������������������������������������������������������������������������������������������������������������������������������������������������������������

���������������������������������������������������������������������������������

 

Modelos probabil�sticos� IA del procesamiento de lenguaje natural�� en conversaciones� de personas contagiadas con Covid-19

 

Probabilistic AI models of natural language processing in conversations of people infected with Covid-19

 

Modelos probabil�sticos de IA de processamento de linguagem natural em conversas de pessoas infectadas com Covid-19

 

 

 

�������������������������������������������������������������������������������������������������������������

 

 

 

 

 

 

 

 

Correspondencia: Lady_tapia@hotmail.com

 

Ciencias de la Salud

Art�culos de investigaci�n

 

*Recibido: 16 de julio de 2021 *Aceptado: 30 de agosto de 2021 * Publicado: 08 de septiembre de 2021

        I.            Mag�ster en Sistemas de Informaci�n Aplicada; Mag�ster Universitario en ingenier�a de software y sistemas inform�tico, Guayaquil, Ecuador.

      II.            Ingeniero en Sistemas Inform�ticos; Magister Universitario en ingenier�a de software y sistemas inform�tico; Docente Universidad T�cnica Luis Vargas Torres de Esmeraldas.

   III.            Mag�ster en Sistemas de Información Gerencial; Magister en Docencia y Gerencia en Educación Superior; Diploma Superior en Diseño Curricular por Competencias; Ingeniera en Computación; Docente Universidad de Guayaquil, Guayaquil, Ecuador.

    IV.            Mag�ster en Sistemas de Información Gerencial; Magister en Administración de Empresas; Ingeniero en Computación; Docente Universidad de Guayaquil, Guayaquil, Ecuador.

Resumen

El Procesamiento del Lenguaje Natural que en ingl�s se lo identifica como NLP es una de las ramas de la Inteligencia Artificial, donde los ordenadores son programables para simular la comunicaci�n entre la m�quina y la lengua humana, en nuestro caso se pretendi� ofrecer un aplicativo que realice una conversaci�n textual m�vil dirigido a un sector vulnerable de la zona 8 en vista que existe la necesidad de otorgar informaci�n de buenos h�bitos de higiene cuando�� se encuentran� con covid-19, sobre el dimensionado o sub dimensionado con la ambiguedad del lenguaje a�n es un gran problema de tratar� sin embargo en el planteamiento actual se� enfatiza el avance de resultados de la primera fase de la investigaci�n, teniendo como objetivo� la identificaci�n de los �modelos para lenguaje de procesamiento natural� en las conversaciones textuales de personas contagiadas de covid-19, en ello se presenta tablas comparativas, donde se aplic� una metodolog�a de un m�todo de la recopilaci�n documental, una revisi�n de an�lisis de los diferentes modelos para ese procesamiento de lenguaje natural, conociendo donde el lenguaje puede ser tratada por el dispositivo m�vil, de esta manera el resultado de� reconocer� fue la combinaci�n de varios modelos del TRIGRAN y el perplejidad, que permiten la probabilidad estimada de una secuencia de palabras, la cual nos optimiza el tiempo de respuesta del mismo ya que calcula la probabilidad condicionada, disminuyendo la confusi�n del texto, con la aplicaci�n de un corpus de entrenamiento.

Palabras claves: Procesamiento de lenguaje natural; corpus; modelo para nlp; trigram; perplejidad.

 

Abstract

The Natural Language Processing that in English is identified as NLP is one of the branches of Artificial Intelligence, where computers are programmable to simulate the communication between the machine and the human language, in our case it was intended to offer you an application that performs a mobile text conversation directed to a vulnerable sector of zone 8 in view of the need to provide information on good hygiene habits when they encounter covid-19, on the dimensioning or undersizing with the ambiguity of the language is still a great However, the current approach emphasizes the advancement of the results of the first phase of the research, aiming at the identification of models for natural processing language in the textual conversations of people infected with covid-19. Comparative tables are presented, where a methodology of a document collection method was applied. Thus, a review of the analysis of the different models for that natural language processing, knowing where the language can be treated by the mobile device, in this way the result of recognizing was the combination of several models of TRIGRAN and perplexity, which allow the estimated probability of a sequence of words, which optimizes its response time since it calculates the conditional probability, reducing the confusion of the text, with the application of a training corpus.

