Este artículo explora la aplicación del aprendizaje automático para la indexación temática automática, utilizando dos subcorpus de las Obras Completas de Voltaire como caso de prueba. La tarea se plantea como un problema de clasificación multietiqueta donde los modelos asignan entradas de índice a páginas de texto.

  • El estudio compara modelos basados en codificadores con cabezales de clasificación frente a grandes modelos de lenguaje generativos (LLM) ajustados mediante Adaptación de Bajo Rango (LoRA).
  • Los tamaños de los modelos oscilan entre aproximadamente 3 y 120 mil millones de parámetros.
  • El modelo de mejor rendimiento, un modelo de la familia Mistral en configuración cuantizada de 4 bits, alcanza puntuaciones F1 de hasta 0.67.
  • Los autores argumentan que estas cifras representan límites inferiores debido a la subjetividad inherente de la indexación profesional.

Los hallazgos tienen implicaciones para proporcionar acceso temático estructurado a corpus literarios e históricos a gran escala.