La minería de datos es el término más tradicional para designar el uso de tecnología y arquitectura diseñadas para detectar información procesable y así obtener rendimiento económico y social del gran volumen de información depositado en bases de datos y que es accesible directamente o través de Internet, ámbito conocido como datos masivos o Big Data1, para lo cual se utilizan herramientas para la recopilación, extracción y recombinación de distintos elementos con objeto de obtener nuevos conocimientos.

Frente a un concepto más clásico que se centraba sólo en la minería sobre los datos, las nuevas capacidades tecnológicas permiten incluir textos, imágenes, figuras y todo tipo de materiales digitales o elementos documentales, lo cual ha conducido a una pérdida de valor del concepto original y al surgimiento de denominaciones alternativas a minería de datos, tales como minería de textos, minería de contenidos, análisis de datos…

De tal modo que, en primer lugar debemos sistematizar los elementos que integran el concepto que ahora se conoce como análisis de datos o minería de contenidos:

La minería de datos es una técnica computacional que permite cruzar variables en un entorno informático para descubrir nuevo conocimiento a partir de la información contenida en las bases de datos. De una forma más precisa, “la minería de datos es un conjunto de técnicas, métodos y algoritmos que permiten extraer información útil desde fuentes de distinto tipo”, señala Mendoza (2011). Los métodos de la minería de datos (DM, Data Mining por sus siglas en inglés) “permiten descubrir esta información y transformarla en un valioso conocimiento tanto retrospectivo (histórico) como prospectivo (proyecciones) o comprensivo (entender lo que ocurre)” (Colle, 2002). Se emplean distintos métodos y modelos para la minería de datos, siendo el KDD (Knowledge Discovery in Databases) el primer modelo aceptado por la comunidad científica en 1996. A partir del 2000 surgen tres nuevos modelos el SEMMA (iniciales en inglés de Muestreo, exploración, modificación, modelado y valoración), Catalyst (P3TQ, producto, mercado, precio, tiempo y cantidad) y CRISP-DM, siendo este modelo el más aceptado actualmente, estructurando la minería de datos en fases: comprensión del negocio, comprensión de los datos, preparación de los datos, modelado, evaluación e implantación (Moine y otros, 2011).

En cuanto a la tipología de los datos, Hand y otros (2001) distinguen entre datos observacionales y datos experimentales para separar los datos que son recopilados sin más propósito que registrar algún hecho, mientras que los datos experimentales son resultado de la actividad programada, de ahí que desde su perspectiva, “la minería de datos es el análisis de (a menudo grandes) conjuntos de datos observacionales para encontrar relaciones desconocidas y resumir los datos en nuevas formas que sean a la vez comprensibles y útiles para el titular de los datos”. Más recientemente, Melero y Hernández-San Miguel (2014), en el ámbito de los datos de investigación añaden otras dos categorías: datos computacionales (datos de entrada y derivados de ciertos programas) y datos de simulación (generados a partir de modelos de prueba).

Por su parte, la minería de textos es una actividad de más reciente aparición, surge con los procesos de digitalización masiva iniciados en 2004 con el proyecto Google Books, razón por lo que el término ha recibido menos atención que la minería de datos (Truyens y Van Eecke, 2014). Además de texto entran en el objeto de análisis las imágenes, vídeos, sonidos, figuras… La peculiaridad de esta nueva forma de análisis de los textos radica en que los procesos de indexación, tratamiento y/o uso de los textos e imágenes pueden estar más próximos a las aspiraciones de los autores por lograr una protección o retribución por este tratamiento que es subsiguiente al proceso creativo, como veremos más adelante.

Algunos autores (Triaille y otros, 2014) para estudiar este nuevo fenómeno, prefieren la expresión análisis de datos, en lugar de minería de textos y datos, que definen como “el procesamiento automático de materiales digitales, los cuales pueden incluir textos, datos, sonidos, imágenes u otros elementos o una combinación de estos, con el fin de descubrir nuevo conocimiento o ideas estratégicas”. El análisis de datos es un concepto más amplio que minería que se asocia a la extracción de información, mientras que el análisis implica “rastreo, procesamiento, comparación, copia, análisis, recuperación, interpretación, búsqueda, sintaxis, etc.”.

Por su parte, la expresión minería de contenidos es la preferida por otros autores (Guadamuz y Cabell, 2014), para definir el proceso de análisis de información mediante software que busca patrones interesantes o importantes que no podrían ser observados de otros modos, en ámbitos tales como los hospitales, el medio ambiente, el comercio o los sentimientos sociales. El análisis de contenido ha crecido debido al incremento de la capacidad de computación centrado en el descubrimiento de nuevo conocimiento en las grandes bases de datos, ámbito en el que la minería de datos sería una de sus ramas.

