¿Podemos pensar sin categorías?

Media Analytics y Cultural Analytics

Desde mediados de los años 2000, la cultura digital global ha ingresado a una nueva etapa que yo llamo “análisis de medios” (Manovic, 2018: 473-488). El análisis computacional de números masivos de artefactos culturales, sus “vidas” en línea y las interacciones de las personas con estos artefactos y con otros, han redefinido las dinámicas y mecanismos de la cultura. Este análisis ahora es usado por numerosos actores: las compañías que gestionan redes sociales, las ONGs que planifican su alcance, millones de pequeñas empresas de todo el mundo que publicitan en línea o millones de personas que utilizan las plataformas digitales, las herramientas de análisis web y paneles de control para refinar sus publicaciones y su autopresentación, comprendiendo con ellos sus comunidades y valor profesional. Por ejemplo, puedo usar Google Analytics para saber cómo interactúan los visitantes con las páginas de mis sitios web. También puedo consultar mi puntuación en academia.edu, que se calcula comparando la popularidad de mis publicaciones con las de millones de otros académicos y estudiantes. 

Este análisis de los medios e interacciones a gran escala también habilita otros componentes claves de la cultura digital, como la búsqueda, recomendaciones y la publicidad contextual. Amazon analiza las compras de millones de sus clientes para recomendar libros. Netflix analiza las elecciones de millones de suscriptores para recomendar películas y shows de TV. Además, esta compañía analiza la información de toda su oferta para crear más de 70.000 categorías de género (Madrigal, 2014). Sistemas de publicidad contextual como AdSense analizan el contenido de páginas webs y seleccionan automáticamente los anuncios relevantes para mostrar. Las compañías de videojuegos registran el comportamiento de millones de jugadores y usan esto para optimizar el diseño de juego. 

Los mismos algoritmos centrales usados en la industria también hacen posible nuevas investigaciones sobre culturas y sociedades en campos que incluyen la ciencia computacional, la ciencia de  datos, la ciencia social computacional, las humanidades digitales, los estudios urbanos, los estudios de los medios, la visualización de datos y el diseño de datos. Dado que la investigación que utiliza grandes bases de datos culturales, y ciencia de la información para crearlos, administrarlos y analizarlos, se extiende entre todas estas disciplinas institucionales y del diseño, he estado usando el término paraguas de “Análisis cultural” (“Cultural Analytics”) para referirme a ella (Manovic, 2009). 

Aquí hay algunos ejemplos de investigaciones de Análisis cultural: “Hacia el descubrimiento automatizado de la influencia artística” (Saleh, 2015), “Midiendo la evolución de la música popular occidental contemporánea” (Serrà, 2012) y “Duración de tomas, clases de tomas y el aumento del ritmo de las películas populares” (Cutting/Candan, 2015: 40-62). El primer artículo presenta un modelo matemático para el descubrimiento automatizado de influencia entre artistas. Sesenta y seis artistas de renombre probaron el modelo usando 1.710 imágenes de pinturas. Mientras algunas de las influencias descubiertas son las mismas comúnmente descritas por historiadores del arte, el modelo también sugirió otras influencias visuales entre artistas no discutidos previamente. El segundo artículo investiga los cambios en la música popular utilizando un base de datos de 464.411 canciones de entre 1955 y 2010. El conjunto de datos incluía “una variedad de géneros populares, incluido rock, pop, hip hop, metal o electrónica”. Los autores concluyeron que, con el tiempo, se produjo “la restricción de los tonos de transición” y “la homogeneización de la paleta tímbrica”. En otras palabras, parte de la variabilidad musical ha disminuido. El tercer artículo analiza los cambios graduales en el promedio de duración de las tomas en 9.400 películas narrativas en inglés creadas durante 1912-2013. 

