ORES/es

ORES (/ɔɹz/, en inglés «Objective Revision Evaluation Service» o «Servicio Objetivo de Evaluación de Revisiones») es un servicio web y una API que proporciona aprendizaje automático como servicio para proyectos de Wikimedia mantenidos por el equipo de la plataforma de clasificación. El sistema está diseñado para ayudar a automatizar el wiki-trabajo crítico (por ejemplo, la detección y eliminación del vandalismo). Actualmente, los dos tipos generales de puntuaciones que genera ORES están en el contexto de "calidad de edición" y "calidad de artículo".

ORES es un servicio de back-end y no proporciona directamente una forma de hacer uso de las clasificaciones. Si deseas usar las clasificaciones de ORES, consulta nuestra lista de herramientas que usa clasificaciones de ORES. Si ORES aún no es compatible con tu wiki, consulta nuestras instrucciones para solicitar asistencia.

¿Buscas respuestas a tus preguntas sobre ORES? Comprueba la página de preguntas y respuestas.

Calidad de edición
Una de las preocupaciones más críticas sobre los proyectos abiertos de Wikimedia es la revisión de las contribuciones potencialmente dañinas («ediciones»). También existe la necesidad de identificar a los colaboradores de buena fe (que puedan estar causando daño inadvertidamente) y ofrecerles apoyo. Estos modelos están diseñados para facilitar el trabajo de filtrado a través de Especial:CambiosRecientes. Ofrece dos niveles de soporte para editar modelos de predicción de calidad: básico y avanzado.

Soporte básico
Suponiendo que las ediciones más dañinas serán revertidas y las que no sean dañinas no se revertirán, pomemos trabajar utilizando el historial de ediciones (y ediciones revertidas) de una wiki. Este modelo es fácil de configurar, pero adolece del problema de que muchas ediciones se revierten por motivos distintos al vandalismo. Para ayudar con esto, creamos un modelo basado en palabras malas.


 * – predice si una edición será finalmente revertida

Soporte avanzado
En lugar de suponer, podemos pedir a los editores que entrenen ORES con aquellas ediciones que son de hecho dañinas  y las que parezcan haber sido realiazas de buena fe. Esto requiere un trabajo adicional por parte de los voluntarios en la comunidad, pero ofrece una predicción más precisa y matizada con respecto a la calidad de una edición. Muchas herramientas solo funcionarán cuando haya un soporte avanzado disponible para una wiki concreta.


 * – predice si una edición es dañina
 * – predice si una edicion fue realizada de buena fe

Calidad de un artículo
La calidad de los artículos de Wikipedia es una preocupación fundamental para los wikipedistas. New pages must be reviewed and curated to ensure that spam, vandalism, and attack articles do not remain in the wiki. For articles that survive the initial curation, some of the Wikipedians periodically evaluate the quality of articles, but this is highly labor intensive and the assessments are often out of date.

New article evaluation
Mientras más rápido se eliminen los borradores realmente problemáticos, mejor. La verificación de nuevas páginas puede ser una gran tarea. Al igual que el problema del contra-vandalismo en las ediciones, las predicciones automáticas pueden ayudar a los verificadores a enfocarse primero en las páginas nuevas más problemáticas. En función de los comentarios que dejan los administradores cuando eliminan páginas (consulta la tabla de registro), se puede entrenar un modelo para predecir qué páginas necesitarán un borrado rápido. Consulta es:WP:BR para ver la lista de criterios para el borrado rápido de Wikipedia en español. Para el modelo en español, utilizamos G3 «Páginas promocionales», G10 «Para mantenimiento elemental», y G11 «A petición del único autor». Curating new page creations can be a lot of work. Like the problem of counter-vandalism in edits, machine predictions can help curators focus on the most problematic new pages first. Based on comments left by admins when they delete pages (see the logging table), we can train a model to predict which pages will need quick deletion. See en:WP:CSD for a list of quick deletion reasons for English Wikipedia. For the English model, we used G3 "vandalism", G10 "attack", and G11 "spam".


