Monografias.com > Estudio Social
Descargar Imprimir Comentar Ver trabajos relacionados

Visualización de la evolución de una red social generada por weblogs


     

    ABSTRACT

    Los weblogs son
    sitios web creados
    usando sistemas de
    gestión
    de contenidos, de fácil utilización. Esto hace que
    sean dinámicos, y como pueden ser editados por una o
    varias personas, sus enlaces tienden a reflejar las relaciones
    sociales entre ellas. El estudio de estas redes sociales permite
    descubrir nuevas estructuras
    sociales, así como su proyección al futuro. En este
    artículo proponemos utilizar mapas
    autoorganizativos para visualizar la red social de un conjunto de
    weblogs alojado en un mismo sitio, Blogalia, y su
    evolución a lo largo de diferentes periodos.

    Palabras clave:
    cibersociedad
    contenidos
    grupos de
    discusión
    hipertexto/hipermedia
    interactividad

    I.
    INTRODUCCIÓN

    Los weblogs están adquiriendo cada vez mayor
    importancia convirtiéndose en un recurso alternativo de
    información. Cualquier persona desde
    cualquier parte del mundo puede contar sus experiencias
    personales y lo que está viendo en ese mismo instante a
    través de estos weblogs. En todo el mundo hay millones, y
    según Perseus (http://www.perseus.com/blogsurvey/thebloggingiceberg.html),
    se han creado 4.12 millones de blogs
    sólo a través de Blog-City, BlogSpot, Diaryland,
    LiveJournal, Pitas, TypePad, Weblogger and Xanga. En España el
    crecimiento de los blogs en el último año ha sido
    espectacular. Según el blogómetro, alojado en
    Blogalia (http://blogometro.blogalia.com),
    que visita diariamente miles de bitácoras españolas
    y genera un listado con las noticias
    más enlazadas, el número de bitácoras de su
    lista es de alrededor de 26000 en octubre de 2004, conteniendo
    varios cientos de miles de enlaces.

    Una red social creada en torno a un weblog
    está formada por los autores o editores de las weblogs, la
    gente que envía comentarios a las historias, y silenciosos
    pero constantes lectores que pueden o no tener su propio weblog.
    un weblog puede no tener importancia por sí misma, sin
    embargo no se puede despreciar su relevancia como parte de una
    red social (Newman, 2000). Las redes sociales son un tipo de
    redes complejas (Albert&Barabási, 2002), en las que
    los nodos son usualmente entidades sociales (personas, grupos de
    personas), y los enlaces representan las relaciones entre ellos.
    Usualmente las redes sociales tienen una estructura
    interna, así que los weblogs se pueden ver como
    componentes de un conjunto de comunidades, cada uno con sus
    propios ídolos, axiomas, enemigos y jerarquías. Las
    comunidades que se crean no están bien definidas, ya que
    un weblog en concreto puede
    pertenecer a varias comunidades a la vez, aunque la
    mayoría de los weblogs (como por ejemplo los weblogs de la
    comunidad
    hispano parlante (Merelo et al., 2003)) están conectados
    entre ellos mediante un conjunto finito de enlaces.

    El interés en
    el estudio de las redes sociales se debe a su importancia dentro
    de la gestión del
    conocimiento. La gestión del conocimiento
    (Alvarez Martínez, 2003) consiste en la creación,
    almacenamiento y
    comunicación de conocimiento
    por medio de comunidades de personas y organizaciones
    que tienen diferentes niveles de experiencia pero que comparten
    intereses y necesidades similares. Dado que las redes sociales
    permiten crear, almacenar y compartir conocimientos, es evidente
    la importancia que tiene la identificación de comunidades
    dentro de la gestión del conocimiento, y por tanto la
    identificación de comunidades dentro de los weblogs como
    caso particular. Los weblogs constituyen una herramienta para el
    aprendizaje
    colaborativo ya que hay una red social que comparte
    conocimientos y adquiere otros nuevos, proceso que se
    ha denominado construcción social del conocimiento
    (Cobos et al., 2002).

