Procesos y Herramientas de Gestion Documental (Modulo 2)

Anlisis de
contenidos
Manela Junc Campdepadrs
PID_00195714
CC-BY-NC-ND PID_00195714
Los textos e imgenes publicados en esta obra estn sujetos excepto que se indique lo contrario a una licencia de
Reconocimiento-NoComercial-SinObraDerivada (BY-NC-ND) v.3.0 Espaa de Creative Commons. Podis copiarlos, distribuirlos
y transmitirlos pblicamente siempre que citis el autor y la fuente (FUOC. Fundacin para la Universitat Oberta de Catalunya),
no hagis de ellos un uso comercial y ni obra derivada. La licencia completa se puede consultar en http://creativecommons.org/
licenses/by-nc-nd/3.0/es/legalcode.es
Anlisis de contenidos
ndice
Introduccin...............................................................................................
1.
2.
El resumen humano y automtico................................................

1.1.
Tipos de resmenes .....................................................................
10
1.2.
Resumen automtico ...................................................................
12
La indizacin y la recuperacin: lenguajes documentales

y lenguaje natural.............................................................................
16
2.1.
Lenguaje natural y lenguaje documental ...................................
19
2.1.1.
Nmero de trminos .....................................................
19
2.1.2.
Control de las formas ....................................................
20
2.1.3.
Control del significado ..................................................
20
2.1.4.
Relaciones de significado de los trminos .....................
22
2.2.
Cmo se indiza ...........................................................................
24
2.3.
Lenguajes documentales .............................................................
29
2.3.1.
Clasificar y recuperar con sistemas de clasificacin ......
36
2.3.2.
Indexar y recuperar con listas de encabezamientos y

listas de autoridades ......................................................
50
2.3.3.
Indexacin y recuperacin con tesauros .......................
59
2.3.4.
Indizacin con listas de descriptores libres: etiquetas

e Indizacin social .........................................................
68
Indizacin automtica ...................................................
77
Calidad y coherencia en la representacin de contenidos......
87
3.1.
La calidad del indizador .............................................................
87
3.1.1.
Errores tcnicos ..............................................................
88
3.1.2.
Errores ticos ..................................................................
89
3.1.3.
Cmo se mide la calidad de un indizador? .................
91
Evaluacin de la recuperacin ....................................................
91
3.2.1.
Microevaluacin: silencio y ruido .................................
92
3.2.2.
Macroevaluacin: exhaustividad y precisin ................
93
2.3.5.
3.
3.2.
3.3.
El papel del vocabulario en la recuperacin ...............................
93
3.3.1.
Falta de especificidad del lenguaje documental ............
94
3.3.2.
Coordinaciones falsas ....................................................
95
3.3.3.
Relaciones incorrectas entre trminos ...........................
95
Bibliografa.................................................................................................
99
Introduccin
El objetivo del anlisis de contenido es identificar y representar de manera

precisa la materia de los documentos, con el objetivo de permitir la recuperacin. Esta parte del anlisis documental establece los puntos de acceso por
materias o contenidos de los documentos.
Se basa en dos operaciones:
a) El resumen, que es la representacin abreviada y precisa del contenido.
b) La indizacin, que consiste en representar el contenido del documento
mediante trminos de indizacin extrados de lenguajesdocumentales: notaciones, encabezamientos de materias, descriptores, identificadores, palabras
clave, unitrminos. Cuando se representa el contenido siguiendo un sistema
de clasificacin en lugar de una indizacin se conoce como clasificacin.
Las normativas que usamos en esta parte del anlisis documental son:
UNO 50-103-90, preparacin de resmenes.
UNO 50-121-91, mtodos para el anlisis de documentos, determinacin

de su contenido y seleccin de trminos de indizacin.
Las normativas propias de cada lenguaje documental: vocabulario, combinaciones, mantenimiento, actualizacin.
Campos propios del anlisis de contenido en la referencia de Pierre
Bonnassie: materia y resumen
Campos propios del anlisis de contenido en la referencia de Pierre Bonnassie
Materia
Historia medieval - Terminologa
Resumen
Este es un libro poco corriente. Ni diccionario ni manual, significa una nueva y eficaz forma de introduccin
a la vez analtica y sinttica a los problemas de la historia de la Edad Media. En efecto, a partir del anlisis de
medio centenar de conceptos fundamentales y de su evolucin semntica, el profesor Pierre Bonnassie, de la
Universidad de Toulouse, consigue definir, con inslita precisin, las grandes cuestiones que hoy tiene planteadas la historia medieval. El resultado es un texto innovador, de uso obligado para profesores y estudiantes, que
encontrarn en l un instrumento de trabajo insustituible.
Los lenguajes documentales usados tradicionalmente en los archivos son cuadros de clasificacin construidos a medida del fondo. El anlisis de contenido es sinttico, no se analizan los documentos individualmente, sino el fondo en su conjunto o los expedientes, dado que un documento forma parte
de una cadena de documentos ordenados (cronolgicamente, orgnicamente,
funcionalmente) y aislado pierde su contexto. La clasificacin puede ser orgnica, funcional (por funciones, por grandes materias) o mixta. No obstante,
para describir el contenido de un expediente o de una serie, ms all de sus
Clasificacin orgnica
La clasificacin orgnica es el
retrato de la estructura orgnica de la entidad que haya generado la documentacin.
funciones o situacin orgnica, hay lenguajes documentales, como los tesauros, que permiten identificar las temticas para la posterior explotacin de la
informacin contenida en los documentos.
En bibliotecas y centros de documentacin se usan la mayora de los lenguajes
documentales. Los ms habituales son los sistemas de clasificacin, como la
Clasificacin Decimal Universal (CDU) o la Clasificacin Dewey, los listados
de autoridades, las listas de encabezamientos de materia, los tesauros y la indizacin automtica por palabras clave.
En este mdulo veremos con detenimiento las tcnicas de resumen y los lenguajes documentales, como instrumentos para describir el contenido de los
documentos.
CDU
CDU es la sigla de Clasificacin
Decimal Universal.
1. El resumen humano y automtico
Segn la norma UNE 50-103-90 Preparacin de resmenes, un resumen es

la presentacin abreviada y precisa de un documento, sin interpretacin
ni crtica y sin mencin expresa del autor del resumen.
Ved tambin
Encontraris la norma UNO
50-103-90 en el espacio Materiales y fuentes de las aulas.
Cuando decimos documento nos estamos refiriendo a todo tipo de documento, sea cual sea su soporte material. Podemos resumir un texto, la imagen de
una fotografa, un vdeo, audios, informacin en lnea o hipertextos, un expediente o una serie.
Los resmenes, como la indizacin, pueden ser de elaboracin humana o automtica. En el primer caso hay cuatro tipos de personas que pueden redactar
un resumen. En el caso de los resmenes automticos, se trata de un software.
1)Resumenhumano:
a) El autor del documento. Los resmenes elaborados por los propios autores
son muy habituales en el mundo de las comunicaciones cientficas y tecnolgicas.
b) Un especialista en la materia de la que trata el documento.
c) La editorial. Son los resmenes que aparecen en la contraportada de los
libros impresos y que tienen una funcin claramente publicitaria.
d) Un profesionaldeladocumentacin. Aporta su conocimiento sobre la redaccin de buenos resmenes y los elabora pensando en las utilidades futuras.
2)Resumenautomtico: los programas se conocen como programas resumidores de textos o Automatic Text Summarizer.
La norma internacional ISO 214:1976, traducida por AENOR como norma
UNE 50-103-90 Preparacin de resmenes, establece las directrices que se tienen
que seguir para presentar los resmenes en los documentos. Pone especial nfasis en la preparacin de resmenes por parte de los autores de los documentos primarios y en la misma publicacin.
Programas resumidores de
textos
Un ejemplo de programas resumidores de textos es Swesum, que hace un anlisis estadstico del texto y elabora
el resumen con los fragmentos que contienen las palabras
ms ponderadas (ms repetidas pero con significado).
Redactar un resumen es fcil. Lo difcil es redactar un buen resumen. El punto

de inflexin es la calidad del resumen, que lo har ms o menos til en un
sistema documental. Un resumen propagandstico no aportar muchos conceptos principales para indizar, aunque haya sido un buen reclamo para las
ventas.
Ejemplo de resumen elaborado por la editorial con finalidad publicitaria
Sagan, Carl. Cosmos. Traducci: Albert Santamaria i Martnez; prleg: Ricard Guerrero.
Barcelona: Publicacions i Edicions de la Universitat de Barcelona: Omnis Cellula, cop.
2006.
He aqu una de las obras ms destacadas de la literatura internacional de divulgacin
cientfica, publicada por primera vez en cataln. Una obra imprescindible de uno de los
grandes maestros de la divulgacin, que nos introduce en los grandes enigmas que la
humanidad ha tratado de entender y explicar desde tiempos inmemoriales, y por los
cuales ha nacido lo que llamamos ciencia.
Desde la infinitud del Universo hasta el mundo invisible de los tomos, desde el nacimiento de las estrellas hasta la aparicin de la vida, Carl Sagan consigue transmitir los
conocimientos de la ciencia actual de una manera clara y apasionante.
Para un analista slo tendra utilidad el ltimo prrafo, en qu aparecen trminos como
universo, tomos, estrellas, vida.
El resumen es til en la fase de descripcin y es un excelente instrumento de recuperacin, ya que el resumen ofrece ms datos que la simple
referencia documental. La principal utilidad del resumen es la de difundir la informacin.
Adems, el resumen tiene otras utilidades, tal como dice la norma UNE
50-103-90:
a) Determinar la pertenencia: un resumen bien elaborado capacita a los lectores para identificar de forma rpida y precisa el contenido de un documento
y decidir si hay que leerlo en su totalidad.
b) Evitar la lectura del texto completo en documentos de inters secundario.
Un resumen bien elaborado proporciona suficiente informacin sobre temas
que no sean de inters principal para el lector. Ahorra tiempo al usuario.
c) Ayudar en la bsqueda automatizada. Los resmenes automatizados incorporados en los catlogos son muy tiles para:
Extraer trminos de indizacin de su texto, es decir, indizar a partir del

resumen.
Hacer bsquedas de palabras clave que no se encuentran en el ttulo.
Difundir la informacin
Cada vez ms bases de datos referenciales ofrecen el resumen de sus monografas y
revistas, como por ejemplo
Ebsco, Dialnet, Compludoc,
CBUC, Eric database o ISI current contents connect. Tambin lo hacen las bases de datos de novedades editoriales,
por ejemplo la editorial Trea
(recomendamos el acceso desde la biblioteca de la UOC).
Servir de control bibliomtrico, al comparar los trminos usados en una

ecuacin de bsqueda con los trminos que aparecen en un resumen y as
establecer la pertinencia de la recuperacin.
Ayudar a la difusin desde los servicios de alerta.
Segn Mara Pinto (1992), las caractersticasdeunresumen son las siguientes:
Brevedad. Se tienen que omitir datos preliminares o temas del conocimiento comn.
Pertinencia. El resumen se tiene que adecuar al mensaje principal del documento, sin obviar o interpretar los datos.
Claridad y coherencia. Frases completas, dotadas de coherencia lineal y

global.
Profundidad. Vara en funcin del tipo de resumen o de los diferentes niveles de detalle que se persigan.
Consistencia lingstica. Un resumen se tiene que adaptar a las pautas lingsticas en uso y tiene que tener en cuenta las reglas morfolgicas y sintcticas correspondientes.
Proximidad cronolgica entre las ediciones del documento original y el

resumen. Es importante que el tiempo transcurrido entre la publicacin
del original y el resumen no sea excesivo, especialmente en mbitos cientficos y tcnicos.
A modo de conclusin
El resumen es la presentacin abreviada y precisa de un documento, sin interpretacin ni crtica y sin mencin expresa del autor del resumen.
El resumen puede ser redactado por el autor del documento, un especialista en la

materia, la editorial, un documentalista o un programa informtico.
El resumen es til en dos fases de la cadena: en los procesos de seleccin y adquisicin

que se da en la primera fase de la cadena y en la fase de salida, donde es un excelente
instrumento de recuperacin.
La principal utilidad del resumen es la de difundir la informacin, pero adems, el

resumen tiene otras utilidades, como determinar la pertinencia, evitar la lectura del
texto completo en documentos marginales y ayudar a la bsqueda automatizada.
Los resmenes automatizados incorporados en los catlogos son muy tiles para extraer trminos de indizacin del texto, para hacer bsquedas de palabras clave que no
se encuentran en el ttulo, para servir de control bibliomtrico y ayudar a la difusin
a travs de los servicios de alerta.
Lectura complementaria
Podis ampliar la informacin sobre el resumen leyendo la obra siguiente:
M.PintoBatanea (1992). El
resumen documental: principios
y mtodos. Madrid: Pirmide/Fundacin Germn Snchez Ruiprez (Biblioteca del
Libro, Y).
10
1.1. Tipos de resmenes

Hay diversos tipos de resmenes, segn el tamao, los usuarios y la profundizacin en el contenido. Los tipos ms habituales son los resmenes informativos, indicativos y selectivos.
1)Resumeninformativo
Redactaremos el tema central, temas adicionales, naturaleza y objetivo del documento, metodologa, resultados, conclusiones y anexos. La idea de fondo es
que un resumen informativo puede sustituir en ocasiones la lectura del documento original. La norma UNE 50-103-90 recomienda que el esquema a seguir
sea el de:
objetivo + metodologa + resultados (o conclusiones)
Sin embargo, no hay que seguir forzosamente este orden, ya que hay entornos,
como el tcnico cientfico, donde se prefieren los resmenes orientados a los
resultados (para que la discriminacin sea ms rpida).
En cuanto al tamao del resumen, la norma da pautas pero advirtiendo que el
contenido del documento es ms significativo que las pautas para determinar
la extensin del resumen. De todas maneras la norma nos sugiere:
Monografas, informes, tesis: 500 palabras.
Artculos de revista, captulos de monografas: 250 palabras.
Comunicaciones breves: 100 palabras.

Ejemplo de resumen informativo
Consuegra Fernndez, Jess: El Ajedrez: evolucin y claves de un juego milenario. En
Mundo antiguo. Madrid: 2002. n 3-4, ao 1, p. 60-61.
Artculo divulgativo sobre el juego del ajedrez, estructurado segn sus orgenes, antigedad, expansin, variantes y simbolismo.
El origen del ajedrez es hind y el primer representante conocido es el Ghaturanga, aparecido entre el 3000 y el 2000 a.C. en Sri Lanka, aunque no aparece documentado hasta
el siglo VII d.C.
Del Ghaturanga proceden en cascada las diferentes variantes del ajedrez: de la India viaj
a Persia en el siglo VI d.C., donde pas de los 4 jugadores originales a 2 en la versin persa
Shatranj. Desde Persia se extendi hacia Occidente y hacia Oriente.
Hacia Occidente: paralela a la expansin rabe, el juego llega a la Pennsula Ibrica durante la Alta Edad Media, y desde aqu se expande al resto de Europa y al resto del mundo
en la poca de las colonizaciones.
Hacia Oriente: en la China, en el s. VII d.C., el ajedrez toma la forma del ajedrez chino
Xiang qi; en el Japn, el Shogi; en Indochina, el ajedrez birmano y tailands. Tanto en
Oriente como en Occidente, el ajedrez presenta innumerables variaciones locales.
11
El tablero y las fichas parecen poseer un significado simblico. El tablero, con la alternancia de casillas blancas y negras, forma un mandala. El simbolismo de las fichas es
menos esotrico y ha ido cambiando segn los tiempos: obispos, elefantes, etc.
El autor concluye que el ajedrez, adems de un juego, es una herramienta educativa de
primer orden, casi una ciencia.
Como podis comprobar, este resumen tiene 237 palabras.
2)Resumenindicativo
Redactaremos slo las ideas centrales del documento. Su lectura no puede sustituir la lectura del original. Como su nombre sugiere, el resumen indicativo
presenta de forma abreviada y muy sinttica el contenido o la tipologa del
documento. Su extensin puede oscilar entre una frase o 4 lneas de texto.
Ejemplo de resumen indicativo
Artculo divulgativo sobre el juego del ajedrez, trata de su origen hind, antigedad,
expansin histrica tanto en Oriente como en Occidente, variantes nacionales y simbolismo del tablero y las fichas.
3)Resumenselectivo
Redactaremos slo una parte concreta del documento. El ms habitual es el
resumen de conclusiones, pero tambin hay otros tipos, como la resea (review), que es un anlisis del documento con elementos crticos. Este tipo de
resumen se adapta muy bien a las necesidades de los usuarios, por ejemplo investigadores o tcnicos que necesitan un dato muy concreto sobre el objetivo
del documento o las conclusiones a las que llega.
Ejemplo de resumen selectivo
El ajedrez, adems de un juego, es una herramienta educativa de primer orden, casi una
ciencia.
A modo de conclusin
Los resmenes ms habituales son el resumen informativo, el indicativo y el selectivo:
El resumeninformativo consigna el tema central, temas adicionales, naturaleza y

objetivo del documento, metodologa, resultados, conclusiones y anexos. La idea de
fondo es que un resumen informativo puede sustituir en ocasiones a la lectura del
documento original.
El resumenindicativo consigna slo las ideas centrales del documento. Su lectura

no puede sustituir a la lectura del original.
El resumenselectivo consigna slo una parte concreta del documento. El ms habitual es el resumen de conclusiones, pero tambin hay otros tipos, como la resea
(review).
12
1.2. Resumen automtico

Una de las necesidades ms perentorias ante el aumento de informacin digital debido al crecimiento exponencial de Internet es manejar y filtrar el gran
volumen de informacin. Una de las soluciones aportadas por el PLN han sido los programas de resumen automtico, que actan sobre textos, imgenes,
webs y correo electrnico.
Los primeros en trabajar en el campo de la automatizacin de los resmenes
fueron Hans Peter Luhn en el ao 1958 y Edmundson en 1969, que aplicaron
tcnicas como la frecuencia de las palabras, o la posicin de una frase dentro
de un documento para redactar resmenes sin intervencin humana.
Hans Peter Luhn
A partir de estas primeras investigaciones se han perfeccionado muchas tcnicas diferentes basadas en conocimiento y recursos lingsticos (como las de
Lin y Hovy, 2002; Gotti et al., 2007) o basadas en mtodos estadsticos y de
aprendizaje automtico (Hirao et al., 2002; Svore, 2007) (autores citados en
Lloret et al., 2008; y Mateo et al., 2003).
ltimamente las investigaciones giran en torno al resumen multidocumento,
es decir, resumir ms de un documento (Goldstein et al., 2000; Qiu, 2007; Huo
y Chen, 2008) de contenidos afines o redundantes (autores citados en Lloret
et al., 2008; y Mateo et al., 2003).
Los resmenes automticos se conocen tambin como extracts. La terminologa anglosajona diferencia as los extracts y los abstracts. Los extracts son los
resmenes formados a partir de la extraccin de algunas frases del texto previamente seleccionadas por un programa, mientras que los abstracts son los
resmenes elaborados por una persona.
La base de todas las tcnicas de funcionamiento de un programa de

resmenes automtico es el cmputo de la frecuencia de las palabras.
Hay diversas herramientas para hacer estos clculos, por ejemplo WVTool. Se
trata de contar cuntas veces sale una palabra no vaca en el texto.
Lecturas
complementarias
Podis consultar los resultados de las investigaciones de
estos autores en los artculos
siguientes:
E.Lloret;O.Ferrndez;R.
Muoz;M.Palomar (2008).
Integracin del reconocimiento de la impliacin textual en tareas automticas de
resmenes de textos. Procesamiento del lenguaje natural,
n. 41, pg. 183-190.
P.L.Mateo;J.C.Gonzlez;
J.Villena;J.L.Martnez
(2003). Un sistema para resumen automtico de textos en
castellano.
13
Ejemplo de funcionamiento de un programa de resmenes automtico

(extrado de Lloret et al., 2008)
Tropical storm Gilbert formed in the eastern Caribbean and strengthened into a hurricane Saturday night. There were no reports of casualties.
Oracin 1:
Tropical (2) storm (6) Gilbert (7) formed (1) in (0) the (0)
eastern (1) Caribbean (1) and (0) strengthened (1) into
(0) a (0) hurricane (7) Saturday (4) night (2).
Oracin 2:
There (0) were (0) no (0) reports (1) of (0) casualties (1).
Lo primero que vemos es que las palabras vacas, es decir, las palabras que no tienen
significado (preposiciones, artculos, verbos) no se computan.
Al lado de cada palabra con significado vemos el nmero de veces que sale en todo el texto. Se suman los valores, de manera que la oracin 1 tiene 3,2 puntos y la oracin 2, 0,2.
El programa seleccionar la frase 1 como ms representativa para el resumen automtico.
Este sistema de resumir a partir de las frases con las palabras ms significativas
en el texto parece simplista pero tiene cierta justificacin. Segn Kupiec et al.
(1995) aproximadamente el 80% de las frases en resmenes humanos estn
copiadas literalmente o con pequeas modificaciones del texto original.
A partir de esta base estadstica se incorporan otras tcnicas para dotar al programa de ms conocimiento y paliar la escasa coherencia del resultado, como
puede ser, por ejemplo, la resolucin de la anfora o aplicar programas (por
ejemplo, WordNet) que proporcionen relaciones como las de sinonimia o hiperonimia, o mecanismos para detectar y eliminar la redundancia.
Definimos brevemente qu son las anforas y la hiperonimia:
a) Las anforas son la relacin de referencia entre un elemento lingstico y
otro anterior en el discurso.
b) Decimos que una palabra es hipernima cuando tiene un campo significativo que incluye otro de menor extensin.
Los expertos consideran que la tecnologa actual no tiene problemas para detectar las frases con ms significado, pero s para ordenarlas segn su importancia.
Los programas funcionan a grandes rasgos de la siguiente manera: se copia
Anfora
El Saln del Hobby ha tenido
ms de 60.000 visitantes este
ao. Este saln se ha convertido en la feria de ocio familiar
ms visitada.
En este ejemplo, la anfora se
da en este saln, que hace
referencia al Saln del Hobby,
expresado en la frase anterior.
Como se puede comprobar, si
en el resumen automtico aparece slo la segunda frase, el
lector no sabr a qu saln hace referencia.
el texto a resumir o bien se escribe la direccin del documento. Se escoge el

tipo de documento (acadmico, periodstico, etc.) y el tanto por ciento de
reduccin del texto.
A continuacin tenis unos cuantos programas de los ms conocidos:
Connexor
Daedalus
Hiperonimia
Color es un hipernimo. Su
contrario es hipnimo: amarillo, naranja, verde son hipnimos.
Extractor
FociSum
InTEXT (Dynamic Summarizing)
Inxight Summarizer
IslandInText
K-Site de Daedalus
Pertinence Summarizer
Sinope Summarizer
Summarizer
SweSum1
System Q
TextAnalyst
Trestle
14
El programa K-Site de Daedalus

De entre los programas de resumen automtico mencionados, veamos el funcionamiento
del programa K-Site de Daedalus. Este programa tiene cinco mdulos:
Mdulo1:Anlisismorfosintctico. En este mdulo se determina la categora lxica de cada palabra: sustantivo, verbo, adjetivo, artculo, preposicin, etc. Tambin se
determina el lema. Estas operaciones permiten distinguir las palabras con significado
(sustantivos, adjetivos, verbos) de las vacas (artculos, preposiciones, pronombres,
etc.). El lema permite agrupar todas las palabras que son flexiones de otra (info/informar/informacin/informador/informacional/etc.). El producto final es un listado
con las palabras puntuadas y un listado de frases candidatas.
Mdulo2:Ponderacindefrases. Este mdulo recibe las palabras etiquetadas por

el mdulo anterior, y su funcin es escoger entre todas las frases candidatas. Para
hacerlo se ayuda de diversos submdulos que ponderan las frases segn los parmetros siguientes: la frecuencia, la presencia de palabras indicativas (buscan palabras
como importante, esencial, conclusiones, etc.), buscan frases que contengan palabras
que aparezcan en el ttulo, o que tengan nombres propios, o que la tipografa sea
destacada (negritas, cursivas, tamao superior, etc.) y seleccionan frases que aparezcan en posiciones destacadas en el texto (al principio de cada prrafo, al final a modo
de conclusin).
Mdulo3:Deteccindeanforas. Una vez tiene las frases seleccionadas, puede ser

que se d el caso de anforas mal resueltas (una frase contiene una anfora que se
encontraba en la frase previa y que no ha sido seleccionada). El programa busca las
anforas (especialmente los demostrativos pronominales o pronombres personales,
por ejemplo este, aquel, lo que, eso) y su posicin en la frase: al principio, entre las seis
primeras palabras, en otras posiciones.
Mdulo4:Seleccindefrases. Este mdulo computa toda la informacin recogida

en las fases anteriores: frases candidatas, puntuaciones, deteccin de anforas. Selecciona las frases candidatas de puntuacin ms alta hasta llegar al tanto por ciento
pedido por el usuario. Si entre estas frases hay alguna que contenga una anfora, se
selecciona la frase anterior (que contiene la palabra a la cual se est haciendo referencia) siempre y cuando forme parte de las frases candidatas y no sobrepase la longitud
del resumen.
Mdulo5:Postprocesadodelextracto. Su funcin es detectar expresiones que conectan partes del texto, ya sea para mostrar causalidad, contraposicin, etc. Son expresiones del tipo por lo tanto, en contra, etc. Como en el caso de las anforas, si forman parte de una frase seleccionada, se procura incluir en el resumen la frase con la
cual estn relacionadas.
(1)
Podis practicar con el programa

Swesum, que es gratuito y traduce
al espaol.
15
Por ltimo, debemos recordar que algunos procesadores de textos, como Microsoft Word, tambin ofrecen esta opcin (Autosummarize o Auto-resumen).
A modo de conclusin
Los resmenes automticos (extracts) son una de las soluciones aportadas por el PLN
para hacer frente al manejo de grandes volmenes de informacin en lnea.
Los primeros en trabajar en el campo de la automatizacin de los resmenes fueron

Hans Peter Luhn en el ao 1958 y Edmundson en 1969.
Las tcnicas han evolucionado de los primeros cmputos sobre la frecuencia de las
palabras, o la posicin de una frase dentro de un documento, a las tcnicas basadas
en conocimiento y recursos lingsticos o en mtodos estadsticos y de aprendizaje
automtico.
La base de todas las tcnicas es el cmputo de la frecuencia de las palabras. A partir

de esta base estadstica, se incorporan otras tcnicas para dotar al programa de ms
conocimiento y paliar la escasa coherencia del resultado, por ejemplo la resolucin de
la anfora o se aplican programas que proporcionen relaciones como las de sinonimia
o hiperonimia o mecanismos para detectar y eliminar la redundancia.
Los expertos consideran que la tecnologa actual no tiene problemas para detectar las
frases con ms significado, pero s para ordenarlas segn su importancia.
16
2. La indizacin y la recuperacin: lenguajes

documentales y lenguaje natural
Indizar es la accin de describir o identificar un documento con relacin a su contenido.

