Bridging Gaps in Natural Language Processing for Yorùbá: A Systematic Review of a Decade of Progress and Prospects

1. Planteamiento del Problema

El Procesamiento del Lenguaje Natural (PLN) ha avanzado significativamente en idiomas de alto recurso (como el inglés y el chino), impulsado por grandes conjuntos de datos y arquitecturas de modelos avanzados (Transformers, LLMs). Sin embargo, existe una brecha crítica para las lenguas africanas, específicamente para el yorùbá, una lengua tonal y morfológicamente rica hablada por más de 50 millones de personas.

El problema central es la escasez de recursos y la falta de una visión unificada del estado del arte. A pesar de los esfuerzos aislados en tareas como la restauración de diacríticos, la traducción automática y el análisis de sentimientos, la investigación sobre el yorùbá carece de:

• Corpora anotados estandarizados y de gran escala.
• Modelos de lenguaje preentrenados específicos y robustos.
• Una síntesis que integre los avances de la última década para guiar futuros desarrollos.
• Herramientas que aborden adecuadamente las complejidades lingüísticas únicas del yorùbá, como su sistema tonal y la dependencia de diacríticos.

2. Metodología

Los autores realizaron una Revisión Sistemática de la Literatura (RSL) siguiendo protocolos rigurosos (PRISMA) para analizar el progreso del PLN en yorùbá entre 2014 y 2024.

• Fuentes de Datos: Se consultaron 9 bases de datos académicas (Web of Science, Scopus, IEEE Xplore, ACL Anthology, Google Scholar, etc.).
• Criterios de Selección:
  • Inclusión: Estudios empíricos revisados por pares (artículos de conferencias y revistas) en inglés, centrados en soluciones, tareas o métodos de PLN para el yorùbá (monolingüe, bilingüe o multilingüe).
  • Exclusión: Estudios teóricos sin evaluación práctica, tesis, encuestas no revisadas y publicaciones anteriores a 2014.
• Proceso de Filtrado:
  • Se identificaron inicialmente 3,144 estudios.
  • Tras eliminar duplicados (866) y aplicar criterios de selección (título/resumen y texto completo), se seleccionaron 105 estudios primarios para el análisis final.
  • Se utilizó el método de "bola de nieve" (backward/forward snowballing) para asegurar la cobertura.
• Evaluación de Calidad: Se aplicó una lista de verificación de calidad (basada en objetivos, metodología, documentación, etc.) con una puntuación máxima de 16. Se estableció una mediana de corte de 8.5; ningún estudio fue excluido por baja calidad, lo que garantiza la solidez de la muestra.
• Herramientas: Se emplearon Covidence, Zotero y Microsoft Excel para la gestión, cribado y extracción de datos.

3. Contribuciones Clave

El artículo ofrece la primera síntesis exhaustiva del ecosistema de PLN para el yorùbá, aportando:

1. Mapa de Tareas: Una clasificación detallada de las tareas de PLN abordadas (desde tareas fundamentales como POS tagging hasta aplicaciones complejas como ASR y TTS).
2. Inventario de Recursos: Un catálogo actualizado de conjuntos de datos, corpus y herramientas disponibles, diferenciando entre recursos monolingües, bilingües y multilingües.
3. Análisis de Técnicas: Un seguimiento de la evolución metodológica, desde enfoques basados en reglas hasta el aprendizaje profundo y el aprendizaje por transferencia.
4. Identificación de Desafíos: Una taxonomía de los obstáculos lingüísticos, técnicos y socioculturales que frenan el progreso.
5. Hoja de Ruta: Recomendaciones concretas para futuras investigaciones, enfocadas en cerrar las brechas actuales.

4. Resultados Principales

A. Tareas de PLN Abordadas (RQ1)

Se identificó un crecimiento en diversas áreas, aunque con disparidades:

• Traducción Automática (MT): Es la tarea más estudiada (18 estudios), utilizando enfoques basados en reglas, estadísticos, neuronales (NMT) e híbridos.
• Procesamiento de Voz: Existe un esfuerzo significativo en Síntesis de Voz (TTS) y Reconocimiento Automático de Voz (ASR), con varios corpus de voz desarrollados.
• Tareas Fundamentales: Se han realizado trabajos en restauración de diacríticos, corrección ortográfica, etiquetado de partes del discurso (POS) y reconocimiento de entidades nombradas (NER).
• Áreas Subexploradas: Tareas de alto impacto como sistemas de diálogo, resumen automático, detección de sarcasmo y detección de discurso de odio/hate speech tienen muy poca representación.

