Archivo web y recuperación de información archivada en línea

Este taller enseña a los participantes métodos, herramientas y consejos para encontrar y recuperar información histórica y «perdida» de los sitios web, así como para archivar y conservar copias de páginas web para futuras consultas y para demostrar que algo existió en Internet.

Actividades de aprendizaje

Introducción (10 minutos)

Instrucciones

• Para captar la atención de los participantes, plantea una pregunta o comenta un tema relevante, una imagen, etc.

• Preséntate y expón los objetivos del taller.

• Opcional: Presenta la fuente del material del taller (Tactical Tech).

• Informa a los participantes del programa que seguirá el taller.

• Propón reglas básicas para el taller: cómo esperas que los participantes actúen y reaccionen, se respeten mutuamente, etc. Depende del tiempo que dediques a los participantes del taller; si diriges una formación más larga, también podrías considerar la posibilidad de desarrollar un código de conducta o un acuerdo compartido (más consejos en la Guía del facilitador de Exponiendo lo Invisible).

Instrucciones

• Haz una ronda rápida de presentaciones pidiendo a los participantes que respondan a un par de preguntas sobre ellos mismos, su trabajo, sus expectativas en el taller, etc.

• Otra opción es elegir alguna actividad para romper el hielo que anime a los participantes a ser creativos, como, por ejemplo, dibujar respuestas o ideas en una pizarra en línea o, si la actividad es presencial, levantarse y realizar algunas tareas. Si necesitas inspiración, consulta la sección de «Actividades para romper el hielo» de la Guía del facilitador de Exponiendo lo Invisible.

Introducción a los archivos web (20 minutos)

Instrucciones

• Haz una breve presentación sobre la necesidad de usar ciertas técnicas y herramientas para crear archivos en Internet. Mientras hablas, puedes invitar a los participantes a pensar en ejemplos relevantes.

Propuesta de guion:

• A veces, cuando quieres verificar algún dato en línea, es posible que acabes dando con enlaces rotos o que den a sitios web que ya no están disponibles.

• En otras ocasiones, te encontrarás con sitios web con información vital que podría aportar un gran valor a un artículo o un reportaje, pero es posible que no te des cuenta de ese valor hasta más tarde.

• Cuando vuelvas a visitar ese sitio web para consultarlo, es posible que te encuentres con que ya no existe, que han eliminado esa página web en concreto o que ya no se puede acceder a la información que necesitas y la han sustituido por nuevos contenidos.

• Es probable que te enfrentes a todos estos retos en algún momento durante el curso de tus investigaciones.

Instrucciones

• Expón una situación en la que hayan borrado información pública útil de un sitio web y que se pueda recuperar mediante archivos en línea como Wayback Machine de Internet Archive o Archive Today.

Propuesta de la situación y de guion (más detalles disponibles en "Retrieving and Archiving Information from Websites" guide):

• Por ejemplo, puedes exponer el caso de Facebook, cuando eliminaron las páginas web que explicaban cómo las entidades y los movimientos políticos habían utilizado la plataforma para llegar a las masas y ejercer influencia durante las campañas y las elecciones.

• Dicha página web se encontraba disponible aquí: https://www.facebook.com/business/success/categories/government-politics. Pero, de repente, el enlace dejó de funcionar.

• Facebook eliminó la página de su lista de casos de éxito a principios de 2018, después de que estallara el escándalo de recogida de datos de Cambridge Analytica y atrajera un profundo escrutinio a la práctica de la empresa de permitir a terceros acceder a su base de usuarios con fines comerciales y políticos.

Con la ayuda de Wayback Machine, de Internet Archive, se puede encontrar una lista archivada de los proyectos políticos que Facebook antes mostraba bajo la sección —que ahora ha desaparecido— llamada Gobierno y política, en la página de «Casos de éxito» (https://es-es.facebook.com/business/success).

• Si se busca "https://www.facebook.com/business/success/categories/government-politics" en Wayback Machine, la página nos revela que estos ejemplos de Gobierno y Política seguían en línea en 2017 y han quedado guardados en el Internet Archive, aquí.

RECURSOS:

• "Facebook quietly hid webpages bragging of ability to influence elections", de Sam Biddle, The Intercept, 14 de marzo de 2018.