    En muchos casos las comunidades son multilingües;
    dos weblogs fuertemente relacionadas, por ejemplo escritas por el
    mismo autor, pero en distintos idiomas (por ejemplo, español y
    catalán ó español e inglés)
    no estarán relacionados si sólo se tiene en cuenta
    su contenido. En principio, se podrían usar los
    meta-contenidos con protocolos como
    Friend of a Friend (Amigo de un Amigo FOAF, información
    disponible en http://www.foaf-project.org),
    como arcos de la red, pero esto no está muy extendido, y
    representa sencillamente una relación binaria (eres FOAF o
    no), mientras que los enlaces tienen cierta calidad
    cuantitativa (enlazar varias veces es distinto a enlazar
    sólo una vez).

    En este trabajo, se
    han escogido los enlaces en vez de el contenido ya que son
    fácilmente analizables a partir del documento fuente; esta
    elección permite una representación de cada blog
    con pocas dimensiones, que se realizará mediante un vector
    con tantos componentes como blogs haya en el grupo de
    estudio. Esto es posible sólo si el número de
    sitios relevantes es menor que el vocabulario necesario para
    representar los mismos sitios en un modelo de
    espacio vectorial. Esto también es unívoco: un
    enlace identifica claramente un origen (el weblog donde se ha
    encontrado) y un destino (la URL). Los enlaces representan una
    relación real entre los blogs que unen, lo que implica
    que, al menos, uno ha leído al otro, lo que demuestra un
    tipo de relación de comunidad.

    Las redes sociales se crean leyendo o escribiendo en un
    blog o comentando otros. Es cierto que puede haber otros miembros
    en la comunidad que no estén cubiertos con este método
    (por ejemplo, lectores leales o gente que hace comentarios para
    participar); también, un miembro de la comunidad
    podría enlazar con otro por medio de un blog que no
    pertenezca al conjunto de blogs bajo estudio (Blogalia, en este
    caso); sin embargo, no intentamos decir la última palabra
    sobre la estructura de las comunidades en la blogosfera (como
    usualmente se denomina a todos los weblogs). Nuestra
    intención es esbozar un método para identificar
    comunidades considerando los hiperenlaces como indicadores de
    una relación entre miembros de una misma
    comunidad.

    El contenido (distancia en el espacio vectorial) o los
    enlaces (número de enlaces, o existencia o no de enlaces)
    se usan para crear un gráfico del conjunto de sitios bajo
    estudio; consecuentemente, una comunidad se puede definir con
    alguna medida que distinga unos sitios de otros. Hay varias
    estructuras posibles que se pueden considerar comunidades:
    cliques, o conjuntos de
    sitios que enlazan entre ellos, bipartite cliques,
    conjuntos de sitios que enlazan todos a un conjunto de sitios
    diferente (Caldarelli, 2002), k-cores o facciones,
    conjuntos de sitios conectados al menos a otros k sitios
    del grupo, o núcleos bipartitos, que incluyen tanto
    al que conecta como a los sitios conectados.

    La mayoría de estas estructuras se pueden
    calcular y visualizar con programas como el
    Pajek (1) o
    UCINET (2) ,
    pero requieren varios parámetros iniciales como el
    número k de enlaces o el número de
    núcleos en los que se quiere dividir el conjunto original.
    Todas las definiciones anteriores son válidas y se pueden
    usar en varios casos. Sin embargo, algunas de ellas son
    restrictivas en el sentido de que sólo pueden tener en
    cuenta relaciones binarias, y no el peso de los enlaces
    (número de veces que se han utilizado) o la dirección. En nuestro caso, la
    dirección es importante: usualmente, algunos blogs que han
    sido "apuntados" pueden no enterarse de ello
    (3) . Un
    problema adicional es que la mayoría de los conceptos
    definidos anteriormente no crean una imagen visual
    clara de la comunidad que describen.