Como se observa, esta nueva actividad es el resultado de la capacidad de análisis que proporcionan los grandes sistemas de información, haciendo posible la obtención de nuevo conocimiento a partir del análisis de grandes volúmenes de datos. Desde el punto de vista legal, este nuevo fenómeno debe de ser estudiado en el marco regulatorio de las bases de datos. Es decir, las recopilaciones de obras, de datos o de otros elementos independientes dispuestos de manera sistemática o metódica y accesibles individualmente por medios electrónicos o de otra forma, es la realidad sobre la que se asienta toda esta actividad de análisis de datos que es nuestro objeto de estudio.

En sí mismo, el dato es un componente que aislado no tiene ningún significado (Mendo y otros, 2013), pero “organizado en conjuntos de datos o bases de datos pueden constituir un activo de gran valor en actividades como la investigación, el marketing, la economía, y la gestión en todos los ámbitos: comercial, transporte, recursos humanos, hospitales…”.

Como resulta evidente, todos los datos para su tratamiento y gestión automatizada están organizados en conjuntos o bases de datos, aspecto esencial para determinar las posibilidades de acceso y uso de la información allí contenida. La legislación europea (Parlamento Europeo, 1996), señala que “tendrán la consideración de «base de datos» las recopilaciones de obras, de datos o de otros elementos independientes dispuestos de manera sistemática o metódica y accesibles individualmente por medios electrónicos o de otra forma” (art. 1.2).

Asimismo, están protegidas las bases de datos que no cumplen el requisito de la originalidad, pero en las que se ha realizado una inversión sustancial, ya sea financiera, de esfuerzo o de tiempo, para la “obtención, la verificación o la presentación de dicho contenido”(art. 7), es lo que la Directiva europea denomina bases de datos sui generis y que ha creado una notable controversia (Correa, 2007) por los efectos que tiene sobre la protección y apropiación del conocimiento en general, dado que si gran parte del conocimiento y memoria mundial está almacenada en bases de datos, todos esos contenidos pertenecerían a los titulares de esas bases de datos, con independencia de que sus contenidos sean creaciones originales, datos de dominio público o simples datos o representaciones obtenidas de la naturaleza.

De acuerdo a la definición y al contenido de la información de dichas bases de datos, podemos establecer las cuatro categorías que se especifican a continuación, si bien una misma base de datos puede tener protección jurídica en una o varias de esas categorías, aspecto a tener en cuenta en cuanto a su acceso, consulta y uso. Es especialmente relevante que las condiciones de la licencia seleccionada se adecúen al uso o reutilización pretendidos.

El debate sobre el acceso y uso de la información en Internet, es decir, qué tipo de protección de derechos de autor deben tener los contenidos, se ha extendido también a si deben estar protegidas las bases de datos en las actividades de minería de datos. Las posiciones no son muy diferentes a las que existen en torno al acceso abierto y al acceso comercial en los contenidos protegibles por derechos de autor; sin embargo, en el aspecto concreto del análisis de datos parece abrirse paso una excepción a los derechos de autor en favor de permitir ciertos usos, al menos los que tienen por finalidad la investigación.

Por lo descrito hasta ahora resulta difícil encontrar una base de datos cuyo acceso no pueda ser restringido por su titular, pues aun en los casos en que sean contenidos que están en dominio público o datos del sector público, sus recopiladores pueden ejercer la titularidad en base a la inversión económica efectuada, baste pensar en las colecciones digitales como Google Libros, u otras muchas colecciones digitales de las bibliotecas en donde aparece con frecuencia el símbolo de protección de los derechos de autor (©). De modo más rotundo, Truyens y Van Eecke (2014) aseveran que fuera de la investigación no comercial es difícil crear un estatuto en favor de estas actividades de análisis de datos, especialmente en los casos de bases de datos comerciales y con textos archivados que tengan un mínimo nivel de creatividad. En este sentido, los autores comentan la diferencia entre Europa y Estados Unidos en donde no existe una legislación comparable sobre bases de datos y se aplican de modo más flexible las reglas del “fair use”, esto es, un criterio interpretativo que se adapta a los cambios socioeconómicos y tecnológicos sin tener que actualizar constantemente la legislación formal.

