Un análisis exhaustivo de la importancia de la programación en el
periodismo de datos moderno
A Comprehensive Analysis of the Importance of Programming in Modern Data
Journalism
doxa.comunicación |
nº 43, pp. 17-34
| 17
julio-diciembre de 2026
ISSN: 1696-019X / e-ISSN: 2386-3978
Cómo citar este artículo:
Veglis, A. (2026). Un análisis exhaustivo de la importancia de la programación en el periodismo de datos moderno.
Doxa Comunicación
, 43,
pp. 17-34.
https://doi.org/10.31921/doxacom.2878
Andreas Veglis
es profesor de tecnología de los medios de comunicación y director del Laboratorio de Informática de
los Medios de Comunicación de la Facultad de Periodismo y Comunicación de Masas de la Universidad Aristóteles de
Tesalónica. Ha sido y sigue siendo editor, miembro de consejos cientícos y revisor en diversas revistas académicas. El
profesor Veglis cuenta con más de 200 artículos revisados por pares sobre tecnología de los medios de comunicación
y periodismo. En concreto, es autor o coautor de 12 libros y 44 capítulos de libros, ha publicado más de 115 artículos
en revistas cientícas y ha presentado 154 ponencias en conferencias internacionales y nacionales y ha participado en
50 proyectos de investigación nacionales e internacionales. Sus intereses de investigación incluyen la tecnología de la
información en el periodismo, los nuevos medios, el periodismo algorítmico, la IA en el periodismo, la seguridad digital,
el periodismo de datos, el
big data
y la vericación de contenidos.
Universidad Aristóteles de Tesalónica, Grecia
[email protected]
ORCID:
0000-0002-0286-2304
Este contenido se publica bajo licencia Creative Commons Reconocimiento - Licencia no comercial. Licencia internacional CC BY-NC 4.0
Recibido: 31/12/2024 - Aceptado: 17/02/2025 - En edición: 26/02/2026 - Publicado: 01/07/2026
Received: 31/12/2024 - Accepted: 17/02/2025 - Early access: 26/02/2026 - Published: 01/07/2026
Resumen:
En los últimos 20 años, se ha experimentado un desarrollo signicativo
en el campo del periodismo de datos, que es una especialización basa
-
da en la búsqueda de noticias en los datos. Hoy en día, existe una ten
-
dencia en el periodismo de datos a emplear técnicas de programación
(normalmente Python o R). Esta tendencia proviene principalmente de
importantes organizaciones periodísticas que participan en proyectos
de periodismo de los macrodatos o
big data
basados en el análisis de da
-
tos. El objetivo principal de este estudio es examinar la importancia de
la programación en el periodismo de datos actual. Se emplea una me
-
todología mixta, que incluye una revisión bibliográca y un análisis de
estudios de caso. Los hallazgos indican que, si bien la codicación no es
necesaria en el periodismo de datos, puede considerarse una necesidad
Abstract:
In the last 20 years, the eld of data journalism has seen signicant
development. Data journalism is a specialization based on nding
news stories in data. Today, there is a trend in data journalism to use
programming techniques (usually Python or R). is trend comes
mainly from prominent journalism organizations engaged in big data
journalism projects based on data analysis. e main thrust of this
study is to examine the importance of programming in data journalism
today. A mixed methodology is employed, including a literature review
and case study analysis. e ndings indicate that although coding is
not necessary in data journalism, it may be viewed as a necessity when
used for complex projects that include large datasets and specic types
of visualization. e study also discusses hybrid approaches and specic
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
18 |
nº 43, pp. 17-34
|
julio-diciembre de 2026
Un análisis exhaustivo de la importancia de la programación en el periodismo de datos moderno
ISSN: 1696-019X / e-ISSN: 2386-3978
doxa.comunicación
cuando se utiliza para proyectos complejos que incluyen grandes con
-
juntos de datos y tipos especícos de visualización. El estudio también
analiza enfoques híbridos y herramientas especícas que tienen como
objetivo cerrar la brecha entre los enfoques basados en herramientas y
los basados en código en la práctica del periodismo de datos. Los resul
-
tados indican que la programación debería considerarse una habilidad
complementaria que los periodistas de datos deberían considerar.
Palabras clave:
Periodismo de datos, programación, codicación, Python, R,
metodología de estudio de caso.
tools that aim to bridge the gap between tool-based and code-based
approaches in practicing data journalism. e results indicate that
programming should be viewed as a complementary skill that should be
considered by data journalists.
Keywords:
Data journalism, programming, coding, Python, R, case study
methodology.
1. Introducción
Desde la concepción del periodismo, su relación con la tecnología ha sido simbiótica, donde uno moldea e inuye al otro (Sia
-
pera y Veglis, 2012). Recientemente, esta relación ha dado un giro transformador con el avance hacia la daticación, un concepto
introducido por Mayer- Schönberger y Cukier (2013), que lo denieron como el proceso de transformar grandes cantidades
de información en un recurso escalable para su empleo como producción de conocimiento y así agregar valor económico. La
introducción de la daticación en el periodismo puede verse como un cambio signicativo porque altera de forma fundamen
-
tal el proceso de producción, difusión y consumo de noticias. Cabe mencionar que el periodismo ya ha experimentado una
transformación causada por la introducción de las tecnologías
big data
(Coddington, 2015), que ha impulsado el desarrollo del
periodismo de datos, una especialidad que emplea métodos computacionales para analizar grandes conjuntos de datos y extraer
información signicativa (Gray, Bounegru y Chambers, 2012; Veglis y Bratsas, 2021).
El periodismo de datos se ha enfrentado al escepticismo de los periodistas reacios a los cambios tecnológicos, sin embargo, con
el auge de la digitalización, los datos comenzaron a inuir en las redacciones a través de métricas, asignación de recursos, selec
-
ción de temas y formato de noticias, y, por lo tanto, ganaron atención en las publicaciones cientícas (Angelou
et al.
, 2020). Se
han empleado diversos términos, como “periodismo basado en datos”, “periodismo interactivo” y “periodismo de
big data
”, para
describir esta nueva forma de periodismo (Ausserhofer
et al.
, 2020). Por lo tanto, la daticación se ha convertido paulatinamente
en un parámetro importante en la producción de contenido periodístico con el periodismo de datos desempeñando un papel
signicativo en este proceso (Porlezza, 2023).
La daticación de las herramientas de los periodistas les ha proporcionado la capacidad para informar sobre cuestiones com
-
plejas y proporcionar narrativas con base empírica (Lewis y Westlund, 2015). También ha servido para democratizar el campo,
permitiendo una mayor participación pública a través de visualizaciones interactivas y plataformas de datos abiertos (Young
et
al.
, 2018). Esta transformación ha dado como resultado la redenición del papel del periodista, que ahora incluye tareas como
analista de datos, diseñador visual e intérprete de fenómenos sociopolíticos complejos (Ausserhofer
et al.
, 2020). El espacio
periodístico renovado es un nuevo tipo de periodismo en forma de prácticas periodísticas alteradas a través de la creciente in
-
corporación de datos y programación. En este sentido, Ruppert
et al.