    II. ESTADO DEL
    ARTE

    Hay una gran variedad de herramientas
    para visualizar redes, en la Tabla 1 se muestran algunas de
    ellas. En este artículo se ha escogido un mapa
    auto-organizativo (Self-Organizing Map, SOM) porque es un
    algoritmo que
    da lugar a una clasificación no supervisada y permite
    visualizar las proyecciones de un espacio multidimensional en un
    mapa bidimensional resaltando las relaciones ocultas entre los
    conjuntos de datos. Para ello
    hemos utilizado MATLAB.

    III. MAPAS AUTO-ORGANIZATIVOS
    DE KOHONEN

    Kohonen propuso originalmente su mapa auto-organizativo
    (Kohonen, 1990), basándose en el trabajo
    previo realizado por von der Malsburg (1973), como un modelo para
    auto-organizar los dominios visuales del cerebro. El SOM
    de Kohonen está formado por un conjunto de vectores
    n-dimensionales, dispuestos en dos dimensiones; por ejemplo, en
    la Figura 1a se representa un SOM hexagonal, y en la Figura 1b,
    un SOM rectangular, ambos formados por 16 x 9 neuronas. Una
    vecindad de tamaño n de un vector se define como el
    conjunto de vectores del SOM cuyo índice difiere en menos
    de n. El SOM de Kohonen, como muchos otros métodos
    heurísticos, tiene que ser entrenado con el
    conjunto de datos que se van a representar. El proceso de
    entrenamiento
    consta de los siguientes pasos:

    1. Se escoge un nuevo vector del conjunto de
      entrenamiento (conjunto de datos que se quiere modelar)
      aleatoriamente.
    2. Se obtiene el vector más cercano en el SOM,
      que de denomina ganador.
    3. Todos los vectores en la vecindad del ganador se
      actualizan de forma que queden más cerca (un factor
      alfa) del vector de entrada.
    4. Se actualizan el tamaño de la vecindad y
      alfa.
    5. Después de un número predeterminado de
      iteraciones se detiene el proceso.

     La auto-organización en el SOM surge porque
    sólo las vecindades, no todo el mapa, se actualizan cada
    vez que llega un nuevo vector, y porque el proceso de aprendizaje se
    hace de forma no supervisada. Esto es lo que caracteriza al SOM
    de otros algoritmos de
    clasificación como k-means (Kanungo et al., 200), pero, en
    este caso, las clases también se ordenan
    topográficamente, de forma que los vectores que
    están más cerca en el espacio original
    n-dimensional se proyectan en vectores que están
    más cercanos en SOM bidimensional. Las principales
    aplicaciones de los mapas auto-organizativos son:

    • Visualización: la proyección de
      un espacio multi-dimensional en un mapa bidimensional destaca
      las relaciones ocultas entre los datos (Bock,
      1996).
    • Identificación de clase: al contrario
      que otros algoritmos como el k-means, cada clase
      está representada por varios vectores.
    • Interpolación o función
      de modelado
      : no es especialmente adecuado para este fin,
      pero si cada vector de entrenamiento v tiene un valor
      asignado f(v), estos valores se
      pueden proyectar en el SOM, y los valores
      desconocidos se deducen a partir de estos. Esto es
      especialmente útil si f(v) es realmente un
      vector, o si puede faltar información en el conjunto de
      entrada (Unneberg et al., 2001).
    • Clasificación: si el conjunto original
      de datos se ordena en varias clases, cada vector del mapa se
      puede considerar con una clase y ser usado por tanto para
      clasificar. Incluso si no es tan eficiente clasificando como
      otros algoritmos de redes
      neuronales, el hecho de que pueda manejar valores ausentes,
      hace que sea más útil en estos casos. La
      calibración se puede llevar a cabo de varias formas
      (utilizando el criterio Bayesiano, por ejemplo), o con
      aprendizaje supervisado adicional utilizando algoritmos como el
      LVQ (Learning Vector Quantization) (Kohonen, 1995) para mejorar
      sus prestaciones.
    • Cuantificación de vectores: como el
      mapa es un modelo de un conjunto de datos, sus miembros se
      pueden utilizar para representar este conjunto de datos, y cada
      vector puede ser cuantizado asignándole su representante
      más cercano el mapa.

