By El periodista y profesor británico Paul Bradshaw denomina “pensamiento computacional” al proceso de resolución lógica de problemas que permite romper grandes o complicadas piezas de información en trozos manejables. Así, es “computacional” no sólo porque es un proceso lógico, sino también porque esto permite recurrir a la energía de la computadora para resolverla.
Para una clase del MA Data Journalism, Bradshaw recopiló algunos ejemplos de pensamiento computacional que se utilizaron para detectar y crear historias de periodismo de datos, los cuales aquí reproducimos.
Caso 1: ¿Qué cantante tiene el rango vocal más grande?
Este artículo,, es un gran ejemplo para entender cómo una computadora pudo “ver” la información para crear una historia en base a ella.
Los datos detrás del artículo son una colección de más de 300.000 piezas de partituras. En el papel esa música sería una colección de tinta sobre papel. Pero debido a que ahora se ha digitalizado, ahora puede ser cuantificada. Eso significa que se pueden hacer cálculos y comparaciones. Por ejemplo, identificar las notas más comunes, o calcular la variedad de notas. El periodista ha visto estos cálculos, y decidió la opción que quizás tendría el mayor potencial para ser noticia (suponemos que algunos cantantes tienen rangos más amplios que otros, y la realidad puede sorprendernos).
Llegar a este artículo requiere de mucha habilidad y trabajo técnico, pero la idea fundamental no es una cuestión técnica, sino editorial y lógica.
Caso 2: Diálogo de géneros en guiones cinematográficos
El segundo ejemplo, “Ella Giggles, Él Gallops” es un ejemplo de reconocimiento de patrones: la periodista se dio cuenta de que podía investigar la representación de género en películas buscando los verbos que vienen después de las palabras “él” y “ella”.
El texto, al igual que la música, es simplemente tinta en papel en un mundo analógico, pero en línea es cuantificable: sólo se necesita un código para decir: “Examina cada guión de película, busca la palabra” él “o” ella “y cuando lo encuentres, captura la palabra inmediatamente después de ella ‘(o sea, un algoritmo ).
A partir de ahí se trata de filtrar, contar / agregar y ordenar (qué palabras aparecen con mayor frecuencia en cada género).
Caso 3: La raqueta de tenis
La investigación de BuzzFeed sobre el potencial arreglo de partidos en el tenis fue un caso importante, e implicó algunas habilidades de codificación particularmente avanzadas, pero elaborar la forma de investigar tal tema era tan importante como la ejecución técnica.
La historia era un buen ejemplo de descomposición: romper un problema en una serie de pequeños. Estos incluyen:
-¿Cómo se cuantifica un arreglo?
.¿Dónde se registraría?
-¿Cómo conseguimos esos datos?
-¿Cómo establecemos algún nivel de prueba?
Se trata de buscar señales de algo en el mundo físico, en el mundo digital. He aquí algunas de las abstracciones que tuvieron lugar a continuación:
¿Por qué existen estos arreglos? ¿Los que los arreglan pueden ganar plata a través de las apuestas?
¿Cómo ganan dinero? Mediante la colocación de grandes apuestas y / o con mayores probabilidades
Las probabilidades más amplias significan que los resultados deben ser inesperados.
¿Qué sucede cuando se hacen esas apuestas? Las probabilidades cambian notablemente por lo que las casas de apuestas pueden reducir sus riesgos
Esto requiere cierto conocimiento y / o exploración de los sistemas de arreglos de partidos y casas de apuestas, por cierto.
Para ampliar el caso se puede acceder a su reporte de GitHub.
Caso 4: El Android de Trump versus el iPhone de sus ayudantes
El trabajo de David Robinson en los tweets de Donald Trump, escrito para el Washington Post, es otro artículo de reconocimiento de patrones. En este caso, diferentes tonos de voz procedentes de los tweets de Donald Trump, desde Twitter para iPhone o Twitter para Android).
También hay un nivel de abstracción en la identificación de palabras clave que representan un tono de voz particular.
*Este artículo es una traducción y adaptación realizada por FOPEA del original “4 examples of computational thinking in journalism”
