Saltar a contenido

Del corpus al reporte — De datos a prosa

Tienes redes, comunidades, papers clave. Ahora: cómo convertir eso en un reporte coherente que otros lean de principio a fin.

Esta guía: estructura, qué escribir en cada sección, y tips de redacción.

Alcance

  • Para alguien que ya leyó las redes y tienes anotaciones
  • Toma: 3–4 horas de redacción
  • Herramienta: Google Docs, Word, Obsidian, o Markdown + Pandoc
  • Salida: Documento de 8–15 páginas, legible

La estructura (template)

1. RESUMEN EJECUTIVO (1 página)
2. INTRODUCCIÓN (1–2 páginas)
3. METODOLOGÍA (1 página)
4. MAPEO DEL CAMPO (3–5 páginas)
5. TENDENCIAS E INFLUENCIA (2–3 páginas)
6. TENSIONES Y DEBATES (2–3 páginas)
7. CONCLUSIONES (1–2 páginas)
8. REFERENCIAS (autogenerado)

Total: 12–20 páginas

1. RESUMEN EJECUTIVO

Largo: 1 página. Escritura: densísima, sin fluff.

Qué incluir:

  • Pregunta de investigación (1 frase)
  • Metodología en 1 línea: "SOTA de X papers, 3 redes, PRISMA curation"
  • 3 hallazgos principales (bullet points)
  • Conclusión de 1 frase

Ejemplo

Pregunta: ¿Cuál es el estado del arte en recuperación de información multilingüe?

Método: Corpus de 250 papers (2015–2024) desde OpenAlex, curado con PRISMA, analizado con 3 redes bibliométricas.

Hallazgos: - El campo tiene 3 enfoques dominantes: estadístico, vectorial, neuronal. Los tres coexisten sin consenso. - Papers influentes (clásicos) son del 2008–2013; nuevos líderes emergentes post-2019 con enfoque neuronal. - Hay un hueco: recuperación multilingüe en contextos de baja disponibilidad de datos.

Conclusión: El campo está en transición de enfoques estadísticos a neurales, pero cada enfoque tiene ventajas sin resolver.

2. INTRODUCCIÓN

Largo: 1–2 páginas. Propósito: planta el contexto y la pregunta.

Estructura:

  1. Hook: Por qué el tema importa (1–2 frases)
  2. Contexto: Dónde cae este tema en la disciplina (3–4 frases)
  3. Pregunta de investigación: Explicitada (1 frase)
  4. Scope: Qué cubre este SOTA y qué no (1 frase)

Ejemplo

Hook: La recuperación de información (IR) es fundamental para cualquier herramienta de búsqueda, pero el contexto multilingüe agrega complejidad: vocabularios diferentes, grammatical structures, y semánticas culturales.

Contexto: Históricamente, IR se basaba en matching estadístico (TF-IDF). Los últimos 10 años vieron un giro hacia embeddings y modelos neurales. En contextos multilingües, esto es aún más reciente.

Pregunta: ¿Cuáles son los enfoques dominantes en IR multilingüe hoy, cuáles son sus tensiones, y qué queda sin explorar?

Scope: Analizamos papers 2015–2024 en ingles; enfoque: métodos y frameworks (no aplicaciones específicas).

3. METODOLOGÍA

Largo: 1 página. Propósito: reproducibilidad.

Incluir:

  • Ecuación de búsqueda (cópiala)
  • Rango de años y fuente (OpenAlex)
  • Criterios PRISMA (en una frase por fase)
  • Corpus final: # papers, rango años
  • Redes construidas (acoplamiento, co-citación, co-autoría)
  • Tool: bib2graph

Ejemplo

Búsqueda: "(information retrieval OR search OR IR) AND (multilingual OR cross-lingual) AND (method OR approach OR framework)" en OpenAlex, años 2015–2024.

Curation: PRISMA de 4 fases. - Identificación: duplicados, retractados, no-inglés → rejected - Cribado: título + abstract relevancia → rejected - Elegibilidad: texto completo accesible → candidate - Inclusión: relevancia alta → accepted

Corpus: 315 papers buscados → 250 tras curación PRISMA → 245 aceptados + 5 candidatos. Años: 2015–2024 (con 3 foundational 2008–2010).

Redes: Acoplamiento bibliográfico (comunidades), co-citación (influentes), co-autoría (colaboraciones). Herramienta: bib2graph v0.3 + Louvain clustering (resolution=1.0).

4. MAPEO DEL CAMPO

Largo: 3–5 páginas. Propósito: mostrar la estructura del campo.

Estructura:

  1. Tabla de comunidades (1 página)

  2. Comunidad | Keywords | Top papers | Descripción

  3. Descripción de cada comunidad (1–2 párrafos por comunidad, máx 3–4 comunidades)

  4. Figura: Red coloreada (inserta el PNG de la red de acoplamiento)

Ejemplo — Tabla

Comunidad Keywords Top Papers Enfoque
Estadístico TF-IDF, probabilistic, language model [Smith 2008], [Brown 2010] Ranking por frecuencia de términos
Vectorial embedding, word2vec, LSA, similarity [Mikolov 2013], [Pennington 2014] Espacios semánticos densos
Neuronal neural network, transformer, BERT, attention [Vaswani 2017], [Devlin 2019] Aprendizaje de representaciones

Ejemplo — Prosa

Enfoque Estadístico: 85 papers, principalmente 2015–2018. Usan modelos probabilísticos (HMM, LM) y ranking por frecuencia (TF-IDF). Ventaja: eficiencia, interpretabilidad. Desventaja: no captura semántica. Papers influyentes: Smith et al (2008), Brown et al (2010).

