ISSN: 2255
-
3703
99
Skopos 7
(2016
),
99
-
128
Big data para el análisis de las necesidades
traductológicas en cinco capitales de Europa
Adela González Fernández
Universidad de Córdoba
l52gofea@uco.es
Fecha de recepción: 12.12.2015
Fecha de aceptación: 30.01.2016
Resumen: La cantidad de información digital disponible está aumentando de forma
masiva. Las grandes empresas como Google, Facebook, Microsoft…, así como los
correos electrónicos, las descargas de música o cualquier operación realizada a
través de internet genera cantidades gigantescas de información no estructurada. El
término big data se refiere a estos enormes conjuntos de información que no pueden
ser gestionados ni analizados mediante herramientas tradicionales en una cantidad
de tiempo aceptable. Esta investigación pretende demostrar la utilidad de big data
como fuente de información para el estudio en el campo de la lingüística, lo que nos
permitirá llevar a cabo estudios que no podrían realizarse con los métodos
tradicionales. En este trabajo, utilizamos la información disponible en el servicio de
microblogging Twitter para analizar los idiomas más hablados en cinco capitales
europeas y conocer así las necesidades traductológicas que presentan. De esta
forma, intentamos demostrar la utilidad de big data como herramienta para la
investigación lingüística. Hemos analizado los tuits generados en las ciudades de
Berlín, Bruselas, París, Madrid y Londres en el período de tiempo comprendido entre
el 21 de agosto y el 21 de septiembre de 2015. Para ello, hemos desarrollado una
herramienta de autor que nos permite obtener la información, almacenarla,
gestionarla y analizarla. Pretendemos así obtener resultados basados en millones de
datos y analizados en tiempo real, lo que nos ahorra costes y tiempo a la hora de
llevar a cabo la investigación y nos permite conocer de manera inmediata los
idiomas que se utilizan en cualquier momento y en cualquier lugar.
Palabras clave: big data, análisis lingüístico, Twitter, necesidades traductológicas,
Europa.
Big data for the analysis of translation demand in five European
capitals
Abstract: The amount of digital global information available is exploding. Huge
quantities of unstructured information is being generated by big companies, such as
Google, Facebook, Microsoft… The term big data refers to these huge datasets that
cannot be managed and analysed by traditional tools and software in a tolerable
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
100
Skopos 7
(2016
),
99
-
128
time. This research aims to show the utility of big data as a source of information for
linguistic research, which enables us to carry out investigations that could not be
done in a traditional way. In this paper, we use the information available in the
microblogging service Twitter to analyse the most spoken languages in five
European capitals, in order to know the demands for translation jobs. Thus, we prove
the utility of big data as a tool for linguistic research. We have studied the total
number of tweets generated in Berlin, Brussels, Paris, Madrid and London, during 21
August 2015 and 21 September 2015. For this purpose, we have developed an
authoring tool through which we obtain, stored, processed and analysed the
information. Our objective is to obtain results based on millions of data in real time,
which saves not only time, but also costs in the research process and allows us to
know the languages used anywhere and anytime.
Key words: big data, linguistic analysis, Twitter, translation demand, Europe.
Sumario: Introducción. 1. Twitter como fuente de información dentro de big data. 2.
Funcionamiento de Twitter. 3. Metodología
Introducción
La cantidad de información que se genera en el mundo crece a pasos
agigantados. Sin embargo, su naturaleza es muy diferente a la de la
información en el pasado. La proliferación masiva de aparatos electrónicos y
el frenético desarrollo de la informática han supuesto una revolución sin
precedentes en el mundo de las comunicaciones. La cantidad y la variedad
de datos disponibles, así como la velocidad a la que se generan, se
almacenan y se transmiten, crece y evoluciona como nunca antes lo había
hecho. Debido a la combinación de los dispositivos móviles, de internet y de
la computación en la nube, los datos que se generan a partir de cámaras,
micrófonos, sensores, etc. conformarán, dentro de poco, la mayor parte de
la información disponible.
Según un informe de International Data Corporation (IDC), uno de los
líderes mundiales en análisis de información masiva, durante la próxima
década, el universo digital crecerá un 40% anual e incluirá no sólo el
número creciente de personas y empresas que utilizan internet, sino
también los pequeños aparatos conectados (Gantz y Reinzel, 2012). Este
universo digital se compone de toda la información digital creada, replicada
y consumida en un año, proveniente de las acciones más diversas que se
puedan realizar en el día a día, como escribir o subir fotos o vídeos de los
teléfonos móviles a las redes sociales, realizar una compra por internet,
sacar dinero del cajero automático, realizar llamadas de teléfono, utilizar
sistemas de control automáticos, etc.
Adela González Fernández
Big data
para el análisis de las necesidades traductológicas…
101
Skopos 7
(2016
),
99
-
128
IDC estimó en un estudio realizado en 2012 que en 2005 se crearon y
replicaron 130 exabytes –un exabyte equivale a mil millones de gigabytes- y
en 2013 ya habría 4,4 zettabytes (4,4 billones de gigabytes). Sus analistas
calculan que, para el año 2020, la cantidad de información generada
alcanzará 44 ZB, prácticamente tantos bits como estrellas hay en el
universo. Esto significa que, desde ahora hasta 2020, la cifra crecerá
anualmente más del doble hasta alcanzar más de 5.200 gigabytes por cada
habitante de la Tierra.
Figura 1: Crecimiento del universo digital. Fuente: IDC's Digital Universe Study, sponsored by EMC, 2012
En este escenario de explosión de la información global, el término
big data se utiliza, a grandes rasgos, para describir los enormes conjuntos
de información que se generan. Además, esta información se nos presenta,
en la mayoría de los casos, de forma no estructurada, es decir, no está
ordenada y lista para procesar, lo que implica la necesidad de nuevos
sistemas de análisis de información más potentes y más rápidos, de manera
que puedan analizarla en tiempo real. Big data presenta nuevas
oportunidades, desafíos y problemas a los que las empresas, las
organizaciones y los investigadores debemos enfrentarnos para conseguir
comprender la información y obtener el máximo beneficio. Empresas de
todo el mundo, gobiernos, universidades y organismos oficiales están cada
vez más interesados en el gran potencial que ofrece big data y están
empezando a invertir para acelerar su investigación y aplicación.
