¿Qué es la Minería de Referencias?

En los últimos años la cantidad de publicaciones electrónicasde índole científica, ha experimentado un importante incremento. Esto se debe, principalmente, a los avances en las tecnologías de la información, el veloz crecimiento de las capacidades de la Internet y, en especialal hecho de que muchas  publicaciones “nacen” directamente en formato digital, lo cual acelera de manera importante su disponibilidad. 

Hoy en día, las bibliotecas digitales se han convertido en un importante recurso para las comunidades científicas y académicas: no sólo porque almacenan y facilitan la consulta de diversos materiales, sino también, por sus actividades inherentes de clasificación y análisis, que permiten mejorar notablemente las capacidades de agrupamiento y recuperación de información relevante para sus usuarios; es precisamente en este último punto donde toma especial relevancia que el registro de referencias bibliográficas no presente problemas de ambigüedad (click aquí para saber más). 

El registro de referencias bibliográficas permite no sólo medir el impacto de una publicación en la comunidad científica, sino también, extraer nueva información relevante, por ejemplo, las disciplinas que citan determinado trabajo, los lugares geográficos donde más se lee, el idioma en que es más citado; permitiendo a las bibliotecas identificar necesidades y áreas de oportunidad en sus actividades de adquisición de material y construcción de colecciones especiales, tal como lo mencionan Becker y Chiware (2015). 

Actualmente, muchos repositorios de publicaciones científicas integran procesos automatizados de extracción de citas. Estos sistemas, aunque útiles, suelen estar lejos de ser perfectos, y requieren un constante mantenimiento, actualización y corrección de la información extraída. Estas tareas han cobrado gran importancia y se incrementan constantemente (Patro, 2012; Tkaczyk et al. 2015; Agrawal et al. 2019), lo que rebasa las capacidades humanas de las instituciones que operan estos repositorios. 

Con base en estas premisas es que han surgido diversos intentos de mejorar las capacidades de extracción automática de referencias a partir de documentos digitales, llamando a todo el proceso Minería de Referencias. 

 Minería de Referencias es definida por Rodrigues et.al. (2018), como la tarea que consiste en analizar sintácticamente referencias bibliográficas, empleando técnicas de Procesamiento del Lenguaje Natural; adicionalmente, subdividen esta tarea en tres más pequeñas que comprenden todo el proceso a partir de un documento académico en formato digital. 

Estas tareas son:  

    • Detección: consiste en detectar una zona dentro del texto que contenga una o más referencias bibliográficas. 
    • Extracción: consiste en separar y extraer cada una de las referencias detectadas en la tarea anterior. 
    • Segmentación: consiste en analizar cada referencia y descomponerla en sus componentes para transformarlos en registros de metadatos. 

 Representación de las tres subtareas de la Minería de Referencias 

En la imagen anterior se puede apreciar más claramente el proceso de la minería de referencias, en primer lugar, se localiza la sección de referencias (Detección), posteriormente se van identificando qué renglones pertenecen a qué referencia, en la imagen, esto se corresponde al cuadro que envuelve la segunda referencia (Extracción), por último, por cada referencia se procede a identificar cada tipo de campo, como es el título, autores, año, entre otros (Segmentación). 

 El resultado final corresponde a un conjunto de registros divididos en campos diferenciados que permiten a su vez mayores capacidades de recuperación.  

 

Author: 

Kurt D Bollacker 

Author: 

Steve Lawrence 

Author: 

C Lee Giles 

Title: 

Citeseer: an autonomus web agent for automatic retrieval and 

identification of interesting publiations. 

Proceedings: 

In Proceedings of the second international conference on autonomous agents. 

Year: 

1998 

Pages: 

116-123 

 

Ejemplo de un Registro de metadatos, resultado de la Minería de Referencias. 

 

En palabras de Tkaczyk et al. (2018): 

La minería de referencias puede verse como la inversión del proceso de formatear un registro bibliográfico en una cadena. Durante el formateo se pierde parte de la información y, por lo tanto, el proceso inverso no es una tarea trivial y, por lo general, introduce errores. Es decir, existen diversos desafíos relacionados con este proceso. 

