Métodos estadísticos para el análisis de anotaciones

Título original:

Statistical Methods for Annotation Analysis

Contenido del libro:

El etiquetado de datos es una de las actividades más fundamentales de la ciencia y ha sustentado la práctica, especialmente en medicina, durante décadas, así como la investigación en lingüística de corpus desde al menos el desarrollo del corpus Brown. Con el cambio hacia el aprendizaje automático en Inteligencia Artificial (IA), la creación de conjuntos de datos para el entrenamiento y la evaluación de sistemas de IA, también conocidos en IA como corpus, se ha convertido también en una actividad central en este campo.

Los primeros conjuntos de datos de IA se crearon ad hoc para abordar problemas específicos. A medida que se fueron creando conjuntos de datos más grandes y reutilizables, que requerían una mayor inversión, surgió la necesidad de un enfoque más sistemático de la creación de conjuntos de datos para garantizar una mayor calidad. Se adoptó una serie de métodos estadísticos, a menudo pero no exclusivamente procedentes de las ciencias médicas, para garantizar que las etiquetas utilizadas no fueran subjetivas, o para elegir entre diferentes etiquetas proporcionadas por los codificadores.

En la actualidad se utiliza habitualmente una gran variedad de estos métodos. Este libro pretende ofrecer una panorámica de los más utilizados entre estos métodos estadísticos de apoyo a la práctica de la anotación.

Hasta donde saben los autores, es el primer libro que intenta abarcar las dos familias de métodos de uso más extendido. La primera familia de métodos se ocupa del desarrollo de esquemas de etiquetado y, en particular, de garantizar que dichos esquemas sean tales que pueda observarse un acuerdo suficiente entre los codificadores.

La segunda familia incluye métodos desarrollados para analizar los resultados de los codificadores una vez que se ha acordado el esquema, en particular, aunque no exclusivamente, para identificar la etiqueta más probable para un elemento entre las proporcionadas por los codificadores. Este libro se centra principalmente en el Procesamiento del Lenguaje Natural, el área de la IA dedicada al desarrollo de modelos de interpretación y producción del lenguaje, pero muchos, si no la mayoría, de los métodos que aquí se discuten también son aplicables a otras áreas de la IA o, de hecho, a otras áreas de la Ciencia de Datos.