Estándares de calidad en el periodismo de datos: fuentes, narrativas y visualizaciones en los Data Journalism Awards 2019

Abstract

Este estudio examina las características de los trabajos de periodismo de datos con mayor reconocimiento internacional, con la intención de ofrecer una radiografía actual y extraer elementos comunes en el ejercicio de esta práctica periodística. Mediante un análisis de contenido se diseccionan 42 proyectos nominados a los Data Journalism Awards 2019, seleccionados por la Global Editors Network por cumplir estándares de calidad en el marco de esta especialidad. Las piezas se examinan desde tres perspectivas: las propiedades de la historia, los datos y las visualizaciones empleadas. Entre otras constataciones, los resultados evidencian la transversalidad de esta técnica de tratamiento de la actualidad, moldeable para ser empleada en cualquier área temática, y el predominio de temas como la salud, la ciencia y el medioambiente, debido en parte a circunstancias relacionadas con la urgencia climática y los desafíos medioambientales establecidos. Existe variedad de fuentes pero se detecta una fuerte dependencia de las documentales procedentes de gobiernos u oficinas públicas (59,52%) y un uso mayoritario de las infografías como forma de visualización (45,24%), presentadas generalmente en forma de scrollytelling. Asimismo, se deduce que la calidad está condicionada por la naturaleza de las fuentes, el carácter innovador del análisis estadístico realizado, la forma de recopilar la información y la complejidad de las visualizaciones incorporadas. El periodismo de datos es una práctica periodística en constante cambio, por eso resulta necesario repensar los parámetros de calidad a medida que evoluciona como especialización para adaptarlos a las nuevas formas de materialización de la información.

Full text

e290328 Profesional de la información, 2020, v. 29, n. 3. e-ISSN: 1699-2407 1
Estándares de calidad en el periodismo
de datos: fuentes, narrativas y
visualizaciones en los Data Journalism
Awards 2019
Quality standards in data journalism: sources,
narratives and visualizations in the
Data Journalism Awards 2019
Alba Córdoba-Cabús
Cómo citar este arculo:
Córdoba-Cabús, Alba (2020). “Estándares de calidad en el periodismo de datos: fuentes, narravas y visualiza-
ciones en los Data Journalism Awards 2019”. Profesional de la información, v. 29, n. 3, e290328.
hps://doi.org/10.3145/epi.2020.may.28
Arculo recibido el 04-11-2019
Aceptación deniva: 02-03-2020
Resumen
Este estudio examina las caracteríscas de los trabajos de periodismo de datos con mayor reconocimiento internacional,
con la intención de ofrecer una radiograa actual y extraer elementos comunes en el ejercicio de esta prácca periodís-
ca. Mediante un análisis de contenido se diseccionan 42 proyectos nominados a los Data Journalism Awards 2019, selec-
cionados por la Global Editors Network por cumplir estándares de calidad en el marco de esta especialidad. Las piezas se
examinan desde tres perspecvas: las propiedades de la historia, los datos y las visualizaciones empleadas. Entre otras
constataciones, los resultados evidencian la transversalidad de esta técnica de tratamiento de la actualidad, moldeable
para ser empleada en cualquier área temáca, y el predominio de temas como la salud, la ciencia y el medioambiente,
debido en parte a circunstancias relacionadas con la urgencia climáca y los desaos medioambientales establecidos.
Existe variedad de fuentes pero se detecta una fuerte dependencia de las documentales procedentes de gobiernos u
ocinas públicas (59,52%) y un uso mayoritario de las infograas como forma de visualización (45,24%), presentadas
generalmente en forma de scrollytelling. Asimismo, se deduce que la calidad está condicionada por la naturaleza de las
fuentes, el carácter innovador del análisis estadísco realizado, la forma de recopilar la información y la complejidad
de las visualizaciones incorporadas. El periodismo de datos es una prácca periodísca en constante cambio, por eso
resulta necesario repensar los parámetros de calidad a medida que evoluciona como especialización para adaptarlos a
las nuevas formas de materialización de la información.
Palabras clave
Periodismo de datos; Periodismo digital; Nuevas narravas; Premios; Data Journalism Awards; Calidad; Visualización de
información; Visualizaciones; Datos; Fuentes; Infograas; Análisis de contenido.
Abstract
The purpose of this study is to examine the characteriscs of the most internaonally recognized data journalism pro-
jects, with the aim of providing an in-depth snapshot of the current situaon as well as idenfying the common ele-
ments in the exercise of this journalisc pracce. A content analysis is carried out to dissect 42 projects nominated for
the Data Journalism Awards 2019, which were selected by the Global Editors Network for complying with the quality
standards of this specialty. The pieces are examined from three dierent perspecves: the features of the story, the
Alba Córdoba-Cabús
hps://orcid.org/0000-0002-3519-0583
Universidad de Málaga
Departamento de Periodismo
León Tolstoi, s/n. 29071 Málaga, España
albacordoba@uma.es

Alba Córdoba-Cabús
e290328 Profesional de la información, 2020, v. 29, n. 3. e-ISSN: 1699-2407 2
data, and the visualizaons used. Among other ndings, the results show the transversality of this treatment technique,
which can be shaped to be applied in any subject area, and the prevalence of topics such as health, science, and the
environment, partly due to circumstances related to the climate emergency together with the current environmental
challenges. There is a wide variety of sources, but a strong dependence on documentaries from governments or public
oces (59.52%) can be observed as well as widespread use of infographics as a form of visualizaon (45.24%), generally
presented as scrollytelling. It is also deduced that quality is condioned by the nature of the sources, the innovave cha-
racter of the analysis carried out, the way in which the informaon is compiled, and the complexity of the visualizaons
involved. Data journalism is an ever-changing journalisc pracce, hence the necessity to rethink its quality parameters
as it evolves as a specializaon to adapt them to the new forms of materializing informaon.
Keywords
Data journalism; Digital journalism; New narraves; Awards; Data Journalism Awards; Quality; Informaon visualizaon;
Visualizaons; Data; Sources; Infographics; Content analysis.
1. Introducción
La dacación y la digitalización de la sociedad han transformado la manera en la que trabajamos y pensamos (Loosen,
2018; Coddington, 2015), propiciando la aparición de perles profesionales dedicados a extraer información y represen-
tar la realidad escondida tras grandes volúmenes de cifras, como es el caso del periodista de datos.