En este artículo discutiré algunos desafíos generales para la investigación del Análisis cultural. Ahora que disponemos de una gran cantidad de información cultural y nuestras computadoras pueden hacer análisis complejos bastante rápido, ¿cómo debemos mirar la cultura? ¿Usando métodos computacionales sólo para proveer mejores respuestas a las preguntas ya establecidas por los paradigmas de las humanidades del siglo XIX y XX, o estos métodos permiten nuevos conceptos fundamentalmente diferentes?   

Pienso que estas perspectivas son necesarias porque la cultura contemporánea en sí misma está dirigida por los mismos o similares métodos. Así, por ejemplo, si quisiéramos analizar las intenciones, la ideología y la psicología de un autor de cierto artefacto cultural o experiencia cultural, este tal vez no sea un humano sino alguna forma de Inteligencia Artificial que usa una combinación de análisis de datos, aprendizaje automático [machine learning] y generación algorítmica. De hecho, la diferencia entre usar métodos computacionales y conceptos del análisis de datos culturales hoy versus hace veinte años es que ahora estos métodos y conceptos impulsan la cultura digital vivida cada día por billones de personas. Cuando un pequeño número de humanistas y cientistas sociales en la segunda mitad del siglo XX estaban analizando los datos culturales con computadoras, su cultura contemporánea era mayoritariamente análoga, física y no cuantificable. Pero hoy en día, como investigadores académicos, vivimos en la “sombra” de un mundo de redes sociales, recomendaciones, aplicaciones e interfaces que utilizan el análisis medial. Como ya explicaba, veo el análisis de los medios como un nuevo estadio en el desarrollo de los medios tecnológicos modernos. Este estadio está caracterizado por análisis algorítmicos a gran escala de los medios e interacciones de usuarios y la utilización de los resultados en decisiones algorítmicas hechas a través de anuncios contextuales, recomendaciones, búsqueda y otros tipos de recuperación de información, filtros de resultados de búsqueda y publicaciones de usuarios, clasificación de documentos, detección de plagio, identificación de huellas dactilares de videos [video fingerprinting], clasificación por contenido de las fotos de usuarios, producción automatizada de noticias, etc. 

Y aún estamos solo en el comienzo de esta etapa. Dada la trayectoria de la automatización gradual de más y más funciones en la sociedad moderna a través de algoritmos, creo que la producción y personalización de muchas formas de la “cultura comercial” (caracterizada por convenciones, expectativas de género y plantillas [templates]) también serán gradualmente automatizadas. Así, en el futuro, a las plataformas de distribución digital y el análisis de medios ya desarrollados se les unirá una tercera parte: la generación de medios algorítmicos. (Por supuesto, artistas experimentales, diseñadores, compositores y cineastas han utilizado algoritmos para generar obras desde los años 60, pero en el futuro, es probable que esta sea la nueva norma en la industria cultural). Hoy en día podemos ver esto en marcha en los generadores automatizados de noticias, en el contenido online sobre tópicos sugeridos por algoritmos, en la producción de algunos shows de TV, y en transmisiones televisivas de eventos deportivos, donde múltiples cámaras robóticas automatizadas siguen y hacen zoom a dinámicas del cuerpo en acción.  

Hace diez años, las técnicas culturales claves que usábamos para representar y razonar sobre el mundo y otros humanos incluían lenguajes naturales, imágenes de video y fotografías basadas en lentes, además de varios otros medios para preservar y acceder a la información, cálculos, computadoras digitales y redes informáticas. Los conceptos centrales de la Sociedad de la información/IA ahora son muy importantes. Ellos forman la “mente” de la sociedad de datos —las maneras particulares de encontrar, entender y actuar sobre el mundo y los humanos—. Y esta es la razón por la que, de todos modos, incluso si no tienes intenciones de poner en práctica una investigación de Análisis cultural, necesitas familiarizarte con estas nuevas técnicas culturales centradas en datos. (El concepto de “técnicas culturales” ha sido, en su mayoría, utilizado en la reciente teoría alemana de los medios. Véase Winthrop-Young/Irascu/Jussi Parikka 2013.)

