Introducción y estado del arte

La ciencia ciudadana (CC) es la participación activa de todo tipo de público en tareas de investigación científica (Vohland et al., 2021). Las actividades de CC se organizan típicamente en proyectos y tienen gran presencia en línea a través de las páginas web o plataformas, lo que permite que estas se utilicen para la diseminación de datos, participación o como repositorio de información (Vohland et al., 2021). Hay varias asociaciones de CC: La asociación norteamericana de ciencia ciudadana (CSA-North América, por sus siglas en inglés), la asociación europea de ciencia ciudadana (ECSA, por sus siglas en inglés) y la asociación australiana de ciencia (ACSA, por sus siglas en inglés). Además, hay asociaciones nacionales o regionales como el Observatorio de la ciencia ciudadana (España) o Bürger schaffen Wissen (Alemania) o proyectos individuales como Cities-Health. Se puede encontrar información sobre actividades de CC en páginas webs de institutos de investigación, universidades, museos, etc. La variedad de instituciones de CC demuestra que la comunicación sobre proyectos de CC puede ser a través de diferentes canales (individual, como parte de una web o asociación, así como también a nivel local, regional o a gran escala). A pesar de que el enfoque de comunicación varía a medida que va transcurriendo el proyecto y puede ser diferente para cada tipo, es importante definirlo bien para atraer, retener, motivar e informar a los voluntarios (Vohland et al., 2021; Veeckman et al., 2019). Como concluyó Lin-Hunter et al. (2020) en sus análisis sobre las tareas de los voluntarios definidas en las descripciones de proyectos de CC y sus conexiones con su alfabetización científica, la forma en que los proyectos de CC comunican puede afectar a la participación y podría implicar cambios en la percepción de la ciencia y concienciación del problema sobre el que se investiga.

Históricamente, Internet (a través de páginas web) o la televisión han contribuido al aprendizaje informal y a la comunicación de la ciencia (Stocklmayer et al., 2010). La existencia de varias formaciones en CC demuestra que la comunicación sobre proyectos se puede dar a través de diferentes canales (individuales, como parte de una «red» o asociación local, regional o a gran escala). Los materiales proporcionados por estas plataformas tienen un gran potencial para ser usados con propósitos educativos, especialmente en relación a los Objetivos de Desarrollo Sostenible (ODS) teniendo en cuenta que muchos proyectos de CC abordan cuestiones sobre sostenibilidad (Fraisl et al., 2020; Storksdieck et al. 2016). Sin embargo, aunque múltiples proyectos CC se recogen y se muestran en plataformas nacionales o globales, no existe una base de datos centralizada que contenga esta información (Vohland et al., 2021).

Entre los beneficios educativos potenciales que las actividades de CC podrían tener, vemos mejoras en el conocimiento y entendimiento científico, el desarrollo de habilidades técnicas/científicas, motivación hacia carreras STEM y valores como sostenibilidad o respeto por el medio ambiente (Hiller & Kitsantas, 2014; Bonney et al., 2016; Kobori et al., 2016; Vohland et al., 2021). Aunque los proyectos de CC no suelen tener como objetivo principal fomentar la alfabetización y el conocimiento científico de los/las ciudadanos/as, a menudo desarrollan materiales educativos o llevan a cabo actividades de formación para preparar a los participantes en las tareas científicas que llevarán a cabo cómo puede ser el recoger o clasificar datos (Bonney et al., 2009). Cada vez más, desde las instituciones, se promueve la participación de las escuelas en los proyectos de CC (ej., la Oficina de Ciencia Ciudadana de Barcelona ha hecho un llamamiento para que las escuelas de Barcelona participen en proyectos de CC: https://bit.ly/3cB1lMH), y va en aumento. No obstante, todavía queda mucho por conocer sobre cómo la CC puede integrarse en escuelas como guía o fuente de inspiración para que los docentes creen actividades alineadas con la investigación que se lleva a cabo y los problemas sociales que abordan los proyectos de CC. Todos los materiales y datos generados por proyectos de CC se pueden utilizar para que los estudiantes aprendan sobre temas específicos o apoyen la actividad docente de los profesores. Este es un trabajo en el cual educadores y científicos deben trabajar juntos, ya que la comunicación de la ciencia (a través de talleres, actividades de aprendizaje o conversaciones informales) puede tener un impacto en el entendimiento y conocimiento público de los hechos científicos (Bickford et al., 2012; Stocklmayer et al., 2010).