    Hay muchos paquetes software que implementan el
    SOM, como el SOM Toolbox para Matlab, o el paquete creado por el
    propio equipo de Kohonen: el SOM Toolbox para Matlab 5
    (disponible en http://www.cis.hut.fi/projects/somtoolbox/).
    Este paquete ofrece una serie de funciones que
    permiten hacer un preprocesamiento de los datos, crear,
    inicializar y entrenar el SOM, visualizar de distintas formas los
    resultados, así como, otra serie de funciones auxiliares
    (como etiquetar datos, obtener la matriz de
    distancias, etc) y de clasificación y clustering. Todos
    los resultados de este artículo se han obtenido y
    representado con este paquete.

    Previamente, el SOM se ha usado por los autores para
    visualización de la comunidad de la que estamos tratando
    ahora, pero de forma estática
    [21,22], teniendo en cuenta todos los enlaces generados a lo
    largo del tiempo.

    IV. EVOLUCIÓN DE LAS
    COMUNIDADES DE WEBLOGS

    Los datos utilizados en este trabajo son los weblogs
    alojados por Blogalia (http://www.blogalia.com).
    Blogalia contiene alrededor de 200 blogs, de los cuales
    sólo 162 tienen o reciben enlaces de otros blogs. Estos
    162 blogs son los que se han utilizado en este estudio. En
    concreto, se han utilizado las historias (excluding information
    in page templates, or dynamic news-feeds, for instance)
    publicadas en Blogalia desde Septiembre de 2003. Hay alrededor de
    11000 historias que contienen unos 17000 enlaces, de los cuales,
    a penas una cuarta parte son enlaces a otros miembros de la
    comunidad. Este conjunto de enlaces es el que se ha utilizado
    como base de este trabajo. Cada weblog se ha representado con un
    conjunto de enlaces a otros miembros de Blogalia, con lo que hay
    blogs y páginas
    web que no se tienen en cuenta.

    Como consecuencia de esta decisión, no se han
    tenido en cuenta otros weblogs, lo que implica que algunos sitios
    más cercanos a algunas bitácoras alojadas en
    Blogalia que muchos de los habitantes del sitio no han
    sido tenidos en cuenta; sin embargo, en este artículo,
    pretendemos descubrir comunidades dentro de Blogalia, y no
    todas las comunidades que incluyen webs alojadas en
    Blogalia.

    Cada blog se representa con un vector cuyas componentes
    son el número de veces que ese blog enlaza con el resto de
    blogs. Por ejemplo, si el blog http://fernand0.blogalia.com/
    correspondiente al vector i-ésimo enlaza 7 veces con
    el blog http://atalaya.blogalia.com/correspondiente
    al vector j-ésimo, el elemento correspondiente (i, j)
    dentro del vector valdrá 7. Se han considerado de forma
    separada los enlaces entrantes y salientes, y 5 grupos de datos,
    cada uno de los cuales corresponde a los enlaces de cada blog
    consultados cada 4 meses (cuatrimestralmente). Es decir, el
    primer grupo corresponde a los enlaces de los blogs de los cuatro
    primeros meses, el segundo a los enlaces de esos mismos blogs
    acumulando 4 meses adicionales (en total 8 meses), y así
    sucesivamente. Para poder
    distinguir visualmente los datos correspondientes a cada periodo
    se han etiquetado anteponiendo al nombre del blog 1, 2, 3, 4 o 5,
    según el periodo al que correspondan los datos. Por
    ejemplo, 1atalaya corresponde al vector atalaya del periodo 1,
    2atalaya se refiere al vector atalaya del periodo 2, y así
    sucesivamente.