Los valores, runas y normas del periodismo tradicional se manenen, pero la adaptación constante a tecnologías y
programas con los que trabajar provoca que el periodismo de datos se encuentre en constante evolución (Tandoc;
Soo-Kang, 2017). En este trabajo se enende que el periodismo de datos es una instrumento periodísco –aplicable a
cualquier área temáca– que posibilita el manejo de grandes candades de datos, sirviéndose de la estadísca y publi-
cando resultados aprovechando las visualizaciones. A simple vista parece que no existen diferencias entre el periodismo
de precisión o asisdo por computadora y el actual periodismo de datos. Sin embargo, Philip Meyer (Gray; Bounegru;
Chambers, 2012) atesgua que la principal disnción radica en la enorme candad de información numérica a la que
se enfrenta el profesional, impulsado por el auge de la cultura de datos abiertos y el surgimiento de nuevas extensiones
tecnológicas. Sandoval-Marn y La-Rosa (2018) especican que la diferencia fundamental radica en el contexto, debido
a la aparición de necesidades surgidas a raíz de los datos masivos como el procesamiento de candades ingentes de
información, el cumplimiento de los ideales de transparencia y datos abiertos o la confección de visualizaciones para
facilitar la interpretación de los datos.
Los números por sí solos no poseen valor, es el periodista el encargado de buscar historias tras ellos y mostrarlas a la
audiencia de una manera atrayente (Sánchez-Bonvehí; Ribera, 2014; Hammond, 2015). Bradshaw (2011) planteó la
“pirámide inverda del periodismo de datos”, estableciendo las fases a seguir para examinar grandes candades de in-
formación: compilar, cribar, contextualizar, combinar y comunicar. Estos cinco estadios implican la familiarización de los
reporteros con aplicaciones analícas y el aprendizaje constante de técnicas para acceder a las bases de datos en bruto
y aplicar la lógica periodísca para ayudar a la audiencia a comprender las historias (Tabary; Provost; Troer, 2016;
Paraise; Darigal, 2013).
El nivel de desarrollo del periodismo de datos depende del contexto en el que emerge, a lo que se une una serie de
limitaciones para su evolución como prácca mediáca (Uskali; Kuu, 2015; Howard, 2014). De-Maeyer et al. (2015)
aglunan estos obstáculos en tres grandes grupos:
- dentro de las organizaciones: en términos de empo, recursos y ujos de trabajo;
- fuera de las organizaciones: dicultad para acceder a los datos y el formato de estos;
- individuales: formación.
Paraise y Darigal (2013) y Tabary, Provost y Troer (2016) hacen hincapié en la dependencia gubernamental, mientras
que otros como Fink y Anderson (2015) y Rogers, Schwabish y Bowers (2017) concretan y sugieren que no se trata tanto
de falta de formación como de escasez de herramientas.
1.1. Estándares de oro del periodismo de datos
Al tratarse de una disciplina que evoluciona en función del contexto y requerir adaptación constante, se generan discre-
pancias conceptuales en torno a ella. A su vez, no existe un consenso claro sobre cuáles son los “estándares de oro” que
dotan de calidad y éxito a las historias con datos, lo que diculta su evolución como especialización. Alexander y Vetere
(2011) plantearon en su momento un repertorio heterogéneo de parámetros:
- ofrecer conanza en los datos que se presentan;
- disponer de factor sorpresa;
- ser transparente en los procesos;
- contar con un líder;
- emplear un lenguaje accesible;
- permir el acceso a las cifras.

Estándares de calidad en el periodismo de datos: fuentes, narrativas y visualizaciones en los Data Journalism Awards 2019
e290328 Profesional de la información, 2020, v. 29, n. 3. e-ISSN: 1699-2407 3
Sin embargo, estos criterios han que-
dado obsoletos y se obvian elementos
presentes en la materialización de este
po de proyectos.
La llegada en 2012 de los Data Journa-
lism Awards –organizados por la Global
Editors Network y dirigidos por Simon
Rogers– supuso la creación de los pri-
meros galardones internacionales que
reconocen los trabajos sobresalientes
de periodismo de datos a nivel mun-
dial. Estos premios homenajean cada
año a las mejores invesgaciones sus-
tentadas en cifras, valorando la calidad
e innovación en el uso y el análisis de
datos, el contenido y la presentación
de la información (Global Editors Ne-
twork, 2019). El jurado está conforma-
do por profesionales reconocidos del
periodismo de datos, entre los que se
encuentran Alberto Cairo, de la University of Miami School of Communicaon; Aron Pilhofer, de la Temple University; o
Liliana Bounegru, del Oxford Internet Instute.
El periodismo de datos está presente en toda la bibliograa académica de producción digital de información y los perles
emergentes de digitalización de la sociedad. Los medios lo emplean como un arma ante el periodismo de declaraciones
y se presenta como clave para la recuperación de la credibilidad y la democrazación, ofreciendo objevidad, técnicas
para controlar la acvidad de los gobiernos e incrementar la implicación de la ciudadanía en los asuntos polícos (Cus-
hion; Lewis; Callaghan, 2016; Cortés-del-Álamo; Luengo-Cruz; Elías, 2018; Paraise; Darigal, 2013). De ahí que sea preci-
samente la políca una de las áreas en las que esta disciplina ene mayor presencia (Wright; Doyle, 2019).
Durante el úlmo lustro diversos autores han abordado
los Data Journalism Awards. Loosen, Reimer y De-Sil-
va-Schmidt (2017) examinaron los nominados de 2013
a 2016 (n=225) y a través de un análisis de contenido
detectaron la frecuente aparición de la políca como
tema principal, dependencia de las fuentes públicas, empleo de visualizaciones simples como grácos de barras o ma-
pas y uso de la narración y la visualización como forma de comunicación más común. Ojo y Heravi (2018) plantearon un
análisis de los ganadores de 2013 a 2016 (n=44) a parr del cual concluyeron que la mayoría de las historias tenían como
propósito informar, se basaban en bases de datos públicas y la forma más frecuente de comunicación era la narración y
la visualización, con mayor presencia de grácos y mapas con anotaciones. Young, Hermida y Fulda (2018) estudiaron
los proyectos canadienses nominados y premiados en los Data Journalism Awards de 2012 a 2015 (n=26), coincidiendo
en que la narración y la visualización eran las formas de publicación más ulizadas, destacando el eslo diegéco con-
ducido por el autor y los mapas dinámicos como elemento visual más común. Otros trabajos e invesgaciones de la úl-
ma década, aunque emplean muestras disntas, alcanzan conclusiones similares (Paraise; Darigal, 2013; Knight, 2015;
De-Maeyer et al., 2015; Tabary; Provost; Troer, 2016; Stalph, 2018; Stalph; Borges-Rey, 2018; Appelgren, 2018; Cór-
doba-Cabús, 2018; Lowrey; Hou, 2018; Vállez; Codina, 2018; Usher, 2019). Diversos expertos señalan que el principal
punto de mejora de las piezas de periodismo de datos debe ser la incorporación de tesmonios a las historias (Paraise;
Darigal, 2013; Gray; Bounegru; Chambers, 2012).