Dada la presencia masiva y disponible en línea de información sobre proyectos y actividades de CC, parece prometedor usar técnicas de análisis computacional para generar conocimientos específicos sobre el funcionamiento y la evolución de las actividades de CC. Estas herramientas se han utilizado en diferentes ámbitos, especialmente la extracción de datos de forma masiva de sitios web y su almacenamiento en bases de datos (Diouf et al., 2019). Son pocos los ejemplos en los que estas técnicas se hayan utilizado en el campo de la CC (Ponti et al., 2018). Desde una perspectiva europea, hay interés en conocer mejor el rol de la CC en ciencia y en la sociedad, ej., la distribución y contribución por regiones, distribución por disciplina, así como la importancia de la comunicación científica en el campo de la CC y el impacto en la educación. Todavía falta por conocer cómo los proyectos de CC se distribuyen para seguir desarrollando y apoyando tipos específicos de CC (Warin & Delaney, 2020). El trabajo explicado aquí es parte del proyecto europeo CS Track (https://cstrack.eu/) que opera en esta línea de investigación. Para este propósito, CS Track se basa en una combinación de técnicas de análisis web y métodos clásicos de estudios sociales. CS Track ha construido una base de datos que contiene información sobre 4.949 proyectos de CC que se han recogido de diferentes páginas web. Esta es la base de datos que contiene la información de la extracción que se lleva a cabo y del futuro enriquecimiento de la información descriptiva relacionada con los proyectos de CC. Todos los datos centralizados nos permitirán conocer más sobre cómo la CC se comunica en línea y ampliar nuestro conocimiento en cuáles son sus conexiones con la educación.

En este artículo, explicamos cómo se ha construido un punto de información centralizado sobre CC utilizando como base el contenido sobre CC distribuida en diferentes páginas web. Esto nos permite ver cuáles son las diferencias y similitudes entre las estructuras de datos que las diferentes páginas web tienen para compartir los datos. Como parte de esta extracción y análisis de datos, hemos intentado identificar el potencial que estos tienen con propósitos educativos.

En este trabajo, hemos sido conscientes de las limitaciones impuestas legítimamente por los principios de privacidad y protección de datos, en especial el Reglamento General Europeo de Protección de Datos (GDPR, por sus siglas en inglés). El objetivo del GDPR es dar a los/las ciudadanos/as control sobre sus datos personales y hacer cumplir la anonimización de los datos a menos que no haya un consentimiento individual específico. Un grupo de datos se considera anónimo si una persona solo puede re identificarse (Gruschka et al., 2018). A pesar de que se han extraído datos que describen las características de los proyectos de CC, a veces, en estos, se incluye información personal entre los textos ya sea de manera directa o indirecta. El trabajo presentado en este artículo ha sido guiado por los siguientes objetivos de investigación:

• (OI1) Diseñar e implementar un algoritmo que automáticamente extraiga datos sobre plataformas de CC y los almacene en un único punto central (base de datos). Los datos extraídos deberían estar alineados con el estándar de datos PPSR, y extenderlo si fuera necesario.

• (OI2) Encontrar la solución técnica para cumplir con los requerimientos de GDPR en este contexto.

• (OI3) Identificar potenciales usos educativos de los datos recogidos.

Metodología y selección de datos

Las fuentes de información de este estudio fueron páginas web que contenían información sobre proyectos de CC. Se aplicó el siguiente criterio de inclusión para identificar datos en línea de proyectos de CC (nuestra unidad de análisis):

• Las páginas web contienen una lista con información de proyectos de CC o son páginas web de un único proyecto de CC.

• De Europa, países asociados o se llevan a cabo online.

• Se permite la extracción de datos tanto automáticamente como manualmente.

