Como otimizar a posição ocupada pelos termos nos documentos para o processamento automático de informação

IV Seminário do Grupo de Pesquisa MHTX – 2021 Universidade Federal de Minas Gerais (UFMG) | Escola de Ciência da Informação (ECI) CÓMO OPTIMIZAR LA POSICIÓN QUE OCUPAN LOS TÉRMINOS EN LOS DOCUMENTOS PARA EL PROCESAMIENTO AUTOMÁTICO DE INFORMACIÓN COMO OTIMIZAR A POSIÇÃO OCUPADA PELOS TERMOS NOS DOCUMENTOS PARA O PROCESSAMENTO AUTOMÁTICO DA INFORMAÇÃO HOW TO OPTIMIZE THE POSITION OCCUPIED BY TERMS IN DOCUMENTS FOR AUTOMATIC INFORMATION PROCESSING Isidoro Gil-Leiva, Universidad de Murcia, España [email protected] Resumo: Apresenta-se a possibilidade de trabalhar no desenvolvimento de sistemas de indexação automática e na ordenação por relevância dos documentos listados após uma pesquisa de informação, com base na "forte ideia" de que a posição ocupada pelos termos nos documentos pode ser a base para os desenvolvimentos empreendidos. O sistema de indexação automática SISA é utilizado para mostrar o valor dessa abordagem. Palavras-chave: posição dos termos em documentos; indexação automática; ordenação por relevância; SISA. Abstract: The possibility of working on the development of automatic indexing systems and to rank for relevance the documents listed after an information search, based on the "strong idea" that the position occupied by terms in the documents can be the basis for the developments undertaken. The SISA automatic indexing system is used to show the value of this approach. Keywords: position occupied by terms in documents; automatic indexing; relevance ranking; SISA. 1 INTRODUCCIÓN La publicación de documentos crece exponencialmente cada año de forma imparable. La publicación de artículos científico-técnicos en 2021 parece que alcanzará los tres millones y la de libros, la cifra de dos millones. Las dos bases de datos probablemente más conocidas (SCOPUS y Web of Science) albergan más de ochenta millones de documentos cada una de ellas. Estas dos cuestiones, una publicación ingente y un registro accesible provoca dos importantes áreas de investigación en nuestra área: la indización automática para agilizar procesos técnicos y la ordenación de los resultados de una búsqueda en la recuperación de información. A finales de la década de 1990 y comienzos de 2000 se crearon y extendieron herramientas y lenguajes (eXtensible Markup Language, RDF, Sparql, Ontology Web Language) encaminados a crear una Web dotada de significado con datos legibles por aplicaciones informáticas para que las computadoras y las personas trabajen en cooperación. Y a esta irrupción tecnológica hay que sumar a partir de 2002 el movimiento de Ciencia abierta que persigue un cambio en el modelo de comunicación científica cada vez más basada en el uso de lenguajes legibles por ordenador como el HTML (HiperText Markup Language) y desde 2012 el estándar Journal Article Tag Suite (JATS) para describir y estructurar mediante metadatos el contenido textual y gráfico de los artículos científicos. Según datos del informe Scholastica de 2020, el 35% de los editores de revistas científicas ya están usando el formato XML principalmente JATS (SCHOLASTICA…, 2020). Mencionar también que el Book Interchange Tag Suite (BITS) para libros publicados por editoriales científicas, técnicas y médicas, y la norma STS (Standards Tag Suite), ANSI/NISO Z39.102-2017 e ISOSTS (ISO Standards Tag Set) para los editores y distribuidores de normas. Por tanto, la publicación enriquecida para describir y estructurar es parte del presente y probablemente lo será más del futuro. Volviendo a lo mencionado en el primer párrafo sobre la publicación exponencial y la necesidad de tener un registro accesible, consideramos que la publicación enriquecida coadyuva tanto a trabajar en el diseño e implementación de sistemas de indización automática como en la ordenación por relevancia de los documentos mostrada tras una búsqueda de información a partir de la “idea fuerza” de que la posición que ocupan los términos en los documentos puede ser el fundamento de los desarrollos emprendidos. 2 LA POSICIÓN QUE OCUPAN LOS TÉRMINOS EN LOS DOCUMENTOS Algunos documentos tienen una serie de elementos que los caracterizan y determinan su tipología documental. En los artículos científicos, identificamos normalmente título, resumen, palabras clave, epígrafes (introducción, metodología, resultados, conclusiones y referencias); en las leyes o decretos, elementos como título, preámbulo, índice, título, artículo, capítulo y disposiciones; y en una sentencia judicial, un resumen, encabezamiento, antecedentes, hechos, fundamentos y fallo. La propia norma ISO sobre indización de documentos indica en qué partes de los documentos los indizadores deben prestar atención para extraer y asignar términos. Por tanto, existe una relación directa entre los diferentes componentes de los documentos y la indización. 