Son muchas las empresas, organizaciones e investigadores que han
definido el término big data. Por ejemplo, Manyika et al. (2011:1) lo definen
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
102
Skopos 7
(2016
),
99
-
128
para McKinsey –una consultora global del campo de la administración
estratégica- como “conjuntos de información cuyo tamaño excede la
capacidad de las herramientas de software de bases de datos
convencionales para obtener, almacenar, procesar y analizar la
información”. De forma parecida, IBM –el gigante azul- se refiere a big data
como “la información que no puede ser procesada ni analizada mediante
procesos o herramientas convencionales” (Zikopoulos et al., 2012: 3). Los
analistas de IBM, sin embargo, alertan de que el nombre puede llevar a
error porque puede implicar que la información de la que se disponía antes
no era cuantiosa o que la única característica de big data es el enorme
volumen de información, cuando las dos afirmaciones, según ellos, son
falsas.
En general, es comúnmente aceptada la idea de que big data posee
tres características fundamentales (a partir de las cuales aparecen otras).
Estas tres cualidades son: volumen, velocidad y variedad, y dan lugar a lo
que se conoce como el modelo de las 3 V. El primero en introducir este
concepto fue Loug Laney, en 2011, aunque no se refería a big data, sino a
la gestión de la información en general. Fueron empresas como IBM o
Microsoft las que lo aplicaron a big data. En este modelo, volumen se refiere
a las grandes cantidades de información que se generan diariamente por
individuos y por empresas y que crece a pasos agigantados. La velocidad
significa la rapidez con la que la información se genera y se mueve.
Zikopoulos et al. (2012) hacen hincapié en este aspecto de información en
movimiento, yendo así más allá que otras definiciones que limitan la
velocidad a esa rapidez que acabamos de explicar con la que la información
se genera, se almacena y se recupera. Por último, la variedad hace alusión
a los diferentes tipos de información compleja disponible, como puede ser la
información tradicional y estructurada, la semiestructurada o la no
estructurada, procedente de páginas web, de blogs, de correos electrónicos,
de documentos, de redes sociales o de cualquier otra fuente de información
digital.
Por otra parte, empresas como IDC, definen el concepto de la
siguiente forma: “las tecnologías de big data describen una nueva
generación de tecnologías y arquitecturas diseñadas para extraer valor
económico de grandes cantidades y de una amplia variedad de información,
gracias a la captura de datos, descubrimiento y/o análisis a alta velocidad”
(Carter, 2011: 1). Esta definición fue el comienzo de una nueva visión de big
data que incluía una cuarta V: el valor. También IBM, por su parte, añadió
una cuarta V, distinta de esta última, para veracidad. Se referían con ella a
la confianza que nos ofrece la información, ya que, en este nuevo
panorama, aumentan las dificultades a la hora de controlar la calidad y la
Adela González Fernández
Big data
para el análisis de las necesidades traductológicas…
103
Skopos 7
(2016
),
99
-
128
exactitud de la información. Además de éstas, se han añadido otras
características V al concepto, entre las que se encuentran variabilidad o
visualización.
Otras empresas y organizaciones, como NIST, se centran en el
aspecto tecnológico de big data, que la definen como “donde el volumen, la
velocidad de adquisición o la representación de la información limitan la
capacidad de llevar a cabo análisis efectivos con enfoques relacionales
tradicionales o requieren el uso del escalado horizontal para un
procesamiento eficaz” (Cooper y Mel, 2012: 15). En la misma línea, Dumbill
(2012: 1) se refiere al concepto como “información que excede la capacidad
de procesamiento de los sistemas de bases de datos habituales. La
información es demasiado grande, se mueve demasiado rápido o no se
ajusta a las estructuras de las bases de datos. Para obtener valor de esta
información, es necesario escoger un sistema alternativo para procesarla”.
En términos generales, podemos definir big data como conjuntos de
información que no pueden ser comprendidos, obtenidos y procesados por
herramientas de software y de hardware tradicionales en un período de
tiempo tolerable (Chen, Mao y Liu, 2014).
En los últimos años, además, los costes de almacenamiento de un
gigabyte han caído drásticamente, con una estimación de 2,00 dólares a
0,20 dólares desde 2012 a 2020 (IDC, 2012). Esto nos permite almacenar
estas enormes cantidades de información a un precio muy bajo, de manera
que la infraestructura del universo digital crecerá un 40% durante este
período.
Gracias a la ubicuidad de los teléfonos móviles y a la generalizada
disponibilidad de aplicaciones y de internet, es cada vez más frecuente el
uso de las redes sociales, como Twitter, Facebook o Instagram, las
descargas de música, la elaboración y publicación de documentos, la
utilización de GPS, la visualización de vídeos de Youtube, etc. Un análisis
adecuado de toda la información que se desprende de aquí permite a las
empresas hacer perfiles personalizados de cada usuario y ofrecer productos
diseñados con unas características muy específicas.
Por otro lado, Gens (2015), en otro informe para IDC, predice que, en
este año, el mercado global de big data y los análisis de éste alcanzarán los
125 mil millones de dólares en todo el mundo en software, hardware y
servicios. Además, el gasto en análisis de los medios se triplicará en el
mismo año. Las estrategias de big data empleadas en los últimos años se
harán mucho más complejas gracias a un aumento en las fuentes de
información, en los usuarios y en las aplicaciones, lo que aumentará la ratio
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
104
Skopos 7
(2016
),
99
-
128
de servicios profesionales de la tecnología en un 25% en los próximos cinco
años.
1. Twitter como fuente de información dentro de big data
Twitter es una red social de microblogging con una marca de “¿qué
está pasando?” (Yoon, Elhadad y Bakken, 2013) que permite a los usuarios
registrarse gratis y publicar posts cortos de 140 caracteres llamados tuits.
Estos usuarios utilizan la plataforma para compartir sus sentimientos, sus
preocupaciones, sus gustos, sus inquietudes, sus actividades diarias y
cualquier tipo de comentarios relacionados con su vida cotidiana. Los tuits
pueden ser publicados y también seguidos por otros usuarios llamados
seguidores, ya sea mediante la aplicación móvil, el cliente de escritorio o
nativo, desde la página web Twitter.com, o con el servicio de mensaje corto
(SMS). Aunque el servicio es gratis, el envío de tuits a través de SMS
comporta las tarifas propias de cada operadora telefónica.
Yoon et al. (2013) afirman que los tuits son una fuente de información
en tiempo real de lo que pasa en el mundo. El contenido de los tuits no
depende de un estímulo intermitente específico, sino que representa una
información más naturalista y tiene la ventaja adicional de estar disponibles
en grandes cantidades Los usuarios de Twitter siguen a otros o bien tienen
seguidores. A diferencia de la mayoría de las redes sociales, como
Facebook o MySpace, estas relaciones de seguidores no requieren
reciprocidad. Un usuario puede seguir a otro y que éste no lo siga a él. Ser
seguidor en Twitter significa que el usuario recibe todos los mensajes (tuits)
de aquellas personas a las que se sigue.