Una cuestión clave en el debate sobre el análisis de datos es si los autores deberían estar autorizados a prohibir el uso de una obra para un propósito diferente al de la creación original, por ejemplo, en los casos en que 100 horas de grabaciones o de mil novelas que sean tratadas para analizar aspectos tales como la imagen de la mujer, el grado de uso de una tecnología o el vocabulario o la sintaxis empleada en un grupo social. La solución es difícil que sea concluyente, en un primer momento la respuesta debería de ser negativa porque los derechos de autor protegen la expresión creativa, mientras que el análisis de datos de cada obra constituye una materia prima (raw data) que sólo adquiere valor junto con muchos otros textos. Por contra, la posición a favor de la protección reforzará el papel de quienes se aprovechan de la creatividad ajena a través de la mera acumulación de datos. Un aspecto no menor es si en tales actos de explotación la autorización le correspondería a cada autor por su aporte creativo o al titular de la base de datos, puesto que el bien explotado sería la mera colección de los datos. El asunto lejos de ser quimérico podría afectar a miles de editores, autores, colaboradores periodísticos, intérpretes, guionistas, compositores…

En este contexto se ha abierto un debate en Europa y en otras partes del mundo sobre si es posible la introducción de una excepción legal en el ámbito de la propiedad intelectual en las actividades de análisis de datos asegurando un equilibrio de los diferentes intereses implicados. La excepción ya está en aplicación o en estudio en algunos países (Japón o Reino Unido).

Un estudio muy sólido encargado para la Comisión Europea (Jean Paul Triaille y otros, 2014) aborda un análisis pormenorizado sobre el uso del análisis de datos en las bases de datos. En síntesis, tanto las bases de datos originales como las protegidas con derecho “sui generis”, desde un punto de vista legal están protegidas, por lo tanto es necesario abrir vías alternativas para permitir el uso de las técnicas de análisis de datos, y que incluso la aplicación de la excepción de investigación —reconocida en la Directiva de bases de datos— encuentra dificultades interpretativas y, además, en dicha excepción se hace explícito que no está permitido el uso comercial. Así las cosas, los autores del informe proponen varias alternativas: facilitar acuerdos de entendimiento entre titulares y usuarios de las bases de datos, adoptar un documento interpretativo en donde la Comisión Europea clarifique los aspectos de la Directiva que dificultan una interpretación armonizada o proponer un cambio legislativo en el que se introduzca una excepción en toda la Unión Europea para facilitar las técnicas de análisis de datos, siendo ésta la vía por la que se inclina el documento7 y la que ha respaldado la Comisión Europea (2016).

Como es sabido, mediante estas licencias abiertas o libres (Liang, 2004), (Rosen, 2005), los titulares de contenidos protegidos por derechos de autor limitan algunas formas de explotación de la obra (explotación comercial, creación de obras derivadas, reutilización…) y permiten otros usos (usos comerciales o no, compartir con otros las modificaciones, etc.). Estas condiciones de explotación se incorporan a la obra mediante un código digital al difundirla en Internet, de modo que el posible lector o usuario de la obra en línea conoce de antemano cuáles son los derechos que el autor le permite o no, sin demasiada ambigüedad. Desde hace años estas licencias se usan en algunas áreas de conocimiento (O’Boyle y otros, 2011), en gran parte de publicaciones científicas en acceso abierto, así como en otros sitios en los que se acogen contenidos producidos por los usuarios, tan populares como Youtube o Flickr, y cada vez más lo hacen algunos gobiernos con la información pública puesta a disposición de los reutilizadores, siendo esta práctica considerada razonablemente apropiada en el ámbito académico y comienzan a sugerir que las licencias vayan incorporadas a los “datasets” para facilitar su uso (Allen, 2014).

Señaladamente, en el ámbito del tratamiento de los datos científicos, un gran número de organizaciones del sector han optado por poner los datos y bases de datos a libre disposición de la comunidad científica mediante este tipo de licencias (Hrynaszkiewicz y Cockerill, 2012), adecuadas al tratamiento de los datos, que pretenden soslayar las diferencias entre las legislaciones nacionales, con el objetivo central de que los posibles derechos de autor no actúen como una barrera en el progreso del conocimiento. En sectores donde predominan los datos públicos, como el de los geodatos se aboga claramente en favor de que los titulares de derechos promuevan un uso de los datos sin restricciones creando una comunidad de información (Information Commons) que beneficie a usuarios y titulares (CODATA, 2015), (GITA White Paper, 2005). No obstante, un estudio señala que estamos todavía lejos de ese propósito al mostrar que de 4.012 bases de datos analizadas, la mitad no informaba sobre las condiciones de uso del sitio (Guadamuz y Cabell, 2014). Según esta fuente, de las bases de datos con licencias de acceso, las utilizadas con más frecuencia forman parte de las familias de licencias Creative Commons (no se detalla por separado la licencia específica para datos u metadatos CC0, si bien en la fecha del estudio esta licencia estaba poco implantada) y de Open Data Commons. En Francia, parece también que ambas licencias son las más utilizadas, aunque el autor percibe que los datos se usan poco y se hace preciso crear unas condiciones propicias para impulsar el uso de los datos públicos (Boustany, 2013).