    En una primera parte del experimento se han utilizado
    todos los datos juntos (los cinco grupos, previamente
    normalizados) para entrenar el SOM. Una vez obtenido el mapa de
    salida del SOM, se han proyectado sobre él cada grupo de
    datos de forma independiente, para poder ver como van
    evolucionando. En las Figuras 2 a 6 se muestran las proyecciones
    de cada grupo de datos (en la Figura 2 el periodo 1, en la Figura
    3 el periodo 2, etc.) sobre el SOM. En ellas, cada
    hexágono negro tiene un tamaño proporcional al
    número de veces que cada unidad del mapa ha sido el BMU
    (Best-Matching Unit) del conjunto de datos.

    Puede observarse que inicialmente la mayoría de
    los blogs están en la parte superior central (el
    hexágono negro mayor). Todos los blogs de este
    hexágono tienen sus componentes a 0, es decir, no tienen
    ningún enlace entrante. A medida que transcurre el tiempo
    va disminuyendo el número de blogs que caen en ese
    hexágono ya que van teniendo más enlaces. Es decir,
    los blogs se van expandiendo por el mapa a medida que va
    transcurriendo el tiempo ya que van recibiendo más
    enlaces.

    También se puede ver como, a medida que
    transcurre el tiempo, los blogs se van desplazando de la parte
    superior central hacia la parte inferior y hacia los extremos,
    principalmente al izquierdo.

    Para ver este efecto con más detalle se han
    escogido algunos blogs y se ha visto su evolución a lo
    largo de los distintos periodos. Se han elegido aquellos blogs
    con más de 100 enlaces entrantes en el periodo 5. En la
    tabla 1 se muestra el
    número de enlaces de cada blog en cada periodo de
    tiempo.

    En la Figura 7 se muestra la evolución de los
    blogs más enlazados. Éstos se van desplazando hacia
    abajo y hacia los extremos.

    En la Tabla 2 se han escogido los blogs con más
    enlaces salientes. También se han escogido aquellos con
    más de 100 enlaces salientes en el periodo 5.

    En la Figura 7 se han proyectado sobre el mapa alguno de
    los vectores escogidos en la Tabla 2. En todos los casos se
    produce un desplazamiento de la zona superior del mapa a la zona
    inferior y hacia los extremos. También se puede ver que se
    van formando grupos, es decir, hay ciertos blogs que terminan en
    el mismo hexágono, aunque la transición de cada uno
    por el mapa sea distinta. Así, tenemos que atalaya,
    fbenedetti, jkaranka y eledhwen van al mismo hexágono,
    mientras javarm, rvr y verbascum forman otro grupo y por
    último pawley y jaio-la-espia formarían
    otro.

    La Tabla 3 contiene los blogs con más enlaces
    salientes. También se han escogido en este caso aquellos
    con más de 100 enlaces salientes en el quinto
    periodo.

    En la Figura 8 se muestran las proyecciones en el mapa
    de algunos vectores de la Tabla 3. Se puede observar que se
    produce un movimiento
    desde la parte superior del mapa hacia la parte inferior, y
    más en concreto hacia los extremos. También se
    puede apreciar la formación de grupos, es decir, algunos
    blogs terminan en el mismo hexágono aunque el camino
    seguido hasta él sea diferente. Por ejemplo, atalaya,
    fbenedetti, jkaranka and eledhwen forman un grupo.