Si bien tanto los análisis mediales en la industria como las investigaciones de Análisis culturales hacen uso de docenas de algoritmos, detrás de ellos hay un pequeño número de paradigmas fundamentales. Podemos pensar en ellos como tipos de conocimiento de la sociedad de los datos/IA. Los tres más generales son: visualización de datos, aprendizaje automático no supervisado y aprendizaje automático supervisado. Otras son: extracción de características, agrupación, reducción de dimensiones, clasificación, regresión, ciencia de redes, análisis de series temporales y recuperación de información. (Otros pueden tener una lista diferente dependiendo de su campo.)

El desarrollo de la mente de la sociedad de datos: breve línea de tiempo 

Dada la rapidez y amplitud con la que términos como “IA”, “aprendizaje automático” y “ciencia de datos” han entrado en el discurso público en la década de 2010, muchas personas podrían pensar que estos campos son muy nuevos. De hecho, casi todas las ideas y los métodos usados hoy fueron desarrollados en el siglo XIX y XX. Para mostrarlo, construí una línea de tiempo de conceptos y métodos seleccionados en estadísticas y análisis computacionales de información. (Lo que ha sido incluido y excluido se basa en mi propia experiencia con la ciencia de los datos y apunta conscientemente más a una investigación de Análisis cultural que a toda aplicación industrial.)

El siglo XIX:

1. Distribución normal observadas características físicas de grupos de personas: Adolphe Quetelet en los primeros años de la década de 1830. 
2. Física social, 1835: el libro de Quetelet Sur l’homme et le développement de ses facultés, ou Essai de physique sociale (traducido al inglés como Treatise on Man) esboza la idea de la “física social”. Quetelet se apropia de este término de Compte, quien ya lo utilizaba antes. 
3. Sociología, 1838: al enterarse que Quetelet utilizaba este concepto, Compte introduce el nuevo concepto de “sociología”.
4. Desviación estándar: Francis Galton a finales de 1860. 
5. Correlación: Aguste Bravais en 1846, redescubierto por Galton en 1888. 
6. Análisis de regresión: Galton en la década de 1880.
7. Histograma: Pearson en 1895.
8. Análisis de regresión, extendido y formalizado —Udny Yule y Karl Pearson, 1897-1903. 
9. Fundamentos de la Teoría de la prueba de hipótesis estadística: Pearson en 1900.   
10. Ley de potencia, 1896: el economista Vilfredo Pareto publica sus observaciones de “regla 80-20” más tarde  llamada “Ley Pareto”. Esta ejemplifica la más general “ley de potencia” que describe muchos fenómenos en la cultura de la red y las redes sociales de hoy, como la “cola larga”. 

El siglo XX:

1. Análisis de componentes principales: Pearson en 1901. 
2. Análisis factorial: Charles Spearman en 1904. 
3. Regresión multivariable —usado por primera vez en los años 1900. 
4. Cadenas de Markov, 1906: Andrew Markov comienza a trabajar sobre la teoría y los métodos para análisis estadísticos de series temporales que más tarde son llamadas “cadenas de Markov”. 
5. Análisis de red, años 1930: Jacob Moreno desarrolla métodos para representar redes sociales. En la década de 1950 los métodos y conceptos de medición para análisis de red son formalizados. 
6. Redes neuronales, 1957: Frank Rosenblatt desarrolla redes neuronales para clasificación (“perceptrones”). Esta investigación estuvo basada en el modelo temprano de redes neuronales desarrollado por el científico americano nacido en Ucrania Nicolas Rashevsky. Sus estudiantes Walter Pitts y Warren McCulloch desarrollaron aún más su modelo y publicaron su famoso artículo de 1943 en la revista de Rashevsky (McCulloch/Pitts 1943: 115-133)
7. “Software”, 1958: John Tukey es el primero en usar este término. (Tukey 1958: 1-9)
8. Escala multidimensional, años 1950. (Torgerson 1958; Green 1975: 24-31)
9. Máquinas de vectores de soporte, 1963: Vladimir Vapnik y Alexey Chervonenkis (Unión Soviética) desarrollan el algoritmo original. Una versión del algoritmo publicada por Vapnik en 1995 se convierte en uno de los algoritmos de clasificación más populares.
10. Aprendizaje profundo, 1965: Alexey Ivakhnenko y V.G. Lapa publican el primer algoritmo de trabajo para el aprendizaje profundo. A fines de la década del 2000, el aprendizaje profundo se convirtió en el enfoque más popular para la clasificación. Ivakhnenko a menudo se conoce como el “padre del aprendizaje profundo”. 
11. Concepto de espacio vectorial, finales de los años 1960: desarrollado para comparaciones de texto por Gary Salton.
12. Análisis exploratorio de datos, 1971: Tukey comienza a desarrollar ideas de análisis exploratorio de datos.
13. Lenguajes de programación estadística, 1976: John Chambers y otros desarrollan el lenguaje llamado “S” en Bell Labs. Hace posible el Análisis Exploratorio de Datos ya que permite a los investigadores realizar todo tipo de análisis estadístico y de datos desde una línea de comando y hacer gráficos. (Chambers 2016) El lenguaje “R” se desarrolló más tarde a partir de “S”.
14. Backpropagation, 1986: este nuevo método para enseñar redes profundas comienza a popularizarse después de la publicación del artículo de David Rumelhart, Geoffrey Hinton y Ronald Williams en Nature. (Rumelhart et al. 1986: 533)
15. PageRank, 1996: Larry Page y Sergey Brin desarrollaron el algoritmo PageRank. La idea se propuso anteriormente y se remonta al trabajo de Eugene Garfield, el fundador de la bibliometría y la cienciometría en la década de 1950. (Aunque PageRank no es el algoritmo clave en el análisis de datos, tuvo un efecto fundamental en la forma en que las personas interactúan con la información y el contenido cultural en línea).
16. Filtrado colaborativo ítem-ítem, 1998: Amazon inventa y comienza a utilizar el filtrado colaborativo ítem-ítem, un algoritmo de recomendación que calcula la similitud entre objetos (como libros) en función de las calificaciones de la gente sobre esos objetos. (Sarwar 2001: 285-295)

El siglo XXI:

1. Asignación latente de Dirichlet, 2003: David Blei, Andrew Ng y Michael I. Jordan publican el modelo para el “modelado de temas” en documentos de texto denominado Asignación latente de Dirichlet. J. K. Pritchard, M. Stephens y P. Donnelly habían publicado el artículo original de modelado de temas en 1999.
2. Despega el aprendizaje profundo, 2006: La ola actual de investigación sobre aprendizaje profundo comienza con la publicación “Un algoritmo de aprendizaje rápido para redes de creencias profundas” de Geoffrey Hinton, Simon Osindero y Yee-Whye Teh. (2006: 1527-54) La combinación de datos más grandes disponibles para la capacitación, el uso de grupos de computadoras y GPU, y el intercambio de conjuntos de datos y códigos en línea, y la competencia como ImageNet conducen a un progreso muy rápido.
3. Uso del aprendizaje profundo para la clasificación de imágenes, 2012: un artículo, “Clasificación de ImageNet con redes neuronales convolucionales profundas» de Alex Krizhevsky, Ilya Sutskever y Geoffrey Hinton, muestra que “el aprendizaje profundo supera a otros métodos para la clasificación de imágenes”.

Resumiendo esta línea de tiempo, puedo decir que prácticamente todos los conceptos y métodos relevantes para los Análisis culturales se inventaron a mediados de la década de 1970, aunque sus aplicaciones masivas en la industria cultural y en la investigación de Análisis culturales tienen solo unos diez años.