B. Técnicas y Métodos (RQ2)

• Evolución: Se observa una transición de métodos basados en reglas y estadísticos hacia el Aprendizaje Profundo (Deep Learning) y el Aprendizaje por Transferencia.
• Estrategias Dominantes: Dada la escasez de datos, el aprendizaje multilingüe (pre-entrenamiento en modelos como mBERT, XLM-R, AfriBERTa) y el ajuste fino (fine-tuning) son las técnicas más efectivas y comunes.
• Híbridos: Muchos estudios combinan técnicas (ej. reglas + estadísticas) para mitigar la falta de datos.

C. Recursos Disponibles (RQ3)

Se documentaron numerosos recursos, aunque muchos son de escala limitada o específicos de dominio:

• Corpus de Texto: MENYO-20k (paralelo Yorùbá-Inglés), AfriSenti (análisis de sentimientos), MasakhaNER (entidades nombradas), CIRAL (búsqueda de información).
• Corpus de Voz: `IròyìnSpeech, Lagos-NWU Yorùbá Speech Corpus, BibleTTS.
• Limitaciones: La mayoría de los recursos carecen de anotaciones lingüísticas profundas (sintácticas/semánticas) y no existen benchmarks estandarizados para comparar modelos de manera reproducible.

D. Desafíos Identificados (RQ4)

El estudio categoriza los obstáculos en cinco áreas:

1. Lingüísticos:
   • Complejidad Tonal: Los tonos (alto, medio, bajo) cambian el significado léxico (ej. ogún vs ogun). Su omisión en texto digital o su mala representación en ASR causa ambigüedad.
   • Dependencia de Diacríticos: La omisión de signos diacríticos (acentos, puntos bajo) en la escritura digital genera ambigüedad léxica.
   • Morfología Compleja: La aglutinación y la composición de palabras requieren herramientas de análisis morfológico avanzadas.
   • Cambio de Código (Code-switching): La mezcla frecuente con inglés en contextos digitales complica la identificación de idioma y el análisis de sentimientos.
2. Recursos: Escasez de corpus anotados de gran escala y calidad para tareas específicas.
3. Tecnológicos: Falta de herramientas de pre-procesamiento adaptadas a la ortografía y morfología del yorùbá.
4. Socioculturales: La preferencia de las generaciones jóvenes por el inglés en entornos digitales y la falta de digitalización de tradiciones orales.
5. Evaluación: Ausencia de benchmarks estandarizados que dificulten la comparación de modelos.

5. Significado e Impacto

Este trabajo es fundamental para la comunidad de PLN y la preservación cultural por varias razones:

• Fundamento para la Investigación: Proporciona una base de conocimiento centralizada que evita la duplicación de esfuerzos y guía a nuevos investigadores hacia áreas críticas no exploradas.
• Inclusión Digital: Al identificar las brechas, el estudio apoya los Objetivos de Desarrollo Sostenible (ODS) de la ONU, promoviendo la inclusión tecnológica de lenguas africanas y evitando su marginación en la era de la IA.
• Transferibilidad: Las lecciones aprendidas sobre el manejo de lenguas tonales y de bajos recursos en el yorùbá sirven como un modelo replicable para otras lenguas africanas (como el igbo, hausa o wolof) que comparten desafíos similares.
• Llamada a la Acción: El artículo insta a la comunidad a priorizar la creación de corpus de alta calidad, el desarrollo de modelos preentrenados específicos y la integración de conocimientos lingüísticos y culturales en el diseño de algoritmos.

En conclusión, aunque ha habido un progreso notable en la última década, el campo del PLN para el yorùbá sigue siendo un "idioma de bajos recursos" que requiere una colaboración global, recursos abiertos y enfoques técnicos adaptados a sus peculiaridades lingüísticas para alcanzar el estado del arte.