En la primera fase, todos los miembros del consorcio realizaron una búsqueda manual de las páginas web que podían contener información sobre CC en las regiones europeas. Después, se exploraron manualmente cada referencial para identificar cuáles contenían información específica sobre proyectos de CC y seguían los criterios definidos anteriormente. La identificación, selección y análisis de las páginas webs se hizo manualmente y como resultado se obtuvo una lista de 72 sitios web. Esta lista puede ser extendida en las siguientes iteraciones. Es posible que no se hayan identificado todas las páginas webs existentes que sigan el criterio definido, pero las más relevantes sí se han seleccionado. El análisis manual de las páginas webs tuvo dos objetivos: (1) identificar cómo se comunica la información sobre proyectos de CC en línea, qué elementos constituyen la información que se comparte, la distribución geográfica de las páginas web o los idiomas utilizados y, (2) entender la/s estructura/s técnica/s que se utilizan para compartir los datos y cómo estas se alinean con el estándar de metadatos PPSR. La Figura 1 muestra el proceso que se ha seguido durante la investigación.

La presencia de la ciencia ciudadana en las plataformas en línea

En esta sección se explica la segunda fase del proceso (Figura 1), los resultados y conclusiones obtenidos del análisis. Clasificamos las páginas web en dos categorías: Plataformas de CC (29 páginas web) y Plataformas No-CC (43 páginas web). Las plataformas de CC son plataformas digitales que comparten información sobre los proyectos de CC, actividades, eventos, materiales o recursos, noticias sobre el campo, se utilizan como herramienta de comunicación (ej., comentarios o foros) o en ocasiones también se utilizan como herramientas de participación (Sanz et al., 2019). El primer objetivo de las plataformas No-CC es que no informan sobre CC, pero han sido creadas como una herramienta de comunicación, como repositorio o incluso permiten a los usuarios que interactúen entre ellas. Entre aquellas que clasificamos como No-CC podemos encontrar diversidad de asociaciones (Asociación Helmholtz), museos (El museo de historia natural del Reino Unido) o institutos de investigación (ICM Divulga). En la descripción de estas páginas web se usa terminología como «centro nacional de redes de comunicación científica», «Museo», «organización independiente sin ánimo de lucro» u «Oficina de Transferencia de Investigación» para definir asociaciones u organizaciones.

La clasificación de plataformas de CC se ha llevado a cabo siguiendo el criterio propuesto por Vohland et al., (2021) el cual, diferencia entre cinco tipos de plataformas. Debido a los requisitos definidos para la selección de plataformas, se ha añadido la categoría «Plataforma de CC mundial» para aquellas que contienen información de proyectos de todo el mundo. Después de analizar la descripción de las plataformas, las hemos categorizado en: Plataformas comerciales para iniciativas de CC (2 páginas web), plataformas de CC para proyectos específicos (8 páginas web), plataformas de CC para temas científicos específicos (2 páginas web), plataformas de CC nacionales (15 páginas web), plataforma europea de CC (1 página web) y plataforma de CC mundial (2 páginas web). En estos textos hemos leído términos como «portal de ciencia ciudadana» o «centro en línea de ciencia ciudadana», los cuales se han utilizado para identificar la página web como plataforma de CC y otros como «centro de ciencia ciudadana» o «red de ciencia ciudadana» que hacen referencia a las asociaciones de CC que coordinan las páginas web. Es común que los proyectos de CC utilicen las páginas web como herramientas de participación, por esta razón podemos leer que las plataformas de CC utilizan términos como «simulador» o «herramienta web».

Europa es un continente en el cuál las culturas e idiomas coexisten. Para entender la distribución de las páginas web en Europa, estas se han analizado desde dos puntos de vista: la localización geográfica y los idiomas disponibles. 17 de los 44 países han sido identificados en la lista de páginas web. La Figura 2 muestra la distribución de los países en relación a los dos tipos de plataforma. Todas las plataformas en línea consideradas mundiales como SciStarter (https://scistarter.org/), red iNaturalist (https://www.inaturalist.org/), Zooniverse (https://www.zooniverse.org/) e Instant wild (https://instantwild.zsl.org/intro) se han excluido del análisis porque, aunque se podría asignar a cada una un único país, comparten información sobre proyectos o iniciativas alrededor del mundo.

