Cómo calculamos nuestros datos

Qué recogemos

Cada 30 minutos leemos las portadas de unos 120 medios españoles: nacionales, regionales, deportivos, económicos, tecnológicos y de sociedad. De cada titular guardamos el texto, el enlace, el medio, la sección y la hora en que lo vimos por primera vez. No guardamos el texto de las noticias.

Cuándo dos titulares cuentan lo mismo

Reducimos cada titular a sus palabras significativas: lo pasamos a minúsculas, quitamos las tildes y descartamos las palabras de menos de cuatro letras y las muy habituales, como «tras», «nuevo» o «hace». Después comparamos los titulares de un mismo día dos a dos.

• Dos titulares tratan del mismo hecho si comparten al menos el 45 % de esas palabras, contando las de ambos (lo que se conoce como índice de Jaccard).
• Si A se parece a B y B se parece a C, los tres forman un grupo aunque A y C no se parezcan directamente.
• Los titulares con menos de tres palabras significativas no se agrupan.
• Solo cuenta como noticia compartida un grupo con titulares de al menos 2 medios distintos. Las fichas de noticia que enviamos a los buscadores son las que publicaron 4 medios o más.

Qué mide cada índice

• Originalidad: porcentaje de los titulares de un medio que no forman parte de ningún grupo, es decir, que ningún otro medio publicó ese día con un titular parecido.
• Titulares compartidos: porcentaje de los titulares de un medio cuyo texto exacto, con las mismas palabras en el mismo orden, publicó también al menos otro medio. Los rótulos de menos de 30 caracteres, como «Horóscopo», no cuentan.
• Familias: dos medios están vinculados si comparten al menos 5 textos idénticos y esos textos suponen como mínimo el 5 % de los titulares del medio que menos publica. Una familia es el conjunto de medios unidos por esos vínculos. Que dos medios compartan textos no implica que sean de la misma empresa: también puede deberse a acuerdos de contenido o a una misma agencia.

Los índices se calculan sobre los últimos 30 días cerrados y solo incluyen medios con al menos 50 titulares en ese periodo, para que un porcentaje no dependa de unos pocos casos.

Límites

• Solo analizamos titulares, no el contenido completo de las noticias.
• La hora es la de detección, con hasta 30 minutos de margen, no la de publicación.
• Solo vemos lo que hay en la portada en cada pasada: un titular que aparece y desaparece entre dos pasadas no queda registrado.
• Un titular puede agruparse mal: dos hechos distintos descritos con las mismas palabras, o un mismo hecho contado con palabras muy diferentes.
• Si un día no podemos leer la portada de un medio, por cambios en su web o bloqueos, ese medio aparece con menos titulares.

Licencia

Los datos se publican con licencia CC BY 4.0: puedes copiarlos, analizarlos y publicarlos, también con fines comerciales, siempre que cites a Periódicos España con un enlace a la página de datos abiertos.