Tomando como punto de parda los Data Journalism Awards 2019, esta invesgación ene como objevo examinar las
caracteríscas de los trabajos de periodismo de datos con mayor reconocimiento internacional, con la intención de ofre-
cer una radiograa actual y extraer elementos comunes en el ejercicio de esta prácca periodísca entre los nominados
a este galardón. De esta forma, y teniendo en cuenta para ello las propiedades de las historias, las cifras y las visualiza-
ciones, se pretenden jar los estándares de calidad de la disciplina presentes en estos trabajos.
2. Método
Con la intención de examinar la materialización del periodismo de datos de calidad, se optó por aplicar el análisis de
contenido (Krippendor, 2002; Igartua, 2006) a los trabajos nominados a los Data Journalism Awards en su edición de
2019 (tabla 1), con propósito descripvo univariante y bidimensional. La elección del universo vino determinada por el
hecho de que estos premios están considerados el mayor reconocimiento internacional de la especialidad.
La invesgación se centró en analizar piezas únicas basadas en datos; por ello, si la nominación no hacía referencia a
un proyecto concreto, sino que recaía sobre el conjunto de la redacción, un porolio individual o aplicaciones y webs
Figura 1. Data Journalism Awards
https://www.datajournalismawards.org
Para la aplicación práctica del periodis-
mo de datos se precisa, principalmente,
apoyo institucional

Alba Córdoba-Cabús
e290328 Profesional de la información, 2020, v. 29, n. 3. e-ISSN: 1699-2407 4
completas, el trabajo se excluía del análisis. La muestra nal quedó conformada por 42 piezas, procedentes en su mayo-
ría de Estados Unidos (50%) –el siguiente país en cuanto a número de proyectos es Reino Unido (7,14%)–. Los trabajos
fueron confeccionados, sobre todo, por las versiones web de periódicos tradicionales (48,84%), a gran distancia de las
organizaciones periodíscas como ProPublica (23,26%) o las agencias de nocias (18,60%).
Tabla 1. Resumen de los proyectos de los Data Journalism Awards 2019
2019
Proyectos presentados Frecuencia 607
Proyectos nominados Frecuencia 103
% de los presentados 16,9
Proyectos adecuados para el análisis Frecuencia 42
% de los nominados 40,77
Proyectos ganadores
Frecuencia 13
% de proyectos ganadores respecto a los nominados 12,62
Proyectos ganadores analizados 6
Con este corpus de análisis podríamos examinar la disciplina sin restricciones temácas ni geográcas y alcanzar resulta-
dos signicavos. No en vano, Appelgren (2018) asegura que el estudio de los nominados a estos premios inuye en el
desarrollo del periodismo de datos como prácca mediáca. Conocer a fondo las propiedades de las historias aportaría
una idea certera sobre cómo plasman la información los grandes trabajos de periodismo de datos.
Para la operacionalización de las variables se ulizaron elementos empleados frecuentemente en la bibliograa cien-
ca, incorporando consideraciones propias. Ojo y Heravi (2018) plantean que lo adecuado es combinar disntos análisis
para conformar un constructo robusto que permita analizar esta prácca periodísca en su totalidad. El libro de códigos
ulizado (tabla 2) agrupaba las variables en tres conjuntos: propiedades de la historia –relacionado con la narrava–,
datos y visualizaciones.
Tabla 2. Variables para el análisis
Variables Opciones Referencias
Temática Política, Sociedad, Economía, Salud/Ciencia/Medioam-
biente, Educación, Deportes, Cultura/Arte, Otro
Loosen; Reimer; De-Silva-Schmidt (2017),
Stalph (2018),
Tandoc; Soo-Kang (2017)
Estilo narrativo Explicativo, Exploratorio, Híbrido
Segel; Heer (2010),
Ojo; Heravi (2018),
Young; Hermida; Fulda (2018)
Tipo de historias
Solo por los hechos, Noticias basadas en datos, Datos
locales contando historias, Análisis y antecedentes,
Investigaciones de buceo profundo
Rogers (2014)
Dimensión Pasado, Presente, Futuro Davenport (2014)
Elementos de foco Qué ocurre, Por qué, Cómo abordar el problema Davenport (2014)
Propósito Informar, Persuadir, Entretener, Explicar, Desconocido
Slaney; Kelliher (2012),
Lee; Herny-Riche; Isenberg; Carpendale (2015),
Gray; Chambers; Bounegru (2012)
Manera de comunicar Visualización, Narración, Comunicación social, Humani-
zación, Personalización, Utilización Bradshaw (2011)
Fuente Gobierno u ocina pública, Corporaciones privadas,
Otras organizaciones, Fuentes propias, otras
Loosen; Reimer; De-Silva-Schmidt (2017),
Knight (2015)
Qué muestran los datos Comparación, Conexiones y ujos, Cambios en el tiem-
po, Jerarquía, Otros Kang (2015)
Visualización Tabla, Gráco estático, Mapa, Gráco interactivo, Ele-
mentos grácos, Visualización animada, Infografía, Otros
Appelgren (2018),
Young; Hermida; Fulda (2018),
Knight (2015),
Coddington (2015),
Segel; Heer (2010)
Ratio de visualizaciones Predomina el texto, Predominan las visualizaciones,
Equilibrado, Solo texto, Solo visualizaciones Stalph (2018)
La incorporación en el análisis de la parte narrava y de la visual resultaba especialmente importante por ser las dos
formas de comunicación más frecuentes en el periodismo de datos (Loosen; Reimer; De-Silva-Schmidt, 2017; Córdo-
ba-Cabús, 2018; Young; Hermida; Fulda, 2018; Ojo; Heravi, 2018).
Las propiedades de las historias se estudiaron a través de conjuntos de variables categóricas nominales y de escala cen-
tradas en la parte narrava de los trabajos. La temáca se estableció en función de las categorizaciones propuestas en

Estándares de calidad en el periodismo de datos: fuentes, narrativas y visualizaciones en los Data Journalism Awards 2019
e290328 Profesional de la información, 2020, v. 29, n. 3. e-ISSN: 1699-2407 5
las invesgaciones de Loosen, Reimer y De-Silva-Schmidt (2017), Stalph (2018) y Tandoc y Soo-Kang (2017), quedando
estructurada así:
- políca
- sociedad
- economía y negocios
- salud, ciencia y medioambiente
- educación
- deportes
- cultura y arte
- otros.
