CLARIAH-EUSen IV. workshopean aurkeztutako posterraren laburpena da honakoa

 

Gaur egungo audientzia mediatikoa ez da euskarri bakarrera mugatzen (Newman et al., 2025). Jendeak informazioa kontsumitzen du komunikabide baten webgune ofizialean ez ezik, sare sozialetan, podcast eta bideo plataformetan, newsletter-etan, edota euskarri tradizionaletan —papera, irratia, telebista—. Datuen estandarizazio faltaz gain (Felps, 2025), fragmentazio horrek erronka bihurtzen du audientziaren eskala erreala neurtzea, hau da, audientzia metatua (total reach) ezagutzea.

Big Data-ren aro honetan, hedabideek inoiz baino datu gehiago dituzte eskura. Horrek erronka tekniko eta operatiboak ekarri ditu; tartean, gaitasun teknologikoagoen beharra (Veglis et al., 2022; Wu et al., 2014). Kanal anitzeko errealitate konplexu bezain zailaren aurrean, hortaz, datu-iturri guztiak integratzen asmatzen duenak lehiakortasun abantaila handia eskuratu lezake. Hizkuntza gutxituek zailago izan ohi dute aplikazio teknologiko berritzaileenetara iristea; horregatik, ikerketa-proiektu honek tresna berri bat sortu nahi du.

HEDABIL proiektuak jauzi kualitatibo bat proposatzen du: euskarazko komunikazioaren inguruko datu-iturri guztiak bateratuko dituen datu biltegi integral eta operatiboa garatzea, Data Science ikuspegitik.

Datu egituraketa berritzaile bat galdegiten du garaiak; bai adimen artifizialeko (AA) algoritmoekin lan eginda, machine learning teknikak aplikatuta klusterizazio tekniken bidezko analisi sakonagoak egin ahal izateko, bai teknika estatistikoen baitako statistical matching teknikak baliatuta datu-base ezberdinak fusionatuz (Burreso et al., 2023) adierazle aberastuekin lan egiteko.

Ikerketa-proiektu honen bidez sortu nahi den biltegiak gaur egun sakabanatuta dauden iturriak (CIES, BEHA, Behategia Analytics, Kantar, Médiamétrie, EAS, Ikusiker, Inkesta Soziolinguistikoa, eta abar) integratuko ditu, 360 graduko ikuspegia lortzeko.

Teknikoki, Data Warehouse, Data Lake eta Lakehouse arkitekturen aukerak esploratuko dira, euskarazko komunikazioaren datu-zientziarako egokiena hautatzeko. Uste dugu Lakehouse formakoa izan daitekeela soluzio egokiena, baina hori zehazteko azterketa egingo da lehen fasean.

HEDABIL proiektua bost urratsetan lantzeko bide-orria prest dugu:

  1. Datu-iturri anitzak integratzeko soluzio teknologiko onena identifikatzea.
  2. Datu biltegi digital integrala diseinatzea eta sortzea.
  3. Tresna hori erabiltzeko trebakuntza plan bat garatzea.
  4. Biltegi horretan oinarritutako analisi-plan berria diseinatu eta eragileekin adostea.
  5. Emaitzen sozializazioa eta ezagutzaren transferentzia gauzatzea.

Lan honen bidez, euskarazko komunikazioaren datu-kultura sendotu nahi dugu, eta euskal hedabideen sektorea kanal anitzeko audientzia integratua neurtzeko prestatu.

Azken finean, HEDABILen bidez euskararen ekosistema komunikatiboaren ezagutza digitala egituratu nahi da: datuen bidez, hizkuntza gutxitu batean diharduten hedabideen lehiakortasuna eta iraunkortasuna indartzeko analisirako oinarria ezarriz.

 

ERREFERENTZIAK

Burreso, N., Amezaga, J., Mimenza, L., Arana, E., & Barrio, I. (2023). Komunikabideen audientzia ikerkuntzarako metodologia berriak esploratzen: Datuen fusioa oinarri duen azterketa aplikatua / Explorando nuevas metodologías de investigación de audiencias: Un análisis aplicado basado en la fusión de datos. Eusko Jaurlaritzaren Argitalpen Zerbitzu Nagusia.

Felps, P. (2025). Newsroom metrics are changing, bringing data to life [International News Media Association (INMA)]. Newsroom Transformation Initiative Blog. https://www.inma.org/blogs/newsroom-initiative/post.cfm/newsroom-metrics-are-changing-bringing-data-to-life

Newman, N., Ross Arguedas, A., Robertson, C. T., Nielsen, R. K., & Fletcher, R. (2025). Digital News Report 2025. Reuters Institute. https://reutersinstitute.politics.ox.ac.uk/sites/default/files/2025-06/Digital_News-Report_2025.pdf 

Veglis, A., Saridou, T., Panagiotidis, K., Karypidou, C., & Kotenidis, E. (2022). Applications of Big Data in Media Organizations. Social Sciences, 11(9)(414). https://doi.org/10.3390/socsci11090414

Wu, X., Zhu, X., Wu, G.-Q., & Ding, W. (2014). Data mining with big data. IEEE Transactions on Knowledge and Data Engineering, 26(1), 97–107. https://doi.org/10.1109/TKDE.2013.109

Author: behategia