Keywords: Natural language processing; corpus; model for nlp; trigram; perplexity.

 

Resumo

O Processamento de Linguagem Natural que em ingl�s � identificado como PNL � um dos ramos da Intelig�ncia Artificial, onde os computadores s�o program�veis ​​para simular a comunica��o entre a m�quina e a linguagem humana, no nosso caso pretendia-se oferecer um aplicativo que realizasse um mobile conversa de texto dirigida a um setor vulner�vel da zona 8 tendo em vista a necessidade de fornecer informa��es sobre bons h�bitos de higiene quando se deparam com covid-19, sobre o dimensionamento ou subdimensionamento com a ambig�idade da l�ngua ainda � um grande. No entanto, a abordagem atual enfatiza o avan�o dos resultados da primeira fase da pesquisa, visando a identifica��o de modelos de processamento natural da linguagem nas conversas textuais de pessoas infectadas com covid-19. S�o apresentadas tabelas comparativas, onde foi aplicada uma metodologia de m�todo de coleta de documentos . l, uma revis�o da an�lise dos diferentes modelos para aquele processamento de linguagem natural, sabendo onde a linguagem pode ser tratada pelo dispositivo m�vel, desta forma o resultado do reconhecimento foi a combina��o de v�rios modelos de TRIGRAN e perplexidade, que permitem a probabilidade estimada de uma sequ�ncia de palavras, o que otimiza seu tempo de resposta, pois calcula a probabilidade condicional, reduzindo a confus�o do texto, com a aplica��o de um corpus de treinamento.

 

Keywords: Processamento de linguagem natural; corpus; modelo para nlp; trigrama; perplexidade.

 

Introducci�n

En 1940 inici� su funcionamiento la primera bomba criptol�gica inglesa en Bletchley Park, inventada por Allan Turing, llamada el Proyecto Ultra o Bomba de Turing, con la cual se logr� interpretar los mensajes cifrados por la marina alemana quienes aplicaban el esquema de cifrado Enigna con la variante delf�n, la cual fue de mucha ayuda en la segunda guerra mundial (Morales-Luna, 2013), luego de varios acontecimientos referentes a la relaci�n del lenguaje y el pensamiento, la teor�a de Chomsky emitida en 1957 seg�n el enfoque ling��stico, permanece vigente a pesar de sus detractores, ya que en los �ltimos 60 a�os ha sido uno de los fundamentos acad�micos m�s importantes para comprender la mente, y es actualmente contin�a siendo una de las explicaciones m�s influyentes sobre c�mo los seres humanos adquirimos, y producimos el lenguaje. (Birchenall� & M�ller, 2014)

El entendimiento del lenguaje, y su correspondiente procesamiento de textos de forma� conversacional ha sido un problema de investigaci�n desde los a�os 50s hasta la actualidad, sin embargo hoy en d�a se cuenta con la rama de la Inteligencia Artificial (IA), denominada Procesamiento de Lenguaje Natural (PLN, o NLP en ingl�s), la cual se espera permita impulsar la ling��stica computacional aplicada en lenguaje verbal y/o en lenguaje textual.

En la actualidad existen dos grandes desaf�os al momento de procesar textos, los cuales son:

�

�         La ambig�edad y

�         La dimensionalidad del lenguaje

 

Estos aspectos hacen que el proceso de NLP se transforme en un problema complejo, puesto que la combinaci�n entre Ciencia de Datos� y Ling��stica Computacional.

Mientras que la Ciencia de Datos permite recopilar, analizar, deducir informaci�n, apoyada en el aprendizaje autom�tico, la ling��stica computacional permite la comprensi�n y la elaboraci�n de contenidos en lenguajes nativos. Ambos componentes tornan compleja la b�squeda de un modelo que sea el m�s adecuado para el procesamiento, interpretaci�n y utilizaci�n automatizada del Lenguaje. (Egea, 2019)

El presente trabajo, busca realizar la revisi�n de modelos disponibles en PLN, con la finalidad de identificar el algoritmo, t�cnica y entrenamiento adecuados, disponibles en las t�cnicas de machine learning, enfocados al an�lisis del lenguaje textual.