 Dentro de los desafíos mencionados se encuentran tres claramente delimitados: 

  

  • El tipo de objeto: el hecho de no conocer a qué tipo de documento se refiere la referencia nos imposibilita para determinar qué metadatos debemos extraer. 
  • El estilo de referencia: el hecho de no conocer el estilo bibliográfico de la referencia implica ignorar la ubicación que corresponde a cada metadato que la compone. 
  • Errores humanos durante la escritura o imprecisiones computacionales durante su digitalización. 

   

Algunos ejemplos de errores tipográficos son: 

  

  • Errores de consistencia durante el proceso de reconocimiento óptico de caracteres, muy habitual cuando se trabaja con un documento que no “nació” digital, por ejemplo, con un texto mecanografiado o impreso que después se digitalizó, espacios extras entre palabras y/o faltantes. 
  • Errores tipográficos de puntuación. 
  • Errores en los delimitadores específicos del estilo bibliográfico usado en las referencias.  

 Es importante mencionar que el problema de la automatización de Minería de Referencias mediante Procesamiento del Lenguaje Natural ha sido ampliamente estudiado, mediante propuestas muy diversas que contemplan expresiones regulares, coincidencia de plantillas, bases de conocimiento y aprendizaje automático supervisado, empleando modelos probabilísticos (Yin et al. 2004; Ojokoh 2011; Hetzner 2008; Councill et al. 2008; Lopez, 2009; Peng et al. 2004; Romanello et al. 2009; Zhang et al. 2010; Zou et al. 2010; Tkacyzk et al. 2015; Köner 2017 & Boukhers et al. 2019) y redes neuronales (Huang et al. 2015, Prasad et al. 2018; Rodrigues et al. 2018; Rizvi et. al. 2019 & Bhardwaj 2017), e incluso combinaciones de estas. Sin embargo, existen un par de sesgos importantes en estos trabajos. En primer lugar, está el asunto del idioma, pues prácticamente todos los estudios que exploran alguna de las subtareas de la Minería de referencias, emplean referencias escritas en inglés para sus experimentos. El otro sesgo corresponde al dominio de las referencias, ya que la gran mayoría de los estudios emplean, para las pruebas y entrenamiento de sus algoritmos, referencias de publicaciones que corresponden a las ciencias computacionales o a las ciencias de la salud, las cuales mantienen por tradición un estilo de referencias muy estructurado a diferencia de otras disciplinas, como las ciencias sociales y las humanidades. 

Dado el exponencial crecimiento que presenta la literatura científica en la actualidad (por ejemplo, si se busca “covid-19” en Google Académico, se localizan 159,000 resultados a partir del 2020), es indispensable desarrollar herramientas que permitan a las bibliotecas académicas automatizar la mayor cantidad posible de tareas de extracción de información como apoyo para sus labores de análisis y organización de la misma. 

 

Referencias 

 

Agrawal, K., Mittal, A., y Pudi, V. (2019). Scalable, Semi-Supervised Extraction of Structured Information from Scientific Literature. 11–20. https://doi.org/10.18653/v1/w19-2602  

Bhardwaj, A., Mercier, D., Dengel, A., & Ahmed, S. (2017). DeepBIBX: Deep Learning for Image Based Bibliographic Data Extraction. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 10635 LNCS(October), 286–293. https://doi.org/10.1007/978-3-319-70096-0_30  

Becker, D. A., y Chiware, E. R. T. (2015). Citation Analysis of Masters’ Theses and Doctoral Dissertations: Balancing Library Collections With Students’ Research Information Needs. Journal of Academic Librarianship, 41(5), 613–620. https://doi.org/10.1016/j.acalib.2015.06.022 

Boukhers, Z., Ambhore, S., & Staab, S. (2019). An end-to-end approach for extracting and segmenting high-variance references from PDF documents. Proceedings of the ACM/IEEE Joint Conference on Digital Libraries, 2019-June, 186–195. https://doi.org/10.1109/JCDL.2019.00035 

Councill, I. G., Giles, C. L., & Kan, M.-Y. (2008). ParsCit: An open-source CRF Reference String and Logical Document Structure Parsing Package. Proceedings of the 6th International Conference on Language Resources and Evaluation, LREC 2008, 661–667.  