Para entender mejor la distribución geográfica y la extensión ciudadana a la que podrían llegar, es importante también entender la diversidad lingüística de Europa. Varias plataformas en línea facilitan el uso de más de un idioma. Por ejemplo, el 29,7% de las plataformas facilitan el uso de dos idiomas (Iteritalia), el 8,1% de las plataformas facilitan el uso de tres idiomas (OpenSystems UB) y el 4,1% de las plataformas facilitan el uso de más de tres idiomas (EU-Citizen science). El 58,1% de las plataformas solo disponen del contenido en un idioma (Desqbre). Tal y como recoge la Carta de los derechos fundamentales de la Unión Europea (European Union, 2010), «la unión debe respetar (...) la diversidad lingüística» así como la «discriminación basada en el (...) idioma (...) estará prohibida». La UE tiene 24 idiomas oficiales y otros regionales o minoritarios. 17 de los 24 idiomas se han cubierto por las páginas web seleccionadas. Además, se han identificado tres idiomas regionales (euskera o catalán) y uno extra comunitario (árabe). Las plataformas de CC cubren el 84,3% de los idiomas utilizados en Europa.

Aunque indicamos el país de cada página web, cuando leemos las descripciones, nos damos cuenta que el 35,6% muestra información sobre las regiones que cubre (ej. en «en Flandes» (Citizen Science Vlaanderen) o «Globalmente»). Las páginas web cubren áreas regionales o nacionales (como por ejemplo la plataforma de CC de Barcelona (Barcelona)), europea (EU-Citizen science platform) y todas las áreas del mundo (iNaturalist). La región geográfica cubierta por las plataformas en línea está alineada con el idioma disponible.

A partir de la misma información que se ha utilizado para clasificar las páginas web, se han extraído términos clave para asignar las áreas de investigación correspondientes. Para identificar las categorías, se ha seleccionado terminología como «protegiendo nuestro planeta», «ciencia utilizada en la investigación de la ciencia criminal, análisis de laboratorio y la presentación de evidencia científica dentro de los tribunales» o «servicios meteorológicos y geográficos». Las plataformas se han clasificado en seis grandes áreas de investigación definidas en Web of Science Core Collection (Clarivate analytics, 2022): Artes y humanidades (1,37%), Ciencias de la vida y biomedicina (50,68%), Ciencias físicas (1,37%), Ciencias sociales (2,74%), Tecnología (0%) y Todas (43,84%).

Información en línea de la ciencia ciudadana

En esta sección se explica cómo la información sobre CC se comparte en las páginas web desde dos puntos de vista: cómo se estructuran los datos y qué tipo de datos se comparten. El análisis es necesario para el desarrollo del algoritmo y el diseño de la base de datos.

A pesar de que cada página web sigue su propio diseño y estructura de datos, es común que todas tengan una página principal, una página con la lista de proyectos y enlaces indexados a otras páginas con la información asociada a cada proyecto de CC (Figura 3). No obstante, hay una excepción con las plataformas sobre proyectos específicos de CC ya que contienen información sobre un único proyecto distribuida en páginas, no como la lista de proyectos individuales que podemos encontrar en las otras páginas web.

Como primer paso, el set de datos original se clasificó de acuerdo a tres tipos de páginas web (Figura 3):

• Estructurada: la información se organiza en categorías (como por ejemplo en https://eu-citizen.science/).

• Semiestructurada: alguna información se organiza en categorías y otra en párrafos (como la página web de https://www.zooniverse.org/).

• No-estructurada: no se organiza la información en categorías (como por ejemplo en https://www.scivil.be/en).