Por otra parte, entre los niveles del procesamiento de Lenguaje Natural se tiene el morfol�gico, sint�ctico, sem�ntico, pragm�tico.� Se revis� el desarrollo de cada uno as� como la clasificaci�n de NLP, dos modelos son esenciales en el procesamiento de lenguaje natural, el l�gico (basado en gram�tica) y el probabil�stico (basado en los datos) (Egea, 2019).

En este documento se desarrolla en el estudio de los datos en el an�lisis de un corpus, es decir en el modelo para NLP probabil�stico, para ello es fundamental tomar el lenguaje como objeto de estudio y la comprensi�n del mismo como un proceso complejo en que intervienen gigantes cantidades de datos, en los que se descubrir�n contenidos mediante mecanismos de tratamientos variados. Se procesar�n conversaciones textuales relacionadas a la pandemia covid-19 en Ecuador, con el modelo identificado aplicable a NLP.� Esta primera etapa de la investigaci�n busca establecer el punto de partida para la fase 2, en la que se propone implementar un algoritmo mejorado con agentes virtuales optimizados utilizables en dispositivos m�viles (Guaman et al., 2020).

Como parte de la primeras actividades se encuentra la de generar, conseguir o seleccionar el Dataset adecuado basado en conversaciones textuales obtenidas de ecuatorianos que fueron contagiados por Covid-19, por tal raz�n se ha considerado varias estrategias para la obtenci�n de esa data, entre ellas se ha optado por la utilizaci�n de las bondades disponibles en redes sociales, en este estudio se eligio twitter, empleada en otras investigaciones por la disponibilidad la API de Twitter utilizable desde programas creados en Python o R, que permiten la contar con una interfaz que apoya al proceso ETL (Twitter, 2017). al permitir contar con la etapa de Extracci�n (E) o toma de conversaciones, viabilizando as� la posterior etapa que consiste en el tratamiento o transformaci�n (T) de la data y carga (L de Load) al repositorio de destino (Mutlu et al., 2020).

Fundamentos de la Inteligencia Artificial

Entre los acontecimiento m�s relevantes de la evoluci�n de la IA se identifican los siguientes:

Or�gen IA en la Filosof�a (428 a.C)

La formulaci�n del conjunto de precisi�n de leyes que explicaban la parte racional de la inteligencia fue de Arist�teles entre los 384-322 a.C.

La formulaci�n informal para razonar acertadamente con silogismo comprende en la argumentaci�n estructurada, puesto que antes del siglo 19 era por conclusiones, por premisas. Por lo que Ram�n Lull dio a conocer que ese razonamiento (Su�rez, 2014) funcionaba mejor a trav�s del uso de� medios artificiales.

Seg�n Orozco-Echeverri(2009), indic� que Thomas Hobbes se�al� como propuesta que el razonamiento era la computaci�n num�rica. Incluso Leonardo da Vinci (Valencia Giraldo, 2000) solo dise�� una calculadora mec�nica donde en la actualidad se ha demostrado que era funcional ya que alrededor de 1623 se construyo la maquina calculadora por Wilhelm Schickard pero la pascalina fue creada en 1642 por Blaise Pascal (Reckoner, 1930), en esa �poca Gottfried Wilhelm Libniz cre� el dispositivo mec�nico� la cual pose�a limitaciones.

Entre los a�os 1596 a 1650 surge la primera discusi�n clara acerca de la diferencia entre la mente y la materia� (Russell, 2004), adem�s de los problemas que suscitan, en aquella �poca se dec�a que los pensamientos eran gobernados, por lo cual en el transcurso del tiempo se presentan discusiones como:

�         El Dualismo

�         El Materialismo

�         El Movimiento Emp�rico

�         La Inducci�n

�         El Positivismo L�gico

�         Las Sentencias de Observaci�n

�         La Teor�a de Conformaci�n

Luego del concepto de la l�gica aparece el pensamiento del primer algoritmo, aunque en la l�gica de primer orden no era posible capturar principios de inducci�n matem�tica de la caracterizaci�n de los n�meros naturales debido a que el teorema de la incompletitud demostr� las propiedades de los n�meros naturales (Da Silva, 2014).