Desde que Jack Dorsey, uno de los fundadores de la compañía,
escribiera su primer tuit el 21 de marzo de 2006, la plataforma ha
experimentado un enorme crecimiento que en solo seis años le hizo llegar a
140 millones de usuarios activos que publicaban 340 millones de tuits
diarios (Twitter, 2012). En 2015, Twitter ya cuenta con más de 500 millones
de usuarios, de los cuales 302 participan de forma activa en la plataforma
(Smith, 2015), lo que se traduce en 500 millones de tuits cada día (Twitter,
2015).
Adela González Fernández
Big data
para el análisis de las necesidades traductológicas…
105
Skopos 7
(2016
),
99
-
128
30 40 49 54
68
85
101
117
138
151
167
185
204
218
231,7 241
255
271
284 288
0
50
100
150
200
250
300
350
Q1 '10 Q2 '10 Q3 '10 Q4 '10 Q1 '11 Q2 '11 Q3 '11 Q4 '11 Q1 '12 Q2 '12 Q3 '12 Q4 '12 Q1 '13 Q2 '13 Q3 '13 Q4 '13 Q1 '14 Q2 '14 Q3 '14 Q4 '14
Number of montly ac ve users in millions
Fig. 2. Usuarios activos de Twitter por mes desde 2010 hasta 2014. Fuente: Statista, 2015
Con este panorama, las empresas de todo el mundo están
empezando a invertir grandes sumas económicas que colaboran en la
investigación sobre big data y redes sociales para sacar el máximo
provecho de su potencial y de este incontrolable aumento de información.
Por este motivo, una de las redes sociales que más se prestan a su
estudio y que más estudios está produciendo es Twitter, gracias a su
naturaleza abierta, a su alto alcance y a su continua actualización en tiempo
real. El trabajo de Salathé, Vu, Khandelwal y Hunter (2013) es un ejemplo
de la gran variedad de estudios que se están llevando a cabo en este
sentido y que demuestran la eficacia de Twitter como fuente de información.
Estos autores realizaron un estudio en el que explicaba el poder de las
comunidades online para extender el sentimiento negativo ante las vacunas,
como también hizo UNICEF (2013), analizando las redes sociales en
Europa. Para ello, se analizó la información existente en Facebook, Twitter y
también algunos blogs.
Pero no sólo en el campo de la salud, también en el de la economía,
el desarrollo o la sociología, se utilizan las redes sociales para aprovechar la
información que contienen. Por citar algunos, Asur y Huberman (2010)
demuestran que el análisis de estos medios, si es lo suficientemente amplio
y está adecuadamente diseñado, suele ser más exacto que otras técnicas
para la extracción de información, como los sondeos o las encuestas de
opinión. En su estudio, los autores analizan las opiniones sobre películas en
Twitter para predecir los ingresos en taquilla.
En 2011, United Nations Global Pulse, la iniciativa de Naciones
Unidas para la utilización de big data para el desarrollo y la acción
humanitaria, llevó a cabo una investigación en la que se puso de manifiesto
la relación entre las leyes sociales y económicas. En el proyecto, se llevó a
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
106
Skopos 7
(2016
),
99
-
128
cabo un análisis de tuits escritos en inglés, japonés e indonesio
relacionados con diferentes temas (préstamos, deudas, vivienda y comida).
Los resultados confirmaron que los precios oficiales de la comida en
Indonesia coincidían con el número de tuits referidos al precio del arroz.
Otro ejemplo de la utilidad de la información disponible en Twitter es
el de la previsión de la gripe (Broniatowsky, Dredze y Paul, 2014). Estos
autores llevaron a cabo un estudio en el que afirman que el análisis de la
información disponible en los tuits mejora la predicción de la prevalencia de
la gripe y ayuda a detectar los índices de la enfermedad en tiempo real.
También demostraron que los modelos que usan información de Twitter
pueden reducir los errores de previsión de un 17% a un 30% y que son
mejores indicadores que los de Google Flu Trends (GFT) –la herramienta
oficial de Google basada en el análisis de ciertos términos de búsqueda
para analizar y predecir la evolución de la gripe. Según Lazer, Kennedy,
King y Vespignani (2014), sin embargo, el análisis de big data todavía tiene
algunos problemas; el principal de ellos es que presenta ciertas limitaciones,
que se pueden superar con otros sistemas de big data, para lo cual Twitter
se presenta como uno de los más apropiados por cuestiones de
granularidad, sobreajuste, replicabilidad, etc. El estudio de Broniatowsky et
al. (2014) concluye que el número de tuits indicativos de la enfermedad real
mantienen una fuerte coincidencia con los índices de los organismos
oficiales de Estados Unidos para el control de las enfermedades -Centers
for Disease Control and Prevention (CDC)-, así como el Departamento de
Salud e Higiene de Nueva York, mientras que el de Lazer et al. demuestra
que los análisis de GFT tienen un margen de error considerable con
respecto a los CDC.
Otros autores, como Sakaki, Okazaki y Matsue (2010), han
demostrado la utilidad de Twitter en la prevención de desastres naturales,
como terremotos o tifones. También hay estudios que enumeran las
ventajas de la utilización de Twitter en la educación como herramienta para
el fomento del aprendizaje activo de idiomas (Borau, Ullrich, Feng & Shen,
2009) y como plataforma para el aprendizaje orientado a los procesos en
educación superior (Ebner, Lienhardt, Rohs y Meyer, 2009).
Para Ritter, Clark, Mausam & Etzioni (2011: 1524) “los tuis son una
fuente única de información, más actualizada e inclusive que los artículos de
noticias, gracias a la facilidad para tuitear y la proliferación de aparatos
móviles”.
Obviamente, aprovechar todo este potencial requiere esfuerzos en
innovación en cuanto a operaciones y procesos, como señalan Manyika et
al. (2011).
Adela González Fernández
Big data
para el análisis de las necesidades traductológicas…
107
Skopos 7
(2016
),
99
-
128
Sin embargo, a pesar de que algunos trabajos, como el de Kwak,
Lee, Park y Moon (2010) resaltan que Twitter, gracias a su API abierta, a su
peculiaridad de relaciones unilaterales entre usuarios y a los mecanismos
de retuiteo, ofrece una oportunidad sin precedentes para investigadores de
muy variados ámbitos -entre los que señala a los lingüistas-, no existen
hasta el momento investigaciones que utilicen la información que nos brinda
esta plataforma para un análisis lingüístico profundo a través de las
herramientas informáticas adecuadas.
