El procesamiento del lenguaje natural como herramienta para la investigación en Bibliotecas Académicas
Este texto tiene como objetivo describir el concepto del procesamiento de Lenguaje Natural (PLN), mencionar sus principales técnicas, algunas aplicaciones de estas en el ámbito de la investigación y un ejemplo muy concreto en sus aportaciones al cambo de la bibliometría.
El PLN es una disciplina que surge de la tríada y convergencia disciplinar entre computación, lingüística e inteligencia artificial; con la finalidad de estudiar y flexibilizar las interacciones humano-máquina (Vásquez et al., 2009). Su objetivo es lograr que una computadora pueda analizar, comprender y generar respuestas en los diferentes lenguajes humanos (tanto texto como voz, incluso signos), de tal modo que la computadora tenga la capacidad de comprender una palabra o frase e inferir su significado y contexto (Microsoft, 2007).
Para hacer esto posible, en la actualidad el PLN se apoya mayormente en técnicas basadas en aprendizaje automático, el cual consiste en la aplicación de modelos matemáticos, basados en estadística y probabilidad. Estos modelos permiten desarrollar un algoritmo que primero se entrena con una serie de datos, y con base en esta “experiencia”, es capaz de aislar patrones para poder realizar predicciones o clasificaciones, con un buen nivel de certeza, sobre datos a los que el algoritmo nunca ha sido expuesto (Russel, 2009).
El PLN es sumamente útil para extraer información de datos no estructurados o medianamente estructurados, como podría ser el caso de un archivo de texto, redactado en lenguaje natural, tal y como lo lee cualquier ser humano. En un texto así, no hay una estructura, por ejemplo, las tablas, columnas y renglones de una base de datos relacional; ni una anotación exhaustiva que hagan explícitas las categorías lingüísticas, tales como sustantivo, verbo, preposición, etcétera; o funciones dentro del texto mismo, como el título, la nota al pie, la cita, el pie de foto, etcétera, que sean una indicación para la computadora de la función que cumple una cadena de texto en el archivo. Las técnicas del PLN pretenden generar una nueva comprensión de los datos no estructurados para que una computadora emule, en lo posible, la comprensión que un ser humano tendría de estos datos y extraiga así información significativa. Algunos ejemplos de las técnicas incluidas en el PLN son:
- Clasificación de texto: Consiste en asignar una etiqueta a un texto, por ejemplo, determinar si la reseña de algún producto es positiva o negativa.
- Recuperación de información: Consiste en analizar textos enteros para poder extraer partes específicas, por ejemplo, identificar y extraer palabras claves en un artículo científico.
- Traducción automática: Como su nombre lo indica, se emplea para traducir textos de un idioma a otro, un ejemplo de esto es el servicio de Google Translate.
- Comparación de texto: Esta técnica sirve para calcular la similitud semántica entre textos, entregando un valor que cuantifica dicha similitud.
- Anonimización de documentos: Consiste en identificar información privada dentro de un documento para ocultarla, evitando así que se identifique a una persona de la que habla un documento dado, por ejemplo, un expediente médico.
- Reconocimiento de Entidades Nombradas: Esta técnica busca identificar entidades predefinidas dentro de un texto, por ejemplo, personas, empresas, lugares, otorgando una de estas etiquetas, cuando corresponde a cada palabra dentro de un texto.
- Auto resumen: Consiste en sintetizar segmentos muy extensos de texto en segmentos más cortos que contienen únicamente la información relevante.
- Modelado de tópicos: Consiste en la detección de temas o patrones en la información, para que de esta forma se identifiquen las ideas relevantes sus relaciones y coincidencias.
Representación de la técnica Modelado de topicos: Tomada del sitio: https://medium.com/analytics-vidhya/topic-modeling-with-amazon-reviews-8dcb40ffc97d
Representación de la técnica Reconocimiento de entidades Nombradas: Tomada del sitio: https://www.techslang.com/definition/what-is-named-entity-recognition-ner/
Actualmente, en el campo de PLN, existen diversas aplicaciones, las cuales adaptan y combinan las técnicas antes mencionadas y que pueden resultar interesantes en el ámbito de las bibliotecas académicas, un ejemplo de esto es el proyecto CiteSeerX. A continuación, ahondaremos un poco más en cuatro de ellas:
Minería de referencias
La Minería de referencias se define como la técnica de analizar sintácticamente referencias bibliográficas, con la finalidad de resolver las subtareas de detección, extracción y segmentación de sus componentes Rodrigues et al. (2018).
