Semana 5. Ventanas, tendencias y rupturas en el tiempo

Pregunta de la semana

Cuando una serie del corpus muestra que un tema "emerge" en cierto mes, ¿qué afirma esa fecha, y cuánto se mueve si se cambia el ancho de la ventana?

Por qué esta semana

La frase "a partir de 2022 el tema aparece con fuerza" se escribe con facilidad y se sostiene con dificultad. Para escribirla hay que haber decidido qué se cuenta por periodo, cómo se normaliza ese conteo frente al tamaño del corpus en cada periodo, con qué ventana se suaviza la serie y con qué criterio se llama ruptura a un cambio. Cada una de esas decisiones mueve la fecha. Esta semana construye la serie temporal del corpus propio y muestra, con la mini app y con el cuaderno, que la emergencia de un fenómeno no es un dato de la serie sino una lectura de la serie bajo una ventana. Lo que el curso pide no es renunciar a la frase sino escribirla con sus condiciones. Además, es la semana de entrega del grafo con su lectura.

La semana supone el corpus propio fechado y, de la semana 4, un grafo con su tabla de tres umbrales.

Contenido de la sesión

1. Una serie del corpus es un conteo por periodo, y el periodo es una decisión. Contar documentos por mes o por trimestre, por año o por semana, cambia lo que se ve: una serie semanal es ruido, una anual pierde todo lo que dura menos de un año. Y el conteo crudo engaña cuando el corpus crece: si en 2023 hay el doble de documentos que en 2019, todo tema parece crecer. Por eso se cuenta la proporción de documentos del periodo que contienen el código, no el número^a, y se reporta el tamaño del corpus por periodo junto a la serie.

2. Suavizar es decidir qué es ruido. El promedio móvil reemplaza cada valor por el promedio de una ventana alrededor; con ventana de un mes se ve todo, con ventana de doce se ve solo lo que dura un año. No hay ventana correcta: hay ventanas que corresponden a la escala temporal de la pregunta. Si la pregunta es sobre una campaña de dos meses, una ventana de doce la borra; si es sobre un cambio de década, una ventana de un mes la esconde entre picos.

3. Una ruptura es el output de un método de detección, con sus parámetros. El método más simple compara el promedio de los meses anteriores a un punto con el de los posteriores y marca el punto donde la diferencia es mayor; es el que usa la mini app. Los métodos de detección de puntos de cambio, como PELT (Killick, Fearnhead y Eckley, 2012), buscan varias rupturas a la vez con una penalización por cada una; el método de ráfagas de Kleinberg (2003) modela la serie como un autómata que entra y sale de estados de actividad. Los tres dan fechas distintas sobre la misma serie, y las tres fechas se mueven con la ventana^b. La tabla de la mini app lo muestra: con ventanas cortas la ruptura cae en un pico de tres meses, con ventanas medias en un cambio de nivel, con ventanas largas en el inicio de una tendencia.

4. "Emerge" es una palabra que esconde una ventana. Un fenómeno emerge cuando su serie pasa de un nivel a otro de forma que el método usado, con la ventana usada, lo marca. Grimmer, Roberts y Stewart (2022, cap. 2) insisten en que la medida de un concepto en texto debe validarse contra la pregunta, y la fecha de emergencia es una medida como cualquier otra. La práctica de la semana pide la fecha con tres ventanas y, si se mueve más de lo que la pregunta tolera, reportar el rango y no un mes.

5. Las trampas de la serie son trampas del corpus. Un salto en 2016 puede ser el año en que el archivo empezó a digitalizar más; una caída en diciembre puede ser que el periódico no circula en vacaciones; un pico puede ser un solo documento largo que menciona el código cien veces. Antes de leer una ruptura hay que mirar la composición del corpus en los periodos que la rodean. Esa revisión no la hace el método y es, en el registro de frontera, un paso del investigador.

6. Leer una serie es configurar una trama, y la trama no viene en la serie. Con la triple mímesis de Tiempo y narración (Ricœur, 1995), la serie es material prefigurado; el investigador que dice "primero fue así, luego ocurrió esto y desde entonces aquello" está configurando, Mímesis II, y la configuración exige un relato que la serie no contiene. Un modelo de lenguaje puede proponer ese relato con una fluidez que tienta; el curso pide que el relato se escriba con la ventana declarada y con la lista de lo que la serie no puede decir.

