Las humanidades digitales y la IA en la preservación del patrimonio documental

El evento, titulado «Humanidades digitales: experiencias y oportunidades», se desarrolló el 16 de julio en la Universidad de la República (Udelar). Los docentes Gregory Randall, del Instituto de Ingeniería Eléctrica de la Facultad de Ingeniería y Virginia Bertolotti, de la Facultad de Humanidades y Ciencias de la Educación, fueron los responsables de la organización. 

Volver accesible el patrimonio bibliográfico mundial

Las intervenciones se iniciaron con la ponencia de Jean Michel Morel, profesor en la Lingnan University de Hong Kong (RPCH) y Doctor Honoris Causa de la Udelar, titulada «¿Es posible devolver a los libros antiguos toda su vida digital?».

Morel se refirió al trabajo en un proyecto de Tipografía inversa aplicado a documentos chinos impresos en xilografía, donde se aplica corrección de la digitalización basada en IA. Este proyecto «trata de salvar cientos de millones de libros que no son accesibles en la web», señaló. Agregó que esto es un problema para nuestra civilización porque «toda nuestra ciencia y conocimiento ha estado basado en el acceso al conocimiento, a los libros». Por tanto es importante que el patrimonio mundial de libros sea accesible no solo en imágenes sino también en formato de texto y formando parte de una red digital organizada que permita ubicarlos.

Recordó que participó en la discusión de un colectivo de matemáticos franceses acerca de cómo conservar mejor los libros matemáticos. Luego de un profundo intercambio, este colectivo dedujo que la mejor forma de conservación de la ciencia era el libro impreso. «Esto es muy interesante porque implica que tenemos que continuar imprimiendo», y un aspecto que merece atención es que las memorias electrónicas de la edición de estos materiales, tales como colecciones de cintas con registros de conferencias grabadas e imágenes digitales, desaparecen rápidamente, señaló.

En colaboración con el Dunhuang Institute, Morel trabaja sobre unos 200.0000 manuscritos chinos antiguos, encontrados en grutas, de los que solo un 10% está escaneado y accesible en formato digital. Aclaró que la caligrafía en estos manuscritos no varía demasiado con la de otros materiales impresos. El proyecto combina modelos de IA con procesos de revisión humana para mejorar el reconocimiento de los caracteres chinos (cerca de 50.000), de los que cada uno representa una palabra, señaló.

Señaló que, se ha entrenado una red para el reconocimiento de los caracteres y, si bien se han alcanzado niveles de precisión, aún se presentan dificultades para interpretar caracteres poco frecuentes, variantes históricas y pasajes complejos, por lo que resulta indispensable la intervención de especialistas. Explicó que, actualmente, el reconocimiento de caracteres conlleva por una parte el reconocimiento puro que se realiza a través IA. Para ello es necesario entrenar una red a la que califican como memoria asociativa, que logra grabar lo que ve, de una forma sintética y aporta la interpretación más probable de acuerdo a caracteres similares. Luego, en entornos colaborativos integrados por filólogos e investigadores se revisan, corrigen y documentan las interpretaciones realizadas por estas herramientas.

Verdadera interdisciplina

A continuación, Alejandra Ulla, de la Universidad de Santiago de Compostela, España, y Paula Casariego de la Universidad de Roma 3, Italia, presentaron una investigación conjunta, «RETIPIA: planteamiento, sostenibilidad y transferencia». 

Casariego explicó que el punto de partida de su investigación fue sobre textos impresos de obras del teatro del Siglo de Oro español (XVII), que comprende la producción asentada en la fórmula de Lope de Vega y conocida como la comedia nueva. «Este legado es uno de los patrimonios más ricos y prolíficos de la historia de la literatura española y europea», apuntó. 

Dichas obras fueron publicadas tanto en libros como en impresos sueltos de carácter popular, explicó. En el caso de los impresos sueltos, muchos no poseen datos bibliográficos, es decir, no se sabe cuándo, dónde y quién los publicó, y además acogen títulos o autorías falsas, señaló Casariego, «esta falta constituye pues es uno de los grandes desafíos para el estudio del patrimonio teatral del Siglo de Oro, ya que tiene graves consecuencias para nuestro conocimiento». 

En su proyecto, trabajan para crear una red de relaciones entre los impresos que comparten los mismos tipos de letras redondos y cursivos. Gracias a la colaboración con Morel y a su propuesta matemática, «es posible estimar el grado en que dos libros comparten sus tipografías» y esto, con el trabajo posterior de especialistas en filología, ha permitido avanzar en el conocimiento de datos bibliográficos de los materiales impresos sueltos. 

Ulla, por su parte, señaló que el trabajo en el área digital en las humanidades es una disciplina muy poco desarrollada todavía en el ámbito español y, si bien se investiga en este campo, el país no cuenta todavía con numerosos programas formativos en la temática en las universidades. 

Se refirió a la sostenibilidad de los proyectos, como la capacidad de mantener en el tiempo los resultados, los recursos y las herramientas que desarrollan. También valoró el concepto de transferencia, por la cual es posible trasladar el procedimiento que se realiza en los proyectos al ámbito académico, a la sociedad, a las instituciones culturales, al sistema educativo. También es muy importante alcanzar la verdadera interdisciplinariedad en este tipo de trabajo, el diálogo de grupos de las humanidades con otras disciplinas, como las matemáticas, la ingeniería y la informática, planteó Ulla. 