¿Queremos “explicar” la cultura?

Abordar los procesos y artefactos culturales como “datos” puede conducirnos a formular el tipo de preguntas acerca de la cultura que las personas que escriben, curan y administran profesionalmente sobre ella normalmente no se preguntan hoy, porque tales preguntas irían contra la compresión aceptada de la cultura, la creatividad, la estética y el gusto en las humanidades, los medios populares o el mundo del arte. Por ejemplo, ¿los coleccionistas y museos pagarían millones por obras de artistas contemporáneos si el análisis de datos mostrara que son completamente faltos de originalidad pese a sus altos valores financieros? O si el análisis de datos revelara que las tendencias en el mundo del arte pueden ser predichas tan adecuadamente como las de la moda?

El más reconocido e influyente análisis cuantitativo de datos culturales dentro de las ciencias sociales sigue siendo Distinción (1979) de Pierre Bourdieu. Los datos usados en este análisis provienen de las encuestas públicas francesas. Para el análisis y visualización de estos datos Bourdieu utilizó el recientemente desarrollado análisis de correspondencia. Este es similar al PCA pero trabaja de acuerdo a categorías discretas, mostrando sus relaciones en forma gráfica. Para Bourdieu esta forma de visualización de análisis de datos iba acompañada de sus conceptos teóricos acerca de la sociedad y la cultura, y esa es la razón por la que juega un papel central en este libro. Distinción es el libro más conocido de Bourdieu, y en el 2012 Bourdieu fue el segundo autor más citado en el mundo, después de Michel Foucault (Truong/Weill 2012).   

Bourdieu no usó el método más común en la ciencia social cuantitativa de Estados Unidos, “explicando” algunos fenómenos observados, representados por variables dependientes, al predecir sus valores usando otros fenómenos representados por variables independientes a través de un modelo matemático (por ejemplo, regresión lineal). Sin embargo, dada la variedad y la escala de la información cultural disponible hoy en día, tal vez actualmente tal método puede producir resultados interesantes. 

¿Qué pasaría si también tomáramos otros métodos estándar de la ciencia social cuantitativa y los usáramos para “explicar” el aparentemente elusivo, subjetivo e irracional mundo del futuro? Por ejemplo, podemos usar factores de análisis para analizar opciones y preferencias de audiencias locales de todo el mundo por videos musicales de muchos países para comprender la dimensión que las personas usan para comparar músicos y canciones. O podemos usar análisis de regresión y combinación de variables demográficas, sociales y económicas para modelar opciones hechas por “omnívoros culturales” −personas a las que les gustan las ofertas culturales asociadas con el gusto de élite y popular− (Peterson 1992: 243-258).

En las investigaciones cuantitativas de sociología de la cultura, marketing y publicidad, los investigadores hacen todo el tiempo preguntas similares en relación a los bienes de consumo y artefactos culturales. Y los científicos computacionales también hacen esto cuando analizan las redes sociales y los datos web. Pero esto no sucede en las humanidades. De hecho, si estás en el mundo de las artes o humanidades, estas ideas pueden hacerte sentir verdaderamente incómodo. Y es precisamente por esta razón que debemos explorarlas.

El objetivo de cualquier aplicación de métodos cuantitativos o computacionales para Análisis culturales no tiene que ver con si acaba siendo exitosa o no (a menos que estés en el negocio de análisis de medios). Puede forzarnos a mirar el tema de nuevas formas, volver explícitas nuestras suposiciones, y definir nuestros conceptos y las dimensiones que queremos estudiar. 

