💬 NLP

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

Il paper propone un pipeline a due stadi basato su modelli Transformer per l'estrazione di metadati dai verbali delle riunioni municipali, dimostrandone l'efficacia superiore rispetto ai grandi modelli linguistici generici pur evidenziando le sfide legate alla generalizzazione tra diversi comuni.

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

Pubblicato 2026-03-30

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

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

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di avere una biblioteca enorme piena di diari di bordo scritti dai sindaci e dai consiglieri comunali di diverse città. Questi diari (chiamati "verbali") raccontano cosa è stato deciso, chi era presente, quando e dove si sono riuniti.

Il problema è che questi diari sono scritti in modo molto disordinato: ogni città usa un formato diverso, con stili di scrittura diversi, e le informazioni importanti (come la data, l'ora o i nomi dei partecipanti) sono sepolte in mezzo a migliaia di parole. Se volessi trovare rapidamente "quando si è riunito il consiglio di Porto", dovresti leggere tutto a mano, cosa impossibile.

Gli autori di questo articolo, chiamati MiNER, hanno creato un doppio sistema automatico (una "pipeline") per risolvere questo problema, come se fosse un team di due detective specializzati.

Ecco come funziona, spiegato con parole semplici:

1. Il Primo Detective: "Il Cercatore di Indizi" (Stage 1)

Immagina che ogni verbale sia un libro intero. Il primo detective non legge tutto il libro pagina per pagina. Il suo lavoro è molto più intelligente: cerca solo l'inizio e la fine del libro dove si trovano solitamente le informazioni importanti.

Come fa? Usa una domanda semplice: "Dove inizia e dove finisce la parte del testo che contiene i dati della riunione?".
Il risultato: Invece di analizzare 50 pagine, il sistema taglia via tutto il "rumore" (le discussioni lunghe, le decisioni complesse) e si concentra solo su due piccole sezioni: l'apertura e la chiusura del verbale. È come se un cuoco, invece di cucinare un intero maiale, prendesse solo la parte migliore per fare un piatto speciale.

2. Il Secondo Detective: "Il Raccoglitore di Dettagli" (Stage 2)

Una volta che il primo detective ha isolato le due sezioni importanti, le passa al secondo detective.

Il suo compito: Leggere quelle poche righe e estrarre i dettagli precisi: "Qual è il numero della riunione?", "Chi era il presidente?", "A che ora è finita?".
Il trucco magico (Deslexicalization): Per insegnare al sistema a funzionare bene in qualsiasi città (non solo a Porto), gli autori hanno usato un trucco curioso. Durante l'addestramento, hanno sostituito i nomi delle persone e dei luoghi con nomi finti (come "Mario Rossi" o "Piazza Finta").
- Perché? Per evitare che il sistema impari a memoria "A Porto si usa questo formato" e non riesca a capire "A Milano si usa un altro formato". Insegna al sistema a riconoscere la struttura dell'informazione, non il nome specifico della città.

Cosa hanno scoperto?

Gli autori hanno messo alla prova il loro sistema confrontandolo con i Giganti dell'Intelligenza Artificiale (come Gemini o Phi), che sono modelli enormi e molto potenti ma costosi.

Ecco i risultati sorprendenti:

I piccoli specializzati vincono sui giganti: Il sistema MiNER, anche se più piccolo, è stato molto più preciso nel trovare i dati giusti rispetto ai giganti dell'IA.
Velocità ed Ecologia: Il sistema MiNER è stato 1.800 volte più veloce e ha prodotto 400 volte meno inquinamento digitale (carbon footprint) rispetto all'uso dei grandi modelli. È come scegliere una bicicletta elettrica invece di un aereo per fare un viaggio di 500 metri: arriva prima e inquina meno.
Il limite: Il sistema funziona benissimo quando impara su una città, ma fatica un po' quando deve adattarsi a una città completamente nuova con uno stile di scrittura molto diverso. È come se imparassi a guidare perfettamente in una città, ma avessi bisogno di un po' di pratica per guidare in un'altra con regole stradali diverse.

In sintesi

Questo lavoro è come aver creato un filtro intelligente per i documenti comunali. Invece di far leggere tutto il testo a un'IA costosa e lenta, dividiamo il lavoro: prima troviamo dove sono i dati, poi li estraiamo con precisione chirurgica.

Hanno anche reso pubblico il loro "manuale" (il dataset) e il loro sistema, così che altri ricercatori e amministrazioni comunali possano usarlo per rendere più facile la ricerca nelle informazioni pubbliche, trasformando montagne di carta caotica in dati ordinati e utili.

Titolo: MiNER: Una Pipeline a Due Stadi per l'Estrazione di Metadati dai Verbali delle Riunioni Municipali

1. Il Problema

I verbali delle riunioni municipali sono documenti ufficiali fondamentali per la governance locale, contenenti decisioni, partecipanti e esiti delle votazioni. Tuttavia, presentano diverse sfide per il recupero delle informazioni (IR):

Eterogeneità: I documenti variano notevolmente per formato e stile di scrittura tra diversi comuni.
Mancanza di Standardizzazione: I metadati critici (numero di riunione, data, luogo, partecipanti, orari di inizio/fine) non sono strutturati in modo uniforme e sono difficili da estrarre automaticamente.
Limiti dei Modelli Esistenti: I modelli di Riconoscimento delle Entità Nomi (NER) pre-addestrati su categorie generali (es. persona, organizzazione) falliscono nel catturare le categorie specifiche e fini di questo dominio. Inoltre, non esistono modelli dedicati a questo settore.