    V.
    CONCLUSIÓN

    Se ha propuesto un procedimiento
    para identificar comunidades dentro de la www considerando los
    hiperenlaces como indicadores de una relación entre
    miembros de una misma comunidad. Este trabajo trata sobre
    weblogs, páginas web que contienen enlaces a otros
    sitios web que tratan sobre un determinado tema o que se basan en
    algún otro criterio. Los weblogs generan relaciones entre
    sus usuarios dando lugar a redes sociales. Estudiar la
    evolución de estas redes sociales nos permite descubrir
    estructuras sociales, así como su proyección de
    futuro.

    Para identificar y visualizar las comunidades que surgen
    se han utilizado los mapas auto-organizativos (SOM) como una
    herramienta potente que genera una clasificación no
    supervisada y permite la visualización de las proyecciones
    de un espacio multi-dimensional en un mapa bidimensional,
    destacando las relaciones ocultas entre los miembros del conjunto
    de datos. Para ello se ha utilizado el paquete MATLAB SOM
    Toolbox.

    El conjunto de trabajo de sitios webs está
    formado por 162 weblogs (de 200) alojados en Blogalia
    (http://www.blogalia.com/).
    En este estudio se han utilizado todas las historias (excluyendo,
    por tanto, información en las plantillas de la
    página, o información de otras páginas
    incluida automáticamente) publicadas en Blogalia hasta
    Septiembre de 2003; hay alrededor de 11.000, y contienen sobre
    17.000 enlaces.

    Mostramos empíricamente como el método
    propuesto es válido para identificar comunidades y
    analizar su evolución a lo largo del tiempo. En concreto,
    se puede observar claramente las trayectorias y la
    expansión de los blogs a través de SOM a medida que
    transcurre el tiempo y van recibiendo más enlaces.
    Está claro que los blogs se clasifican o forman
    comunidades a pesar de seguir distintas trayectorias.

    RECONOCIMIENTOS

    Este artículo ha sido apoyado en parte por el
    proyecto
    TIC2003-09481-C04 del Ministerio español de Educación, Ciencia y
    Deporte.
    También queremos expresar nuestro agradecimiento a
    Víctor Ruiz, por su apoyo durante su elaboración, y
    su continuo trabajo sostenido la comunidad de
    Blogalia.

    BIBLIOGRAFÍA

    • M. Newman, "Small worlds: The structure of social
      networks," condmat/0001118. [Online].Available:
      citeseer.nj.nec.com/514903.html
    • J. J. Merelo, F. Tricas, and V. Ruiz, "Measuring the
      spanish blogosphere," in Proceedings of Towards New Media
      Paradigms (COST A20 Conference), Pamplona, Spain, 27-28
      June
      , 2003, available from http://geneura.ugr.es/˜jmerelo/atalaya/newmedia/.
    • R. Albert and A. Barabasi, "Statistical mechanics of
      complex networks," 11 Reviews of Modern Physics, vol.
      74, no. 47, 2002, cond-mat. [Online]. Available:
      citeseer.nj.nec.com/499527.html
    • Rafael Alvarez Martínez, "Introducción a la realización de
      eventos
      académicos en línea", Simposio
      Internacional de Computación en Educación
      Aguascalientes, México, Octubre 2003.
      http://www.somece.org.mx/simposio2003/talleres/ram/gestion.html
    • H. H. Bock, "Simultaneous visualization and
      classification methods as an alternative to Kohonen’s
      neural networks," in Classification and Multivariate
      Graphics: Models, Software and Applications
      , ser.
      Weierstrass-Institut f¨ur Angewandte Analysis und
      Stochastik, H.-J. Mucha and H.-H. Bock, Eds., Berlin, 1996, no.
      Report No. 10, pp. 15–23.
    • Ruth Cobos, Jose A. Esquivel y Xavier
      Alamán, Herramientas informáticas
      para la gestión del conocimiento. Un estudio de la
      situación actual. Novática nº 155,
      Enero-Febrero, 2002: pp. 20-26.
    • G. Caldarelli, "Introduction to complex networks,"
      Proceedings of the 7th Conference on Statistical and
      Computational Physics Granada, 2002, online at Proceedings of
      the 7th Conference on Statistical and Computational Physics
      Granada (2002).
    • E. Dumbill, "Finding friends with xml and rdf,"
      Available from
      http://www-106.ibm.com/developerworks/xml/library/x-foaf.html

