Jose Antonio Cordón @jacordongarcia
Las industrias de la lectura lo son de captación de la atención. La Economía de la Atención ―concepto utilizado por ciertos economistas para informar de las relaciones entre información y atención― consiste en la valoración del recurso que es consumido por la información para llegar a su destinatario: la atención. Un ejemplo de los desarrollos a que ha dado lugar la Economía de la Atención son los motores de recomendación que han sido objeto de una activa competencia industrial, comprometiendo grandes presupuestos. Estos motores, inicialmente, indican que los lectores de tal libro han comprado tal otro, o que lectura de unos contenidos sugiere que pueden ser del gusto del lector estos otros. Este sector se sitúa en el punto crítico del mercado digital: no es necesario que los lectores tengan la impresión de que son manipulados o controlados, ni sobrepasados intelectualmente por las recomendaciones que han de ser muy precisas para que sean aceptadas.
El problema de los editores, y el de las bibliotecas, ha sido siempre el de responder, con la mayor aproximación posible, a la pregunta de ¿qué libro leo ahora? La mayoría de los sistemas desarrollados hasta ahora se basaban en datos de carácter marginal (otros lectores que han comprado esta obra, etc). El modelo que se perfila a partir del uso de los big data permitirá por primera vez tomar como referencia la experiencia desarrollada por un lector individual o por un grupo de lectores (club de lectura), combinando grandes cantidades de elementos para articular un modo y unas prácticas que posibiliten el establecimiento de recomendaciones ad hoc, única manera de fidelizar lectores para las bibliotecas y clientes para las editoriales.
Big data que afectan a algunos de los siguientes parámetros:
Estadísticas por lector
– Obras descargadas
– Obras leídas
– Obras inconclusas
– Obras consultadas
– Anotaciones
– Subrayados
– Exportaciones
– Socialización
– Consultas
– Tiempo de lectura
– Sesiones de lectura
– Géneros
Estadísticas por obra
– Lectores
– Estanterías
– Comentarios
– Anotaciones, etc.
– Obras más populares (por lectores, por intervenciones, etc.)
A partir de estos datos se desarrollan algoritmos de búsqueda e interpretación que permitan articular funcionalidades que le confieran valor añadido a la plataforma y la conviertan en un sitio que proporcione información enriquecida para editores y bibliotecas.
Los sistemas de recomendación actuales adquieren alguna de estas vertientes.
Sistemas de recomendación basados en redes sociales
Generales: Facebook: por ejemplo, libros que recomendarías a un amigo mientras te tomas un café, páginas de autores, editores, recomendaciones y comentarios de otros lectores. Twitter: @librarything. Recomendaciones de otros lectores a partir de su experiencia de lectura.
Especializadas: Entrelectores, Goodreads, Biblioetheka, Anobii. Más ricas contextualmente, permiten recomendaciones del sistema a partir de metadatos de las obras o de opiniones de otros lectores, puntuaciones de las obras, estanterías de otros lectores, categorización de dificultad de lectura (sistema Lexile de Librarything), puntuaciones , etc.
Plataformas de venta: Amazon, Google Play, Casa del Libro, recomendaciones según prácticas de compra de otros lectores, lo que provoca muchas imprecisiones en sus propuestas.
Sistemas de suscripción: 24symbols con sus estanterías permite conocer lecturas recomendadas por otros lectores a partir de elementos gráficos.
Blogs de crítica y reseña de obras: recomendaciones de carácter convencional en las cuales es la opinión del experto la que prima. Versión digital de lo que era la crítica tradicional, aunque aquí se produce una gran variedad de modalidades más heterodoxas. Pero el fundamento no deja ser el del ámbito analógico.
Booktubers: recomendaciones a partir de vídeos colgados en YouTube. Un movimiento emergente muy interesante pero con grandes desequilibrios en la calidad de las contribuciones.
Apps: aplicaciones como Kindle, iBooks, Readmill (ya desaparecida) permiten observar cómo intervienen otros lectores en la obra y por lo tanto sugerir lecturas a partir de las mismas. Amazon da estadísticas y muestras de los textos más populares a partir de la cantidad de elementos subrayados que contienen.