2. Metodologia: La Pipeline MiNER

Gli autori propongono MiNER, una pipeline a due stadi progettata per trasformare documenti non strutturati in entità di metadati etichettate.

Stadio 1: Rilevamento dei Confini dei Metadati (Metadata Boundary Detection - MBD)
- Obiettivo: Identificare automaticamente le sezioni di apertura e chiusura del documento dove risiedono i metadati, riducendo il "rumore" del testo principale.
- Tecnica: Utilizzo di un modello di Question Answering (QA) estrattivo (stile SQuAD v2).
- Funzionamento: Per ogni documento, il modello riceve prompt specifici per identificare l'ultima e la prima frase delle sezioni di apertura e chiusura. Il modello restituisce gli indici delle frasi o una previsione nulla.
- Output: Una regione di testo ridotta ( $R$ ) contenente solo le sezioni rilevanti, passata allo stadio successivo.
Stadio 2: Riconoscimento delle Entità dei Metadati (Metadata Entity Recognition - MER)
- Obiettivo: Identificare e classificare le entità specifiche (es. numero riunione, data, partecipanti) all'interno della regione ridotta $R$ .
- Modelli: Vengono utilizzati modelli basati su Transformer (BERTimbau per il portoghese e XLM-RoBERTa per l'inglese), con e senza un layer CRF (Conditional Random Field) per migliorare la coerenza delle sequenze.
- Tecnica di Generalizzazione (Deslexicalizzazione): Per affrontare la variabilità tra i diversi comuni, viene applicata una funzione di deslexicalizzazione prima dell'addestramento:
  - Nomi di partecipanti e luoghi vengono sostituiti con valori sintetici (es. tramite la libreria Faker).
  - Date e orari vengono variati casualmente.
  - I nomi dei comuni sono sostituiti da un token segnaposto (@MUNICIPIO).
- Obiettivo: Migliorare la capacità del modello di generalizzare su nuovi comuni senza bisogno di ri-addestramento massiccio.

3. Contributi Chiave

Pipeline Ibrida: La prima proposta che combina la segmentazione basata su QA con il NER basato su Transformer per l'estrazione di metadati da verbali municipali.
Dataset e Benchmark: Rilascio del dataset CitiLink, contenente 120 verbali municipali portoghesi (da 6 comuni) con 180 segmenti di metadati annotati, tradotti automaticamente in inglese per test cross-lingua.
Modelli Pre-addestrati: Rilascio dei modelli fine-tuned e delle linee guida di annotazione, stabilendo il primo benchmark per questo dominio specifico.

4. Risultati Sperimentali

Gli esperimenti sono stati condotti su un dataset di 120 documenti (120 in portoghese, tradotti in inglese) confrontando la pipeline MiNER con modelli LLM generici (Phi e Gemini).

Performance di MBD: Il modello XLM-RoBERTa ha superato significativamente i baselines non supervisionati (BM25 e Dense Retriever), ottenendo un F1-score di 0.826 in portoghese e 0.714 in inglese.
Performance di MER:
- I modelli Transformer specializzati hanno raggiunto prestazioni eccellenti: BERTimbau + Deslex ha ottenuto un F1-score di 0.96 in portoghese.
- Le categorie principali (data, orari, numero riunione) sono state estratte con precisione quasi perfetta (F1 = 1.00).
- Le entità relative ai partecipanti (assenti/sostituiti) e i tipi di riunione "straordinari" (pochi esempi) hanno mostrato prestazioni inferiori a causa della variabilità e dello sbilanciamento dei dati.
Generalizzazione Cross-Municipalità:
- La valutazione "Leave-one-out" (addestramento su 5 comuni, test su 1) ha mostrato una riduzione delle prestazioni (F1 ~0.80 in PT, ~0.72 in EN), evidenziando che la variabilità stilistica rimane una sfida.
- Tuttavia, l'aggiunta di pochi esempi annotati (1-3 verbali) per un nuovo comune ha permesso di raggiungere rapidamente un F1 > 0.95, dimostrando la rapida adattabilità del modello.
Confronto con LLM (Gemini e Phi):
- I modelli LLM generici hanno avuto prestazioni scarse (Gemini F1 = 0.27) a causa di una bassa recall e output frammentati.
- Efficienza: La pipeline MiNER è stata 1.800 volte più veloce (0.4s vs 737s) e ha generato 400 volte meno emissioni di carbonio rispetto all'uso di LLM chiusi.
Ablation Study: L'omissione dello stadio 1 (MBD) ha causato un lieve calo di accuratezza (da 0.965 a 0.945), ma ha aumentato drasticamente i tempi di addestramento (da 1 a 50 minuti), confermando l'importanza della riduzione del rumore.

5. Significato e Conclusioni

Il lavoro di MiNER dimostra che modelli specializzati e di dimensioni ridotte, se combinati con una strategia di pipeline intelligente (segmentazione + NER + deslexicalizzazione), superano i grandi modelli linguistici (LLM) generici in termini di accuratezza, costo computazionale e sostenibilità ambientale per compiti di estrazione strutturata in domini specifici.

Sebbene la generalizzazione tra comuni diversi rimanga una sfida a causa della diversità linguistica e strutturale, la pipeline offre una base solida per la gestione automatizzata delle informazioni pubbliche. Il futuro lavoro si concentrerà su strategie di adattamento adattivo e sull'integrazione con compiti di riassunto e linking documentale.