Norma UNE 50-121-91.
Indizar es el resultado de examinar el documento, seleccionar los conceptos y almacenarlos en una base de datos.
Esta definicin implica tres acciones, de las cuales la ms significativa es la

seleccin de los conceptos y su traduccin al lenguaje documental.
Al igual que se ha tratado en el resumen, la indizacin la puede realizar una
persona o un programa.
Si la indizacin es intelectual, es decir, la llevan a cabo personas, estas personas
pueden ser:
Profesionales (documentalistas), que llevan a cabo la tarea de indizacin

de manera individual o en equipo. A su vez, los equipos pueden indizar
de manera centralizada o coordinada.
Amateurs (usuarios de Internet que indizan de manera social o tagging,

por ejemplo, en Delicious).
El elemento humano permite un anlisis ms rico del documento, captando

conceptos y matices que un programa no llegara a detectar, pero tiene el inconveniente del tiempo que se tiene que dedicar y la coherencia entre indizadores.
La indizacin automtica se realiza a travs de un programa informtico. Su
funcionamiento es muy sencillo: extrae del ttulo, resumen o texto completo
las palabras ms significativas. Es un mtodo econmico y muy rpido.
Larecuperacin
La recuperacin es un proceso paralelo a la indizacin.
Si se busca un dato concreto, como un ttulo (Hamlet, web semntica) o un
autor (Shakespeare, Llus Codina), la bsqueda no reviste ninguna dificultad,
ya que la peticin se efecta con unos datos objetivos y la respuesta solo puede
ser tengo resultados o no tengo resultados. En cambio, cuando no se busca
17
por un dato concreto sino por un tema, entonces entran en juego las mismas
tres fases (examen, seleccin y traduccin ) que en la indizacin, pero con la
diferencia de que lo que se examina y se selecciona es la peticin del usuario.
1) Examinar la peticin del usuario para identificar el contenido.
2) Seleccionar los conceptos principales de la peticin.
3) Traducir a un lenguaje documental.
En la recuperacin, una de las claves es conocer bien el lenguaje documental
que debemos consultar, porque si es as podremos llevar a cabo bsquedas
ms precisas, sobre todo en el caso de lenguajes controlados (por las relaciones
semnticas que establecen entre los trminos). As pues, el primer paso ser
averiguar qu tipo de indizacin se encuentra tras la caja de bsqueda.
Los lenguajes documentales que hay tras una fuente de informacin no son
evidentes, tienden a la invisibilidad. Los programas prefieren pantallas de bsqueda muy simples (por ejemplo, Scirus), donde aparece una caja en blanco:
sencillo y amigable para el usuario, pero a nosotros no nos puede pasar por
alto que esconde un lenguaje documental o, ms probablemente, una combinacin de lenguajes.
En el proceso de bsqueda probablemente pasaremos de una fuente de informacin a otra y, en consecuencia, de un tipo de indizacin a otro.
Mientras la bsqueda se lleve a cabo en buscadores, la indizacin ser automticaylibre, pero cuando entramos en intranets y bases de datos, la indizacin cambiar, probablemente, a una controlada, en cuyo caso deberemos
saber qu tipo de lenguaje las controla.
Ejemplo
Usamos un buscador general
como Google (indizacin automtica) para llegar a la web de
la Biblioteca de Catalunya y a
su catlogo, que est clasificado con CDU, LEMAC y LENOTI
(tres lenguajes controlados).
18
Figura 1. Fuentes de informacin y lenguajes documentales.
Observacin
No se puede disear una tabla que relacione el tipo de fuentes de informacin y el lenguaje que utilizan porque, a pesar de que se sigue cierta tendencia, no son siempre iguales.
Las fuentes de informacin ms estndares son los catlogosbibliotecarios

(que suelen estar indizados con sistemas de clasificacin, listas de encabezamientos de materia y listas de autoridades) o de archivos, y los buscadores,
que no podran existir sin la indizacin automtica. Ahora bien, el resto es
muy diverso, de modo que podemos llegar a encontrar bases de datos indizadas por tesauros (Unesco) o, simplemente, por descriptores libres (Delicious).
Para saber qu lenguaje indiza la fuente, es til observar si lleva un men de
opciones con enlaces del tipo Normalizacin, para profesionales, o incluso
directamente LEMAC2 o LCSH3, es decir, el nombre del lenguaje, irreconocible
para un profano pero perfectamente reconocible para los documentalistas.
En segundo trmino, podemos reconocer el lenguaje:
(2)
Lista de encabezamientos de
materia en cataln
(3)
Library of Congress Subject Headings
19
por la forma del trmino (un cdigo ser una clasificacin, dos palabras
separadas por guin ser un encabezamiento de materia);
por un nmero de trminos en plural (nos dice que se trata de descriptores, habr que averiguar si son controlados de un tesauro o libres descriptores libres o tags);
por el tipo de fuente (un catlogo o un buscador usan siempre el mismo

tipo de lenguaje);
por la institucin que hay tras l;
por la experiencia del documentalista.
2.1. Lenguaje natural y lenguaje documental

Para indizar necesitamos los lenguajes documentales. Qu diferencia hay entre el lenguaje natural y el documental?
Por lenguajenatural entendemos el lenguaje que usamos de forma cotidiana: cataln, castellano, vasco, gallego, francs, etc.
Por lenguajedocumental entendemos el listado o vocabulario de trminos que usamos para indizar y que puede estar en formato libre o
controlado.
Y por qu hay que controlar los trminos del lenguaje natural? Porque el lenguaje natural es ambiguo, los conceptos se pueden representar de formas diversas, dando lugar a problemas de recuperacin. El lenguaje natural es rico en
terminologa, en formas (plurales y singulares), tiempos verbales, acrnimos,
sinnimos, polisemias, etc.
La principal diferencia entre el lenguaje natural y el documental controlado es
precisamente el control terminolgico, que permite representar los conceptos
de forma unvoca, sin ambigedades.
Para ser ms concretos, las diferencias se dan en el nmero de trminos del
vocabulario, el control de las formas, el control del significado y las relaciones
La riqueza del lenguaje

natural
Ejemplos de sinnimos del
mismo concepto: Cosmos /
Universo / Infinito / Firmamento / Cielo.
Ejemplo del mismo concepto en formas diferentes, siglas o frases, y en idiomas
diferentes: OTAN / NATO /
Organitzaci del Tractat de
lAtlntic Nord / Organizacin del Tratado del Atlntico Norte / North Atlantic
Treaty Organization.
Ejemplo de polisemia: Banco / Planta / Carta / Sierra /
Estrella / Lengua / Capital.
de significado entre trminos.

2.1.1. Nmero de trminos
Los lenguajes documentales son entrpicos (Blanca Gil, 2004, pg. 20),
es decir, tienden a la seleccin, a la restriccin del vocabulario. Es el
proceso contrario del lenguaje natural, que tiende a la abundancia, a la
reiteracin de conceptos, a la sinonimia en beneficio de una expresin
ms rica.
Univocidad
La univocidad consiste en representar un concepto con un
nico trmino.
20
Los lenguajes documentales reducen considerablemente el nmero de trminos del lenguaje natural, ya que slo tienen en consideracin los sustantivos
y algunos sintagmas nominales, pero no adjetivos, preposiciones, conjunciones, adverbios, verbos, etc. Adems, entre todos los sustantivos, escogen uno
que representar al resto cuando el significado sea el mismo. Y entre diversas
formas aceptadas por el mismo trmino, slo una ser la aceptada, como es
el caso de las siglas.
Los lenguajes documentales son en esencia sencillos, su eficacia aumenta a
medida que las reiteraciones y la redundancia son controladas en una nica
forma que rene conceptos afines.
2.1.2. Control de las formas
Los lenguajes documentales controlan las formas plural/singular, el uso

de acrnimos y siglas y la construccin de las frases, y de esta manera
establecen unos modelos.
Modelo
Ejemplo
Sustantivo
Pintura
Sustantivo + adjetivo
Pintura medieval
Sustantivo + preposicin + sustantivo
Pintores de vitrales
Estas reglas gramaticales y sintcticas unifican las palabras seleccionadas y las

frases.
Ejemplos en las listas de encabezamientos de materia
Se acostumbra a usar el singular para expresar conceptos abstractos. As, por ejemplo,
es solidaridad y no solidaridades.
No se permite el uso de siglas; se prefiere la expresin entera del concepto y en la
lengua del servicio de informacin y documentacin (SID4). Por ejemplo, Organizacin del Tratado del Atlntico Norte.
Es preferible la expresin natural del concepto compuesto, y no su forma inversa. Es

correcto Objetos de arte, y no Arte, objetos de.
2.1.3. Control del significado

Los problemas ms importantes en cuanto al significado son la sinonimia y
la polisemia.
(4)
SID es la sigla de servicio de informacin y documentacin.
21
a)Sinonimia: decimos que las palabras son sinnimas cuando tienen el mismo significado. En un sistema documental, si no se controlan y se usan indiscriminadamente, comportan silencio documental. En el caso de alimento,
nutriente, comida, provisin, el usuario puede estar buscando por alimento
y no recuperar documentos porque se encuentran indizados con otras formas,
como nutriente. La solucin de los lenguajes controlados es recoger todos
los trminos sinnimos y seleccionar uno para representar a todo el conjunto
de trminos que tienen el mismo significado, porque dos sinnimos son sustituibles el uno por el otro en cualquier contexto.
Ejemplo
Una lista de encabezamientos de materia como la del Consejo Superior de Investigaciones
Cientficas (CSIC) recoge todos estos sinnimos:
Hispanoamericanos.
Iberoamericanos.
Latinoamericanos.
Sudamericanos.
Pero slo da como trmino aceptado Latinoamericanos. Si al SID5 llegara un documento titulado Los sudamericanos del siglo XX, el analista lo indizara como Latinoamericanos, ya que es el trmino aceptado.
b) Polisemia: decimos que dos palabras son polismicas cuando el mismo

signo lingstico, palabra o sonido tiene ms de un significado. Habitualmente
el contexto de la conversacin o lectura donde est insertada la palabra deshace los problemas de ambigedad, pero una palabra polismica introducida en
un sistema documental, sin el contexto, puede dar lugar a ruido documental.
Ejemplo
Un usuario puede estar buscando sobre columnas en arquitectura y recuperar datos sobre
columnas tipogrficas de diarios. Los lenguajes documentales controlan la polisemia diferenciando cada significado con parntesis, usando el plural o el singular, adjetivando,
etc.
Un tipo de polisemia es la homonimia. La diferencia entre ellas radica en la

etimologa de la palabra. Si la etimologa de las dos palabras es la misma, hablamos de polisemia; si la etimologa es diferente, hablamos de homonimia.
Ejemplos de polisemia y homonimia
Mismaetimologa=polisemia
La polisemia se da cuando una palabra tiene un nico origen etimolgico y acaba teniendo significados diferentes sin cambiar su categora gramatical: por ejemplo, no pasa
de sustantivo a verbo, como pasa en castellano entre el vino (bebida) y el vino (verbo
venir). Es una palabra que con el tiempo ha ido adquiriendo diferentes significados, pero
aun as, todos guardan entre s una relacin de significado; por ejemplo, en cataln y
castellano fulla/hoja, que viene del latn folia, tiene diversos significados, como hoja de
una planta, hoja de metal de una herramienta, pgina de un libro, cada una de las partes
de una puerta doble o ventana, etc. Y en todos los significados lleva implcita la idea de
una lmina.
Si queremos saber si una palabra es gramaticalmente polismico, basta con consultar un
diccionario etimolgico y ver si proviene de un mismo origen. Encontraremos la palabra,
un nico origen y una lista de diferentes significados. En castellano podemos consultar
el Diccionario de la Real Academia.
(5)
A partir de ahora denotamos servicios de informacin y documentacin con la sigla SID.
22
Ms ejemplos de polisemia:
Servicio, del latn servitium, que ha dado lugar a oficios religiosos, lavabos, misiones
militares, cubiertos para comer y, en deportes, poner la pelota en juego. Y en todos
ellos permanece la idea de ser til.
Crucero, del latn crux, significando cruz, interseccin entre las dos naves de una
iglesia, encargado de llevar la cruz a la cabeza de una procesin, viaje de placer por
el mar, etc. En estos significados la idea es la de la forma de cruz, el cruzar como ir
de un extremo a otro.
Columna, del latn columna, que usamos para referirnos a los pilares arquitectnicos,
las partes verticales de una pgina impresa de un diario, en fsica la forma que adoptan
algunos fluidos, como columnas de humo, en el mbito militar, la formacin de
barcos o soldados. Y la idea que permanece es la de verticalidad.
Diferenteetimologa=homonimia
La homonimia se da cuando dos conceptos han llegado a tener el mismo nombre, la
misma forma, pero vienen de orgenes diferentes y, por lo tanto, tienen etimologas diferentes.
Por ejemplo, metro puede ser el transporte urbano, una unidad de medida o el utensilio
para medir. Pero el origen etimolgico entre el transporte y los otros dos significados es
evidente: el primero es una abreviacin de la palabra inglesa metropolitan, y en el segundo
caso viene del griego y significa medida.
Otro ejemplo: la palabra castellana botn puede venir del latn bota y significar calzado
hasta el tobillo, o puede venir del alemn bytin y significar premio de una conquista.
En castellano y cataln este fenmeno es menos frecuente que en otras lenguas, como el
ingls o el francs, en las que abundan las palabras homnimas que dan mucho juego
en los chistes.
Dentro de la homonimia podemos diferenciar las palabras que escribindose igual tienen
significados diferentes, llamadas homgrafas, como las anteriores metro o botn, de las
palabras que sonando igual tambin tienen significados diferentes, conocidas como palabras homfonas: vell/bell en cataln, o tubo/tuvo en castellano.
En resumidas cuentas, la sinonimia provoca silencio documental y la

polisemia y variantes provocan ruido documental. El control terminolgico del vocabulario garantiza el criterio de univocidad que tienen que
tener los lenguajes documentales controlados, segn el cual un concepto se representa con un trmino y un trmino slo puede tener un significado.
2.1.4. Relaciones de significado de los trminos
Por relacionesdesignificado entendemos la relacin de genrico, especfico o relacionado que puede tener un trmino con respecto a otro.
En el lenguaje natural estas relaciones son implcitas. Por ejemplo, cuando hablamos de manzanas todos entendemos que se trata de una fruta fresca y que
las Fuji y las Golden son variedades concretas. Es decir, situamos el trmino
manzana dentro de una jerarqua de trminos conceptualmente ms genricos (fruta) y ms especficos (Golden, Fuji). Incluso podemos relacionar por
23
asociacin de ideas la manzana con otras frutas, como la naranja o el pltano.

Pero en un lenguaje documental hay que definir estas relaciones, agrupando
y relacionando los trminos afines.
La estructura que relaciona los trminos es implcita en el lenguaje natural,
pero en los lenguajes documentales hay que hacerla explcita. Eso se puede
hacer de dos maneras:
a) En una secuencia jerrquica, donde la propia posicin del concepto ya define sus trminos genricos y especficos. Tambin deshace problemas de significado.
Ejemplo de la pesca
Ved el ejemplo de la pesca extrado de la Clasificacin Decimal Universal (CDU). El concepto pesca puede ser la actividad econmica o la pesca como deporte. Si nos fijamos en
la cadena jerrquica vemos que cada uno cuelga de una clase diferente:
6 Ciencias aplicadas. Medicina. Tecnologa
63 Agricultura y ciencias relacionadas
639 Caza. Pesca
7 Bellas artes. Juegos. Deportes
79 Diversiones. Espectculos. Juegos
799 Caza deportiva. Pesca deportiva.
b) En una presentacin alfabtica donde cada trmino se acompaa de todos

sus trminos relacionados, ya sean equivalentes, genricos, especficos o relacionados.
El tesauro del CSIC
En el tesauro de Psicologa del CSIC6 , consultamos Sueos y encontramos:
Sueos
TGDinmica de la personalidad
TEContenido del sueo
TEPesadilla
TRDj vu
TRInterpretacin de los sueos
TRSueo fisiolgico
TRSueo REM
TRTrastornos de consciencia
Las siglas nos informan del tipo de relacin que establecen: TG significa trmino genrico (por encima de Sueos el tesauro tiene Dinmica de la personalidad), TE son los
trminos especficos (son trminos especficos de Sueos: Contenido del sueo, Pesadilla) y los TR son los trminos relacionados (se relacionan con Sueo, Dja vu, la
Interpretacin de los sueos, el Sueo REM, etc.).
Finalmente, las principales ventajas e inconvenientes del lenguaje natural y

el documental controlado son:
(6)
Centro Superior de Investigaciones Cientficas
24
Ventajas e inconvenientes de los lenguajes documentales

Ventajas
Inconvenientes
Lenguajenatural
Amigable
Actualizado
Econmico
Dificulta la bsqueda
Poco preciso
Lenguajedocumentalcontrolado
Unvoco
Facilita la bsqueda
Caro
Poco actualizado
A modo de conclusin
Indizar es la accin de describir o identificar un documento en relacin con su contenido.
La indizacin la puede realizar una persona (de forma centralizada o de forma coordinada) o un programa.
Por lenguaje natural entendemos el lenguaje que usamos de forma cotidiana (cataln,
castellano, vasco), y por lenguaje documental entendemos el listado o vocabulario de
trminos que usamos para indizar y que puede estar en formato libre o controlado. La
principal diferencia entre el lenguaje natural y el documental controlado es el control
terminolgico:
El control del nmero de trminos del vocabulario: los lenguajes documentales son
entrpicos, tienden a la seleccin, a la restriccin del vocabulario.
El control de las formas: los lenguajes controlados, controlan las formas plural/singular, el uso de acrnimos y siglas y la construccin de las frases.
El control del significado: los lenguajes controlados controlan la sinonimia y la polisemia. Decimos que las palabras son sinnimas cuando tienen el mismo significado.
Decimos que dos palabras son polismicas cuando el mismo signo lingstico tiene
ms de un significado. La sinonimia provoca silencio documental y la polisemia y
variantes provocan ruido documental. El control terminolgico del vocabulario garantiza el criterio de univocidad que tienen que tener los lenguajes documentales
controlados, segn el cual un concepto se representa con un trmino y un trmino
slo puede tener un significado.
Las relaciones de significado entre los trminos son las relaciones de genrico, especfico o relacionado que puede tener un trmino con respecto a otro. En el lenguaje
natural estas relaciones son implcitas pero en los lenguajes documentales hay que
hacerlas explcitas a travs de una secuencia jerrquica o una presentacin alfabtica.
2.2. Cmo se indiza

Ahora que ya hemos visto la necesidad de contar con lenguajes documentales
para paliar la ambigedad del lenguaje natural, estamos en condiciones de
preguntarnos por el proceso de indizacin que lleva a cabo un analista.
A continuacin presentamos las fases que proponen diversos autores antes de
llegar a la que nos servir como marco de referencia en este subapartado:
Dos fases: anlisis del texto y traduccin (Chaumier, 1988; Fidel, 1994).
Tres fases: anlisis del texto, identificacin de conceptos y traduccin

(Amat, 1989; Norma UNE 50-121-91).
Cuatro fases: anlisis del texto, identificacin de conceptos, traduccin y

establecer enlaces sintcticos entre descriptores (Slype, 1991).
25
Cinco fases: registro de datos, anlisis del texto, identificacin de conceptos, traduccin y examen de la indizacin.
En este mdulo seguiremos la normaUNE50-121-91 y sus tres etapas:

1) Examinar el documento para identificar su contenido.
2) Seleccionar los conceptos principales del contenido.
3) Traducir a un lenguaje documental.
Ejemplo
Examinamos un libro titulado Mitos de antiguas civilizaciones. Leemos el ttulo, el resumen, el sumario, etc.
En una segunda etapa seleccionamos como conceptos principales: Mitos, Grecia, Roma,
India, Japn, Indios norteamericanos.
En la tercera etapa indizamos. Si indizamos con un lenguaje libre podemos escribir el
trmino como deseamos o como salga en el texto. Por ejemplo:
Mitologa india americana.
En cambio, si indizamos con un lenguaje controlado tendremos que traducir estos conceptos a una forma controlada. Pongamos por ejemplo que pensbamos indizar Mitologa india americana. Veamos cmo quedara en tres lenguajes documentales diferentes:
CDU259.2
LEMACMitologia amerndia
LEM del CSIC Indios de Amrica - Religin y mitologa
A continuacin se detalla cada parte del proceso.

1)Examendeldocumentoeidentificacindelosconceptos
El analista tiene que examinar con precisin el documento. La lectura completa es, a menudo, impracticable, pero s que tiene que prestar atencin al
ttulo, resumen, sumario, introduccin, ilustraciones y palabras o frases destacadas en una tipografa diferente.
No se recomienda la indizacin slo a partir del ttulo, ya que hay ttulos que
llevan a error, y tampoco confiar en que el resumen sea un sustituto del texto,
ya que no todos los resmenes estn bien elaborados.
Norma UNE 50-121-91

UNE50-121-91. Mtodos para
el anlisis de documentos, determinacin de su contenido y
seleccin de trminos de indizacin.
26
Ejemplo de ttulos y resmenes que no aportan datos significativos para la

indizacin
Chesneaux, Jean. Hacemos tabla rasa del pasado? Mxico: Siglo XXI Editores 1981.
Su materia es Historia, historiadores, historiografa. En el catlogo de la Biblioteca Nacional de Espaa (BNE7) lo encontramos indizado como Historia.
Mallol, Tomas. Si la memria no em falla. Girona: CCG Ediciones 2005.

Su materia es Memorias, cine, coleccionismo. En la Biblioteca de Catalunya (BC8) lo
encontramos indizado como Cine amateur.
Si recordamos el resumen del libro de Carl Sagan, Cosmos, nos daremos cuenta de que
no era suficiente para indizar el contenido de la obra. Por estos motivos se recomienda
una lectura gil del resto de partes significativas del documento.
2)Seleccindelostrminosdeindizacin
Tal como dice la norma UNE, el analista tiene que identificar las nociones que
son elementos esenciales de la descripcin del contenido. Si la indizacin es
compartida, la institucin que la patrocina tiene que establecer claramente los
factores que considera importantes.
Para seleccionar los conceptos del documento, el analista tiene que ser consciente del nmero de conceptos (criterio de exhaustividad) y de la exactitud
de los mismos (criterio de especificidad).
a)Exhaustividad
A medida que el analista va leyendo, tiene que ir tomando nota de los conceptos interesantes del documento.
Una buena praxis es la que identifica los conceptos relevantes sobre:
El tema.
Los nombres personales que puedan ser interesantes de indizar.
Los nombres geogrficos.
Las fechas cronolgicas.
La forma en que se presenta el documento: artculo, estadstica, formulario

o divulgacin, cientfico, etc.
La exhaustividad es un criterio relacionado con el nmero de conceptos que

se tienen en cuenta para caracterizar el contenido entero de un documento.
El principal criterio de seleccin es el valor potencial del concepto para los
usuarios de su SID.
(7)
BNE es la sigla de Biblioteca Nacional de Espaa.