El eslo narravo se evaluó en base a la propuesta de Segel y Heer (2010), reproducida más tarde por otros autores
como Ojo y Heravi (2018) y Young, Hermida y Fulda (2018), disnguiendo entre el eslo:
- explicavo o conducido por el autor: caracterizado por poseer un orden lineal, fuerte carga de mensajes y reducida
interacvidad;
- exploratorio o impulsado por el lector: no presenta un orden concreto, los mensajes son escasos y la interacción del
usuario es libre;
- híbrido: en el que se combinan ambos.
El po de historia se clasicó teniendo en cuenta el po de dato, la manera de recopilar la información y la audiencia
a la que se dirigía. En este apartado se podía seleccionar entre: piezas con datos públicos con los que se confecciona
una visualización, nocias basadas en datos, datos locales contando historias, análisis y antecedentes o invesgaciones
de buceo profundo (Rogers, 2014). Tanto la dimensión temporal –si aborda el pasado, el presente o el futuro– como
los elementos de la historia –si responde a qué ocurre,
por qué y cómo– fueron delimitados según el criterio de
Davenport (2014). Por su parte, cuando se menciona el
propósito del trabajo publicado se habla de diferenciar
entre una nalidad desconocida, informar, persuadir, en-
tretener y explicar (Kelliher; Slaney, 2012; Lee et al., 2015; Gray; Bounegru; Chambers, 2012), mientras que la manera
de comunicar vino determinada por la propuesta de Bradshaw (2011): visualización, narración, comunicación social,
humanización, personalización y ulización.
Al tratarse de informaciones sustentadas en cifras, se esmó adecuado dedicarles un apartado especíco, ofreciendo
así la posibilidad de conocer su procedencia, naturaleza, forma en la que se presentan e información que aportan. En
función de las invesgaciones de Knight (2015) y Loosen, Reimer y De-Silva-Schmidt (2017) se confeccionó la siguiente
clasicación de fuentes:
- gobiernos u ocinas públicas;
- corporaciones privadas;
- otras organizaciones como ONGs, instutos de invesgación o universidades;
- fuentes propias;
- otras.
El po de información que proporcionan los datos se determinó en base a la distribución establecida por Kang (2014), dis-
cerniendo entre comparar, plasmar cambios en el empo, mostrar relaciones entre variables, evidenciar jerarquía y otros.
Las visualizaciones se enenden como un elemento clave para el ejercicio del periodismo (Engebretsen; Kennedy; We-
ber, 2018) y más concretamente del periodismo de datos, constuyendo una parte fundamental de la úlma fase de
la pirámide inverda de la especialidad: la comunicación. Por sí solas son capaces de contar una historia y se pueden
adaptar a la audiencia especíca a la que se dirigen (Barlow, 2014), conviréndose en un elemento para ser interpreta-
do (Cairo, 2017). Por eso se dedica un espacio exclusivo para su examen, contabilizando el número y especicando sus
pos. Existen multud de clasicaciones según los pos de visualizaciones, por lo que en este trabajo se planteó una
combinación tratando de abarcar todas las posibilidades (Segel; Heer, 2010; Coddington, 2015; Knight, 2015; Appel-
gren, 2018; Young; Hermida; Fulda, 2018):
– tabla o lista: representación de datos o información en formato cuadrícula o lista;
– línea de empo: plasmar en una visualización acontecimientos o hechos ordenados cronológicamente;
– gráco estáco: representación visual de información bidimensional. No se idencará el po de gráco que incorpo-
ra (de barras, sectores, dispersión, etc.), sino la incorporación o no de interacvidad;
– gráco interacvo: representación visual de información bidimensional. Se enende por interacvidad aquellas accio-
nes que puede realizar el usuario con el gráco (buscar, ltrar, seleccionar…);
– mapa con o sin interacvidad: un idencador de ubicación, una fecha gráca con una o más ubicaciones idencadas;
– elementos grácos: vídeos, fotos o ilustraciones;
– visualización animada: la que plasma información representada de manera animada. El movimiento es de forma auto-
máca, el usuario no ejecuta ninguna acción. Ejemplos: gif, iconos, secuencias de grácos en movimiento, etc.;
El periodismo de datos es una herra-
mienta transversal que puede ser incor-
porada en cualquier área temática

Alba Córdoba-Cabús
e290328 Profesional de la información, 2020, v. 29, n. 3. e-ISSN: 1699-2407 6
– infograa: combinación de imágenes o ilustraciones, texto y grácos en una misma visualización. Aunque la infograa
incorpore elementos en movimiento e interacvos no se categorizará como visualización animada;
– otros: aquí se incluirá cualquier otra forma de visualización que no pueda contabilizarse en las opciones anteriores.
Siguiendo las indicaciones de Stalph (2018) se valoró qué predominaba más en los arculos: si el texto o las visualiza-
ciones. Al igual que en su invesgación, en este trabajo se limitó el análisis de visualizaciones por pieza a un máximo
de ocho. En los trabajos con varias pantallas se analizó exclusivamente la principal –contabilizándose como una única
visualización, teniendo en cuenta los datos y las representaciones empleadas–. Cuando la historia se contaba a través de
una infograa, se examinó y categorizó como una única visualización.
3. Resultados
A connuación se describen de manera pormenorizada las caracteríscas de los trabajos nominados a los Data Journa-
lism Awards 2019, de acuerdo con las variables del análisis.
3.1. Propiedades de las historias
El tema más frecuente en los arculos examinados es el relacionado con la salud, la ciencia y el medioambiente (gráco
1), centrándose, especialmente, en este úlmo. Los trabajos localizados se esfuerzan por otorgar visibilidad al cambio
climáco, los desastres naturales y las energías renovables, como por ejemplo los proyectos To see how levees increase
ooding, we built our own –ProPublica– o Concrete and coral –Reuters–. La invesgación de ProPublica reeja cómo la
construcción de diques para proteger zonas concretas de inundaciones perjudica a otras áreas, mientras que la de Reu-
ters se centra en mostrar el ritmo y escala de construcción de los arrecifes y terrenos recuperados en diferentes islas del
Mar de la China Meridional. Los arculos que tratan problemas o asuntos sociales –concernientes a colecvos sociales,
sus relaciones e instuciones, así como informes de delitos, medios de comunicación, religión e historia– ocupan el se-
gundo lugar. Cerca del 17% de las piezas analizadas abordan asuntos polícos, en proporción similar a las recogidas bajo
la categoría “Otra”, en la que se agrupan las coberturas de accidentes aéreos, temas candentes en redes sociales, así
como cuesones sin cabida en el resto de los items. Por su parte, “Economía” y “Educación” son los temas que menor
representación obenen.
