Resumen Técnico: Ontología para la Policia – Aprendizaje de Conocimiento Conceptual para la Comprensión Semántica y el Razonamiento en Informes de Aplicación de la Ley

1. Declaración del Problema

Los informes de incidentes de aplicación de la ley consisten en metadatos estructurados (por ejemplo, números de caso, códigos de delitos) y narrativas en lenguaje natural no estructuradas. Si bien los datos estructurados apoyan la filtración y el recuento básicos, los detalles críticos de la investigación —como la secuencia cronológica de eventos, roles específicos de los participantes, métodos de entrada y artículos robados— a menudo están incrustados exclusivamente dentro del texto narrativo. Acceder a estos detalles de manera sistemática es difícil debido al volumen de informes, la variación lingüística y la necesidad de enmascarar la Información de Identificación Personal (PII) para la privacidad. Los métodos actuales que dependen de la coincidencia de cadenas superficiales o la revisión manual crean cuellos de botella para investigadores y analistas. El desafío central es convertir estas narrativas enmascaradas y no estructuradas en "hechos vinculados a la evidencia" que sean legibles por máquina, auditables y capaces de apoyar el razonamiento lógico sin perder la trazabilidad hacia el texto fuente.

2. Metodología

Los autores proponen un marco simbólico que transforma las narrativas policiales en una ontología formal utilizando una tubería de múltiples etapas. El enfoque evita el aprendizaje automático para la capa de razonamiento final, confiando en cambio en la comprensión simbólica del lenguaje natural (NLU) y la representación del conocimiento.

A. Preprocesamiento y Enmascaramiento

• Extracción: Los informes en PDF se procesan mediante Reconocimiento Óptico de Caracteres (OCR) para extraer la sección narrativa, convirtiendo el texto a minúsculas y eliminando artefactos.
• Enmascaramiento: Un sistema basado en reglas que utiliza reconocimiento de entidades nombradas de spaCy, expresiones regulares y metadatos enmascara la PII (nombres, direcciones, fechas, detalles de vehículos).
• Pseudonimización: Las entidades se reemplazan con marcadores de posición estandarizados (por ejemplo, [PERSONA_1], Víctima, Sospechoso) mientras se mantiene un registro de mapeo para garantizar la trazabilidad.

B. Análisis Semántico (La Capa Semántica)

El texto enmascarado se analiza en gráficos de Representación de Significado Abstracto (AMR) utilizando el analizador AMRlib (un modelo BART-large).

• Estructura del Grafo: AMR representa el significado de la oración como un grafo de predicados (eventos) y sus argumentos (participantes).
• Anclaje de Roles: Los pseudónimos se mapean a tipos semánticos específicos (por ejemplo, Persona, Vehículo) y roles (por ejemplo, Agente, Paciente) dentro del grafo.
• Recursos Léxicos: El sistema utiliza una cadena de bases de datos léxicas para normalizar predicados y argumentos:
  • PropBank: Proporciona sentidos verbales y roles de argumentos.
  • VerbNet (vía SemLink): Mapea los sentidos de PropBank a clases verbales semánticas.
  • WordNet: Proporciona jerarquías de hiperónimos para la tipificación "es-un" de los argumentos (por ejemplo, distinguir una "ventana" como parte estructural).

C. Construcción y Mapeo de la Ontología

Los gráficos AMR extraídos se mapean a una ontología OWL 2 construida en Protégé.

• Estructura: La ontología incluye una TBox (esquema de clases), una RBox (esquema de propiedades) y una ABox (hechos de instancias). Las clases clave incluyen Evento, Entidad y RolDeParticipación.
• Reglas de Mapeo: Las estructuras de predicado-argumento (por ejemplo, robar-01 :ARG0 x :ARG1 y) se convierten en afirmaciones de ontología (por ejemplo, EventoRobo(e), tieneAgente(e,x)).
• Restricciones de Lógica de Descripción (DL): El sistema hace cumplir invariantes estructurales, como asegurar que cada participación esté vinculada a un evento y que ciertos tipos de eventos (por ejemplo, EventoRobo) requieran participantes específicos (por ejemplo, un Artículo robado).

D. Tipificación de Eventos y Puntuación de Confianza

El sistema asigna tipos de eventos (por ejemplo, EventoEntradaForzada, EventoRobo) y calcula una puntuación de confianza $c(e) \in [0,1]$.

• Tipificación en Dos Etapas:
  1. Etapa de Familia de Predicados: Genera tipos candidatos gruesos basados en la familia verbal.
  2. Etapa Sensible a Argumentos: Refina el tipo basándose en los tipos semánticos de los argumentos (por ejemplo, reforzar una interpretación de "robo" si el objeto es un artículo de propiedad).
• Cálculo de Confianza: La puntuación es una suma heurística de:
  • Puntuación Base: Determinada por la categoría del evento (por ejemplo, los eventos centrales del incidente comienzan en 0.55).
  • Anclaje Léxico: Bonus por el mapeo completo PropBank→VerbNet→WordNet.
  • Soporte Estructural: Bonus por coincidir con patrones esperados (por ejemplo, presencia de un artículo robado).
  • Penalizaciones: Deducciones por ambigüedad, negación o lenguaje incierto.
  • Puntuación Final: Una mezcla ponderada del prior de reglas (70%) y la puntuación basada en evidencia (30%).