 

Por otra parte, aparecen las �Aseveraciones Verdaderas� las cuales sostienen que no era posible decidir la validez de algunas funciones con n�meros enteros indicando que no es posible ser representada por algoritmos, por tal raz�n esas funciones que son realizadas con n�meros enteros no permit�an calcular por lo que esta situaci�n llev� a Alan Turing (1912-1954) a� tomar en cuenta caracter�sticas que conlleven a las funciones a ser caracterizadas, a ra�z de esta idea surge la m�quina de Turing en 1936, la cual era capaz de realizar los c�lculos de funciones computables. El creador de la m�quina indic� con frontalidad que la m�quina no pod�a decidir por lo que surgi� la noci�n de intratabilidad, en 1971 surge la teor�a de la NP-completitud generada por Steven Cook��� (Vanoye, 2008).

En el a�o 1929 aparece la tercera aportaci�n de las matem�ticas a la IA, la teor�a de la probabilidad por Geolamo Cardano, siendo el primero en proponer la idea en el mundo de las matem�ticas (Pellicer, 2007).

En la econom�a el pensamiento surgi� (Smith, 1776) en la que se combina la teor�a de la decisi�n con la teor�a de la probabilidad, en aquella �poca era tan emocionante realizarla para luego adecuarla con la teor�a de los juegos.

La aparici�n de la neurociencia en el a�o 1861, enfocado o apoyado el estudio del sistema neurol�gico en especial del cerebro.

En cambio en el a�o de 1879 aparece la psicolog�a cient�fica por el alem�n Hermann Von (Abrego Almaz�n et al., 2017)

En los a�os de 1940 aparece la ingenier�a computacional, donde se conoce que para ello se necesita combinar el artefacto y la inteligencia, lo que ser�a llamado el ordenador, el cual fue empleado en la segunda guerra mundial constituy�ndose en el primer computador operacional de los 40s con la finalidad de descifrar mensajes alemanes.

Claro est� que antes de la aparici�n de computadoras ya hab�an dispositivos creados para realizar c�lculos, la aparici�n de m�quinas autom�ticas, programables puede remontarse a 1805 donde se crea una m�quina para la elaboraci�n de un telar, en 1822 tenemos la m�quina diferencias y 1837 la m�quina anal�tica ambas propuestas de Babbage (Giudice, 2001) (Merodio, 2020), en los recientes a�os por su parte la Inteligencia Artificial ha proporcionado ayuda a los seres humanos en m�ltiples frentes o disciplinas, una de ellas es su presencia en los sistemas operativos con IA, los lenguajes de programaci�n con IA, Asistentes Virtuales, Seguridad,� Reconocimiento de im�genes en fotos, videos, entre otras numerosas aplicaciones (Libertad Digital, 2018) (ENAE, 2021).

En el a�o 1948 donde Norbert Wiener plante� la teor�a de control y retroalimentaci�n, dando paso a la ciencia de la cibern�tica, plasmando sus ideas en la creaci�n de la primera m�quina autocontrolada.

En el a�o 1957 algunos autores demostraron inter�s por el estudio del Aprendizaje del Lenguaje, entre ellos Chomsky quien propone un estudio a trav�s del enfoque ling��stico, cuyos inicios se remontan a los modelos sint�cticos de la ling��stica de Panini en el a�o 350 a.C.

Origen del Procesamiento de Lenguaje Natural (PLN o NLP)

En el a�o de 1957 se present� la complejidad del entendimiento del lenguaje, se encontr� lo complicado que era comprender el contexto con el contenido de la materia. Por tal raz�n el nacimiento del Procesamiento de Lenguaje Natural est� bajo la ling��stica computacional o procesamiento del lenguaje natural (Gomez, 2019).