      , Jun3 2002.
    • T. Kanungo, D. M. Mount, N. S. Netanyahu, C. D.
      Piatko, R. Silverman, and A. Y. Wu, "The analysis of a simple k
      -means clustering algorithm," in Symposium on Computational
      Geometry
      , 2000, pp. 100–109. [Online]. Available:
      citeseer.nj.nec.com/kanungo00analysis.html
    • T. Kohonen, "Learning vector quantization," in The
      Handbook of Brain Theory and Neural Networks
      . Cambridge,
      Massachusetts: The MIT Press, 1995, pp.
      537–540.
    • T. Kohonen, "The self-organizing map," Procs.
      IEEE
      , vol. 78, p. 1464 ff., 1990.
    • C. von der Malsburg, "Self-organization of
      orientation sensitive cells in the striate cortex,"
      Kybernetik, no. 14, pp. 85–100, 1973.
    • J. J. Merelo-Guervós, B. Prieto, A. Prieto, G.
      Romero, P. Castillo-Valdivieso, and F. Tricas, "Clustering
      web-based communities using self-organizing maps," March 2004,
      accepted, IADIS conference on Web Based Communities, available
      from http://geneura.ugr.es/~jmerelo/papers/72.pdf.
    • J.-J. Merelo-Guervos, B. Prieto, F. Rateb, and F.
      Tricas, "Mapping weblog communities," December 2003, preprint
      Available from http://arxiv.org/abs/cs/0312047.
    • P. B. D. Unneberg, J. J. Merelo, P. Chacón,
      and F. Morán, "SOMCD: a method for evaluating protein
      secondary structure from UV circular spectra," Proteins,
      vol. 42, no. 4, pp. 460–470, 2001, draft available from
      http://geneura.ugr.es/pub/papers/somcd.ps.gz. Demo disponible
      en http://somcd.geneura.org.

    NOTAS

    [1] – Pajek es un programa para
    Windows que se
    puede descargar gratuitamente en
    http://vlado.fmf.uni-lj.si/pub/networks/pajek/.

    [2] – UCINET es un programa para Windows que se
    puede descargar en http://www.analytictech.com/

    [3] – Es muy probable que los autores de los
    blogs sean conscientes de los enlaces entrantes, y hay
    herramientas, como http://technorati.com/ o registros de
    enlaces entrantes (referrer logs) que permiten al autor
    controlarlos.

    Este artículo es obra original de
    Juan Julián Merelo; Fernando Tricas García;
    Beatriz Prieto
    y su publicación inicial procede del II
    Congreso Online del Observatorio para la CiberSociedad:
    http://www.cibersociedad.net/congres2004/index_es.html"

    Juan Julián Merelo; Fernando Tricas
    García; Beatriz Prieto

    El contenido del presente trabajo está gobernado
    por la siguiente Licencia de Creative Commons: ver
    http://creativecommons.org/licenses/by-nc/2.0

    Nota al lector: es posible que esta página no contenga todos los componentes del trabajo original (pies de página, avanzadas formulas matemáticas, esquemas o tablas complejas, etc.). Recuerde que para ver el trabajo en su versión original completa, puede descargarlo desde el menú superior.

    Todos los documentos disponibles en este sitio expresan los puntos de vista de sus respectivos autores y no de Monografias.com. El objetivo de Monografias.com es poner el conocimiento a disposición de toda su comunidad. Queda bajo la responsabilidad de cada lector el eventual uso que se le de a esta información. Asimismo, es obligatoria la cita del autor del contenido y de Monografias.com como fuentes de información.

    Categorias
    Newsletter