💬 NLP

MiNER: A Two-Stage Pipeline for Metadata Extraction from Municipal Meeting Minutes

Este trabajo propone un pipeline de dos etapas basado en modelos de Transformer y deslexicalización para la extracción de metadatos de actas municipales, demostrando un rendimiento superior al de grandes modelos de lenguaje generales dentro del dominio, aunque con limitaciones en la generalización entre diferentes municipios.

Autores originales: Rodrigo Batista, Luís Filipe Cunha, Purificação Silvano, Nuno Guimarães, Alípio Jorge, Evelin Amorim, Ricardo Campos

Publicado 2026-03-30

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Rodrigo Batista, Luís Filipe Cunha, Purificação Silvano, Nuno Guimarães, Alípio Jorge, Evelin Amorim, Ricardo Campos

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que las actas de las reuniones municipales son como gigantescos libros de cocina desordenados. En ellos, los alcaldes y concejales toman decisiones importantes, pero la información vital (la fecha, quién asistió, dónde fue la reunión) está escondida entre párrafos largos, aburridos y escritos de formas muy diferentes en cada ciudad.

Si quieres buscar "¿Cuándo se reunió el ayuntamiento de Porto?", no puedes leer todo el libro página por página; sería como buscar una aguja en un pajar. Los sistemas de búsqueda tradicionales (como los que usamos en Google) a menudo se pierden porque no entienden el "idioma" específico de estas reuniones.

Aquí es donde entra MiNER, el "detective de documentos" que proponen los autores.

¿Cómo funciona MiNER? (La analogía del Chef y el Sous-chef)

Los autores crearon un sistema de dos pasos, como si fuera una cocina profesional con dos roles muy claros:

1. El Primer Paso: El "Buscador de la Entrada" (QA)

Imagina que tienes un libro de 500 páginas y sabes que la receta que buscas siempre está en las primeras 5 páginas o en las últimas 5.

El problema: Si le das todo el libro a un robot para que busque ingredientes, se abrumará y cometerá errores.
La solución de MiNER: Primero, usa un modelo de Inteligencia Artificial (un "Buscador") que lee el documento y dice: "¡Espera! La información importante está solo en las primeras 3 páginas y en las últimas 2. El resto es ruido".
La magia: Corta el documento y solo le pasa al siguiente paso esa pequeña porción relevante. Esto es como si un chef le dijera a su ayudante: "No limpies toda la cocina, solo enfócate en la mesa donde están los ingredientes".

2. El Segundo Paso: El "Extractor de Ingredientes" (NER)

Ahora que tenemos solo las páginas importantes, entra el segundo robot (un modelo de reconocimiento de entidades).

Su trabajo: Este robot es un experto en leer esas páginas específicas y extraer datos precisos: "Aquí está la fecha: 12 de marzo. Aquí está el lugar: Sala de Plenos. Aquí están los asistentes: Juan, María...".
El truco especial (Deslexicalización): Para que este robot no se vuelva "tonto" si cambia la ciudad, los autores le enseñaron a ser flexible. Le dijeron: "No te obsesiones con el nombre 'Juan' o la ciudad 'Porto'. Si ves un nombre, imagina que es 'Persona X'. Si ves una ciudad, imagina que es 'Ciudad Y'".
- Analogía: Es como enseñar a un niño a reconocer un "perro" sin importarle si el perro es un Golden Retriever o un Chihuahua. Así, cuando el robot ve un nuevo municipio que nunca ha visto antes, sabe que debe buscar un "nombre de persona" aunque no conozca a la persona específica.

¿Por qué es mejor que usar un "Super-Chatbot" (como Gemini o Phi)?

Los autores probaron su sistema contra los modelos de Inteligencia Artificial más famosos y potentes del mundo (los "Gigantes").