(8)
BC es la sigla de Biblioteca de Catalunya.
27
Podemos distinguir entre una exhaustividad baja, media y alta en funcin del
nmero de descriptores. Es en este entorno donde la norma UNE 50-121-91
da sus recomendaciones en cuanto a la exhaustividad. Los criterios que el indizador tiene que tener en cuenta son:
El tipo de SID y perfil de usuario. No es lo mismo indizar para una base de

datos genrica que para una especfica.
El tipo de documento. No se indiza con el mismo nmero de descriptores

una monografa que un artculo de revista, una tesis, etc.
Tal como recomienda la norma UNE, no es conveniente ser estrictos con el

nmero de trminos, no se tiene que limitar el nmero de forma arbitraria,
tipo para una monografa dos trminos de indizacin, ya que puede conducir a una prdida de objetividad y a una deformacin de la informacin. Es
preferible sugerir un baremo, entre tantos y tantos trminos para cada tipo
documental y SID y ser flexibles, ya que los criterios que tienen que regir son
el propio contenido del documento y su posterior recuperacin.
A partir del siguiente resumen informativo, elaboraremos tres tipos de indizaciones sugiriendo un baremo (para esta asignatura y sus prcticas) y una finalidad:
Anlisis y descripcin de los errores ms frecuentes que cometen los profesionales y aficionados a la fotografa astronmica mientras intentan descubrir nuevos objetos celestes
todava no identificados.
Estos errores son debidos a cuatro causas: errores en el proceso de positivado de la copia
como consecuencia de la presencia de partculas de polvo en los negativos o en las lentes
del equipo de laboratorio; errores en el negativo debidos a defectos de lavado, deficiencias en la emulsin, rayas y rasguos o por el uso de pelculas de color destinadas a ser
forzadas, y errores en las lentes de los objetivos, debidos a efectos de distorsin y a alteraciones en la refraccin. Finalmente se describen otras causas: reflejos de la luz del sol
sobre las antenas de satlites artificiales Iridum, retoques digitales o de fotocopiadoras y
duplicadoras, uso de objetivos sencillos y poco potentes para captar imgenes de cielo
profundo y, en ltimo trmino, oscilaciones del condensador de luz del microscopio.
Todos estos errores pueden dar lugar a imgenes falseadas: objetos inditos, dimetros
errneos, efectos de redondeo, alineaciones planetarias errneas, etc. El artculo facilita
imgenes de estos errores fotogrficos.
Los autores concluyen que hace falta ser cauteloso y hacer las oportunas comprobaciones
antes de dar a conocer el descubrimiento de un nuevo objeto celeste a las sociedades
astronmicas.
Cuervo Herrero, C.; Fernndez Gonzlez, A.: Objetos celestes errneos. Tribuna de Astronoma y Universo. Revista de Astronoma, Astrofsica y Ciencias del espacio. 2000. II poca,
n 16 octubre. p. 36-40.
Ejemplo de los tres grados de exhaustividad
Exhaustividad baja
Exhaustividad media
Exhaustividad alta
Baremo1-3
Baremo4-6
Baremo7...
Ejemplo de uso: catlogo de una biblioteca pblica
Ejemplo de uso: bases de datos de una bi- Ejemplo de uso: bases de datos de una biblioteca especializada en astronoma
blioteca especializada en astrofotografa
28
Exhaustividad baja
Exhaustividad media
Exhaustividad alta
Baremo1-3
Baremo4-6
Baremo7...
Errores fotogrficos
Fotografa astronmica
Astrofotografa
Errores fotogrficos
Descubrimientos
Identificacin de objetos celestes
Objetos errneos
Alineaciones planetarias
Defectos de lavado
Deficiencias de la emulsin
Dimetros errneos
Efectos de redondeo
Errores en el negativo
Errores en el positivado
Errores en las lentes
Objetos inditos
Objetivos
Oscilaciones del microscopio
Partculas de polvo
Rayadas
Reflejos del sol
Retoques digitales
b)Especificidad
La especificidad est relacionada con la exactitud en que un concepto particular que aparece en un documento est representado por un trmino de indizacin.
Si en el texto que estamos indizando aparece el concepto Diplomacia, y este trmino aparece en el lenguaje documental controlado, tenemos que indizar Diplomacia. Si indizamos Relaciones internacionales o Embajadores no estaremos siendo especficos,
como podis ver en la tabla siguiente:
Ejemplo de especificidad
Materia
Diplomacia
Correcto,yporlotanto:
Incorrectopor:
Especfico
Genrico
Demasiadoespecfico
Diplomacia
Relaciones internacionales
Embajadores
Los conceptos se tienen que identificar de la manera ms especfica posible,

pero en determinados casos se pueden preferir nociones ms genricas:
Cuando el indizador considere que un exceso de especificidad puede ser

negativa en la recuperacin; por ejemplo, puede decidir que un modelo
muy especfico de una mquina se indice con el nombre ms genrico de
este tipo de mquinas.
Cuando la idea no est plenamente desarrollada en el documento, o slo

se haga alusin a ella.
Cuando se est a la espera de validar el trmino ms especfico.
29
3)Traduccinaunlenguajedocumentalcontrolado
Para traducir el concepto inicial escrito en lenguaje natural a un lenguaje documental, el indizador tiene que consultar las listas del lenguaje buscando la
forma correcta de introducir el concepto.
Ejemplos
Conceptotalcomosaleeneltexto
Traduccin
Lenguajedocumentalutilizado
Tragicomdia
791.221.28
Classificacin Decimal Universal (CDU)
Eoltic
Edat de la pedra
Lista de encabezamientos de materia en cataln
Matriz
tero
Lista de encabezamientos del CSIC
Monarqua absoluta
Absolutismo
Tesauro de Historia contempornea del CSIC
Cuando el analista procede a traducir el concepto del texto se puede encontrar en las
siguientes situaciones:
a) Encuentra el concepto, solo o repartido por las tablas:
Consulta el lenguaje y encuentra el concepto a la primera. Entonces indiza con este

trmino de indizacin. Por ejemplo, buscaba Eoltic y encuentra que tiene que
indizar Absolutismo.
Consulta el lenguaje y encuentra el concepto o las partes del concepto repartidos

por el lenguaje. Entonces tiene que conocer las reglas de combinacin de las partes
integrantes del trmino de indizacin. Ejemplos:
Una notacin con CDU como 391.91(961.3) Tatuajes de la isla de Samoa est
formada por 2 elementos, tatuajes + Samoa. Estos elementos van colocados en
un orden determinado por las reglas de precoordinacin de la CDU (primero la
clase principal + auxiliar).
Un encabezamiento construido con la LEM del CSIC como Agua-Aspectos econmicos est formado por dos partes: Agua + Aspectos econmicos, que es un
encabezamiento y un subencabezamiento respectivamente y van en este orden.
Con los lenguajes tesauros y listado de autoridades no hay una sintaxis de combinacin.
b) No encuentra el concepto:
Consulta el lenguaje y no encuentra el concepto. Entonces el indizador tiene que

conocer las obras de referencia que su SID considera como autoridades reconocidas en
la materia. Estas obras de referencia son diccionarios, enciclopedias, otros lenguajes
documentales (especialmente los tesauros construidos de acuerdo con las normas ISO
y UNE 50-106 y UNE 50-125), atlas, etc.
Hay lenguajes, como tesauros, donde el indizador tiene que proponer el trmino
nuevo como descriptor candidato y esperar a que la direccin del tesauro lo valide
como descriptor. Mientras tanto indiza con un trmino ms genrico.
2.3. Lenguajes documentales

Para indizar necesitamos los lenguajes documentales, que son vocabularios de
trminos que facilitan la representacin del contenido de los documentos.
30
Las principales funciones de los lenguajes documentales son indizar el

contenido de los documentos y permitir su recuperacin a partir del
campo materia.
Tercera funcin de los

lenguajes documentales
Existe una tercera finalidad,
que solo se da en los sistemas
de clasificacin: la ordenacin
altamente significativa del fondo documental del SID.
Los lenguajes documentales son de seis tipos:

1) los sistemas de clasificacin,
2) las listas de encabezamientos de materia,
3) las listas de autoridades,
4) los tesauros,
5) las listas de descriptores libres, y
6) las listas de palabras clave o indizacin automtica.
Lostrminosdeindizacin
Cada lenguaje documental proporciona un nombre diferente a su trmino de
indizacin y es conveniente que, cuando nos expresemos, lo hagamos con
propiedad.
Trminos de indizacin
Lenguaje documental
Su trmino de indizacin se conoce como
Ejemplo
Sistemas de clasificacin
Notacin o smbolo de clase
351.851:069 (Ley de Museos)
Listas de encabezamientos de materia
Encabezamiento
Francs-argot
Listas de autoridades
Autoridad, identificador o descriptor
Bcquer, Gustavo Adolfo, 1836-1870
Tesauro
Descriptor
Ramon Berenguer III el Gran NA: [1097-1131]
Listas de descriptores libres
Descriptor
Semana_santa
Listas de palabras clave
Palabra clave
Metro
Existe otro trmino, denominado unitrmino, que no hace referencia a ningn lenguaje documental concreto, sino al hecho de que el trmino de indizacin sea simple o compuesto.
La Norma UNE 50-113-92/1 define los unitrminos como el elemento

significativo ms pequeo de un lenguaje documental utilizado para
representar un concepto especfico en un sistema de indizacin coordinado; no se tiene que confundir con palabra clave o descriptor.
31
El descriptor Semana Santa est formado por dos unitrminos: Semana ySanta. Y el descriptor Navidad est formado por un nico unitrmino.
Diferencia entre descriptor y unitrmino
Una palabra
Ms de una
Navidad
Semana Santa
Hay que prestar atencin al trmino palabraclave porque su uso en la bibliografa cientfica tiene varias aplicaciones que nos pueden confundir. Es habitual encontrar en los artculos un apartado, bajo el resumen, denominado "palabras clave", en el que el autor nos da los trminos que considera ms representativos del texto. Estas palabras clave son muy a menudo descriptores de
procedencia desconocida (no sabemos si son libres o controlados). En cambio,
en este material docente, palabra clave se entiende como el trmino de indizacin proveniente de la indizacin automtica habitualmente coincidente con
un unitrmino.
Lastipologasdeloslenguajesdocumentales
Las tipologas de los lenguaje documentales son los criterios que nos permiten
agrupar o clasificar los seis lenguajes documentales en categoras afines. Son
las siguientes:
1)Naturaleza:codificadoonatural
Por codificado entendemos el uso de un cdigo artificial compuesto por nmeros, letras y smbolos que traducen un concepto. Solo existe un tipo de lenguaje codificado: los sistemas de clasificacin.
Ejemplos de trminos de indizacin codificados
CDU
DDC
LCC
94
483
RE 1-994
Por natural entendemos el uso de palabras del lenguaje usual, habitual, no

cdigos. Es mucho ms prximo al usuario, ms amigable. Hay cinco lenguajes
documentales naturales: las listas de encabezamientos de materia, las listas de
autoridades, los tesauros, las listas de descriptores libres y las listas de palabras
clave.
Siguiendo el ejemplo anterior:
Ejemplos de trminos de indizacin naturales
Historia
Diccionarios de griego clsico
Oftalmologa
Reflexin
Si dominis las tipologas, podris responder a cuestiones
del tipo: comparad lenguajes,
buscad ventajas e inconvenientes, causas de la complementariedad, etc. Se recomienda
que las interioricis.
32
2)Control:libreocontrolado
Un vocabulario libre es una lista de trminos extrados del lenguaje natural sin sufrir ningn tipo de actuacin sobre el nmero de trminos,
la forma (singular, plural, masculino, femenino), el significado (sinnimo, polismico) o las relaciones entre los trminos.
Normalmente, los lenguajes libres se usan en sistemas automatizados en los

que hay un fichero inverso o diccionario de la base de datos. Presentan numerosas ventajas en la indizacin, como por ejemplo el gasto mnimo de construccin, la actualizacin inmediata, una mxima coherencia y la riqueza terminolgica. Sin embargo, plantean inconvenientes en la recuperacin, ya que,
al trabajar con lenguaje natural, arrastra todos los problemas derivados de la
ambigedad (sinonimia, polisemia, homonimia). Hay dos tipos de lenguajes
libres: las listas de descriptores libres y la lista de palabras clave.
Un vocabulariocontrolado es una lista previamente redactada de trminos que se consideran aceptados y unvocos para la indizacin. Solo
los trminos de la lista se pueden emplear para indizar.
Se trata de trminos seleccionados tanto en su forma (plural, singular, sintagma nominal, adjetivo, siglas, etc.) y en su contenido (se elige un sinnimo
de todos los posibles, los homnimos se diferencian entre ellos con parntesis o adjetivos, etc.) como en sus relaciones de jerarqua y asociacin (trminos conceptualmente ms genricos o especficos y trminos que se evocan
mutuamente). Requieren unos gastos de construccin elevados, no solo en
personal cualificado, sino tambin en tiempo. Para muchos autores, son los
verdaderos lenguajes documentales. Tambin se conocen con el nombre de
lenguajesartificiales.
Su funcin documental es la de representar un concepto con un nico

trmino y que solo haya un trmino por concepto, lo que se conoce
como univocidad.
Los lenguajes controlados son cuatro:
los sistemas de clasificacin,
las listas de encabezamientos,
las listas de autoridades, y
los tesauros.
33
Ejemplos de trminos libres y controlados

Concepto
Libre
Controlado
Limpieza
Higiene, Limpieza, Profilaxis, Aseo, Sanidad, Desinfeccin
CDU: 613
LEMAC: Higiene
3)Coordinacin:precoordinacinoposcoordinacin
La precoordinacin consiste en determinar a priori cmo se combinan

los trminos, tanto en la construccin del lenguaje como a la hora de
indizar o recuperar el documento.
Asimismo, se hace referencia a la precoordinacin como la sintaxis del lenguaje documental. Por ejemplo, en las listas de encabezamientos de materia,
los epgrafes siguen un orden concreto para evitar la dispersin de encabezamientos.
As, un documento de congresos catalanes sobre arqueologa submarina se indizara como Arqueologa submarina Catalunya Congresos, y no con ninguna otra de las combinacionesposibles.
Combinaciones posibles
Las combinaciones errneas son las siguientes:
Catalunya Congresos Arqueologa submarina

Arqueologa submarina Congresos Catalunya
Congresos Arqueologa submarina Catalunya
Arqueologa submarina Congresos Catalunya
Recordemos que el orden viene determinado por las indicaciones que acompaan a cada
epgrafe. As, vemos que Arqueologa submarina puede llevar subdivisin geogrfica y que
Congresos es una subdivisin que puede ir detrs de nombres propios de persona, familias,
entidades, clases de personas, grupos tnicos, guerras y temas; por lo tanto, el nico orden
posible es el de la solucin aportada.
Existen dos lenguajes precoordinados: los sistemas de clasificacin y las listas

de encabezamientos de materia.
La poscoordinacin consiste en indizar trminos sueltos. No tienen

sintaxis en el momento de la indizacin, sino que se combinarn a la
hora de la recuperacin siguiendo la lgica de los operadores booleanos.
Cada trmino indizado es un punto de acceso al documento: cuanto ms trminos indicemos, mayor es la posibilidad de recuperarlo. Siguiendo con el caso anterior, lo formularamos poniendo los tres conceptos en cualquier orden,
ya que no resulta relevante, por ejemplo:
Congresos and Catalunya and Arqueologa submarina
La precoordinacin en las
bibliotecas manuales
La precoordinacin era una
autntica necesidad en el entorno de las bibliotecas manuales (fichas de cartulina), ya
que no se poda buscar por
una combinacin de dos trminos o ms.
34
Existen cuatro lenguajes poscoordinados: las listas de autoridades, los tesauros,

las listas de descriptores libres y la indizacin automtica.
4)Estructura:jerrquicaoalfabtica(combinatoria)
En la estructurajerrquica o sistemtica, el vocabulario se presenta en forma
de arborescencia, con trminos genricos que agrupan otros ms especficos.
Todos los trminos dependen de un trmino superior y de significado ms
genrico. Esta estructura permite agrupar los conceptos por temas, as como
situarlos en su contexto, ya que la secuencia jerrquica nos informa del campo
temtico al que se adscribe el concepto.
La estructura jerrquica informa del campo del conocimiento.
Ejemplo
Pongamos como ejemplo el
concepto libertad, que tiene
muchas acepciones. Simplemente viendo dnde est insertado, ya deducimos si se
trata de la libertad filosfica,
de derechos humanos o de la
libertad de movimientos en
mquinas.
Clase 1
Clase 3
Clase 6
123 Libertad y necesidad

123.1 LIBERTAD. INDETERMINISMO
123.11 Casualidad
123.2 NECESIDAD
123.21 Fatalismo
342.7 DERECHOS FUNDAMENTALES.

DERECHOS HUMANOS.
DERECHOS Y DEBERES DE LOS CIUDADANOS
342.71 Nacionalidad. Ciudadana
342.72/.73 Derechos de los ciudadanos. Derechos
civiles. El Estado y el ciudadano
342.721 Libertad individual. Habeas corpus
62-23 ENGRANAJES. ELEMENTOS MECNICOS DE

TRANSMISIN. DISPOSITIVOS TRANSPORTADORES Y DE SUJECIN
62-231 Estructuras de los mecanismos de transmisin
62-231.2 Sistemas lineales. Pares cinemticos
62-231.21 Sistemas sin grados de libertad. Acoplamiento automtico. Centrado automtico
62-231.22 Sistemas con un grado de libertad. Cojinete. Barra de gua. Par de roscado (tornillo y tuerca)
Los lenguajes jerrquicos son dos: los sistemasdeclasificacin y los tesauros

(en la parte de presentacin sistemtica o jerrquica).
En la estructuracombinatoria, los trminos no forman cadena, sino que se
organizan en listas por orden alfabtico. Este tipo de estructura surgi como
contrapunto a la rigidez de la estructura jerrquica, que no era fcil de actualizar.
Ejemplo extrado de la Lista de encabezamientos del CSIC.
rbol de la papaya
rbol de la vida
rbol del conocimiento
rboles
rboles Crecimiento
rboles Cuidados
rboles Cultivo
rboles Culto
La estructura combinatoria permite la inclusin de trminos nuevos y la eliminacin de los obsoletos sin que esto afecte al resto de la estructura del lenguaje.
35
En la secuencia anterior podramos incluir: rboles Adobo, sin alterar el resto.
La facilidad para actualizar el vocabulario los convierte en lenguajes adecuados para todo tipo de entornos: enciclopdicos, cientficos y tcnicos. Los lenguajes de estructura combinatoria son cinco:
las listas de encabezamientos de materia,
las listas de autoridades,
los tesauros,
la lista de descriptores libres, y
las listas de palabras clave.
Tesauro
Como podis observar, el tesauro participa de las dos estructuras: tiene una presentacin sistemtica en forma jerrquica y una presentacin alfabtica en forma combinatoria.
5)Anlisis:pormaterias,porconceptosoporpalabrasclave
La diferencia entre uno y los otros estriba en indizar un tema del documento,
varios conceptos o todas las palabras con significado.
a)Pormaterias
Es la indizacin ms sinttica: indiza uno o dos trminos de indizacin. Responde a la pregunta cul es el tema de este documento?. Existen dos lenguajes que indizan por materias: los sistemas de clasificacin y las listas de
encabezamientos de materia.
Reflexin
Hoy en da, la evolucin y automatizacin de los sistemas
de informacin posibilitan que
estos lenguajes, en origen sintticos, puedan indizar de manera ms analtica, en especial
los encabezamientos de materia, que pueden indizar dos,
tres o cuatro encabezamientos.
O las notaciones con sistemas
de clasificacin, que duplican
el campo 080 del MARC.
b)Porconceptos
Responden a la pregunta cules son los conceptos de este documento?.
Van ligados necesariamente a sistemas automatizados, ya que no sera factible
elaborar tantas fichas de cartulina como conceptos se indizaran. Existen tres
lenguajes que indizan por conceptos: las listas de autoridades, los tesauros y
las listas de descriptores libres.
c)Porpalabrasclave
Indizar por palabras clave representa indizar todas y cada una de las palabras
con significado del texto. Es el proceso ms analtico que hay. No se trata de
una tarea de indizacin humana, sino automtica. Solo hay un lenguaje por
palabras clave, y es evidentemente el nico lenguaje automtico: la lista de
palabras clave.
Resumen de las tipologas
Sistemas de
clasificacin
Segnlanatura- Codificado
lezadelostrminos
Natural
Listas de
autoridades
Tesauros
Lista de
descriptores libres
Lista de palabras clave
36
Sistemas de
clasificacin
Segnelnivel
Libre
decontrolsobre
lostrminos
Controlado
Segnelnivel
Precoordinado
decoordinacin
delostrminos Poscoordinado
Segnlaforma
deagruparlos
trminosoestructura
Jerrquico
Segnelnivel
deanlisis
Por materias
Alfabtico
Listas de
autoridades
Lista de palabras clave
Por conceptos
Por palabras
clave
Una buena praxis es estudiar los seis lenguajes segn la tipologa y recordar frmulas como por ejemplo:
1 codificado + 5 naturales = 6
4 controlados + 2 libres = 6
2 precoordinados + 4 poscoordinados = 6
2 jerrquicos + 4 combinatorios = 6
2 por materias + 3 por conceptos + 1 por palabras clave = 6
2.3.1. Clasificar y recuperar con sistemas de clasificacin

Este apartado apuesta por redescubrir la potencia combinatoria de los sistemas
de clasificacin y comprobar su estado actual. Constataremos que, si bien son
muy prcticos en la indizacin, no lo son tanto en la recuperacin en lnea,
al menos por el momento.
Lista de
descriptores libres
X
X
Tesauros
37
Sistemas de clasificacin en la Web

De los nueve principales sistemas de clasificacin implementados en estos momentos en todo el mundo, seleccionamos tres para hacer las prcticas de este mdulo, aunque el porcentaje ms elevado de prcticas lo haremos con la
clasificacin decimal universal, en la versin abreviada en espaol:
1) Clasificacin decimal universal (CDU)
Universal Decimal Classification Consortium Homepage (2002, 1 de agosto) [en lnea]. La Haia: UDC Consortium. Act. 2002-08-01. [Fecha de consulta: 10 de octubre del 2008.]
documental vigentes
Los sistemas de clasificacin
documental vigentes son los
siguientes: clasificacin decimal universal (CDU), clasificacin Dewey (DDC), clasificacin de la Library of Congres
(LCC), clasificacin china, clasificacin japonesa, clasificacin rusa (LBC, antigua BBK),
clasificacin Colon (CC), clasificacin Bliss (CB) y clasificacin Brown.
2) Clasificacin decimal Dewey (DDC)
http://www.oclc.org/dewey/resources/summaries/default.htm,
025.431:
The Dewey blog [en lnea]. [Fecha de consulta: 10 de octubre del 2008.]
Online Computer Library Center. Dewey services, Dewey decimal classification for use with OCLC's online cataloging services [en lnea]. [Fecha de
consulta: 10 de octubre del 2008.]
3) Clasificacin de la Library of Congress (LCC)
Library of Congress Classification system [en lnea]. [Fecha de consulta: 1

de octubre del 2008.]
Clasificacin en la actualidad
Los sistemas de clasificacin son ms que centenarios. Estn considerados los
primeros lenguajes documentales verdaderos y, desde su generalizacin en las
bibliotecas en el siglo XIX, han demostrado su eficacia recuperando por materias. Ahora bien, no han estado exentos de los embates de la crtica, ya que
algunas de sus caractersticas inherentes (como el tiempo que requieren, la
sntesis o la codificacin) no parecan encajar en momentos de explosin documental, de acceso a grandes bases de datos y en red.
La dcada de 1960 supuso un momento crtico, al cuestionarse que los sistemas
de clasificacin fueran el lenguaje documental adecuado para abarcar la gran
cantidad de documentacin cientfica que se iba generando (documentacin
cada vez ms abundante y, por lo tanto, lenta de clasificar), con terminologa
nueva (que la lentitud de las actualizaciones hara imposible de asumir), con
necesidades nuevas como acceder por conceptos y palabras (cuando las clasificaciones optaban por materias).
Los sistemas de clasificacin
son lenguajes controlados, codificados, precoordinados, sistemticos o jerrquicos y sintticos por materias.
38
Otro embate, este ms reciente, ha sido el papel que pueden tener estos sistemas en un entorno web, donde imperan los paradigmas de la indizacin social
y la indizacin automtica. En este contexto, tienen sentido las jerarquas y
las notaciones codificadas?
Afortunadamente, todos los lenguajes documentales tienen cabida en la representacin del conocimiento. Las jerarquas, tambin llamadas presentaciones
sistemticas, arborescencias o incluso taxonomas, presentan una virtud excepcional a la hora de indizar y recuperar, y es que permiten situarnos en una
secuencia de trminos ms genricos o ms especficos; por lo tanto, podemos
elegir el grado de especificidad y el trmino en el contexto que nos interesa.
En la cadena siguiente observamos cmo se abre el concepto religin hasta llegar a las religiones especficas del hinduismo. El analista decidir si indiza con una clase ms genrica o ms especfica. La decisin depender de las necesidades del SID. Por ejemplo, un
SID especializado en documentacin sobre religiones probablemente indizar de manera
especfica y escoger uno de los tres ltimos.
En el ejemplo siguiente observamos que la posicin dentro de una cadena nos informa
del contexto de cada concepto. Podemos localizar el concepto iglesia cristiana en la clase
27 Religin o en la 726.54 Arquitectura, segn si nos interesa un enfoque de la fe o de
la arquitectura.
Ejemplo de enfoque
2 Religin
27 Cristianismo. Iglesias cristianas
7 Arte
72 Arquitectura
726 Arquitectura religiosa
726.5 Arquitectura de las iglesias
726.54 Iglesia
Esta eleccin es posible en cuadros jerrquicos, no en listas alfabticas que

resuelven el tema de los enfoques reservando el trmino simple para un tema
y creando uno compuesto para el otro.
En la LEMAC se soluciona de la manera siguiente:
Solucin en una lista de encabezamientos de materia.
Religin
Iglesia
Arte
Arquitectura religiosa
39
A los sistemasdeclasificacin se les reconoce el papel principal que han tenido a la hora de estructurar el conocimiento creando sistemas que permitan
representar y recuperar los datos a partir del significado de los documentos,
es decir, a partir de la materia y no de datos formales como nombres propios
o ttulos.
Las estructuras clasificatorias son elementos muy importantes en la organizacin del conocimiento. Nos permiten representar y ordenar el conocimiento,
y esto, en un momento como el actual, en el que la informacin est cada vez
ms atomizada y dispersa, hace que los sistemas de clasificacin nos proporcionen una visin coherente y homognea, una perspectiva integradora.
Por lo que respecta a las notaciones, los cdigos numricos o alfanumricos,
todava suponen una buena opcin ante el uso amigable del lenguaje natural? Esta pregunta equivale a interrogarse sobre si un lenguaje documental
codificado tiene suficientes utilidades para merecer la inversin en tiempo y
esfuerzo. Pues bien, obtendremos la respuesta observando las ventajas que representa la codificacin, y que son las siguientes:
Los cdigos son internacionales y, por lo tanto, la codificacin permite el

intercambio (en red de mbito nacional o internacional).
Permite ordenar el fondo y disponerlo en anaqueles de manera altamente

significativa.
Permite elaborar tanto productos bibliogrficos como bibliografas nacionales o selectivas (existe constancia de que la CDU se usa al menos en
treinta bibliografas nacionales).
Permite confeccionar ndices y guas por materias.
Permite difundir de forma selectiva la informacin (DSI).

