Introducción

La denominada Web 1.0, estática, hipertextual o de documentos, integra el uso de protocolos como http, FTP, email, world wide web, entre otros. Desde la perspectiva de los documentos, se considerará esa web como el entorno tecnológico que facilita el intercambio de información a través de un cliente o navegador y el usuario que accede a ella gracias a lo facilitado por un determinado servidor en el que permanecen almacenados los documentos y la información en ellos registrada. Aunque también existe la Web 2.0 o social (^{O’Reilly, 2005}), centramos la atención en Web semántica como parte de la Web 3.0. En ella toman significado los datos y, sobre ellos, se construye el conocimiento. Es importante considerar que en esta concepción de la web se usa la semántica para crear vocabularios de dominio que fomentan la inferencia de las aplicaciones de software sirviéndose, por ejemplo, de las ontologías. Eso es lo que permite pasar de la web de documentos (HTML, principalmente) a la web de datos, con una intermediaria que es más dinámica y social. La semántica en ese contexto se caracteriza por ser un espacio en el que los datos se expresan en un lenguaje especial, con datos formales y semánticamente interconectados con otros datos.

El modelo de capas definido por Tim Berners-Lee se conoce como Semantic Web Layer Cake (^{Miller, 2001}). La primera versión data de 1998, si bien es una representación frecuentemente revisada. En ella, en la primera capa, aparecen los URI y la codificación universal Unicode. Tras ella, la capa que cuenta con las capacidades del metalenguaje XML para definir esquemas de marcado personalizados que permite añadir pequeñas proporciones de semántica a datos ajustados a una estructura. Ascendiendo hasta la tercera capa, se sitúa RDF o Resource Description Framework que es el marco para la representación de información en la web. Está basado en un modelo de datos abstracto y se expresa a través de XML mediante una sintaxis denominada RDF/XML. Después, RDFSchema, si RDF es sólo un marco general para la descripción de recursos, es necesario especificar y restringir las descripciones para que se adapten a las necesidades concretas de aplicación de metadatos propios de diversos dominios. Los schema RDF permiten la creación de vocabularios específicos para campos de aplicación concretos. Su capacidad expresiva es más amplia con respecto del marco, pero limitada. Por esa razón, en las capas superiores hay que considerar OWL Web Ontology Language como el lenguaje para la construcción de ontologías. Así, una ontología se puede definir como un conjunto de especificaciones de conceptos que tienen la capacidad de ser utilizadas por máquinas y así describir estructuras conceptuales complejas. Después, SPARQL o Simple Protocol And RDF Query Language que es un lenguaje similar a SQL, pero que utiliza tripletas y expresiones RDF para hacer coincidir parte de la consulta y entonces devolver los resultados pertinentes. Dado que tanto RDFS como OWL están construidos en RDF, SPARQL puede usarse asimismo para consultar ontologías y bases de conocimiento. Hay que considerar que SPARQL no es sólo un lenguaje de consulta, sino que también es un protocolo para acceder a datos ajustados al marco RDF. El resto de las capas y componentes tienen como finalidad soportar otros propósitos, como la inferencia, las declaraciones fiables o fiabilidad.

Los datos expresados con el conjunto de tecnologías integradas en la Semantic Web Layer Cake son los denominados datos enlazados (Linked Data, LD) que en ocasiones son mencionados sumando el matiz denominado datos abiertos enlazados (Linked Open Data, LOD). Los últimos se basan en los datos expresados con las mencionadas tecnologías, pero quedando vinculados a otros conjuntos de datos y así formando grafos del conocimiento (^{Hogan et al., 2021}) derivados de los conjuntos interrelacionados. Uno de esos grafos, entre otros, es la nube o LOD cloud: https://lod-cloud.net

Los únicos conjuntos de datos integrados en la LOD Cloud y que guardan algún nexo con el contexto de los archivos como instituciones documentales son:

Las instituciones documentales identificadas con el acrónimo LAM (Libraries, Archives and Museums, que aglutina a instituciones bibliotecarias, archivísticas y museísticas), en lo referente a web semántica o LD en España se han centrado principalmente en las bibliotecas. Son referentes los datos enlazados bibliotecarios en ese dominio geográfico, los de la Biblioteca Nacional de España datos.bne.es, los de la Biblioteca Virtual Miguel de Cervantes data.cervantes-virtual.com, la Biblioteca Escolar Digital del Centro Internacional de Tecnologías Avanzadas (CITA) o el proyecto no vigente desarrollado en el contexto de la Universidad Pontificia de Salamanca (UPSA), anteriormente disponible en el dominio dataupsa.upsa.es.

