomain domain Impacto Web Definición del WebIF. Cálculo Calidad Inspectores de enlaces

81 Terminología básica B has an outlink to C : ~ reference A B has an inlink from A : ~ citation B has a selflink : ~ self-citation B E G E and F are reciprocally linked C D F A is transitively linked with H via B-D A has a transversal link to G : short cut H co-links C and D are co-linked from B, i.e. shared inlinks: co-citation B and E are co-linking to D, i.e. shared outlinks: bibliog.coupling

82 Cibercienciometria Desarrollo de indicadores de I+D en el Web Unidades sede institucional Modelos Indicadores Co-sitación, redes sociales y teoría del small world Small World Bibliometría de revistas electrónicas y depósitos de documentos CiteSeer CiteBase citeseer.nj.nec.com citebase.eprints.org/cgi-bin/search

83 Cibercienciometria Indicadores de I+D en el Web CATEGORY INFRASTRUCTURE SIZE Physical Demography Logical Websize INDICATOR NAME Number of hosts Number of webservers Number of users Number of domains Number of sites Number of institutional sites Number of pages No. of objects No. of rich files No. of multimedia objects No. of executable files Size of the files Distribution by language Distribution by NUTS (EUROSTAT) Distribution by (UNESCO) subject Temporal evolution Word count Infranet access No. of gateways Depth Number of levels Density Number of links per page AGGREGATION LEVEL supranational, country,domain, subdomain, institutional domain supranational, country, NUTS, domain, subdomain, institutional domain, website, filetypes institutional domain, website

84 Otros indicadores de I+D CATEGORY INDICATOR NAME AGGREGATION LEVEL Appearance Percentage HTML mistakes Compatibility Percentage proprietary tags Performance Percentage Items too big QUALITY Searchability Presence META tags (%) Availability Search engines coverage index Link quality Percentage of valid links Age Mode of the pages' freshness Multilinguality Number of languages Connectivity Total number of links Navigability Number of internal outlinks institutional domain, website Endogamy Percentage of internal links CONNECTIVITY Luminosity Number of external outlinks Intensity Repeated links/outlinks Dispersion Domain diversity of outlinks Total Number of external inlinks VISIBILITY National National external links International International external links IMPACT Academic Impact Academic domains ext. links WebIF=Visibility/Websize Visibility/Secure servers POPULARITY Position Relative (number of visits) website Geographical Domain diversity of inlinks DIVERSITY Institutional Institutional domain diversity of inlinks institutional domain, website Linguistic Language diversity of inlinks

85 Obtención de indicadores Experimentos Codificación Institucional Temática (UNESCO) Geográfica (NUTS) Cálculo de indicadores Visibilidad (sitas) Visibilidad de los ficheros ricos Visibilidad de artículos en depósitos Visibilidad de revistas electrónicas Impacto (WebIF) Diversidad Co-citación

86 Mapa conceptual

87 Webmetria (Web Usage Mining) Definiciones Data mining: Extracción de conocimiento de las bases de datos Web Mining: Recolección y análisis de los patrones de visita de una sede Web No es buscar o recuperar información de dicha sede Objetivos: Aspectos a explorar Asociación Clasificación y agrupación (clustering) Patrones transversales Patrones sequenciales Similaridades Análisis de las visitas a sedes Web Ficheros log: Definición y estructura Programas para análisis de logs Prácticas con WebTrends Analysis Suite (

88 Taxonomía de la Minería Web Minería Web Minería basada en agentes Motores de búsqueda Metabuscadores Agentes personales Minería de contenidos Web Minería de de Bases de de datos Internet invisible Minería del uso del Web Identificación Descripción Herramientas de análisis

89 Ficheros log (bitacora) Fichero que recopila automáticamente todos los datos sobre las visitas que reciben las páginas de una sede Web Dirección IP del visitante URL visitadas Hora de la visita Tiempo dedicado a la visita URL desde la que se accedió Tipo de petición Tipo de respuesta Tamaño de la respuesta (bytes) Navegador usado etc Apache web log [29/Mar/2002:03:58: ] "GET /~sophal/whole5.gif HTTP/1.0" " "Mozilla/4.0 (compatible; MSIE 5.0; AOL 6.0; Windows 98; DigExt)" [29/Mar/2002:03:59: ] "GET /~alexlam/resume.html HTTP/1.0" "-" "Mozilla/5.0 (Slurp/cat; slurp@inktomi.com; [29/Mar/2002:03:00: ] "GET /~tahir/indextop.html HTTP/1.1" " "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)

90 Utilidades Preguntas a responder Como se ha utilizado la información? Con que frecuencia? Que es lo más y lo menos popular (visitado)? Por donde entran los visitantes?. Por donde salen? Donde se entretienen más? Cuanto tiempo dedican? Que rutas de visita son las más utilizadas? Quienes son los visitantes? De donde vienen? Como han llegado?

91 Programas de estadísticas de visitas 10-Strike Log-Analyzer LogAnalyzer 2.5 AdvancedLogAnalyzer 1.2* Analog 5.24* eiqloganalyzer 3.0 FastStats Analyzer 3.0 FunnelWeb Analyzer 4.5 HappyLog 1.64 OpenWebScope 1.00* SawMill WebLogExpert 1.61 WebTrends Analysis Suite

92 10-Strike Log Analyzer

93 Advanced Log Analyzer

94 123-Log Analyzer

95 eiq Log Analyzer

96 FastStats Analyzer

97 Funnel Web Analyzer

98 HappyLog

99 OpenWebScope

100 SawMill

101 WebLogExpert

102 Popularidad Experimentos Medidas relativas Alexa Medidas absolutas Webtrends Prácticas con fichero log del CINDOC 1a quincena de Septiembre de 2002 Visitas totales y desagregadas Páginas y directorios más populares Ficheros volcados Puntos de entrada y salida Demografía de los visitantes Referentes de entrada (origen, navegador y palabras de acceso)

103 Alexa

104 WebTrends

105 Informetria Estudio de las distribuciones Ley de Lotka, Zipf o Power Law Rousseau/Archimbault Bibliografía/Webliografía General del Curso Revista electrónica Cybermetrics.

106 Lotka en Excel

107 Bibliografia/Webliografía