La utilización de big data en la investigación lingüística, como en el
resto de las áreas que hemos analizado, nos permite obtener información
precisa y objetiva acerca de diferentes aspectos de la lengua que sería
extremadamente difícil extraer de otra forma. Llevar a cabo una
investigación lingüística basada en los millones de datos que aporta Twitter
usando métodos tradicionales supondría una tarea casi imposible si
tenemos en cuenta las cuatro premisas que Bowker y Pearson (2003)
señalan a la hora de elaborar un corpus. Para ellos, todo corpus lingüístico
debe ser auténtico, electrónico, amplio y ordenado con unos criterios
específicos, lo que se llevaría un gasto extraordinario de tiempo y de
recursos humanos para poder igualar un corpus como el nos ofrece Twitter.
Gracias a la plataforma, la información es pública y está disponible, y
se almacena de manera automática en los propios servidores de Twitter.
Esto posibilita llevar a cabo búsquedas de millones de tuits en tan sólo un
par de segundos.
Otro aspecto importante que hay que tener en cuenta es el carácter
cambiante de las lenguas. Si en última instancia consiguiéramos elaborar un
corpus fiable y completo de esas características, para cuando estuviera
terminado, probablemente ya se hubiera quedado obsoleto. La vertiginosa
velocidad a la que cambia el lenguaje y las circunstancias de los hablantes
no pueden permitirse esperar el tiempo que necesitaría el corpus para su
creación por medios tradicionales porque su evolución seguiría un ritmo
más rápido que el de la propia investigación lingüística. Pero Twitter no sólo
nos permite analizar información en tiempo real, también nos ofrece la
posibilidad de acceder a información histórica, algo que puede resultar muy
útil en cualquier tipo de investigación lingüística.
El objetivo principal de esta investigación es demostrar que, a través
de big data en general y de la red social Twitter en particular, tenemos la
posibilidad de obtener información precisa acerca de la evolución del
lenguaje y de obtener los datos suficientes para llevar a cabo análisis
apropiados de su estado actual, así como predicciones certeras acerca de
su comportamiento en el futuro.
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
108
Skopos 7
(2016
),
99
-
128
En palabras de IBM (2015): “Twitter es distinta a cualquier otra fuente
de información del mundo. Es una plataforma mundial de información en
tiempo real, pública y conversacional, en la que voces de todo el mundo
hablan sobre cualquier tema imaginable”.
2. Funcionamiento de Twitter
La característica fundamental que distingue a Twitter de otras redes
sociales, como Facebook o Instagram, es que es abierta al público. Esto
implica que cualquier persona con conexión a internet puede acceder a ella,
aunque no tenga registrada una cuenta de usuario. Además, los ajustes
predeterminados también son públicos, lo que significa que cualquier
usuario puede seguir a cualquier otro en Twitter público sin que este último
de su aprobación o sin la necesidad de un contacto directo entre usuarios.
A la hora de publicar un post y enlazarlo con un tema de actualidad o
sobre el que estén hablando otros usuarios, basta con añadir una etiqueta o
hashtag al post con el símbolo almohadilla -#- delante de la palabra clave o
etiqueta (#hashtag). Twitter agrupa los posts por hashtags y los clasifica en
un índice en el que se muestran los temas más populares, llamados
trending topics, esto es, los temas de los que está hablando la gente
agrupados en tiempo real. De esta forma, cualquiera que introduzca una
palabra clave o un hashtag en el buscador puede ver qué está pasando en
el mundo y de qué está hablando la gente. Los trending topics se pueden
clasificar también por país, ciudad o estado.
Puesto que los tuits se publican en la página web de Twitter, no
desaparecen al cerrar la aplicación, de manera que se almacenan y se tener
acceso a ellos en cualquier momento, incluso sin ser miembros registrados.
Registrarse, sin embargo, es un proceso sencillo que consiste
simplemente en crear una cuenta y escoger un nombre de usuario, que
vendrá precedido por el símbolo @ (@nombredeusuario). En el perfil de
cada usuario aparece una lista denominada “siguiendo” los (cuentas que se
siguen) y otra de “seguidores” (cuentas que siguen al propio usuario). La
relación entre un usuario y sus seguidores no es necesariamente
bidireccional, con lo que un usuario puede seguir a otro que no lo siga y
viceversa.
Además de texto, los tuits pueden incluir hipervínculos, pero debido a
las limitaciones de espacio, generalmente se utiliza un servicio de
acortamiento de URL, como t.co (el servicio propio de Twitter), tinyurl.com o
bit.ly. El funcionamiento de estos servicios consiste en introducir la URL
extendida y la herramienta la acorta de forma instantánea y automática.
Adela González Fernández
Big data
para el análisis de las necesidades traductológicas…
109
Skopos 7
(2016
),
99
-
128
Los tuits pueden ser contestados, retuiteados (RT +
@nombredeusuario + contenido del tuit) o también marcados como favoritos
con un icono de una pequeña estrella. Si se cambia el contenido de un tuit
al hacer retuit, se convierte en un tuit modificado (MT). También se puede
mencionar a otro usuario añadiendo @nombredeusuario en el contenido del
tuit (para ello no es necesario que exista una relación bidireccional de
seguidor/seguido) e incluso enviar mensajes privados denominados
mensajes directos. En este caso, el destinatario del mensaje sí debe ser un
seguidor.
En la figura 3 podemos ver las partes que componen un tuit y que
acabamos de explicar.
Fig. 3. Anatomía de un tuit: Twitter
3. Metodología
Ya hemos comentado que las redes sociales y, más concretamente,
Twitter, se están utilizando con cada vez más frecuencia como medios de
comunicación a través de los cuales la gente expresa sus opiniones,
preocupaciones, etc. La libertad que otorga el hecho de que no existan
restricciones de temas, idiomas, horarios o geografía, hace de él un medio
inigualable como plataforma para la expresión personal y medio de
interacción entre las personas.
Esto resulta de gran utilidad para la investigación lingüística, ya que
tenemos la posibilidad de acceder a las producciones lingüísticas de los
usuarios sean cuales sean su idioma, su sexo, su edad o su situación
social. Además, el enorme número de usuarios que deja su producción
lingüística y nos la brinda para la investigación hace que los resultados
extraídos estén basados en millones de muestras, lo que aporta veracidad a
la investigación.