Enfoque Vectorial: 92 papers, principalmente 2013–2020. Generan embeddings densos (word2vec, FastText) y miden similaridad coseno. Ventaja: captura semántica, escalable. Desventaja: computacionalmente costoso, menos interpretable. Transición: muchos papers de 2015–2017 vuelven a embeddings, desafiando TF-IDF.

Enfoque Neuronal: 68 papers, principalmente 2017–2024. Transformers (BERT, mBERT para multilingüe). Ventaja: SOA performance. Desventaja: black box, caro. Emergente: multilingüe especializado (XLM-R).

Dinámicas: Los 3 enfoques coexisten sin desplazamiento total. Hay papers híbridos (probabilístico + neural). Frontera sin explorar: eficiencia en contextos de baja disponibilidad de datos.

Qué evitar

❌ "Enfoque A es mejor que enfoque B."
→ Los 3 conviven, cada uno tiene trade-offs.

✅ "Enfoque A prioriza X, enfoque B prioriza Y. Entran en tensión sobre Z."

5. TENDENCIAS E INFLUENCIA

Largo: 2–3 páginas. Propósito: mostrar evolución temporal y actores clave.

Incluir:

  1. Gráfico temporal: # papers/año por comunidad
  2. Shift de enfoque: cuál crecía, cuál decrecía
  3. Papers y autores influyentes: top 10 por co-citación
  4. Labs líderes: qué universidades/labs dominan (co-autoría)
  5. Emergentes: keywords o autores con crecimiento exponencial últimos 3 años

Ejemplo

Evolución temporal: 2015–2017 fue era "vectorial" (92 papers, 60% de nuevos). 2018–2020, equilibrio. 2021–2024, giro a neuronal (68% nuevos). Estadístico declina (5% nuevos en 2024).

Influyentes globales: Smith et al (2008) sigue siendo más citado, pero Vaswani et al (2017) "Attention is All You Need" alcanzó en 2022. Post-2020, mBERT (Google) es hub de co-citación en multilingüe.

Labs líderes: Stanford (25 papers), Google Brain (18), FAIR (15). Colaboración: Google + Stanford (12 co-author papers). FAIR aislado (pocas colaboraciones externas).

Emergentes: Keyword "low-resource" crece 3x desde 2020. Autores nuevos en este sub-tema. Nuevas partnerships: Google + universidades en Asia (multilingüe sobre lenguas de baja disponibilidad).

Cómo pedírselo a tu asistente

Si estás operando bib2graph vía un asistente de IA, no necesitas calcular esto a mano. Pídeselo directamente:

Muestra:
- Gráfico de # papers/año en el corpus, y cómo cambiaron las comunidades
  (% de papers) año a año. ¿Hay una comunidad que crecía y ahora decrece?
  ¿Hay una emergente (crecimiento exponencial últimos 3 años)?

Top 10 autores por:
- Cantidad de papers (productividad)
- Grado en la red de co-citación (influencia)
- Betweenness (actúan de "puente" entre comunidades)

Mirando las 3 redes, identifica:
- Comunidades o autores que no se conectan entre sí (fronteras vacías)
- Combinaciones de keywords que NO aparecen (gaps)

Co-autoría: top 10 instituciones por cantidad de papers y colaboraciones externas.

6. TENSIONES Y DEBATES

Largo: 2–3 páginas. Propósito: tensiones = investigación activa.

Qué es una tensión: Dos enfoques dicen cosas opuestas o incompatibles.

Estructura: Para cada tensión:

  1. Nombre (Eficiencia vs. Precisión)
  2. Quién está de cada lado (Enfoque A vs. Enfoque B)
  3. Por qué divergen (Presupuestos, objetivos, contexto)
  4. Ejemplo concreto (Paper A dice X, Paper B dice ¬X)
  5. Estado actual (Se resolvió? Abierto? Evolucionó?)

Ejemplo

Tensión 1: Interpretabilidad vs. Performance

  • Lado A (Estadístico): Un modelo entendible es mejor. TF-IDF, si devuelves top 5, puedo explicar por qué.
  • Lado B (Neuronal): Performance > interpretabilidad. Si BERT devuelve 99% accuracy, ¿importa que sea black box?
  • Ejemplo: Smith (2010) "Statistical IR is superior for transparent systems". Devlin (2019) "BERT outperforms all baselines", no explora interpretabilidad.
  • Estado: Abierto. Hay intentos de interpretable neural (attention visualization), pero la mayoría ignora esto.