Sitios especiales basados en metadatos: Whichbooks; Smalldemon, Booklamp. Solo sigue vivo el primero, basado en recomendaciones que toman como referencia los sentimientos (feliz, infeliz, bello, feo, con sexo, sin él, etc.) que el lector puede graduar según su conveniencia. Smalldemon y Booklamp recomendaban según un complejo sistema de metadatos que utilizaba todos los hitos (personajes, situaciones, ambientes, objetos, citas a otras obras, emplazamientos geográficos) para buscar obras con un ADN o un grado de similaridad elevado. Booklamp fue adquirida por Apple hace unos meses por lo que, igual que hizo Amazon con Goodreads, seguramente establecerá desarrollos a partir de las experiencias de la empresa.
Desarrollos futuros
Hasta ahora todos los sistemas de recomendación se han basado, en mayor o menor medida, en la medición de datos intrínsecos a la obra, a su circulación y a las prácticas de lectura. La hipótesis de la que se parte es la de que una obra muy leída tendrá muchas posibilidades de ser más leída (Efecto Mateo), hipótesis subyacente en todo tipo de listas de obras más leídas, más vendidas, etc. Lo mismo cabe decir de obras muy compradas, muy comentadas, muy subrayadas. En todos los casos se requiere una intervención activa del lector-comprador, que mediante sus actos determina un conjunto de acciones posteriores. Las expresiones sobre la percepción de la obra parten de la reflexión del lector, del librero, del crítico o del editor, que valoran, de forma introspectiva o mediante la observación, las reacciones que desencadena un título y lo plasman según las condiciones y el contexto en el que se desenvuelve cada uno.
Un paso más en el análisis del comportamiento lector y por lo tanto en la aquilatación de los sistemas de recomendación lo pueden desempeñar las tecnologías ponibles. En este sentido la compañía japonesa Neurowear trabaja en una cámara que graba automáticamente cuando el cerebro ve algo que le gusta.
Neurowear trabaja en diferentes productos con factor común: todos funcionan mediante sensores que leen la actividad eléctrica del cerebro. En el caso de Neurocam, el sensor mide la actividad cerebral en porcentajes. Cuando la persona que lo lleva ve algo que le llama la atención, la actividad eléctrica del cerebro sube poco a poco. Si la medición supera el 60%, la cámara toma un GIF de cinco segundos.
Si el prototipo puede detectar la actividad cerebral en términos de placer/displacer, aplicado a la lectura permitiría detectar aquellos pasajes que suscitan el interés del lector. Trasladando los datos a un sistema en el que fuera posible comparar reacciones, permitiría contar con una gran nube de información acerca de similaridades lectoras en diferentes contextos.
La compañía Virool, especializada en la publicidad a través del vídeo, mide las emociones despertadas en los consumidores de un video en concreto, mediante una tecnología denominada elQ.
La compañía Affectiva, experta en investigación emocional, ha desarrollado igualmente un procedimiento para el reconocimiento facial analizando millones de respuestas a anuncios de diversa naturaleza con la finalidad de categorizar comportamientos predecibles tomando en cuenta la frecuencia de diferentes expresiones en las respuestas faciales. Proximidad, empatía, acercamiento a determinados textos y sobre todo personalización de las recomendaciones en función de los perfiles que se puedan articular constituyen posibilidades por descubrir con estas tecnologías que trabajan a nivel inconsciente y, por lo tanto, con un grado de profundidad mayor que las basadas en manifestaciones e intercambios.
Teksum representa otra tecnología de análisis emocional sumamente interesante por cuanto se centra en los libros y permite conocer los sentimientos que estos despiertan en los lectores en términos del comportamiento de los mismos en diferentes redes sociales, dando lugar a una puntuación que representaría su gradiente emocional.
En definitiva se trata de un conjunto de desarrollos que, sin obviar los más tradicionales, representan el próximo reto que han de abordar las bibliotecas para aproximarse de una manera mucho más precisa a su público lector. Por ello, bienvenida sea la iniciativa de Nubeteca de buscar nuevos caminos para dar una respuesta, lo más pertinente posible, a ese instante en que el lector se pregunta ¿qué leo ahora?
