El enhebrado de correos y la deduplicación son las dos formas más económicas de reducir una revisión sin perder información, y se confunden con frecuencia. La deduplicación suprime las copias exactas para que cada elemento se revise una sola vez. El enhebrado organiza las respuestas y los reenvíos en conversaciones para que quienes revisan los lean en orden, a menudo una sola vez. Usados juntos, pueden reducir una colección extensa a un conjunto manejable; usados sin cuidado, ocultan destinatarios, quitan los adjuntos de sus correos o fusionan dos mensajes que solo se parecían.
Esta guía explica cómo funciona cada técnica con el correo, por qué los mensajes de texto y de chat rompen las suposiciones habituales, y un flujo de trabajo defendible para una revisión mixta de mensajes. También incluye un ejemplo de lenguaje para el protocolo de ESI, porque el método que usted use debe divulgarse y acordarse antes de la producción, no explicarse después de una impugnación.
¿Cuál es la diferencia entre la deduplicación y el enhebrado?
La deduplicación responde “¿ya vimos este elemento exacto?”. El enhebrado responde “¿dónde se ubica este elemento en una conversación?”. Una colección puede necesitar ambas.
| Técnica | Qué hace | Riesgo principal |
|---|---|---|
| Deduplicación exacta | Suprime los elementos con valores de hash idénticos | Perder el rastro de quién más tenía la copia |
| Agrupación de casi duplicados | Agrupa elementos muy similares para una codificación uniforme | Tratar una edición significativa como ruido |
| Enhebrado de correos | Agrupa una conversación y marca los correos inclusivos | Omitir un destinatario o un adjunto que solo está en un correo anterior |
| Enhebrado de mensajes | Agrupa los chats por conversación y conjunto de participantes | Fusionar hilos de grupo y hilos individuales |
¿Cómo funciona la deduplicación basada en hash?
Un algoritmo de hash convierte el contenido en una huella de longitud fija. Un contenido idéntico produce un hash idéntico; si cambia un carácter, el hash cambia por completo. La deduplicación compara esos valores y conserva una copia de cada uno. Para más contexto, vea qué demuestra un valor de hash.
Archivos frente a correos
En los archivos sueltos, el hash suele calcularse sobre el archivo mismo. Los correos son distintos: el mismo mensaje guardado en dos buzones suele diferir a nivel de bytes por los encabezados y el almacenamiento propios de cada buzón. Por eso, las herramientas de revisión suelen calcular el hash de un correo a partir de campos seleccionados, como el remitente, los destinatarios, el asunto, la fecha de envío, el cuerpo y los hashes de los adjuntos. Los campos que se usen determinan qué cuenta como duplicado, así que conozca la configuración de su herramienta antes de describirla al abogado de la otra parte.
Global frente a por custodio
La deduplicación por custodio elimina copias solo dentro de los datos de un custodio. La deduplicación global elimina copias entre todos los custodios y debe llenar un campo que liste a cada custodio que tenía el elemento. Sin ese campo, la deduplicación global borra en silencio el hecho de que una persona en particular recibió un mensaje, que puede ser precisamente el hecho en disputa.
Deduplicación a nivel de familia
Deduplique los correos y sus adjuntos como una familia. Un adjunto no debe suprimirse porque exista un archivo independiente idéntico en otro lugar, o el correo producido llega sin su adjunto.
¿Cómo funciona el enhebrado de correos?
El enhebrado reconstruye las conversaciones a partir de los campos del encabezado del correo, como el identificador del mensaje y las referencias de respuesta, complementados con el análisis del asunto y del texto. La herramienta identifica entonces los correos inclusivos, es decir, los mensajes cuyo contenido no está contenido por completo en un mensaje posterior, por lo general el último correo de cada rama más cualquier correo con un adjunto único.
Revisar solo los correos inclusivos puede reducir mucho el tiempo de lectura, porque cada mensaje posterior cita los anteriores. Se aplican tres advertencias:
- Los destinatarios cambian. Alguien que iba en copia en un mensaje inicial puede quedar fuera después, o ir en copia oculta y no aparecer en el texto citado. Los metadatos del mensaje anterior importan.
- El texto citado puede alterarse. Quien envía puede editar la parte citada de una respuesta. La cita no prueba lo que decía el original.
- La revisión no es la producción. Codificar los correos inclusivos por eficiencia es distinto de producir solo los correos inclusivos. Ese segundo paso necesita un acuerdo.
¿Por qué es más difícil deduplicar los mensajes de texto?
Las exportaciones de texto y de chat carecen de los identificadores estables que tiene el correo, y el mismo mensaje rara vez se ve idéntico desde ambos lados de una conversación. El hash a nivel de bytes que funciona con el correo suele fallar aquí.
- Dos teléfonos, dos marcas de tiempo. El dispositivo de quien envía registra cuándo lo envió; el de quien recibe registra cuándo llegó. Pueden diferir, a veces de forma significativa si un teléfono estaba apagado.
- Zonas horarias. Cada exportación puede mostrar la hora local de una zona distinta, o UTC.
- Los nombres de contacto difieren. Un teléfono muestra “Mamá” y el otro un nombre completo. Haga coincidir el número o el identificador de la cuenta, nunca el nombre que se muestra.
- Los adjuntos se recomprimen. Una foto enviada por MMS o por una aplicación de chat puede cambiar de tamaño en tránsito, así que las dos copias tienen un hash distinto aunque muestren la misma imagen.
