Gil Leiva

Gil Leiva, Isidoro
La automatizacin de la indizacin,
propuesta terico- metodolgica:
aplicacin al rea de biblioteconoma
y documentacin
Universidad de Murcia
Servicio de Publicaciones
Agradecimientos/
A mis padres por su

confianza y apoyo sin peros
Agradecimientos/
AGRADECIMIENTOS
Quiero agradecer a Javi, Gregorio y Pedro el apoyo que me han prestado durante el
largo perodo en el que he llevado a cabo este trabajo. Asimismo, quiero agradecer
a Vivina los continuos consejos y nimos desde que inici esta labor.
Tambin doy las gracias a Yolanda,

ayuda.
Juani, Pepita y Antonio por su
Finalmente, agradezco a los doctores Rodrguez Muoz y Vera Lujn la direccin de

esta tesis doctoral.
Has de saber que esta vida es

el minsculo chapoteo
de una gota de agua.
Una bella criatura que desaparece
en el mismo momento
en que empieza a existir.
Por lo tanto, mrcate tu meta,
y aprovecha al mximo cada da
y cada noche para alcanzarla.
Tsong-khapa
Resumen/
RESUMEN
Se expone un marco conceptual sobre la automatizacin de la indizacin concretado
en su delimitacin, los posicionamientos de los investigadores en Biblioteconoma y
Documentacin con respecto a estas indagaciones, el desarrollo diacrnico ocurrido
en esta automatizacin, y en la explicitacin de la interdisciplinariedad inherente a
este proceso. Se presenta una propuesta terico-metodolgica para disear un
procedimiento
semiautomtico
para
la
indizacin
de
documentos
sobre
Biblioteconoma y Documentacin constituido por cuatro mdulos. En los tres

primeros se preparan las fuentes utilizadas, se seleccionan los trminos candidatos
a descriptores y se valoran y ponderan dichos trminos, mientras que en el cuarto
mdulo el usuario ejecuta una validacin y edicin interactiva de los resultados
propuestos. El sistema se fundamenta en el uso de un vocabulario controlado sobre
Biblioteconoma y Documentacin construido para tal fin. La consistencia media
obtenida entre la indizacin de cincuenta artculos analizados por indizadores de la
Base de datos ISOC y por nuestra propuesta es de 25,93%.
Abstract/
ABSTRACT
A conceptual framework is described for the automatization of indexing involving its
delimitation, the positioning of researchers in Library Science and Documentation
with respect to these investigations, the diachronous development that has occurred
in this automatization, and specifying the inherent interdisciplinary nature of the
process. A theoretical-methodological proposal is presented to design a semiautomatic procedure for indexing Library Science and Documentation documents. It
consists of four modules. In the first three modules, the sources to be used are
prepared, the terms to be candidates for descriptors are first selected, and then
evaluated and assigned weights. In the fourth module the user interactively edits and
convalidates the proposed results. The system is based on the use of a controlled
Library Science and Documentation vocabulary constructed to this end. The mean
consistency obtained for the indexing of 50 articles analyzed by ISOC data base
indexers and by our proposal was 25.93%.
NDICE
0.- INTRODUCCIN.................................................................................. 1
1. Aspectos formales ................................................................................. 1
2. Motivaciones .......................................................................................... 2
2.1 Motivaciones cientficas............................................................... 2
2.2 Motivaciones personales ............................................................. 3
3. Metodologa ........................................................................................... 4
4. Objetivos .............................................................................................. 10
5. Estructuracin y presentacin.............................................................. 11
1.- LA INDIZACIN ................................................................................. 14