Est� en el �rea multidisciplinaria de la ling��stica computacional contiene clasificaciones como son:

�         La Comprensi�n del Lenguaje Natural con sus siglas en ingl�s NLU

�         La Generaci�n del Lenguaje Natural con sus siglas en ingl�s es NLG

Definici�n Procesamiento de Lenguaje Natural (PLN o NPL)

En los a�os 60 revoluciono la curiosidad del contenido llamado ling��stica de corpus (Dom�nguez Burgos, 2002). Recordando que Eliza fue uno de los programas con la capacidad de realizar conversaciones de forma muy limitada con personas.

Existen algunas definiciones de procesamiento de Lenguaje Natural,� que se presentaron en los a�os 2000, una de ellas indica que el NPL es parte de la Inteligencia Artificial, y un �rea de la Ling��stica Computacional, la cual permite el estudio de la comunicaci�n entre el humano y la m�quina (Borja, 2020)

Otra definici�n� indica que el lenguaje Natural est� conformado por palabras, reglas sint�cticas, sem�nticas por el sonido de la voz, gestos que permite la comunicaci�n de los humanos (Borja, 2020)

 

 

Modelos para PLN

Existe mucha informaci�n de la Inteligencia Artificial, hoy en d�a a�n se est� investigando distintas ramas de la misma, entre ellas el�� Procesamiento de Lenguaje Natural, sobre todo por los dos grandes problemas que este procedimiento conlleva, los cuales son la ambig�edad y la dimensionalidad de los textos. Es por ello que para lograr llegar a un entrenamiento es importante conocer bajo qu� modelo se realizar�a el procesamiento, en este trabajo se reviso 2 modelos muy utilizados (Gomez, 2019)�� en diversas aplicaciones mismos que se menciona a continuaci�n:

 

�         Modelos L�gicos

�         Modelos Probabil�sticos

Estos modelos son tomados desde el conocimiento matem�tico, esto implica que es necesario tener claro los beneficios de cada modelo para realizar el an�lisis y por supuesto el tratamiento del lenguaje. En particular el desarrollo de este art�culo se enfoco en el estudio del modelo probabil�stico.

Modelo l�gicos

En los a�os 70 se presentaron� varias propuestas de arquitecturas, entre ellas el modelo de MArkov Ocultos (MMO) el cual ha tomado importancia por su interesante teor�a matem�tica, manteniendo la significancia por varias d�cadas (Angela A, 2018)

Por su parte surgen los modelos gramaticales, propuestos por ling�istas expertos quienes fueron los creadores con base a determinadas formas gramaticales, extrayendo caracter�sticas del mundo en modelo conceptual a un lenguaje l�gico (Contreras, 2001).�

Modelos probabil�stico

Son mencionados como basados en corpus, bas�ndose en datos, donde su esencia es el an�lisis de la informaci�n recopilada ling��sticamente, se pueden tomar de muchas formas como las grabaciones, registros, en la actualidad son tomados desde las conversaciones de las redes sociales, un conjunto infinitos de enunciados gramaticalmente, donde sus t�rminos, reglas gramaticales, fonemas, palabras, frases etc, donde ese lenguaje es tomado para encontrar un algoritmo que determine a qu� grupo pertenece el lenguaje, es decir que reconozca el lenguaje.

 

Para ello se es empleada con la utilizaci�n de estructura gramaticales, que pueden ser de forma secuencial como de pares o de tr�os, aqu� tambi�n se incluyen la estad�stica del uso de la regla de gram�tica. A continuaci�n se presenta el enfoque de los diferentes algoritmos probabil�sticos

 

�         N-gram

�         Unigram

�         Bigram

�         Trigram

El modelo N-gram formado por n palabras seguidas integradas en el corpus

Conversaciones de Covid-19 con personas contagiadas

El gobierno ecuatoriano declar� el estado de excepci�n en el mes de marzo del a�o 2020, con la finalidad de confinar a los ciudadanos o no ciudadano del Ecuador, debido al virus declarado en pandemia porque la contaminaci�n que era a nivel mundial, para nadie ha sido sorpresa los momentos dif�ciles que vivi� cada familia, cada clase social, y de los diferentes sectores, aunque en la econom�a del sector productivo de alimentos se benefici� por el momento presentado.