E. Razonamiento Temporal

El sistema construye gráficos temporales donde los nodos son eventos y las aristas son relaciones de precedencia.

• Aristas Basadas en Pistas: Derivadas de marcadores temporales en el texto (por ejemplo, "luego", "antes", "después").
• Axiomas de Dominio: Reglas lógicas hacen cumplir la precedencia basada en el procedimiento policial (por ejemplo, EventoEntradaForzada típicamente precede a EventoRobo).

3. Contribuciones Clave

• Extracción de Hechos Vinculados a la Evidencia: Una tubería que convierte narrativas enmascaradas en hechos estructurados trazables a oraciones específicas, abordando el cuello de botella de la revisión manual.
• NLU Simbólica para la Policía: Una demostración de que los métodos simbólicos (AMR + Ontología) pueden manejar la variación lingüística y las restricciones de privacidad de los informes policiales sin depender de modelos de aprendizaje automático de caja negra para el razonamiento final.
• Construcción de Grafos Temporales: La integración de pistas lingüísticas y axiomas de dominio para reconstruir cronologías de eventos a partir de texto no estructurado.
• Confianza Auditables: Un mecanismo de puntuación que cuantifica la fiabilidad de los eventos extraídos, permitiendo a los analistas filtrar resultados basándose en umbrales de confianza.

4. Resultados

El marco se evaluó en un corpus de 450 informes de delitos contra la propiedad (Robo, Hurto, Robo de Vehículo Motorizado, Asalto, Propiedad Robada) del Departamento de Policía de Rochester.

• Rendimiento de Extracción:
  • El sistema extrajo 6,686 eventos y 6,652 marcos.
  • El 54.1% de los eventos extraídos alcanzó una puntuación de confianza $\ge 0.80$.
  • El 93.7% de los eventos se mapeó exitosamente a través de la ruta semántica completa PropBank→VerbNet→WordNet.
  • La cobertura de ARG1 (paciente/objeto) fue alta (78.8%), mientras que la cobertura de ARG0 (agente) fue menor (29.8%), reflejando la tendencia narrativa a nombrar explícitamente objetos pero oscurecer las identidades de los actores.
• Relleno de Ranuras de Marco:
  • Los puntos de entrada se completaron en el 41.8% de los casos.
  • Los métodos de entrada en el 33.4%.
  • Los artículos robados en el 22.8%.
• Ordenamiento Temporal:
  • Se extrajeron 102 aristas temporales en todo el corpus.
  • El 78.4% de estas aristas se derivó de axiomas de dominio, mientras que solo el 21.6% provino de pistas textuales explícitas.
• Revisión Humana:
  • Un estudio con 6 revisores sobre 5 narrativas enmascaradas mostró un 100% de acuerdo entre el sistema y la mayoría humana para: Inicio del incidente, Artículos robados, Pistas de tiempo y Roles de participantes.
  • El acuerdo fue del 80% para la participación de vehículos, robo declarado y confianza general.
  • El acuerdo fue del 40% para la entrada forzada, lo que indica que esto sigue siendo una tarea de interpretación desafiante.
  • Las puntuaciones de Precisión/Recall/F1 para "Artículos robados" y "Pistas de tiempo" fueron perfectas (100%).

5. Significado y Afirmaciones

El artículo afirma que las técnicas de NLU simbólica pueden recuperar efectivamente los detalles del incidente de narrativas enmascaradas que faltan en los metadatos estructurados. El significado radica en la capacidad de:

1. Escalar el Análisis: Automatizar la extracción de hechos vinculados a la evidencia de grandes volúmenes de informes.
2. Mantener la Privacidad: Procesar texto enmascarado sin comprometer la capacidad de razonar sobre las estructuras de eventos.
3. Garantizar la Trazabilidad: Cada hecho extraído se vincula de nuevo a la oración fuente y a la ruta semántica específica utilizada, permitiendo la auditabilidad.
4. Manejar la Incertidumbre: El sistema de puntuación de confianza marca explícitamente las extracciones inciertas (por ejemplo, interpretaciones de entrada forzada) en lugar de forzar una clasificación definitiva, lo cual es crucial para contextos legales e investigativos.

Los autores declaran explícitamente que el sistema está diseñado para apoyar la investigación y la revisión, no para reemplazar el juicio humano o sacar conclusiones sobre individuos sin supervisión humana. El trabajo extiende la iniciativa OpenBWC añadiendo una tubería de NLU simbólica para uso interno policial.