HIPE-2026: cómo extraer relaciones «persona-lugar» de periódicos históricos sin redes neuronales

En la competición científica HIPE-2026, el equipo DS@GT HIPE demostró que las relaciones «persona-lugar» en periódicos históricos se pueden extraer sin modelos de lenguaje preentrenados. Su sistema, de menos de 847 mil parámetros, ocupó el 3.º lugar en el perfil de eficiencia entre 17 equipos y alcanzó un macro recall de 0,5142. El preprint se publicó en arXiv (julio de 2026).

Qué muestra el estudio

HIPE-2026 convirtió por primera vez la extracción de relaciones «persona-lugar» en periódicos históricos multilingües en un track de evaluación independiente, en inglés, francés y alemán. La tarea del track consiste en clasificar las relaciones at e isAt entre menciones de personas y de ubicaciones ya anotadas. El equipo DS@GT HIPE (team 2 en los resultados oficiales) quiso comprobar hasta dónde se puede llegar con un sistema ligero e interpretable que no usa ningún gran modelo de lenguaje en la etapa de clasificación de relaciones.

El sistema de DS@GT HIPE construye un grafo a nivel de documento a partir de análisis sintácticos (dependency parses), extrae características de proximidad y de categoría gramatical para cada par de entidades y las clasifica con pequeños ensembles de scikit-learn o con Graph Attention Networks compactas. Cada ejecución enviada a evaluación se mantuvo por debajo de 847 mil parámetros.

• HIPE-2026 incorpora un track nuevo: relaciones «persona-lugar», en inglés, francés y alemán
• Se clasifican las relaciones at e isAt entre menciones anotadas de personas y de lugares
• El equipo DS@GT HIPE es el team 2 en los resultados oficiales
• Mejor ejecución: macro recall de 0,5142 en el test A (conjunto de prensa)
• Resultado: 3.º lugar en eficiencia y mitad de la tabla en precisión entre 17 equipos

¿Qué característica resuelve la tarea?

La distancia mínima en caracteres entre las entidades capta por sí sola la mayor parte de la señal de clasificación. Es la primera de las dos conclusiones principales del equipo. Añadir otras características diseñadas a mano produce mejoras desiguales y, en ocasiones, empeora el resultado. Esto coincide con datos anteriores según los cuales la distancia entre argumentos domina en la tarea de extracción de relaciones.

«La distancia mínima en caracteres capta por sí sola la mayor parte de

la señal de clasificación», señala el artículo del equipo DS@GT HIPE en arXiv.

La lectura práctica es sencilla: la costosa ingeniería de características y los modelos pesados no compensan aquí. La proximidad de dos menciones en el texto es una señal casi suficiente para predecir la relación entre una persona y un lugar.

¿Por qué la validación cruzada habitual infla el resultado?

Dividir los datos a nivel de pares infla las puntuaciones entre 25 y 37 puntos porcentuales, porque las mismas menciones de entidades se repiten en distintos documentos y generan una fuga de datos (data leakage). El equipo DS@GT HIPE mostró que, en este corpus, es fundamental aplicar validación cruzada agrupada por documentos (document-grouped): elimina la fuga y devuelve una estimación honesta de la calidad.

Esta conclusión pesa más que el puesto concreto en la tabla. Es una advertencia para otros investigadores de archivos históricos: la validación cruzada aleatoria estándar dibuja de forma sistemática un panorama demasiado optimista cuando las menciones de personas y lugares pasan de un documento a otro.

Qué significa

En la digitalización de archivos históricos, la escala y el coste del procesamiento importan tanto como la precisión. El trabajo de DS@GT HIPE muestra que los métodos ligeros e interpretables, de menos de un millón de parámetros, siguen siendo competitivos en eficiencia, y que un esquema de evaluación honesto vale más que una característica compleja adicional.

Preguntas frecuentes

¿Qué son las relaciones at e isAt en HIPE-2026?

Son los tipos de relación «persona-lugar» que hay que clasificar entre menciones de personas y de ubicaciones ya anotadas en periódicos históricos en inglés, francés y alemán. El track se añadió a HIPE-2026 como una nueva tarea de evaluación.

¿Por qué el sistema prescindió de grandes modelos de lenguaje?

El equipo DS@GT HIPE quería comprobar hasta dónde se puede llegar con un enfoque ligero e interpretable: un grafo construido a partir de análisis sintácticos más características de proximidad, y una clasificación con ensembles de scikit-learn o con Graph Attention Networks compactas. Todas las ejecuciones se mantuvieron por debajo de 847 mil parámetros, lo que les valió el 3.º lugar en eficiencia.