Las iniciativas basadas en datos enlazados para archivos son de menor alcance. En España hay que atribuir los avances realizados en esta materia a proyectos en colaboración como los desarrollados por los archivos municipales, entre otros el Archivo del Ayuntamiento de Arganda del Rey o el del Archivo Municipal del Ayuntamiento de Burgos. En otro nivel administrativo también cabe la mención al caso de Documentos y Archivos de Aragón: DARA. En otro ámbito, la Conferencia de Rectores de Universidades Españolas (^{CRUE, 2017}) organizó el Grupo de Trabajo Linked Open Data y Archivos Universitarios publicando una Guía LOD para esos archivos, si bien hasta la fecha no ha surgido ninguna iniciativa o no se ha difundido. En Europa, la OAD ontology ha permitido desarrollar proyectos LOD en el Archivio storico della Presidenza della Repubblica o Archivi della scienza, entre otros (^{Guernaccini et al., 2019}). La ArDO ontology y RiC-O han soportado proyectos como el desarrollado en Weimar Republic (^{Vafaie et al. 2021}).

El avance es incipiente y parece que los archivos no se han abierto al potencial que tiene la publicación de datos registrados en los documentos en archivos españoles, frente al avance en otros contextos geográficos diferentes como Reino Unido (^{Maynard & Greenwood, 2012}) o Portugal (^{Koch et al., 2019}). Mientras eso ocurre, todo sugiere que los datos con semántica para los archivos concentran su atención en los datos geográficos (^{Jacobs et al., 2015}). A ellas también se debe sumar el grupo de iniciativas que emanan del Archives Portal Europe Foundation (^{APEF, n.d.}), que trabaja con esquemas como EAD.

El recorrido a realizar para ir desde la interoperabilidad hacia la interoperabilidad semántica en archivos debe situarse en el modelo Records in Contexts: A Conceptual Model for Archival Description (RiC-CM) (^{López Cuadrado & Requejo Zalama, 2021}) de manera similar a como la interoperabilidad semántica en bibliotecas se fundamentó en FRBR (^{Llanes-Padrón & Pastor-Sánchez, 2017}).

En el sistema archivístico español, se consolidó hace años como una herramienta fundamental para la recuperación de datos archivísticos el Portal de Archivos Españoles, también conocido como PARES. Con él, se dispone de una plataforma que elaboró y mantiene el Ministerio que tiene asignadas las competencias en materia de Cultura en España. Su fin es dar difusión a toda la información y datos archivísticos del Patrimonio Histórico Documental Español. Esos datos provienen de la red formada por los once archivos que son de titularidad estatal. Estos son:

En el portal se dispone tanto de datos de documentos como del registro de autoridad vinculado a esos documentos. Atendiendo a lo expresado en el propio portal, el alcance de los ficheros de autoridad en el año 2023 supera los 77.000 registros para familias, instituciones, personas, actividades, lugares, conceptos, normas y cargos unipersonales (^{Portal de Archivos Españoles, n.d.}).

Como se puede comprobar y atendiendo a lo expresado por López Cuadrado, la evolución a PARES 2.0 persigue aportar los principios fundamentales para expresar datos con semántica y el sistema de nombrar entidades con URIs fue habilitado como primer paso (^{López Cuadrado, 2016}). Si bien, considerando los elementos de la ya mencionada arquitectura de la Web semántica, los identificadores URI/IRI se ubican en la base de cualquier proyecto de datos enlazados, si bien no es un elemento per se único para que los datos archivísticos queden expresados con semántica. En la fuente mencionada los datos están expresados con el lenguaje XML, capa de los datos en las capas de la arquitectura semántica, con el estándar Encoded Archival Context-Corporate bodies, Persons and Families (EAC-CPF, RiC-E4 agrupados como Agent) (^{Society of American Archivists, 2011}). Por lo tanto, XML es una tecnología que cumple su papel tan orientado a los datos, a falta de considerar la necesidad expresarse con vocabularios que cuente con una semántica que perdure a largo plazo (^{Dombrowski & Dombrowski, 2010}).

Todos los tipos de autoridad quedan integrados en la tabla 1, así como la equivalencia en RiC. Hay un tipo que no está en RiC, pero sí en esta investigación, que es el que se denomina indefinidos. Es un tipo que aglutina a aquellos que no se pueden asignar a ninguna de las autoridades listadas.

Este trabajo cumple con un doble objetivo. El primero de ellos es describir los tipos de autoridades que participan como datos en el Portal de Archivos Españoles y hasta finales del año 2023. Tras alcanzarlo, esta investigación identificará la red de relaciones que se establecen entre las autoridades descritas. Con ambos objetivos se delinea el grafo del conocimiento de PARES.