En este estudio, hemos seleccionado cinco capitales europeas para
ejemplificar uno de los posibles usos de big data en la investigación
lingüística. Las capitales seleccionadas han sido Berlín, Bruselas, París,
Madrid y Londres. Para el estudio, hemos establecido el período de tiempo
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
110
Skopos 7
(2016
),
99
-
128
de un mes, comprendido entre el 21 de agosto y el 21 de septiembre de
2015.
El principal objetivo de esta investigación es demostrar la utilidad de
big data, y en concreto de Twitter, como fuente para la investigación
lingüística. Para llevar a cabo el análisis de los resultados, hemos
desarrollado una herramienta de autor que registra todos los tuits
publicados durante ese período de tiempo en toda Europa. A la hora de
realizar del estudio, se ha llevado a cabo una selección que ha concluido
con las cinco capitales presentes en este trabajo. De este modo, la
herramienta ha almacenado la identificación única de cada tuit, el texto, el
usuario, las coordenadas geográficas (latitud y longitud) y la fecha y hora de
publicación. En este caso, para nuestro estudio, no ha sido relevante
analizar el contenido del texto y sólo hemos extraído el idioma del mismo,
utilizando la norma ISO 639-1. El filtro de las cinco capitales se ha realizado
mediante una bounding box, es decir, un recuadro que engloba
geográficamente una zona determinada mediante dos pares de
coordenadas (vértice noreste y vértice suroeste).
La ventaja de este tipo de análisis estriba en la posibilidad de llevar a
cabo un estudio inmediato del estado lingüístico de cualquier zona del
mundo de cualquier dimensión o característica, en tiempo real y con una
muestra de millones de usuarios. En nuestro caso, hemos realizado el
estudio sobre 58.475.875 tuits.
Una vez obtenidos los datos, se ha desarrollado un visualizador que
extrae la información obtenida de la base de datos y que muestra una
representación gráfica en un mapa para el segmento temporal y espacial
seleccionado, con los distintos idiomas clasificados por colores. Así,
podemos comprobar a simple vista la distribución geográfica de las lenguas
utilizadas en las capitales. Además, la herramienta nos permite obtener las
estadísticas porcentuales de la utilización de los idiomas en las áreas
seleccionadas. A continuación, analizamos los resultados obtenidos de las
cinco capitales europeas.
A continuación, presentamos el análisis de los datos obtenidos con
una ficha para cada una de las capitales. En ella, indicamos las
coordenadas utilizadas para el establecimiento de la bounding box, así
como la superficie analizada y el número de habitantes de cada capital. En
cuanto a la información relativa a los tuits analizados, incluimos, en primer
lugar, un gráfico con los porcentajes de los cuatro idiomas más hablados en
cada ciudad y el porcentaje del resto de idiomas utilizados, además de una
tabla con el número exacto de tuits publicados en cada idioma. Por último,
añadimos seis gráficos más, todos con el mapa de la zona geográfica
Adela González Fernández
Big data
para el análisis de las necesidades traductológicas…
111
Skopos 7
(2016
),
99
-
128
delimitada por las coordenadas. El primero de ellos se trata de ese mapa sin
información sobre los tuits, en el segundo aparecen todos los tuits de los
diferentes idiomas superpuestos, cada uno con un color distinto. Los colores
se indican en los cuatro siguientes mapas, donde vienen desglosados los
tuits por idioma.
Berlín
Coordenadas seleccionadas
NE 52.667511, 13.72616
SW 52.330269, 13.05355
Población
3,502 millones (ONU, 2012)
Superficie
891,8 km2
Análisis
Número de tuits
21/8 – 21/9
de
113394
en
88182
ar
9529
es
8811
otros
37937
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
112
Skopos 7
(2016
),
99
-
128
Región seleccionada y distribución geográfica de idiomas
Región geográfica Distribución de idiomas
Distribución detallada por idioma
Distribución - Alemán Distribución – Inglés
Distribución - Árabe Distribución – Español
Comentarios
El alemán, como lengua oficial, es el idioma más hablado, que se
concentra en el centro de la ciudad y se va repartiendo radialmente hacia
Adela González Fernández
Big data
para el análisis de las necesidades traductológicas…
113
Skopos 7
(2016
),
99
-
128
las afueras de manera homogénea. Podemos ver cómo el inglés, como
segunda lengua más utilizada, se habla más o menos en los mismos
lugares que el idioma oficial, aunque en menor cantidad. Con respecto al
tercer y cuarto idiomas, resulta curioso observar cómo el árabe, que se
habla más que el español, tiene una zona de influencia mucho más
restringida que este último.
Así, la utilización del árabe se limita fundamentalmente a la parte más
céntrica de la ciudad y sólo en algunos puntos concretos, aunque también
se utiliza en algún otro punto de la región, sobre todo al sur. Por el contrario,
el español, aunque menos hablado, tiene una distribución más amplia hacia
el norte y el oeste. Además, en la parte céntrica está mucho más repartido
que el árabe, lo que significa que, a pesar de que haya menos hablantes, su
presencia está más homogéneamente distribuida que la de los arábigo
parlantes.
Bruselas
Coordenadas seleccionadas
NE 50.913971, 4.43709
SW 50.79628, 4.31393
Población
177.307 (ONU, 2012)
Superficie
32,61 km2
Análisis
Número de tuits
21/8 – 21/9
fr
39763
en
36830
nl
12654
Es
5331
otros
1330
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
114
Skopos 7
(2016
),
99
-
128
Región seleccionada y distribución geográfica de idiomas
Región geográfica Distribución de idiomas
Distribución detallada por idioma
Distribución - Francés Distribución – Inglés
Adela González Fernández
Big data
para el análisis de las necesidades traductológicas…
115
Skopos 7
(2016
),
99
-
128
Distribución - Neerlandés Distribución – Español
Comentarios
En Bruselas resulta significativa la diferencia entre el número de
hablantes de las distintas lenguas. Mientras que entre la primera y la
segunda lengua –francés e inglés- la diferencia de uso es relativamente
pequeña, entre el inglés y el neerlandés (dentro de cuyo registro se
contabilizan los tuits escritos en flamenco) es mucho mayor, al igual que con
el español, que se trata del cuarto idioma más utilizado.