1.1. El proceso documental ..................................................................... 14
1.2. La indizacin ..................................................................................... 16
1.2.1. La indizacin. Definicin........................................................ 16
1.2.2. Las etapas de la indizacin ................................................... 19
1.2.3. Las zonas de extraccin de los conceptos.Tiempo dedicado 20
1.3. Las caractersticas de la indizacin .................................................. 22
1.3.1. La exhaustividad en la indizacin.......................................... 22
1.3.2. La especificidad en la indizacin ........................................... 25
1.3.3. La correccin de la indizacin ............................................... 25
1.3.4. La consistencia de la indizacin ............................................ 26
1.4. La recuperacin documental: Evaluacin del resultado
de la respuesta documental.............................................................. 29
1.4.1. La exhaustividad y la precisin en la recuperacin ............... 31
1.5. Los sistemas de indizacin ............................................................... 34
1.5.1. La indizacin por materias..................................................... 34
1.5.2. La indizacin por unitrminos................................................ 35
1.5.3. La indizacin por descriptores............................................... 35
1.5.3.1. Los enlaces entre los descriptores................................. 37
1.5.3.2. Los operadores utilizados en las preguntas documentales...................................................................................... 40
1.5.3.3. Las caractersticas generales de los descriptores ......... 42
1.6. Los lenguajes documentales ............................................................ 42
1.6.1. La tipologa de los lenguajes documentales.......................... 43
1.6.1.1. Las listas de palabras clave ........................................... 44
1.6.1.2. Las clasificaciones ......................................................... 44
1.6.1.3. Las listas de encabezamientos de materias .................. 45
Indice/
1.6.1.4. Los tesauros................................................................... 48

1.7. La normalizacin de la indizacin ..................................................... 50
2.- LA AUTOMATIZACIN DE LA INDIZACIN .................................... 53

2.1. Introduccin ...................................................................................... 53
2.2. La indizacin humana versus indizacin automtica ........................ 54
2.2.1. Argumentaciones en contra de la automatizacin de la indizacin .............................................................................................. 54
2.2.2. Argumentaciones a favor de la automatizacin de la indizacin .............................................................................................. 57
2.3. El desarrollo diacrnico de la automatizacin de la indizacin ......... 60
2.3.1. Los mtodos estadsticos ...................................................... 61
2.3.2. Los mtodos lingsticos ....................................................... 65
2.3.3. El uso de tesauros................................................................. 74
2.3.4. El uso de sistemas hbridos................................................... 76
2.3.5. La comparacin de la eficacia de la indizacin automtica
versus manual ....................................................................... 79
2.4. La interdisciplinariedad en la automatizacin de la indizacin.......... 81
2.4.1. Lingstica ............................................................................. 85
2.4.2. Terminologa ......................................................................... 87
2.4.3. Informtica............................................................................. 88
2.4.4. Lingstica computacional ..................................................... 89
2.4.5. Estadstica............................................................................. 90
2.4.6. Sistemas expertos ................................................................. 91
2.5. La automatizacin de la indizacin para informacin no textual....... 92
2.6. El nivel de implantacin de sistemas para la automatizacin
de la indizacin ................................................................................. 93
2.7. Esquema representativo de las herramientas utilizadas
en la automatizacin de la indizacin ............................................... 98
3.- PROPUESTA TERICO-METODOLGICA PARA LA AUTOMATIZACIN DE LA INDIZACIN EN EL REA DE BIBLIOTECONOMA
Y DOCUMENTACIN ........................................................................... 100
3.1. Introduccin .................................................................................... 100
3.2. La eleccin de las fuentes utilizadas en la
automatizacin de la indizacin ....................................................... 101
Indice/
3.2.1. Los antecedentes de estos estudios ................................... 101