Metodología

La finalidad del programa de webscraping fue el buscador de autoridades de PARES. Esta web presenta diversos tipos de autoridad, tales como personas, familias, instituciones, actividades, funciones, lugares, objetos, conceptos, acontecimientos, normas, leyes y cargos unipersonales. Cada una de las entradas de autoridad consta de un identificador numérico que se emplea en la URI que da acceso a su ficha descriptiva. Esto permite una fácil automatización y proceso de extracción de los datos. En concreto el modelo de URI es el que se muestra en la tabla 2.

Esto permite operar sobre la página HTML o bien con el archivo XML en formato EAC, que también está vinculado. En nuestro caso, el programa se diseñó para operar con el código HTML, debido a que presenta más datos, tales como los documentos relacionados con la autoridad descrita en la ficha.

https://pares.mcu.es/ParesBusquedas20/catalogo/autoridad/47767?nm

Figura 1 Ficha de Eugenia de Montijo en PARES. 

El programa de webscraping programado en lenguaje PHP, obtiene todos los datos de cada autoridad, en concreto, su tipología, enlace, formas autorizadas, términos preferentes, términos no preferentes, fechas de existencia, lugar de nacimiento, lugar de defunción, lugar de residencia, lugares genéricos, lugares relacionados, latitud, longitud, historia, conceptos y objetos, atribuciones legales, ocupaciones, funciones relacionadas, términos específicos, fuentes de información, relaciones familiares, relaciones asociativas, enlaces externos y documentos relacionados. Adicionalmente la suma de todos los textos de la ficha de autoridad se almacena en campos de indexación, para su recuperación literal y en lenguaje natural, a fin de facilitar su recuperación y consulta en un buscador interno. Esto se consigue con la consulta SQL que se muestra en la tabla 3.

En cuanto al método de extracción de datos, se ha creado un código PHP/cURL que permite emplear las funciones de DOM y XPath, de acuerdo con la literatura científica (^{Bae et al., 2018}; ^{Agrawal & Johari, 2019}; ^{Chang, 2022}). DOM (Document Object Model) es una interfaz de programación para documentos HTML y XML. Representa la estructura lógica de documentos y permite que los programas y scripts accedan y manipulen el contenido, estructura y estilo de un documento. En términos simples, DOM convierte un documento en un árbol de nodos, donde cada nodo representa una parte del documento (como elementos HTML, atributos, texto, etc.), y los desarrolladores pueden usar métodos y propiedades para acceder y manipular estos nodos (^{Zhang et al., 2020}; ^{Radilova et al., 2022}). De esta forma, las páginas web HTML de las autoridades de PARES son adaptadas para la extracción de sus datos. Por otro lado, XPath es un lenguaje de consulta para seleccionar nodos de un documento XML o HTML, basado en su ubicación en el árbol DOM. XPath proporciona una sintaxis compacta y expresiva para navegar y seleccionar partes específicas de un documento XML o HTML (^{Gunawan et al., 2019}). Esto facilita la navegación, selección y distinción de los distintos campos de información de la autoridad, para su registro en base de datos.

Los pasos que realiza el programa de webscraping son los siguientes:

Análisis

El proceso de extracción se ejecutó el día 31 de octubre de 2023, obteniendo 75.443 registros que se clasifican en torno a las siguientes autoridades (tabla 4).

El análisis cuantitativo revela una proporción equitativa entre las autoridades personales y las personas, con más de 27,000 entradas en cada grupo, lo que constituye aproximadamente el 72% del total de entradas de autoridades en PARES. Los Conceptos e Instituciones represen-tan el 13% y el 12%, respectivamente, de los registros recopilados. La participación de otros tipos de autoridades es residual.

Analizando el nivel de interrelación de las autoridades en PARES, observamos que el centro en torno al que pivotan todos los tipos de autoridad son las de tipo personal, quedando latente en el número de relaciones familiares, asociativas, ocupaciones, de conceptos y objetos, lugares relacionados y fuentes. Los lugares son el otro eje fundamental del mapa relacional de autoridades de PARES, ya que cuentan con presencia entre los cargos unipersonales, conceptos, familias, instituciones, normas y leyes y por supuesto las propias autoridades personales, con más de 48.000 relaciones encontradas (tabla 5).