El Gigante (Gemini/Phi): Es como un genio que sabe de todo, pero es lento, caro y a veces alucina. Cuando le pediste que extrajera los datos de las actas, a veces se confundía, daba respuestas desordenadas (como si te diera una lista de la compra escrita en prosa en lugar de una tabla) y tardaba mucho en responder. Además, consumía mucha más energía (como un coche deportivo vs. una bicicleta).
MiNER (El Especialista): Es como un médico especialista. No sabe de física cuántica ni de cocina, pero es extremadamente rápido y preciso en su tarea.
- Resultado: MiNER fue mucho más preciso, tardó 1,800 veces menos en responder y contaminó 400 veces menos el planeta que los modelos gigantes.

El Reto: La "Personalidad" de cada Ciudad

El sistema funciona increíblemente bien cuando se prueba con documentos de la misma ciudad donde fue entrenado. Pero, cuando intentaron usarlo en una ciudad diferente (por ejemplo, entrenar en Porto y probar en Covilhã), el rendimiento bajó un poco.

Analogía: Es como si aprendieras a hablar con un acento muy específico de una región. Cuando hablas con alguien de otra región, aunque entiendas las palabras, el acento y las frases hechas te confunden un poco. Cada municipio escribe sus actas de forma un poco distinta, y MiNER necesita un poco de "entrenamiento local" para adaptarse perfectamente.

En resumen

MiNER es una herramienta inteligente que:

Filtra el documento para encontrar solo las partes importantes (como un buscador de tesoros).
Extrae los datos clave (fechas, nombres, lugares) con una precisión quirúrgica.
Aprende a ignorar nombres específicos para entender mejor los patrones generales.
Gana a los modelos gigantes en velocidad, costo y precisión para esta tarea específica.

Es una prueba de que, a veces, no necesitas un "superordenador" que lo haga todo; necesitas un "herramienta especializada" que haga una cosa muy bien. Y lo mejor de todo, los autores han compartido sus datos y modelos para que otros investigadores puedan usarlos y mejorarlos.

1. El Problema

Los actas de las reuniones municipales son documentos oficiales cruciales para la gobernanza local, pero presentan desafíos significativos para la recuperación de información (IR) automatizada:

Heterogeneidad: Exhiben formatos y estilos de escritura muy variados entre diferentes municipios.
Falta de Estandarización: La información de metadatos (número de reunión, fecha, ubicación, participantes, horarios) no sigue un formato fijo ni es fácil de extraer automáticamente.
Limitaciones de los Modelos Actuales: Los modelos de Reconocimiento de Entidades Nombradas (NER) preentrenados funcionan bien con categorías generales (persona, organización), pero fallan al capturar metadatos específicos del dominio municipal. Además, no existen modelos dedicados previamente a esta tarea.
Complejidad del Dominio: A diferencia de los textos parlamentarios o académicos, los actas municipales tienen una variabilidad estilística mayor y categorías de metadatos más finas.

2. Metodología: La Pipeline MiNER

Los autores proponen MiNER, un pipeline de dos etapas diseñado para transformar documentos crudos en entidades de metadatos estructuradas.

Etapa 1: Detección de Límites de Metadatos (MBD - Metadata Boundary Detection)

Objetivo: Identificar automáticamente los segmentos de texto de apertura y cierre donde se encuentra la información de metadatos, reduciendo el "ruido" del documento completo.
Enfoque: Se utiliza un modelo de Preguntas y Respuestas (QA) basado en extracción (estilo SQuAD v2).
Funcionamiento: Para cada documento, el modelo recibe dos prompts (uno para el segmento de apertura y otro para el de cierre) y predice las posiciones de inicio y fin de las oraciones relevantes.
Resultado: Se genera una región de texto reducida ( $R$ ) que contiene solo las partes relevantes, descartando el resto del acta.