• "Retrieving and Archiving Information from Websites", guía del Kit de Exponiendo lo Invisible, de Tactical Tech.

Instrucciones

• Divide a los participantes en pequeños grupos de 3 a 5 personas e invítalos a debatir sobre la utilidad de las herramientas y servicios de archivo web en su trabajo y qué usos se les puede dar.

• Puedes proponer que cada grupo le asigne a uno de sus integrantes la función de anotar las respuestas.

• Recoge y comparte las cuestiones principales en una pizarra compartida (si el taller es en línea) o en el rotafolio (si el taller es presencial).

Búsqueda y recuperación de contenido en archivos web (50 minutos)

Instrucciones

Realiza una breve presentación con una demostración en línea o con diapositivas sobre las dos principales herramientas o plataformas de archivo web que se pueden utilizar para encontrar y recuperar versiones anteriores de páginas web y demás tipo de contenido en línea:

• Wayback Machine
• Archive Today

Wayback Machine: https://web.archive.org/

Cuestiones que se tratarán:

• Qué es Wayback Machine y una breve introducción de la organización a la que pertenece, Internet Archive, y su misión.

• Menciona las dos funciones principales de Wayback Machine:

  1. Permite a los usuarios buscar y recuperar contenido histórico de algún sitio web que queda almacenado en el archivo.
  2. Permite archivar las páginas web de manera manual en Wayback Machine (más detalles sobre cómo guardar las páginas web en la próxima sesión).

• Demuestra (a poder ser, en directo, en línea) cómo buscar y recuperar la cronología de versiones pasadas de sitios o páginas web en Wayback Machine.

• Explica lo que simbolizan los puntos de colores al ver un calendario y una cronología de los resultados de los sitios web archivados (es decir, los puntos verdes y azules simbolizan que un sitio web se ha archivado automáticamente con éxito y que el material archivado se encuentra disponible, y el rojo significa que no se ha podido archivar un sitio web).

• Explica cómo funciona el proceso técnico de búsqueda y archivo de la web de Wayback Machine, y menciona:

  • El uso de rastreadores automáticos para decidir qué sitios y páginas web visitar y guardar, y con qué frecuencia (más detalles técnicos aquí y aquí).
  • Las posibles limitaciones a las que se enfrenta (por ejemplo: no guarda por completo las páginas web que incluyen funciones interactivas e imágenes en movimiento, los propietarios de los sitios web pueden pedir que se retire el contenido, etc. Más información en la guía de archivado del kit de ETI, en la sección «Limitaciones de Wayback Machine», aquí).

• Aprovecha la oportunidad para mencionar y describir nuevos términos como "robots.txt " y "Sitemap.xml", y explicar de qué maneras pueden resultar útiles para los investigadores. Menciona que robots.txt es un archivo que se encuentra en los sitios web y que enumera las partes del sitio a las que deben o no deben acceder los rastreadores. Puedes ver un ejemplo aquí.

• Ten en cuenta que los usuarios pueden crear y utilizar una cuenta gratuita para acceder a Internet Archive y Wayback Machine, que ofrece ciertas ventajas a la hora de guardar páginas web (más detalles en la próxima sesión).

• Haz hincapié en que la recuperación de datos históricos de páginas web guardados y el archivo de páginas web con Wayback Machine pueden ayudar a la hora de llevar a cabo una investigación y proporcionar una forma fácil de citar documentos y contenido histórico.

• Advierte a los participantes de que deben descargar y guardar el contenido archivado en varios lugares, ya que existe la posibilidad de que lo eliminen si los propietarios de los sitios o las páginas web consiguen presentar una queja ante Internet Archive.

• Ten en cuenta que usar los servicios gratuitos de Internet Archive y Wayback Machine puede añadir un toque de neutralidad y confianza a las investigaciones, ya que se trata de una plataforma internacional independiente y de buena reputación cuya misión es conservar la información en Internet.

archive.today: https://archive.ph/

Cuestiones que se tratarán:

• Archive Today utiliza un mecanismo diferente al de Wayback Machine para tomar capturas de pantalla de páginas web, por lo que archiva en función de la solicitud del usuario, es decir, solo manualmente.

• La página envía al sitio web tu dirección IP para que el material archivado sea relevante para la región del usuario que lo ha archivado, pero no guarda información sobre el mismo.