(2017) argumentan que los datos se han convertido en una
herramienta de poder, visualizando dicha inuencia en los sectores público y privado, incluso en el ámbito del periodismo. Los
doxa.comunicación |
nº 43, pp. 17-34
julio-diciembre de 2026
Andreas Veglis
ISSN: 1696-019X / e-ISSN: 2386-3978
| 19
autores arman que la llegada del periodismo de datos es parte de la reconguración general de las estructuras de poder, con
datos, código y algoritmos como los actores más importantes. Por otro lado, el periodismo de datos se practicaba antes de la in
-
troducción de la codicación y se centraba en el análisis estadístico a través de la producción periodística asistida por ordenador
(CAR) (Parasie y Dagiral, 2013).
En este sentido, se debate a menudo en la industria de los medios la necesidad de emplear la codicación en el periodismo de
datos. Por un lado, quienes lo deenden arman que las técnicas de codicación son importantes para los periodistas (y espe
-
cialmente para los periodistas de datos) en el panorama mediático actual. Argumentan que la codicación facilita a los periodis
-
tas recopilar, analizar y presentar datos de formas nuevas y creativas, lo que les permite detectar patrones ocultos y proporcionar
una explicación exhaustiva de cuestiones complejas. Además, arman que la utilidad de la codicación para la narración y el
periodismo de investigación ha aumentado (Simon, 2021). A este respeto, Porlezza (2023) argumenta que la codicación es un
prerrequisito para la práctica del periodismo de datos, que implica la recopilación, el análisis y la visualización de datos para
contar historias y revelar lo percibido. Para gestionar la información de forma ecaz, los periodistas suelen utilizar lenguajes de
programación (como Python y R) para depurar datos, realizar análisis estadísticos y crear visualizaciones de datos. Las técnicas
de codicación permiten a los periodistas utilizar
big data
, la automatización del procesamiento de datos y su visualización
interactiva. Sin embargo, cabe señalar que la integración de la codicación con la práctica periodística también plantea algunas
dudas. En particular, los críticos insisten en que los periodistas deben centrarse en la narración y la recopilación de información,
y dejar la parte técnica a los expertos en datos y a los desarrolladores. Se teme que dominar la codicación pueda distraer a los
periodistas de sus tareas principales y, por lo tanto, comprometer la integridad periodística (Cruz, sf; Hannaford, 2015). Heravi
y Lorenz (2020) arman que el uso de la codicación en el periodismo de datos es un tema a debatir, si bien la habilidad para la
codicación puede ser útil en el marco de las historias basadas en datos, cabe señalar que no todos los periodistas de datos están
obligados a ser especialistas en codicación. Porlezza (2023) no desmiente esta conclusión, pero arma que el conocimiento de
la codicación puede fortalecer la capacidad del periodista en una gestión adecuada de los datos. La codicación no se consi
-
dera un componente central del periodismo de datos, sino una herramienta que puede ayudar signicativamente en el proceso
(Heravi y Lorenz, 2020).
Es crucial encontrar el equilibrio entre las ventajas y desventajas de la programación en el periodismo, ya que los periodistas que
controlan las técnicas de programación pueden extraer datos llamativos y de este modo atraer audiencias mediante el uso de
dichas técnicas; sin embargo, es importante que no se comprometan los estándares ni la ética periodística. Colman
et al.
(2018)
explican los problemas éticos que surgen cuando los periodistas aplican la programación en su trabajo.
Por lo tanto, el uso de la programación en el periodismo presenta tantas oportunidades como desafíos, y es fundamental que los
periodistas evalúen críticamente los benecios y riesgos asociados a la programación, considerando el contexto especíco y los
objetivos de sus reportajes. Al aprovechar las habilidades de programación de forma responsable y ética, los periodistas pueden
maximizar el poder de la tecnología para mejorar su narrativa y ofrecer un periodismo impactante.
El objetivo principal de este estudio es examinar la importancia de la programación en la práctica del periodismo de datos en la
actualidad y con este n se formularon dos preguntas de investigación. En concreto, el debate sobre si la programación es esen
-
cial o complementaria en el periodismo de datos moderno es la base de la primera pregunta de investigación:
20 |
nº 43, pp. 17-34
|
julio-diciembre de 2026
Un análisis exhaustivo de la importancia de la programación en el periodismo de datos moderno
ISSN: 1696-019X / e-ISSN: 2386-3978
doxa.comunicación
PI1: ¿Debe considerarse la codicación como algo imprescindible para practicar el periodismo de datos?
Además, la discusión en los casos en que se utiliza programación apunta a la idea de que las características de un proyecto espe
-
cíco probablemente determinan la necesidad de enfoques basados en código, lo que nos ayuda a articular la segunda pregunta
de investigación:
PI2: ¿Qué características de un proyecto de periodismo de datos inuyen en la decisión de utilizar la codicación?
1.1. Practicar el periodismo de datos
Como señaló Knight (2015), se atribuye a Simon Rogers la primera utilización del término
data journalism
en una publicación
del blog Guardian Insider. Este concepto abarca un ujo de trabajo que comienza con el análisis de datos, seguido del ltrado y la
visualización de estos para complementar la narrativa, como lo describe Lorenz (2010). Integra aspectos como hojas de cálculo,
grácos, análisis de datos y noticias importantes (Rogers, 2008) y se centra esencialmente en la creación de grácos de noticias,
incorporando elementos de diseño e interactividad (Bradshaw, 2018; Lorenz, 2010; Rogers, 2008). Megan Knight (2015) dene
el periodismo de datos como una narrativa basada principalmente en datos numéricos o que involucra datos o visualización de
forma signicativa.
Veglis y Bratsas (2017a) ofrecieron una denición que resume con mayor ecacia la importancia de la visualización y la interacti
-
vidad en el periodismo de datos. La describen como un proceso consistente en extraer información valiosa de los datos, elaborar
artículos basados en esta información e integrar visualizaciones (a veces interactivas) para facilitar la comprensión del lector o
permitirle interactuar con datos relevantes. También propusieron la categorización del proceso de periodismo de datos en seis
etapas distintas: Recopilación de datos, Limpieza de datos, Comprensión de datos, Validación de datos, Visualización de datos y
Redacción de artículos (2017b).
Recopilación de datos
: Esta fase inicial de un proyecto de periodismo de datos comienza con una pregunta que requiere datos
o un conjunto de ellos que necesitan ser explorados. La recopilación de datos puede darse por varias vías, como por ejemplo
la recepción directa de datos de una organización (a menudo como datos abiertos), el uso de técnicas avanzadas de búsqueda
(principalmente con la ayuda de la búsqueda avanzada de Google), el empleo de motores de búsqueda que se centren en con
-
juntos de datos (por ejemplo, la herramienta Data Search),
web scraping
o raspado web (con herramientas de raspado o median
-
te aplicaciones ampliamente utilizadas que admiten raspado web), la conversión de formatos de documentos para permitir el
análisis (por ejemplo, extracción de tablas de archivos PDF y exportación a formato CSV), o la recopilación de datos a través de la
observación, encuestas, formularios en línea o
crowdsourcing
(Veglis y Bratsas, 2017a).