El eslo narravo predominante en los nominados a los Data Journalism Awards 2019 es el explicavo (76,19%). En un
segundo plano quedan las piezas híbridas (14,29%), que mezclan el eslo conducido por el autor y el impulsado por el
lector, y las exploratorias (9,52%).
Si se clasica la historia en función del po de dato, la manera de recabarlo y la audiencia a la que se dirige, más de la
mitad de los trabajos analizados son nocias basadas en cifras (40,48%) y piezas en las que la información es pública y
se respalda con análisis y visualizaciones (21,43%). Menor representación alcanzan las invesgaciones exhausvas de
grandes conjuntos de datos (14,29%), los trabajos en los que se analizan y explican los antecedentes (14,29%), así como
los proyectos que emplean datos locales (9,52%). Pese a ser “Salud, ciencia y medioambiente” el tema con mayor peso
en la muestra, las invesgaciones de buceo profundo están principalmente relacionadas con cuesones sociales. Claro
ejemplo de ello es el proyecto The force report de NJ Advance Media, una invesgación de 16 meses durante los cuales
el medio elaboró una base de datos sobre el uso de la fuerza por parte de la policía en Estados Unidos.
En general, las nocias no cubren un único período de empo. Del análisis de la muestra se desprende que más del 90%
de los casos dedican espacio a tratar asuntos del presente, mientras que casi el 60% incorpora elementos diacrónicos.
Las referencias al futuro suelen ser menores, idencándose sólo un 10% de piezas que las incorporan. Las predicciones
guran, principalmente, en arculos medioambientales en los que se vacina cuándo volverá a ocurrir otro desastre
o qué habría pasado si se hubiesen tomado medidas, como ocurre en The planet’s hidden climate change de Reuters.
El principal propósito de las piezas de
periodismo de datos es informar a la
audiencia (n=42). Sin embargo, no to-
das las historias poseen un único obje-
vo. Cerca de la mitad de los trabajos
están interesados también en explicar
(n=20), localizando solo un caso en el
que la nalidad es diferente: persuadir.
El foco central de las historias es contar
qué ocurre u ocurrió (97,62%), incor-
porando en menor medida los factores
que causan el hecho (42,86%) y más
raramente las posibles soluciones para
mejorar la situación (7,14%). Los pro-
yectos que incluyen los tres elementos
son los que cubren temas asociados a
la salud, la ciencia y el medioambiente.
16,67%
21,43%
9,52%
30,95%
4,76%
16,67%
Política
Sociedad
Economía
Salud, ciencia y medioambiente
Educación
O t ro
Gráfico 1. Temática de las historias nominadas

Estándares de calidad en el periodismo de datos: fuentes, narrativas y visualizaciones en los Data Journalism Awards 2019
e290328 Profesional de la información, 2020, v. 29, n. 3. e-ISSN: 1699-2407 7
Como se observa en la tabla 3, todas las historias analiza-
das se componen de elementos narravos y visualización,
combinándolos en ocasiones con humanización –que con-
siste en transformar los datos en tesmonios–, personali-
zación –explicar cómo afectan los datos a la ciudadanía– y,
en ocasiones, con ulización –crear una aplicación com-
plementaria de las cifras empleadas–. Resulta especial-
mente llamava la inexistencia de piezas que incorporen
elementos de comunicación social –crowdsourcing–.
3.2. Datos y fuentes
En la contabilización de las fuentes de datos empleadas
por cada arculo se encontraron valores extremos –cinco
piezas contenían más de 20 fuentes– que fueron elimina-
dos para no desvirtuar los estadíscos. Las cifras deno-
tan la inclusión de una media cercana a las tres fuentes
por trabajo, siendo lo más frecuente el uso de una sola
(42,11%, n=16).
La mayor parte de las piezas de la muestra cona en fuen-
tes públicas procedentes del Gobierno u organismos o-
ciales del po ministerios, el Naonal Center for Educaon
Stascs, el Naonal Instute of Securies Markets o la
Central Polluon Control Board (tabla 4). El segundo grupo (35,71%) consiste en piezas que ulizan datos de instu-
ciones como ONGs, universidades o instutos de invesgación. Algunos ejemplos de los aquí incluidos son Save the
Children, la University of Southampton o la Boston University’s School of Public Health. Aproximadamente el 30% de los
trabajos analiza cifras que la organización correspondiente recopiló (mediante encuestas, scrapping o buscando en sus
propios archivos). Esta cuota es relavamente superior a las procedentes de ltraciones, análisis de emisiones televisi-
vas –incorporadas ambas en la categoría “Otras”– y datos obtenidos de corporaciones privadas, como pueden ser IBM
o S&P Global Market Intelligence.
Si se analizan en función de la temáca, se observa que los asuntos polícos y económicos son los únicos en los que las
fuentes principales no son las gubernamentales. Los datos proceden principalmente de ltraciones o de programas de
televisión (42,83% en el caso políco), así como de otras organizaciones (75% en economía). Las cifras extraídas por el
propio equipo se dan con mayor frecuencia en temas sociales y en los relacionados con ciencia, salud y medioambiente.
Los trabajos en los que la organización recaba los datos suelen obtener mayor reconocimiento, como es el caso del pro-
yecto galardonado Radmesser –Der Tagesspiegel–. El medio recopiló, mediante sensores construidos por ellos mismos y
con el apoyo de 100 voluntarios, la distancia entre coche y bicicleta en los adelantamientos para comprobar si se cumplía
la legislación en materia de seguridad vial.
Estos valores numéricos se incorporan para proporcionar información y mostrar asociaciones y conexiones (57,14%), así
como cambios temporales (52,38%). En menor medida, los datos se centran en comparar valores (28,57%).
3.3. Visualizaciones
Uno de los elementos disnvos del periodismo de datos son las visualizaciones. Esto incluye desde tablas y diagramas,
que sirven para representar la información en que se basa la historia, hasta fotograas o vídeos que no están relaciona-
dos con las cifras, sino que enen una función meramente ilustrava.
De acuerdo con el análisis, las piezas de la muestra conenen de media más de dos visualizaciones ( = 2,64). Sin embar-
go, lo más frecuente es el uso de un único elemento visual (50%).
La tabla 5 reeja el predominio de las infograas (45,24%).
Estas se presentan estructuradas como una scrollytelling –
manera de contar una historia en la que el lector usa la tecla
de desplazamiento para descubrir el contenido– y su uso es
más frecuente en los temas de salud, ciencia y medioam-
biente, presentando menor incidencia en economía y edu-
cación. Además, las infograas son las únicas visualizacio-
nes presentes en aquellas piezas consideradas completas
por atender a los tres focos centrales de la historia (qué, por
qué y cómo abordar el problema). Los elementos grácos
(ilustración, foto y vídeo) son el segundo po más emplea-
do, seguido de los grácos estácos, los grácos interac-
vos, los mapas, las tablas y las visualizaciones animadas.
