Extracting and Coding Digital Sustainability Data using Text Mining and AI: A Design Science Approach

Imagina que eres un detective tratando de resolver un misterio masivo: cómo las empresas utilizan la tecnología para ayudar al planeta y a las personas. Las pistas no están escondidas en un ático polvoriento; están enterradas dentro de miles de informes densos y aburridos que las empresas escriben cada año. Estos informes son como bibliotecas gigantes de texto, llenos de palabras sobre "centros de datos verdes", "sensores inteligentes" y "equidad digital". El problema es que leer cada una de las páginas de cada informe a mano es como intentar beberse el océano con un sorbete: toma una eternidad y podrías perderte las gotas más importantes. Este es el mundo de la "Sostenibilidad Digital", un campo donde los investigadores estudian cómo las computadoras y el software pueden hacer del mundo un lugar mejor. Pero para entender el panorama general, necesitan encontrar y clasificar estas pistas rápidamente. Ahí es donde la magia de la "minería de textos" (enseñar a las computadoras a leer y encontrar patrones) y la "IA Generativa" (chatbots superinteligentes que pueden escribir y pensar) entran en juego. En lugar de ahogarse en papeleo, los investigadores quieren un asistente robótico que haga el trabajo pesado, para que ellos puedan concentrarse en resolver el misterio.

Este artículo trata sobre la construcción de ese mismo asistente robótico. Los investigadores, Thomas Abraham, Viet Dao y Nesreen El-Rayes, decidieron utilizar un método llamado "Ciencia del Diseño", que es básicamente una forma elegante de decir: "Construyamos una herramienta para solucionar un problema, la probemos y la mejoremos". Su objetivo era crear un sistema semiautomático que pudiera escanear informes de sostenibilidad, extraer las historias relevantes de sostenibilidad digital y luego clasificar esas historias en categorías lógicas y ordenadas. No solo adivinaron; construyeron tres "artefactos" específicos (herramientas) para hacer el trabajo: un diccionario especial de palabras para buscar, un conjunto de instrucciones (prompts) para enseñar a la IA cómo pensar, y todo el proceso de cómo usarlos juntos.

Primero, abordaron la parte de "encontrar". Imagina que estás buscando tipos específicos de tesoros en una cueva. Si solo gritas "¡Tesoro!", obtendrás muchas rocas y tierra. Necesitas un mapa específico. Los investigadores construyeron un "Diccionario de Sostenibilidad Digital", que es como un detector de metales altamente ajustado. Alimentaron el diccionario con miles de palabras de investigaciones pasadas para enseñarle cómo suena realmente la "sostenibilidad digital". Probaron este diccionario en informes de empresas como Biogen y Coca-Cola. Los resultados fueron impresionantes: la computadora encontró el 94% de las historias de sostenibilidad digital que los expertos humanos habían encontrado manualmente, pero lo hizo en una fracción del tiempo. ¡Incluso encontró 54 historias adicionales que los humanos habían pasado por alto! Sin embargo, no era perfecto; la computadora a veces se distraía con palabras como "sitio web" que sonaban importantes pero que en realidad no trataban sobre iniciativas de sostenibilidad. Esto enseñó a los investigadores que, si bien la computadora es un gran escáner, todavía necesita a un humano para verificar los resultados.

Luego, abordaron la parte de "clasificar". Una vez que la computadora encontraba las historias, necesitaba ponerlas en las cajas correctas. Los investigadores utilizaron dos "sistemas de archivo" diferentes basados en teorías establecidas. Un sistema clasificaba las historias según lo que la tecnología hace (como "Automatizar" un proceso o "Transformar" un modelo de negocio), y el otro las clasificaba según quién se beneficia (como "Interno" vs. "Externo" o "Hoy" vs. "Mañana"). Para enseñarle a la IA cómo usar estos sistemas de archivo, no solo le dieron un comando simple. Utilizaron una técnica llamada "few-shot prompting", que es como mostrarle a la IA algunos ejemplos de un rompecabezas completado y decirle: "¿Ves cómo encaja esta pieza aquí? Ahora haz tú el resto". Entrenaron a la IA con datos de tres empresas, dejándola cometer errores, corrigiéndola y refinando sus instrucciones hasta que captó la lógica.

Cuando probaron esta IA entrenada en nuevas empresas (como Johnson & Johnson y Volvo), los resultados fueron sólidos. Para las categorías de "qué hace", la IA coincidió con la clasificación de los expertos humanos el 78% de las veces. Para las categorías de "quién se beneficia", coincidió el 85.3% de las veces. Los investigadores calcularon una puntuación llamada "Kappa de Cohen", que mide cuánto coinciden dos personas (o una persona y un robot). La puntuación fue superior a 0.7, lo cual se considera un alto nivel de acuerdo. Esto sugiere que la IA no solo está adivinando; realmente está aprendiendo la lógica de los investigadores.

Sin embargo, el artículo tiene cuidado de no decir que esto es una "varita mágica" que lo resuelve todo. Los investigadores descartan explícitamente la idea de que este proceso pueda ser totalmente automático. Descubrieron que la IA a veces necesitaba ayuda para entender el contexto de un negocio. Por ejemplo, si una empresa hablaba de un sistema de seguridad a lo largo de varios años, la IA podría contarla como múltiples proyectos diferentes, mientras que un humano sabría que es solo un proyecto largo. El diccionario también es imperfecto; es algo vivo que necesita ser actualizado a medida que entran nuevas palabras al mundo. Los autores concluyen que el mejor enfoque es una asociación: la computadora actúa como un asistente de investigación superrápido que hace el trabajo pesado de encontrar y clasificar, pero un experto humano siempre debe estar en el ciclo para entrenar a la IA, corregir sus errores y tomar la decisión final.

Al final, este artículo sugiere que no tenemos que elegir entre la sabiduría humana y la velocidad de la máquina. Al combinar la minería de textos y la IA Generativa con un proceso de entrenamiento cuidadoso y paso a paso, los investigadores pueden construir bases de datos masivas de datos de sostenibilidad digital mucho más rápido que antes. No es un problema resuelto, pero es una herramienta poderosa que hace que el trabajo de salvar el mundo sea un poco menos solitario y mucho más eficiente.