Limpieza de datos
: También conocida como depuración de datos, implica la detección y corrección de registros erróneos o co
-
rruptos dentro de un conjunto de datos (Wu, 2013). Conlleva eliminar errores humanos y estandarizar los formatos de datos
para que sean coherentes con otros datos utilizados por periodistas (Veglis y Bratsas, 2017b). Para esta tarea, se pueden utilizar
aplicaciones de uso general como Microsoft Excel y Hojas de Cálculo de Google, que incluyen numerosas funciones, algunas
de las cuales pueden utilizarse para la limpieza de datos de forma directa o indirecta (Bauzon
et al.
, 2021; Guerrero
et al.
, 2019;
Setiyanto y Setiawan, 2022).
doxa.comunicación |
nº 43, pp. 17-34
julio-diciembre de 2026
Andreas Veglis
ISSN: 1696-019X / e-ISSN: 2386-3978
| 21
Comprensión de datos
: En esta etapa, los periodistas deben descifrar varios códigos en conjuntos de datos que representan ca
-
tegorías, clasicaciones o ubicaciones, junto con terminología especializada, y a menudo implica añadir datos adicionales para
que los existentes sean signicativos. Para poder realizar estas tareas, los periodistas deben tener conocimientos de datos y ser
capaces de comprender, articular y analizarlos de forma crítica (Veglis y Bratsas, 2017a). Para este propósito, puede ser necesario
encontrar datos adicionales, para lo cual se pueden emplear las herramientas utilizadas en la etapa anterior, y también pueden
ser útiles las herramientas para combinar conjuntos de datos. Dicho proceso se puede lograr de manera más simple con apli
-
caciones que admiten una fácil combinación de datos, como Tableau (Balaji,
et al.
, 2021; Batt,
et al.
, 2020; Loth, 2019) y en este
sentido, es interesante señalar que la combinación de conjuntos de datos se puede lograr con la ayuda de aplicaciones de hojas
de cálculo de uso general como Microsoft Excel o Google Sheets, aunque no es un proceso fácil porque estas aplicaciones no
soportan dichos procesos de forma directa (Guerrero, Guerrero y Rauscher, 2019).
Validación de datos
: Esto implica la vericación cruzada de los datos originales y la adquisición de información adicional de las
fuentes para enriquecerlos (Silverman, 2014; Veglis, 2013). Es importante reconocer que los conjuntos de datos, como cualquier
fuente, tienen sesgos y objetivos inherentes y que los periodistas deben investigar el origen, el propósito y la metodología de
recopilación de un conjunto de datos (Bradshaw, 2018), algo que puede hacerse explorando el historial de creación del conjunto
de datos, encontrando referencias o utilizando otras fuentes de información relacionadas con el tema de investigación (Silver
-
man, 2014; Veglis y Bratsas, 2017a). Por lo tanto, se pueden utilizar técnicas de búsqueda de uso general como las empleadas en
la etapa de compilación de datos.
Visualización de datos
: Es la representación visual de información abstracta para su análisis y comunicación (Cairo, 2012). Dado
que la información estadística es abstracta, su transformación en una representación física requiere comprender la percepción
visual y la cognición. Una visualización de datos ecaz sigue principios de diseño basados en la percepción humana (Card
et al.
,
1999; Few, 2013). Con este n, diversas aplicaciones (de escritorio o en línea) permiten crear visualizaciones (Protopsaltis
et al.
,
2020), y la mayoría de ellas ofrecen múltiples plantillas para crear diferentes tipos de visualización, algunos ejemplos típicos son
Infogram, Piktochart, DataWrapper y Tableau.
1.2. Soluciones disponibles para la adopción de la codicación
En el sector de los medios de comunicación, existen dos soluciones alternativas para el uso de la codicación: los lenguajes de
programación Python y R (en algunos casos Ruby) (Parasie y Dagiral, 2013), que ofrecen capacidades robustas para el procesa
-
miento y la visualización de datos. Python, que se caracteriza por su simplicidad y legibilidad, puede utilizarse para tareas como
el
web scraping
, el análisis de datos y la visualización interactiva, además de ofrecer amplias bibliotecas, como Pandas y Matplot
-
lib, que permiten a los periodistas gestionar ecientemente grandes conjuntos de datos y presentar información compleja en un
formato accesible. Python admite la integración con
frameworks web
, una característica que facilita la creación de presentacio
-
nes online interactivas (Lutz, 2001).
El lenguaje de programación R goza de gran prestigio por sus capacidades de análisis estadístico y visualización de datos, lo que
le convierte en la opción ideal para el estudio exhaustivo de conjuntos de datos complejos, y además ofrece numerosos paquetes
22 |
nº 43, pp. 17-34
|
julio-diciembre de 2026
Un análisis exhaustivo de la importancia de la programación en el periodismo de datos moderno
ISSN: 1696-019X / e-ISSN: 2386-3978
doxa.comunicación
que facilitan el descubrimiento de patrones y tendencias ocultos en los datos. R Markdown por su parte ofrece una plataforma
que permite combinar código, visualizaciones y narrativas que mejoran la redacción en el periodismo de datos (Crawley, 2012).
Ambos, Python y R, son de código abierto, lo que fomenta un entorno colaborativo con una amplia comunidad de desarrolla
-
dores que contribuyen a su constante mejora y ofrecen soporte. Este aspecto es esencial para los periodistas, que a menudo de
-
penden de recursos compartidos y del apoyo de la comunidad para aprender y resolver problemas. Por otro lado, existe una gran
cantidad de recursos educativos y tutoriales en línea para ambos lenguajes de programación, que facilita su adopción por parte
de los periodistas (Appelgren y Nygren, 2014; Bradshaw, 2018; Bounegru
et al.
, 2018; Hamilton, 2016; Knight, 2015).
Aunque congurar Python o R en un ordenador no es tarea fácil, existen soluciones alternativas que utilizan la computación en
la nube, como Google Colab, que permite escribir y ejecutar código Python a través de un navegador (Tock, 2019). En concreto,
Google Colab es un entorno Jupyter Notebook gratuito basado en la nube que permite escribir y ejecutar Python en un navegador
web con acceso gratuito a las GPU y TPU, lo que es idoneo para el aprendizaje automático y la ciencia de datos (Burke, 2023). Por
lo tanto, los periodistas no necesitan congurar un ordenador personal para usar Python.
Otro desarrollo reciente es la integración de Excel con Python donde Microsoft combina las capacidades computacionales avan
-
zadas de Python con las funciones de hoja de cálculo de Excel (Kinnestand, 2023). Los usuarios pueden usar Python directamen
-
te en las celdas de Excel aprovechando sus bibliotecas para la manipulación y visualización de datos
1
. Esta integración en Excel
permite a los periodistas migrar poco a poco a la programación en Python mientras utilizan el entorno habitual de Excel.