- Reacciones y ediciones. Una reacción puede exportarse como un texto aparte, como Le gustó seguido del mensaje citado, y los mensajes editados o no enviados se exportan de forma inconsistente entre herramientas.
- Respaldo de canal. Un mensaje puede aparecer como mensaje de la aplicación y como SMS de respaldo en algunas exportaciones.
- Grupo frente a individual. Las mismas personas pueden tener un hilo de grupo y un hilo privado. Fusionarlos falsea quién vio qué.
¿Cómo deduplica las capturas de pantalla frente a los mensajes exportados?
Por lo general, usted no puede hacerlo con hashes y, con frecuencia, no debería suprimir las capturas de pantalla en absoluto. Una captura de pantalla es una imagen de una conversación; una exportación son datos estructurados del dispositivo. Nunca compartirán un valor de hash, aunque muestren las mismas palabras.
El enfoque práctico es tratar las capturas de pantalla como un tipo de prueba distinto y vincularlas a la exportación en lugar de eliminarlas:
- Extraiga el texto de cada captura de pantalla y luego haga que quien revisa lo corrija con la imagen.
- Relacione el texto extraído con los mensajes de la exportación según el remitente, la hora aproximada y la redacción.
- Cuando una captura de pantalla coincida, anote la entrada correspondiente de la exportación y el rango de Bates, y use la exportación como prueba documental principal si el abogado lo prefiere.
- Cuando una captura de pantalla no tenga coincidencia, márquela. Puede mostrar un mensaje eliminado antes de que se hiciera la exportación, un hilo distinto o un dispositivo distinto, y cada posibilidad requiere un seguimiento con el cliente.
- Conserve de todos modos el archivo original y la huella digital de cada captura de pantalla. Una captura que hoy duplica una exportación puede volverse importante si más adelante se impugna la exportación.
Este cruce también es la forma de detectar el caso en que la captura de pantalla y la exportación no coinciden, lo cual es una cuestión que el abogado debe resolver antes de producir nada.
Un flujo de trabajo defendible para una revisión mixta de mensajes
El objetivo es leer menos elementos y que cada fuente siga siendo rastreable. Esta secuencia funciona tanto para el correo electrónico como para los mensajes.
- Preserve y tome la huella digital. Deje intacta cada exportación de origen y calcule su hash al recibirla. Trabaje solo con copias.
- Elimine las exportaciones idénticas. Si el cliente envió el mismo archivo de exportación dos veces, el hash a nivel de archivo lo detecta.
- Normalice. Convierta todas las marcas de tiempo a una zona horaria indicada, estandarice los números de teléfono y las direcciones de correo electrónico, y asocie cada identificador con una persona en una clave aparte.
- Deduplique los correos a nivel de familia. Use el hash basado en campos y complete un campo de todos los custodios si deduplica de forma global.
- Relacione los mensajes de forma conservadora. Fusione solo los pares de alta confianza y registre cada fuente de la que provino cada mensaje fusionado.
- Agrupe en hilos. Agrupe el correo por conversación y los mensajes por el conjunto de participantes, y mantenga separados los hilos grupales y los de uno a uno.
- Revise en contexto. Lea los hilos de mensajes en unidades de un día o similares, en lugar de coincidencias aisladas.
- Lleve una nota de metodología. Registre las herramientas, la configuración, las reglas de coincidencia y los conteos antes y después, para que pueda explicar el proceso si se lo piden.
Una herramienta como Message Extractor se encarga de los pasos de normalización y fusión para las exportaciones habituales de teléfonos y aplicaciones, y coloca todo en un solo modelo de hilos, con los duplicados fusionados y un resumen SHA-256 del resultado. Sea cual sea la herramienta que use, las revisiones humanas de las coincidencias ambiguas siguen siendo trabajo de su equipo.
¿Qué debe decir el protocolo de ESI sobre la deduplicación y el agrupamiento en hilos?
Divulgue el método, conserve la posibilidad de recuperar los elementos suprimidos y acuerde qué incluye la producción. Plantéelo en la conferencia; la lista de verificación de la conferencia sobre ESI indica dónde encaja.
Ejemplo de lenguaje para el protocolo
La parte que produce puede deduplicar de forma global los duplicados exactos a nivel de familia mediante valores de hash. La parte que produce completará un campo de Todos los custodios que identifique a cada custodio que tuvo un duplicado suprimido. El análisis de casi duplicados y el agrupamiento de correos en hilos pueden usarse para organizar la revisión, pero no se usarán para retener documentos que respondan a las solicitudes y no sean privilegiados, y se producirán todos los correos no inclusivos que respondan a las solicitudes, salvo que las partes acuerden otra cosa. En el caso de mensajes de texto y de chat, los duplicados recopilados de más de un dispositivo o cuenta solo podrán consolidarse cuando coincidan el remitente, la conversación, el texto del mensaje y la marca de tiempo, y la parte que produce identificará cada fuente de la que se recopiló un mensaje consolidado.
Para ver cómo los mensajes agrupados en hilos y deduplicados se convierten en un conjunto de producción, consulte producir mensajes de texto en el discovery, y para ver cómo se ve un resultado consolidado, consulte un ejemplo de un registro de mensajes fusionado y paginado. Las reglas que un tribunal esperará pueden variar según el foro, así que confirme los requisitos locales con el abogado responsable de la producción.