• Es mejor para almacenar páginas de redes sociales públicas porque no respeta el robots.txt (es decir, las restricciones de almacenamiento indicadas por los propietarios de los sitios web).

• Demuestra (idealmente en directo, en línea) cómo buscar y recuperar las versiones pasadas disponibles de sitios y páginas web guardadas por los usuarios en Archive Today (puedes encontrar consejos aquí).

RECURSOS:

• "Retrieving and Archiving Information from Websites", guía del Kit de Exponiendo lo Invisible, de Tactical Tech.

• "Wayback Machine, Frequently Asked Questions (FAQs)"; y las preguntas frecuentes generales sobre Internet Archive. Una lista de consejos útiles sobre cómo conservar la información y cómo utilizar el material ya archivado en Wayback Machine y en otros lugares. También están disponibles las preguntas legales más frecuentes aquí.

• "Archive Today FAQs". Una lista de consejos útiles sobre cómo conservar la información y cómo utilizar el material ya archivado en Archive Today.

• «Cómo usar “Wayback Machine”, el archivo de Internet que puede ser útil en tu próxima investigación», artículo de Mark Graham para la Red Global de Periodismo de Investigación (GIJN, por sus siglas en inglés), 5 de mayo de 2021.

Instrucciones

• Divide a los participantes en pequeños grupos de 3 a 5 personas y entrega a cada grupo una fotocopia (puedes encontrar la plantilla en el apartado de «Recursos», más abajo) con los pasos para buscar un sitio o una página web en Wayback Machine.

• Los participantes han de retroceder en el tiempo para encontrar una captura de una versión anterior completa de uno o más sitios web.

• Uno de los ejemplos puede ser:

  • https://cambridgeanalytica.org/ de 2017, en un día en el que se hicieron 4 capturas.

• Puedes sustituir este ejemplo por otros, siempre que los datos históricos de un rango de tiempo seleccionado estén disponibles en Wayback Machine.

RECURSOS:

• Recuperación de páginas archivadas. Hoja de actividades: Máquina del Tiempo (documento Word).

Instrucciones

Prepara una breve presentación y demostración en línea que incluya:

Consejos para recuperar páginas web archivadas directamente desde un navegador:

• Wayback Machine también permite solicitar versiones archivadas de sitios y páginas web sin pasar por la interfaz de búsqueda de su sitio web.

• En cambio, puedes hacerlo desde tu propio navegador, utilizando varias direcciones web con el formato correcto, como por ejemplo:

  • https://web.archive.org/*www.tusitioweb.com/* (donde www.tusitioweb.com/ sería cualquier sitio web que quieras buscar). El navegador te mostrará la última versión archivada del sitio.

  • Separa las dos direcciones con un asterisco (*) para ver la vista del calendario del archivo del sitio web: https://web.archive.org/*/www.tusitioweb.com/

  • También puedes añadir otro asterisco al final: https://web.archive.org/*/www.tusitioweb.com/* para obtener todos los archivos disponibles bajo ese dominio, no solo la página de inicio. Por ejemplo, si entras en https://web.archive.org/web/*/cambridgeanalytica.org/*, te mostrará un listado de todas las páginas de cambridgeanalytica.org archivadas por Wayback Machine.

Consejos sobre los archivos robots.txt:

• Destaca la importancia de los archivos robots.txt a la hora de archivar y llevar a cabo investigaciones.

• Recuérdales a los participantes que robots.txt es un archivo que se encuentra en un sitio web y que enumera las partes del sitio a las que deben o no deben acceder los rastreadores. Si un sitio web tiene un archivo robots.txt, puedes verlo añadiendo "/robots.txt" al dominio o subdominio. Por ejemplo: https://www.google.com/robots.txt

• Los sitios web pueden utilizar este archivo para bloquear los rastreadores de Wayback Machine, de motores de búsqueda como Google o de cualquier otro servicio de indexación y archivo. Estas son algunas razones posibles por las que los administradores de sitios web pueden optar por usar archivos robots.txt restrictivos:

  • Para limitar los costes de ancho de banda.

  • Para evitar la sobrecarga de los servidores.

  • Para proteger imágenes registradas.