3.2.2. Ensayo en las Bases de datos del CSIC............................. 103
3.2.2.1. Material y mtodos....................................................... 104
3.2.2.2. Resultados ................................................................... 105
3.2.2.3. Conclusiones................................................................ 106
3.3. La eleccin de un vocabulario controlado....................................... 107
3.3.1. La justificacin de la eleccin de un vocabulario controlado108
3.3.2. La elaboracin de la lista de trminos autorizados ............. 111
3.4. Propuesta para la automatizacin de la indizacin......................... 115
3.4.1. Los mdulos del sistema..................................................... 117
3.4.1.1. Mdulo 1: Preprocesamiento ....................................... 118
3.4.1.2. Mdulo 2: Procesamiento ............................................ 123
3.4.1.3. Mdulo 3: Valoracin y ponderacin ............................ 132
3.4.2. Anlisis de un documento en funcin
de la propuesta precedente................................................. 135
3.4.3. La evaluacin de la propuesta ............................................ 149
3.4.4. Los problemas detectados .................................................. 156
4.-CONCLUSIONES.............................................................................. 157
5.-BIBLIOGRAFA ................................................................................. 165
6.-ANEXOS............................................................................................ 191
Anexo 1: Glosario .......................................................................... 191
Anexo 2: Definiciones sobre indizacin......................................... 195
Anexo 3: Etapas en la indizacin .................................................. 197
Anexo 4: Proceso ntegro de la indizacin .................................... 199
Anexo 5: Palabras vacas.............................................................. 200
Anexo 7: ndices de consistencia resultantes................................ 202
Anexo 8: Vocabulario controlado................................................... 220
Indice/
INDEX
0. INTRODUCTION ................................................................................... 1
1. Formal aspects ...................................................................................... 1
2. Motivations............................................................................................. 2
2.1 Scientific motivations................................................................. 2
2.2 Personal motivations ................................................................. 3
3. Methodology .......................................................................................... 4
4. Objectives ............................................................................................ 10
5. Arrangement and presentation ............................................................ 11
1. INDEXING ........................................................................................... 14
1.1 The documentary process ................................................................. 14
1.2 Indexing ............................................................................................. 16
1.2.1 Indexing. Definition............................................................... 16
1.2.2. The stages of indexing ........................................................ 19
1.2.3. The zones of extraction of concepts. Dedicated time.......... 20
1.3. The characteristics of indexing ......................................................... 22
1.3.1. Completeness in indexing ................................................... 22
1.3.2. Specificity in indexing .......................................................... 25
1.3.3. Correction of indexing ......................................................... 25
1.3.4. Consistency of indexing ...................................................... 26
1.4 Information retrieval: evaluation of the result of the documentary
response .................................................................................................. 29
1.4.1. Completeness and accuracy in retrieval.............................. 31
1.5. Indexing systems .............................................................................. 34
1.5.1. Indexing by subject.............................................................. 34
1.5.2. Indexing by uniterms ........................................................... 35
1.5.3. Indexing by descriptors ....................................................... 35
1.5.3.1. Links between descriptors ..................................... 37
1.5.3.2. The operators used in documentary questioning... 40
1.5.3.3. General characteristics of the descriptors.............. 42
1.6. Documentary languages ................................................................... 42
1.6.1. Typology of documentary languages................................... 43
1.6.1.1. Keyword lists.......................................................... 44
1.6.1.2. Classifications........................................................ 44
1.6.1.3. Subject-heading lists.............................................. 45
1.6.1.4. Thesauri................................................................. 48
1.7. The normalization of indexing ........................................................... 50
Index/
2. THE AUTOMATIZATION OF INDEXING............................................. 53

2.1. Introduction ....................................................................................... 53
2.2. Human indexing versus automatic indexing...................................... 54
2.2.1. Arguments against automatization of indexing.................... 54
2.2.2. Arguments in favour of automatization of indexing ............. 57
2.3. The diachronic development of the automatization of indexing ........ 60
2.3.1. Statistical methods .............................................................. 61
2.3.2. Linguistic methods............................................................... 65
2.3.3. The use of thesauri ............................................................. 74
2.3.4. The use of hybrid systems .................................................. 76
2.3.5. Comparison of the efficacy of manual versus automatic
indexing ......................................................................................... 79
2.4. Interdisciplinarity in the automatization of indexing........................... 81
2.4.1. Linguistics............................................................................ 85
2.4.2. Terminology......................................................................... 87
2.4.3. Computer science ............................................................... 88
2.4.5. Computational linguistics..................................................... 89
2.4.5. Statistics .............................................................................. 90
2.4.6. Expert systems.................................................................... 91
2.5. The automatization of indexing for non-text information ................... 92
2.6. The level of implantation of systems for the automatization of
indexing ................................................................................................... 93
2.7. Representative scheme of the tools used in the automatization of
indexing ................................................................................................... 98
3. THEORETICAL-METHODOLOGICAL PROPOSAL FOR
THE AUTOMATIZATION OF INDEXING IN THE AREA OF
LIBRARY SCIENCE AND DOCUMENTATION ..................................... 100
3.1 Introduction ...................................................................................... 100
3.2. The choice of sources used in the automatization of indexing ....... 101
3.2.1. Antecedents of these studies ............................................ 101
3.2.2. Trial with CSIC data bases................................................ 103
3.2.2.1. Material and methods .......................................... 104
3.2.2.2. Results................................................................. 105
3.2.2.3. Conclusions ......................................................... 106
3.3. The choice of a controlled vocabulary ............................................ 107
3.3.1. The justification of the choice of a controlled vocabulary .. 108
3.3.2. Construction of the list of authorized terms ....................... 111
Index/
3.4. Proposal for the automatization of indexing.................................... 115