Etapa 2: Reconocimiento de Entidades de Metadatos (MER - Metadata Entity Recognition)

Objetivo: Extraer y clasificar las entidades específicas dentro de los segmentos reducidos ( $R$ ).
Modelos: Se utilizan arquitecturas Transformer (BERTimbau para portugués y XLM-RoBERTa para inglés), con y sin una capa CRF (Conditional Random Field) para mejorar la coherencia de las etiquetas.
Técnica Clave: Deslexicalización: Para mejorar la generalización entre diferentes municipios, se aplica una función de deslexicalización antes del entrenamiento:
- Nombres de participantes y ubicaciones se reemplazan por valores sintéticos (usando la librería Faker) con una probabilidad del 60%.
- Fechas y horas se varían aleatoriamente en formato o contenido (30%).
- Menciones de municipios se reemplazan por un token placeholder (@MUNICIPIO).
Salida: Un conjunto de entidades etiquetadas (tipo y rango de tokens).

3. Contribuciones Clave

Pipeline Innovador: La combinación de detección de límites basada en QA seguida de NER fino, específicamente adaptado para actas municipales.
Nuevo Dataset (CitiLink): Publicación del primer conjunto de datos de referencia (benchmark) para esta tarea, compuesto por 120 actas municipales portuguesas (de 6 municipios) con 180 segmentos de metadatos anotados manualmente, incluyendo una versión traducida al inglés.
Modelos y Recursos Abiertos: Liberación de los modelos ajustados (fine-tuned) y el código en repositorios públicos, estableciendo un estándar para futuras investigaciones.
Evaluación Comparativa: Análisis exhaustivo que incluye modelos de pesos abiertos (Phi), cerrados (Gemini) y modelos Transformer especializados, evaluando rendimiento, coste de inferencia y huella de carbono.

4. Resultados Principales

Rendimiento Superior de Modelos Especializados:
- En la tarea de detección de límites (MBD), los modelos Transformer (XLM-RoBERTa) superaron ampliamente a los baselines no supervisados (BM25, Dense Retriever).
- En la extracción de entidades (MER), los modelos especializados alcanzaron puntuaciones F1 muy altas: 0.96 en portugués (BERTimbau) y 0.94 en inglés (XLM-RoBERTa + Deslex).
- Las categorías principales (fecha, hora, número de reunión) alcanzaron una precisión casi perfecta (F1 = 1.00).
Comparativa con LLMs (Modelos de Lenguaje Grandes):
- Los LLMs generales (Gemini y Phi) tuvieron un rendimiento inferior (Gemini obtuvo un F1 de 0.27) y fallaron en la estructura de salida (JSON inconsistente).
- Eficiencia: La pipeline MiNER fue 1,800 veces más rápida en inferencia (0.4s vs 737s) y generó 400 veces menos emisiones de carbono que los LLMs evaluados.
Generalización y Desafíos:
- La evaluación leave-one-out (entrenar en 5 municipios, probar en 1) mostró una caída en el rendimiento (F1 ~0.80 en PT, ~0.72 en EN), indicando que la variabilidad estilística entre municipios sigue siendo un reto para la transferencia de aprendizaje.
- La deslexicalización ayudó a la generalización pero introdujo errores en la delimitación de los límites de las entidades.
Aprendizaje con Pocos Datos: La evaluación incremental mostró que con solo 3 actas anotadas por municipio, el modelo alcanza un F1 > 0.95, demostrando que se requiere muy poca supervisión local para especializarse.

5. Significado e Impacto

Este trabajo establece la primera base sólida para la extracción automatizada de metadatos en actas municipales.

Viabilidad Práctica: Demuestra que los modelos especializados y eficientes son superiores a los LLMs masivos para tareas de extracción estructurada en dominios específicos, ofreciendo una solución escalable y ecológicamente sostenible.
Herramienta para la Gobernanza: Facilita la indexación, recuperación y análisis de decisiones locales, haciendo que la información gubernamental sea más accesible para la investigación y la ciudadanía.
Dirección Futura: Identifica la necesidad de estrategias de ajuste fino adaptativas y representaciones agnósticas al dominio para superar las barreras de generalización entre diferentes municipios.

En resumen, MiNER no solo resuelve un problema técnico de extracción de información en un dominio complejo, sino que también ofrece una metodología eficiente y reproducible que prioriza el rendimiento específico sobre el uso de recursos computacionales masivos.