Otro enfoque disponible para trabajar con Python posibilita el uso de interfaces de IA como ChatGPT, con la ayuda de comple
-
mentos especícos
2
. Sin embargo, estas soluciones aún se encuentran en una etapa temprana de desarrollo y sus complementos
aparecen y desaparecen con rapidez. Con la ayuda de complementos especícos, ChatGPT podrá servir como interfaz intuitiva
con sus capacidades de procesamiento de lenguaje natural para periodistas que no posean grandes conocimientos de programa
-
ción o carezcan de interés o tiempo para aprender a programar. Esto podría implicar la consulta de conjuntos de datos, la gene
-
ración de resúmenes estadísticos o la creación de visualizaciones mediante comandos de texto. De este modo, el uso de Python
para el periodismo de datos se simplica, permitiendo a los periodistas centrarse más en la narrativa y menos en los aspectos
técnicos del manejo de datos (Knight, 2015). El uso de ChatGPT como interfaz con Python también puede considerarse una de
-
mocratización del periodismo de datos, porque permite que un mayor número de periodistas participen en la narración basada
en datos. Este enfoque se alinea con la tendencia hacia formas de periodismo más accesibles y colaborativas (Hamilton, 2016).
La IA, al reducir la barrera de entrada al periodismo de datos, juega un papel importante en la evolución del campo haciéndolo
más inclusivo y diverso.
1
https://www.microsoft.com/es-es/microsoft-365/python-en-excel
2
https://openai.com/index/chatgpt-plugins/
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
doxa.comunicación |
nº 43, pp. 17-34
julio-diciembre de 2026
Andreas Veglis
ISSN: 1696-019X / e-ISSN: 2386-3978
| 23
1.3. ¿Periodismo de datos con herramientas o basado en código?
Partiendo de la discusión previa, se realiza una comparación directa entre los enfoques basados en herramientas y en código
para la práctica del periodismo de datos. La comparación se basa en las posibilidades que ofrece cada enfoque para facilitar las
distintas etapas del desarrollo del periodismo de datos, como lo describen Veglis y Bratsas (2017b) y se presenta en la Sección
1.1. Para facilitar dicha comparación, se ha elaborado la Tabla 1, que incluye herramientas indicativas (servicios y aplicaciones)
que pueden emplearse en las cinco etapas del periodismo bajo el enfoque basado en herramientas, junto con las capacidades
disponibles que ofrecen los dos lenguajes de programación mencionados (Python y R), ya sea de manera directa o con la ayuda
de bibliotecas o paquetes especícos.
Tabla 1. Comparación directa de las posibilidades que ofrecen los enfoques basados en herramientas y basados en código
Etapa del periodismo de datosHerramientas utilizadasPosibilidades de codicación (Python/R)
Recopilación de datos
Motores de búsqueda
: Google, Bing, etc.
Herramienta de búsqueda de datos
: Búsqueda
de datos de Google
Web scraping
: Microsoft Excel, Google Sheet.
Raspado de PDF
: Tabula
Realice búsquedas web en Python a través de la
API de búsqueda personalizada de Google y en
R con la ayuda del paquete GoogleSearchR.
El raspado web es compatible tanto con Python
(es decir, BeautifulSup 4) como con R (es decir,
inversión ).
Limpieza de datos
Aplicaciones de propósito general
: Microsoft
Excel, Google Sheet.
Herramienta de limpieza dedicada
: OpenRene
La limpieza de datos se puede implementar
tanto con Python como con R, ya que
ambos lenguajes de programación admiten
operaciones de limpieza de datos.
Comprensión de datos
Aplicaciones/herramientas que admiten la
combinación de conjuntos de datos:
Tableau,
Microsoft Excel, Google Sheet.
Python admite la combinación de conjuntos de
datos, principalmente mediante la biblioteca
Pandas. Lo mismo aplica para R.
Validación de datos
No se utilizan aplicaciones ni herramientas
adicionales
No aplicable
Visualización de datos
Herramientas/aplicaciones de visualización:
Infogram, Datawrapper, Tableau, Piktochart, etc.
Ambos lenguajes de programación poseen
amplias capacidades para crear visualizaciones.
Aunque de la Tabla 1 se desprende fácilmente que ambos enfoques son compatibles con todas las etapas del periodismo de
datos, cabe destacar que, en el enfoque basado en código, todas las etapas del periodismo de datos se gestionan mediante la
misma plataforma (es decir, Google Colab), mientras que en el enfoque basado en herramientas no existe la interoperabilidad,
por lo que los periodistas deben exportar, guardar, importar y cargar manualmente los datos de una herramienta a otra. Esto
añade complejidad al proceso y genera la posibilidad de errores que pueden ralentizar la producción de artículos de periodismo
de datos.
24 |
nº 43, pp. 17-34
|
julio-diciembre de 2026
Un análisis exhaustivo de la importancia de la programación en el periodismo de datos moderno
ISSN: 1696-019X / e-ISSN: 2386-3978
doxa.comunicación
2. Metodología
Para este estudio, se ha seleccionado un enfoque mixto que incluye una revisión bibliográca y estudios de caso. La metodología
de estudio de caso es un enfoque de investigación de amplio uso y que permite respaldar el estudio de fenómenos o procesos
complejos. Se trata de una técnica de investigación cualitativa empleada comúnmente en diversas disciplinas, como las ciencias
sociales, la educación y los negocios. Esta metodología implica una exploración exhaustiva de uno o más casos, utilizando di
-
versas técnicas de recopilación de datos, como entrevistas, documentos y observaciones, y ofrece una perspectiva holística que
genera información rica y detallada sobre el tema de investigación (Kratochwill
et al.
, 2013; Tellis, 1997).
A pesar de sus ventajas porque proporciona perspectivas integrales y profundas, y contribuye tanto al desarrollo teórico como a
las aplicaciones prácticas, como sugiere Yin (2014), la metodología de estudio de caso presenta limitaciones. Baxter y Jack (2008)
advierten sobre la limitada generalización de los hallazgos de los estudios de caso debido al hecho de que se centran en solo uno
o pocos casos.