3.4.1. The modules of the system ............................................... 117
3.4.1.1. Module 1: Preprocessing ..................................... 118
3.4.1.2. Module 2: Processing .......................................... 123
3.4.1.3. Module 3: Evalation and weight assignation........ 132
3.4.2. Analysis of a document as a function of the preceding
proposal ...................................................................................... 135
3.4.3. Evaluation of the proposal................................................. 149
3.4.4. Problems detected ............................................................ 156
4.-CONCLUSIONS ................................................................................ 157
5.-REFERENCES .................................................................................. 165
APPENDICES........................................................................................ 191
Appendix 1: Glossary............................................................................. 191
Appendix 2: Definitions concerning indexing ......................................... 195
Appendix 3: Stages in indexing.............................................................. 197
Appendix 4: Integral process of indexing ............................................... 199
Appendix 5: Stop words ......................................................................... 200
Appendix 7: Resultant consistency indices ............................................ 202
Appendix 8: Controlled vocabulary ........................................................ 220
Index/
In to d u c c i n /
0.- INTRODUCCIN
1 ASPECTOS FORMALES.
El Doctorado, segn el Real Decreto 185/1985 del 16 de febrero, constituye la
condicin esencial para el progreso cientfico, social y econmico de una
comunidad. La formacin de los investigadores depende de la profundidad de sus
contenidos y la seriedad en su planteamiento. Por ello, la Ley de Reforma
Universitaria se plantea cuatro grandes objetivos en los estudios de postgrado:
1. Disponer de un marco adecuado para la consecucin y transmisin de los
avances cientficos.
2. Formar a los nuevos investigadores y preparar equipos de investigacin que
afronten con xito el reto que suponen las nuevas ciencias, tcnicas y
metodologas.
3. Impulsar la formacin del nuevo profesorado.
4. Perfeccionar el desarrollo profesional, cientfico, tcnico y artstico de los titulados
superiores.
La Ley seala como requisitos para la obtencin del ttulo de Doctor, la necesidad
de estar en posesin del ttulo de Licenciado, Arquitecto o Ingeniero, para: a)
realizar y aprobar los cursos y seminarios del programa de Doctorado
correspondiente con una duracin de, al menos, dos cursos acadmicos, y b)
presentar y aprobar una Tesis Doctoral consistente en un trabajo original de
investigacin, ambas fases bajo la supervisin y responsabilidad acadmica de un
Departamento1.
Tras la obtencin del ttulo de Licenciado, y con posesin del ttulo de Diplomado en
Biblioteconoma y Documentacin, comenzamos los Cursos de Doctorado en el
Real Decrecto n 185/1985, publicado en el Boletn Oficial del Estado n 41 del 16 de febrero de 1985
por el que se regula el tercer ciclo de estudios universitarios, la obtencin y expedicin del ttulo de
Doctor y otros estudios postgraduados.
In to d u c c i n /
programa TCNICAS Y MTODOS ACTUALES EN INFORMACIN Y DOCUMENTACIN2,