A continuación, reseñamos las características más relevantes de estos dos grupos de licencias en el uso de los datos abiertos:

Dentro del conjunto de licencias de Creative Commons (Ramos, 2014)8, la licencia CC0 1.0 Universal (CC0 1.0) (http://creativecommons.org/publicdomain/zero/1.0/deed.es_ES), está especialmente orientada al uso de datos y metadatos. De hecho, los más de cincuenta millones de metadatos de los objetos digitales de Europeana son accesibles bajo esa licencia. La licencia CC0, como se indica en su título, es un “ofrecimiento al dominio público”. De este modo el proveedor de los datos renuncia a todos los derechos de propiedad intelectual (incluido el derecho sui generis sobre las bases de datos) que recaigan sobre los datos suministrados; ello implica que el proveedor ha de obtener autorización de terceros en el caso de que no sea titular de los mismos. Asimismo, si la renuncia de derechos del proveedor sobre los metadatos no es legalmente posible a través de la licencia CC0, será de aplicación la licencia pública alternativa (Public License Fallback), lo que implica que otorga a cada persona afectada “una licencia exenta de cánones, intransferible, no sublicenciable, no exclusiva, irrevocable e incondicional para el ejercicio” de todos los derechos sobre la obra en todo el mundo y por la duración máxima prevista en la ley aplicable. En la actualidad, la página Web de Creative Commons (https://wiki.creativecommons.org/CC0_use_for_data) relaciona 49 organizaciones que usan la licencia CC0, tan relevantes como la Organización Europea para la Investigación Nuclear (CERN), Europeana o U.S. Government Data, el portal de datos del Gobierno de Estados Unidos.

En el ámbito de las licencias Creative Commons los otros dos tipos de licencia que se usan con frecuencia en la apertura de datos son la licencia CC-BY (Reconocimiento) y CC-SA (Compartir igual). En la primera, el titular de los datos exige que se reconozca su titularidad. En la segunda, CC-SA, el titular permite reutilizar y compartir los datos con tal de que la distribución de esos datos resultantes se haga con la misma licencia. Estas dos licencias no son específicas para compartir bases de datos sui generis, aunque siguen siendo las más utilizadas para estos propósitos.

La familia de licencias Open Data Commons (ODC), fue creada en 2006 a partir de un borrador elaborado por Talis Platform (Miller; Styles; Heath, 2008) están promovidas por la organización Open Knowledge Foundation (OKF) (http://opendatacommons.org/licenses/) que dispone también de tres tipos licencias de datos abiertos para su aplicación a las bases de datos:

Al igual que en el ámbito científico, en el sector público se toma conciencia de que la información es una fuente de progreso y riqueza, de ahí la necesidad de poner a disposición de los ciudadanos y de las empresas la información y datos generados por el sector público. Si la Unión Europea, como mencionamos arriba, ya había adoptado en 2003 la Directiva de reutilización de información del sector público (modificada en 2013), la OCDE adoptó sendos documentos para impulsar el uso de datos abiertos en todos los países miembros (OCDE, 2007 y 2008), al proponer una mejora del acceso y uso de la información del sector público para que se adoptan unos principios en tal sentido.

Interesa subrayar la recomendación que incide en favorecer las condiciones de acceso y transparencia en la reutilización, “haciendo disponible y desarrollando un sistema de licencias automatizadas en línea para dar cobertura a la reutilización cuando se aplican licencias, teniendo en cuenta los derechos de autor”. En este sentido se recomienda favorecer la reutilización para facilitar su acceso y uso, incluyendo mecanismos de licencias sencillas para hacer las obras ampliamente accesibles al público.

De hecho, a partir de 2009, coincidiendo con la declaración de Obama sobre datos abiertos (The Obama Administration’s… 2011), se han dado grandes avances en la apertura de datos públicos. Muchos gobiernos y organizaciones internacionales han puesto grandes colecciones de datos a disposición del público que, o bien se acogen a una licencia estándar que permite un amplio uso de los datos, o adaptan su propias licencias nacionales9 a los estándares de licencias promovidos por organizaciones como la OKF (Ramos y otros, 2012). En todas estas iniciativas de datos abiertos se asumen unos principios básicos sobre los que se debe publicar la información y configurar las licencias. Estos principios (ONU, 2013, 37) son:

De tal modo que las Licencias para un “Gobierno abierto” se asientan sobre estos principios básicos “Open Government”, tal como la impulsada por el gobierno británico (HM Government, 2012) en las que se establece:

En este contexto, en la Tabla I, se muestran las licencias de referencia, por defecto, que utilizan los portales gubernamentales de datos de once países: los diez países mejor clasificados a nivel mundial (y España, 13ª posición) en el ranking Open Data Barometer (WWW Foundation, 2015).