IA y exigencia

Se le pide a un modelo de lenguaje el código para construir la serie normalizada y para correr dos métodos de detección de rupturas a partir del cuaderno, y después se le pide un relato de la serie en un párrafo. El estudiante debe poder defender sin el modelo el periodo y la normalización elegidos, la fecha de ruptura con tres ventanas y su rango, y qué de la composición del corpus revisó antes de aceptar la ruptura. El relato del modelo se registra como configuración propuesta por la máquina, y el estudiante marca en él cada frase que la serie no sostiene.

Lecturas

Central

• Kleinberg, J. (2003). "Bursty and Hierarchical Structure in Streams". Data Mining and Knowledge Discovery 7(4), 373-397. Secciones 1 y 2. https://doi.org/10.1023/A:1024940629314
• Grimmer, J., Roberts, M. E. y Stewart, B. M. (2022). Text as Data. Princeton University Press. Cap. 2, sobre investigación social y análisis de texto.

Complementaria

• Killick, R., Fearnhead, P. y Eckley, I. A. (2012). "Optimal Detection of Changepoints With a Linear Computational Cost". Journal of the American Statistical Association 107(500), 1590-1598. https://doi.org/10.1080/01621459.2012.737745
• Truong, C., Oudre, L. y Vayatis, N. (2020). "Selective Review of Offline Change Point Detection Methods". Signal Processing 167, 107299. https://doi.org/10.1016/j.sigpro.2019.107299
• Ricœur, P. (1995). Tiempo y narración I. Siglo XXI. Cap. 3, "Tiempo y narración: la triple mímesis".

Guía de lectura

• Kleinberg modela una ráfaga como un cambio de estado en un autómata, con un parámetro que controla cuánto cuesta cambiar de estado. ¿Qué pasa con las ráfagas detectadas si ese costo sube? ¿Cuál es el equivalente de ese parámetro en el promedio móvil?
• Grimmer, Roberts y Stewart distinguen descubrir, medir e inferir como tareas con validaciones distintas. La fecha de emergencia de un tema, ¿es un descubrimiento, una medida o una inferencia? ¿Qué validación le corresponde?
• Ricœur describe la configuración como el acto de hacer de una sucesión una trama. Tome la serie de su corpus y escriba su trama en tres frases. Luego subraye lo que la serie no puede sostener por sí sola.

Taller de la segunda hora

Primera parte, sobre la serie del corpus propio, con el bloque de la semana 5 del cuaderno de apoyo:

1. Construya la serie mensual o trimestral de un código o de un grupo de la semana 3, normalizada por el tamaño del corpus en el periodo. Grafique la serie y, debajo, el tamaño del corpus por periodo.
2. Suavice con tres ventanas y detecte la ruptura con el método de diferencia de medias y con PELT. Llene la tabla:

3. Escriba la fecha o el rango de emergencia con sus condiciones, en una frase que pueda ir en un informe.

Segunda parte: terminar la lectura del grafo sobre la plantilla plantillas/lectura-de-grafo.md con la tabla de tres umbrales de la semana anterior.

Guion de la sesión

Notas para el docente. Lo que suele fallar: el corpus tiene fechas incompletas o en formatos mezclados y la mitad del taller se va en limpiarlas; pedir las fechas limpias desde la semana anterior. Segundo fallo: la serie cruda y la normalizada cuentan historias opuestas y el estudiante elige la que le conviene; exigir las dos en la bitácora. Tercero: la revisión en parejas de la lectura de grafo se vuelve cortesía; dar la instrucción de que cada revisor debe encontrar al menos una afirmación sin sostén, y que no encontrarla es la excepción.

Entrega

Grafo de coocurrencia con lectura interpretativa, sobre la plantilla plantillas/lectura-de-grafo.md, con la tabla de tres umbrales, las dos imágenes del grafo y el código o los pasos en anexo. Se evalúa que la lectura distinga lo que la red muestra de lo que el investigador propone, que declare qué cambia con el umbral, y que cada puente leído tenga su apoyo nombrado: corpus, teoría o ninguno todavía. Rúbrica en evaluacion.md.

Para la próxima semana

Leer Blei (2012) completo, Moretti (2015), "Conjeturas sobre la literatura mundial", y Arnold y Tilton (2019). Llegar con el corpus en la forma de la semana 1, una fila por documento, para modelar temas. Quien trabaja con imágenes llega con las descripciones densas que se producen en Descripción auditada de imágenes en investigación social, donde un modelo multimodal describe cada imagen por capas y una auditoría manual clasifica lo que el modelo afirma en lo que está, lo que no está y lo que exige contexto local, o con las etiquetas de CLIP del cuaderno.