Los mapas reflejan esta situación y muestran que tanto el francés
como el inglés se utilizan más o menos por las mismas zonas de la región,
sobre todo en el centro, aunque también observamos cómo el inglés se
extiende por algunas zonas del norte y del noreste. El rastro que dejan los
tuits escritos en holandés mantiene muchas semejanzas con el que dejan
los del inglés por la zona centro y norte, aunque es cierto que, en la parte
sur, este idioma se utiliza mucho menos que los dos primeros. Por su parte,
el español es el idioma menos utilizado en la lista de los cuatro primeros. Su
presencia predomina, como en el resto de los casos, en la zona centro de la
ciudad y se extiende de forma radial hacia el este y hacia el sur. En la parte
norte, sólo en el oeste es donde encontramos evidencias de la utilización
del español. Por tanto, si comparamos el holandés y el español, vemos
cómo el primero se extiende más hacia el noreste, donde el español tiene
poca presencia, y éste último se encuentra más repartido por el sur que el
holandés.
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
116
Skopos 7
(2016
),
99
-
128
París
Coordenadas seleccionadas
49.04694, 2.63791
48.658291, 2.08679
Población
2,244 millones (ONU, 2012)
Superficie
105,4 km2
Análisis
Número de tuits
21/8 – 21/9
fr
1472037
en
252066
es
37757
pt
22696
otros
142681
Adela González Fernández
Big data
para el análisis de las necesidades traductológicas…
117
Skopos 7
(2016
),
99
-
128
Región seleccionada y distribución geográfica de idiomas
Región geográfica Distribución de idiomas
Distribución detallada por idioma
Distribución - Francés Distribución – Inglés
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
118
Skopos 7
(2016
),
99
-
128
Distribución - Español Distribución – Portugués
Comentarios
En el caso de la capital francesa, la lengua oficial presenta un claro
predominio sobre las restantes, encabezadas por el inglés, que sólo
representa algo más de un octavo del porcentaje de tuits escritos en
francés. En una situación similar se encuentra el español con respecto a su
antecedente más inmediato, con sólo un 2% del total de los tuits analizados.
Por su parte, el portugués, a pesar de ser el cuarto idioma más utilizado en
esta ciudad, sólo representa un 1% del total.
Tanto el francés como el inglés se utilizan prácticamente en las
mismas zonas geográficas: se concentran en el centro de la ciudad y se
distribuyen radialmente hacia las afueras, perdiendo densidad conforme se
van alejando. La gran diferencia entre ambos, sin embargo, radica en el
número de hablantes de cada idioma, siendo, como acabamos de comentar,
mucho mayor el del idioma galo. El mismo patrón de distribución geográfica
sigue el español, aunque con un número mucho menor de tuits. Podemos
ver cómo se concentran, no sólo el español, sino también el resto de los
idiomas, en un punto al noreste y en otro al sur de la región; estos puntos
coinciden con los aeropuertos de Charles De Gaulle y de Orly, y también en
Versailles. El portugués se encuentra también repartido de manera muy
homognea aunque, al igual que todos los demás, más concentrado en el
centro.
Adela González Fernández
Big data
para el análisis de las necesidades traductológicas…
119
Skopos 7
(2016
),
99
-
128
Madrid
Coordenadas seleccionadas
NE 40.520081, -3.5349
SW 40.325939, -3.79887
Población
3,165 millones (ONU, 2014)
Superficie
605,8 km2
Análisis
Número de tuits
21/8 – 21/9
es
482812
en
65389
pt
9316
fr
4444
otros
24248
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
120
Skopos 7
(2016
),
99
-
128
Región seleccionada y distribución geográfica de idiomas
Región geográfica Distribución de idiomas
Distribución detallada por idioma
Distribución - Español Distribución – Inglés
Distribución - Portugués Distribución – Francés
Adela González Fernández
Big data
para el análisis de las necesidades traductológicas…
121
Skopos 7
(2016
),
99
-
128
Comentarios
Los cuatro idiomas más utilizados en Madrid coinciden con los de
París, aunque con distinto orden. Naturalmente, el español es la lengua más
usada entre los usuarios de Twitter. Existe aquí una diferencia aún mayor
entre esta primera lengua y la segunda más usada –el inglés-, que sólo se
utiliza en un 11% del total. Mucho menor todavía es el número de usuarios
que utilizan el portugués o el francés para comunicarse.
A diferencia de otras ciudades, aunque se sigue manteniendo la
premisa de que el mayor uso de todos los idiomas se da en el centro de las
ciudades, esta concentración en Madrid adquiere más tamaño cuando se
trata del español que del inglés (y, por supuesto, también del portugués y
del francés). También es distinta la distribución a la de la capital francesa
porque, en este caso, los idiomas no se distribuyen de manera radial, sino
que crecen fundamentalmente hacia el norte y hacia el suroeste,
fundamentalmente el español. El crecimiento hacia el noreste también es
significativo, pero la densidad de tuits es menor que en los casos anteriores.
El uso del francés, mucho menor que el del portugués, se circunscribe,
como hemos apuntado, más al centro y apenas se extiende hacia el norte;
también encontramos presencia de este idioma en la zona próxima a
Leganés, en la parte sur.
Londres
Coordenadas seleccionadas
NE 51.692322, 0.33403
SW 51.286839, -0.51035
Población
8,539 millones (ONU,2014)
Superficie
1572,8 km2
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
122
Skopos 7
(2016
),
99
-
128
Análisis
Número de tuits
21/8 – 21/9
Región seleccionada y distribución geográfica de idiomas
Región geográfica Distribución de idioma
en
2416695
ar
49125
es
40073
fr
30953
otros
183223
Adela González Fernández
Big data
para el análisis de las necesidades traductológicas…
123
Skopos 7
(2016
),
99
-
128
Distribución detallada por idioma
Distribución - Inglés Distribución – Árabe
Distribución - Español Distribución – Francés
Comentarios
El caso de Londres es el más llamativo de los cinco ejemplos
presentados en esta investigación porque se trata de la capital en la que la
diferencia entre la lengua oficial y el resto es más abrupta, a pesar de ser la
ciudad que mayor número de tuits registra. En este sentido, el 89% de los
tuits estudiados son en inglés, mientras que los tres idiomas siguientes –
árabe, español y francés- sólo representan un 2% (árabe) y un 1% (español
y francés). Sólo en el 7% restante incluimos los demás idiomas utilizados en
la ciudad, entre los que se encuentran el portugués, el turco, el italiano o el
japonés, entre muchos otros.
En cuanto a la organización geográfica, aquí sí podemos ver una
distribución radial, partiendo del centro de la ciudad. Sin embargo, la
diferencia entre el inglés y el resto de los idiomas es muy significativa,
puesto que el inglés se utiliza con muchísima densidad en prácticamente la
totalidad de la región estudiada, mientras que los otros tres se concentran
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
124
Skopos 7
(2016
),
99
-
128
en una zona céntrica mucho más restringida. Las diferencias entre la
utilización del árabe y del español radican en que el primero de ellos se
utiliza menos en la zona este que el segundo, aunque también podemos
observar cómo ambos experimentan una crecida en un punto del oeste.
