No todo lo que brilla es un Large Language Model: Procesamiento del lenguaje natural y minería de textos en la gestión de repositorios digitales

Abstract

La exposición explora el papel del Procesamiento del Lenguaje Natural (PLN) y la Minería de Textos en la gestión y análisis automatizado de la información en repositorios digitales. A partir de una revisión conceptual y técnica, se distinguen nociones fundamentales —como minería de datos, análisis automático de textos y aprendizaje automático— y se presentan sus vínculos con la curaduría y enriquecimiento de metadatos. Se explican los principios de las redes neuronales y la arquitectura de los modelos de lenguaje, con especial énfasis en los modelos tipo Transformer (BERT, GPT) y en procesos como el fine tuning y los embeddings como representaciones vectoriales del significado. El trabajo propone una lectura crítica del entusiasmo actual por la IA generativa, recordando que el uso de estas tecnologías debe acompañarse de criterio, comprensión de sus limitaciones y de la importancia del rol de los curadores de datos. Asimismo, se presentan experiencias aplicadas en el entorno PREBI-SEDICI, como la detección automática de idiomas, la clasificación automática de materias, y el desarrollo de arquitecturas de computación minimalista basadas en CMS estáticos e integraciones con OpenSearch y DSpace API. Finalmente, se plantea que la IA no constituye un fin en sí misma, sino una herramienta más dentro de un paradigma en constante cambio, en el cual la reflexión crítica y la interoperabilidad siguen siendo fundamentales para la ciencia abierta y la gestión del conocimiento digital.

A apresentação explora o papel do Processamento de Linguagem Natural (PLN) e da Mineração de Textos na gestão e na análise automatizada da informação em repositórios digitais. A partir de uma revisão conceitual e técnica, distinguem-se noções fundamentais — como mineração de dados, análise automática de textos e aprendizado de máquina — e examinam-se suas relações com a curadoria e o enriquecimento de metadados. São explicados os princípios das redes neurais e da arquitetura dos modelos de linguagem, com ênfase especial nas abordagens baseadas em Transformer (BERT, GPT) e em processos como fine-tuning e embeddings como representações vetoriais de significado. O trabalho propõe uma leitura crítica do entusiasmo atual em torno da IA generativa, destacando que o uso dessas tecnologias deve ser acompanhado de discernimento, compreensão de suas limitações e reconhecimento do papel fundamental dos curadores de dados. A apresentação também discute experiências aplicadas no âmbito da Direção PREBI–SEDICI, incluindo detecção automática de idiomas, classificação automática de assuntos e o desenvolvimento de arquiteturas de computação minimalista baseadas em CMS estáticos e integrações com OpenSearch e a API do DSpace. Por fim, sustenta-se que a IA não constitui um fim em si mesma, mas sim uma ferramenta dentro de um paradigma em constante evolução, no qual a reflexão crítica e a interoperabilidade permanecem essenciais para a ciência aberta e a gestão do conhecimento digital.

The talk explores the role of Natural Language Processing (NLP) and Text Mining in the management and automated analysis of information in digital repositories. Based on a conceptual and technical review, it distinguishes fundamental notions—such as data mining, automated text analysis, and machine learning—and examines their relationship with metadata curation and enrichment. The principles of neural networks and the architecture of language models are explained, with particular emphasis on Transformer-based approaches (BERT, GPT) and on processes such as fine-tuning and embeddings as vector representations of meaning. The work offers a critical reading of the current enthusiasm surrounding generative AI, stressing that the use of these technologies must be guided by informed judgment, awareness of their limitations, and recognition of the crucial role of data curators. The presentation also discusses applied experiences within the PREBI–SEDICI Office, including automatic language identification, automatic subject classification, and the development of minimalist computing architectures based on static CMS solutions and integrations with OpenSearch and the DSpace API. Finally, it argues that AI is not an end in itself, but rather one tool within a constantly evolving paradigm in which critical reflection and interoperability remain essential to open science and the management of digital knowledge.