Análisis comparativo del comportamiento de diferentes motores de búsqueda en el tratamiento de la investigación sobre

Enfermedades Raras

Trabajo Fin de MásterMáster Universitario en Gestión de la Información

Autor: Cristina I. Font JuliánTutor: José Antonio Ontalba y Ruipérez

Tutor: Enrique Orduña Malea

Curso académico: 2015 - 2016

1 - 2.000Prevalencia baja

3.000.000De afectados en

España

80%Son de origen

genético.

7%de la población mundial padece

una ER.

7.000ER catalogadas en

Europa

Enfermedades Raras

3

Objetivo principal

Analizar la presencia y visibilidad web de los portales relacionados con enfermedades raras mediante la

cuantificación de diferencias en el tratamiento de los portales por parte de diferentes motores de

búsqueda.

4

Metodología

Análisis del interés por enfermedad. Realizando una búsqueda de

enfermedades y recopilando datos

sobre el interés que suscitan.

Búsqueda y selección de asociaciones. Localizando

virtualmente el objeto de análisis debido a que no

existe un repositorio con dicha

información.

Recopilación de datos.

Programando las herramientas

necesarias para la extracción de datos en Google, Bing y

Majestic.

Preparación de los resultados.

Recopilando toda la información extraída de modo automático

y presentando las métricas a utilizar.

Análisis de resultados. Analizando y

discutiendo los resultados obtenidos

durante la investigación.

FASE 1 FASE 2 FASE 3 FASE 4 FASE 5

5

Fase 1: Análisis del interés por enfermedad

Ejemplo de una ER en el listado XML

Búsqueda de enfermedades: ๏ Fuente: Orphadata๏ Formato: XML๏ Tratamiento: Libreria Python LXML

Recopilación de datos relativos al interés: ๏ E l i n t e r é s s e m i d e m e d i a n t e l a

cuantificación de los resultados que devuelve un buscador.

๏ Automatización del proceso mediante una Araña programada en Python utilizando Scrapy.

๏ Resultados extraídos en un fichero JSON.

6

Ejemplo de Araña

Araña

Items

Configuración

7

Fase 2: Búsqueda y selección de asociaciones

Búsqueda de asociaciones relacionadas con Enfermedades Raras:

๏ Método 1: realizar una búsqueda por enfermedad y extraer las asociaciones en los 50 primeros resultados.

๏ Método 2: buscar en FEDER, Orpha.net y EURORIDS y generar un listado único con 438 asociaciones.

Selección de las asociaciones a analizar: ๏ Utilizando el resultado de la Fase 1 se

genera una lista con 100 asociaciones únicas.

SOrpha.net

EURORDIS

FEDER

8

Fase 3: Recopilación de datos

Se recopilan todas las URLs, datos de SERP1

y SERPN.

Se recopilan datos relativos

a enlaces, tamaño y

visibilidad.

Se recopila si existe tarjeta informativa de cada una de las

7.000 enfermedades.

Se programan 4 arañas diferentes para recopilar diferentes tipos de datos de las diferentes fuentes de información utilizadas.

9

Fase 4: Preparación de los resultados

Preparación de los datos finales: se utiliza un script Python para extraer los datos de todos los ficheros y generar un listado final.

Métricas utilizadas:

CITATIONFLOWIndica el número de menciones rea l izado sobre un dominio.

ALEXA LINKING INIndica la cantidad de portales que enlazan a una web.

SERPResultados obtenidos al realizar una búsqueda.

IMPACTO (WIF)Fórmula del Factor de Impacto Web:

URLs ÚNICASDiferencia entre los resultados de los motores de búsqueda.

Indica si existen páginas importantes enlazando a un contenido concreto.

LINKS REFERENCIA

Resultados

11

Tamaño por buscador

๏ Los resultados muestran que existe diferencia entre buscadores.๏ Los resultados de Google son mejores que los de Bing.๏ Los resultados obtenidos por Bing muestran disparidad de tamaño debido a

su sistema de resultados.

12

Tamaño por buscador

๏ Las gráficas de dispersión muestran una comparación de resultados entre Google (eje X) y Bing (eje Y) por asociación.

๏ Los resultados indican que el tamaño de los portales no es el adecuado.

Gráfica 1: Gráfico de dispersión de Hits en Google y Bing.

Gráfica 2: Gráfico de dispersión de menciones en Google y Bing.

13

Factor de Impacto Web

๏ Se calcula para cada una de las asociaciones por buscador.

๏ El 90% de los resultados se sitúan por debajo de los 10 puntos de impacto.

๏ Los resultados de Bing son incorrectos por el motivo indicado anteriormente.

๏ Los resultados muestran que el impacto de los portales no es bueno y debería ser mejorado.

Tabla 1: Resumen WIF mínimo, máximo y promedio.

14

Correlación de Spearman

๏ La correlación existente entre los resultados de búsqueda es similar.

๏ La correlación existente entre ambos buscadores supera el 0,5 de correlación, por lo que cualquiera de los dos buscadores es válido.

๏ Los correlación existente entre los resultados de Google indica que es más estable.

Tabla 2: Coeficiente de Spearman sobre datos recogidos.

15

Enlaces Externos

CITATIONFLOW

Mínimo: 0 Máximo: 58

LINKS DE REFERENCIA ALEXA LINKING IN

El numero de webs que enlazan a los portales es muy bajo

Los valores pueden ir desde 0 hasta 100, por l o q u e s e p u e d e e x t r a e r c o m o conc lus ión que e l impacto y visibilidad no es la adecuada.

Ú n i c a m e n t e 2 5 portales se encuentran enlazados.

La visibilidad de los o t r o s 7 5 % n o e s buena.

43% 11%

13%

33%

11-50

<10

55-99

+100

portales enlazados25

Gráfica 3: Porcentaje de resultados con portales que enlazan

16

Dr. Google

๏ R e s u l t a d o t r a n s v e r s a l d e l a investigación.

๏ L o s re s u l t a d o s i n d i c a n q u e únicamente el 1% de las 7.000 ER tiene una tarjeta de información en Google.

๏ En relación con el Top 50: 40 de las enfermedades tiene tarjeta asociada, por lo que el ranking de interés en el que se basa el estudio es adecuado.

17

Conclusiones

h i t s e n t o d a s l a s enfermedades del Top 50.

+100.000Asoc iac iones l i s tadas exhaustivamente en un directorio único.

438de los portales analizados tiene menos de 1.000 hits.

75%

calculado un impacto web muy bajo.

WIFde correlación en los resultados de Google.

0,95todos los objetivos del p r o y e c t o h a n s i d o alcanzados con éxito.

“La ciencia más útil es aquella cuyo fruto es el más comunicable”

Leonardo Da Vinci

19

Trabajo Futuro

๏ Se han observado limitaciones y nuevas posibilidades por lo que como trabajo futuro a realizar en la Tesis Doctoral se propone:

๏ Ampliar el trabajo a nivel Europeo y Mundial, añadiendo nuevos indicadores que amplíen la visión del trabajo.

๏ Estudiar las conexiones existentes entre las asociaciones y redes para comprobar su comunicación.

๏ Generar una versión web de con los resultados del proyecto.