Este punto coincide con el aeropuerto de Heathrow, al igual que ocurría en
París. El uso del francés se extiende también de manera relativamente
homogénea a partir del centro de la ciudad, aunque, como podemos ver,
con un índice mucho más pequeño. Aunque el francés y el árabe se
circunscriben a la zona centro y se hablan en un radio del mismo tamaño,
aproximadamente se observa un agrupamiento distinto de los tuits, lo que
indica que en algunas zonas o barrios de la ciudad se habla más un idioma
que el otro.
Conclusiones
Como ya hemos apuntado anteriormente, el objetivo fundamental de
este estudio es demostrar que las enormes cantidades de información
disponibles en la web, correctamente administradas y analizadas,
constituyen una valiosa fuente de información para la investigación en el
ámbito de la lingüística. Gracias a big data, tenemos la posibilidad de
trabajar con millones de datos, pero es importante procesarlos
adecuadamente y analizarlos de manera que se puedan convertir en
información útil. En esta investigación concreta, gracias a la herramienta de
autor que hemos explicado, hemos registrado los tuits publicados en Europa
durante un mes y los hemos seleccionado por idiomas y por localización
geográfica para comprender en tiempo real cuáles son los idiomas que se
hablan en un lugar determinado en una fecha concreta.
Aunque la herramienta devolvía todos los tuits publicados en cada
una de las bounding boxes descritas, hemos considerado oportuno
mencionar los cuatro idiomas más utilizados por los usuarios de Twitter para
comunicarse y englobar el resto en una sola categoría.
Desde un punto de vista profesional traductológico vemos, por
ejemplo, que el inglés predomina como segunda lengua más usada en
todas las capitales en las que no funciona como idioma oficial. Londres,
lógicamente, es la excepción. Además, es llamativa la diferencia en esta
ciudad entre el uso del inglés y el del resto de los idiomas. Parece claro que
el nivel de plurilingüismo en una capital cuyo idioma oficial es el inglés es
mucho menor que en el resto de ciudades, en las que esta lengua figura
siempre en segundo lugar. Los datos dejan pocas dudas acerca del carácter
vehicular y universal de este idioma. Por otro el lado, es curioso también el
hecho de que, en las capitales estudiadas, el alemán sólo se habla de forma
Adela González Fernández
Big data
para el análisis de las necesidades traductológicas…
125
Skopos 7
(2016
),
99
-
128
significativa en Berlín, mientras que otros idiomas, como el español, el
árabe, el francés o el portugués, tienen más presencia en los países
europeos. De hecho, estos cuatro, junto con el inglés y el alemán son los
únicos seis idiomas registrados como los más utilizados en estas cinco
ciudades. Mención especial merece el uso del neerlandés, ya que se trata
de uno de los idiomas oficiales de Bruselas. Idiomas, sin embargo, que
podrían presentar oportunidades para el mundo de la traducción, ya sea por
su proximidad con los países estudiados o por el gran número de hablantes
que tienen (como podrían ser el italiano, el chino o el turco), no dejan
rastros relevantes en estas ciudades.
Observamos que, mediante la aplicación de big data al campo de la
lingüística, podemos obtener una visión global y veraz de las necesidades
traductológicas de un lugar concreto en una fecha determinada. Huelga
decir que a ningún profesional del sector se le escapa cuáles son los
idiomas más utilizados en las distintas capitales. Sin embargo, puesto que
los idiomas son un ente vivo y se encuentran en constante evolución, su
situación es susceptible de cambio conforme pasa el tiempo o cambian los
factores sociales, políticos o económicos. Una investigación de este tipo no
sólo ahorra tiempo y costes con respecto a metodología tradicional, sino
que nos brinda la posibilidad de obtener un fotograma del estado de
cualquier idioma en el momento que deseemos e incluso, también, en
tiempo real.
Podemos decir, por tanto, que big data es una fuente de información
de gran valor para la investigación lingüística que nos permite obtener
resultados fiables basados en millones de datos y de forma inmediata, algo
inviable con métodos tradicionales. Las puertas que se nos abren con big
data requieren, no obstante, inversiones y esfuerzos en innovación, no sólo
en la adquisición de nuevas metodologías, sino también en el desarrollo de
nuevas herramientas que sean capaz de cubrir las necesidades de este
nuevo horizonte. A la hora de llevar a cabo estudios lingüísticos, Twitter
presenta ventajas adicionales porque se trata de un sistema de
comunicación en continua actualización y se presenta como un reflejo del
uso real del lenguaje que hacen los usuarios. Además, nos permite
establecer criterios de búsqueda específicos que se ajusten al perfil y a los
objetivos de cada investigación. Por ejemplo, para este estudio hemos
delimitado la búsqueda por fecha, idioma y localización geográfica.
Confiamos en que este trabajo abra el camino para futuras
investigaciones lingüísticas en la misma línea y siente las bases de nuevas
metodologías que favorezcan el desarrollo de esta disciplina, basadas en la
técnica y en el progreso científico.
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
126
Skopos 7
(2016
),
99
-
128
Referencias bibliográficas
ASUR, S., & HUBERMAN, B. A. (2010). Predicting the future with social media.
Web intelligence and Intelligent Agent Technology. (Wi-IAT), 2010
IEEE/WIC/ACM International Converence on IEEE.
BORAU, K., ULLRICH, C. FENG, J. y SHEN, R. (2009). Microblogging for
language learning: using Twitter to train communicative and cultural
competence. Proceedings of the International Conference on
Advances in Web Based Learning.
BOWKER, L. y PEARSON, J. (2002). Working with Specialized Language. A
practical guide to using corpora. London: Routledge.
CARTER, P. (2011). Big data analytics: Future Arquitectures, Skills and
Roadmaps for the CIO. Recuperado de
http://www.sas.com/resources/asset/BigDataAnalytics-
FutureArchitectures-Skills-RoadmapsfortheCIO.pdf
CHEN, M., MAO, S. y LIU, Y. (2014). Big data: a survey. Mobile Networks and
Applications, 19. 171-209. doi: 10.1007/s11036-013-0489-0
COGAN, P., ANDREW, M., Bradonjic, M., Tucci., Kennedy, W. S. y Sala, A.