  • Para evitar que los sitios web inacabados aparezcan en los resultados de búsqueda.

  • Para ocultar contenido que pueda categorizarse como sensible.

• Aunque Wayback Machine no siempre cumple con estas restricciones, todavía hay muchos sitios web que sus rastreadores se niegan a archivar, a causa de las instrucciones de los archivos robot.txt. Esta podría ser una razón (entre otras) por la que los usuarios quizás no encuentren ciertas páginas archivadas, o por la que podrían encontrar restricciones al archivar de manera manual algunas páginas web.

• Si los usuarios tienen problemas a la hora de utilizar Wayback Machine para ver o archivar algunas de las páginas de un sitio web, pero no todas, pueden comprobar su archivo robots.txt para ver si alguna parte del sitio queda fuera de los límites.

Instrucciones

[10 minutos] Crear la cronología

• Divide a los participantes en pequeños grupos de 3 a 5 personas y sugiere la posibilidad de que cada grupo le asigne a un miembro la función de tomar notas y a otro la de presentar los resultados.

• Pídeles a los grupos que elijan un sitio web que conozcan bien (o que sea relevante para su trabajo) y creen una cronología con capturas de pantalla que muestren la evolución del sitio web a lo largo del tiempo.

• La cronología debe incluir un mínimo de 4 o 5 capturas de pantalla.

• A continuación, cada grupo puede hablar en privado sobre la cronología que ha creado y resaltar los cambios interesantes.

[5 minutos] Análisis y resultados / Puesta en común con todos los participantes

• Cada grupo comparte con los demás su cronología y sus conclusiones (1 minuto por grupo).

Archivar contenido (40 minutos)

Instrucciones

Haz una breve presentación y una demostración en vivo que incluya:

• Cómo puede un usuario archivar sitios o páginas web de manera manual utilizando Wayback Machine y Archive Today.

• Vuelve a hacer hincapié en lo importante que es archivar los sitios web para guardar y conservar la información para una investigación o para garantizar que el trabajo que uno mismo ha publicado siga siendo accesible.

• Comparte la pantalla o usa un proyector (si el taller es presencial) para demostrar el proceso de guardar una página web.

Para Wayback Machine:

• Empieza por acceder a https://archive.org/web y haz clic en «Save Page Now» («Guardar página»).

• Recuérdales a los participantes que es posible que el sitio web cuente con archivos robots.txt que restrinjan la posibilidad de archivar parte del contenido.

• Es importante tener en cuenta que, al guardar manualmente las páginas web, solo se archivará la página que hayas enviado (por ejemplo, "http://www.tusitioweb.com/proyectos"), y no todos los enlaces externos y el contenido de esa página web.

• Para archivar un sitio web completo con este método, habrá que enviar cada página por separado o crear una cuenta gratuita en Internet Archive, que permitirá a los usuarios acceder a más funciones, como guardar los enlaces externos de las páginas.

• Muestra cómo crear y utilizar una cuenta gratuita en Wayback Machine y cuáles son las ventajas de registrarse: por ejemplo, a los usuarios se les permite guardar los enlaces externos, archivar más páginas web y guardar las páginas archivadas en su cuenta para facilitar el almacenamiento y la recuperación de las páginas más adelante.

• Indica que se puede usar Google Sheets para archivar de forma masiva las páginas del sitio web en caso de que Wayback Machine no lo haya rastreado de manera automática, o si es necesario archivar una colección de páginas en una fecha determinada. Puedes ver más detalles e instrucciones aquí y aquí.

Para Archive Today:

• Empieza por https://archive.ph/ - «Mi url está en línea y quiero archivar su contenido».

• Escoge una página web pública o un tuit público que no se haya archivado antes e intenta buscarlo. Luego utiliza Archive Today para archivarlo.

• Después de archivarlo, búscalo con la URL una vez más y cárgalo para demostrar los resultados.

Instrucciones

Haz una breve presentación con las limitaciones de Wayback Machine y Archive Today y los pros y contras de los diferentes métodos de archivo. Haz hincapié en los siguientes aspectos:

• Wayback Machine no siempre puede recoger y recuperar por completo el contenido público de las redes sociales, el contenido interactivo en Flash o JavaScript, las imágenes y vídeos en movimiento y otros contenidos similares. Por lo tanto, puede que sea necesario recurrir a otras soluciones para conservar dicho contenido para futuras consultas, como por ejemplo: capturas de pantalla o guardar regularmente copias de sitios web en el ordenador.