Para lograr esto se emplea una adaptación de la técnica “Reconocimiento de Entidades Nombradas”, donde se busca etiquetar a cada palabra de una referencia con el componente al que corresponde. Para más información puede ver en este blog, la nota sobre ¿Qué es la Minería de Referencias?
Extracción del contexto de citas
Esta técnica consiste en identificar obras que citen una obra determinada usando “Minería de Referencias” y extraer su contexto, es decir las palabras circundantes.
Teclear la cita para que no quede como imagen.
Representación del contexto de una cita, la técnica permite de detectar el contexto (color verde) que rodea a una etiqueta de cita (la parte en negrillas).
Si bien el identificar el contexto de una cita no permite per se el analizarla y clasificarla, se podría, por ejemplo, identificar citas positivas de determinado artículo, es decir, que tomen como base el trabajo de la obra en cuestión, o que lo refuten.
El objetivo principal de esta técnica es ayudar a un usuario a reducir la selección de documentos pertinentes (dado que se analiza el contenido completo de un documento y no solo los metadatos) para una investigación, más allá de la capacidad de búsqueda de un repositorio tradicional, o bien contextualizar la recepción de un texto, incluso para valorar o medir el tipo de citas recibidas en términos de su uso.
Recomendación de citas consciente del contexto
Esta técnica se basa en el “Modelado de Tópicos”, donde se extrae información relevante de un corpus de múltiples documentos, para cumplir con el objetivo de sugerir una serie de documentos pertinentes para citar, con base en un texto previamente escrito empleando la técnica de “Comparación de texto”.
Esto es especialmente útil, puesto que la búsqueda de referencias, mientras se escribe un artículo científico, es un proceso que requiere mucho tiempo, en especial, por el tremendo crecimiento en la cantidad de artículos científicos que se publican actualmente (Jeong et al., 2020). En otras palabas, el algoritmo permite identificar temáticas dentro del texto que el autor va escribiendo en un artículo científico y con base en ellos sugerir documentos a citar que aborden dichos temas.
Generación automática de la sección “Trabajo Relacionado” a través de resúmenes de citas.
Esta técnica consiste en generar automáticamente un borrador para una sección de un documento académico, esto se logra tomando las referencias del documento principal, es decir, se usa la “Minería de Referencias” (se presupone que el título, el resumen, las palabras claves, la introducción y las conclusiones ya han sido escritos); posteriormente se identifican las citas formales y se extraen sentencias relacionadas que presenten diferencia y puntos de similitud con los artículos citados y el documento principal, empleando la “Comparación de textos” y el “Auto resumen” (Chen et al., 2019).
Esta técnica tiene el potencial de facilitar la escritura y revisión al momento de realizar un artículo, pues el hecho de proponernos un borrador con obras que toquen los temas ya escritos en otras secciones disminuye el tiempo de búsqueda y análisis de la literatura.
PLN y Bibliotecas
Como se puede apreciar, el PLN tiene una gran diversidad y potencial en sus técnicas que pueden facilitar y agilizar tareas que requieren el análisis de información no estructurada, esto representa un gran valor para las bibliotecas académicas, dado que el acervo que custodian representa un universo que puede ser explorado con estas técnicas y así generar un valor agregado para sus usuarios, un claro ejemplo es la Bibliometría.
“La bibliometría es la aplicación de las matemáticas y métodos estadísticos a toda fuente escrita que esté basada en las facetas de la comunicación y que considere los elementos tales como autores, título de la publicación, tipo de documento, idioma, resumen y palabras claves o descriptores.”
-Solano et al. (2009).