Para el estudio, se seleccionaron dos artículos de periodismo de datos, el primero se nutre de datos que pueden caracterizarse
como
big data
y el segundo, en datos de tamaño moderado. Ambos fueron publicados por iMedLAB
3
, una organización sin
ánimo de lucro que busca mejorar la transparencia, la credibilidad y la independencia en el periodismo, fundada en 2018 con
nanciación de la Fundación Stavros Niarchos (SNF)
4
. Se eligió esta organización porque publica artículos en inglés (y, en algu
-
nos casos, también en griego) además de conjuntos de datos que se han empleado en sus artículos de periodismo de datos. Tam
-
bién proporciona información sobre el proceso y las herramientas empleadas durante la recopilación de conjuntos de datos y la
creación de visualizaciones, aspecto crucial para el propósito de este estudio. Los dos artículos seleccionados son los siguientes:
Artículo 1:
Aplicación MyCoast: Análisis de datos sobre contratos de arrendamiento de playas en Grecia (publicado el 2 de agosto,
2024), escrito por anasis Troboukis, disponible en:
https://lab.imedd.org/en/analysame-ta-dedomena-gia-tis-ellinikes-paralies-tou-my-coast/
Artículo 2:
En Grecia, en las elecciones europeas más personas se abstuvieron de votar que las que participaron (publicado el 18
de
junio, 2024), escrito por Kelly Kiki y Chrysoula Marinou, disponible en:
https://lab.imedd.org/en/more-people-abstained-from-voting-than-participated-in-the-european-elections/
3
https://lab.imedd.org/
4
https://www.snf.org/es/
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
doxa.comunicación |
nº 43, pp. 17-34
julio-diciembre de 2026
Andreas Veglis
ISSN: 1696-019X / e-ISSN: 2386-3978
| 25
3. Análisis de los estudios de caso
A continuación, se presenta brevemente el contenido de cada artículo. El artículo 1 informa sobre un problema bastante común
en Grecia durante el verano, utilizando datos de la aplicación MyCoast, una aplicación que permite a los griegos vericar si se
cumplen los términos de la concesión en las playas que visitan y, en caso necesario, enviar una denuncia. El artículo incluye
varias visualizaciones estáticas y dos más complejas (ver gura 1) que ofrecen cierto grado de interactividad (el usuario puede
desplazarse y modicar los datos presentados en la visualización) y un mapa detallado de los datos utilizados, el conjunto de
datos también se puede descargar en formato CSV. La inspección del conjunto de datos reveló que comprendía 9170 las con
un tamaño total de 4,26 MB, lo que da como resultado un conjunto de datos bastante amplio que puede caracterizarse como
big data
. El conjunto de datos estaba disponible públicamente y, por lo tanto, podemos asumir que se obtuvo directamente
del gobierno griego sin ningún proceso especial (es decir, raspado web, búsqueda). El equipo de iMed estudió un total de 9170
concesiones costeras y analizó 3957 contratos para obtener las consideraciones nancieras de cada arrendamiento, habiendo
gestionado y vinculado los tipos de datos relacionados. Cabe destacar que el 43,0 % de los registros de la aplicación MyCoast no
incluían contratos de arrendamiento relevantes, y, por tanto, el equipo implementó un ltro, excluyendo municipios (es decir,
Paros, Mykonos, ira y Patmos) para garantizar que los resultados fueran representativos de la realidad. Es evidente que todo el
proceso (gestión, limpieza y ltrado) ha sido bastante complejo y ha implicado el uso de programación.
Aunque no hay evidencias acerca de si las visualizaciones se crearon con herramientas especícas, ya que no está claro que em
-
plean diseños basados en plantillas ni incluyen elementos especícos de la aplicación (marcas de agua, fuentes de marca, compo
-
nentes de interfaz de usuario reconocibles), sí tienen un estilo consistente y preciso, y utilizan esquemas de color simples (Figura
1). Además, los tipos de visualizaciones, los mapas térmicos (el primero muestra la concentración de concesiones y el segundo
el costo por metro cuadrado, ya que el tamaño del punto y el color se relacionan con un mayor costo) son muy especializados y
es muy difícil crearlos con herramientas estándar de análisis de datos (DataWrapper y Flourish). En general, existe una alta pro
-
babilidad de que las visualizaciones del artículo 1 se crearan mediante programación. También es probable que otras etapas del
proyecto de periodismo de datos (limpieza, comprensión y validación de datos) se completaran utilizando métodos similares.
26 |
nº 43, pp. 17-34
|
julio-diciembre de 2026
Un análisis exhaustivo de la importancia de la programación en el periodismo de datos moderno
ISSN: 1696-019X / e-ISSN: 2386-3978
doxa.comunicación
Figura 1. Dos visualizaciones estáticas que muestran (a) la mayor concentración de concesiones de grandes áreas de costa o playas y (b) el coste
de arrendamiento por metro cuadrado (
https://lab.imedd.org/en/analysame-ta-dedomena-gia-tis-ellinikes-paralies-tou-my-coast/)
El artículo 2 analiza la cuestión de la participación en las elecciones europeas en Grecia, concretamente, presenta datos que
indican que la abstención en dichas elecciones de 2024 ha aumentado en 17,3 puntos porcentuales en comparación con las eu
-
ropeas anteriores de 2019, aunque la abstención se mantuvo estable en la Unión Europea en su conjunto. El artículo incluye una
visualización estática y dos interactivas (Figura 2) e integra otra sobre la cuestión de la abstención creada mediante una investi
-
gación transfronteriza de EDJNet
5
. Estas visualizaciones se crearon utilizando DataWrapper y Flourish y el artículo incluye una
opción para que los lectores descarguen los conjuntos de datos utilizados, incluyendo además cuatro archivos txt y dos pequeños
archivos CSV con los datos utilizados para la creación de las visualizaciones de DataWrapper (una opción integrada en las visua
-
lizaciones). Como arman los autores del artículo, los datos se recopilaron desde varias fuentes ociales online y se extrajeron de
archivos PDF (disponibles online). Si bien el
scraping
puede implicar el uso de programación, el tamaño moderado de los datos y
el uso de DataWrapper para las visualizaciones nos llevan a suponer la no utilización de programación en este artículo. Es posible
que se hayan empleado diversas herramientas que permiten la extracción de tablas de archivos PDF, así como para la limpieza,
la comprensión y la validación de datos y también es probable que se empleara una aplicación de hoja de cálculo, apto para la
gestión de conjuntos pequeños de datos.
Cabe resaltar que, si bien es evidente que las visualizaciones se crearon con la ayuda de aplicaciones especícas, los conjuntos
de datos en archivos CSV y TXT también se han podido trabajar en Python y R (en el caso de R, el proceso es algo más complejo).
5
https://abstencao.divergente.pt/es/home
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
doxa.comunicación |
nº 43, pp. 17-34
julio-diciembre de 2026
Andreas Veglis
ISSN: 1696-019X / e-ISSN: 2386-3978
| 27
Figura 2. Visualizaciones (estáticas e interactivas) de diversos datos sobre la abstención en las elecciones europeas (
https://lab.imedd.org/en/
more-people-abstained-from-voting-than-participated-in-the-european-elections/
).
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
28 |
nº 43, pp. 17-34
|
julio-diciembre de 2026
Un análisis exhaustivo de la importancia de la programación en el periodismo de datos moderno
ISSN: 1696-019X / e-ISSN: 2386-3978
doxa.comunicación
4. Discusión
Según los resultados de los dos estudios de caso examinados en la sección anterior, esta sección trata sobre las preguntas de
investigación del estudio.
Con respecto a la
PI1
,
preguntando
si la codicación se considera una necesidad para practicar el periodismo de datos, pode
-
mos responder que la codicación no es una necesidad absoluta y, en muchos casos, el enfoque basado en herramientas puede
proporcionar resultados sucientes. El Artículo 2 (que se presentó en la Sección 3), ha dejado claro que el enfoque basado en
herramientas se puede emplear con buenos resultados. Heravi y Lorenz (2020) informaron que, aunque el 69% de los periodistas
de datos utilizan alguna forma de codicación en su trabajo, muchos otros emplean principalmente software de hojas de cálculo
y herramientas de análisis visual. Según Borges-Rey existen diferencias importantes entre los distintos medios de comunicación
(2016). Por lo general, las grandes organizaciones de medios emplean equipos que incluyen profesionales con habilidades técni
-
cas en codicación y trabajo con datos, mientras que, en las organizaciones medianas y pequeñas, están más a favor del enfoque
basado en herramientas. Otras empresas de comunicación crean equipos compuestos de periodistas con conocimientos en co
-
dicación y reporteros de investigación tradicionales que trabajan con datos, promoviendo de este modo la codicación como
algo complementario y no esencial (Parasie y Dagiral, 2013). Por otro lado, Young y Hermida encontraron un aumento del uso
de las herramientas
no code
y
low code
(la programación sin código) en las salas de redacción (2015), que pueden hacer posible
el análisis de datos complejos para periodistas sin habilidades de codicación. Parasie y Dagiral también consideran el uso de
la programación en el periodismo de datos como una evolución y no como un requisito previo (2013). No obstante, la mayoría
de los periodistas de datos muestran un gran interés en aprender técnicas de programación para así ser más productivos en el
campo (Heravi, 2018).