Observacin
En la bibliografa cientfica encontraris que contraponen la codificacin de las clasificaciones con el lenguaje natural, no con el lenguaje libre, por lo que el principal inconveniente de los sistemas de clasificacin no es que sean controlados, sino que estn codificados. Si el problema fuera el control, otros lenguajes, como los encabezamientos de
materia, las autoridades y los tesauros, tambin recibiran la misma crtica.
Como hemos visto, las estructuras, las jerarquas y los cdigos tienen su utilidad; aun as, los sistemas de clasificacin han evolucionado y han mejorado
tres aspectos bsicos: la estructura, el contenido y la visibilidadenlaWeb.
Estructura
En el caso de la CDU, que es la clasificacin que ms trabajaremos, la mejora
de la estructura pasa por potenciar lafacetacin (Broughton, 2009).
Encuesta sobre el uso de la

CDU
En una encuesta del Consorcio de la CDU (Aida Slavic,
2007) llevada a cabo en doscientos siete pases del mundo,
se concluy que ciento veinticuatro pases (el 60%) clasificaban con CDU. De estos pases, treinta y cuatro (el 28%)
tienen la CDU como sistema
principal, cuarenta y cinco (el
36%) la usan en determinados tipos de bibliotecas y los
cuarenta y cinco restantes (el
36%) solo la usan en algunas
bibliotecas de sus naciones.
40
Las facetas son principios de divisin, caractersticas que las materias

tienen en comn. Las facetas agrupan los conceptos segn una caracterstica concreta que comparten con otras clases.
Hay facetas de tipo universal, aplicables a todos los campos del saber (como
el tiempo y el espacio), y laspropiasdeunamateria.
Ejemplo de facetas
El espacio, el tiempo, la forma, la lengua. Por ejemplo, dentro de la faceta formapodemos
encontrar miniatura, que podremos aplicar a todo tipo de conceptos, como:
diccionarios en miniatura,
pintura en miniatura,
modelismo en miniatura.
Ejemplo de facetas propias de una materia

Facetas para la materia Arte: Periodo artstico, Tcnica artstica, Tema representado... As,
dentro de tema representado podemos encontrar figura humana, que podramos aplicar a
cualquier tipo de arte, como pueden ser:
la figura humana en escultura,

la figura humana en pintura,
la figura humana en los esmaltes.
Se considera que la CDU es una clasificacin mixta o hbrida porque combina

una estructura enumerativa con una facetada. Para combinar dispone de diecisis signos, nueve tablas auxiliares y un nmero muy elevado de auxiliares
especiales repartidos por todas las tablas, principales e incluso auxiliares.
Ventajas e inconvenientes de la facetacin

Ventajasdelafacetacin:
Es analtica y, por lo tanto, permite describir con precisin el contenido de un

documento.
Es flexible y no queda desfasada con rapidez.
Es fcilmente automatizable, ya que los documentos se pueden buscar en conjunto o para cada faceta.
Inconvenientesdelafacetacin:
Su aplicacin es compleja.
Hay muchas materias que no se pueden representar fcilmente con facetas (conceptos de tipo mental que no son objetos).
No todos los documentos tienen todas las facetas, lo que hace que la notacin
no sea homognea.
41
Las tablas de auxiliares, tanto comunes como especiales, son pequeas

clasificaciones jerrquicas autnomas a partir de una faceta (la forma, el
lugar, el idioma, etc.) que, cuando se combinan, describen la materia del
documento de forma analtica. Son tablas autnomas pero articuladas,
combinables, que dan ms flexibilidad a las tablas enumerativas.
Cmo se potencia la facetacin?

La CDU ya es una clasificacin mixta, as pues, cmo se potencia la facetacin? Retirando clases compuestas (antes la clase 29 comprenda las religiones antiguas hinduismo, judasmo, islam y ahora se encuentran asignadas cada una a una clase propia; por
ejemplo, la 26 Judasmo, la 27 Cristianismo y la 28 Islam), revisando radicalmente clases
como la informtica o la medicina, proponiendo un orden ms claro en la construccin
y una sintaxis ms lgica y eliminando progresivamente el signo subdividir en favor del
colon (:) o auxiliares especiales.
Contenido
Para mejorar el contenido, el Consorcio de la CDU revisa cada ao las tablas
y publica cada mes de noviembre los cambios en el documento Extensions
and corrections to the UDC, y edita electrnicamente el 1 de enero siguiente
el master reference file, o fichero bsico de referencia, en el que comunica las
eliminaciones, correcciones y ampliaciones.
En trminos generales, las clases que han evolucionado ms son las 004
Informtica, 2 Religin, 61 Medicina, 8 Lengua y Literatura y 9 Geografa e Historia.
Visibilidad
Para mejorar la visibilidad en la Web disponemos de los metadatos, que resultan clave en el proceso de captacin y transmisin de estos significados y
de los estndares para ontologas.
El uso de los metadatos es muy desigual. En el campo materia se puede poner
el trmino de indizacin en varios lenguajes, entre ellos la CDU (oUDC en
ingls).
Web recomendada
Podis consultar los cambios en la web del Consorcio de la CDU. Major
changes to the UDC since
1993 (http://www.udcc.org/
major_changes.htm).
42
La iniciativa del Dublin Core recomend en el documento Dublin Core Qualifiers del
ao 2010 los siguientes lenguajes documentales:
DDC, http://dublincore.org/documents/dcmes-qualifiers/#ve-DDC
IMT, http://dublincore.org/documents/dcmes-qualifiers/#ve-IMT
LCC, http://dublincore.org/documents/dcmes-qualifiers/#ve-LCC
LCSH, http://dublincore.org/documents/dcmes-qualifiers/#ve-LCSH
MESH, http://dublincore.org/documents/dcmes-qualifiers/#ve-MESH
NLM, http://dublincore.org/documents/dcmes-qualifiers/#ve-NLM
TGN, http://dublincore.org/documents/dcmes-qualifiers/#ve-TGN
UDC. http://dublincore.org/documents/dcmes-qualifiers/#ve-UDC
Webs recomendadas
Dublin Core Metadata Initiative:
ments/2010/10/11/dcmi-terms/
Metadata
Terms
http://dublincore.org/docu-
Las siglas corresponden a IMT: Internet Assigned Numbers Authority http://

www.iana.org/assignments/media-types/
NLM: National Library of Medicine Classification http://wwwcf.nlm.nih.gov/class/
TGN: Tesaurus Getty de nombres geogrficos http://www.getty.edu/research/tools/vocabulary/tgn/index.html
Los metadatos pueden ir asignados al documento o estar separados de este.

Los primeros estn integrados en el documento, de modo que si el documento cambia de ubicacin, los metadatos tambin lo hacen, y el recopilador lo
localiza y lo incluye en el ndice. Solo podemos acceder a los metadatos y actualizarlos acudiendo a la misma fuente. Los separados del documento tratan
la materia como un objeto de informacin en s y van a una base de datos
aparte. Podemos acceder a los metadados sin acceder al recurso. Es el tipo de
metadato ms parecido a los registros bibliogrficos.
Los estndares para ontologas, como el formatoSKOS, son un vehculo para el despliegue de sistemas de organizacin del conocimiento que no han
nacido digitales (o XML/RDF), como los tesauros y las clasificaciones bibliogrficas. El consorcio de la CDU, en sus Machine readable files & linked data
(http://www.udcc.org/udcsummary/exports.htm), lanza el formato SKOS en
veintisis idiomas. Los problemas no resueltos se encuentran en la aplicacin
y recuperacin de las facetas y en la coordinacin de los trminos con signos
y auxiliares (Devika Madalli, 2009).
Contextos en los que clasificamos
Actualmente, los sistemas de clasificacin son tiles en los contextos que describimos a continuacin.
SKOS
Sistemas de organizacin del
conocimiento (SKOS), un modelo de datos comn para
compartir y enlazar sistemas
de organizacin del conocimiento mediante la web semntica.
43
Clasificacindeunacoleccindedocumentos
La clasificacin de una coleccin de documentos es la aplicacin clsica de este
lenguaje, a pesar de que Paul Otlet y Henry La Fontaine lo hicieron extensible
a la clasificacin de la bibliografa universal.
Podemos clasificar el fondo en nuestra base de datos con una notacincompleta o con unasimplificada. La primera describe con ms especificidad el
contenido y es ms compleja de recuperar, mientras que la segunda es ms
genrica pero ms intuitiva. Ahora bien, la misma estructura decimal de la
notacin nos facilita la eleccin, ya que se presta a las dos opciones: un gran
nmero de bibliotecas utiliza una versin simplificada de la CDU para organizar los anaqueles (resulta fcil para los documentalistas y los usuarios a la hora
de localizar el documento), pero dentro del catlogo las notaciones tienen un
mayor desarrollo, de forma que se lleva a cabo un anlisis ms especfico. As,
tanto el documentalista como el usuario pueden echar un vistazo a los estantes y tambin buscar en el catlogo de forma ms exhaustiva.
Los cdigos de clasificacin tambin permiten confeccionar estadsticas sobre
el volumen de la coleccin y las temticas ms consultadas o prestadas.
Ordenacindemaneraaltamentesignificativadeunfondodocumental
Recordemos que existen tres tipos de ordenaciones; se elegir uno en funcin
de si el acceso a las estanteras es libreono.
Ordenaciones no significativas (tambin conocidas como numricas):

son aquellas en las que no existe relacin con el contenido del documento. Por ejemplo, ordenar segn el nmero asignado a la llegada. Es una
ordenacin til en los SID que no den acceso libre a los anaqueles y en los
que la recuperacin la haga el documentalista. Apropiado para los SID que
tengan su coleccin en el depsito y no en la sala de lectura. Es el mtodo
ms empleado en archivos.
Ordenaciones con significado limitado: se ordenan por algn criterio

como, por ejemplo, la lengua del documento, el autor o el tema. Es la
ordenacin que encontramos en libreras, en bibliotecas personales o en
bibliotecas pequeas.
Ordenacionesaltamentesignificativas: se ordena a partir de un cuadro

de clasificacin, de forma que los contenidos afines se colocan uno junto a
otro. Es apropiada para los SID de libre acceso como las bibliotecas pblicas
y universitarias. Un ejemplo sera ordenar siguiendo las clases de la CDU.
Los tres tipos de ordenaciones se pueden combinar en un mismo SID.
44
En una biblioteca pblica se puede ordenar de la manera siguiente:
Ordenaciones no significativas: prensa, boletines, revistas...
Ordenaciones con significado limitado: novelas. Se hace distincin entre novela histrica, ciencia-ficcin, biografas, etc. Dentro de cada grupo, las novelas se ordenan
alfabticamente por autores.
Ordenaciones altamente significativas: todo el resto de la coleccin. Es el grueso ms

importante.
James Duff Brown

James Duff Brown fue un bibliotecario britnico que,
mientras era director de la
Clerkenwell Public Library de
Londres en 1893, organiz
por primera vez el acceso libre
a las estanteras o anaqueles
abiertos.
Segn Foskett (1996), existen dos razones para clasificar de manera altamente
significativa en estantera abierta:
la primera es satisfacer la curiosidad del usuario, ya que puede recorrer los

anaqueles buscando un tem que le resulte atractivo, y
la segunda es que muchas veces, a partir de un documento, localiza a su

alrededor otros tems interesantes.
Para ordenar con un sistema decimal hay que colocar las notaciones en este
orden: 1, 11, 111, 2.
En el caso de combinaciones con signos clasificatorios y auxiliares especiales,
el orden es el siguiente:
Auxiliares comunes independientes = (0...) (1/9) (=...) y ...
Firmas + /
Clase expresada como nmero simple (por ejemplo, 622.341.1)
Colon (:), doble colon (::), auxiliar de lengua, de forma, de lugar, de razas,
de tiempo, asterisco, A/Z,.00,-0-1/-9,.0.
Nmero simple siguiente.
Clasificacindedocumentosweb
La gran cantidad de documentos web que se genera cada da hace imposible
su clasificacin manual. Ahora bien, clasificar no es solo una operacin intelectual, tambin se puede llevar a cabo de manera automtica en algn momento del proceso. Hay tres lneas de trabajo (Moreno, 2002) para clasificar
automticamente la Web.
1)Mtododeclasificacinapriori: mtodo automtico que usa una clasificacin establecida a priori para asignar notaciones. El programa detecta los
conceptos del recurso web expresados en lenguaje natural y los traduce al cdigo de la clasificacin. El programa trabaja con ndices de materias a modo
de listas de autoridades que pueden haber sido generados manualmente o por
robots procedentes de la misma clasificacin o de otros lenguajes documentales naturales. Incluso es recomendable incrementar la lista con trminos no
expresados en el cuadro de clasificacin pero que los usuarios usan en las consultas.
Lectura recomendada
Consultad la introduccin
de la CDU (edicin abreviada), pgina XXVII, donde
se ejemplifica cmo se tienen que ordenar todas las
posibilidades entre el cdigo 622.341.1 y el cdigo
622.341.11. Muy ilustrativo.
45
El robot lee en el ttulo del documento magnolifitas, consulta el fichero de autoridades,

ve que es un trmino sinnimo de angiospermas y traduce 582.5/.9. El documento queda
indizado con esta notacin.
2)Laclusterizacin: se trata de una tcnica de clasificacin automtica tambin conocida como clasificacin derivada o a posteriori, que consiste en agrupar documentos relacionados entre s por el tema formando conjuntos o clsteres. La diferencia estriba en el hecho de que este ltimo proceso se efecta
automticamente.
Un ejemplo sera el buscador Yippy http://yippy.com/, que muestra los resultados clasificados en carpetas e indica el nmero de documentos que contiene cada una. El nmero y el nombre de las carpetas vara en cada bsqueda, se van creando dinmicamente
de manera automtica segn los resultados que vuelca la base de datos. As, si hacemos
una bsqueda por library of congress subject headings, nos aparecern unas carpetas diferentes que si buscamos universal decimal classification, sin coincidir en las carpetas que
comparten conceptualmente, que podran ser indizacin, lenguaje documental o anlisis
de contenido.
3)Conversinautomticaentresistemasdeclasificacin:
El proyecto de reclasificacin automatizada de la Biblioteca de la Universidad de Kentucky, con el que cambian la CDD por el LCC Library of Congress Classification System.
Se trata de mecanizar el proceso de conversin entre dos lenguajes documentales; por
ejemplo, de la LCC a la DDC o a la inversa (http://www.questionpoint.org/crs/html/help/
it/ask/ask_map_lcctoddc.html).
Recursoswebclasificados
En la Web encontramos bases de datos bibliogrficas, directorios y portales de
informacin que presentan sus recursos de forma clasificada, pensados para
la navegacin (browsing). El cuadro de clasificacin puede ser de elaboracin
propia o a imagen y semejanza de cuadros sistemticos clsicos, como la CDU,
la DDC o la LCC. Se consideran productos de informacin de alto valor
aadido, ya que estn elaborados por un equipo humano que identifica el
contenido de los recursos (descripcin e indizacin) de manera ms cuidadosa
que la que hace un robot. Se trata de un tipo de fuente que apuesta por la
precisin (documentos seleccionados por la calidad del contenido) frente a la
exhaustividad. En esta categora, adems de los directorios, tambin se incluyen los ndices temticos, las guas temticas o los Internet subject gateways. Sin
embargo, hay que aadir que el nivel de clasificacin es muy sucinto (uno o
dos dgitos a lo sumo).
Webs recomendadas
En The role of classification schemes in internet resource description and discovery, de
www.ukoln.ac.uk, en el ao 2001 se contabilizaron treinta y cinco sistemas de clasificacin diferentes usados en distintos portales y directorios temticos.
Y en Beyond Bookmarks: Schemes for Organizing the Web, http://www.public.iastate.edu/
CYBERSTACKS/CTW.htm, encontraris una lista de las bases de datos organizadas segn
el sistema de clasificacin que usan, ya sea alfabtico, numrico o alfanumrico.
Clasificacin de textos
cientficos o literarios
Es ms fcil clasificar automticamente los textos cientficos (terminologa ms precisa)
que los literarios (trminos ms
ambiguos). Un texto sobre cine titulado Senderosdegloria
podra quedar clasificado como 625.711.2, que significa
carreteras,caminos.
46
Ejemplos de fuentes organizadas segn los cuadros de clasificacin:
Oko http://oko.zrc-sazu.si/
RECERCAT http://www.recercat.net/browse?type=subject
Open Directory project Dmoz http://www.dmoz.es/
ISBN http://www.mcu.es/libro/ce/agenciaisbn/infgeneral/tablacdu.html
The WWW Virtual Library http://vlib.org/
Librarians Internet Index http://www.ipl.org/div/subject/index.html
Buscopio http://www.buscopio.net/esp/
The www virtual library http://vlib.org/
Infomine http://infomine.ucr.edu/
Creacindelenguajesnuevos
A partir de un cuadro sistemtico podemos elaborar otras clasificaciones o tesauros. Antes de empezar la redaccin de un cuadro nuevo, una buena prctica es buscar cadenas ya construidas en otros lenguajes. En la bibliografa cientfica sobre este tema encontraris muchos casos resueltos, uno de los cuales
es el caso que crea un cuadro de clasificacin nuevo para un fondo de economa a partir de la CDU y la JEL http://redc.revistas.csic.es/index.php/redc/
article/view/673.
Ya sabemos que en la historia de las clasificaciones documentales los cuadros
de clasificacin se basan unos en otros, no hay autnticas revoluciones, sino
evoluciones. Como dice Jacques Maniez (1992), en clasificacin, como en
cualquier disciplina, es intil reinventar la rueda.
Recuperacin con sistemas de clasificacin
Los sistemas de clasificacin se usan en la Red en catlogos colectivos, bases de
datos bibliogrficas, directorios de recursos web y portales. Son excelentes para
la indizacin por materias; ahora bien, resultan tiles en la recuperacin?
Los ltimos aos se ha puesto el nfasis en recuperar por palabras clave y conceptos y en sistemas desarrollados, para que sea el usuario quien busque la informacin sin ayuda profesional, dos caractersticas que van en detrimento de
los sistemas de clasificacin, ya que indizan por materias y requieren ciertos
conocimientos tcnicos para su utilizacin.
El uso de la clasificacin a la hora de formular bsquedas en los catlogos ha
estado habitualmente bastante restringido. En muchos catlogos en lnea, la
firma decimal solo se utiliza como indicador topogrfico, y no se puede indizar
o buscar por completo.
47
La investigacin bascula entre mejorar la calidad de los sistemas de clasificacin y eliminarlos de la bsqueda.
Opcionesdebsqueda
Cmo se puede mejorar la recuperacin a partir de un cuadro de clasificacin? Los autores dan respuestas diversas, algunas de las cuales exponemos a
continuacin.
1)Convertirellenguajecodificadoyjerrquicoenunonaturalyalfabtico: en otras palabras, convertir las tablas de la CDU en un ndice alfabtico de
trminos, de modo que el usuario busque en lenguaje natural astronoma, por
ejemplo, y el programa responda 52 o d directamente por pantalla todos los
tems clasificados con 52 y compuestos. Ia McIlwaine define este ndice alfabtico como un diccionario mediante el cual el usuario puede acceder a la disposicin sistemtica de las tablas. Construirlo no es una tarea mecnica, exige la aportacin intelectual del indizador, porque en este ndice hay muchos
conceptos compuestos, lugares dobles y sinnimos que habra que definir.
Al final de la CDU se encuentra el ndice alfabtico, en el que se relaciona el
concepto con el cdigo (por ejemplo, Granadura 746.5), pero no nos resulta
til porque este ndice es completo, mientras que el SID puede haber escogido
un grado inferior de precisin, de detalle. Habra que recortar las clases para
que fueran un reflejo de las que se usan en el SID y as no dar la falsa impresin
de que la coleccin es ms grande y diversificada. Tambin se deberan abrir
los conceptos compuestos (ej.: 543.272 Absorcin selectiva de gases), introducir dos veces las remisiones (ej.: 331.215 Salario vase 330.59 Nivel de vida) y
abrir los lugares dobles (ej.: 520.1 Observatorios vase 727.912 Arquitectura de
observatorios). Si el SID tuviera esta traduccin de las tablas a una lista alfabtica, le resultara muy provechoso. No se recuperara directamente por medio de un sistema de clasificacin, sino a partir de un sistema de clasificacin.
2)Navegararribayabajodelcuadrojerrquico: el usuario visualizara el
rbol de conceptos y escogera el tema deseado. Presenta la ventaja de situar el
trmino en contexto. Por ejemplo, el observatorio de la clase 52 hace referencia
a la astronoma; en cambio, el observatorio de la clase 72 hace referencia a
arquitectura. Hay webs que deciden no poner los cdigos de la notacin en la
arborescencia para resultar ms amigables.
3)Crearredessemnticasapartirdelastablas: una red semntica es conceptualmente muy parecida a un tesauro, muestra los trminos en el contexto
de sus relaciones semnticas. Ofrece diferentes capacidades de navegacin por
medio de dispositivos grficos que representan espacios multidimensionales,
referencias cruzadas y notas de alcance.
Observacin
No debemos confundir este ndice de materia con el fichero
de autoridades, que es el fichero en que se registran todas las
prcticas y decisiones clasificatorias locales.
48
4) Flexibilizar las bsquedas abriendo las notaciones en partes correspondientes a clases y a facetas (tiempo, lugar, materia, etc.). Los usuarios ya no
dependeran de un orden de citacin lineal y podran buscar por partes; por
ejemplo, todo documento que contenga la faceta Francia. Las bsquedas no
se tendran que llevar a cabo con nmeros, sino con trminos en lenguaje
controlado que remitiran a nmeros que s reconocera el ordenador.
Ventajaseinconvenientesderecuperarconsistemasdeclasificacin
Argumentos a favor y en contra de la recuperacin con sistemas de clasificacin.
Argumentos a favor
Facilitan la navegacin a usuarios sin experiencia.

Proporcionan bsquedas genricas y especficas.
Permiten localizar los trminos de bsqueda en su contexto.
Hacen una particin lgica de largas listas sistemticas en partes
ms asumibles.
Dan acceso multilinge a la coleccin.
Permiten un uso compartido que mejora la navegacin entre
varias bases de datos.
Ofrecen estabilidad.
Proporcionan familiaridad.
Dan buen resultado con los nmeros cuando los combinamos
con lenguaje natural, porque eliminan ambigedades, falsas
asociaciones y ruidos.
Agrupan los documentos de la misma disciplina, en lugar de
quedar dispersos como sucede en la bsqueda alfabtica.
Argumentos en contra
El funcionamiento de la sintaxis del lenguaje se tiene que conocer.

El usuario debe saber la notacin del tema.
La actualizacin es lenta.
El mantenimiento es caro.
La implementacin es cara y lenta.
La notacin no siempre expresa jerarqua.
Clasificacinycategorizacin
La Wikipedia, nacida en el 2001, es una enciclopedia libre mantenida por la
Fundacin Wikimedia, una organizacin sin nimo de lucro. Sus ms de quince millones de artculos han sido escritos de forma colaborativa por usuarios
de todo el mundo.
Durante los primeros aos, la recuperacin de informacin se bas nicamente en los motores de bsqueda y en seguir los enlaces simples entre los artculos. En el ao 2004, Wikipedia introdujo el concepto de categoras: cada autor
tena que asignar una categora a su artculo. El cambio es sustancial por lo
que respecta a la indizacin de esta fuente, ya que en principio funcionaba
como una indizacin con descriptoreslibres (una folksonoma o indizacin
social) y, al evolucionar, opt por combinarlo con una taxonoma.
Esta taxonoma se diferenciaba de las tradicionales en que no estaba

hecha a priori y por expertos, sino que, al igual que la indizacin social,
la iban creando los propios autores.
En qu consiste la categorizacin? Se trata de una herramienta del programa

MediaWiki que permite almacenar artculos y otras pginas en categoras.
Web recomendada
Los autores Akdag Salah,
Gao, Suchecki y Scharnhorst
(2010) comparan la CDU con
el sistema de categoras de
la Wikipedia en el artculo
The Need to Categorize: A
Comparative Look at Categorization in Wikipedia and
the Universal Decimal Classification System (http://
hth.eccs2010.eu/
abstracts.htm#Akdag-Salahte-al).
49
Las categoras tienen subcategoras (ms especficas) y supercategoras (ms

generales), que permiten navegar desde lo ms general a lo ms concreto y a
la inversa a partir de una estructura en rbol.
Todos los artculos tienen que pertenecer como mnimo a una categora. Podemos saber la categora de cada artculo yendo a la parte inferior de cada entrada de la enciclopedia:
Al final del artculo Escolstica encontramos que pertenece a las categoras Filosofa de
la edad media y a Teologa.
Webs recomendadas
Para ms informacin sobre las categoras en la Wikipedia, leed las pginas de categorizacin:
http://ca.wikipedia.org/wiki/viquip%C3%A8da:Categoritzaci%C3%B3
Y sobre la sobrecategorizacin, consultad:
http://es.wikipedia.org/wiki/wikipedia:Sobrecategorizaci%C3%B3n
Para ver todas las categoras, es decir, ir a la raz de la clasificacin de la Wikipedia, hay que hacer clic sobre el logo y acceder a la pgina principal.
Desde cualquier pgina de la Wikipedia,

simplemente haciendo clic sobre el logo, se
accede a la pgina principal con el ndice de
categoras.
50
La clasificacin realizada por los wikipedistas se diferencia del etiquetado con

tags en el hecho de que hay cierto control sobre las relacionesdesignificado.
Las pginas de ayuda y los manuales de usuario dan instrucciones a los autores
sobre cmo asignar las categoras y cmo evitar la categorizacin redundante.
(9)
Instrucciones bsicas:
Las categoras tienen que ser esenciales y delimitantes, no se pueden

crear categoras accesorias o subjetivas.
Antes de crear una categora nueva, hay que comprobar si ya existe

y si consta con un sinnimo o un nombre similar.
Se tiene que procurar evitar la sobrecategorizacin9 o categorizacin

redundante: no hay que que colocar un artculo en dos categoras
cuando una ya contiene la otra.
El autor del artculo Hepatitis A lo

agrega a la categora Enfermedades
hepticas y biliares, pero no hace
falta que lo agregue a la categora
Hgado porque ya se incluye en Enfermedades hepticas y biliares.
Reflexin
Fijaos en que, en el caso de la
Wikipedia, la clasificacin no
est hecha ni por un profesional ni por un programa, sino
por un tercero, el autor del artculo de la enciclopedia. Veremos este mismo caso en la indizacin social.
2.3.2. Indexar y recuperar con listas de encabezamientos y listas

de autoridades
Las listas de encabezamientos de materia son el segundo lenguaje documental
precoordinado que estudiamos, despus de los sistemas de clasificacin. Igual
que estos, disponen de un vocabulario controlado y una sintaxis que precoordina los trminos en el momento de la indizacin.
Las listas de encabezamientosdemateria son lenguajes naturales, controlados, precoordinados, alfabticos y que indizan por materias.
Las listas de autoridades son lenguajes naturales, controlados, poscoordinados, alfabticos y que indizan por conceptos.
Listas de encabezamientos de materia y de autoridades en la Web
En la Web disponemos de numerosas listas de encabezamientos de materia y
de autoridad, la mayora mantenidas por bibliotecas nacionales. A continuacin, encontraris las principales listas clasificadas por su idioma.
1)Encataln:
Observacin
El trmino encabezamiento es
una traduccin literal del ingls subject headings. En francs, vedette-matire.
51
Lista de encabezamientos de materia en cataln (LEMAC) (www.bnc.es/

lemac/)
LENOTI (www.bnc.es/lenoti/)
Biblioteca de Catalunya. Lista de encabezamientos de materia en cataln

[en lnea]. [Fecha de consulta: 1 de septiembre del 2009.]
Encabezamientos de
materia
Las listas de encabezamientos
de materia son lenguajes naturales, controlados, precoordinados, alfabticos y que indizan por materias.
2)Enespaol:
AM BNE (http://catalogo.bne.es/uhtbin/authoritybrowse.cgi)
CSIC
Autoridades
de
materia
(http://aleph.csic.es/f?
func=hilo&hilo_name=find-b&local_base=MAD10)
Lista de encabezamientos para las bibliotecas pblicas (www.mcu.es/bibliotecas/mc/lembp/index.html)
3)Eningls:
Library of Congress Subject headings 1909 - hasta la actualidad (http://

authorities.loc.gov/)
Bilindex (www.bilindex.com/)
4)Enfrancs:
Laval Rpertoire de vedettes-matire (RVM) de la Universidad Laval

(www.bibl.ulaval.ca/mieux/chercher/ch_vedettes_matiere)
RAMEAU (http://rameau.bnf.fr/)
Elementos de una lista

Los elementos que forman parte de una lista son los encabezamientos y subencabezamientos de materia, las autoridades, las relaciones semnticas, los tipos
y la sintaxis. Pasamos a describirlos de forma detallada.
Encabezamientosysubencabezamientosdemateria
Una lista de encabezamientos est formada por encabezamientos y subencabezamientos, que pueden ser simples o compuestos.
Ejemplos de encabezamientos y subencabezamientos simples y compuestos.
Encabezamiento
Subencabezamiento
Simple
Alpes
Lesiones
Compuesto
Alpes Dolomitas
Accidentes y lesiones
Algunos subencabezamientos solo se pueden combinar con un encabezamiento concreto, y en estos casos se desarrollan las combinaciones en el mismo
epgrafe. En otros casos (la mayora), los subencabezamientos se pueden com-
Observacin
Los trminos encabezamiento y
epgrafe son sinnimos. El primero es la traduccin literal de
headings, en ingls, y el segundo es el trmino en espaol
que propusieron Jorge Aguayo
y Carmen Rovira.
Los trminos subencabezado y
subdivisin tambin son sinnimos.
52
binar con un segmento de encabezamientos que cumplan una condicin concreta, y as nos lo indica la lista: bajo nombres de persona, bajo guerras, bajo
temas, etc.
Ejemplo de subencabezamientos solos o combinados
Encabezamiento +
subencabezamiento
Subencabezamiento solo
Alpinismo-Accidentes y lesiones (Subd.