Así, al menos como un experimento mental, apliquemos el paradigma cuantitativo de las ciencias sociales a la cultura. El objetivo de las ciencias sociales cuantitativas es brindar “explicaciones” de los fenómenos sociales expresados como relaciones matemáticas entre pequeños números de variables (qué influencia qué y cuánto). Una vez que tales modelos son creados, a menudo son usados para predicción. Los métodos comunes de estadísticas para tales “explicaciones” son modelos regresivos, versiones de factores de análisis o ajustes de una distribución de probabilidad de los datos. Esto último significa determinar si los datos observados se pueden describir usando un modelo matemático simple. Por ejemplo, distribución gaussiana, distribución logarítmica normal, distribución de Paretto, etc. (En los estudios fílmicos cuantitativos, un número de investigadores encontró que la frecuencia de tomas en los films hollywoodenses del siglo XX siguen una distribución logarítmica normal. Ver, por ejemplo, DeLong 2015: 129-36). 

¿Estamos interesados en tratar de explicar qué influencia qué en la cultura o predecir su futuro con modelos matemáticos? ¿Necesitamos explicar la cultura a través de variables económicas y sociales externas? ¿Realmente necesitamos encontrar que la biografía del autor, por ejemplo, cuenta por el 30% de la “variabilidad” en su trabajo? ¿O que las variables de edad, ubicación y género cuentan por, digamos, el 20% de variabilidad en publicaciones de Instagram? E incluso si encontramos que una combinación de algunas variables puede predecir el contenido y el estilo de las publicaciones de Instagram de algunos usuarios con un 95% de exactitud, probablemente lo que es realmente importante en esta esfera cultural es el 5% que no podemos predecir. 

Aplicado a los datos de la vida real, los modelos de regresión normalmente solo pueden predecir algunos de los datos, pero no todos. La parte que no es predicha es tratada usualmente como “ruido” porque no encaja con el modelo matemático. De hecho, en la presentación estándar del análisis regresivo, el término que es agregado al modelo para representar la información impredecible es llamado un término de error o ruido. La suposición es que la parte de ruido se debe a alguna variación posiblemente aleatoria, que agrega perturbaciones al proceso que estamos observando y modelando. 

¿El objetivo de los Análisis culturales es estudiar patrones? (Sí y no)

Ahora que entendemos las implicancias de mirar la cultura de la forma en que los científicos sociales miraron a la sociedad en el siglo XX, ¿queremos realmente hacer esto? En los Análisis culturales no queremos “explicar” la mayoría o solo algunos de los datos usando un modelo matemático simple y tratar el resto como “error” o “ruido” solo porque nuestro modelo matemático no puede contarlos. Y no queremos asumir que la variación cultural es una desviación de la media. Tampoco queremos asumir que grandes proporciones de obras en un medio particular de género siguen un  único patrón o solo unos pocos, como “el viaje del héroe”, la “proporción áurea” o las “oposiciones binarias”, o que cada cultura pasa por las mismas tres o cinco etapas de desarrollo como afirman algunos historiadores del arte del siglo XIX. 

Creo que debemos estudiar la diversidad cultural sin asumir que es causada por variaciones de algún tipo o estructura. Esto es muy diferente al pensamiento moderno de la ciencia social cuantitativa y del pensamiento estadístico al que se adapta. El desarrollo histórico de las estadísticas en los siglos XVIII y XIX conduce a considerar los datos observados en términos de desviaciones de la media.

¿Esto significa que solo estamos interesados en las diferencias y que queremos evitar cualquier tipo de reducción a toda costa? Postular la existencia de los patrones culturales es aceptar que estamos haciendo al menos alguna reducción cuando pensamos y analizamos datos. Sin esto, no podemos comparar nada, a menos que estemos tratando con un minimalismo cultural extremo o la serialidad, donde el artista hace todo lo demás igual y solo varía una sola variable, como Sol LeWitt o alguna música minimalista. 

De este modo, los Análisis culturales pueden ser definidos como análisis cuantitativos de patrones culturales en diferentes escalas. Pero si aceptamos esta definición, necesitamos inmediatamente sumar un punto importante a esta afirmación. Mientras queramos descubrir repitiendo patrones sobre diferentes escalas en datos culturales, debemos siempre recordar que ellos solo cuentan para algunos aspectos de los artefactos y su recepción.   