• Wayback Machine archiva de manera automática los sitios web en función de su clasificación y popularidad. Es una función automática y no se puede solicitar que se archive un sitio web completo.

• Archive Today no rastrea ni guarda automáticamente las páginas web como lo hace Wayback Machine; hay que hacerlo de manera manual y asegurarse de que los enlaces guardados se conservan para su posterior acceso y uso.

• Recuérdales a los participantes la importancia de no confiar solo en los archivos en línea, ya que a veces los propietarios de los sitios web pueden pedir que se retiren las páginas archivadas. Tener copias de seguridad es esencial; también pueden guardar copias en HTML o PDF de las páginas importantes en sus propios dispositivos.

RECURSOS:

• La sección Other ways to retrieve and archive webpages, de la guía "Retrieving and Archiving Information from Websites", del kit de Exponiendo lo Invisible, de Tactical Tech.

Instrucciones

• Pídeles a los participantes que hagan sus propias cápsulas del tiempo. Para ello, han de elegir un sitio o una página web que quieran guardar para el futuro y seguir los pasos anteriores para archivarla con Wayback Machine y Archive Today.

• Los participantes añaden sus enlaces archivados a un documento compartido.

Instrucciones

• Divide a los participantes en pequeños grupos de 3 a 5 personas.

• Pídele a cada grupo que investigue otras formas de recuperar y archivar páginas web y que las añada a un documento compartido.

• Por ejemplo:

  • Comprobar las versiones almacenadas «en caché» de las páginas web.

  • Encontrar otras plataformas que alberguen contenidos archivados de fuentes como redes sociales, bibliotecas en línea o mapas; o buscar archivos temáticos que alberguen documentación sobre conflictos, abusos de los derechos humanos, redes de desinformación, etc.

  • Averiguar qué otra información está archivada en Internet Archive y argumentar cómo puede utilizarse para investigar diferentes temas.

NOTA: Puedes adaptar esta tarea y las sugerencias a las necesidades específicas y al contexto de los participantes.

¡La seguridad es lo primero! (15 minutos)

Instrucciones:

Haz una breve presentación sobre los consejos de seguridad más relevantes a la hora de llevar a cabo investigaciones y archivar contenidos en línea. Un posible guion sería:

• Registros de acceso: cuando diriges un servicio de archivo a una página web que te interesa, visitará dicha página y almacenará una copia de la misma. Al hacerlo, la página archivada añadirá automáticamente una entrada a un «registro de acceso» continuo. El registro incluye detalles como cuándo y con qué direcciones IP se ha visitado la página web. La mayoría de los servicios de archivo guardan registros de acceso.

• Si un sitio web cuenta con un administrador muy atento o procesos automatizados, podrían darse cuenta de que han archivado una parte de su sitio en Wayback Machine. Eso podría darles pistas de que alguien está investigando cierto contenido concreto o alguna persona relevante para ellos. Eso no significa que puedan rastrear la investigación y llegar hasta ti, pero sí que puede darles pistas.

• Por ejemplo, supongamos que solo unas cuantas de direcciones IP han visitado la página archivada el mismo día en que se ha añadido a la Wayback Machine. Para un administrador de un sitio web, sería fácil averiguar que los están vigilando desde un lugar concreto.

• Webcite, por ejemplo, registra el sistema operativo del ordenador y el navegador web de cada usuario, así como el nombre de dominio de los proveedores de servicios de Internet de cada usuario (Política de privacidad de Webcite). Archive Today utiliza su IP para visitar las páginas que le pides que archive.

• Es buena idea activar una red privada virtual (VPN) o usar el buscador Tor cuando se trabaje con este tipo de servicios.

• Algunos servicios requieren que cada usuario cree una cuenta, elija un nombre de usuario, verifique una dirección de correo electrónico o asocie un perfil en las redes sociales a la cuenta.

• Deberías considerar la posibilidad de crear varias cuentas aparte para utilizarlas con dichos servicios, con el fin de separar tu trabajo de investigación de tu perfil personal en Internet.