Tabla 3. Manera de comunicar las historias con datos
Manera de comunicar Frecuencia Porcentaje
Visualización 42 100
Narración 42 100
Comunicación social 0 0
Humanización 11 26,11
Personalización 4 9,52
Utilización 3 7,14
Tabla 4. Clasificación de fuentes según el tipo
Tipo de fuentes Frecuencia Porcentaje
Gobierno u ocina pública 25 59,52
Corporaciones privadas 4 9,52
Otras organizaciones 15 35,71
Fuente propia 13 30,95
Otras 7 16,67
Tabla 5. Tipo de visualización empleada en los nominados
Tipo de visualización Frecuencia Porcentaje
No hay 1 2,38
Tabla 3 7,14
Gráco estático 10 23,81
Mapa 6 14,29
Gráco interactivo 7 16,67
Elementos grácos 13 30,95
Visualización animada 3 7,14
Infografía 19 45,24
Otros 5 11,90

Alba Córdoba-Cabús
e290328 Profesional de la información, 2020, v. 29, n. 3. e-ISSN: 1699-2407 8
Si se analiza la interacvidad de los grácos, llama
la atención su presencia sobre todo en asuntos
polícos, sociales y económicos. Dentro de los ele-
mentos interacvos localizados, destacan aquellos
con funciones autorrellenables por el usuario, en-
marcándose estas en el apartado de “Otros”. Esta
caracterísca se puede apreciar en el proyecto
How to forecast an American’s vote, de The eco-
nomist, en el apartado “Build an American voter”.
4. Conclusiones y discusión
Este trabajo se proponía como objevo princi-
pal idencar las propiedades y elementos co-
munes de los proyectos nominados a los Data
Journalism Awards 2019, ofreciendo así una ra-
diograa actual de los trabajos que cuentan con
los “estándares de oro” del periodismo de datos.
Pese a la consideración tan extendida de que la
políca es una de las áreas en las que esta dis-
ciplina ene mayor presencia, del análisis de la
muestra se desprende la preponderancia de proyectos relacionados con salud, ciencia y medioambiente (30,95%), debi-
do, en parte, a circunstancias relacionadas con la emergencia climáca –evidenciada en varios informes recientes como
el del Intergovernmental Panel on Climate Change o el Informe anual de 2018 de ONU Medio Ambiente– y con los de-
saos medioambientales. Esto conrmaría la transversalidad de la herramienta, que puede ser incorporada a cualquier
área temáca. Los asuntos polícos suelen estar más presentes en el periodismo de datos diario, comeendo en algunas
ocasiones el error de ajustar esta herramienta a la simple visualización. En estos casos, la necesidad de inmediatez eclip-
sa al periodismo de datos más analíco.
Queda patente, con el análisis del eslo narravo, cierta escasez de interacvidad. Stabe (2016) ya aventuró que tras-
pasar la responsabilidad del diseñador al lector era un error y así lo han entendido los creadores de los proyectos nomi-
nados (el 76,19% opta por un eslo explicavo, conducido por el autor). Por eso se prevé que el uso de la interacvidad
siga en esta dirección, incorporando secuencias de grácos estácos con anotaciones simples y mostrando variaciones
de un mismo conjunto de datos, limitando así las funciones de los usuarios.
Por lo general, los proyectos nominados en 2019 emplean cifras actuales y se centran en explicar qué ocurre u ocurrió,
dejando a un lado las explicaciones sobre por qué suceden o cómo abordar las situaciones, lo cual implicaría mayor
interpretación y análisis por parte del periodista. Más de la mitad de los arculos son nocias basadas en datos y piezas
en las que estos se complementan con análisis y visualizaciones. La escasa presencia de invesgaciones de buceo pro-
fundo está directamente relacionada con
las limitaciones de empo y recursos a las
que se enfrenta el periodismo de datos.
Es por eso por lo que, excepto en la cate-
goría “Mejor uso de datos en nocias de
úlma hora”, la mayoría de los proyectos
presentan temas atemporales. Lo mismo
ocurre con las historias que incorporan
datos locales: al ser pequeñas organi-
zaciones, sus recursos son escasos y les
resulta mucho más complicado alcanzar
visibilidad y reconocimiento.
La manera más habitual de comunicar este
po de trabajos es mediante narración y
visualización, combinándolo en ocasiones
con humanización –tesmonios–. Es este
uno de los puntos a explotar, ya que los
propios periodistas consideran imprescin-
dible transformar los datos en historias
o encontrar a personas afectadas por las
cifras para atraer a la audiencia (Paraise;
Darigal, 2013; Gray; Bounegru; Chambers,
2012).
Figura 3. Proyecto Every time Ford and Kavanaugh dodged a question, in one chart de Vox.
https://www.vox.com/policy-and-politics/2018/9/28/17914308/kavanaugh-ford-
question-dodge-hearing-chart
Figura 2. Proyecto The planet’s hidden climate change de Reuters.
https://www.reuters.com/investigates/special-report/ocean-shock-warming

Estándares de calidad en el periodismo de datos: fuentes, narrativas y visualizaciones en los Data Journalism Awards 2019
e290328 Profesional de la información, 2020, v. 29, n. 3. e-ISSN: 1699-2407 9
Existe variedad de fuentes, pero se imponen las docu-
mentales procedentes del Gobierno u ocinas públi-
cas. Esto explicaría el po de historias, la dimensión de
empo y los elementos de foco más comunes. Son los
asuntos polícos y económicos los únicos en los que las
fuentes principales no son las gubernamentales. Esto
puede deberse a la búsqueda de elementos diferencia-
dores que permitan un tratamiento de datos innovador, para conseguir diferenciarse en temácas ya muy explotadas. El
rasgo de calidad radicaría tanto en la combinación de las fuentes como en los análisis aplicados. La fuerte dependencia
de este po de fuentes puede ser una limitación, ya que los periodistas conan en el procesamiento que las instuciones
hacen de los datos. Aquellos proyectos en los que las cifras son recopiladas por la organización (mediante encuestas,
scrapping o indagando en sus propios archivos), siendo fuentes únicas o exclusivas con las que sólo cuenta el equipo,
suelen alcanzar mayor reconocimiento.