A menos que este sea una copia del 100% de otro artefacto cultural o producido mecánicamente o algorítmicamente para ser idéntico a otros, cada expresión e interacción es única. En algunos casos, la unicidad no es importante en el análisis, y en otros sí lo es. Por ejemplo, las características faciales que extrajimos de un conjunto de datos de retratos de Instagram revelaron interesantes diferencias en cómo las personas se representan a sí mismas en este medio en particular en las ciudades y periodos que analizamos. Pero la razón por la que no nos cansamos de mirar interminables rostros y cuerpos cuando navegamos en Instagram es que cada uno de ellos es único. 

El objetivo clave de los Análisis culturales, a mí parecer, debería ser mapear en detalle (y ayudarnos a pensar sobre estos mapas) la diversidad de artefactos generados globalmente por profesionales contemporáneos y usuarios creados globalmente, es decir, centrarse en cuál es la diferencia entre numerosos artefactos y no solo sobre lo que comparten. 

¿Podemos pensar (la cultura) sin categorías?

En mi experiencia, estos ideales son más fáciles de señalar que de poner en práctica. El cerebro humano y el lenguaje son máquinas categorizantes. Nuestra cognición procesa constantemente información sensorial y la categoriza. Observar un patrón es como construir una nueva categoría: un reconocimiento de que algunas cosas o algunos aspectos de estas cosas tienen algo en común. ¿Podemos aprender a pensar sobre la cultura sin categorías?

¿Cómo nos alejaremos de la suposición de las humanidades (que hasta ahora “debían” pensar y escribir sobre cultura) de que su objetivo de investigación es el descubrimiento y la interpretación de tipos generales de cultura, sean ellos “modernismo”, “estructuras narrativas”, “selfies” o “fotógrafos digitales amateur”? ¿Cómo aprender en cambio a ver la cultura en más detalles, sin buscar inmediatamente e identificar solo tipos, estructuras o patrones?           

Por supuesto, primero necesitamos muestras de datos lo suficientemente grandes, o idealmente todos los artefactos. Luego, necesitamos extraer números lo suficientemente grandes de características que capturen las cualidades de aquellos artefactos, su percepción y uso por parte de la audiencia, y su circulación. (También necesitamos pensar más sistemáticamente sobre cómo representar los procesos e interacciones culturales −especialmente desde hoy en día que usamos medios culturales digitales interactivos en oposición a artefactos estáticos históricos−.) Una vez que tenemos ese conjunto de datos, podemos explorarlos usando variadas técnicas de visualización que trabajan con resultados de análisis de datos exploratorios −visualización de análisis de conglomerados, visualizaciones de matrices de distancia, y visualizaciones que usan reducción de dimensión (PCA, t-sne, etc.). 

¿Pero cuáles son los objetivos de estas “exploraciones”? ¿Qué estamos midiendo y comparando? A modo de conclusión, me gustaría proponer una respuesta a esta pregunta. Observar y analizar la cultura significa ser capaz de mapear y medir tres características fundamentales. Estas características son diversidad, estructuras (por ejemplo, conjuntos de redes, y otros tipos de relaciones) y dinámicas (cambios temporales). En el caso de las situaciones culturales donde podemos esperar muchos trabajos para seguir alguna estética prescriptiva o usar plantillas −por ejemplo, filtros de Instagram proporcionados por una aplicación, o los temas descritos e ilustrados en miles de publicaciones de consejos− podemos también ver la cuarta característica: variabilidad. Así, por ejemplo si analizamos un caso de imágenes de Instagram, podemos detectar la presencia de los temas que aparecen en muchas publicaciones, y así mirar las desviaciones de estos temas y también las imágenes que no siguen ninguno de ellos. Pero no queremos asumir que la desviación del tipo (o de un significado o de otra estática que podemos computarizar para nuestro conjunto de datos) es una medida necesaria para todas las situaciones culturales. El desarrollo de la apropiada medida de diversidad cultural, estructura, dinámica y variabilidad para diferentes tipos de medios y campos culturales es en sí una gran tarea teórica y práctica. Lo veo como la tarea central para los Análisis culturales en los años que vienen.     

