Differences

This shows you the differences between two versions of the page.

--- deteccion_de_duplicados [18/08/2010 11:34]
fernando
+++ deteccion_de_duplicados [19/08/2010 11:12]
fernando
@@ Line 1: / Line 1: @@
-====== Detección de duplicados ======
+====== Detección de registros bibliográficos duplicados ======
+<note>
+Se agradece todo comentario o sugerencia que contribuya a hacer más comprensible, más usable o más eficiente el método que aquí se presenta. Se puede escribir en esta misma página del wiki, o enviar mensajes al [[http://groups.google.com/group/catalis/browse_thread/thread/17bd2a5661cc08dc|grupo de discusión]].
+</note>
 Si bien el procedimiento correcto para ingresar registros a una base bibliográfica requiere que el catalogador haga previamente una búsqueda, para cerciorarse de que el registro en cuestión no ha sido ya ingresado, en la práctica a veces sucede (por distracción o por un error en la forma de hacer la búsqueda) que se termina cargando dos veces lo mismo.
-Catalis no cuenta con un mecanismo para alertar al catalogador cuando se va a grabar un registro duplicado en la base de datos, aunque tal vez no sería complicado añadirle ese tipo de validación.
+Catalis no cuenta con un mecanismo para alertar al catalogador cuando se va a grabar en la base de datos un registro duplicado (aunque tal vez no sería complicado añadirle ese tipo de validación). De modo que, por la salud de nuestro catálogo, nos vemos obligados a realizar periódicamente tareas de control de calidad, que incluyan la detección de registros posiblemente duplicados.
-De modo que, por la salud de nuestro catálogo, nos vemos obligados a realizar periódicamente tareas de control de calidad, que incluyan la detección de registros posiblemente duplicados.
+A continuación se presenta un método sencillo que ayuda a detectar registros sospechosos de estar duplicados. El método, así como lo mostramos, funciona en Linux; con algunas mínimas adaptaciones puede usarse también en Windows.
-A continuación se presenta un método sencillo que ayuda a detectar registros sospechosos de estar duplicados. En la forma que mostramos, el método funciona en Linux; con algunas pequeñas adaptaciones puede usarse también en Windows.
 Guardamos las siguientes líneas en un archivo que podemos llamar ''duplic.sh'':
@@ Line 14: / Line 16: @@
 #!/bin/bash
-mx biblio uctab=ansi "fst=1000 0 if s(v100,v110,v111) > '' then v100^a.10,v110^a.10,v111^a.10, else '----------', fi,c11,'/',v250^a.2,'/',replace(replace(v245^a,' /',''),' :','')/" "pft=v1000^*/" now | sort > claves.txt
+#PATH=/ruta/a/cisis/1660:$PATH
-mx seq=claves.txt create=claves now -all
-mx claves "pft=if v1=ref(mfn-1,v1) then v1/ fi" now > dup-sospechosos.txt
+mx biblio \
+   uctab=ansi \
+   "fst=1 0 \
+      if s(v100,v110,v111) > '' then v100^a.10,v110^a.10,v111^a.10, else '----------', fi, \
+      c11,'/',v008*7.4,'/', \
+      replace(replace(v245^a,' /',''),' :','')" \
+   fullinv=clavesdup \
+   now -all
+mx dict=clavesdup "pft=if val(v1^t)>1 then \
+   putenv('COUNT=', f(val(getenv('COUNT'))+1, 1, 0)), getenv('COUNT'), c5, \
+   v1^*/ fi" now
 </file>
@@ Line 24: / Line 37: @@
 $ chmod +x duplic.sh
 </code>
+Para el uso de este script, suponemos que trabajamos sobre una copia de la base bibliográfica (archivos ''biblio.mst'' y ''biblio.xrf''), ubicados en la misma carpeta donde tenemos el archivo ''duplic.sh''.
 Ejecutamos el script con este comando:
 <code>
-$ ./duplic.sh
+$ ./duplic.sh > dup-sospechosos.txt
 </code>
-En el archivo ''dup-sospechosos.txt'' encontraremos un listado de las claves asociadas a registros que podrían estar duplicados. Luego tendremos que comprobar, para cada una de esas claves, si los respectivos registros son en realidad duplicados. Es de esperar que este método produzca unos cuantos falsos positivos, así como por otra parte no debemos suponer que este método permita encontrar a //todos// los duplicados. Pero al menos es una ayuda para empezar a limpiar nuestros catálogos.
+En el archivo ''dup-sospechosos.txt'' encontraremos un listado de las claves asociadas a registros que podrían estar duplicados. Luego tendremos que comprobar, para cada una de esas claves, si los respectivos registros son en realidad duplicados. Esta es una muestra de lo que podríamos encontrar dentro de ''dup-sospechosos.txt'':
-Es conveniente usar para esto el utilitario ''mx'' 16/60, que trabaja con claves grandes. Se lo puede descargar desde [[http://bvsmodelo.bvsalud.org/php/level.php?lang=es&component=28&item=1|el sitio de la BVS]].
+<file>
+  KARLIN, SA/1959/MATHEMATICAL METHODS AND THEORY IN GAMES, PR
+  KLEIN, FEL/1950/VORLESUNGEN UBER DIE ENTWICKLUNG DER MATHEMA
+  LIONS, J.-/1973/COURS D'ANALYSE NUMERIQUE
+  LIUSTERNIK/1961/ELEMENTS OF FUNCTIONAL ANALYSIS
+  MORGADO, J/1962/INTRODUCAO A TEORIA DOS RETICULADOS.
+</file>
-Para el uso de este script, suponemos que trabajamos sobre una copia de la base bibliográfica (archivos ''biblio.mst'' y ''biblio.xrf''), ubicados en la misma carpeta donde tenemos el archivo ''duplic.sh''.
+Es de esperar que este método produzca falsos positivos; por otra parte, no debemos suponer que nos permitirá encontrar a //todos// los duplicados. Es decir, el método puede andar flojo [[http://en.wikipedia.org/wiki/Precision_and_recall|tanto en 'precision' como en 'recall']]... pero al menos es una ayuda para empezar a limpiar nuestros catálogos.
+Para mejorar la precisión es conveniente usar la versión 16/60 del utilitario ''mx'', que trabaja con claves grandes. Se lo puede descargar desde [[http://bvsmodelo.bvsalud.org/php/level.php?lang=es&component=28&item=1|el sitio de la BVS]]. Si esa versión de mx no es la predeterminada en la computadora, entonces en ''duplic.sh'' se debe modificar esta línea:
+  #PATH=/ruta/a/cisis/1660:$PATH
+quitando el ''#'' inicial y reemplazando ''/ruta/a/cisis/1660'' por la ruta que corresponda.
 {{tag>catalis admin}}

CatalisWiki

User Tools

Site Tools

Differences

Page Tools