La ratio entre relaciones y autoridades proporciona una visión reveladora sobre la densidad de conexiones entre diferentes tipos de autoridades en un conjunto de datos (tabla 6). En cuanto a lugares relacionados se observa una mayor interrelación entre instituciones, normas, leyes y especialmente personas. Esto sugiere que todas las autoridades personales tendrían una relación con al menos uno o dos lugares. Otro dato significativo es la interrelación de lugares con otros lugares, que alcanza la ratio de 0,85. Esto indicaría que el 85% de los lugares están vinculados con otros lugares o localizaciones. En cuanto a la ratio de conceptos y objetos, la mejor proporción se encuentra con las instituciones y personas y en menor medida con el resto de las autoridades. Lo mismo sucede con el caso de las ocupaciones, principalmente vincula-das a las personas con una ratio de 0,59 ocupaciones por persona, que supondría un 40% de autoridades sin relación de ocupación definida. En cuanto a las relaciones familiares se observa una relación de 3,5 personas por familia, lo cual está dentro de lo normal para la naturaleza de este tipo de relaciones. Significaría que cada núcleo familiar definido en PARES alberga de media entre 3 y 4 personas.

Al respecto de las fuentes, la ratio es baja ya que no supera en ninguna autoridad el valor de 0,18 aunque sí está presente en todas las categorías. Esto indica que unas pocas fuentes sirven para describir y apoyar documentalmente las fichas descriptivas de las autoridades en PARES. También son representativas las relaciones asociativas, que tienen ratios que superan los valores de 0,4 en las categorías de cargos unipersonales, funciones, instituciones normas, leyes y personas. Ello indicaría una tasa relacional media con el conjunto de datos.

Discusión

En el contexto de los LAM, los puntos de acceso y las autoridades históricamente han sido una preocupación de la que se han ocupado los profesionales. ^{Gracy (2015)} defiende que, en las descripciones archivísticas, el análisis de las frecuencias de los puntos de acceso controla-dos e incontrolados se sirve de las tecnologías semánticas para un correcto desarrollo de un método analítico enriquecido para personas, familias, organizaciones, nombres geográficos u otras entidades género/forma.

La multitud de relaciones que se generan entre las autoridades revela importantes matices de la información archivística. Así, ^{Niu (2016)} plantea que, a la vista de proyectos que han implementado linked data para materiales archivísticos, queda confirmado que se mejoran las descripciones y también la recuperación de la información. Por ese motivo, es un gran potencial para un enriquecimiento efectivo e incremento de interoperabilidad de los datos archivísticos.

Durante décadas, la comunidad de archiveros ha valorado, conservado y facilitado el acceso a los documentos de archivo utilizando teorías y métodos archivísticos creados para los documentos de archivo en soporte impreso. Sin embargo, la producción y el consumo de ese corpus documental se ha visto influido por las tendencias sociales e industriales y en métodos centrados en los datos que guardan poca o ninguna relación con los métodos archivísticos más tradicionales (^{Marciano et al., 2018}).

Conclusiones

La principal conclusión es que las relaciones conceptuales dominantes se producen entre los tipos de autoridades, lugares y personas, conceptos e instituciones. Ello demuestra que en el grafo semántico de PARES se da mayor importancia a la geolocalización de ideas y a la comprensión del contexto geográfico de las autoridades. Las relaciones entre personas y familias también son predominantes con un total de 9.614, lo que permite analizar los lazos familiares, la vida social y la genealogía. Se destacan las relaciones asociativas entre personas e instituciones, lo que permitirá realizar minería de datos y descubrir nuevos patrones y conexiones inesperadas entre las autoridades. Ello es compatible con un menor nivel relacional en las atribuciones legales, las funciones relacionadas y términos específicos. Con la descripción de las autoridades y la red de relaciones se ha delineado el grafo del conocimiento de PARES.

Las autoridades menos relacionadas son las funciones y los cargos unipersonales, cuya conexión está intrínsecamente ligada a las instituciones y personas. También se observa que los términos específicos tienen una escasa interrelación con las autoridades, sólo vinculados a los “conceptos”. De acuerdo con la estructura de las fichas descriptivas de PARES, los conceptos y los términos específicos sirven para configurar un lenguaje controlado a modo de tesauro, con una organización jerárquica. Sin embargo, no parece haber sido empleado de forma sistemática en la descripción de autoridades familiares, lugares, funciones, personas, normativas o leyes, suponiendo una carencia importante desde el punto de vista temático.

En futuros trabajos de representación semántica de las autoridades de PARES, en el marco de RDF, se deberá comprender el enriquecimiento de los datos recopilados, con otros pro-cedentes de Wikidata y DBpedia. También se plantea el reto de desarrollar un método para la clasificación automática de las autoridades y la asignación de descriptores, que facilite la categorización de los contenidos. De esta forma, se podrá incorporar un endpoint que permita la recuperación y generación de grafos del modelo relacional, su representación gráfica e interrogación. También existe la posibilidad de extraer nuevas relaciones de tipo cronológico o temporal, relaciones que precisen el tipo de relación asociativa, relaciones con N-gramas presentes en las descripciones y notas biográficas de las autoridades.