coordinado por los Dres. Vivina Asensi y Jos V. Rodrguez Muoz, correspondiente
al bienio 94/96. Estos cursos nos sirvieron para perfilar e iniciar la presente Tesis
doctoral.
2 MOTIVACIONES.
2.1 Cientficas.
Entre las razones que justifican las investigaciones para la automatizacin de la
indizacin destacan:
La subjetividad est presente en el proceso de la indizacin. El grado de
coincidencia entre los trminos de indizacin asignados por indizadores
profesionales diferentes suele oscilar entre el 30% y 60%. Sobre estos y otros
aspectos se manifest Cleverdon [1984] cuando expres que si dos
indizadores expertos analizan separadamente un mismo documento slo
convergen en el 30% de los trminos propuestos; si dos personas o grupos
construyen un tesauro solamente concuerdan en el 60% de los trminos
incluidos; si dos profesionales interrogan una base de datos con la misma
cuestin slo el 40% de la informacin recuperada es comn; y por ltimo, si
se pregunta a dos cientficos sobre la relevancia de un conjunto de
documentos, para una determinada cuestin, el acuerdo entre ambos no
excede del 60%. (Factor subjetividad).
Las publicaciones peridicas, en la actualidad, son el vehculo de transmisin
de ingentes cantidades de informacin cientfico-tcnica. La comunidad
cientfica necesita mantenerse al corriente de los continuos avances
2 Los treinta y dos crtidos se completaron con los siguientes cursos: Programacin lgica y lenguaje
natural; Concepto e historia de la archivstica; Evaluacin de sistemas de informacin y
documentacin. Contraste de los lenguajes de recuperacin empleados; Anlisis de sistemas de
informacin: propuesta de la metodologa mtrica; Tendencias actuales en los sistemas de
recuperacin
de
informacin
(I);
Indicadoresde
actividad
cientfica
y
modelos
bibliomtricos;Tendencias actuales en los sistemas de recuperacin de informacin (II); Lneas de
investigacin en bibliotecas de instituciones educativas; El desarrollo informativo de la literatura gris en
los distintos campos de la ciencia; Proceso y puesta en marcha de un Centro de documentacin;
Aplicaciones estadsticas en informacin y documentacin; y Bases de datos lingstico-gramaticales.
Cursos impartidos tanto por doctores del departamento de Informacin y Documentacin como por
otros como Lengua Espaola y Lingstica General, Sociosanitarias o Matemticas.
In to d u c c i n /
ocurridos, y para ello, dispone de las bases de datos. Para el

almacenamiento de un documento en stas se ha de indizar previamente. En
la Base de datos espaola ISOC se incorporan unos veintiseis mil artculos al
ao; en el Centro de Documentacin ruso ICSTI hasta 1992 se indizaban
anualmente casi cincuenta mil nuevos documentos; en la Biblioteca Nacional
de Agricultura de los Estados Unidos entre setenta y ochenta mil; mientras
que en la Base de datos alemana PHYS unos ciento veinticinco mil. Si
tenemos en cuenta que una indizacin adecuada de un documento requiere
unos diez minutos -si bien es muy dificil precisar este dato-, supone que un
profesional en siete horas de trabajo al da sin descanso indizar menos de
cincuenta documentos.
Sin embargo, si un profesional slo logra indizar ese nmero de documentos,
algunas unidades de informacin y/o productores de bases de datos
necesitan un gran nmero de indizadores si pretenden que sus clientes
permanezcan al tanto de las ltimas novedades cientficas. En cambio, con la
automatizacin de esta operacin se consigue mayor rapidez. As por
ejemplo, en el Getty Conservation Institute de los Estados Unidos que
produce boletines de resmenes sobre Arte y Arqueologa, antes de aplicar la
automatizacin se indizaban 3,3 resmenes a la hora. Despus se pas a
16,8. (Factor tiempo y econmico).
En definitiva, un sistema de indizacin asistida, semiautomtica o automtica
interesa para alcanzar una mayor consistencia en la indizacin, para efectuarla
siempre bajo los mismos parmetros, y para reducir el tiempo y el coste de
ejecucin. Obviamente, estos elementos repercuten en la calidad de los resultados y
en la productividad de la institucin.
2.2 Motivaciones personales.
La razn personal que nos mueve a emprender esta tesis es triple. En primer lugar,
para la adquisicin de un mtodo de trabajo que nos conduzca al conocimiento de
unos saberes que culminen nuestro aprendizaje universitario. En segundo lugar,
guiados por el fin mismo de la investigacin cientfica, es decir, la produccin de
unos frutos que redunden de algn modo en la comunidad en la que vivimos. Y en
tercer lugar, el inters por este tema del Anlisis del contenido de la Informacin
In to d u c c i n /
arranca desde nuestra etapa como alumno de la Escuela de Biblioteconoma y