Hetzner, E. (2008, June). A simple method for citation metadata extraction using hidden markov models. In Proceedings of the 8th ACM/IEEE-CS joint conference on Digital libraries (pp. 280-284).  

Huang, Z., Xu, W., & Yu, K. (2015). Bidirectional LSTM-CRF models for sequence tagging. arXiv preprint arXiv:1508.01991.  

 Körner, M. (2017). Reference String Extraction Using Line-Based Conditional Random Fields. http://arxiv.org/abs/1705.08154  

Lopez, P. (2009, September). GROBID: Combining automatic bibliographic data recognition and term extraction for scholarship publications. In International conference on theory and practice of digital libraries (pp. 473-474). Springer, Berlin, Heidelberg. 

Ojokoh, B., Zhang, M., & Tang, J. (2011). A trigram hidden Markov model for metadata extraction from heterogeneous references. Information Sciences, 181(9), 1538–1551.  

Patro, S. (2012). Data clustering and cleansing for bibliography analysis (Doctoral dissertation, University of New South Wales, Sydney, Australia). 

Peng, F., & McCallum, A. (2004). Accurate information extraction from research papers using conditional random fields. Paper presented at the Proceedings of HLT-NAACL 2004, Boston, MA (pp. 329–336). 

Prasad, A., Kaur, M., & Kan, M. Y. (2018). Neural ParsCit: a deep learning-based reference string parser. International Journal on Digital Libraries, 19(4), 323–337. https://doi.org/10.1007/s00799-018-0242-1 

Rizvi, S. T. R., Dengel, A., & Ahmed, S. (2019). DeepBiRD: An Automatic Bibliographic Reference Detection Approach. http://arxiv.org/abs/1912.07266  

Rodrigues Alves, D., Colavizza, G., y Kaplan, F. (2018). Deep Reference Mining From Scholarly Literature in the Arts and Humanities. Frontiers in Research Metrics and Analytics, 3. https://doi.org/10.3389/frma.2018.00021  

Romanello, M., Boschetti, F., & Crane, G. (2009, August). Citations in the digital library of classics: extracting canonical references by using conditional random fields. In Proceedings of the 2009 Workshop on Text and Citation Analysis for Scholarly Digital Libraries (NLPIR4DL) (pp. 80-87).  

Tkaczyk, D., Szostek, P., Fedoryszak, M., Dendek, P. J., y Bolikowski, Ł. (2015). CERMINE: Automatic extraction of structured metadata from scientific literature. International Journal on Document Analysis and Recognition, 18(4), 317–335. https://doi.org/10.1007/s10032-015-0249-8 

 Tkaczyk, D., Collins, A., Sheridan, P., y Beel, J. (2018). Machine Learning vs. Rules and Out-of-the-Box vs. Retrained: An Evaluation of Open-Source Bibliographic Reference and Citation Parsers. Proceedings of the ACM/IEEE Joint Conference on Digital Libraries, 99–108. https://doi.org/10.1145/3197026.3197048 

 Yin, P., Zhang, M., Deng, Z., & Yang, D. (2004, December). Metadata extraction from bibliographies using bigram HMM. In International Conference on Asian Digital Libraries (pp. 310-319). Springer, Berlin, Heidelberg.  

Zhang, X., Zou, J., Le, D. X., & Thoma, G. R. (2010, December). A structural SVM approach for reference parsing. In 2010 Ninth International Conference on Machine Learning and Applications (pp. 479-484). IEEE. 

Zou, J., Le, D., & Thoma, G. R. (2010). Locating and parsing bibliographic references in HTML medical articles. International Journal on Document Analysis and Recognition (IJDAR), 13(2), 107-119. 

 



Citar este post
Rodrigo Cuéllar Hidalgo (2021, 9 junio). ¿Qué es la Minería de Referencias? Amontonamos las palabras: Blog de la Biblioteca de El Colegio de México. Recuperado 12 de junio de 2024, de https://doi.org/10.58079/lwf4

Rodrigo Cuéllar Hidalgo

Especialista en sistemas de información

More Posts

Rodrigo Cuéllar Hidalgo

Especialista en sistemas de información

También te podría gustar...

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Buscar en OpenEdition Search

Se le redirigirá a OpenEdition Search