A pesar de la variedad de situaciones se aprecia una clara tendencia en el predominio de la aplicación de las licencias libres cuyas características reseñamos en el epígrafe anterior. Aunque todavía falte mucho camino por recorrer en la homogeneización de los requisitos para el acceso a los datos y su reutilización —como demuestra con mucha precisión Morando (2013) en un estudio sobre interoperabilidad legal— debe quedar claro que la aplicación de estas licencias supone un gran avance en el panorama internacional de intercambio y uso de los datos.

Algunos informes nacionales de los organismos de datos abiertos, como el de Holanda, reconocen el liderazgo indiscutible que ejercen en esta materia Reino Unido y Estados Unidos, por cuanto hacen disponibles los datos en un portal nacional lo cual resulta adecuado para un gobierno abierto y transparente. En esta cuestión sobrevuela el debate de si la apertura de datos y la libertad de información son dos aspectos complementarios o en competencia. Sobre este aspecto, diversos análisis realizados en el ámbito europeo ponen de relieve que la apertura de datos repercute en las solicitudes de información en base a las leyes de transparencia, ya que si los gobiernos gestionan bien la información los costes de cada petición bajarán. En el mismo sentido, cuanto mayor es el coste de un servicio público mayor resulta el impacto que produce la transparencia y apertura de datos en ese servicio, según se pone de relieve en el informe holandés (Open Data Trend Report, 2015).

Los resultados revelan algunos aspectos peculiares en cuanto a las licencias y el uso de los datos:

Como se observa en la Tabla II, la mayoría dispone de una licencia propia elaborada por cada Gobierno que son muy parecidas entre sí (Reino Unido, Francia, Noruega, Dinamarca, Australia, Nueva Zelanda, incluso España), que es compatible con el libre uso de los datos o reconoce la compatibilidad de las condiciones de uso de la información pública con alguna de las licencias libres. Sirva como modelo el portal francés (data.gouv.fr) donde se contextualiza la licencia abierta en el marco de las licencias estándar internacionales y cita expresamente la del gobierno británico y las licencias estándar compatibles (ODC-BY, CC-BY 2.0). Asimismo, esta interpretación es la que cabe hacer en el marco de aplicación de estas licencias a la reutilización de la información del sector público en España. Como acertadamente señalan Clabo y Ramos (2015), estas licencias se adaptan “a cada uno de los usos definidos en la normativa española de reutilización y pueden servir para precisar y acotar el alcance de las condiciones fijadas en el aviso legal o para precisar los distintos usos de aquellos datos y documentos”.

Parece interesante señalar la diferencia entre las versiones 3.0 y 4.0 de la licencia Creative Commons. Frente a las versiones anteriores que permitían adaptaciones nacionales y generaban confusión sobre si quedaba licenciado el uso de las bases de datos no originales, la versión 4.0, lanzada en 2013, considera expresamente incluidos en la licencia tanto la información como los datos protegidos por derechos de autor o por el derecho sui generis sobre bases de datos vigente en la Unión Europea y otros países (https://creativecommons.org/licenses/by/4.0/legalcode). Esa es la causa por la que la licencia Noruega excluye la compatibilidad de la licencia Creative Commons para el uso de los datos. Con la versión CC 4.0 se ha tratado de evitar el efecto de las llamadas licencias “portables”, adaptadas a cada jurisdicción nacional con diferentes matices lo que impedía una interpretación uniforme en aspectos tan importantes como el de si se consideraban incluidos dentro de la licencia los derechos sobre las bases de datos no originales.

Mención aparte merece la puesta a disposición de la información y datos que hacen los portales de los gobiernos estadounidense y sueco. En la página dedicada al uso de los datos se pone muy de relieve que los datos del Gobierno de Estados Unidos se ofrecen, en dominio público, sin ninguna reserva de derechos, situación preferible a la información licenciada. Al abordar la compatibilidad se indica que las licencias CC0 y PDDL son muy similares, ambas son una renuncia a los derechos sobre los contenidos y allí donde no sea de aplicación la renuncia, permite una plena reutilización. En cambio, “open licensing presupone una protección por derechos de autor”. Por su parte, en el portal sueco sólo se recoge la mención de que los datos abiertos pueden ser utilizados libre de cargos y sin necesitar licencias.