De las 72 páginas web, podemos identificar 13 con datos estructurados, 27 semiestructurados y 34 no-estructurados. Varios grupos de trabajo de asociaciones de CC (Grupo de trabajo de datos y metadatos (CSA) o Grupo de Trabajo sobre «Datos, Herramientas y Tecnología» (ECSA)) se centran en promover la estandarización de los datos de CC. Este es el caso, por ejemplo, del modelo de datos Participación Pública en la Investigación Científica - Núcleo (PPSR-Core, por sus siglas en inglés) que propone la estandarización de los datos y trabaja en promover que sea aceptado y utilizado por las páginas web (Bowser et al., 2017). En relación a la información de proyectos de CC, para analizar cómo estos datos se comparten y definir una estructura común para almacenarlos en la base de datos, ha sido necesario identificar cómo la información asociada a los proyectos de CC se puede clasificar de acuerdo a los atributos del estándar de metadatos PPRS-Core y otros creados.

Hemos analizado cómo este estándar se ha seguido en las páginas web y hemos identificado que está bien definido el Título (comúnmente es lo primero que se ve y es más grande que otros textos) y la Descripción (debajo del título). Para el resto, hemos creado un diccionario de término que contienen 19 categorías (15 incluidas en el estándar de metadatos y 4 añadidas a este) basándonos en términos o secciones similares identificadas en las páginas web analizadas:

• Redes sociales: el nombre de la red social («twitter» o «facebook») o términos generales («blog», «REDES SOCIALES» o «PERFILES EN REDES SOCIALES»).

• Recursos en línea: extensiones de formatos de fichero («.pdf») o términos generales («OTROS RECURSOS DEL PROYECTO» o «Desktop»).

• Herramientas y materiales: solo una expresión seleccionada «Tipo de medios».

• Aplicaciones utilizadas: repositorio de nombre de aplicaciones utilizadas, aunque podría integrarse también en la categoría de herramientas y materiales («play.google» o «apple.com») o términos generales («Mobile»).

• Imágenes: extensión de los ficheros («.jpg», «.png», «.JPG» o «.jpeg»).

• Localización geográfica: términos generales utilizados («Geographical», «Geographic Scope», «WHERE», «Ubicación», «places», «Project Location» o «Location») o términos específicos para las regiones o áreas («Country», «PROVINCIA» o «País»).

• Estado: términos generales («Project Status», «Status» o «ESTADO DEL PROYECTO»).

• Metodología – Tareas de los participantes: términos generales («Participation Tasks» o «Tasks») y preguntas abiertas sobre la participación («HOW TO GET STARTED», «RELACIÓN CON LA CIENCIA CIUDADANA» o «¿Cómo participan los voluntarios/as?»).

• Fecha de inicio: términos generales («Start Date», «FECHA DE INICIO DEL PROYECTO» o «Projektstart»).

• Financiación o apoyo económico: términos generales («Sponsor», «TOTAL EXPENSE» o «Project Funding»).

• Campo de investigación: términos generales («Fields of Science», «TOPICS», «ÁREA DE CONOCIMIENTO»).

• Tiempo de desarrollo: términos generales («Intended Outcomes», «IDEAL FREQUENCY», «When?» o «Période»).

• Objetivos principales: términos generales («Goal», «Waarom doe je mee?» o «Objet»).

• Edad de los participantes: solo un término «IDEAL AGE GROUP».

• Perfil de los participantes: términos generales («Wie kan meedoen?», «Usuarios», «/people/», «PÚBLICO AL QUE SE DIRIGE EL PROYECTO», «INTEGRANTES DEL PROYECTO», «INTEGRANTES», «Who can take part?», «Public», «Project Partners» o «Users»).

• Lugar de desarrollo: términos generales para explicar el espacio o área de desarrollo de las actividades de investigación («SPEND THE TIME», «Region», «Ubicación», «ÁMBITO DE ACTUACIÓN» o «Type of activity»).

• Tiempo de dedicación: términos generales para explicar cuánto tiempo tienen que dedicar los participantes («AVERAGE TIME» o «How long will it take?»).

• Información de contacto: «@» se utiliza en las direcciones de correo electrónico.

• Fecha de actualización de los datos: solo el término «PROJECT UPDATED».

• Programa principal o persona al cargo: en esta categoría se combina información sobre el creador, coordinador o gestor junto con las asociaciones que apoyan o colaboran («PRESENTED BY», «Wie organiseert het?», «/researcher/», «Creado por», «Administradores de proyecto», «Administrador de proyecto», «MIEMBROS DEL EQUIPO», «OTROS GRUPOS O INSTITUCIONES COLABORADORES», «OTRAS PERSONAS O ENTIDADES COLABORADORAS», «Project Manager», «Project Co-ordinator» o «Kontakt»).