Por otro lado, Bertolotti expuso acerca de «Humanidades digitales y humanidades analógicas. Corpus históricos del español». La investigadora indicó que ambas ramas se parecen mucho porque las preguntas que se hacían los investigadores de las humanidades en el siglo XX, en el siglo XVII y en el siglo XXI son básicamente las mismas y en los distintos momentos históricos estas disciplinas tienen la misma pulsión por plantear problemas, la principal diferencia es metodológica, sostuvo. 

En cuanto al impacto de la digitalización de las humanidades en el estudio de la lengua y del cambio lingüístico, señaló que este ha sido enorme, lo que se visualiza especialmente  en los corpus del español. Bertolotti los definió como «un conjunto de datos lingüísticos seleccionados, reunidos, con un objetivo específico, es decir, un grupo de fragmentos de textos orales y escritos producidos en condiciones naturales, conjuntamente representativos de una lengua, de una variedad lingüística en la totalidad o en alguno de esos componentes que se almacenan en formato electrónico y se codifican con la intención de que puedan ser analizados científicamente». 

Contar con corpus digitales permitió que las y los investigadores accedan a muchos más datos juntos. Además el tiempo de construcción de los datos se redujo a cero para los usuarios. Asimismo «este volumen de datos permite a los especialistas realizar preguntas más sofisticadas y variadas y cruces de datos que antes eran impensables».  

Preservar la historia

Seguidamente Aiala Rosá, docente de la Udelar, realizó la presentación «Aportes desde la Facultad de Ingeniería (FING) al procesamiento de archivos del pasado reciente». Se refirió al proyecto antes llamado «Cruzar», que a partir de 2026 comenzó a denominarse «Proyecto Memorias». Desde el inicio de esta línea de trabajo en 2017, han participado unas 30 personas entre docentes investigadores de los Institutos de Computación y de Ingeniería Eléctrica, estudiantes de grado y de posgrado, además de voluntarios e integrantes de otras Facultades de la Udelar: Ciencias Sociales; Humanidades y Ciencias de la Educación; Información y Comunicación, informó.

El proyecto tiene como objetivo acceder a múltiples colecciones documentales de la dictadura cívico-militar que se llevó adelante entre 1973 y 1985, precedida desde 1968 por acciones represivas del gobierno. El análisis de documentos emitidos por instituciones oficiales durante este período, caracterizado por violaciones sistemáticas de los derechos humanos, permite reconstruir algo de lo que sucedió en esos años, explicó Rosá.

Básicamente el trabajo de este equipo consiste en desarrollar herramientas que puedan dar soporte y ayudar a otros investigadores a encontrar, procesar y estudiar la información contenida en distintos archivos. En la actualidad se ofrecen estas herramientas en el repositorio Luisa Cuesta, ubicado en el Campus Luisi Janicki de la Udelar. Este es un espacio de consulta de los documentos reunidos hasta hoy en este repositorio, que son exclusivamente los del Archivo Berruti. Próximamente, por un acuerdo con la Institución Nacional de Derechos Humanos y Defensoría del Pueblo, se sumarán nuevas colecciones. Rosá explicó que los materiales del Archivo Berruti se encuentran en formato imagen ya que se trata de documentos en papel microfilmados. Aclaró que estos incluyen textos mecanografiados, sellos, firmas y otros textos manuscritos. 

Luego de un procedimiento para posicionar las imágenes, limpiar manchas y bordes, se realiza su conversión a texto mediante técnicas de reconocimiento de caracteres. En un segundo paso se procesan los textos para extraer de ellos nombres de personas, lugares, organizaciones y entidades, para después identificar las relaciones que se dan entre ellos. Se intenta analizar «qué personas pertenecían a ciertas organizaciones o en qué lugares estuvieron o sucedieron cosas, también extraemos eventos, qué sucedió, dónde y quiénes estaban involucrados»; a partir de estos datos se elaboran grafos de conocimientos, indicó.

«A medida que se amplía el estudio, vamos incorporando nuevos grafos de conocimiento que después tenemos que lograr integrar», se buscan las relaciones entre los datos: si una persona es mencionada en distintos documentos, en qué formas puede ser nombrada la misma persona, por ejemplo. Los grafos también permiten ubicar a las personas en determinados lugares y momentos, explicó. La docente valoró la utilidad de distintas herramientas en el reconocimiento y relacionamiento de textos mediante herramientas de IA.

La actividad se cerró con la ponencia «El lugar de la innovación en instituciones patrimoniales: Una mirada desde la gestión», a cargo de Julia Demasi (Biblioteca Nacional de Uruguay), quien presentó algunas variables que inciden en la toma de decisiones de gestión administrativa en cuanto a iniciativas y procesos innovadores en instituciones que reúnen, preservan y difunden colecciones patrimoniales, como galerías, librerías, museos de arte entre otros, archivos, y bibliotecas; así como casos y reflexiones sobre las oportunidades y los desafíos implicados.