HIPE-2026: как извлечь связи «человек-место» из исторических газет без нейросетей

El equipo DS@GT HIPE, en la competencia científica HIPE-2026, demostró que es posible extraer relaciones «persona-lugar» de periódicos históricos sin modelos de lenguaje preentrenados: su sistema, con un tamaño de hasta 847 mil parámetros, obtuvo el 3.er puesto en el perfil de eficiencia entre 17 equipos, alcanzando un macro recall de 0,5142. El preprint se publicó en arXiv (julio de 2026).

Qué mostró la investigación

HIPE-2026 introdujo por primera vez la extracción de relaciones «persona-lugar» de periódicos históricos multilingües como 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 ubicaciones previamente etiquetadas. El equipo DS@GT HIPE (team2 en los resultados oficiales) puso a prueba hasta dónde puede llegar un sistema ligero e interpretable que, en la etapa de clasificación de relaciones, no utiliza ni un solo modelo de lenguaje grande.

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

*HIPE-2026 es un track nuevo: relaciones «persona-lugar», en inglés, francés y alemán

*Se clasifican las relaciones at e isAt entre menciones etiquetadas de personas y lugares

*El equipo DS@GT HIPE es team2 en los resultados oficiales

*Mejor ejecución: macro recall de 0,5142 en el Test A (el conjunto de periódicos)

*Resultado: 3.er puesto en eficiencia, mitad de la tabla en precisión entre 17 equipos

¿Qué característica resuelve la tarea?

La distancia mínima en caracteres entre entidades, por sí sola, capta la mayor parte de la señal de clasificación: esta es la primera de las dos conclusiones principales del equipo. Añadir otras características diseñadas aporta ganancias desiguales, y a veces empeora el resultado. Esto coincide con evidencia previa de que la distancia entre argumentos domina la tarea de extracción de relaciones.

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

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

El sentido práctico es simple: la ingeniería costosa de características y los modelos pesados no se justifican aquí. La proximidad de dos menciones en el texto es una señal casi suficiente para predecir una relación entre una persona y un lugar.

¿Por qué la validación cruzada habitual infla el resultado?

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

Esta conclusión es más importante que la posición concreta en la tabla del torneo. Advierte a otros investigadores de archivos históricos: la validación cruzada aleatoria estándar dibuja sistemáticamente un panorama demasiado optimista cuando las menciones de personas y lugares migran de un documento a otro.

Qué significa esto

Al digitalizar archivos históricos, la escala y el costo del procesamiento importan tanto como la precisión. El trabajo de DS@GT HIPE muestra que los métodos ligeros e interpretables por debajo del 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 tipos de relaciones «persona-lugar» que deben clasificarse entre menciones previamente etiquetadas de personas y ubicaciones 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 los modelos de lenguaje grandes?

El equipo DS@GT HIPE puso a prueba hasta dónde puede llegar un enfoque ligero e interpretable: un grafo construido a partir de análisis sintácticos de dependencias más características de proximidad, con la clasificación a cargo de ensambles de scikit-learn o compactas Graph Attention Networks. Todas las ejecuciones se mantuvieron por debajo de 847 mil parámetros, lo que dio como resultado el 3.er puesto en eficiencia.