Despido (Subd. geog.)
geog.)
Nota de alcance: bajo grupos de profesionaNo encontraremos Accidentes y lesiones co- les y tipos de empleados.
mo subencabezamiento solo que podamos
combinar con otros encabezamientos.
Autoridades
La materia es una autoridad, pero hay ms: nombres propios, congresos, ttulos, nombres propios y ttulos, entidades y nombres geogrficos.
Las autoridades se pueden combinar con todos los lenguajes documentales poscoordinados.
Habitualmente, las listas de encabezamientos de materia solo recogen materias

y mantienen el resto de las autoridades en otro fichero y categorizadas en
nombres personales, congresos, geogrficos u otras etiquetas para identificar
el contenido.
As, si buscamos un nombre propio en la LEMAC, tenemos que hacer clic sobre LENOTI,
y si lo buscamos en la BNE o en el CSIC, desplegaremos las opciones para elegir persona
y autor personal, respectivamente.
Estas autoridades sirven para representar el nombre del autor o el ttulo uniforme de una obra, pero para nosotros, que estudiamos anlisis de contenido,
nos son muy tiles, porque la materia de un documento tambin puede ser:
unnombrepropio: documento sobre la vida de William Shakespeare;
unnombredeinstitucinpresenteohistrica: documento sobre el congreso de Viena 1814-1815;
unttulouniforme: interpretaciones de la obra Fortunata y Jacinta;
unlugargeogrfico: documento sobre Holanda;
unnombredeempresa,entidad,etc.: documento sobre la fbrica AEG.
Estos trminos (Shakespeare, Congreso de Viena, Fortunata y Jacinta, Holanda y

AEG) no aparecen en las listas de encabezamientos de materia porque tienen
entrada como nombres personales, de ttulo, geogrficos, etc.
Listas de autoridades
Las listas de autoridades son
lenguajes naturales, controlados, poscoordinados, alfabticos y que indizan por conceptos.
53
Registro de autoridad
La descripcin de cada autoridad, con los trminos descartados, las referencias, las notas
de aplicacin y la fuente, se conoce como registro de autoridad. La suma de todos los
registros se denomina fichero de autoridades o lista de autoridades. Si este fichero se
encuentra vinculado al catlogo bibliogrfico, se conoce como catlogo de autoridades.
Las autoridades tambin son conocidas como encabezamientos e identificadores.
Relacionessemnticas
Las relaciones semnticas son las de equivalencia, jerarqua y asociacin.
Encabezamiento de Teatro de la lista de la BNE
Usadopor:
Representaciones teatrales
Teatro Representaciones
Equivalencia: de un trmino sinnimo al

trmino aceptado
Jerarqua
Genrica
Trminogenrico:
Espectculos
Especfica
Trminoespecfico:
Adaptaciones teatrales
Ballet
Mimo
Pantomima
Sombras chinescas
Teatro alternativo
Teatro de calle
Teatro de marionetas
Teatro de variedades
Asociacin: evoca otros encabezamientos

que podran ser tiles en la bsqueda
Trminorelacionado:
Actores
Arte dramtico
Compaas teatrales
Crtica teatral
Directores de teatro
Escuelas de arte dramtico
Festivales teatrales
Industria del espectculo
Teatro (Gnero literario)
Teatro y sociedad
Teatros
Los encabezamientos pueden llevar notas de aplicacin que ayudan a definir

y matizar el significado. Como indica Martnez Tamayo (2009), las NA (notas
de aplicacin) pueden ser de cuatro tipos:
1) De definicin del epgrafe
Teatro Gnero literario
Teatros Instalaciones destinadas a la representacin teatral
2) Explicativas del alcance del epgrafe
54
Ecumenismo
Bajo este epgrafe se encuentran las obras sobre la unin de todas las confesiones cristianas [...].
3) Explicativas sobre el uso del epgrafe

Flores
Puede subdividirse geogrficamente
4) Nota histrica
Burkina Faso
Epgrafe creado en 1984. Sustituye al epgrafe Alto Volta.
Tipos(segnelalcancetemtico)
Las listas pueden ser de dos tipos:
enciclopdicas (o universales o generales) y
especializadas.
Las primeras comprenden todos los mbitos de conocimiento con una descripcin ms sucinta, mientras que las segundas tratan con ms detalle y ms
relaciones un tema concreto. Aun as, hay que decir que las listas enciclopdicas tienen una mayor difusin que las especializadas, ya que para indizar de
manera especfica se prefiere los tesauros.
Sintaxis:laprecoordinacin
Para precoordinar los encabezamientos y subencabezamientos, la regla acostumbra a ser (extracto de Martnez Tamayo, 2009) la siguiente, salvo que la
lista indique lo contrario:
Ejemplo de sintaxis de un encabezamiento de materia compuesto
Encabezamiento
Subdivisiones
De tema
Alpes
Clima
Geogrficas
Argentina
De forma
o gnero
Cronolgicas
1952
Informe
Encabezamiento construido: Alpes Clima Argentina 1952 Informe
Recuperacin con listas de encabezamientos y autoridades

La recuperacin con estos lenguajes es muy asequible: los catlogos nos proporcionan una lista previa de trminos de indizacin para escoger a la carta, la
red de relaciones semnticas nos ayuda mucho a encontrar otros documentos
a partir del tema que nos interesa y son lenguajes totalmente automatizados,
Observacin
Todas las listas del principio de
este apartado son enciclopdicas. MESH sera una lista especializada (en medicina y ciencias bioqumicas).
55
hasta el punto de que un encabezamiento compuesto se puede recuperar a

partir de las piezas que lo forman (encabezamientos y subencabezamientos)
como si fueran palabras clave. Y una cuarta caracterstica es que son los mejores traductores para buscar listas de otros idiomas.
Resultadodirectoolistadeencabezamientosparaescoger
El proceso de bsqueda es sencillo: escribimos el tema que buscamos y el catlogo nos devuelve dos opciones. Fijmonos en que la primera devuelve documentos y la segunda, una pantalla intermedia de encabezamientos para refinar la bsqueda:
1) Los documentos indizados con el trmino que hemos escrito. Esto sucede
cuando la demanda coincide exactamente con el documento indizado.
Biblioteca de la UOC: el usuario busca arte prehistrico y recupera cuatro documentos
directos:
Esto quiere decir que, a pesar de que el encabezamiento Arte prehistrico se puede abrir en
otros encabezamientos (por ejemplo, con subdivisiones geogrficas tipo Arte prehistrico
Francia), la biblioteca no dispone de ms documentos.
2) Una lista de los encabezamientos y subencabezamientos compuestos a partir de nuestra peticin. Esto sucede porque hay documentos indizados de manera compuesta a partir del trmino que hemos pedido y el catlogo nos ofrece
la posibilidad de refinar la bsqueda.
Pongamos un ejemplo de la Biblioteca de la UOC: el usuario busca por archivos, pero hay
tantos documentos compuestos que nos devuelve los encabezamientos con el nmero
de documentos de cada uno:
Archivos
15
Archivos - Actividades culturales
Archivos - Administracin
Etc.
Referenciasdelaslistasysuutilidadenlarecuperacin
Observacin
De este ejemplo se puede deducir que la precoordinacin
ofrece una mayor carga informativa que la poscoordinacin, especialmente en los encabezamientos compuestos,
es decir, a fuerza de ir uniendo
subdivisiones, el contenido se
matiza hasta ofrecer una idea
ms precisa del documento.
56
Los tres tipos de relaciones semnticas equivalencia, jerarqua y asociacin

ayudan a ampliar las posibilidades de encontrar ms documentos.
1) Las relaciones de equivalencia son bsicas, ya que es posible que se haga
la bsqueda por un trmino no aceptado (por sinnimos, siglas, trminos demasiado especializados, barbarismos, formas incorrectas, etc.).
Estas relaciones son invisibles para el usuario, incluso es posible que no se d cuenta de
que ha buscado por el trmino localizaciones cinematogrficas y el catlogo le haya respondido con documentos sobre Cinematografa Exteriores. Es un proceso automatizado.
2) Las relaciones de jerarqua pueden ser de dos tipos: de trminos genricos o

de trminos especficos. El papel de cada una en la recuperacin es diferente,
ya que mientras que una crea ruido, la otra es efectiva:
a) Las relaciones del trmino que se est buscando frente a un trmino genrico: crean ruido, ya que amplan el campo de alcance del concepto.
El usuario busca por gospel, no encuentra documentos interesantes y decide buscar por
un trmino genrico como cantos sacros. El resultado sern documentos que tratarn
parcialmente de su tema de inters original.
b) Las relaciones del trmino que se est buscando frente a un trmino especfico: son correctas. Amplan la recuperacin a documentos que entran de
lleno en el tema que se est buscando y ofrecen mucha informacin detallada
(a menudo incluso demasiada).
Buscamos por msica country y recuperamos documentos sobre bluegrass, msica country
rock, rockabilly y western swing.
3) Las relaciones de asociacin tambin son muy importantes, ya que nos amplan de una manera diferente el abanico de posibilidades: si las relaciones jerrquicas anteriores sitan el trmino en una posicin vertical (mayor o menor que), ahora las relaciones asociativas lo relacionan de manera horizontal.
Los trminos asociados se evocan el uno al otro, estn relacionados y mentalmente los conectamos. La relacin entre ellos es simtrica y, por consiguiente,
recproca.
Buscamos por justicia y la lista nos sugiere buscar por derecho natural, igualdad ante la ley,
justicia distributiva, justicia social yjusticia transicional.
Descomposicindelosencabezamientosenpalabrasclavedemateria
En los sistemas de clasificacin se apuntaba que una de las maneras de mejorar
la recuperacin sera particionar la notacin en facetas, en partes autnomas
que fueran buscables. Lo que en aquel lenguaje era un tema pendiente, en las
listas de encabezamientos es un asunto resuelto.
57
A la hora de indizar, precoordinamos los trminos en un encabezamiento compuesto, pero a la hora de la recuperacin podemos buscar las
partes por separado gracias a la opcin de indizar la palabra clave de
materia.
Haciendo un juego de palabras, primero controlamos y despus descontrolamos. En la LEMAC, hay que pedir el campo palabra clave de materia; en la
lista del CSIC, ya viene por defecto.
Ejemplo
Primero controlamos un encabezamiento como Universidades Archivos, porque archivos
es un subencabezamiento que, tal como indica la lista, se puede usar detrs de entidades,
pero a la hora de buscar podemos pedir solo archivos y el catlogo nos devolver tambin
los documentos indizados como Universidades Archivos.
Otra utilidad de buscar por palabra clave de materia es que podremos recuperar
el trmino que buscamos que se encuentre en la posicin del encabezamiento.
Si buscamos por archivos, el programa buscar por la A, pero no recuperar documentos
indizados con un encabezamiento como Documentos de archivos. En cambio, si se busca
archivos como palabra clave, se recuperan todos los encabezamientos.
Finalmente, otra opcin muy til que ofrece la lista de autoridades del CSIC es
que hace la bsqueda de la palabra clave en cualquier posicin, ya no dentro
del encabezamiento como en el caso anterior, sino dentro del registro de cada
autoridad.
En la bsqueda de archivos en el CSIC por materia, en el resultado podemos observar que
hay encabezamientos en los que la palabra archivos no aparece y, en cambio, la tenemos
en pantalla. En la columna de al lado explicamos el motivo para ello.
Si ampliamos el registro de Diplomtica, comprobamos que efectivamente aparece archivos (es un trmino asociado).
58
Encabezamientosenotrosidiomas
Una de las informaciones que consta en la ficha de cada autoridad de materia
es la fuente original de la que se ha importado el concepto. La mayora de
las listas de materia se basan unas en otras; las inglesas LCSH y la francesa
RAMEAU son las ms influyentes en el mbito internacional.
Cuando se tienen que efectuar bsquedas en otros idiomas, se recomienda
consultar primero una lista en el idioma propio y comprobar el nombre original. Es el mejor traductor que hay.
El concepto servicios de resmenes, que resulta ser un trmino no aceptado, es Abstracting
and indexing services en ingls y services d'analyse et d'indexation des documents en francs.
59
2.3.3. Indexacin y recuperacin con tesauros

Indizar con un tesauro, igual que con todos los lenguaje documentales poscoordinados, es muy sencillo. Se trata de lenguajes en los que no hay sintaxis;
por lo tanto, la dificultad no estriba en la composicin, el orden y la sintaxis
del trmino de indizacin, sino en la seleccin de los descriptores.
Tesauros en la Web
Existe un gran nmero de tesauros en lnea y gratuitos en la Red. Encontramos tesauros de agricultura, astronoma, biblioteconoma, biologa, arte, etc.
A continuacin, os ofrecemos una seleccin clasificada por temas.
Tesauros
Los tesauros son lenguajes naturales, controlados, poscoordinados, jerrquicos y alfabticos y que indizan por conceptos.
60
Lista de tesauros en lnea.

Temtica
Nombre del tesauro
Agricultura
AGROVOC
Astronoma
The Astronomy Thesaurus
Biblioteconoma
IEDCYT - Tesauro de biblioteconoma y documentacin

DOCUTES Universidad de Len
Biologa
IEDCYT - Tesauro de biologa animal
Ciencia
IEDCYT - Tesauro SNIPES
Demografa
Population Multilingual Thesaurus
Economa
EUROVOC Thesaurus
IEDCYT - Tesauro ISOC de economa
Educacin
EUROVOC Thesaurus
Empresa
EUROVOC Thesaurus
IEDCYT - Tesauro de propiedad industrial
Geografa
EUROVOC Thesaurus
Getty Thesaurus of Geographic Names
IEDCYT - Tesauro de topnimos
Geologa
IEDCYT - Tesauro de geologa
Historia
IEDCYT - Tesauro de historia contempornea de Espaa

Historia de Catalunya
Lenguayliteratura
Traces. Base de datos de lengua y literatura catalanas - Tesauro
Matemticas
BUCM Tesamat Biblioteca Complutense
Propiedadindustrial
CSIC - Tesauro de propiedad industrial
Psicologa
IEDYCT - Tesauro ISOC de psicologa
Sociologa
EUROVOC Thesaurus
IEDCYT - Tesauro de sociologa
Topnimos
CSIC - Tesauro de topnimos
Urbanismo
IEDCYT - Tesauro de urbanismo
Genricos
UNESCO
Historia de Catalunya
Microtesauros temticos de la UB
SPINES del IEDCYT
ERIC
La mayora de los tesauros son especializados, pero algunos son genricos, como el EUROVOC o los ltimos de la lista.
Cmo se indiza con un tesauro?

El proceso para indizar con tesauros y, por extensin, con cualquier lenguaje documental poscoordinado se encuentra explicado de forma grfica en la
norma UNE-50-121-91, anexo A, pgina 7.
61
Descripcin del proceso de indizacin con lenguajes poscoordinados
62
+++El indizador examinar el documento y extraer conceptos de l, conceptos que despus traducir a descriptores del tesauro. Primero se busca en la
presentacin alfabtica y despus se comprueba en la presentacin jerrquica
(esta segunda consulta ayuda a visualizar la posicin del descriptor en todo el
rbol). Los descriptores que le interesan pueden estar en varias microdisciplinas y en diferentes niveles de sangra.
Ejemplo de descriptores en diferentes microdisciplinas
Documento
Indizacin
Keefer, Alice (2007). Los repositorios digitales universitarios y los autoras [en
lnea]. Anales de Documentacin (nm. 10 pgs. 205-214).
Disponible en http://revistas.um.es/analesdoc/article/viewfile/1151/1201.
Bibliotecas universitarias
Fuentes de informacin
Documentos electrnicos
Universidades
Documentacin
Bases de datos
Hemos indizado con el Tesauro de Historia de Catalunya (http://sdhlc.uab.cat/tesaurus.htm). Los tres primeros descriptores son de la microdisciplina [Documentacin e informacin]. El que indica Universidades es de [Educacin]. Los dos ltimos son de [Ciencia y Tecnologa].
Ejemplo de descriptores en diferentes niveles de sangra

Documento
Indizacin
Programa electoral presentado por Convergncia i Uni de Sant Andreu de Llavaneres

en las elecciones municipales del 2007 y que
tambin contiene la lista de candidatos de este partido.
Partidos polticos
Programa electoral
Elecciones municipales 2007
Candidaturas electorales
Convergncia i Uni (proveniente de LENOTI)
Sant Andreu de Llavaneres (proveniente de la
GEC)
En esta ocasin solo hemos necesitado una microdisciplina, la de poltica, porque el documento no hace referencia a otros temas.
Nombres propios y
geogrficos
Recordemos que los nombres
propios y el geogrficos no se
encuentran en el tesauro, sino
que provienen de listas de autoridades como las del ejemplo
(LENOTI y Gran Enciclopdia
Catalana).
63
En primer lugar, conviene fijarse en que los descriptores seleccionados forman

parte de cadenas jerrquicas diferentes. Un error sera indizar Elecciones porque
es el trmino amplio (TA) de Candidaturas electorales, Elecciones municipales y
Programa electoral. No podemos indizar el descriptor (o trmino) especfico (TE)
y su TA al mismo tiempo.
En segundo lugar, conviene prestar atencin al hecho de que hay que ajustar el
enunciado al descriptor aprobado y admitido en el tesauro: lista de candidatos
por Candidaturas electorales.
En el proceso de mantenimiento de un tesauro, es posible que conceptos no
recogidos en un primer momento se acaben aadiendo posteriormente, pero
esta tarea corresponde al administrador del tesauro y no al documentalista;
en todo caso, el documentalista puede proponer la necesidad de un descriptor
nuevo en un campo denominado Descriptores candidatos.
Reflexin
Esta es la nica regla que necesitamos conocer para indizar
con tesauro: no indizar el TA y
el TE a la vez.
64
Creacin de un tesauro
Los tesauros tienen las presentaciones bsicas de todo lenguaje documental:
la jerrquica, la alfabtica, la grfica y la permutada.
Recordemos que las fases de construccin de un tesauro son ocho en los monolinges y nueve en los multilinges.
1) Recogida del vocabulario en lenguaje natural dentro del dominio que incluir el
tesauro.
2) Subdivisin del conjunto de los dominios que se tendrn en cuenta en una serie
de microdisciplinas.
3) Transformacin del vocabulario libre en un lenguaje controlado, establecimiento
de las relaciones de pertenencia, equivalencia semntica y jerarqua y redaccin de
las notas explicativas.
4) Bsqueda de las equivalencias interlingsticas (si se trata de un tesauro multilinge).
5) Enriquecimiento del tesauro por medio de relaciones asociativas.
6) Elaboracin del borrador del tesauro.
7) Formacin de los indicadores.
8) Prueba del tesauro.
9) Revisin final y primera edicin.
Los descriptores de cada microdisciplina pueden estar ordenados de tres maneras diferentes:
cronolgicamente,
alfabticamente, o
segn el proceso.
Los dos primeros criterios son claros, el tercero se refiere a procesos que ya
tienen un orden lgico interno como, en el ejemplo, el orden de los estudios:
primero preescolar, seguido de primaria, secundaria y superior.
Reflexin
Si sabemos construir un tesauro, sabemos construir todos los
lenguajes documentales. Adems, al ser especializado, es el
lenguaje perfecto para construirlo a la medida de nuestras
necesidades. Por todos estos
motivos, pues, resulta conveniente saber construir un tesauro.
Lecturas recomendadas
Para ms informacin sobre el proceso y las fases, recomendamos las
lecturas siguientes: Aitchison (1987), Lancaster
(2002), Slype (1991) y las
normas UNE 50-106 (ISO
2788-1986) y UNE-50-125
(ISO 5964-1985).
65
Tres tipos de ordenaciones
Finalmente, apuntamos que las facetas de un tesauro se pueden ordenar segn

la conveniencia de los constructores para que resulten ms claras, como por
ejemplo las facetas de la microdisicplina de [ECONOMA], en las que vemos
que Economa general precede al resto.
[Historia econmica]
[Economa general]
[Economa agraria]
[Economa pesquera]
[Economa industrial]
[Comercio]
[Hoteleria y turismo]
[Finanzas]
[Economa de la empresa]
Recuperacin con tesauro

La recuperacin con un lenguaje analtico y poscoordinado como los tesauros
es ms sencilla que la de lenguajes precoordinados porque no hay sintaxis y
se pueden aadir tantos descriptores como se considere oportuno.
Igual que en la indizacin, es muy importante que el indizador conozca de
forma exhaustiva el tesauro que indiza la base de datos, las microdisciplinas y
el alcance conceptual de cada una. Tambin es preciso que conozca las listas de
autoridades de su SID, tanto por nombres geogrficos como personales, ttulos
o entidades.
Procesodebsquedaconuntesauro
El proceso de bsqueda con tesauro consta de tres partes:
recogida de conceptos,
traduccin al lenguaje, y
formulacin de la bsqueda.
66
Ejemplificaremos una bsqueda en la base de datos ISOC Biblioteconoma y documentacin, a partir del tesauro de Biblioteconoma de la IEDCYT
(IEDCYT Tesauro de Biblioteconoma y Documentacin).
Recogidadeconceptos
El tesauro es un lenguaje documental analtico y, como tal, permite pedir tantos descriptores como sea necesario. Es importante que la peticin de informacin se formule de manera exhaustiva con el fin de recoger todos los conceptos interesantes para el usuario y que podemos encontrar idnticos o no
en el tesauro.
El usuario pide documentacin sobre documentos de archivo de oficina a la empresa y
el documentalista acota la peticin a los descriptores que conoce de su tesauro.
Qu tipo de empresa, pblica o privada? De qu sector? Documentos contables? Normativas? Cmo clasificarlos? Poltica de expurgo? De qu aos? Todo tipo de documentales? Todos o solo un segmento? Etc.
Traduccinallenguaje
Una vez que el documentalista dispone de los conceptos, la segunda tarea es
localizarlos en el tesauro para traducirlos. Aqu el documentalista jugar con
las tres presentaciones bsicas de todo tesauros: la alfabtica, la jerrquica y
la permutada.
El documentalista se puede encontrar en dos situaciones: encuentra el concepto expresado ms o menos de la manera que pensaba o bien no lo encuentra.
1) Para localizar el descriptor, hay que consultar la presentacinalfabtica
del tesauro. En un primer momento se consulta esta presentacin y no la jerrquica por los motivos siguientes:
a) Porque la presentacin alfabtica tiene las relaciones de equivalencia entre
el no-descriptor y el descriptor aceptado.
En la expresin del usuario era Archivos de oficina, que es un no-descriptor que remite a
Archivos de gestin.
b) Para comprobar cmo se escribe el descriptor, es decir, cul es la forma

aceptada.
En la expresin del usuario era Archivos de oficina en la empresa y en el tesauro el concepto
se formaliza en Archivos de empresas; Archivos de gestin.
67
c) Porque el documentalista no sabe a qu microdisciplina o faceta pertenece

el descriptor.
Archivos de empresas y Archivos de gestin no pertenecen a [Archivstica], sino a la microdisciplina de [Unidades de informacin].
d) Si lo buscara por la sistemtica, tendra que repasar el tesauro entero para

localizarlo; en cambio, con la alfabtica los encontrar a la primera.
Si el documentalista no encuentra el descriptor, entonces le sern ms tiles
la presentacin jerrquica y la permutada.
2) Consultar la presentacinjerrquica. Su utilidad estriba en el hecho de que
la arborescencia le puede sugerir descriptores paralelos, genricos y especficos.
Pondremos un ejemplo de cada uno de ellos.
Ejemplo de trminos paralelos
El documentalista busca algn concepto que exprese la cadena documental en archivos.
No aparece en el tesauro y tampoco es un no-descriptor. Aunque no aparezca, se da cuenta
de que todas las fases de la cadena se encuentran sistematizadas bajo el descriptor Proceso
documental. En una segunda opcin, podra abrir el descriptor en trminos ms especficos
y buscar por fases y subfases concretas de la cadena; por ejemplo, Adquisiciones; Anlisis
de contenido.
Ejemplo de trminos genricos
El usuario ha preguntado por el concepto unitrminos, que no consta en el tesauro y
tampoco hay ningn otro trmino que pueda usar. En este caso, seleccionara el descriptor inmediatamente superior conceptualmente a otros descriptores paralelos, es decir, si
unitrmino est en el mismo nivel que descriptor y que palabra clave, escogera Trminos,
que engloba todos los tipos de trminos de indizacin. Otro caso se da cuando el documentalista encuentra el descriptor correcto; por ejemplo, Reglamentos de archivos, pero
la base de datos le devuelve cero resultados, por lo que decide consultar la jerrquica y
reformular la bsqueda, esta vez con el trmino genrico de Reglamentos de archivos, que
es Poltica archivstica.
Ejemplo de trminos especficos
El usuario ha preguntado por el tema lenguajes documentales. El tesauro recoge este concepto como descriptor, pero el documentalista, al consultar la presentacin jerrquica,
se da cuenta de que tambin puede buscar por los trminos especficos que estn en ese
tesauro:
TE Clasificaciones
TE Lenguajes de indizacin
3) Consultar los ndices permutados. Los ndices permutados (KWIC o