Tensión 2: Escalabilidad vs. Contexto

  • Lado A: Escalable a millones de documentos (vectorial, estadístico).
  • Lado B: Contexto fino, semantic precision (neuronal, aunque lento).
  • Ejemplo: Google's neural retrieval es 10x más lento que TF-IDF, por eso siguen usando TF-IDF en producción.
  • Estado: En evolución. Recientes (2023–2024) buscan solución: retrieval neuronal comprimido (destilación).

7. CONCLUSIONES

Largo: 1–2 páginas. Propósito: síntesis + implicaciones.

Estructura:

  1. Síntesis de hallazgos: qué vimos en el mapa
  2. Implicaciones: qué significa para investigación futura
  3. Huecos: qué no existe, qué falta
  4. Recomendación: si fueras investigador, dónde irías

Ejemplo

Síntesis: El campo de IR multilingüe está en transición. Tres enfoques coexisten: estadístico (maduro, eficiente, interpretable), vectorial (en declive, pero servicios web lo usan), neuronal (ascendente, SOA, caro). No hay consenso de paradigma.

Para futura investigación: Hay dos caminos abiertos. 1. Resolver Interpretabilidad en modelos neurales multilingües. 2. Explorar IR eficiente en lenguas de baja disponibilidad (hueco claro).

Huecos principales: - No hay estudios comparativos rigurosos de los 3 enfoques en el mismo benchmark multilingüe. - Contextos code-switching (mezcla de lenguas) es casi inexplorado. - Retrieval offline/sin internet: abandonado por la industria.

Recomendación: Si entrás al campo hoy, sugiero: caracterizar la brecha de eficiencia en multilingüe (hay plata aquí), o resolver low-resource (hay impacto social + papers de alto valor).

Tips de redacción

1. No expliques QUÉ, explica QUÉ SIGNIFICA

❌ "Paper A propone un método estadístico usando TF-IDF para IR. Paper B propone redes neurales."

✅ "Paper A (estadístico) y Paper B (neural) entran en tensión sobre trade-off entre eficiencia e inteligencia. A es rápido, B es inteligente."

2. Las figuras NO hablan solas

Cada figura necesita: - Título claro - Leyenda que explique qué ves - 2–3 frases de texto que señalen qué observar

❌ Figura: Red coloreada (sin leyenda)

✅ Figura 1: Red de acoplamiento bibliográfico. Nodos = papers. Líneas = referencias compartidas (acoplamiento). Colores = comunidades (Louvain). Observar: la comunidad azul (estadístico) es densa pero aislada; la roja (neuronal) es más dispersa pero conecta todas las demás.

3. Transiciones entre secciones

Conectá secciones:

[...fin de Metodología]
"Con este corpus de 245 papers, ahora examinamos la estructura del campo.

[Inicio de Mapeo del Campo]
El análisis de acoplamiento bibliográfico revela 3 comunidades principales..."

4. Cita los papers

Cuando menciones una idea, cita: (Smith et al, 2008). Esto hace el texto reproducible.

5. Redacta para que entienda alguien fuera del tema

No asumas jerga. Explica conceptos:

❌ "TF-IDF es el baseline obvio."

✅ "TF-IDF (Term Frequency-Inverse Document Frequency) es un scoring que ranquea documentos por términos raros en el corpus (raro = más informativo). Es eficiente pero no entiende significado."

Herramientas de escritura

  • Google Docs: Colaboración, comentarios, fácil de compartir. Exportá a DOCX.
  • Markdown + Pandoc: Control total, versionable con git, exportá a PDF/DOCX.
  • Obsidian: Bueno para notas conectadas, integra con Zotero.
  • Word: Si necesitás templates corporativos.

Checklist de escritura

  • [ ] Resumen ejecutivo: 3 hallazgos clave en 5 frases
  • [ ] Introducción: pregunta clara, scope explícito
  • [ ] Metodología: reproducible (ecuación, criterios, final corpus)
  • [ ] Mapeo: tabla + prosa, cada comunidad explicada
  • [ ] Tendencias: gráfico temporal + top papers/labs
  • [ ] Tensiones: 3–5 tensiones principales con ejemplos
  • [ ] Conclusiones: huecos identificados, recomendaciones futuras
  • [ ] Figuras: todas con leyendas claras + 2–3 frases de interpretación
  • [ ] Redacción: sin jerga sin explicar, citas presentes, transiciones claras

Guarda y versiona tus artefactos

Si trabajaste con un asistente de IA: su entorno de ejecución es efímero. Antes de cerrar la conversación, descarga corpus.parquet (o el .duckdb), los .graphml de cada red, el clusters.csv (papers → comunidad) y tu reporte final. Guárdalos juntos en una carpeta: sota-[tema]-[fecha]/.

Si trabajaste con bib2graph localmente: exporta y versiona con git:

b2g export --format graphml
b2g export --format csv

git add .
git commit -m "SOTA: [tu tema] — corpus, redes, reporte"

Esto es lo que hace tu SOTA reproducible: alguien (incluida tu versión futura) puede volver a la misma ecuación y llegar a las mismas redes.

Siguiente

Cuando termines el reporte: - Comparte para feedback (peer-review light) - Itera: ¿hay tensiones sin explicar? ¿hay huecos claros? - Publica o presentá (conferencia, seminario, blog)