Generar los datos necesarios para desarrollar un análisis bibliométrico requiere de enormes cantidades de horas hombre, dada la naturaleza de los datos que deben identificarse y recopilar de manera manual; el PLN resulta un importante aliado en esta parte de la Bibliometría (Taskin et al. 2019), dadas sus altas capacidades de extracción de información, se puede analizar y obtener información de fuentes no estructuradas. Así, algunas de sus aplicaciones se encuentran en:
- Acceder a los nombres de autores, instituciones y países de las publicaciones, lo cual es especialmente útil cuando existen problemas de estandarización en los índices de citas.
- Detectar oraciones de citas dentro del texto completo, es decir, al validar que la obra citada en la sección referencias efectivamente se encuentre referenciada dentro del texto de la obra citante.
- Analizar la interpretación de términos.
- Realizar resúmenes automáticos de un dominio de conocimiento.
- Analizar semántica y sintácticamente la cita para desarrollar nuevos indicadores, por ejemplo, contabilizar los autores citantes que argumentan a favor o en contra de la obra citada.
A modo de conclusión, las diferentes aplicaciones al emplear estas técnicas tienen posibilidades casi infinitas para el desarrollo de una investigación, en especial si se combinan con otras como el webscrapping, el OCR y las consultas a diferentes recursos de información; para ejemplificar se describirá brevemente un proyecto hipotético:
Supongamos que tenemos una serie de libros en formato físico, pero no tenemos acceso a versiones digitales, y deseamos encontrar y descargar todas las obras de acceso abierto que los citen y validar así dicha cita, para resolver esto podríamos realizar las siguientes tareas:
- Generar la versiones digitales de la sección de referencias de dichos libros, mediante OCR.
- Extraer todas las referencias mediante “Minería de referencias”.
- Empleando Webscrapping, hacer la búsqueda y recuperación de todo documento en PDF descargable (es decir de acceso abierto) en Google Académico (dado que no cuenta con una API de consulta).
Es importante señalar que todo lo anteriormente expuesto puede ser aplicado si se construyen las herramientas que lo pongan al servicio de los usuarios. Y esto solo será posible con el trabajo interdisciplinar de personal altamente especializado en diversas áreas como son: la informática, la Inteligencia Artificial, la Lingüística y la Bibliotecología, entre otras.
Referencias
Chen, J., & Zhuge, H. (2019). Automatic generation of related work through summarizing citations. Concurrency and Computation: Practice and Experience, 31(3), e4261.
Jeong, C., Jang, S., Park, E., & Choi, S. (2020). A context-aware citation recommendation model with BERT and graph convolutional networks. Scientometrics, 124(3), 1907-1922.
Knoth, P., Gooch, P., & Jack, K. (2017, September). What Others Say About This Work? Scalable Extraction of Citation Contexts from Research Papers. In International Conference on Theory and Practice of Digital Libraries (pp. 287-299). Springer, Cham.
Microsoft Corporation. Microsoft Research Community. Natural Language Processing. https://www.microsoft.com/en-us/research/group/natural-language-processing/. Consultado 30/11/2020
Rodrigues Alves, D., Colavizza, G., & 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
Solano López, E., Castellanos Quintero, S., López Rodríguez del Rey, M., & Hernández Fernández, J. (2009). La bibliometría: una herramienta eficaz para evaluar la actividad científica postgraduada. Medisur, 7(4), 59-62. Retrieved from http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1727-897X2009000400011
Russell, Stuart; Norvig, Peter (2009). Inteligencia Artificial: Un Enfoque Moderno (3rd edición). p. 229.
Taskin, Z., & Al, U. (2019), “Natural language processing applications in library and information science”, Online Information Review, Vol. 43 No. 4, pp. 676-690. https://doi.org/10.1108/OIR-07-2018-0217
Vásquez, A. C., Quispe, J. P., & Huayana, A. M. (2009). Procesamiento de lenguaje natural. Revista de Investigación de Sistemas e Informática, 6(2), 45-54.
OpenEdition le sugiere que cite este post de la siguiente manera:
Rodrigo Cuéllar Hidalgo (18 de mayo de 2022). El procesamiento del lenguaje natural como herramienta para la investigación en Bibliotecas Académicas . Amontonamos las palabras: Blog de la Biblioteca de El Colegio de México. Recuperado 27 de abril de 2025 de https://doi.org/10.58079/lwfp