Las conversaciones se dieron por mensajer�as, por llamadas a voz, incluso resalt� el uso de las redes sociales como el tweeter.

M�todo

Para lograr identificar el modelo para el procesamiento de datos� como fase 1 de la investigaci�n se tuvo la necesidad de la recopilaci�n de fuentes bibliogr�ficas, art�culos, revistas, realizando una serie de actividades para la obtenci�n de un cuadro comparativo. Dentro de ellas se considera una 3 momentos de la FASE 1 que se detalla a continuaci�n:

Desarrollo de la FASE 1

Momento 1: Creaci�n de espacio cluster que se podr� reconectar todo el equipo investigador, con la ayuda de los contenido de la revista, ayudar� alimentar el espacio de art�culos, revistas, acad�micas, la cual son revisadas, evaluadas y seleccionadas todos aquellos contenidos de mayor relevancias, esa preparaci�n de vital importancia para la consecuci�n de la investigaci�n, obteniendo la tabla comparativa de los dos diferente modelos para PLN.

Momento 2: Creaci�n del pre-procesamiento de datos, antes de la realizaci�n del estudio de conversaciones textuales de personas contagiadas de covid-19, se cre� el OBJETIVO de proyecto, muy vital para este momento.� Una vez teniendo� la informaci�n textual de los ecuatorianos desde las redes sociales, eso permiti� la creaci�n de una mini data set que permitir� realizar el entrenamiento con el modelo escogido para PLN.

Momento 3: La obtenci�n de resultados, se crean las tablas comparativas en base a los momentos anteriores pero de los diferentes algoritmos.

El desarrollo del momento 1 no present� problema porque contamos con un equipo de buen conocimiento a la inform�tica, la creaci�n de un espacio que se pueda abarcar, crear una base donde est� la recolecci�n de diferentes fuentes de informaci�n, desde los a�os iniciales del procesamiento de lenguaje natural hasta en los a�os actuales, la herramienta permite la interacci�n con cada uno de los investigadores.

Se presenta una tabla comparativa� entre modelos (Ochoa, 2009) de los dos modelos para PLN que en la secci�n superior se transcribi� con (Dahl, n.d. 2010) y (Cerezo, 2020).

Figura 1: Conceptos comparativos de los diferentes modelos para PLN

 

En el desarrollo del momento 2, se consider� un orden a tomar para llegar a lo deseado, por lo que es importante respetar el an�lisis de lo que se va a requerir, en este caso lo primero es tener claro el objetivo del proyecto para llegar a un pre procesamiento de datos, como segundo orden es la elaboraci�n de preguntas que en este caso ser�a utilizar la herramienta de investigaci�n de formularios como tercer caso es la recolecci�n de informaci�n para que finalmente los datos sean tratados y pre procesados como primera toma que fue aproximadamente m�s de 138 personas encuestadas.

Figura 2: Datos para ser pre procesados

Desarrollo del momento 3, una vez revisado, analizado en un nivel de exhaustividad intermedia se obtiene una tabla de los diferentes modelos para PLN entre (Alberich, 2007), (Cortez, n.d, 2012.), y (Vel�zquez, 2001)�� que se presenta a continuaci�n:

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Tabla 2 Continuidad� comparativa� de los algoritmos del modelo probabil�stico