Bibliografía

Chambers, John M. (2016): Stages in the Evolution of S, March 7, 2000, accessed August 29, 2016, http://ect.bell-labs.com/sl/S/history.html

Cutting, James E. and Ayse Candan (2015): Shot durations, shot classes, and the increased pace of popular movies. In: Projections: The Journal for Movies and Mind 9 (2): pp. 40-62,

http://people.psych.cornell.edu/~jec7/pubs/cutting&candanProj15.pdf

DeLong, Jordan (2015): Horseshoes, Handgrenades, and Model Fitting: The Lognormal Distribution Is a Pretty Good Model for Shot-length Distribution of Hollywood Films. In: Digital Scholarship in the Humanities 30/1, pp. 129-36.

Green, Paul E. (1975): Marketing Applications of MDS: Assessment and Outlook. In: Journal of Marketing 39/1 (1975): pp. 24-31.

Hinton, Geoffrey, Simon Osindero, and Yee-Whye Teh (2006) “A Fast Learning Algorithm for Deep Belief Nets,” Neural Computation 18, no. 7 (2006): 1527-54

Manovich, Lev (2018): 100 Billion Data Rows per Second: Media Analytics in the Early 21st Century. In: International Journal of Communication 12 (2018): pp. 473–488.

Manovich, Lev (2009): Cultural Analytics: Visualizing Cultural Patterns in the Era of “More Media.” In: Domus (March 2009).

McCulloch, Warren S. and Walter Pitts (1943): A Logical Calculus of the Ideas Immanent in Nervous Activity. In: The Bulletin of Mathematical Biophysics 5/4, pp. 115-133, doi: 10.1007/BF02478259

Rumelhart, David, Geoffrey Hinton, and Ronald Williams (1986): Learning Representations by Back-propagating Errors. In: Nature 323/6088: 533.

Krizhevsky, Alex, Ilya Sutskever, and Geoffrey E. Hinton (2012): ImageNet Classification with Deep Convolutional Neural Networks. In: Advances in Neural Information Processing Systems 25 (2012), accessed August 8, 2016, http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks

Kurenkov, Andrey (2016): A ‘Brief’ History of Neural Nets and Machine Learning, December 24, 2015, accessed August 29, 2016, http://www.andreykurenkov.com/writing/a-brief-history-of-neural-nets-and-deep-learning-part-4/

Saleh, Babak et al. (2015): Toward Automated Discovery of Artistic Influence, https://arxiv.org/abs/1408.3218

Sarwar, Badrul et al. (2001): Item-based collaborative filtering recommendation algorithms. In: Proceedings of the 10th International Conference on World Wide Web (ACM): 285-295.

Serrà, Joan et al. (2012): Measuring the Evolution of Contemporary Western Popular Music, 2012, https://www.nature.com/articles/srep00521

Torgerson, Warren S. (1958): Theory and Methods of Scaling, New York: Wiley.

Truong, Nicolas and Nicolas Weill (2012): A Decade after His Death, French Sociologist Pierre Bourdieu Stands Tall. In: The Guardian, February 21, 2012, https://www.theguardian.com/world/2012/feb/21/pierre-bourdieu-philosophy-most-quoted

Tukey, John W. (1958): The Teaching of Concrete Mathematics. In: The American Mathematical Monthly 65/1: pp. 1-9.

Winthrop-Young, Geoffrey, Ilinca Irascu and Jussi Parikka (2013): Cultural Techniques (Special Issue), Theory, Culture & Society 30/6 (November).