KWOC) permiten localizar otros descriptores que contengan la palabra clave
que buscamos encualquierposicindeldescriptor.
Observacin
Recordemos que el documentalista no habr indizado con
el TA y el TE al mismo tiempo. Por lo tanto, un manual
general sobre lenguajes documentales estar indizado como
Lenguajes documentales y no
con el descriptor de cada lenguaje concreto.
68
Si buscamos archivos, adems de la letra A de archivos, si consultamos el ndice KWIC

podemos encontrar:
Automatizacin de archivos
Historia de los archivos
Sistemas nacionales de archivos
...
Formulacindelabsqueda
Finalmente, formular la bsqueda distribuyendo los conceptos en los campos
de la base de datos (por materia, alcance cronolgico, formato, idioma, etc.) y
haciendo uso de operadores booleanos si es preciso.
2.3.4. Indizacin con listas de descriptores libres: etiquetas e
Indizacin social
La lista de descriptores libres es un lenguaje que se crea dinmicamente, en
tiempo real, a medida que el indizador va leyendo y asignando un trmino.
Los trminos del vocabulario no constan en ninguna hoja previa; el indizador
no comprueba que el trmino exista ni cmo se escribe. Hay libertad plena.
Descriptores libres en la Web
En la Web existen numerosas iniciativas de indizacin con descriptores libres;
las ms meritorias son los marcadores sociales (Delicious), webs para compartir imgenes (Tagzania, Flickr, YouTube) y aplicaciones de la Web 2.0, como
blogs (Blogger), redes sociales y webs (Buzzillions), que recogen la opinin de
consumidores sobre marcas de todo tipo de productos.
Delicious (https://www.delicious.com): Diigo (http://www.diigo.com) y

Mr Wong (http://www.mister-wong.com) son servicios de gestin de direcciones de inters a travs de la Web. Permiten guardar y recuperar en
la Red las direcciones de inters, que clsicamente se almacenaban desde
el navegador localmente en el ordenador, de forma que son consultables
en lnea y no solo de forma local.
Tagzania (http://www.tagzania.com): se trata de un sistema que usa folksonomas sobre la API del potente Google Maps. Es un mashup de geolocalizacin de fotografas similar a Panoramio (http://www.panoramio.com)
que ofrece otras funcionalidades de valor aadido a los mapas.
Flickr (http://www.flickr.com): es un sitio web de Yahoo para organizar

fotografas digitales que funciona como una red social. Es un servicio muy
utilizado por los usuarios de blogs como depsito de fotos.
YouTube (http://www.youtube.com): es un sitio web para compartir vdeos, clips de pelculas, clips de televisin y vdeos musicales, as como
Listas de descriptores
libres
Las listas de descriptores libres
son lenguajes naturales, libres,
poscoordinados, alfabticos y
analticos por conceptos.
69
contenido aficionado. Los usuarios no registrados pueden ver vdeos, y los

usuarios registrados pueden subir un nmero ilimitado de vdeos.
Blogger (https://accounts.google.com): se trata de un servicio para crear y

publicar un blog de una forma muy fcil.
Buzzillions (www.buzzillions.com): es una pgina web que recoge cerca de

diecisiete millones de crticas de productos de una amplia gama de categoras (electrnica, moda, salud, etc.). Las recomendaciones provienen de
personas reales (no se pagan por las revisiones), con la intencin de asesorar a nuevos compradores a partir del grado de satisfaccin de los productos.
Etiquetas e indizacin social

Cada usuario indiza los descriptores libres que le parecen mejores. Millones de
usuarios indizan sus descriptores. Entre todos crean un espacio de aportaciones
sin una intervencin centralizada ni ms autoridad que la que aportan los
usuarios, no hay descriptores predeterminados.
Esta forma de indizar, no profesional y sin lenguaje documental controlado,
se conoce como indizacinsocial. En ella intervienen las etiquetas o tags, el
tagging o accin de indizar libremente y las folksonomas o conjunto total de
todas las etiquetas asignadas por los usuarios.
Supone una revolucin en el mundo de la Web porque se ha invertido el paradigma: antes pocos autores escriban para muchos lectores, y ahora muchos
autores no solo escriben, sino que tambin editan y describen sus documentos.
Como dice Mari Carmen Marcos (2009):
cada cual es autor, editor y documentalista a la vez.
Terminologa
Encontraremos varios trminos para cada concepto:
Para la indizacin: descriptores libres o etiquetas o tags. El conjunto de tags sedenomina

nube de tags, que sera lo ms parecido a un lenguaje documental.
Para la accin de indizar libremente: tagging o etiquetado social y, ms especficamente,
cuando se trata de describir los recursos web, social bookmarking o website bookmarking.
Para el conjunto de tags de todos los usuarios: folksonomas o clasificacin hecha por
el pueblo.
Etiquetas
James Surowiecki
James Surowiecki (2004) lo denomina la sabidura de las masas (the wisdom of crowds).
70
Una etiqueta o tag es un trmino de indizacin que se aade a un objeto

digital, como una web, un vdeo o una foto, para describirlo en forma
y contenido.
Ejemplo
Por ejemplo,
enciclopedia_arte: enciclopedia (forma) de arte (contenido). No es un descriptor controlado, es un descriptor libre.
Las primeras etiquetas aparecieron en los blogs, y proporcionaban enlaces y

comentarios sobre recursos del tipo recomiendo la web tal para tal tema. Se
considera que fueron los primeros metadatos, aunque carentes de estructura.
Hoy en da, los usuarios indizan con etiquetas sus webs preferidas, las localizaciones de las fotos, las emociones de unas imgenes, el grado de satisfaccin
de un lavaplatos, etc.
Las etiquetas resultan funcionales porque son las autoridades de los usuarios.
Lancaster ya observaba en el ao 1995 que los trminos se tenan que obtener
de los usuarios potenciales y que deban representar sus intereses concretos.
O, retrocediendo ms en el tiempo, Cutter ya postulaba que los trminos de
indizacin tenan que representar el uso comn y poner la atencin en el
lector.
Las etiquetas pueden ser unitrminos o descriptores compuestos, es decir, pueden estar formadas por una sola palabra (tesauro) o por dos palabras (por ejemplo, Lenguajes_documentales).
Ros-Martin (2008) clasific las etiquetas en los grupos siguientes:
1) Las basadas en el contenido temtico.
Ejemplo: Captulo_indizacin_social
2) Las basadas en el contexto o almacenamiento.

Ejemplo: Mdulo3_cap2
3) Las subjetivas.
Ejemplo: til
4) Los atributos que no se deriven del contenido.

Ejemplo: UOC
5) Las de organizacin o de recordatorio de tareas.

Ejemplo: Guardar, Relacionar_con_Recuperacin, Para_Juan
Separacin con guin

Las palabras se acostumbran
a separar con guin porque el
espacio es el signo que marca
el final de la etiqueta.
71
El conjunto de etiquetas se conoce como nubedeetiquetas. Esta nube es un

espacio plano en el que las etiquetas no guardan relaciones de parentesco ni
de jerarqua entre ellas pero que permiten la comparticin de categoras entre
usuarios. Se presentan en orden alfabtico y destacadas con una tipografa ms
grande segn la frecuencia de uso.
Fuente: imagen tomada de Flickr.
Indizacinsocial
Los descriptores libres son el lenguaje ideal para indizar la Web por los factores
siguientes:
1) Se trata de un lenguaje libre. La Web no se puede indizar con los lenguajes
controlados, porque el tiempo y el esfuerzo econmico que se derivaran de
ello seran inasumibles. Los lenguajes documentales controlados no son adecuados en entornos en los que los metadatos resultan una opcin mejor. Los
metadatos pueden ser de varios tipos: creados por un documentalista, por el
autor del documento o por un robot. Con las etiquetas podemos aadir otra
va, la de los metadatos creados por los usuarios (Mathes, 2004).
2) No necesitan formacin documentalista previa: las caractersticas de este
lenguaje lo hacen ideal para cualquier colectivo no profesional de la documentacin, como es el caso de los internautas.
3) El grupo de usuarios es tan numeroso que es capaz de asumir cantidades
ingentes de documentos (ya no hablamos de un indizador, sino de una comunidad de indizadores).
4) Permiten indizar documentos como imgenes o vdeos que no vayan acompaados de texto o de pies de foto, que hasta ahora solo eran indizables por
humanos y no por robots.
72
5) Las etiquetas son cercanas a los usuarios; no son trminos escogidos por
tcnicos, sino que se trata de trminos intuitivos. La comunidad acta como
una criba que filtra las palabras realmente ms tiles.
6) Son eficaces individualmente en el mbito del usuario porque organizan
la informacin personal y, socialmente, porque toda la comunidad virtual se
beneficia de la indizacin que han hecho los dems.
Lecturas recomendadas
Se han hecho varios estudios sobre la consistencia de indizar con etiquetas entre indizadores a la hora de indizar imgenes e incluso emociones con resultados muy buenos de
coherencia entre usuarios (emociones identificadas de manera homognea). Un ejemplo
lo tenis a Knautz and Stock (2010) y a Ransom and Rafferty (2011):
Kathrin Knautz; Wolfgang G. Stock (2010). Collective indexing of emotions in videos. Journal of Documentation (vol. 67, nm. 6, pgs. 975-994).
N.Ransom;P.Rafferty (2011). Facets of user-assigned tags and their effectiveness in
image retrieval. Journal of Documentation (vol. 67, nm. 6, pgs. 1.038-1.066).
Los profesionales de la informacin tambin usan la indizacin social o tagging

para indizar los recursos web. Se utilizan en intranets, sistemas corporativos,
bases de datos y bibliotecas para dar valor aadido a sus bases de datos (por
ejemplo, la base de datos Complured de la Universidad Complutense de Madrid), as como para compartir los marcadores seleccionados con otros usuarios y para reutilizar los contenidos en otras aplicaciones como redes sociales
de tipo Twitter, y de este modo proporcionar una mayor visibilidad a la institucin.
Organizacin de las colecciones en las bibliotecas universitarias
La mayora de las bibliotecas universitarias organiza las colecciones de la manera siguiente:
Coleccinpropia: catlogo indizado de forma controlada (sistemas de clasificacin

+ listas de encabezamientos + lista de autoridades / tesauros + lista de autoridades) y
automtica (lista de palabras clave).
RecursoselectrnicosdelaWeb: directorios temticos o guas temticas (sistemas

de clasificacin) + Delicious (lista de descriptores libres otags).
Podis comprobar que las etiquetas de un Delicious son descriptores libres haciendo la
siguiente comparacin: buscad una lista de encabezamientos de materia que se use o se
cree en una biblioteca, y entonces consultad el Delicious de esa biblioteca.
Por ejemplo, la Biblioteca de Catalunya, autora de la LEMAC, indiza en el catlogo con el
encabezamiento Arte Historia, pero Delicious indiza Historia del arte, que es un trmino
ms prximo al usuario.
Solo hay que consultar las bibliotecas de universidades que imparten Informacin y Documentacin para darse cuenta de que, adems del catlogo, tienen
Delicious.
Delicious de la Universidad de Barcelona, CRAI (www.delicious.com/craiubreferencia).
73
Delicious de la Universidad Nacional de Educacin a Distancia (UNED)

(http://delicious.com/brelreferencia20).
Delicious
de
la
Universidad
Complutense
de
Madrid
(http://
delicious.com/bibliotecacps).
Los indizadores tienen varias motivaciones para hacer indizacin social, ya
que obtienen varios beneficios sociales de ello. Javier Caada (2006) los clasific tal y como queda recogido en la tabla que tenis a continuacin.
Tipologa de motivaciones de las personas a la hora de etiquetar.
Tipo de etiquetado
Beneficio social
Motivacin
Eletiquetadoegosta: etiquetar en beneficio propio; suelen ser etiquetas muy significativas para el usuario pero no para la comunidad. Ej.: para_leer.
Si las etiquetas son ms personales, se crea Alta, para beneficio propio.

mucho ruido. A medida que el usuario indiza etiquetas ms consistentes, aumenta el
beneficio social.
Eletiquetadoamiguista: etiquetar para

compartir en un grupo reducido (amigos,
compaeros, familia). Se usan etiquetas
identificativas dentro del grupo pero desconocidas para otros. Ej.: Tinet.
Muy til dentro del grupo, pero aporta po- Alta, para compartir y reforzar el sentimiento
co al resto de las comunidades.
de comunidad dentro de un grupo.
Eletiquetadoaltruista: etiquetar para

compartir con todo el mundo. Se escogen
etiquetas generalmente comprensibles y
conocidas. Ej.: msica_funky.
Muy alto. Es la que ms contribuye, la ms Baja. No hay un beneficio directo asociado,

generosa.
salvo la satisfaccin personal.
Eletiquetadopopulista: etiquetar para

conseguir que algo resulte ms atractivo y
tenga ms visitas. Ej.: Muy_interesante.
Ninguno. Es corred basura (spam).
Alta. Quien indiza as busca un beneficio directo y evidente.
Fuente: basado en Javier Caada (2006).
La indizacin resulta barata, rpida, fcil de usar y tiene todo el espectro posible de la terminologa, desde los trminos ms generales hasta los ms especficos y actualizados (si el documento trata de Tagzania, el usuario lo indiza
Tagzania sin necesidad de que un lenguaje documental controlado lo haya
recogido previamente).
Ahora bien, la exhaustividad no es homognea, ya que los objetos no se describen con el mismo grado:
Puede haber un recurso con muchas etiquetas (exhaustividad alta) y recursos con pocas etiquetas (exhaustividad baja).
Puede haber documentos indizados para muchas personas que nos darn
enfoques diferentes sobre el mismo documento o puede haber documentos sin indizar.
Folksonoma
74
La indizacin social es el proceso distribuido en el que los recursos se describen

10
mediante etiquetas. El resultado agregado se conoce como folksonoma , que

significa clasificacin hecha por el pueblo. Son sistemas simples y eficientes.
Su utilidad se deriva de la capacidad de relacionar las necesidades de los usuarios con un vocabulario habitual. No buscan la precisin.
Las folksonomas tienen dos dimensiones relacionadas (Hassan Montero,
2006): la personal y la colectiva.
En la personal, personomia, cada usuario confecciona su propio ndice de

etiquetas.
En la colectiva, cada usuario comparte sus etiquetas y contribuye a generar un ndice global de etiquetas o folksonoma. Este aspecto resulta muy
interesante en indizacin, porque un documento descrito por cien usuarios con etiquetas coincidentes es una indizacin ms fiable (en el sentido
de recuperable) que la que hara el autor. Hassan Montero habla de indizacin por agregacin.
Podemos clasificar las folksonomas en dos grupos (Hernndez Quintana,

2008, y Weller, 2007):
Las folksonomas estrechas onarrow, que son del tipo un documento, un

indizador, es decir, solo el autor puede etiquetar el contenido; sera el
caso de Flickr.
Las folksonomies generales obroad, en las que un documento puede ser

etiquetado por varias personas, como es el caso de los marcadores sociales.
La tecnologa que posibilita las folksonomas se activa el 2003 con programas

como Delicious y Flickr, y tienen un aumento imparable hasta el 2006, momento en el que dichos programas ya ofrecen opciones de clusterizacin de
las etiquetas (por ejemplo, Flickr ofrece etiquetas agrupadas por categoras).
Ambos pertenecen a Yahoo.
Reflexin
En el ao 2010, Yahoo, propietaria de Delicious, redact un informe en el que anunciaba
que la web llegaba a su ocaso (sunsetted). Muchos lo interpretaron como el cierre de la web
y la comunidad social se escandaliz ante la posibilidad de perder todos los marcadores
que haba guardado en Delicious. La cuestin se sald con la reventa de Delicious a la
empresa Avos System. Como documentalistas, sera positivo que reflexionramos sobre
el tema y que nos diramos cuenta de la indefensin de los usuarios ante las decisiones
empresariales de productos gratuitos como este. La recomendacin de los expertos es que
exportemos nuestros marcadores en paralelo a otros programas, como Diigo o Mr Wong.
(10)
Folksonoma, del ingls folksonomy, es un neologismo. Volk (alemn) = del pueblo + taxis (griego) = ordenacin + nomia (griego) = reglas: clasificacin hecha
por el pueblo.
75
Miles de personas que indizan etiquetas representa un volumen considerable.

Es evidente que contienen mucha informacin, no solo sobre el contenido del
documento en cuestin, sino tambin sobre los propios usuarios del sistema
y sus rutinas de bsqueda. Qu se hace con tantas etiquetas? Bsicamente,
se siguen dos enfoques:
1) Aprovechar todo el conocimiento de las folksonomas para crear ms conocimiento (Navoni y Gonzlez, 2009):
a) Utilizar las folksonomas como complemento de otros sistemas de indizacin que ejerza algn control sobre las etiquetas. Se trata de aplicar tcnicas de
indizacin automtica en las etiquetas, es decir, aplicar mtodos estadsticos
sobre frecuencia de uso y coocurrencia de las palabras.
b) Combinar las folksonomas con sistemas controlados como ontologas. Se
11
tratara de que un lenguaje documental controlado proporcionara ms nombres de etiquetas, que en el mismo contexto seran tiles para la etiqueta x
introducida por el usuario.
Por ejemplo, el usuario introduce la etiqueta moneda y la ontologa le sugiere indizar,
adems, bancos, dinero, acuacin, finanzas, oro, plata y riqueza.
2) Mejorar la calidad de la indizacin. Se proponen dos lneas:

a) Sistemas de recomendacin de etiquetas. El usuario introduce la web que
quiere etiquetar y el sistema le responde con las etiquetas que otros usuarios
han utilizado para la misma web, por si le resultan tiles. De este modo, se
consigue cierto control sobre el vocabulario y se evitan algunos casos de sinonimia. La sugerencia es una sugerencia: el usuario siempre puede obviarla.
Podemos clasificar los sitios web que permiten la indizacin social en dos grupos: los que permiten poner etiquetas libremente (Flickr o YouTube) y los que
las sugieren (Delicious). Sugerir etiquetas beneficia la recuperacin porque aumenta la coherencia entre internautas pero empobrece la espontaneidad del
usuario (Marcos, 2009).
b) Alfabetizar al usuario. Son varios los autores (Hernndez Quintana, 2008;
Noruzzi, 2006, y Spiteri, 2007) que proponen alfabetizar al usuario dndole
instrucciones para indizar. Apuntan que las folksonomas han supuesto un
cambio en la metodologa por la distribucin y descentralizacin de la indizacin y que se podran lograr ms hitos si se organizara la forma de indizar
y clasificar la informacin. Algunos de los puntos que se proponen son la redaccin de normas sobre:
el uso de sustantivos cuantitativos y no cuantitativos;
(11)
Tambin habra una sinergia

positiva a la inversa, el lenguaje
documental controlado se podra
beneficiar de la aportacin continua y actualizada de vocabulario,
que en definitiva es lo que utiliza el
usuario.
76
la elaboracin de etiquetas compuestas (por ejemplo, con un espacio o

guin entre unitrminos);
la evaluacin de la calidad o aplicaciones de cada tem;
el uso de enlaces a diccionarios que acten como autoridades y controlen

la forma de la etiqueta;
el aadido de nombres personales provenientes de listas de autoridades y

del rol que tiene con el concepto que se etiqueta;
el aadido de todo tipo de facetas (faceted tagging): geogrficas (nombres geogrficos provenientes de lenguajes controlados como tesauros), de
tiempo, de forma, de gnero.
Las propuestas que hacen referencia a copiar la etiqueta desde un vocabulario

controlado (diccionario, tesauro o clasificacin) son las ms interesantes, y
hay bastantes artculos que proponen usar la LCSH, la CDU o tesauros, pero
tambin se propone indizar a partir de los artculos de la Wikipedia (creados de
manera colaborativa y con el mismo espritu intuitivo de las etiquetas) como
vocabulario controlado.
Observacin
Fijaos en que si el internauta elige un trmino sugerido, venga de la Wikipedia, del WordNet o de un clculo estadstico del Delicious, ya est indizando de manera controlada y
no libre. Con todo, el cambio no estriba en la tipologa libre respecto de la controlada,
sino en una tipologa nueva, lo que en ingls se denomina uservocabulary (o proveniente de la colaboracin social), ante el controledvocabulary (vocabulario hecho por
profesionales).
La recuperacin con descriptores libres

La indizacin con descriptores libres, que todo el mundo ha hecho de manera individual (persona que indiza su biblioteca personal), adquiere una nueva
dimensin cuando miles de personas hacen lo mismo. A pesar de los inconvenientes de la falta de control sobre el vocabulario, que son evidentes, es tan
grande su aportacin en el mundo de la Web que, a pesar de ser imperfecta,
resulta muy til en la recuperacin.
77
Ventajas e inconvenientes de la recuperacin con descriptores libres.

Ventajas
Inconvenientes
1) La comunidad se beneficia de un volumen ingente de documentacin medianamente descrita. Su calidad puede ser discutible, pero est operativa, es accesible.
2) Se rompe la subjetividad de un nico indizador.
3) Los puntos de acceso son ms diversos.
4) No necesita traduccin de los conceptos del lenguaje natural
de los documentos a un lenguaje artificial.
5) Se trata de un tipo de lenguaje rpido y fcil de actualizar.
6) Se adapta perfectamente a los usuarios y tipos de SID, ya que
es un lenguaje hecho a medida.
7) No hace falta una formacin previa de los analistas. Precisamente la ausencia de reglas y principios hacen innecesaria la formacin.
8) Indizan texto pero tambin imagen fija (foto) y en movimiento
(vdeo, pelcula).
9) El vocabulario presenta una autoridad de usuario.
10) El nmero de indizadores aumenta la tasa de consistencia.
1) Todos los que se derivan del lenguaje natural:

Sinnimos.
Polismicos.
Falta de trminos relacionados que amplen la bsqueda.
Siglas o acrnimos.
Palabras sin significado en determinados contextos (ej.: la palabra tuya, que solo tiene significado en Botnica).
2)Ego-centered tag o etiquetas con trminos vacos para la comunidad, puesto que solo tienen sentido individualmente.
3) Nivel de exhaustividad diverso, no todos los documentos estn
indizados con el mismo grado.
En resumen:
La indizacin social participa en las caractersticas de las listas de descriptores libres
en la filosofa de la indizacin, ya que cada participante indiza unos descriptores
libres seleccionados segn un proceso intelectual a partir del examen del recurso sin
verificar si los descriptores propuestos existen o no en un lenguaje controlado. A
medida que han transcurrido los aos, el volumen de etiquetas ha permitido ir ms
all y crear un vocabulario de trminos con autoridad de usuario (user vocabulary).
Sobre sus trminos se pueden efectuar clculos estadsticos y seleccionar las etiquetas
con la tasa de coherencia entre indizadores ms elevada o hacer clusterizacin. El paso
siguiente ser importar las etiquetas de otros lenguajes, esta vez controlados, como
listas de autoridades (para los nombres propios), tesauros (para nombres geogrficos),
etc. La Web semntica permite a los descriptores libres crear sistemas basados en
lenguaje natural y libre, que poco a poco se irn estructurando y controlando. La
meta es una Web semntica con ontologas.
2.3.5. Indizacin automtica
La indizacin automtica es el mtodo por el cual un ordenador aplica

un algoritmo (o programa) a un documento electrnico para identificar
los trminos que puedan representar la materia y ser utilizados como
trminos de indizacin y recuperacin en un ndice o lista.
La indizacin automtica es, junto con la social, la alternativa ms viable para

indizar la Web.
Cmo se indiza automticamente?
El primer paso es leer el texto. Para hacerlo, es preciso que el documento se
encuentre en formato electrnico y sea accesible. Esta afirmacin tan sencilla
implica:
excluir la documentacin audiovisual, imagen fija (fotografas) o en movimiento (vdeo) que habitualmente no va acompaada de texto;
Indizacin automtica
La indizacin automtica es
un lenguaje natural, libre, poscoordinado, alfabtico y analtico para palabras clave.
78
excluir tambin toda la documentacin que pertenezca a intranets (donde

hace falta contrasea) y toda la que se genere de forma dinmica (contenida en bases de datos), lo que conocemos como Internet invisible y que se
calcula que supera en cinco veces la Web visible.
Despus se toma una serie de decisiones.

1) El documento electrnico puede ser un texto plano con algn campo tipo
resumen y palabras clave o puede estar estructurado con metadatos, tanto para
el contenido como para la forma. Hayquedecidirsielprogramaseaplicar
eneltextocompletooencamposdeterminadosdeldocumento; por ejemplo, solo en el campo palabras clave. La calidad del resultado ser muy diferente en un caso o en otro: en el primer supuesto, ser el programa el que seleccionar las palabras ms representativas por repetidas del texto con clculos
estadsticos, mientras que en el segundo, los trminos de indizacin ya han
sido seleccionados mediante un proceso intelectual.
Recordemos que los metadatos son datos formalizados y que suponen una pieza clave de
la Web semntica, junto con el lenguaje XML y el formato RDF.
2)Quhayquehacerconlostrminosquecontienennmeros,signos
depuntuacin,guiones,maysculas/minsculasyacentos? Por lo general,
se trata de caracteres que no aportan significado, pero que en determinados
contextos pueden ser determinantes.
Nmero: N2, TV1.
Puntos, guiones, signos (www.uoc.edu), Fuentes_Informacin (es una etiqueta propia de
Delicious).
Acentos (tiles para diferenciar diacrticos): en cataln, os/s; en castellano, te/t.
3)Quhayquehacerconlaspalabrasvacas (artculos, pronombres, pre-
Observacin
El XML es un lenguaje que
presenta las propiedades del
HTML y la posibilidad de incluir en el nivel de cdigo una
infraestructura de metadatos
que explicite la informacin
del recurso.
Observacin
El RDF es un marco de descripcin de recursos (resource description framework, RDF) para
metadatos desarrollado por el
World Wide Web Consortium
(W3C).
posiciones, conjunciones, adverbios, numerales)? Son palabras muy frecuentes, pero que aportan poco valor de contenido. Se conocen como listas de detencin en espaol y stopword list en ingls. Los programas de indizacin automtica tienen un fichero con las palabras vacas que hay que obviar. Ahora
bien, este fichero puede estar implementado de tres maneras diferentes:
a) Predeterminado. Desde el principio el sistema dispone de la lista de detencin en su idioma o idiomas. De hecho, su realizacin es fcil, puesto que solo
hay que aadir las categoras vacas de una base de datos de terminologa en
el idioma deseado. Los artculos y las conjunciones siempre son los mismos,
incluso los verbos se pueden llegar a contabilizar y flexionar en todos los tiempos verbales.
b) Contextualizado (stop word context-dependent). Cada sistema elabora la lista
de detencin segn su mbito temtico. Contextualizar la lista permite evitar
dos graves inconvenientes:
Ejemplo de metadatos
Haced clic en el icono Indizacin de la base de datos de
revistas de la Universidad de
Murcia: http://revistas.um.es.
79
Palabras con significado que se vuelven vacas.