Desarrollo y ejecución del algoritmo

Nuestro objetivo es tener toda la información almacenada en la base de datos, así que es esencial escoger la más adecuada basándonos en el tipo de datos extraídos de las plataformas seleccionadas. En esta sección se explica el proceso seguido en la tercera fase (sección 2).

Desarrollo y ejecución

El algoritmo se adapta a los tres tipos de estructura web. Para acceder a la información de proyectos de CC, aplicamos un proceso en dos pasos: primero para acceder a la página principal donde se listan los proyectos y, segundo, para seleccionar proyectos de CC individualmente para consultar su información. La Figura 4 muestra el proceso que sigue el algoritmo. Se desarrolló en el lenguaje de programación Python (usando las librerías selenium, b4soup, requests y PyMongo). En este proceso, fue necesario tener en cuenta si las páginas web tenían una interfaz de programación de aplicaciones (API, por sus siglas en inglés) (ej. la EU-Citizen science e iNaturalist), lo que permitía la extracción automática de los datos desde la base de datos origen.

El protocolo de exclusión de robots regula, para los bots, el acceso al Código Fuente de las páginas web (Kolay et al., 2008). Se define por cada página web y se informa en el fichero robots.txt que es accesible vía la URL de la web. Las restricciones combinan el bloqueo total o parcial del contenido para todos o ciertos robots. Esta información se comprueba antes de la extracción de datos. Hemos identificado: 4 páginas web que han definido un protocolo de exclusión de robots; 20 páginas web que contienen restricciones, pero no para el algoritmo creado o el contenido específico que se extrae y 1 página web cuyo protocolo no permite la extracción de ficheros «.pdf». Para cada web, el robot busca el código fuente, que ha sido identificado manualmente con anterioridad, y extrae elementos específicos de la web (Parvez et al., 2018). Además, las acciones de los usuarios como pulsar un botón se tienen que replicar automáticamente porque algunas páginas que contienen información sobre proyectos de CC tienen más de una pestaña.

Clasificación, limpieza y almacenamiento de los datos

La clasificación de los datos de proyectos de CC se hace automáticamente buscando palabras clave, símbolos o frases definidas previamente (sección 3.3). Se realiza un proceso de limpieza para borrar los datos que no son correctos o los elementos sin clasificar y la información final se almacena en la base de datos. Para evitar duplicados, se comprueba si el título del proyecto existe en la base de datos. Se añade información adicional como la fecha de almacenaje, fecha de actualización (en caso de que ya exista), origen o ID antes de almacenarlo. La información obtenida a partir de la API se tiene que mapear a la estructura de la base de datos (no se necesita limpieza). Este proceso puede reproducirse cuando sea necesario, por lo que el número de proyectos puede aumentar. La Figura 5 muestra un ejemplo de la información almacenada.

Hemos utilizado el reconocimiento de entidad nombrada (NER por sus siglas en inglés) junto con las reglas de entidad para identificar números de teléfono, direcciones de correo electrónico y cuentas personales basándonos en patrones de expresiones regulares dadas (RegEx). El algoritmo comprueba si los nombres de personas aparecen junto con datos personales encontrados por la regla de entidad. El nombre puede, en algunos casos mantenerse sin ser anonimizados como, por ejemplo, si existe un artículo de Wikipedia para el nombre identificado consideramos que es una persona conocida y su nombre tiene un significado más allá de nombrar a una persona (Albert Einstein) o, si es un nombre común que se identifica con una única persona.

Otra razón puede ser que el nombre de una persona sea el mismo que el de un proyecto ya que, hemos encontrado que algún proyecto consiste en analizar datos sobre una única persona o familia. Ambas razones se ignoran si se menciona información del número de teléfono, el correo electrónico o la cuenta personal en la misma frase.