MODELO	NOMBRE	DESCRIPCION
Probabilistico	Modelo unigram	Se coloca una probabilidad P(w) a cada palabra del l�xico donde el modelo aduce� que las palabras est�n elegidas independientemente, as� que la probabilidad de una secuencia es el producto� de la probabilidad de sus palabras dada por� π P(wi). Se utiliza de manera aislada con poca frecuencia, debido a que la restricci�n de la probabilidad de una palabra no es muy �til por si sola.
Probabilistico	Modelo� bigram	Se asigna una probabilidad πP(wi/wi-1) a cada palabra dependiendo de la otra palabra anterior. Un modelo n-gram condiciona una palabra a las N - 1 anteriores, asignando una probabilidad:� πP(wi/wi-(i-1)...wi-1),� est� basado en la aproximaci�n de que una palabra es estad�sticamente dependiente de la palabra temporal anterior. Adem�s se los utiliza para reconocer el habla.
Probabilistico	Modelo� trigram	Llamados trigramas, son un caso especial del N-gram, donde N es 3. Usualmente se usan en el procesamiento del lenguaje natural para hacer el an�lisis estad�stico de los textos, son modelos utilizados para el reconocimiento del habla
PROBABILISTICO	Perplejidad	Es la probabilidad que tiene el conjunto de prueba, normalizada por la cantidad de palabras. Disminuir la perplejidad de un modelo es igual a maximizar su probabilidad total.

 

En vista que se tomar� una dataset con los datos recopilados de conversaciones textuales, el proceso indica que luego esa informaci�n son clasificados para el modelamiento, ya que ser�n analizados estad�sticamente en el habla escrito, o sea por el pensamiento, se sugiere tomar el modelo� trigram y perplejidad en las pruebas de investigaci�n de los diferentes entrenamiento.

 

 

 

Resultados

Despu�s de las revisiones medianamente exhaustivas de las diferentes fuentes de informaci�n ya sea de hace m�s de 10 a�os atr�s como de a�os recientes, se encontr� que a�n existe la problem�tica del manejo de texto por su ambig�edad y su dimensionalidad. Por tal raz�n tener claro la funcionalidad probabil�stica de los diferentes modelos para PLN fue esencial, dando a conocer que existe modelo n-gram, unigram, bigram, trigram y el de� perplejidad. Esto se aplicar�a en� un an�lisis estad�stico, en� datos que fueron tomados de la data set de m�s� de 138 personas que compartieron sus experiencias cuando fueron contagiados con covid-19 .

 

Referencias

1. Alberich, M. (2007). Procesamiento del Lenguaje Natural - Gu�a Introductoria. Gu�a Introductoria, 27. https://www.cs.us.es/cursos/ia2/temas/tema-06.pdf��
2. Vel�zquez, J, S (2001, agosto 13). An�lisis Robusto en Sistemas Conversacionales con Iniciativa Mixta. Disponible en http://catarina.udlap.mx/u_dl_a/tales/documentos/msp/velazquez_s_j/
3. Borja, M, Q. (2020). An�lisis de las Herramientas de Procesamiento de Lenguaje Natural para estructurar textos m�dicos. https://dadun.unav.edu/handle/10171/60003
4. Contreras, H. Z. (2001). Procesamiento del Lenguaje Natural basado en una �gram�tica de estilos� para el idioma espa�ol. Facultad de Ingenier�a, Colombia, Universidad de Los Andes., 54. http://www.saber.ula.ve/bitstream/123456789/13157/1/hc_propuestatesis.pdf
5. Cortez, A. (2012). 555-Texto del art�culo-1119-1-10-20161126.pdf.
6. Dahl, V. (2010). Vista de An Introduction to Natural Language Processing_ the Main Problems-tabala comparativa.pdf.
7. Cerezo, H, C. (2020). Contribuci�n a la Investigaci�n de Nuevos Modelos de Extracci�n de Conocimiento sobre Sistemas Big Data. Disponible en http://www.investigo.biblioteca.uvigo.es/xmlui/handle/11093/1655
8. Gomez, H, L (2019, septiembre 18). Agente conversacional para b�squeda y recomendaci�n de ofertas laborales. 177. Disponible en https://reunir.unir.net/handle/123456789/9564
9. Guaman, W. E., Pi, P. F. M.-, Sof, P., & Iv, G. (2020). Agentes Virtuales en Dispositivos M�viles Virtual Agents on Mobile Devices Agentes virtuais em dispositivos m�veis. 5(08), 544�560.Disponible en https://dialnet.unirioja.es/servlet/articulo?codigo=7554393
10. Egea, J. A. L. (2019). Gu�a para la publicaci�n. Los estados de la Inteligencia Artificial. Cap�tulo 7-2�. Procesamiento del Lenguaje Natural (PLN).https://www.researchgate.net/publication/337172055_Procesamiento_del_Lenguaje_Natural_PLN_Natural_Language_Processing_NLP

