Temario Lección 145 de 156 · Medir la web como un investigador
Medir la web como un investigador

Cómo funcionan los estudios de privacidad

Por qué importa Casi todo lo que sabemos sobre el rastreo en la web, como cuántos sitios llevan rastreadores o qué empresas llegan a más gente, viene de estudios que cargan miles de sitios automáticamente y registran lo que pasa. Saber cómo funcionan esos estudios te permite juzgar una cifra de titular, y hacer el tuyo propio en las próximas lecciones.

Piensa en un censo de aves. Unos voluntarios recorren las mismas rutas en la misma época del año y cuentan lo que ven. El recuento solo es tan bueno como el método: si solo caminas por parques soleados, no verás los búhos. Los estudios de la web son iguales. Una cifra como "el 80 % de los sitios lleva un rastreador" no significa nada hasta que sabes qué sitios, desde dónde y cómo se visitaron.

Rastreador web (crawler): un programa que visita páginas web automáticamente, una tras otra, y registra lo que encuentra.

Estudio censal: una medición que intenta visitar todos los sitios de un conjunto grande y definido (por ejemplo, el millón de sitios más populares) en lugar de unos pocos, para poder decir lo común que es algo.

Instrumentación: registro extra añadido a un navegador para que un estudio pueda ver cada petición, cookie y llamada de script que hace una página, no solo lo que aparece en pantalla.

Cómo funciona un estudio moderno

  1. Elegir los sitios. Normalmente una clasificación pública de sitios populares, a veces una muestra aleatoria, a veces una categoría (noticias, salud).
  2. Manejar un navegador real. Las descargas simples no ven la mayoría de los rastreadores, porque los rastreadores los cargan los scripts. Los estudios manejan un navegador real que ejecuta el código de la página.
  3. Registrarlo todo. Las peticiones y las respuestas, las cookies que se ponen, qué funciones del navegador usó cada script (por ejemplo leer el canvas, una pista de huellas digitales) y las redirecciones.
  4. Etiquetar y contar. Comparar los terceros con listas de rastreadores, y luego contar con qué frecuencia aparece cada uno.

Un ejemplo muy conocido es OpenWPM, una herramienta de medición de código abierto, que se usó en un estudio de 2016 que rastreó el millón de sitios más populares y encontró scripts de huellas digitales y rastreo a una escala que nadie había mostrado antes. Muchos estudios posteriores siguen el mismo patrón.

Por qué el método cambia la respuesta

  • ¿Solo la página de inicio, o más adentro? Las páginas interiores (artículos, pagos) a menudo cargan otros rastreadores.
  • ¿Sin estado o con estado? Un rastreo sin estado empieza cada sitio con un navegador nuevo; uno con estado conserva las cookies entre sitios, como hace una persona, y por eso puede ver el rastreo entre sitios.
  • Avisos de consentimiento. Un rastreador que nunca hace clic mide lo que pasa antes del consentimiento; uno que hace clic en "aceptar" mide otra cosa. Di cuál hiciste.
  • Dónde está el rastreador. Los sitios muestran cosas distintas en países distintos y a dispositivos distintos.
  • Detección de bots. Algunos sitios tratan a los rastreadores de forma distinta que a las personas, así que un rastreo puede contar de menos.
  • El momento. La web cambia cada semana. Un estudio es una foto con fecha.

Una idea equivocada muy común: "Un rastreo más grande siempre es un estudio mejor." El tamaño reduce el error aleatorio pero no el sesgo. Un millón de páginas de inicio visitadas desde un solo centro de datos y sin clics pueden equivocarse con mucha precisión sobre lo que vive la gente real.

En este módulo rastreas una web simulada de 1000 sitios inventados. Se comporta como la real en lo que importa para aprender, y no se contacta con nada real.

Pruébalo Abre las herramientas para desarrolladores de tu navegador (F12, o Cmd+Option+I en un Mac), ve a la pestaña Red y carga un sitio de noticias. Cuenta los dominios distintos de la lista. Acabas de hacer a mano un rastreo de un sitio. Luego recarga con la casilla "Desactivar caché" de la pestaña Red marcada y mira si cambia la lista.

Resumen

  • Los estudios de privacidad rastrean muchos sitios con un navegador real instrumentado y cuentan lo que registran.
  • Los estudios censales intentan cubrir todo un conjunto definido, como el millón de sitios más populares.
  • Decisiones como quedarse en la página de inicio, los clics de consentimiento, el lugar y la fecha cambian los resultados, así que hay que informar de ellas.
  • Más grande no es automáticamente mejor: el tamaño reduce el error aleatorio, no el sesgo.

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.