Las visualizaciones más frecuentes son las infograas, presentadas en su mayoría como una scrollytelling. El uso de los
disntos pos de visualizaciones va en consonancia con la adaptación constante del periodismo de datos a las nuevas
herramientas y tecnologías, lo que implica una actualización connua del periodista. La infograa aporta disnción y
calidad, ya que se considera uno de los elementos con datos más complejos por el nivel de interpretación y análisis
requerido (Knight, 2015).
De lo anterior se deduce que la calidad en el periodismo de datos praccado por los nominados a los Data Journalism
Awards 2019 viene marcada por cuatro factores:
- la naturaleza de las fuentes, obteniendo mayor reconocimiento las piezas en las que se combinan varias y en las que
se cuenta con información exclusiva;
- el carácter innovador del análisis realizado, destacando aquellas que presentan una perspecva poco frecuente en
temas más explotados como la políca;
- la forma de recopilar la información, valorando posivamente los proyectos en los que la propia organización recaba
los datos;
- las visualizaciones incorporadas, siendo las infograas presentadas como una scrollytelling las más complejas en cuan-
to a diseño e interpretación previa de la información.
El periodismo de datos es una prácca en constante cambio, por eso resulta necesario repensar los parámetros de
calidad a medida que evoluciona como especialización para adaptarlos a las nuevas formas de materialización de la
información.
Las limitaciones de esta invesgación se encuentran prin-
cipalmente en la muestra seleccionada. Los 42 trabajos
examinados no fueron elegidos al azar y son proyectos
confeccionados en un período de empo concreto, el
bienio 2018-2019, por lo que no hay posibilidad de es-
tablecer tendencias o comparavas. La variabilidad de
las publicaciones complicó el análisis de contenido y eso
implica un sesgo en las variables estudiadas. Además, no
se ha podido explicar cuántas personas intervinieron en
las publicaciones, durante cuántos meses o de cuánto presupuesto disponían, para lo que hubiese sido necesario realizar
entrevistas con los periodistas de datos. Aun así, se considera que las pautas idencadas en el análisis pueden servir para
delimitar de forma más precisa los estándares de calidad del periodismo de datos tal y como se pracca en la actualidad.
5. Referencias
Alexander, Stephanie; Vetere, Colleen (2011). “Telling the data story the right way”. Healthcare nancial management,
v. 65, n. 10, pp. 104-110.
Appelgren, Ester (2018). “An illusion of interacvity. The paternalisc side of data journalism”. Journalism pracce, v. 12,
n. 3, pp. 308-325.
hps://doi.org/10.1080/17512786.2017.1299032
Barlow, Mike (2014). Data visualizaon: A new language for storytelling. Sebastopol, CA: O’Reilly Media. ISBN: 978 1
491 94503 2
Bradshaw, Paul (2011). “6 ways of communicang data journalism”. Online journalism blog, 15 July.
hps://bit.ly/3dbcjDl
Cairo, Alberto (2017). “Visualización de datos: una imagen puede valer más que mil números, pero no siempre más que
mil palabras”. El profesional de la información, v. 26, n. 6, pp. 1025-1028.
hps://doi.org/10.3145/epi.2017.nov.02
El periodismo de datos es una prácti-
ca periodística en constante cambio,
por eso resulta necesario repensar los
parámetros de calidad a medida que
evoluciona como especialización para
adaptarlos a las nuevas formas de mate-
rialización de la información
Los asuntos políticos suelen estar más
presentes en el periodismo de datos dia-
rio, cometiendo en algunas ocasiones
el error de ajustar esta herramienta a la
simple visualización

Alba Córdoba-Cabús
e290328 Profesional de la información, 2020, v. 29, n. 3. e-ISSN: 1699-2407 10
Coddington, Mark (2015). “Clarifying journalism’s quantave turn. A typology for evaluang data journalism, compu-
taonal journalism, and computer-assisted reporng”. Digital journalism, v. 3, n. 3, pp. 331-348.
hps://doi.org/10.1080/21670811.2014.976400
Córdoba-Cabús, Alba (2018). “Análisis del periodismo de datos en la campaña electoral del 20D a través de las ediciones
digitales de diarios generalistas”. Estudios sobre el mensaje periodísco, v. 24, n. 1, pp. 137-154.
hps://doi.org/10.5209/ESMP.59942
Cortés-Del-Álamo, Helena-María; Luengo-Cruz, María; Elías, Carlos (2018). “Periodismo de datos y transparencia al
margen de los grandes medios, un estudio comparavo de Civio y Propública”. Icono 14, v. 16, n. 2, pp. 66-87.
hps://doi.org/10.7195/ri14.v16i2.1177
Cushion, Stephen; Lewis, Jusn; Callaghan, Robert (2016). “Data journalism, imparality and stascal claims. Towards
more independent scruny in news reporng”. Journalism pracce, v. 11, n. 10, pp. 1751-2794.
hps://doi.org/10.1080/17512786.2016.1256789
Davenport, Thomas H. (2014). “10 kinds of stories to tell with data”. Harvard business review, 5 May.
hps://hbr.org/2014/05/10-kinds-of-stories-to-tell-with-data
De-Maeyer, Juliee; Libert, Manon; Domingo, David; Heinderyckx, François; Le-Cam, Florence (2015). “Waing for
data journalism. A qualitave assessment of the anecdotal take-up of data journalism in French-speaking Belgium”.
Digital journalism, v. 3, n. 3, pp. 432-446.
hps://doi.org/10.1080/21670811.2014.976415
Engebretsen, Marn; Kennedy, Helen; Weber, Wibke (2018). “Data visualizaon in Scandinavian newsrooms. Emerging
trends in journalisc visualizaon pracces”. Nordicom review, v. 39, n. 2, pp. 3-18.
hps://doi.org/10.2478/nor-2018-0007
Fink, Katherine; Anderson, Christopher W. (2015). “Data journalism in the United States. Beyond the ‘usual suspects’”.
Journalism studies, v. 16, n. 4, pp. 467-481.
hps://doi.org/10.1080/1461670X.2014.939852
Global Editors Network (2019). Eligibility & rules.
hps://datajournalismawards.org/eligibility-rules
Gray, Jonathan; Bounegru, Liliana; Chambers, Lucy (2012). The data journalism handbook. Sebastopol: O’Reilly Media.