 * – predice si el artículo necesita ser eliminado rápidamente (spam, vandalismo, ataque u OK)

Existing article assessment
Para los artículos que sobreviven a la verificación inicial, algunas de las Wikipedias grandes evalúan periódicamente la calidad de los artículos usando una escala que corresponde aproximadamente a la escala de calificación de evaluaciones («wp10») de Wikipedia en inglés 1.0. Tener estas evaluaciones es muy útil porque nos ayuda a medir nuestro progreso e identificar oportunidades perdidas (P.ej., artículos populares de baja calidad). Sin embargo, mantener estas evaluaciones al día es un desafío, por lo que la cobertura es inconsistente. Aquí es donde el modelo de aprendizaje automático  es útil. Al entrenar un modelo para replicar las evaluaciones de la calidad de un artículo que realizan los humanos, podemos evaluar automáticamente cada artículo y cada revisión con una computadora. Este modelo se ha utilizado para ayudar a WikiProyectos en el trabajo de triage de reevaluaciones y para explorar las dinámicas de edición que conducen a mejoras en la calidad de los artículos. Having these assessments is very useful because it helps us gauge our progress and identify missed opportunities (e.g., popular articles that are low quality). However, keeping these assessments up to date is challenging, so coverage is inconsistent. This is where the  machine learning model comes in handy. By training a model to replicate the article quality assessments that humans perform, we can automatically assess every article and every revision with a computer. This model has been used to help WikiProjects triage re-assessment work and to explore the editing dynamics that lead to article quality improvements.

El modelo wp10 basa sus predicciones en las características estructurales del artículo. P.ej. ¿Cuántas secciones hay? ¿Hay un cuadro de información? ¿Cuántas referencias? ¿Y las referencias usan una plantilla cite? El modelo wp10 no evalúa la calidad de la escritura ni si hay o no un problema de tono (por ejemplo, si se está presionando un punto de vista). Sin embargo, muchas de las características estructurales de los artículos parecen correlacionarse fuertemente con la buena escritura y el tono, por lo que los modelos funcionan muy bien en la práctica. E.g. How many sections are there? Is there an infobox? How many references? And do the references use a cite template? The articlequality model doesn't evaluate the quality of the writing or whether or not there's a tone problem (e.g. a point of view being pushed). However, many of the structural characteristics of articles seem to correlate strongly with good writing and tone, so the models work very well in practice.


 * – predice la clase de evaluación (tipo Wikipedia 1.0) de un artículo o borrador

Topic routing


ORES' article topic model applies an intuitive top-down taxonomy to any article in Wikipedia -- even new article drafts. This topic routing is useful for curating new articles, building work lists, forming new WikiProjects, and analyzing coverage gaps.

ORES topic models are trained using word embeddings of the actual content. For each language, a language-specific embedding is learned and applied natively. Since this modeling strategy depends on the topic of the article, topic predictions may differ between languages depending on the topics present in the text of the article.

New article evaluation


The biggest difficulty with reviewing new articles is finding someone familiar with the subject matter to judge notability, relevance, and accuracy. Our  model is designed to route newly created articles based on their apparent topical nature to interested reviewers. The model is trained and tested against the first revision of articles and is thus suitable to use on new article drafts.


 * – predicts the topic of an a new article draft

Topic interest mapping


The topical relatedness of articles is an important concept for the organization of work in Wikipedia. Topical working groups have become a common strategy for managing content production and patrolling in Wikipedia. Yet a high-level hierarchy is not available or query-able for many reasons. The result is that anyone looking to organize around a topic or make a work-list has to do substantial manual work to identify the relevant articles. With our  model, these queries can be done automatically.


 * – predicts the topic of an article

Tabla de soporte
La siguiente tabla informa el estado del soporte de ORES por wiki y modelo disponible. Si no ves tu wiki en la lista, o no admite el modelo que te gustaría usar, puedes solicitar asistencia. If you don't see your wiki listed, or support for the model you'd like to use, you can request support.

Uso de la API
ORES ofrece un servicio de API Restful para revertir dinámicamente clasificando información sobre revisiones. ver $oreso para más información sobre cómo para utilizar la API.

ORES offers a Restful API service for dynamically retrieving scoring information about revisions. See https://ores.wikimedia.org for more information on how to use the API.

Si estás consultando el servicio acerca de una gran cantidad de revisiones, se recomienda realizar un lote de 50 revisiones en cada solicitud, tal como se describe a continuación. Es aceptable usar hasta 4 solicitudes paralelas. Para un número aún mayor de consultas, puedes ejecutar ORES localmente

Consulta de ejemplo: |wp10&revids=34854345|485104318 http://ores.wmflabs.org/v3/scores/enwiki/?modelsdraftquality|wp10&revids34854345|485104318

 Example query:  https://ores.wikimedia.org/v3/scores/wikidatawiki/421063984/damaging

EventStream usage
The ORES scores are also provided as an EventStream at https://stream.wikimedia.org/v2/stream/revision-score

Local usage
To run ORES locally you can install the ORES Python package by:

Then you should be able to run it through :

You should see output of