En conclusión, si bien la programación no puede considerarse un requisito indispensable para ejercer el periodismo de datos, sí
se está convirtiendo en una habilidad importante y en algunos casos donde los proyectos de periodismo de datos involucran
big
data
, es el único enfoque viable.
En referencia a la
PI2
, concerniente a las características de un proyecto de periodismo de datos que inuyen en la decisión de
utilizar codicación, se pueden extraer algunas conclusiones de los dos estudios de caso en relación con la creación de visuali
-
zaciones. Concretamente, donde se hayan empleado visualizaciones especícas imposibles de crear con la ayuda de las herra
-
mientas de análisis de datos disponibles, la única opción es usar codicación. Esto signica que, si se requieren visualizaciones
como las del artículo 1, donde se deben marcar áreas especícas en un mapa, es bastante difícil o incluso imposible encontrar
herramientas de análisis de datos que puedan crear dicha visualización. Sin embargo, en el artículo 2, las visualizaciones no son
tan especializadas (gráco de líneas, gráco de barras y mapa coroplético) y, por lo tanto, se han podido emplear herramientas
comunes de análisis de datos, aunque este tipo de visualizaciones también se pueden crear mediante codicación, ya que ambos
lenguajes de programación (Python y R) ofrecen amplias bibliotecas y paquetes.
Sobre las demás etapas de desarrollo de los proyectos de periodismo de datos en nuestros estudios de caso, no existen indica
-
ciones sobre que enfoque se ha empleado, pero se pueden hacer algunas especulaciones. Concretamente, en el Artículo 1, los
datos se encuentran en un único archivo PDF, y aunque de tamaño considerable, es manejable con aplicaciones de hojas de cál
-
culo comunes (Microsoft Excel y Google Spreadsheet). Pero, dado que es probable que las visualizaciones se crearan mediante
doxa.comunicación |
nº 43, pp. 17-34
julio-diciembre de 2026
Andreas Veglis
ISSN: 1696-019X / e-ISSN: 2386-3978
| 29
programación, existe mucha posibilidad de que otras etapas de desarrollo (por ejemplo, limpieza de datos, comprensión de datos
y validación de datos) se completaran mediante codicación. En el caso del Artículo 2, los datos empleados estaban disponibles
en cuatro archivos diferentes (con tamaños relativamente pequeños) y dado que los conjuntos de datos provienen de diferen
-
tes fuentes y, como se ha indicado, se extrajeron de archivos PDF, existe la posibilidad de que se haya empleado un enfoque de
programación. Sin embargo, si consideramos que a) existen diversas herramientas que pueden respaldar este proceso y b) las
visualizaciones se crearon mediante aplicaciones de análisis de datos, es más probable que no se haya empleado programación
para las necesidades del artículo 2. Otros factores importantes son el tamaño del conjunto de datos para seleccionar un enfoque
adecuado (basado en herramientas o en código), así como los requisitos de visualización. También cabe destacar que es poco
frecuente emplear un enfoque mixto (basado en herramientas y en código) durante un proyecto.
Además de las características del periodismo de datos que se examinaron en el análisis de caso, existen otros parámetros, deri
-
vados de la literatura cientíca, que pueden afectar la elección del enfoque para desarrollar un proyecto de periodismo en este
campo. El interés personal en la tecnología, la exposición previa a conceptos de programación y los benecios profesionales
percibidos son parámetros importantes que inuyen en la adopción de la codicación por parte de los periodistas (Appelgren y
Nygren, 2014). El contexto organizacional (tamaño de la sala de redacción, recursos disponibles y apoyo institucional) tiene su
importancia en la selección del enfoque basado en código (Fink y Anderson, 2015). Así mismo, Joung y Hermida destacaron el
papel de la infraestructura técnica y la integración del ujo de trabajo como parámetros positivos para adoptar el enfoque basado
en código. Coddington destacó como una razón para no elegir el enfoque de programación (2015) el factor de trabajar con gran
-
des conjuntos de datos y la necesidad de actualizaciones frecuentes.
5. Conclusiones
Este estudio ha analizado el uso de la programación en el periodismo de datos moderno, y sus conclusiones revelan la relación
entre la codicación y la práctica del periodismo de datos. En primer lugar, si bien la codicación no es imprescindible para el
periodismo de datos, se ha convertido en una técnica valiosa en este campo. El análisis demuestra que tanto los enfoques ba
-
sados en herramientas como en código pueden funcionar en muchos casos para proyectos de periodismo de datos. La elección
entre ambos depende de muchos factores, como la complejidad del proyecto, el tamaño del conjunto de datos, las necesidades
de repetición y los requisitos de visualización.
Especícamente, el análisis de caso muestra que la decisión de codicar se debe principalmente al tamaño y la complejidad de
los datos que se analizan, y que los conjuntos de datos más grandes se benecian más de un enfoque basado en código. Esta
decisión también se debe a la especicidad de los requisitos de visualización, donde las que son únicas o complejas requie
-
ren soluciones de codicación. Otros factores incluyen la integración y automatización del ujo de trabajo, los recursos y la
infraestructura técnica disponibles, así como la formación y las habilidades técnicas de los periodistas. Lo más importante es
destacar que no existe un enfoque único para el periodismo de datos, que la codicación puede proporcionar más exibilidad y
capacidades para el análisis y la visualización de datos complejos, pero que los enfoques tradicionales basados en herramientas
siguen siendo viables y funcionan para muchos proyectos, sobre todo aquellos con conjuntos de datos de tamaño moderado y
necesidades de visualización estándar. Nuevas herramientas y plataformas, como Google Colab y la integración de Python en
30 |
nº 43, pp. 17-34
|
julio-diciembre de 2026
Un análisis exhaustivo de la importancia de la programación en el periodismo de datos moderno
ISSN: 1696-019X / e-ISSN: 2386-3978
doxa.comunicación
Excel, están derribando gradualmente las barreras técnicas para la codicación en el periodismo. Esto signica que la distinción
entre enfoques codicados y no codicados será más tenue a medida que los enfoques híbridos se vuelvan más accesibles para
periodistas con menos formación técnica. Estos hallazgos tienen implicaciones signicativas para la educación periodística y
las prácticas en las salas de redacción, implicando que, si bien las habilidades de programación son útiles, deben considerarse
una herramienta complementaria, no imprescindible, en el conjunto de conocimientos del periodista de datos. El enfoque debe
centrarse en principios periodísticos sólidos y capacidad narrativa, mientras que las habilidades técnicas deben servir para enri
-
quecer, y no para reemplazar, la esencia de la profesión.