ISBN: 978 1 449330064
Hammond, Phil (2015). “From computer-assisted to data-driven: Journalism and big data”. Journalism, v. 18, n. 4, pp. 408-424.
hps://doi.org/10.1177/1464884915620205
Howard, Alexander-Benjamin (2014). The art and science of data-driven journalism. New York: Tow Center for Digital
Journalism.
hps://doi.org/10.7916/D8Q531V1
Igartua, Juan-José (2006). Métodos cuantavos de invesgación en comunicación. Barcelona: Bosch. ISBN: 978 84
97902717
Kang, Martha (2015). “Exploring the 7 dierent types of data stories”. Mediashi, 15 June.
hps://mediashi.org/2015/06/exploring-the-7-dierent-types-of-data-stories
Kelliher, Aisling; Slaney, Malcolm (2012). “Tell me a story”. IEEE mulmedia, v. 19, n. 1, pp. 1139-1148.
hps://doi.org/10.1109/MMUL.2012.13
Knight, Megan (2015). “Data journalism in the UK: a preliminary analysis of form and content”. Journal of media prac-
ce, v. 16, n. 1, pp. 55-72.
hps://doi.org/10.1080/14682753.2015.1015801
Krippendor, Klaus (2002). Metodología de análisis de contenido: Teoría y prácca. Barcelona: Paidós. ISBN: 84 7509 627 1
Lee, Bongshin; Riche, Nathalie H.; Isenberg, Petra; Carpendale, Sheelagh (2015). “More than telling a story: Transfor-
ming data into visually shared stories”. IEEE computer graphics and applicaons, v. 35, n. 5, pp. 84-90.
hps://doi.org/10.1109/MCG.2015.99
Loosen, Wiebke (2018). “Four forms of dataed journalism. Journalism’s response to the datacaon of society”. Com-
municave guraons, n. 18.
hps://www.ko.uni-bremen.de/leadmin/user_upload/Arbeitspapiere/CoFi_EWP_No-18_Loosen.pdf
Loosen, Wiebke; Reimer, Julius; De-Silva-Schmidt, Fenja (2017). “Data-driven reporng: An on-going (r)evoluon? An
analysis of projects nominated for the Data Journalism Awards 2013-2016”. Journalism, online rst.
hps://doi.org/10.1177/1464884917735691

Estándares de calidad en el periodismo de datos: fuentes, narrativas y visualizaciones en los Data Journalism Awards 2019
e290328 Profesional de la información, 2020, v. 29, n. 3. e-ISSN: 1699-2407 11
Lowrey, Wilson; Hou, Jue (2018). “All forest, no trees? Data journalism and the construcon of abstract categories”.
Journalism, rst online.
hps://doi.org/10.1177/1464884918767577
Ojo, Adegboyega; Heravi, Bahareh (2018). “Paerns in award winning data storytelling. Story types, enabling tools and
competences”. Digital journalism, v. 6, n. 6, pp. 693-718.
hps://doi.org/10.1080/21670811.2017.1403291
Paraise, Silvian; Darigal, Eric (2013). “Data-driven journalism and the public good: Computer assisted-reporters and
programmer-journalists in Chicago”. New media & society, v. 15, n. 6, pp. 853-871.
hps://doi.org/10.1177/1461444812463345
Rogers, Simon (2014). “Data journalism is the new punk”. Brish journalism review, v. 25, n. 2, pp. 31-34.
hps://doi.org/10.1177/0956474814538181
Rogers, Simon; Schwabish, Jonathan; Bowers, Danielle (2017). Data journalism in 2017. The current state and challen-
ges facing the eld today. Google News Lab.
hps://newslab.withgoogle.com/assets/docs/data-journalism-in-2017.pdf
Sánchez-Bonvehí, Clàudia; Ribera, Mireia (2014). “Visualización de la información en la democrazación de los datos:
propuestas desde el periodismo y la narravidad”. El profesional de la información, v. 23, n. 3, pp. 311-318.
hps://doi.org/10.3145/epi.2014.may.11
Sandoval-Marn, María-Teresa; La-Rosa, Leonardo (2018). “Big data as a dierenang sociocultural element of data
journalism: the percepon of data journalists and experts”. Communicaon & society, v. 31, n. 4, pp. 193-209.
hps://revistas.unav.edu/index.php/communicaon-and-society/arcle/view/35681
Segel, Edward; Heer, Jerey (2010). “Narrave visualizaon: Telling stories with data”. IEEE transacons on visualizaon
and computer graphics, v. 16, n. 6, pp. 1139-1148.
hps://doi.org/10.1109/TVCG.2010.179
Stabe, Marn (2016). “Why the FT creates so few clickable graphics”. Financial Times, 3 October.
hps://www..com/content/c62b21c6-7feb-11e6-8e50-8ec15462f4
Stalph, Florian (2018). “Classifying data journalism. A content analysis of daily data-driven stories”. Journalism pracce,
v. 12, n. 10, pp. 1332-1350.
hps://doi.org/10.1080/17512786.2017.1386583
Stalph, Florian; Borges-Rey, Eddy (2018). “Data journalism sustainability. An outlook on the future of data-driven repor-
ng”. Digital journalism, v. 6, n. 8, pp. 1078-1089.
hps://doi.org/10.1080/21670811.2018.1503060
Tabary, Constance; Provost, Anne-Marie; Troer, Alexandre (2016). “Data journalism’s actors, pracces and skills: A
case study from Quebec”. Journalism, v. 17, n.1, pp. 66-84.
hps://doi.org/10.1177/1464884915593245
Tandoc, Edson; Soo-Kwang, Oh (2017). “Small departures, big connuies? Norms, values and rounes in The Guar-
dian’s big data journalism”. Journalism studies, v. 18, n. 8, pp. 997-1015.
hps://doi.org/10.1080/1461670X.2015.1104260
Usher, Nikki (2019). “What is data journalism for? Cash, clicks, and cut and trys”. In: Gray, Jonathan A.; Bounegru, Liliana.
The data journalism handbook 2: Towards a crical data pracce. Amsterdam: Amsterdam University Press.
hps://datajournalism.com/read/handbook/two/reecons/what-is-data-journalism-for-cash-clicks-and-cut-and-trys
Uskali, Turo I.; Kuu, Heikki (2015). “Models and stream of data journalism”. The journal of media innovaons, v. 2, n.
1, pp. 77-88.
hps://doi.org/10.5617/jmi.v2i1.882
Vállez, Mari; Codina, Lluís (2018). “Periodismo computacional: evolución, casos y herramientas”. El profesional de la
información, v. 27, n. 4, pp. 759-768.
hps://doi.org/10.3145/epi.2018.jul.05
Wright, Sco; Doyle, Kim (2019). “The evoluon of data journalism: A case study of Australia”. Journalism studies, v. 20,
n. 13, pp. 1811-1827.
hps://doi.org/10.1080/1461670X.2018.1539343
Young, Mary-Lynn; Hermida, Alfred; Fulda, Johanna (2018). “What makes for great journalism?”. Journalism pracce,
v. 12, n. 1, pp. 115-135.
hps://doi.org/10.1080/17512786.2016.1270171