Cuenca Matanza-Riachuelo (espacio de investigación): Análisis del sitio-archivo de la ACUMAR

-

Aca podran conocer herramientas para analizar el corpus de documentos públicos del espacio urbano llamado Cuenca Matanza-Riachuelo. También se pueden configurar para analizar otros corpora.

Lecturas Introductorias

• Río Matanza-Riachuelo (Wikipedia)
• Autoridad de Cuenca Matanza-Riachuelo (Wikipedia)
• Minería de Datos (Wikipedia)
• Análisis de Redes (Wikipedia)

Corpus Básico (ACUMAR):

Todos lo HTMLs y DOCs y PDFs chicos indexados por Google pasados a TXT y concatenados (hay algunos errores para Ñ y acentos pero no muchos):

•  Lista de documentos pasados a TXT: PDFs DOCs HTMLs
• Textos concatenados en un solo archivo: acumar_corpus.txt
• Otros PDFs grandes pasados a TXT: Plan Integral 2010 (original) - Anexo 1 (original) - Anexo 2 (original) - Anexo 3 (original)

Análisis con nubes de palabras o TagClouds

• Todos: Nube1 Nube2 (todos los nodos juntos)
• Actores: Nube1 Nube2 (nombres propios o cosas en mayúsculas).
• Acciones: Nube1 Nube2 (verbos).
• Temas: Nube1 Nube2 (sustantivos y otras cosas en minúsculas).
• Atributos: Nube1 Nube2 (adjetivos).

Ejemplos:

• Algunas variaciones del la nube de actores y algunas visualizaciones de los segundos y terceros anillos (quitando los top 10 y luego los top 20): http://www.wordle.net/gallery?username=m7red

Publicaciones

•  Artículo Breve (pio)
• Artículo Breve (jose)

Bibliografía Extra

• ¿Porqué es importante la transparencia? Portal Oficial del Gobierno Argentino.
• El Derecho de Libre Acceso a la Información en el Derecho Público Argentino. Fundación Ambiente y Recursos Naturales.
• La ACUMAR presentó plan actualizado de la Cuenca Matanza Riachuelo al Juez de Quilmes. ACUMAR. Diciembre de 2009.
• No se cumplió con lo que ordenó la Corte para sanear el Riachuelo. Diario La Nación. Martes 27 de abril de 2010.

Requerimientos minimos:

- Ubuntu Linux (podría correr en Windows, no fue probado).

- Python 2.6 (debería andar con Python 2.4 y 2.5 también).

- Catdoc para usar corpus_normalization.py con PDFs (se instala con sudo apt-get install catdoc).

- Html2text para usar corpus_normalization.py con DOCs (se instala con sudo apt-get install html2text).

Faltantes:

- No soporta PDFs que no contengan texto digitalizado. Es decir todavía no digitalizamos texto en imagenes con un OCR (Optical Character Recognition).