En un centro especializado en medicina del deporte todos los documentos harn referencia a medicina del deporte y, por lo tanto, dicha palabra estar vaca en ese contexto.
Palabras vacas que se vuelve importantes en la indizacin.

En un texto de historia, los nmeros (1319-1387), numerales (Pere III) y los adjetivos
pueden tener una gran carga significativa (el Ceremonioso). En este ejemplo podemos
observar que Pere III el Ceremonioso 1319-1387 podra quedar indizado como Pere si no
se mantienen algunas palabras vacas.
c) Evitado expresamente para permitir al sistema la bsqueda por frases y sintagmas.

Por ejemplo, para recuperar un concepto como el nombre del diario El Pas,
en el que el artculo tiene un papel importante. Los sistemas que los evitan
disponen de otras herramientas para reducir significativamente el nmero de
palabras indizadas, como tcnicas de stemming o lematizacin. En este sentido,
ms adelante hablaremos de los marcadores discursivos, en los que veremos
como palabras en principio vacas ayudan en gran medida en la decisin de
qu trminos seleccionar.
4)Aplicarmtodosestadsticos. Una vez eliminadas las palabras vacas, nos
queda un conjunto de unitrminos con significado, pero aun as su nmero
puede ser muy elevado. El paso siguiente consiste en seleccionar las de mayor relevancia en la descripcin del documento. Este paso se resuelve aplicando varios mtodos estadsticos (o lingsticos y semnticos, que veremos ms
adelante), bien en un orden secuencial, bien alternando los mtodos.
Los mtodos estadsticos han sido la primera aproximacin a la indizacin automtica y todava hoy en da son una parte consustancial de ella. La teora de
fondo es el clculo del peso (ponderacin) de las palabras: ni las palabras ms
repetidas (por vacas) ni las menos repetidas (por especficas) son adecuadas
para ser seleccionadas. Los mtodos estadsticos aplicados en PLN son de tres
tipos (se pueden usar solos o combinados):
PLN
El procesamiento del lenguaje natural (PLN o NLP, de su nombre en ingls, natural language processing) es la disciplina informtica que se encarga de tratar computacionalmente las lenguas naturales o lenguajes humanos.
En la actualidad, las principales aplicaciones o reas de trabajo del PLN son las siguientes:
recuperacin de la informacin,
extraccin de la informacin,
bsqueda de respuestas,
traduccin automtica,
generacin de resmenes, y
reconocimiento del habla.
80
a)Frecuencia. Hans Meter Luhn (1957) aplica la ley de Zipf al campo de la indizacin automtica. Luhn propone los pasos siguientes: calcular la frecuencia
de todas las palabras del texto o coleccin, ordenarlas en orden decreciente,
eliminar las de frecuencia ms alta, eliminar las de frecuencia ms baja e indizar con el resto.
b)Frecuenciainversa. Sparck Jones (1972) puso de manifiesto la capacidad de
discriminacin de un trmino frente a otro. Esta discriminacin se tiene que
considerar en el conjunto de la coleccin, no en un nico documento. Hay
que comparar las palabras clave entre los documentos del fondo para detectar
cules son realmente discriminativas.
c)Discriminacin. G. Salton (1989), a partir de la idea de que las palabras de
un texto se clasifican segn su capacidad para discriminar unos documentos
de otros en una coleccin, ide un sistema de indizacin conocido como el
modelodevalordediscriminacin, que atribuye el peso o valor ms alto
a aquellos trminos que causan la mxima separacin posible entre los documentos de una coleccin. Es decir, el valor de un trmino depende de cmo
vara la separacin media entre los documentos. Por lo tanto, las mejores palabras son las que consiguen la mayor distancia. El anlisis del valordediscriminacin asigna una funcin especfica en el anlisis de contenido a las
palabras simples, a las yuxtapuestas, a las frases y a grupos de palabras.
5)Mtodoslingsticos. Los primeros analizadores lingsticos datan de las
dcadas de 1960 y 1970. Su aportacin al anlisis del contenido resulta capital,
ya que permiten analizar el texto en tres niveles de profundidad: palabra, frase
y texto.
Cada uno de estos niveles es analizado por mdulos del programa basados en
diferentes disciplinas:
Palabra
Morfologa
Palabra dentro de la frase
Sintaxis
Palabra dentro del texto
Semntica
Con estas operaciones se consigue un fichero inverso en el que constan los

unitrminos y los documentos en que aparecen. Cada unitrmino va asociado a un documento y a una posicin dentro del documento (por ejemplo, al
ttulo).
6)Mtodossemnticos. La semntica es la ciencia que estudia el significado
de las palabras. Es una pieza fundamental dentro del PLN y la Web semntica,
valga la redundancia. Algunas de las propuestas son los marcadores discursivos
y la participacin de lenguajes controlados en tareas de indizacin automtica.
81
a)Losmarcadoresdiscursivos
El PLN todava est lejos de ofrecer sistemas capaces de entender semnticamente un texto, como lo hara una persona, pero est trabajando en una lnea
muy interesante, que son los marcadores discursivos. Se trata de dotar al algoritmo del robot de las relaciones semnticas que se derivan de cinco grupos de
marcadores y, a partir de aqu, inferir un conocimiento.
Los marcadores discursivos son unidades lingsticas invariables, por lo cual
son automatizables. Los cinco grandes grupos son los marcadores (Portols).
Ejemplos de algunos marcadores discursivos.
Marcadores
Ejemplos
Estructuradoresdelainformacin
Primero, segundo.
Por un lado, por otro.
Despus, entonces.
Conectores
Incluso, es ms.
As pues, por lo tanto.
Aun as, sin embargo.
Reformuladores
Es decir, a saber, en otras trminos.

En todo caso, en cualquier caso.
Operadoresargumentadores
En realidad, en el fondo.
En concreto, en particular.
Marcadoresconversacionales
Naturalmente, sin duda.

Verdad? Eh?
Uno de los marcadores estructuradores son los marcadores ordenadores que agrupan varios tems como si fueran partes de uno solo, como por ejemplo:
numricamente: primero, segundo, etc.;

en el espacio: por un lado, por otro;
en el tiempo: despus, entonces, en fin.
Si el programa dispone de estos marcadores, podr inferir un discurso ms elaborado a partir del documento y controlar mejor las partes discursivas (introduccin, cuerpo, conclusiones) y las partes orgnicas del texto.
El programa mantendr unido el conjunto de tems que, de una forma u otra,
estaban ordenados con los marcadores anteriores.
As, si el texto deca primero Namibia, segundo Venezuela, tercero Nepal..., el programa
indizar los tres nombres y no solo uno, y los mantendr relacionados.
Si el texto deca [...] lo que investigaba en el fondo era el sodio, el programa detectar
un marcador argumentador (en el fondo) e indizar la primera palabra con significado que
vaya detrs (sodio).
Observacin
Fijaos en que cualquiera de estos marcadores discursivos se podra haber catalogado como
una palabra vaca, ya que son adjetivos, conjunciones y adverbios, y el programa habra
perdido una informacin muy valiosa a la hora de mantener indizadas partes del texto.
Lectura complementaria
Para ms informacin sobre cada marcador discursivo, podis consultar el Diccionario de partculas discursivas del espaol, de Briz,
Pons y Portols (http://
textodigital.com/p/ddpd/).
82
b)Laparticipacindelenguajedocumentalcontrolado
Se trata de una indizacin semiautomtica, a diferencia de las anteriores, completamente automticas.
A grandes rasgos, el funcionamiento consiste en el hecho de que el robot detecta las palabras ms significativas del documento y las compara
con un vocabulario controlado, como un tesauro o algn tipo de clasificacin, que propone un trmino controlado para indizar a partir de
sus referencias.
En algunos sistemas este ltimo paso es automtico, mientras que en otros es

una persona quien valida la decisin. Los sistemas semiautomticos de categorizacin pueden ser de tres tipos:
Categorizacin basada en reglas.
Categorizacin basada en el aprendizaje automtico a partir de documentos ejemplares.
Una combinacin de los dos modelos anteriores. Es la opcin que mejores

resultados da, pero hay que dedicar un tiempo al diseo de las reglas y al
entrenamiento de documentos ejemplares.
7) La indizacin automtica no es solo una manera de indizar y, por lo tanto,

un lenguaje documental en s, sino que tambinesunaaplicacin de la que
se benefician todos los lenguajes documentales.
A lo largo de cada lenguaje, se ha tratado la forma en que la automatizacin de
los procesos de indizacin y recuperacin puede agilizar todo el proceso. As,
hemos visto cmo se puede clasificar de manera automtica o semiautomtica,
cmo se puede descomponer un encabezamiento de materia controlado en
una sucesin de palabras clave, cmo se pueden crear tesauros o indizar con
un tesauro de manera automatizada, el papel relevante de las etiquetas y los
clculos estadsticos que se pueden ejecutar para sugerir nuevas etiquetas.
De cara al futuro, lo ms interesante es ver la forma en que los lenguajes documentales ms potentes y ms experimentados se mantienen al da de la Web
semntica, y ya los tenemos en formato SKOS:
Ex CDU en SKOS (http://www.udcc.org/udcsummary/exports.htm),
LCSH en SKOS (http://id.loc.gov/techcenter/metadata.html),
83
la clasificacin Dewey (http://oclc.org/developer/documentation/dewey-web-services/using-api).
La recuperacin de informacin indizada automticamente

Buscadores
En la Web se puede buscar de dos maneras: navegando o con buscadores.
Es decir, podemos llegar a encontrar un dato saltando de una pgina a otra a
partir de los enlaces o bien escribiendo los trminos que queremos en la caja
de un buscador. El primer sistema no implica ninguna tarea de indizacin; el
segundo, s, y es una indizacin automtica.
Los algoritmosdelosbuscadores comparan la palabra de la bsqueda con
Ejemplo
El autor de un blog cuelga un
apunte sobre sus vacaciones
en Sicilia. El autor no ha indizado el contenido del artculo,
pero nosotros podemos llegar
a l ya sea saltando de una pgina que tena enlazada, ya sea
buscando en Google.
las palabras contenidas en los textos de su base de datos. Funciona bien para
textos, pero no para material grfico y audiovisual que no incluya texto o pie
de fotografa.
El usuario tiene la sensacin de que el buscador rastrea toda la Web buscando
los trminos que ha pedido como si fuera en tiempo real, pero esto es una
ilusin, porque sera mecnicamente imposible (miles de usuarios buscando
en paralelo en Google y recibiendo respuestas en tiempo real). En realidad,
los buscadores no rastrean la Web en el momento de la consulta, sino en el
momento de la indizacin. Rastrean y crean sus ficheros inversos, que se van
actualizando.
Cuando el usuario lleva a cabo una bsqueda, el programa no consulta

la Web, sino su base de datos del fichero inverso, por eso se obtiene el
resultado en cuestin de segundos.
La indizacin automtica no plantea grandes problemas, salvo uno, que es

el orden en que se presentan los miles de resultados que se encuentran. Las
soluciones han ido evolucionando en el tiempo: primero eran los documentos que contenan los trminos, despus las bsquedas acotadas con los operadores booleanos, ms tarde Google introduce el concepto de relevancia de
la fuente en funcin de los enlaces que tiene y que recibe, es decir, ya no solo
Observacin
Fijaos en que es el mismo criterio de evaluacin de la calidad que se utiliza con las publicaciones peridicas y el factor de impacto, como el JCR
de ISI web of knowledge, Inrecs, RESH, etc.
se considera la calidad interna de la fuente, sino tambin la calidad externa

que le atribuyen otras fuentes.
Recuperacinenunawebestructurada
La recuperacin tal como la entendemos hoy en da sufrir una revolucin
por el uso de ontologas y los motores de inferencia.
Estadsticas de buscadores
Los tres buscadores ms utilizados segn las estadsticas
son, por orden, Google, Yahoo
y Bing (AOL lo es en Amrica).
84
El futuro se presenta ms enfocado hacia las buscas en contexto ms apropiadas para estos nuevos usuarios-editores-documentalistas. Se pretende utilizar
los metadatos para efectuar clculos sobre la relevancia de la Web, para la navegacin por facetas (por lugar, tiempo, forma o cualquier otra faceta propia
de un tema) y para buscar por frmulas que otros usuarios hayan empleado
reiteradamente.
Como afirma Mendez citando a Witten, Gori y Numerico, nos dirigimos

hacia una diversidad descentralizada, en la que interrogaremos a la
Web de varias maneras y en la que coexisten con una anarqua organizada los datos entrelazados (documentos, opiniones, relaciones, etc.).
Una de las ventajas de los metadatos, es decir, de partir de documentos estructurados, es que el usuario podr buscar en la Web como busca en una base de
datos, porcampos.
Esto significar que podr acotar la bsqueda, por ejemplo, pidiendo documentos en los
que se hable de Bedrich Smetana como tema y no recuperar toda la obra de este msico
(equivaldra a un catlogo pedir Bedrich Smetana como materia o Bedrich Smetana como
autor).
Otra aplicacin son los sistemasdebsquedaderespuestas, que respondern

directamente a la pregunta, no ofrecern un conjunto de documentos en los
que aparezca el trmino de la consulta, sino que aparecer directamente el
fragmento con la respuesta.
Desde el punto de vista de la recuperacin y lenguajes documentales, son interesantes dos tcnicas de esta diversidad descentralizada: los vocabularios
poscontrolados y las tcnicas de clusterizacin. Las dos tcnicas parten de un
vocabulario libre que el programa acabar por controlar.
1)Losvocabulariosposcontrolados (Lancaster). Se constata que los usuarios
hacen bsquedas cortas de uno o dos trminos, que vuelcan muchos resultados. El usuario no hace bsquedas largas y elaboradas con operadores booleanos, pero los buscadores pueden almacenar las bsquedas de otros usuarios y
sugerir al usuario que busque por ese concepto y otro ms. De alguna manera,
el buscador est indizando la pregunta y guarda la frmula para otros usuarios.
El vocabulario es libre pero el robot lo controla.
Ejemplo
Los usuarios acostumbran a pedir monovolmenes, pero el programa ha almacenado la
frmula (Monovolmenes) and (Seat or Volkswagen or Nissan...), que recuperar de forma ms exhaustiva. De hecho, el programa est recogiendo los TE y TR (trminos especficos y trminos relacionados) de monovolmenes.
2)Sistemasdeclsteres. La clusterizacin de datos es una tcnica muy comn

en el anlisis estadstico de datos. Bsicamente, se trata de la clasificacin de
objetos similares en diferentes grupos. Los clsteres son carpetas clasificadas
85
segn la coaparicin de los trminos en el texto. Se supone que cuanto ms a

menudo aparezcan juntos los trminos de un tema determinado, ms probable
ser que sus significados estn relacionados. El programa presenta las carpetas
o los clsteres en que aparece el tema que se busca, de esa forma el usuario
puede escoger el enfoque que ms le interese.
Ejemplo
Un usuario busca el trmino lista de palabras vacas en el buscador Yippy (http://
search.yippy.com) y este da noventa registros clasificados en diez carpetas iniciales (algunas carpetas se abren) para que el usuario escoja: Search, My SQL Manual, Tools, Download, etc. En este caso, el programa ha sintetizado el contenido de los resultados en forma
de taxonoma.
Websemntica:indizacinyrecuperacin
La Web semntica es un conjunto de iniciativas destinadas a promover

una futura Web con pginas organizadas, estructuradas y codificadas de
tal manera que los ordenadores sean capaces de efectuar inferencias y
razonar a partir de sus contenidos.
Ser una granbasededatos capaz de soportar un procesamiento sistemtico

y coherente de la informacin (Codina y Pedraza, 2007).
La Web semntica se basa en un lenguaje XML y en unos formatos comunes
(RDF) que permiten la interoperatibilidad (linked data) con independencia de
la plataforma desde la que se trabaje.
La indizacin en la Web semntica se fundamentar en la informacin estructurada: los recursos web estarn descritos -es decir, indizados- en forma y contenido con metadatos (que pueden haber sido generados de forma manual o
automtica), se buscar con agentes inteligentes que se adaptarn a nuestra
situacin y los trminos de indizacin se interrelacionarn a partir de ontologas.
Parece que lo ms sensato es pensar que la indizacin en la Web semntica
consistir en una combinacin de todos los sistemas actuales, as:
Se seguirn indizando de manera intelectual con lenguajes controlados

(clasificaciones, encabezamientos de materia, autoridades y tesauros) las
fuentes de informacin lo bastante valiosas para que el resultado no est
condicionado por la inversin econmica, como por ejemplo las bases de
datos de artculos en ciencias de la salud, como MESH.
El uso de vocabularios controlados altamente formalizados y un PLN cada

vez ms potente propiciarn la implementacin de ontologas. Se crearn
86
ontologas de forma automtica y manual, y se indizar automtica y manualmente a partir de ontologas.
Se indizar de manera semiautomtica o semiasistida la gran mayora de la

Web, que por sus dimensiones no permite otras posibilidades. Y se espera
que cada vez ms los documentos electrnicos vengan de serie con metadatos. Tales metadatos, a su vez, pueden haber sido generados de manera
intelectual o por un robot automtico.
Se indizar socialmente con lenguajes libres como los descriptores libres

o etiquetas, sobre todo la informacin audiovisual que no es fcilmente
indizable de manera automtica por no incluir texto. En este sentido, se
est investigando en robots que reconozcan formas simples en las imgenes; de todos modos, hasta que no sean una realidad, la mejor opcin son
las etiquetas de los internautas.
Un caso interesante: los wikis y las ontologas
Podemos encontrar dos enfoques: el primer enfoque, que considera un wiki como una
ontologa en la que las pginas son tratadas como conceptos y los enlaces que aparecen
en ellas se consideran relaciones. A medida que se crea el wiki, se crea la ontologa. Y el
segundo enfoque, que parte de la existencia previa de una ontologa a partir de la cual
etiqueta semnticamente las pginas y relaciones del wiki.
La recuperacin en la Web semntica consistir, como indica Berners-Lee, no en una inteligencia artificial mgica que permita a los ordenadores entender las palabras de los usuarios, sino en la habilidad de
una mquina para resolver problemas bien definidos a partir de operaciones muy definidas que se llevarn a cabo sobre datos muy definidos
(W3C, 1999).
Webs recomendadas
Buscador en la Web semntica http://swoogle.umbc.edu
Sobre metadatos: http://
ca.wikipedia.org/wiki/metadades
87
3. Calidad y coherencia en la representacin de

contenidos
La calidad y la coherencia de la indizacin dependen de factores como la

competencia del indizador y la calidad de los instrumentos o lenguajes documentales. La coherencia es un factor importante en el comportamiento de un
sistema de indizacin, especialmente cuando forma parte de una red de centros y la informacin se tiene que intercambiar entre ellos.
La coherencia se calcula de la siguiente manera: dos analistas indizan el mismo documento, con un lenguaje de descriptores como un tesauro. Se cuentan
separadamente el nmero de descriptores idnticos entre los dos analistas sobre el total de descriptores.
Como ejemplifica van Slype:
El documentalista 1 ha asignado los descriptores A, B, C, D, E, F.

El documentalista 2 ha asignado los descriptores A, C, D, F, G, H.
Hay 4 descriptores idnticos A, C, D, F y un total de 8 descriptores diferentes. Tasa de
coherencia = 4/8 = 50% (van Slype, 1991, p. 123).
La consistencia en la indizacin suele oscilar entre el 20% de mnima y el 60% de mxima

(Isidoro Gil, 2001).
A modo de conclusin
La norma UNE 50-121-91 Mtodos para el anlisis de documentos, determinacin de su contenido y seleccin de trminos de indizacin establece tres fases:
Examinar el documento para identificar su contenido: el analista tiene que examinar

con precisin el documento. La lectura completa es a menudo impracticable, pero s
que tiene que prestar atencin al ttulo, resumen, sumario, introduccin, ilustraciones y palabras o frases destacadas en una tipografa diferente.
Seleccionar los conceptos principales de los contenidos: el analista tiene que identificar las nociones que son elementos esenciales de la descripcin del contenido, tiene
que ser consciente del nmero de conceptos (criterio de exhaustividad) y la exactitud
de los mismos (criterio de especificidad).
Traducir a un lenguaje documental: para traducir el concepto inicial escrito en lenguaje natural a un lenguaje documental hay que consultar el listado del lenguaje
buscando la forma aceptada.
3.1. La calidad del indizador

En este apartado analizaremos el papel que tenemos nosotros como indizadores. Sin embargo, antes hagamos una lista de las ventajas que nos facilitan la
tarea:
1) Hay temas ms fciles de indizar que otros por el conocimiento que tenemos
de ellos.
Lectures
complementaries
Podis ampliar la informacin sobre la coherencia en
la indizacin leyendo las
obras siguientes:
G.vanSlype (1991). Los lenguajes de indizacin: concepcin, construccin y utilizacin
en los sistemas documentales.
Madrid: Pirmide. Fundacin
Germn Snchez Ruiprez.
Biblioteca del Libro.
I.GilLeiva (2008). Manual
de indizacin. Teora y prctica.
Gijn: Ediciones Trea.
88
2) Algunos lenguajes son ms fciles que otros, como los poscoordinados, que
nos ahorran conocer las reglas de precoordinacin. Los fciles son las listas
de autoridades, los tesauros, los descriptores libres y la lista de palabras clave.
3) Es ms fcil indizar un dato que una materia.
Es ms fcil indizar Aristteles que las materias de algunas de sus obras. Para indizar Aristteles, solo hay que consultar una lista de autoridades como Lenoti, y un vase propio de
una relacin de equivalencia nos dice que tenemos que indizar Aristteles, 384-322 aC.
Haciendo doble clic tenemos la autoridad aceptada. En cambio, indizar la materia de una
de sus obras resulta ms laborioso (decidir qu rama de la filosofa, conceptos, etc.).
4) Si el SID dispone de manuales y tutoriales sobre el grado de exhaustividad

y especificidad que quieren, nos sentiremos ms guiados.
Aun as, como indizadores podemos cometer dos tipos de errores: los tcnicos
y los ticos.
3.1.1. Errores tcnicos
Partimos del supuesto de que el indizador no cometer errores de conocimiento del lenguaje que tiene entre manos, como por ejemplo no entender las referencias de vase de un trmino no aceptado a uno aceptado. Con todo, puede
cometer los errores que indicamos a continuacin.
1) Errores en la seleccindeltemadeldocumento: el indizador no ha captado la verdadera materia del documento. Las causas pueden ser la falta de
atencin o el desconocimiento de la materia.
2) Errores en la seleccinnumricadelostrminos: se puede equivocar obviando temas interesantes, es decir, por ejemplo, el documento trata de cuatro
temas pero solo escoge dos.
3) Errores en la seleccindeltrmino: el indizador elige un trmino ms genrico de lo que sera deseable por una falta de especificidad del lenguaje documental. La ausencia del trmino lo obliga a indizar con un trmino conceptualmente ms genrico. El indizador comprende la materia, pero el lenguaje
documental no le permite expresarse.
4) Errores por omisin: el documento trata de un tema que no aparece en el
lenguaje documental y, ante la duda de lo que es, no lo indiza.
El documento trata sobre las aplicaciones de la Apple Store y, dado que no aparece en
el lenguaje, no indiza nada, cuando lo mejor sera indizar un trmino genrico como
comercio electrnico. Segn Lancaster, un diez por ciento de los errores en la exhaustividad
se debe a omisiones. Se solucionaran si el lenguaje dispusiera de referencias de trminos equivalentes y de trminos relacionados, tipo Apple Store, Microsoft Store TR Comercio
electrnico.
5) Errores en la formalizacin: se equivoca en la grafa del trmino.
89
351.8w, por 351.82 (Administracin pblica de la economa en la CDU), o Dietnes por

Dientes. Este error se soluciona no tecleando el trmino sino copindolo de ficheros o
listas de autoridades.
6) Errores en la coherenciaalequivocarseconlasintaxisdellenguajeprecoordinado, hecho que impide reunir todos los documentos que tratan del
mismo tema.
La falta de consistencia se puede dar en varios niveles, que ejemplificaremos a partir de
un encabezamiento compuesto, como es Dientes Cuidado e higiene Estadsticas.
En el caso ptimo de que todos los indizadores conozcan la precoordinacin, encontraremos ordenados todos los documentos indizados por la secuencia Dientes, como por
ejemplo:
Dientes Cuidado e higiene Estadsticas.
En cambio, si un indizador altera el orden de los subencabezamientos, se producir una
mezcla en la que perderemos documentos.
Cuidado e higiene Dientes Estadsticas
Si un indizador indiza con un trmino genrico dedientes, tambin perderemos la secuencia
Boca Cuidado e higiene Estadsticas.
7) Errores en elalmacenamientoenelcatlogo: son errores tcnicos derivados del programa de gestin (falta de espacio en los campos, en la memoria,
etc.).
Los dos primeros errores no guardan relacin con el vocabulario del lenguaje. Los siguientes s, y es en estos ltimos casos en los que un lenguaje muy
construido puede ayudar a minimizarlos: con trminos genricos abiertos en
suficientes trminos especficos, trminos no utilizados que remiten con vase
a los trminos usados, con notas de aplicacin y notas explicativas a los descriptores, con referencias cruzadas y trminos relacionados. Cuanto ms rico
sea el lenguaje, menos conocimientos en la materia debe tener el indizador.
3.1.2. Errores ticos
Hay tres tipos de errores ticos: los de discriminacin (u ofensa), los de censura
y los intencionados.
1)Errorespordiscriminacinuofensa
Hay que evitar trminos que puedan resultar ofensivos o discriminatorios por
cuestiones de gnero, raza, religin, condicin, etc.
El control del vocabulario es una herramienta de gran valor en este cometido,
ya que los lenguajes controlados han pasado por una criba de conceptos en
la que la mayora de los trminos ofensivos han sido rechazados. Y decimos
la mayora porque algunos lenguajes todava arrastran concepciones antiguas
que cuesta modificar. En la bibliografa cientfica sobre encabezamientos de
90
materia encontramos muchos artculos que analizan temas sensibles comparando encabezamientos en dos listas y que piden una revisin urgente de los
epgrafes.
Lectura recomendada
Para ampliar este tema, recomendamos la lectura de Carmen Caro y R. San Segundo,
Lenguajes documentales y exclusin social (http://dialnet.unirioja.es/servlet/articulo?codigo=1300420), donde se analizan encabezamientos que ponen bajo el mismo trmino genrico a las madres solteras y a los delincuentes dentro del grupo de marginados sociales,
o que relacionan dos trminos tan dispares como anarquismo e idiotez. Los sistemas de
clasificacin tambin cometen errores ticos al mantener, por ejemplo, la rbrica de la
clase 159.922.76 para nios con defectos fsicos, mentales y superdotados.
En estos casos, es recomendable no emplear tales trminos para indizar y proponer un acuerdo interno del SID para sustituirlos. Si indizamos con un lenguaje en lnea, accederemos a todas las actualizaciones, pero en el caso de que
nuestro lenguaje est en papel, habr que comprobar en las actualizaciones de
la web si el trmino ofensivo ya ha sido modificado o no.
En entornos de indizacin libre, como buscadores generales o marcadores so-
Ejemplo
Por ejemplo, el consorcio de la
CDU vela por el mantenimiento y la actualizacin del Master Reference File, y en esta direccin, http://www.udcc.org/
major_changes.htm, podemos
comprobar el estado del trmino que nos (pre)ocupa.
ciales, podemos encontrar etiquetas sobre temas sensibles expresados de manera vejatoria o sectaria, puesto que nadie ms que el propio autor del texto
o el internauta toma la decisin de indizarlos.
2)Erroresporcensura
Todas las fases de la indizacin estn influidas por cierto grado de subjetividad del analista (por su formacin, convicciones polticas, creencias religiosas,
etc.), pero el documentalista, tal como recoge el cdigo tico de la American
Library Association, debe distinguir entre sus convicciones personales y sus
responsabilidades profesionales y no permitir que las creencias personales interfieran en la representacin del contenido de los documentos.
[] We distinguish between our personal convictions and professional duties and do
not allow our personal beliefs to interfere with fair representation of the aims of our
institutions or the provision of access to their information resources [].
Code of Ethics of the American Library Association: http://www.ala.org/advocacy/proethics/codeofethics/codeethics
3)Erroresintencionados
Un tercer tipo de error tico es indizar intencionadamente de manera equivocada para conseguir una ganancia, como por ejemplo un mejor posicionamiento web. Esto se conoce como falseamiento de ndices o spamdexing. Consiste en indizar conceptos que nos aseguran ms visibilidad en la Red (por
ejemplo, muy interesante) aumentando las referencias cruzadas y enriqueciendo los enlaces hacia la pgina web. Para evitar el falseamiento de ndices o para
comprobar que las etiquetas que hemos asignado a una web no se consideren
falseadas, vale la pena consultar antes las polticas de los buscadores.
Web recomendada
Herramientas para administradores de webs (webmasters) de Google: http://
support.google.com/webmasters/bin/answer.py?
hl=se&answer=35769
91
3.1.3. Cmo se mide la calidad de un indizador?