• Puede que incluso te venga bien crear una «identidad» de uso único para una investigación concreta, y deshacerte de ella una vez hayas acabado. Por ejemplo, podrías crear una cuenta de correo electrónico relativamente segura y dedicada en específico al trabajo. Es posible hacerlo en tutanota.de o protonmail.com.

• Una pequeña inversión de tiempo antes de comenzar la investigación puede ayudarte a reducir este tipo de riesgos.

RECURSOS:

• La guía «¡La seguridad es lo primero!», del kit de Exponiendo lo Invisible, de Tactical Tech.
• La tecnología es estúpida: Cómo escoger las herramientas digitales adecuadas para trabajar a distancia, de Marek Tuszynski, Tactical Tech.

Fin de la sesión (10 minutos)

Herramientas y materiales

• Tablero de dibujo, diapositivas o pizarra compartidos (taller en línea)
• Pizarra o rotafolio, pósits y rotuladores (taller presencial)

Instrucciones

• Pide a los participantes que creen un póster con las conclusiones compartiendo sus respuestas a la siguiente pregunta en la pizarra o el tablero de dibujo compartido:

  • ¿Qué conclusiones sacas del taller de hoy?

• Dales unos minutos para escribir o dibujar sus respuestas y leer las de los demás.

Análisis y solución

• Repasa las aportaciones de los participantes y destaca algunas de las observaciones en la pizarra.

Herramientas y materiales: No se requieren.

Instrucciones

• Concluye el taller y resume el contenido.

• Haz un repaso rápido de la sesión. Cada participante deberá decir:

  • Un aspecto que le parezca positivo de la sesión.

  • Un aspecto que mejoraría para la próxima.

• Puedes animar a los participantes a hacer preguntas o a compartir algunos consejos finales.

• Comparte tu información de contacto, si es pertinente, o cualquier detalle o dato complementario.

Créditos y derechos de autor

Contenido producido por el proyecto Exponiendo lo Invisible, de Tactical Tech, bajo una licencia de Creative Commons Attribution-ShareAlike 4.0 International license

CC BY-SA 4.0

Este recurso ha sido desarrollado como parte de la Collaborative and Investigative Journalism Initiative (CIJI) con financiación de la Comisión Europea bajo el Proyecto Piloto: Supporting investigative journalism and media freedom in the EU (DG CONNECT).

Este texto refleja la opinión del autor y la Comisión no es responsable del uso que pueda hacerse de la información que contiene.

Contacto

Ponte en contacto con Exponiendo lo Invisible si:

• Tienes alguna pregunta sobre la guía de este taller o las directrices para llevarlo a cabo.

• Utilizas esta guía y quieres compartir comentarios y sugerencias que puedan ayudar a mejorarla.

• Has adaptado la guía del taller a un contexto específico y quieres compartir los resultados con nosotros.

• Quieres sugerir nuevas actividades, consejos o ejemplos que puedan añadirse a este taller.

• Quieres compartir tu experiencia y colaborar con nosotros para crear o poner a prueba nuevos talleres.

Contacto: eti@tacticaltech.org (Clave GPG / fingerprint: BD30 C622 D030 FCF1 38EC C26D DD04 627E 1411 0C02).

Créditos y derechos de autor

CC BY-SA 4.0

Contenido producido por el proyecto Exponiendo lo Invisible, de Tactical Tech, bajo una licencia de Creative Commons Attribution-ShareAlike 4.0 International license

• Autores del taller: A. Hayder, Laura Ranca, Wael Eskandar

• Diseño educativo: A. Hayder

• Edición y contenido: Christy Lange, Laura Ranca, Wael Eskandar

• Diseño gráfico: Yiorgos Bagakis

• Desarrollo web: Laurent Dellere, Saqib Sohail

• Coordinación y supervisión del proyecto: Christy Lange, Laura Ranca, Lieke Ploeger, Marek Tuszynski, Safa Ghnaim, Wael Eskandar

Este recurso ha sido desarrollado como parte de la Collaborative and Investigative Journalism Initiative (CIJI) con financiación de la Comisión Europea bajo el Proyecto Piloto: Supporting investigative journalism and media freedom in the EU (DG CONNECT).

Este texto refleja la opinión del autor y la Comisión no es responsable del uso que pueda hacerse de la información que contiene.