(2012). Reconstruction and analysis of Twitter conversation graphs.
Proceedings of the First ACM International Workshop on Hot Topics
on Interdisciplinary Social Networks Research. (25-31). New York:
ACM. doi: 10.1145/2392622.2392626
COOPER, M. y MELL, P. Tackling big data. NIST Information Technology
Laboratory. Computer Security Division. US Department of
Commerce. Recuperado de
http://csrc.nist.gov/groups/SMA/forum/documents/june2012presentati
ons/fcsm_june2012_cooper_mell.pdf
CUKIER, K. (2010). Data, data everywhere: a special report on managing
information. The Economist Newspaper.
CUNHA, E., MAGNO, G., COMARELA, G., ALMEIDA, V., GONÇALVES, M. A. y
BENEVENUTO. (2011). Analyzing the dynamic evolution of hashtags on
Twitter: a language-based approach. Proceedings of the Workshop on
Language in Social Media. (58-65). Stroudsburg, PA: Association for
Computational Linguistics.
DUMBILL, E. (2012). What is big data? An introduction to the big data
landscape. O’Reilly. Recuperado de
https://beta.oreilly.com/ideas/what-is-big-data
EBNER, M., LIENHARDT, C. ROSH, M. y MEYER, I. (2010). Microblogs on
Higher Education – A chance to facilitate informal and process-
oriented learning? Computers and Education, 55, pp. 92-100.
GANTZ, J. y REINSEL, D. (2011). Extracting value from chaos. IDC iView, pp.
1-12. Retrieved from http://www.emc.com/collateral/analyst-
reports/idc-extracting-value-from-chaos-ar.pdf
Adela González Fernández
Big data
para el análisis de las necesidades traductológicas…
127
Skopos 7
(2016
),
99
-
128
GENS, F. (2015). IDC Predictions 2015: Accelerating Innovation — and
Growth — on the 3rd Platform. Recuperado de
http://www.sap.com/bin/sapcom/en_us/downloadasset.2014-12-dec-
19-22.idc-predictions-2015-accelerating-innovation--and-growth--on-
the-3rd-platform-pdf.bypassReg.html
HONG, L., Convertino, G. y CHI, E. H. (2011). Language matters in Twitter: a
large scale study. Proceedings of the Fifth International AAAI
Conference on Weblogs and Social Media. (518-521). Menlo Park,
California: The AAAI Press.
IBM (2015). Retrieved from http://www.ibm.com/big-data/us/en/big-data-and-
analytics/ibmandTwitter.html.
KWAK, Lee, PARK y MOON (2010). What is Twitter, a Social Network or a
News Media? (26-30). WWW ’10. Proceedings of the 19th
International Conference on Wolrd Wide Web. (591-600). New York:
ACM. doi: 10.1145/1772690.1772751.
LANEY, D. (2001). 3D Data Management: Controlling Data Volume, Velocity,
and Variety. Meta Group Research Note, 6 February. Recuperado de
http://blogs.gartner.com/doug-laney/files/2012/01/ad949-3D-Data-
Management-Controlling-Data-Volume-Velocity-and-Variety.pdf
LAZER, D., KENNEDY, R., KING, G. & VESPIGNANI, A. The parabale of Google
Flu: traps in big data. Science, 343 (6176), pp. 1203-1205. doi:
10.1126/science.1248506
MANYIKA, J., CHUI, M., BROWN, B., BUGHIN, J., DOBBS, R. ROXBURGH, C. y
BYERS, A. H. (2013). Big data: the next frontier for innovation,
competition and productivity. McKinsey Globan Institute.
NAAMAN, M., BOASE, J. y LAI, C.H. (2010). Is it really about me? Message
content in social awareness streams. Proceedings of the 2010 ACM
conference on computer supported cooperative work. (189-192). New
York: ACM. doi: 10.1145/1718918.1718953
PAUL, M. J., DREDZE, M. y BRONIATOWSKY, D. (2014). Twitter improves
Influenza forescasting. PLOS Current Outbreaks, 1. doi:
10.1371/current.outbreaks.90b9ed0f59bae4ccaa683a39865d9117
POKORNOWSKI, M. (2015). The fourth V, as in evolution: How evolutionary
linguistics can contribute to data science. Theoria et Historia
Scientiarum, 11, pp. 45-61. doi: http://dx.doi.org/10.12775/ths-2014-
003
RITTER, A., CLARK, S., MAUAM y ETZIONI, O. (2011). Named entity recognition
in Tweets: an experimental study. Proceedings of the Conference on
Empirical Methods in Natural Language Processing. (1524-1534).
Stroudsburg, PA: Association for Computational Linguistics.
SALATÉ, M., VU, D.Q., KHANDELWAL, S. y HUNTER, D.R. (2013). The
Dynamics of Health Behaviour Sentiments on a Large Online Social
Adela González Fernández
Big data
para el análisis de las
necesidades traductológicas…
128
Skopos 7
(2016
),
99
-
128
Network. EPJ Data Science (2:4). Springer. Recuperado de
http://www.epjdatascience.com/content/pdf/epjds16.pdf
SAKAKI, T., OKAZAKI, M. Y MATSUO, Y. (2010). Earthquake shakes Twitter
users: Real-time event detection by social sensors. En WWW’10
Smith, C. (2015, June 5). By the numbers: 150+ amazing Twitter statistics.
DMR. Retrieved from http://expandedramblings.com/index.php/march-
2013-by-the-numbers-a-few-amazing-Twitter-stats/
The Economist (2011). Drowning in numbers. Retrieved from
http://www.economist.com/blogs/dailychart/2011/11/big-data-0
Twitter (2012, March 21). Twitter turns six. Twitter. Retrieved from
https://blog.Twitter.com/2012/Twitter-turns-six
United Nations Global Pulse. Mining Indonesian tweets to understand food
price crisis, 2014. Retrieved from
http://www.unglobalpulse.org/sites/default/files/Global-Pulse-Mining-
Indonesian-Tweets-Food-Price-Crises%20copy.pdf
Uso de Twitter/Datos de la empresa. (2015). Retrieved from
https://about.Twitter.com/es/company
YOON, S., ELHADAD, N. & BAKKEN, S. (2013). A Practical Approach for
Content Mining of Tweets. American Journal of Preventive Medicine,
45 (1), pp. 122-129.
ZIKOPOULOS, P.C., EATON, C., DEROOS, D., DEUTSCH, T. & LAPIS, G. (2012).
Understanding Big Data: Analytics for Enterprise Class Hadoop and
Streaming Data. United States of America: McGraw Hill.