2.1 Indización automática Desde finales de la década de 1950, se viene trabajando en la creación de sistemas de indización automática desde diferentes enfoques basados en la estadística, el procesamiento del lenguaje natural, las redes neuronales, en reglas heurísticas o en una mezcla de ellas. El sistema de indización automática SISA (GIL-LEIVA, 2008; 2017) es un ejemplo de un enfoque basado en reglas. Como si tratara de imitar a un indizador profesional que realiza una lectura de los textos prestando atención a determinadas partes de los documentos, SISA usa las marcas de documentos en HTML o XML para identificar partes relevantes como título, resumen, palabras clave de autor, secciones, primeros párrafos de secciones, títulos de tablas, títulos de gráficos, conclusiones y referencias bibliográficas. FIGURA 1 – Análisis FODA de SISA Fuente: elaboración propia. SISA ha sido evaluada en varios experimentos: Lima y Boccato (2009); Souza-Rocha y Gil-Leiva (2016); Gil-Leiva (2017); Silva y Corrêa (2020); Silva, Corrêa y Gil-Leiva (2020); Gil-Leiva, Díaz y Corrêa [202-?] (artículo en fase de revisión por pares en una revista científica). En general, los resultados han sido satisfactorios. 2.2 Ordenación por relevancia de los documentos en la recuperación de información Por millones o cientos de miles de documentos que contienen un recurso de información existen mecanismos para seleccionar aquellos documentos de interés para un usuario. Las bases de datos y repositorios con registros descriptivos paulatinamente están siendo complementados con textos completos. Por tanto, las estrategias de búsqueda de información pueden abarcar al texto completo, ampliando los límites de los metadatos descriptivos a todo el texto. Catálogos y bases de datos ofrecen diversas formas de ordenar los resultados de las búsquedas. Las opciones mínimas suelen ser tres: ‘Relevancia’, de ‘Más reciente a más antiguo’ y de ‘Más antiguo a más reciente’, si bien, por lo general, ofrecen más opciones. Por defecto, al ejecutar una búsqueda, los resultados se ordenan por ‘Relevancia’ o bien de ‘Más reciente a más antiguo’. La ordenación y presentación de los resultados de una búsqueda ha sido un asunto central en investigaciones sobre recuperación de información, sobre todo con la aparición de Internet y los motores de búsqueda. A partir de una consulta determinada, a los documentos recuperados se les aplica alguna fórmula para conceder a cada documento recuperado una puntuación que servirá para establecer una lista de clasificación en orden descendente presentada al usuario. Por tanto, podemos entender por ‘relevancia’ la relación existente entre el término o frase usada en la búsqueda con el contenido de los registros bibliográficos o de los documentos completos. Como se ha señalado, SISA es un sistema de indización automática que produce términos de indización a partir de reglas fundamentadas principalmente en la posición que ocupan los términos en los documentos. Tras el procesamiento automático de un documento, se recopilan datos sobre la posición y frecuencia de los términos. Esta valiosa información es reutilizada durante el proceso de recuperación para asignar puntuaciones a los términos y ordenar así los documentos por relevancia. SISA brinda la posibilidad de ordenar los resultados de una búsqueda ejecutada sobre los metadatos descriptivos o sobre el texto completo de los documentos de tres formas: por posición y frecuencia, por Frecuencia y por TFIDF. FIGURA 2 – Puntuación y ordenación por relevancia en SISA Fuente: Gil-Leiva (2021). La leyenda de la Figura 2 es la siguiente: 1. Partes de los documentos que son tenidos en cuenta y, por tanto, reciben una puntuación si un término o frase aparece en esas posiciones; 2. Puntuaciones establecidas actualmente para cada posición. Esos valores podrían ser modificados si se considera conveniente; 3. Matriz con la posición-frecuencia para el término ‘bibliotecas públicas’; 4. Matriz con las puntuaciones obtenidas por el término ‘bibliotecas públicas’; 5. Matriz con la puntuación de los términos para la colección de documentos; 6. Puntuación lograda por el término de búsqueda ‘bibliotecas públicas’ usado en la ordenación por relevancia. Por tanto, de acuerdo a la Figura 2, la búsqueda con el término ‘bibliotecas públicas’ produciría la siguiente lista de documentos ordenados por relevancia: 1.