La calidad de un indizador se mide en comparacin con otro. Esta operacin
se resuelve calculando la tasa de coherencia.
Partiremos de un caso delimitado: dos documentalistas, diez documentos y tres

descriptores. La frmula de la tasa de consistencia es:
c/a+bc
Leyenda:
aequivale a trminos indizados en Indizador a.
b equivale a trminos indizados enIndizador b.
c equivale a trminos comunes en las dos indizaciones.
Descriptor
Cadaqus
Parquenatural
CalaCulip
Documentalista
Doc 1
Doc 2
Doc 3
Doc 4
Doc 5
Doc 6
Doc 7
Doc 8
Doc 9
Doc 10
x
x
x
x
Descriptor Cadaqus: 4/8 = 50%.

Descriptor Parque natural: 3/4 = 75%
Descriptor Cala Culip: 0/5 = 0%
Nota
Algunas caractersticas de los lenguajes favorecen o dificultan la coherencia. La CDU ha
sustituido el uso del signo subdividir por el colon (:) y otras facetaciones (como en la tabla
9) porque los indizadores interpretaban mal las instrucciones y daban lugar a tasas de
coherencia muy bajas.
3.2. Evaluacin de la recuperacin

En la recuperacin se evalan conceptos de microevaluacin (silencio, ruido)
y de macroevaluacin (exhaustividad y precisin). Comparndolos alcanzamos el concepto de consistencia o coherencia, que ya hemos visto anteriormente.
Partimos del cuadro siguiente (Lancaster y Van Slype), en el que podemos observar todas las posibilidades que se producen en la recuperacin:
92
Leyenda de los elementos de la recuperacin

Pertinentes
No pertinentes
Total
Extrados
A (aciertos)
B (ruido)
A + B (recuperados)
Noextrados
C (prdidas)
D (correctamente rechazados)
C + D (no recuperados)
Total
A + C (total de documentos
relevantes)
B + D (total de documentos no
relevantes)
A + B + C + D (coleccin
entera)
Cmo se calculan los documentos pertinentes y no pertinentes? Es preciso

que el usuario valore como pertinente o no pertinente el conjunto de documentos que el sistema le ha dado. De los cuatro valores (A, B, C, D), podemos
saber A porque son los que se han recuperado y el usuario considera relevantes y B, porque no los considera relevantes. En cambio, para saber C y D necesitaramos un entorno ideal donde el usuario pudiera ver toda la coleccin
y decidiera cules habran sido prdidas y cules no. Dado que no podemos
hacerlo debido al volumen de la coleccin, se toma una seccin y se extrapola
el resultado.
Este ejemplo servir para argumentar el resto del mdulo: imaginemos que
hemos buscado por documentos que contengan el trmino Cadaqus:
Pertinentes
No pertinentes
Total
Extrados
Noextrados
30
33
Total
32
40
3.2.1. Microevaluacin: silencio y ruido

Tasadesilencio:c/a+c.
En la bsqueda sobre Cadaqus observamos que es 3 / 5 + 3 = 0,375, es decir, el
37,5% de los documentos pertinentes no se ha recuperado. La tasa de silencio
es del 37,5%.
Tasaderuido:b/a+b
Sobre el mismo ejemplo, es 2 / 5 + 2 = 0,285. La tasa del ruido ha sido del
28,5%.
93
3.2.2. Macroevaluacin: exhaustividad y precisin

Tasadeexhaustividad:a/a+c
Nota
La exhaustividad de la bsqueda sobre Cadaqus da 5 / 5 + 3 = 0,625. La tasa

de exhaustividad ha sido del 62,5%. Los valores habituales son entre 0,6 y 0,8.
Esta tasa expresa la capacidad del sistema para proporcionar lo que se quiere
con un grado satisfactorio de exhaustividad. Ahora bien, con esto solo no es
suficiente para evaluar la calidad, tambin es preciso que nos filtre lo que no
necesitamos, y aqu entra la tasa de precisin.
Tasadeprecisin:a/a+b
La precisin de la bsqueda sobre Cadaqus da 5 / 5 + 2 = 0,714.
Resumen de las frmulas para calcular silencio, ruido, exhaustividad y precisin.
Microevaluacin
Macroevaluacin
Silencio
Ruido
Exhaustividad
Precisin
c/a+c
b/a+b
a/a+c
a/a+b
Hemos visto las tasas de silencio y ruido y las de exhaustividad y precisin,

pero un anlisis completo comprende el examen de los documentos, los registros de indizacin, las hojas de peticin, las estrategias de bsqueda, las hojas
de valoracin de la relevancia y cualquier otra informacin que se pueda obtener de los usuarios que participen en el estudio. A partir de estos registros
se pueden determinar las causas concretas de los errores del sistema en la recuperacin.
3.3. El papel del vocabulario en la recuperacin
Segn Lancaster, se producen tres errores relacionados con el vocabulario:
1) falta de especificidad del lenguaje documental,
2) relaciones ambiguas, y
3) relaciones falsas entre trminos.
Exhaustividad o llamada: recall

en ingls y rapell en francs.
94
3.3.1. Falta de especificidad del lenguaje documental

La falta de especificidad del lenguaje documental es la causa principal de las
carencias en la recuperacin y se da principalmente en el mbito de los lenguajescontrolados.
Figura 2. Comparacin entre dos lenguajes por lo que respecta a su especificidad.
Un vocabulario especfico incrementa la precisin y disminuye la exhaustividad; por el contrario, un vocabulario poco especfico facilita la exhaustividad,
pero reduce la precisin y aumenta la consistencia, al haber menos trminos
entre los que elegir.
A pesar de todo, es mejor que el lenguaje documental sea especfico, es decir,
espreferiblelaprecisinalaexhaustividad, ya que esta se puede conseguir
buscando por el TG.
Reflexin
Recordemos que los lenguajes
libres no disponen a priori de
un vocabulario controlado; por
lo tanto, el analista o el algoritmo del programa indizaran
Cadaqus sin verificar si este
trmino existe o no en una lista acotada. Los lenguajes libres
son tan especficos como lo es
el texto.
95
En resumen:
Un vocabularioespecfico permite una precisin alta, pero complica el hecho

de conseguir una exhaustividad alta. Tambin influye en la consistencia, ya que
si los trminos son muy cercanos, se puede dudar entre uno u otro.
Un vocabulario poco especfico facilita la bsqueda genrica y minimiza las

incorrecciones de la indizacin y, en consecuencia, aumenta la exhaustividad,
pero dificulta una precisin alta.
Con todo, segn Lancaster, es mejor un exceso de especificidad que lo contrario,

ya que si queremos aumentar la exhaustividad solo hay que recurrir a los TG. En
cambio, la falta de especificidad provoca que no se pueda aumentar la precisin.
3.3.2. Coordinaciones falsas

Existen dos tipos de relaciones ambiguas o falsas entre los trminos: las coordinacionesfalsas y las relacionesincorrectasentretrminos. Ambas se producen porque las palabras en s mismas no tienen sintaxis, especialmente si
son unitrminos o trminos simples.
Digamos que una coordinacin es falsa cuando recuperamos documentos no pertinentes pero que contienen los trminos de bsqueda que
hemos pedido. La coordinacin es falsa porque en el documento original los dos trminos existen pero no estn relacionados.
En un sistema sin sintaxis, cuanto ms trminos de indizacin haya, ms alta

es la probabilidad de que se recuperen coordinaciones falsas. En cambio, es
menos frecuente en sistemas precoordinados, en los que hay un control ms
estricto. Las coordinaciones falsas se podran solucionar si a la hora de indizar
el documento se hicieran patentes las relaciones entre los trminos, al menos
en el caso de relacionados y no relacionados.
Ejemplo
Efectuamos una consulta sobre financiacin de los archivos en Barcelona y recuperamos
el documento con el que hemos iniciado este mdulo, el artculo de Alice Keefer sobre repositorios digitales universitarios, por el hecho de que los trminos financiacin, archivos
y Barcelona aparecen en l, aunque el artculo no hable de la financiacin de los archivos
barceloneses (financiacin aparece en relacin con el open acces, archivos hace referencia
al autoarchivo del profesorado y Barcelona aparece en los datos formales del artculo).
3.3.3. Relaciones incorrectas entre trminos
Las relaciones incorrectas entre trminos se dan cuando el usuario busca

dos trminos con un tipo de relacin que no es exactamente la que tiene
el documento, a pesar de que constan en l.
96
Ejemplo extrado de Lancaster

El usuario busca por diseo de ordenadores y recupera documentos sobre el diseo de aviones con ordenador. Como podis comprobar, los trminos diseo y ordenadores estn presentes en el documento, aunque no en el sentido de la peticin.
La solucin no es poner siglas de trminos relacionados (TR), porque el problema es que no sabemos qu tipo de relacin tienen.
La manera de solucionar este problema en un entorno poscoordinado es asignandorolesoindicadoresalosdescriptores, que son cdigos o cifras, verdaderos recursos (agentes) sintcticos quemarcan el rol dentro del documento.
Por ejemplo, (2) podra indicar instrumento mediano y (4) objeto, sujeto. El resultado de
las indizaciones sera el siguiente:
Ejemplo de rol
Documento del diseo de
aviones con ordenadores
Diseo
Aviones (4)
Ordenadores (2)
Documento del diseo de ordenadores
Diseo
Ordenadores (4)
Para recuperar el documento inicial que quera el usuario, la bsqueda sera:

Ordenadores (4) and Diseo.
Este sistema de roles es propio de las ontologas. Los lenguajes documentales
actuales no llegan a especificar el rol de cada concepto, solo marcan si son
trminos relacionados sin especificar de qu tipo.
Otrosejemplos
Efectuamos una consulta sobre Pintura y guerra (en el sentido de la guerra representada
en la pintura, como el Guernica de Picasso) y recuperamos documentos sobre pintura de
guerra (maquillaje durante la guerra).
Hacemos una consulta sobre pintura catalana, en el sentido de pintores catalanes como
Fortuny, Casas o Dal, y recuperamos, adems de los documentos interesantes, estos otros:
Catalunya en la pintura (por ejemplo, la visin de Sorolla sobre el litoral cataln).

Pintura en Catalunya (todos aquellos pintores que han pintado en Catalunya).
Industriales de la pintura catalanes (pintores de paredes).
97
En resumen:
Si aumentamos la especificidad del vocabulario, nos permite representar con ms
matices el significado; por lo tanto, disminuye la consistencia en la indizacin, aumenta la precisin y baja la exhaustividad.
Resumen del aumento de la especificidad
Aumentodelaespecificidad
Aumenta la precisin.
Disminuye la consistencia.
Disminuye la exhaustividad.
Por lo que respecta a la recuperacin, probablemente la estructura del lenguaje condiciona la bsqueda de manera importante. Cuanto ms estructurado est un trmino
y cuantas ms relaciones tenga, ms til resultar para construir estrategias de bsqueda (a pesar de que sean costosas).
Las coordinaciones falsas: la causa de este error es que los trminos de indizacin se
encuentran en el mismo documento pero en un contexto diferente del que busca el
usuario.
Las relaciones incorrectas: la causa de este error es que el lenguaje no especifica el
tipo de relacin que tienen los trminos entre s.
99
Bibliografa
Manuales, normativas y artculos de revista
AENOR (1990). Documentacin: Directrices para el establecimiento y desarrollo de tesauros monolinges.
AENOR (1990). UNE-50-106 (ISO 2788-1986). Documentacin: Directrices para el establecimiento y desarrollo de tesauros monolinges.
AENOR (1994). Norma UNE 50-113-92/1. Documentacin e informacin. Vocabulario. Parte 1. Conceptos fundamentales. En: Documentacin: Normas fundamentales. Madrid: AENOR.
AENOR (1996). UNE-50-125 (ISO 5964-1985). Documentacin: Directrices para la creacin y
desarrollo de tesauros multilinges.
AENOR (1997). UNE-50-125 (ISO 5964-1985). Documentacin: Directrices para la creacin y
desarrollo de tesauros multilinges.
AENOR (1997). Mtodos para el anlisis de los documentos, determinacin de su contenido y
seleccin de los trminos de indizacin. Norma UNE 50-121-91. Madrid: AENOR.
AENOR (1997). Documentacin e informacin. Vocabulario. Parte 6: lenguajes documentales. Norma UNE-50-113/6 (ISO 5127/6). Revista Espaola de Documentacin Cientfica (vol.
20, nm. 4, pgs. 417-436).
AENOR (2004). Clasificacin Decimal Universal (CDU): edicin abreviada de la norma UNE
50001: 2000 (incluye las modificaciones de la Norma UNE 50001:2004/1M). Traduccin del
Master Reference File realizada por el Centro de Informacin y Documentacin Cientfica
(CINDOC)Adaptada por Rosa San Segundo Manuel. Madrid: AENOR.
AENOR (2004). Clasificacin Decimal Universal (CDU) de bolsillo. Adaptada por Rosa San Segundo Manuel. Madrid: AENOR.
Aitchison, J.; Gilchrist, A.; Bawden, D. (2000). Thesaurus construction and use: a practical
manual (4.a ed.). Chicago: Fitzroy Dearborn.
Akdag Salah, A.; Gao, C.; Suchecki, K.; Scharnhorst, A. (2010, 15 de septiembre).
The need to categorize: a comparative look at categorization in Wikipedia and the Universal Decimal Classification System [en lnea]. En: High Throughput Humanities, a satellite meeting at the ECCS10 European Conference on Complex Systems. Lisboa, Portugal. <http://
hth.eccs2010.eu/abstracts.htm#Akdag-Salah-te-al>
Benito, M. (1999). El sistema de clasificacin decimal universal: manual de aprendizaje. Madrid:
Taranco.
Bonilla, S. (2007). Web Semntica y Agentes Metarrepresentacionales basados en Marcadores Discursivos [en lnea]. Hipertext.net (nm. 5) <http://www.hipertext.net>
Broughton, V. (2009, 29-30 de octubre). Concepts and terms in the faceted classification:
the case of UDC. En: International UDC Seminar 2009 "Classification at a Crossroads: Multiple
Directions to Usability. La Haya.
Caada, J. (2006). Tipologas y estilos en el etiquetado social [en lnea]. <http://
www.terremoto.net/tipologias-y-estlos-en-el-etiquetado-social/>
Codina, L.; Marcos, M. C.; Pedraza, R. (2009). Web semntica y sistemas de informacin
documental. Gijn: Trea.
Currs, E. (2005). Ontologas, taxonoma y tesauros: manual de construccin y uso. Gijn: Trea.
Dez Carrera, C. (1999). Tcnicas y rgimen de uso de la CDU (Clasificacin Decimal Universal)
(134 pginas). Gijn: Trea (Biblioteconoma y Administracin Cultural, 26).
Foskett, A. (1996). The subject approach to information. London Library Association Publishing.
Gil Leiva, I. (2008). Manual de indizacin. Teora y prctica. Gijn: Ediciones Trea (Biblioteconoma y Administracin Cultural, 193).
100
Gil Urdiciain, B. (2004). Manual de lenguajes documentales. Gijn: Ediciones Trea (Biblioteconoma y Administracin Cultural, 106).
Gmez Daz, R. (2005). La lematizacin en espaol: una aplicacin para la recuperacin de
informacin. Gijn: Trea.
Knautz, K.; Stock, W. G. (2010). Collective indexing of emotions in videos. Journal of
Documentation (vol. 67, nm. 6, pgs. 975-994).
Lambe, P. (2007). Organising knowledge: taxonomies, knowledge and organisational effectiveness.
Oxford: Chandos, cop.
Lancaster, F. W. (1995). Indizacin y resumen: teora y prctica. Buenos Aires: EB Publicaciones.
Lancaster, F. W. (2002). El control del vocabulario en la recuperacin de informacin. Valencia:
Universitat de Valncia.
Madalli, D. (2009, 29-30 de octubre). Classificatory ontologies. En: International UDC
Seminar 2009 Classification at a Crossroads: Multiple Directions to Usability. La Haya.
Maniez, J. (1992). Los lenguajes documentales y de clasificacin: concepcin, construccin y utilizacin en los sistemas documentales. Madrid: Pirmide / Fundacin Germn Snchez Ruiprez.
Martnez Tamayo, A. M.; Valdez, J. C. (2008). Indizacin y clasificacin en bibliotecas.
Buenos Aires: Alfagrama.
McIlwaine, I. C. (2003). Clasificacin Decimal Universal. Gua para uso de la CDU. Madrid:
AENOR.
Moreno, L. M.; Borgoos, M. D. (2002). Teora y prctica de la Clasificacin decimal universal
(CDU). Gijn: Ediciones Trea (Biblioteconoma y Administracin Cultural, 30).
Naumis, C. (2007). Los tesauros documentales y su aplicacin en la informacin impresa, digital
y multimedia. Mxico: Alfagrama.
NISO Z39.19 (2003). Guidelines for the Construction, Format, and Management of Monolingual
Thesauri.
NISO Z39.19 (2005). Guidelines for the Construction, Format, and Management of Monolingual
Controlled Vocabularies.
Noruzzi, A. (2006). Folksonomies: (un)controlled vocabulary?. A Knowledge Organization
(vol. 33, nm. 4, pgs. 199-203).
Olson, H. A.; Boll, J. J. (2001). Subject Analysis in Online Catalogs. Englewood: Libraries
Unlimited.
Pinto, M. (1997). Manual de clasificacin documental. Editorial Sntesis.
Ransom, N.; Rafferty, P. (2011). Facets of user-assigned tags and their effectiveness in
image retrieval. Journal of Documentation (vol. 67, nm. 6, pgs. 1.038-1.066).
San Segundo, R. (2009, 29-30 de octubre). Using MARC classification format for UDC and
mappings to other KO systems for an enriched authority file. Classification at a Crossroads:
Multiple Directions to Usability. La Haya.
Slavic, A. (2007, noviembre-diciembre). On the nature and typology of documentary classifications and their use in a networked environment. El Profesional de la Informacin (vol.
16, nm. 6, pgs. 580-589).
Slavic, A. (2008). Use of the Universal Decimal Classification. A world-wide survey. Journal of Documentation (vol. 64, nm. 2).
Slavic, A.; Cordeiro, M. I.; Riesthuis, G. (2009, julio-septiembre). El desarrollo de la
Clasificacin Decimal Universal: 1992-2008 y ms all [en lnea]. Revista Espaola de Documentacin Cientfica (vol. 32, nm. 3, pgs. 107-118). <http://redc.revistas.csic.es/index.php/
redc/article/viewarticle/488>
101
Slype, van G. (1991). Los lenguajes de indizacin: concepcin, construccin y utilizacin en los
sistemas documentales. Madrid: Pirmide / Fundacin Germn Snchez Ruiprez (Biblioteca
del Libro).
Spiteri, L. (2007, septiembre). The structure and form and folksonomy tags: the road to
the public library catalogue. Information Technology and Library.
Trant, J. (2009). Studying Social Tagging and Folksonomy: A Review and Framework [en
lnea]. Journal of Digital Information (vol. 10, nm. 1). <http://dlist.sir.arizona.edu/2595/>.
UDC Consortium (2010). Extensions and Corrections to the UDC [en lnea].<http://
www.udcc.org/ec.htm>.
UDC Consortium (2010). Master Reference File [en lnea]. <http://www.udcc.org/mrf.htm>.

Procesos y Herramientas de Gestion Documental (Modulo 2)

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Procesos y Herramientas de Gestion Documental (Modulo 2)

Uploaded by

Copyright:

Available Formats

Anlisis de

El resumen humano y automtico................................................

Tipos de resmenes .....................................................................

Resumen automtico ...................................................................

La indizacin y la recuperacin: lenguajes documentales

Lenguaje natural y lenguaje documental ...................................

Nmero de trminos .....................................................

Control de las formas ....................................................

Control del significado ..................................................

Relaciones de significado de los trminos .....................

Cmo se indiza ...........................................................................

Lenguajes documentales .............................................................

Clasificar y recuperar con sistemas de clasificacin ......

Indexar y recuperar con listas de encabezamientos y

Indexacin y recuperacin con tesauros .......................

Indizacin con listas de descriptores libres: etiquetas

Indizacin automtica ...................................................

Calidad y coherencia en la representacin de contenidos......

La calidad del indizador .............................................................

Errores tcnicos ..............................................................

Errores ticos ..................................................................

Cmo se mide la calidad de un indizador? .................

Evaluacin de la recuperacin ....................................................

Microevaluacin: silencio y ruido .................................

Macroevaluacin: exhaustividad y precisin ................

El papel del vocabulario en la recuperacin ...............................

Falta de especificidad del lenguaje documental ............

Coordinaciones falsas ....................................................

Relaciones incorrectas entre trminos ...........................

El objetivo del anlisis de contenido es identificar y representar de manera

UNO 50-103-90, preparacin de resmenes.

UNO 50-121-91, mtodos para el anlisis de documentos, determinacin

Historia medieval - Terminologa

1. El resumen humano y automtico

Segn la norma UNE 50-103-90 Preparacin de resmenes, un resumen es

Redactar un resumen es fcil. Lo difcil es redactar un buen resumen. El punto

Extraer trminos de indizacin de su texto, es decir, indizar a partir del

Hacer bsquedas de palabras clave que no se encuentran en el ttulo.

Servir de control bibliomtrico, al comparar los trminos usados en una

Ayudar a la difusin desde los servicios de alerta.

Segn Mara Pinto (1992), las caractersticasdeunresumen son las siguientes:

Claridad y coherencia. Frases completas, dotadas de coherencia lineal y

Proximidad cronolgica entre las ediciones del documento original y el

El resumen puede ser redactado por el autor del documento, un especialista en la

El resumen es til en dos fases de la cadena: en los procesos de seleccin y adquisicin

La principal utilidad del resumen es la de difundir la informacin, pero adems, el

1.1. Tipos de resmenes

Monografas, informes, tesis: 500 palabras.

Artculos de revista, captulos de monografas: 250 palabras.

Comunicaciones breves: 100 palabras.

El resumeninformativo consigna el tema central, temas adicionales, naturaleza y

El resumenindicativo consigna slo las ideas centrales del documento. Su lectura

1.2. Resumen automtico

Hans Peter Luhn

La base de todas las tcnicas de funcionamiento de un programa de

Ejemplo de funcionamiento de un programa de resmenes automtico

el texto a resumir o bien se escribe la direccin del documento. Se escoge el

InTEXT (Dynamic Summarizing)

El programa K-Site de Daedalus

Mdulo2:Ponderacindefrases. Este mdulo recibe las palabras etiquetadas por

Mdulo3:Deteccindeanforas. Una vez tiene las frases seleccionadas, puede ser

Mdulo4:Seleccindefrases. Este mdulo computa toda la informacin recogida

Podis practicar con el programa

Los primeros en trabajar en el campo de la automatizacin de los resmenes fueron