 

11. GRA�A GIL, Jorge. �T�cnicas de an�lisis sint�ctico robusto para la etiquetaci�n del lenguaje natural�. Procesamiento del lenguaje natural. N� 28 (mayo 2002), pp. 117-118. Disponible en http://rua.ua.es/dspace/handle/10045/1843
12. Mutlu, E. C., Oghaz, T., Jasser, J., Tutunculer, E., Rajabi, A., Tayebi, A., Ozmen, O., & Garibay, I. (2020). A stance data set on polarized conversations on Twitter about the efficacy of hydroxychloroquine as a treatment for COVID-19. Data in Brief, 33. https://doi.org/10.1016/j.dib.2020.106401
13. Morales-Luna, G. (2013, mayo 7). El h�roe Alan Turing: Aportaciones de la Criptolog�a a la victoria aliada en la Segunda Guerra Mundial. Dispnbible en http://cs.cinvestav.mx/~gmorales/12Enigma/enigma.pdf
14. Birchenall, L. B., & M�ller, O. (2014). La teor�a ling��stica de Noam Chomsky: del inicio a la actualidad. Lenguaje, 42(2), 417-442. Dispoible en http://www.scielo.org.co/pdf/leng/v42n2/v42n2a08.pdf
15. Twitter (2017). Reglas de automatizaci�n. Disponible en https://help.twitter.com/es/rules-and-policies/twitter-automation
16. Su�rez, A., G. (2014). La inteligencia artificial a trav�s de sus cient�ficos. Encuentros Multidisciplinares. Disponible en https://repositorio.uam.es/handle/10486/678701
17. Alberich, M. (2007). Procesamiento del Lenguaje Natural - Gu�a Introductoria. Gu�a Introductoria, 27. http://www.sopadebits.com/content/file_download/cms_file/file/58/pln-1.0-20070630.pdf
18. Da Silva, R. (2014). Los teoremas de incompletitud de G�del, teor�a de conjuntos y el programa de David Hilbert. Episteme, 34(1), 19�40.http://ve.scielo.org/scielo.php?script=sci_arttext&pid=S0798-43242014000100002
19. Orozco, S, O. (2009). Thomas Hobbes y la geometr�a del estado: anotaciones sobre el estado de naturaleza desde la historia de la ciencia. Estudios de Filosofia (Medellin), 39, 153�175. Disponible en https://revistas.udea.edu.co/index.php/estudios_de_filosofia/article/view/12680
20. Reckoner, S. (1930). Calculadoras mec�nicas. 1897.Valencia Giraldo, A. (2000). Revista Facultad de Ingenier�a. Leonardo Da Vinci. Revista Facultad de Ingenier�a Universidad de Antioquia, 7(32), 13�19. https://www.redalyc.org/html/430/43003211/%0Ahttp://redalyc.uaemex.mx/src/inicio/ArtPdfRed.jsp?iCve=11400702
21. Giudice, J. P. (2001). Complejidad y dimensiones en los estudios sobre Babbage: la m�quina anal�tica. Un an�lisis del fracaso cultural del primer proyecto de calculadora digital programable secuencialmente. Argumentos de Raz�n T�cnica, 2001,(4): 13-56.
22. Merodio, J. (2020, Junio 17). El matem�tico que so�aba con ordenadores en 1830. Disponible en https://elpais.com/ciencia/2020-06-17/el-matematico-que-sonaba-con-ordenadores-en-1830.html
23. Libertad Digital (2018, octubre 17).� La inteligencia artificial toma el control de tu m�vil. Disponible en https://www.libertaddigital.com/ciencia-tecnologia/tecnologia/2018-10-17/la-inteligencia-artificial-toma-el-control-de-tu-movil-1276626583/

 

 

� 2021 por los autores. Este art�culo es de acceso abierto y distribuido seg�n los t�rminos y condiciones de la licencia Creative Commons Atribuci�n-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)

(https://creativecommons.org/licenses/by-nc-sa/4.0/)