Leer diez mil periódicos no consiste en pasar sus páginas más deprisa. La minería de textos y datos usa técnicas automatizadas para extraer patrones, tendencias y relaciones de grandes conjuntos: cambios en vocabulario, circulación de nombres, redes de citas o presencia de temas. Para hacerlo, suele necesitar copiar y procesar obras que todavía están protegidas. Tener acceso a una colección no resuelve por sí solo qué reproducciones están permitidas ni qué puede publicarse después.
La colección, el corpus y el resultado son objetos distintos
La Directiva (UE) 2019/790 define la minería y establece dos marcos. El artículo 3 contempla una excepción para organizaciones de investigación e instituciones de patrimonio cultural que realizan investigación científica sobre obras a las que tienen acceso lícito. El artículo 4 establece otra excepción más general, sujeta, entre otras condiciones, a que los titulares no hayan reservado expresamente los usos.
Una biblioteca puede custodiar revistas, dar acceso bajo licencia y preparar un corpus con OCR corregido. El equipo investigador crea después copias técnicas, índices o vectores. Finalmente publica estadísticas, visualizaciones o fragmentos. Cada capa tiene derechos, datos personales y riesgos diferentes.
El acceso lícito es el punto de partida, no una licencia para redistribuir todo el corpus. La excepción de investigación permite reproducciones y extracciones necesarias bajo sus condiciones; no convierte las obras fuente en abiertas. Compartir resultados debe evitar reconstruir textos completos o eludir el acceso original. Cuando varios centros colaboran, necesitan acordar quién puede recibir las copias y cómo se protege el conjunto.
Conservar las copias puede ser parte de la ciencia
La explicación de la Comisión Europea sobre la reforma destaca que investigadores pueden aplicar minería a grandes cantidades de publicaciones suscritas sin solicitar una autorización individual en el supuesto cubierto. La seguridad jurídica facilita investigar, pero no sustituye el análisis de la transposición nacional, contratos, finalidad y situación de cada proyecto.
Repetir un análisis exige saber qué versión del corpus se usó. El artículo 3 permite conservar copias con medidas de seguridad adecuadas para investigación científica y verificación. Borrarlas automáticamente al terminar impediría reproducir resultados; mantenerlas sin control expondría obras y datos.
Una institución necesita entornos de acceso, registros, separación de identidades, copias cifradas cuando proceda y plazos vinculados a la finalidad. Las sumas de comprobación y los identificadores documentan integridad. Un inventario registra fuentes, fechas de descarga, limpieza, OCR y exclusiones, porque el corpus nunca es una ventana neutral a la colección.
Documentar permisos y transformaciones
La calidad también tiene dimensión jurídica y cultural. Un OCR defectuoso puede borrar sistemáticamente cabeceras antiguas o lenguas con menos recursos. Las restricciones de acceso pueden dejar fuera prensa reciente, publicaciones pequeñas o contenidos de comunidades vulnerables. El resultado describe el corpus disponible, no «la cultura» en general. El mismo cuidado documental guía Cuando un libro sale del mercado, pero no de la memoria.
Periódicos, cartas digitalizadas y archivos web contienen nombres, domicilios o testimonios. Que una obra sea accesible en sala o en línea no elimina las obligaciones de protección de datos ni los daños de reidentificación. La minería puede reunir menciones dispersas y producir perfiles que ninguna fuente aislada ofrecía.
La evaluación debe considerar finalidad, necesidad, minimización y publicación. Agregar resultados, limitar consultas o revisar categorías sensibles puede reducir riesgos. Las comunidades representadas deberían participar cuando el proyecto trate materiales especialmente delicados. La posibilidad técnica de buscar no decide por sí sola la legitimidad de cada pregunta.
Los datos personales no desaparecen al trabajar a escala
También conviene distinguir la minería orientada a investigación de otros usos, incluido el entrenamiento de sistemas generativos. Comparten técnicas de copia y análisis, pero no son automáticamente equivalentes en finalidad, excepción aplicable ni resultados. Usar una etiqueta amplia para mezclarlos produce más confusión que seguridad.
Antes de procesar, un plan de gestión de datos puede fijar fuentes, permisos, seguridad, conservación y publicación. Involucrar desde el inicio a biblioteca, investigación, protección de datos y soporte técnico evita que las condiciones se improvisen cuando el corpus ya está copiado y resulta más difícil corregir el rumbo.
La minería responsable combina derecho, infraestructura y crítica de fuentes. Registra el acceso, protege las copias, documenta sesgos y publica resultados que puedan comprobarse sin regalar el corpus protegido. Así la escala deja de ser una excusa para olvidar la procedencia. Leer con máquinas sigue siendo una forma de lectura situada, con permisos, ausencias y consecuencias.