º Documento 2 2.º Documento 1 3.º Documento 3 En la Figura 3, se muestra el módulo de recuperación tras la realización de una consulta sobre “bibliotecas públicas” en SISA. La puntuación por relevancia que lista el orden de los documentos está en la parte derecha en recuadros rojos. FIGURA 3 – Ejemplo de ordenación por relevancia en SISA Fuente: Gil-Leiva (2017). La Figura 4 recoge un ejemplo de la ordenación por relevancia de los resultados presentados tras una búsqueda ejecutada en la Base de datos Library & Information Science Abstracts (LISA) y SISA. FIGURA 4 – Ordenación de los resultados tras una búsqueda en LISA y SISA Fuente: Gil-Leiva (2021). Lo más relevante de este ejemplo es que SISA presentó en lugares destacados los documentos 3, 6 y 7, mientras que la Base de datos LISA no mostró en la lista de los dieciséis documentos recuperados ninguno de los tres. 3 CONCLUSIONES La posición que ocupan los términos en los documentos parece un recurso útil para la indización automática de los documentos. En una investigación que hemos llevado a cabo recientemente y que en estos momentos se encuentra en proceso de revisión por pares en una revista científica con el título Automatic indexing of scientific articles on Library and Information Science with SISA, KEA and MAUI, hemos comparado el resultado de indizar un mismo corpus por parte de tres softwares. SISA, que se fundamenta en la posición que ocupan los términos en los documentos, ha logrado unos resultados de diez puntos por encima con respecto a las otras dos herramientas de indización automática en las métricas de medida usadas (f-measure y consistencia de Hooper). Aunque es conveniente efectuar otros experimentos para confirmar el mejor rendimiento de SISA, la diferencia ha sido significativa. Con relación al uso de la posición que ocupan los términos para la ordenación por relevancia de los resultados de una búsqueda, de acuerdo a los resultados obtenidos en Gil-Leiva (2021) y, aunque es preciso seguir haciendo más pruebas, parece ser también un método satisfactorio. REFERENCIAS GIL-LEIVA, I. Manual de indización: teoría y práctica. Gijón: Trea, 2008. GIL-LEIVA, I. SISA: automatic indexing system for scientific articles - experiments with location heuristics rules versus TF-IDF rules. Knowledge Organization, [s. l.], v. 44, n. 3, 139-162, 2017. GIL-LEIVA, I. La ordenación por relevancia de los resultados de búsqueda de información científica: posición y frecuencia - estudios de caso. En: CONGRESSO ISKO ESPANHA PORTUGAL, 5., CONGRESSO ISKO ESPANHA, 15., 2021, Lisboa. Anales [...]. Lisboa: Universidade Lisboa, 2021. En prensa. GIL-LEIVA, I.; DÍAZ, P.; CORRÊA, R. F. Automatic indexing of scientific articles on Library and Information Science with SISA, KEA and MAUI. [S. l.: s. n], [202-?]. (En fase de revisión por pares). INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. ISO 5963 1985: documentación: métodos para el análisis de documentos: determinación de su contenido y selección de los términos de indización. Génova: ISO, 1985. LIMA, V. M. A.; BOCCATO, V. R. C. O desempenho terminológico dos descritores em Ciência da Informação do vocabulário controlado do SIBi/USP nos processos de indexação manual, automática e semi-automática. Perspectivas em Ciência da Informação, [s. l.], v. 1, p. 131-151, 2009. SCHOLASTICA survey: the State of Journal Production and 2020. [s. l.: s. n.], [2020]. Disponible: https://lp.scholasticahq.com/journal-production-access-survey/. Acceso en: 20 oct. 2021. SILVA, S. R. de B.; CORRÊA, R. F. Sistemas de indexação automática por atribuição: uma análise comparativa. Encontros Bibli: revista eletrônica de biblioteconomia e ciência da informação, Florianópolis, v. 25, p. 1-25, 2020. Disponible: https://doi.org/10.5007/1518-2924.2020.e70740. Acceso en: 20 oct. 2021. SILVA, S. R. de B.; CORRÊA, R. F.; GIL-LEIVA, I. Avaliação direta e conjunta de Sistemas de Indexação Automática por atribuição. Informação & Sociedade-Estudos, [s. l.], v. 30, p. 1-27, 2020. Acceso en: 20 oct. 2021. SOUZA-ROCHA, R.; GIL-LEIVA, I. Automatic Indexing of Scientific Texts: a methodological comparison. En: CHAVES GUIMARÃES, J. A.; OLIVEIRA MILANI, S.; DODEBEI, V. Knowledge Organization for a Sustainable World: challenges and perspectives for cultural, scientific, and technological sharing in a connected society. Rio de Janeiro, Brazil; Würzburg: Ergon Verlag: Ed. Advances in knowledge organization, 2016, p. 243-250.