No obstante, cabe destacar que este estudio presenta ciertas limitaciones, ya que incluye una pequeña muestra de estudios de
caso de un solo medio de comunicación. Además, no es fácil denir con total certeza el enfoque empleado para cada artículo de
periodismo de datos sin obtener la información necesaria del propio equipo periodístico que desarrolló dichos proyectos. Sin
embargo, el presente artículo debe tratarse como un estudio de concepto, con el objetivo de introducir un debate sobre el papel
de la programación en el periodismo de datos moderno.
A medida que surgen nuevas herramientas y tecnologías mediante la realización de encuestas a periodistas especializados, las
investigaciones futuras podrían centrarse en el impacto a largo plazo de la alfabetización programática en las salas de redacción,
la ecacia de los enfoques híbridos que combinan métodos tradicionales y codicados, y la evolución del periodismo de datos.
Esto podría proporcionar a la comunidad cientíca nuevas perspectivas sobre cómo el periodismo de datos sigue adaptándose y
evolucionando con los avances tecnológicos y las cambiantes necesidades de las salas de redacción.
6. Agradecimientos
Este artículo ha sido traducido al inglés por Brian O›halloran, a quien se agradece su trabajo
7. Contribuciones especícas de cada autor
Nombre y apellidos
Concepción y diseño del trabajoAndreas Veglis
Metodología
Andreas Veglis
Recogida y análisis de datosAndreas Veglis
Discusión y conclusionesAndreas Veglis
Redacción, formato y revisiónAndreas Veglis
doxa.comunicación |
nº 43, pp. 17-34
julio-diciembre de 2026
Andreas Veglis
ISSN: 1696-019X / e-ISSN: 2386-3978
| 31
8. Conicto de intereses
Los autores declaran no tener ningún conicto de intereses
9. Referencias bibliográcas
Angelou, I., Kansaras, V., Kourkouridis, D., & Veglis, A. (2020). Social media followership as a predictor of news website trac.
Journalism Practice
,
14
(6), 730-748.
https://doi.org/10.1080/17512786.2019.1635040
Appelgren, E., & Nygren, G. (2014). Data journalism in Sweden: Introducing new methods and genres of journalism into ‘old’
organizations.
Digital Journalism
, 2(3), 394–405.
https://doi.org/10.1080/21670811.2014.884344
Ausserhofer, J., Gutounig, R., Oppermann, M., Matiasek, S., & Goldgruber, E. (2020). e datacation of data journalism
scholarship: Focal points, methods, and research propositions for the investigation of data-intensive newswork.
Journalism
,
21(7), 950-973.
https://doi.org/10.1177/1464884917700667
Balaji, N., Pai, B. K., Bhat, B., & Praveen, B. (2021, February). Data visualization in splunk and Tableau: a case
study demonstration. In
Journal of Physics: Conference Series
(Vol. 1767, No. 1, p. 012008). IOP Publishing.
https://doi.org/10.1088/1742-6596/1767/1/012008
Batt, S., Grealis, T., Harmon, O., & Tomolonis, P. (2020). Learning Tableau: A data visualization tool.
e Journal of Economic
Education
,
51
(3-4), 317-328.
https://doi.org/10.2139/ssrn.3438993
Bauzon, J., Murphy, C., & Wahi-Gururaj, S. (2021). Using macros in Microsoft Excel to facilitate cleaning of research data.
Journal
of Community Hospital Internal Medicine Perspectives
, 11(5), 653-657.
https://doi.org/10.1080/20009666.2021.1954282
Baxter, P., & Jack, S. (2008). Qualitative case study methodology: Study design and implementation for novice researchers.
e
Qualitative Report
, 13(4), 544-559.
https://doi.org/10.46743/2160-3715/2008.1573
Borges-Rey, E. (2016). Unravelling data journalism: A study of data journalism practice in British newsrooms.
Digital Journalism
,
4(3), 336-352.
https://doi.org/10.1080/17512786.2016.1159921
Bounegru, L., Gray, J., Venturini, T., & Mauri, M. (2018). A eld guide to’Fake News’ and other information disorders.
A Field Guide
to” Fake News” and Other Information Disorders: A Collection of Recipes for ose Who Love to Cook with Digital Methods
, Public
Data Lab, Amsterdam (2018).
https://doi.org/10.2139/ssrn.3097666
Bradshaw, P. (2017). Computational thinking and the next wave of data journal- ism. Online Journalism Blog.
onlinejournalismblog.
com/2017/08/03/computational-thinking-data-journalism
Burke, J. (2023). Why and how to use Google Colab. T
echTarget.
https://www.techtarget.com/searchenterpriseai/tutorial/
Why-and-how-to-use-Google-Colab
Cairo, A. (2012). e Functional Art: An introduction to information graphics and visualization. New Riders.
https://doi.org/10.12775/tsb.2014.025
Card, S. K., Mackinlay, J., & Shneiderman, B. (Eds.). (1999).
Readings in information visualization: using vision to think
. Morgan
Kaufmann. ISBN: 1558605339
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
32 |
nº 43, pp. 17-34
|
julio-diciembre de 2026
Un análisis exhaustivo de la importancia de la programación en el periodismo de datos moderno
ISSN: 1696-019X / e-ISSN: 2386-3978
doxa.comunicación
Coddington, M. (2015). Clarifying Journalism’s Quantitative Turn: A typology for evaluating data journalism, computational
journalism, and computer-assisted reporting.
Digital Journalism
, 3(3), 331–348.
https://doi.org/10.1080/21670811.2014.976400
Colman, F., Bühlmann, V., O’Donnell, A., & van der Tuin, I. (2018).
Ethics of coding: A report on the algorithmic condition
.
https://ualresearchonline.arts.ac.uk/
id/eprint/14236/1/Ethics_of_Coding_A_Report_on_the_Algorit.pdf
Crawley, M. J. (2012).
e R book
. John Wiley & Sons.
https://onlinelibrary.wiley.com/doi/epdf/10.1002/9781118448908
Cruz, J. (n.d.).
Why journalists need data and coding skills more than ever
. International Journalists’ Network. Available at
https://ijnet.org/en/story/why-journalists-need-data-and-coding-skills-more-ever
Few, S. (2013). 35. Data visualization for human perception.
e Encyclopedia of Human-Computer Interaction,
International
Design Foundation.
https://data.europa.eu/sites/default/les/course/4.1_DataVisualizationForHumanPerception.pdf
Fink, K., & Anderson, C. W. (2015). Data Journalism in the United States: Beyond the “usual suspects”.
Journalism Studies
, 16(4),
467-481.
https://doi.org/10.1080/1461670x.2014.939852
Gray, J., Bounegru, L., & Chambers, L. (2012).
e Data Journalism Handbook
. O’Reilly Media.
https://datajournalismhandbook.
org/uploads/rst_book/DataJournalismHandbook-2012.pdf
Guerrero, H. (2019).
Excel data analysis
. Springer International Publishing.
https://educons.edu.rs/wp-content/
uploads/2020/05/2019-Excel-Data-Analysis.pdf
Hamilton, J. T. (2016).
