Le propongo que hablemos sobre la temática de la desambiguación de autores científicos, en el contexto de sus trabajos presentados en las últimas Jornadas de Data Mining.

En principio, estamos construyendo lo que llamo un “sistema inteligente”, capaz de encontrar información y conocimiento en una gran base de datos, teniendo en cuenta que la información textual está cada vez más disponible en la Web.

Pongamos un ejemplo. Supongamos que estamos buscando a una autora, mujer, cuyo nombre es “France”.  Entonces el sistema buscará ese término pero tiene que ser capaz de discernir que no es el país sino la persona, lo que busca, asociando textos al uso de ese nombre. Es un trabajo complejo para el sistema, porque necesita reducir la ambigüedad entre el país y la persona. El clásico problema de la homonimia, dos palabras que coinciden en su escritura aunque no necesariamente en su pronunciación. Pero también pueden existir problemas de sinonimia, o semejanza de significados entre palabras determinadas.

Para ello se utilizan soluciones de ontología del lenguaje. De esa forma, el sistema puede analizar y comprender el contexto en el que se usa esa palabra. Supongamos que utilizamos sólo nombres latinos, podríamos tener muchos autores que tuvieran el mismo nombre, por ejemplo “Marta Rodríguez”. Al fusionar dos artículos científicos diferentes, debemos analizar la información de contexto para determinar si estas dos publicaciones pertenecen a la misma Marta o no. Este sería el problema de la desambiguación de autores científicos.

¿Cómo comenzó a interesarse por este tema de la desambiguación?

Comencé a trabajar en esta temática hace cuatro años, con mis estudiantes de la Universidad de Lyon, ya que me interesaba mucho avanzar en el análisis de la red de colaboración entre autores científicos.  Comenzamos con una pequeña encuesta en la materia, ya que lo primero que queríamos saber era quién estaba trabajando con quién, cómo se relacionaban los autores entre sí, si había algún clúster de temáticas comunes, etc. Entiendo que la desambiguación es un problema genérico, propuesto en diferentes conferencias y encuentros de Data Mining, por ejemplo, en Microsoft Research.

Pero fue, y sigue siendo, un desafío académico interesante para mis estudiantes. Lo más importante es que queríamos generar un proyecto práctico con toda la información que estábamos reuniendo sobre la comunidad científica.

¿En qué consiste la herramienta de datos abiertos, Babel, que ha desarrollado?

Babel es el software que estamos desarrollando en la Universidad. Surge de la metáfora histórica y literaria de una gran biblioteca universal con publicaciones en cientos de idiomas, donde todo el conocimiento esté alojado allí.

Construimos una herramienta de desambiguación que, a través de una base de datos relacional con diferentes parámetros para clasificar artículos y autores, pueda solucionar el problema de la ambigüedad semántica entre miles de publicaciones.

Las fuentes que tomamos para este trabajo son las denominadas “Web of Science” pero también trabajamos con portales científicos de libre acceso. Allí relevamos el título, autores y citas científicas. No obstante, cuanta más información de contexto tengamos sobre el paper, más fácil es lograr la desambiguación.

¿Qué volumen de publicaciones está analizando?

Estamos trabajando con más de 300 mil publicaciones, con 436 mil autores, pero la idea es llegar a millones de publicaciones. Actualmente tanto Microsoft como investigadores que se dedicaron a este asunto, pudieron relevar alrededor de 20 millones de publicaciones en total, que es aproximadamente lo que contiene Google Scholar por ejemplo. Pero el total de la comunidad científica mundial reúne unos 2.5 billones de publicaciones.

Expandir los algoritmos que utilizamos para estas publicaciones al conjunto total de las publicaciones relevadas es sumamente complejo. No tenemos la misma información para las diferentes librerías de datos que manejamos, la organización de los datos en la comunidad científica es heterogénea, la variedad de datos es muy grande y la incompletitud también lo es.

¿Qué piensa del denominado “Crowdsourcing”, entendido como la colaboración abierta distribuida a un grupo indeterminado de personas, específicamente en este ámbito?

El Crowdsourcing puede ser una solución para este tema. Existen ideas con esa filosofía, en donde personas y comunidades colaboran en la investigación o solución de temas conjuntos. Pero aún no se ha abordado una problemática como la que Babel propone: la red de colaboración entre autores científicos.

¿Cómo ve actualmente los nuevos desafíos de Open Data?

Este es, justamente, el tema de la charla que brindaré en las Jornadas de Data Mining. Ciudadanos y gobiernos están presionando para alcanzar una solución política donde todo el material científico esté disponible gratuitamente y resulte accesible para todos. Es el caso de los directorios Open Access Journals, por ejemplo, sin barreras financieras, legales o técnicas para los usuarios.

Creo que el modelo tradicional de editores científicos, en lo que hace a evaluación y publicación de artículos, se está agotando. Es muy costoso, no es eficiente y tiene diversos problemas.  No sólo existen temas legales en cuanto a ceder la propiedad intelectual de las publicaciones. El primer problema que estoy viendo es económico, quién subsidiaría todo esto.  También otro tema es la garantía de calidad científica, cómo se organizaría la evaluación entre pares para este tipo de publicaciones ya que los editores actuales de las revistas concentran la publicación de la información y envían los artículos recibidos a un comité evaluador de expertos (referato).

De hecho, en Argentina existe la Ley 26.899 de Creación de Repositorios Digitales Institucionales de Acceso Abierto, que establece que todas las instituciones científicas que reciban financiamiento del Estado Nacional deben crear repositorios digitales accesibles.

Me parece muy adecuado, es la clave de lo que estamos hablando. La gestión del conocimiento científico debería alcanzar una democratización, porque estamos moviéndonos hacia otro tipo de organizaciones, mucho más abiertas. Estoy convencido de que la gestión del conocimiento debe estar bajo el control de los ciudadanos. Y al mismo tiempo, el conocimiento científico debe estar bajo el control de la propia comunidad científica.

Creo que existe una madurez importante en la comunidad científica para que esto sea posible, al menos con las comunidades de investigadores con las que estoy relacionado. Sin embargo, aún existen barreras de diversa índole para poder alcanzar este objetivo.

¿Qué expectativas tiene este año respecto al Tutorial que estará dictando en las Novenas Jornadas de Data Mining?

Espero que haya muchos más asistentes, aún más que el año pasado. Cada vez hay más gente interesada en este tipo de conferencias y eso es una señal muy positiva. Espero también una interacción creciente que ayude a hacer crecer el área de Open Data en la comunidad, ya que encuentro muchísimas oportunidades de colaboración entre Europa y Argentina. Creo que estos temas pueden ayudar a los participantes a cruzar una nueva frontera del conocimiento.

Más información: www.zighed.com