Acceso usuarios
Josué Padilla Cuevas, Joaquín de las Cuevas, José A. Reyes Ortiz, Maricela Bravo
The scientific papers are written in natural language, with a significant proportion being in Spanish, and have no structure processable by computers, which results in tedious and time-consuming manual analysis. Thus, managing scientific texts in Spanish is a challenge that requires advanced computational methods. Therefore, this paper presents a novel methodology that includes three Information Retrieval (IR) approaches based on Natural Language Processing (NLP). The main aim is the information management from scientific documents in Spanish. The IR approaches implemented in the methodology are based on textual, probabilistic, and semantic similarity to retrieve documents regarding a question. The proposed methodology is applied to the scientific Spanish literature generated during the COVID-19 pandemic. An evaluation process based on 100 queries over 249,474 scientific documents to accurate the recoverability of relevant documents was carried out. The results show that the probabilistic approach implementedin the methodology achieved an 85% f-measure, supported by the Latent Dirichlet Allocation (LDA) topic discovery algorithm. Finally, the proposed methodology is considered domain-independent to retrieve documents in Spanish.
Los artículos científicos están escritos en lenguaje natural, una proporción significativa en español, y carecen de una estructura procesable por las computadoras, lo que provoca un análisis manual tedioso, laborioso y lento. De este modo, la gestión de textos científicos en español es un reto que requiere métodos computacionales avanzados. Por ello, este trabajo presenta una metodología novedosa que incluye tres enfoques de Recuperación de Información (RI) basados en el Procesamiento del Lenguaje Natural (PLN). El objetivo principal es la gestión de información a partir de documentos científicos en español. Los enfoques de RI implementados en la metodología se basan en la similitud textual, probabilística y semántica para recuperar documentos en relación con una pregunta. La metodología propuesta es aplicada a la literatura científica en español generada durante la pandemia de COVID-19. Además, se lleva acabo un proceso de evaluación basado en 100 consultas sobre 249.474 documentos científicos para precisar la recuperabilidad de los documentos relevantes. Los resultados muestran que el enfoque probabilístico implementado en la metodología alcanza una medida F del 85%, apoyado en el algoritmo de descubrimiento de tópicos Latent Dirichlet Allocation (LDA). Por último, la metodología propuesta se considera independiente del dominio para recuperar documentos en español.