Democracy’s Detectives: e Economics of Investigative Journalism
. Harvard University Press.
https://doi.org/10.4159/9780674973572-001
Hannaford, L. (2015). Computational journalism in the UK newsroom.
Journalism education
, 4(1), 7-21.
https://e-space.mmu.
ac.uk/575953/1/Article%20Computational%20Journalism.pdf
Heravi, B. R. (2018). Data journalism in 2017: A summary of results from the global data journalism survey. In T
ransforming
Digital Worlds: 13th International Conference,
iConference 2018, Sheeld, UK, March 25-28, 2018, Proceedings 13 (pp. 107-113).
Springer International Publishing.
https://doi.org/10.1007/978-3-319-78105-1_13
Heravi, B. R., & Lorenz, M. (2020). Data journalism practices globally: Skills, education, opportunities, and values.
Journalism and
media
, 1(1), 26-40.
https://doi.org/10.3390/journalmedia1010003
Kinnestand, S. (2023). Introducing Python in Excel: e Best of Both Worlds for Data Analysis and Visualization, Microsoft 365
Blog.
https://rb.gy/nshr7e.
Knight, M. (2015). Data Journalism in the UK: a preliminary analysis of form and content.
Journal of Media Practice
, 16:1, pp. 55-
72.
https://doi.org/10.1080/14682753.2015.1015801
Kratochwill, T. R., Hitchcock, J. H., Horner, R. H., Levin, J. R., Odom, S. L., Rindskopf, D. M., & Shadish, W. R. (2013). Single-case
intervention research design standards.
Remedial and Special Education
, 34(1), 26-38.
https://doi.org/10.1177/0741932512452794
Lewis, S. C., & Westlund, O. (2015). Big Data and Journalism: Epistemology, expertise, economics, and ethics.
Digital Journalism
,
3(3), 447–466.
https://doi.org/10.1080/21670811.2014.976418
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
doxa.comunicación |
nº 43, pp. 17-34
julio-diciembre de 2026
Andreas Veglis
ISSN: 1696-019X / e-ISSN: 2386-3978
| 33
Lorenz, M. (2010). Data driven journalism: What is there to learn? Presented at
IJ-7 Innovation Journalism Conference
, 7–9 June,
Stanford, CA.
https://www.slideshare.net/slideshow/datadriven-journalism-what-is-there-to-learn/4644302
Loth, A. (2019).
Visual analytics with Tableau
. John Wiley & Sons. ISBN: 9781119560203
Lutz, M. (2001).
Programming python
. O’Reilly Media, Inc. ISBN: 9781449398712
Mayer-Schönberger, V., & Cukier, K. (2013).
Big data: A revolution that will transform how we live, work, and think
. Houghton
Miin Harcourt. ISBN: 0544227751
Parasie, S., & Dagiral, E. (2013). Data-driven journalism and the public good: “Computer-assisted-reporters” and “programmer-
journalists” in Chicago.
New Media & Society
, 15(6), 853-871.
https://doi.org/10.1177/1461444812463345
Porlezza, C. (2024). e datacation of digital journalism: A history of everlasting challenges between ethical issues and regulation.
Journalism
, 25(5), 1167-1185.
https://doi.org/10.1177/14648849231190232
Protopsaltis, A., Sarigiannidis, P., Margounakis, D., & Lytos, A. (2020, August). Data visualization in internet of things: tools,
methodologies, and challenges. In
Proceedings of the 15th international conference on availability, reliability and security
(pp.
1-11).
https://doi.org/10.1145/3407023.3409228
Rogers, S. (2008). Turning ocial gures into understandable graphics, at the press of a button. Inside the Guardian Blog,
https://
www.theguardian.com/help/insideguardian/2008/dec/18/unemploymentdata
Ruppert, E., Isin, E., & Bigo, D. (2017). Data politics.
Big data & society
, 4(2). DOI: 10.1177/2053951717717749
Setiyanto, S., & Setiawan, I. (2022). Data science with excel.
International Journal of Computer and Information System
(IJCIS),
3(3), 104-110.
https://doi.org/10.29040/ijcis.v3i3.79
Siapera, E., & Veglis, A. (Eds.). (2012).
e handbook of global online journalism
. John Wiley & Sons.
https://doi.org/
10.1002/9781118313978
Silverman, C. (2014). Verication Handbook. European Journalism Centre
http://vericationhandbook.com/downloads/
verication.handbook.pdf
Simon, B. (2021). Coding With Data in the Newsroom, in Bounegru, L., & Gray, J. (eds).
e Data Journalism Handbook: Towards
a Critical Data Practice
(p. 124-127). Amsterdam University Press.
https://doi.org/10.1017/9789048542079.019
Tellis, W. (1997). Application of a case study methodology.
e qualitative report
, 3(3), 1-19.
https://doi.org/10.46743/2160-3715/1997.2015
Tock, K. (2019). Google CoLaboratory as a platform for Python coding with students.
RTSRE Proceedings
,
2
(1).
https://doi.org/10.32374/rtsre.2019.013
Veglis, A. (2013). Education of Journalists on ICTs: Issues and Opportunities.
Journal of Applied Journalism & Media Studies
, 2(2),
265-279.
https://doi.org/10.1386/ajms.2.2.265_1
Veglis, A., & Bratsas, C. P. (2021). Data Journalism: Denition, Skills, Diculties, and Perspectives. In
Encyclopedia of Information
Science and Technology
, Fifth Edition (pp. 1140-1151). IGI Global.
https://doi.org/10.4018/978-1-7998-3479-3.ch079
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
34 |
nº 43, pp. 17-34
|
julio-diciembre de 2026
Un análisis exhaustivo de la importancia de la programación en el periodismo de datos moderno
ISSN: 1696-019X / e-ISSN: 2386-3978
doxa.comunicación
Veglis, A., & Bratsas, C. (2017a). Journalists in the age of Data Journalism: e case of Greece.
Journal of Applied Journalism &
Media Studies
,
6
(2), 225-244.
https://doi.org/10.1386/ajms.6.2.225_1
Veglis, A., & Bratsas, C. (2017b). Towards a taxonomy of data journalism.
Journal of Media Critiques
,
3
(11), 109-121.
https://doi.org/10.17349/jmc117309
Yin, R. K. (2014).
Case study research: Design and methods
(5th ed.). Sage publications. ISBN 9781452242569
Young, M. L., Hermida, A., & Fulda, J. (2018). What makes for great data journalism? A content analysis of data journalism awards
nalists 2012–2015.
Journalism practice
, 12(1), 115-135.
https://doi.org/10.1080/17512786.2016.1270171
Young, M. L., & Hermida, A. (2015). From Mr. and Mrs. Outlier to Central Tendencies: Computational journalism and crime
reporting at the Los Angeles Times.
Digital Journalism
, 3(3), 381-397.
https://doi.org/10.1080/21670811.2014.976409
Wu, S. (2013). A review on coarse warranty data and analysis.
Reliability Engineering and
System
, 114, 1-11.
https://doi.
org/10.1016/j.ress.2012.12.021
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>
<p>[Enlace de URL / hc (has AS)]</p>