Hemos optado por la pseudo anonimización de las partes de texto seleccionadas mediante hash repetido (Kasgar et al., 2012) agregando el tipo de datos previamente atribuido en el texto. De esta forma, las personas, así como los datos personales no se pueden identificar, pero el texto se puede leer y se pueden seguir estableciendo conexiones entre múltiples proyectos a través de las personas.

Resultados

En nuestro análisis, hemos incluido 4 nuevas categorías a las 43 incluidas en el estándar PPSR-Core: 11 campos obligatorios, 21 opcionales y 15 nuevos atributos identificados en las páginas web. Esta clasificación tiene como objetivo facilitar el análisis automático de los datos en los siguientes pasos. El problema principal identificado es la inconsistencia cuando se reporta información sobre proyectos de CC en línea, ya que muchas de las páginas web o plataformas no siguen los estándares de metadatos. Los atributos más comunes (obligatorios) son el título, la descripción, el enlace a la web (si existe), las cuentas en redes sociales, información de contacto o tema del proyecto. El 91,56% de ellos están informados. Toda la información relacionada con el origen de datos, idioma, fecha de almacenamiento y otra información necesaria para la gestión de los datos siempre se informa, pero no se considera para el análisis. Los tributos menos comunes (definidos como opcionales o nuevos creados por nosotros) como la geolocalización o la edad de los participantes se informan en un 24,8%. Las técnicas de minería de datos se han utilizado para la extracción de información de los textos en otros campos. Una fuente de información importante es la descripción del proyecto, importante para que se puedan aplicar técnicas para que automáticamente extraigan información y completen otros atributos de la base de datos. Por ejemplo, como se explica en secciones anteriores, NER se ha utilizado para identificar el nombre de las personas, pero también se puede utilizar para obtener información sobre la organización, números cardinales, países, ciudades o estados, etc.

Otros métodos computacionales orientados a la clasificación de datos se pueden aplicar a los datos para añadir categorías o crear grupos que fácilmente organicen los datos para que sea más sencillo filtrarlos o darles contexto (Roldán-Álvarez et al., 2021). Al extraer palabras clave o significado a los textos, se pueden crear nuevas categorías como: ODS, objetivos de aprendizaje o áreas de investigación. El resultado de la aplicación de métodos, se puede utilizar para dar apoyo a profesores para seleccionar temas que tratar en el aula y recoger inspiración para crear actividades de aprendizaje.

Discusión y conclusiones

La variedad de páginas web que muestran información sobre proyectos de CC es también una reflexión de cómo de variada es la CC. Involucrar al ciudadano/a también implica adaptarse a las diferentes formas de comunicación, tanto por el lenguaje o por la región en los que ocurre. Las páginas web son buenas herramientas para la comunicación y para compartir con otros la información, pero también para la participación. Aun así, todavía hay trabajo que hacer para aumentar el acceso público a los datos para que la CC sea bien conocida y aumentar el interés de los/las ciudadanos/as a participar en la investigación. Las plataformas de CC deben tener en cuenta el estar alineadas con el estándar de datos PPST_Core y otros. Normalizar todas las estructuras de datos y la información compartida mejora la experiencia de usuario en las páginas web, así como facilita en ellas la búsqueda.

Teniendo la información clave sobre proyectos de CC en un único repositorio y bien documentada, puede mejorar la participación de los/las ciudadanos/as en proyectos de investigación y su interés, así como el campo de la CC. En esta línea, el proyecto CS Track,además de desarrollar conocimientos en el campo de la CC, ha abierto una nueva perspectiva en cómo los métodos computacionales se pueden aplicar para centralizar todos los datos en una única base de datos con propósitos de investigación. Hay todavía trabajo por hacer para analizar y aplicar métodos de minería de datos con el objetivo de obtener más información para las categorías que quedan por completar. Sin embargo, los métodos de minería de datos son poco efectivos sin una buena y detallada descripción del proyecto de CC. Para ello, es necesario involucrar a científicos y expertos en comunicación (Roche et al., 2020) y seguir guías ya definidas por expertos (como la propuesta por Veeckman et al., 2019) para buenas acciones de comunicación. Para tener impacto en el ámbito de la educación, es esencial estar alineado con el currículo oficial del nivel educativo al que haga referencia.