Documentacin de esta Universidad. Estas inquietudes nos llevaron a realizar un
trabajo sobre los Orgenes del Anlisis, Almacenamiento y Recuperacin de la
Informacin, donde se estudiaron aspectos de los incipientes modos de indizacin
sobre los primeros soportes documentales en la Antigedad.
3 METODOLOGA.
El mtodo cientfico segn Sierra Bravo [1994, p. 29] es:
una forma de realizar una actividad; el camino o proceso que la actividad en
cuestin ha de seguir para alcanzar su objetivo [...]. En el mtodo cientfico se
pueden distinguir su contenido o mtodo propiamente dicho, formado
fundamentalmente por la serie de etapas sucesivas a seguir para alcanzar el
resultado pretendido y su base racional, constituida por el conjunto de ideas
que sirven de fundamento y de orientacin al mtodo propiamente dicho.
Por tanto, segn estos principios, necesitbamos un mtodo de trabajo con el que
guiar la investigacin que pretendamos iniciar. Por consiguiente, la metodologa
adoptada no fue otra que la tpica del mtodo cientfico dividido en estas etapas:
1.- Descubrimiento de los problemas de la investigacin.
La indizacin y sus aspectos circundantes han sido temas de inters para los
investigadores en las ltimas dcadas debido a que esta operacin es la clave para
el almacenamiento y la recuperacin de la informacin. La automatizacin de esta
tarea ha centrado numerosos trabajos desde finales de los aos cincuenta hasta la
actualidad. La mayor parte de ellos han pretendido llegar al mismo fin, pero en
ocasiones han seguido diferentes metodologas.
Al acercanos a la automatizacin de la indizacin se echa en falta trabajos donde se
ofrezca una visin global del desarrollo ocurrido en este proceso. Por otro lado, se
ha reconocido que la Documentacin es un rea interdisciplinaria, e incluso se ha
puesto de manifiesto cuales son las disciplinas y las ciencias que prestan
fundamentos tanto tericos como prcticos para su constitucin. Pero en cambio, no
se ha tratado la interdisciplinariedad inherente a la automatizacin de la indizacin.
In to d u c c i n /
Por ltimo, tambin hay carencias en cuanto a propuestas dirigidas a la

automatizacin de la indizacin de textos en espaol.
Estas ideas de partida tratamos de corroborarlas en la siguiente fase del mtodo
cientfico, que no es otra que la documentacin de la investigacin.
2.- Documentacin de la investigacin.
La investigacin cientfica debe partir de los descubrimientos cientficos antes
conseguidos y, por tanto, exige una labor de documentacin y de lectura para
conocer su existencia y recogerlos si fuera preciso. En virtud de este principio,
emprendimos la labor de documentacin por medio de una revisin bibliogrfica.
Esta fase de documentacin la dividimos en cuatro momentos bien diferenciados
pero complementarios y, en la mayora de las ocasiones, coincidentes en el espacio
y en el tiempo. Consideramos doblemente justificado detallar de forma minuciosa
esta fase de bsqueda y de revisin documental, por nuestra condicin de
doctorando, lo que nos lleva a explicitar la labor documental llevada a cabo, y por
nuestra categora de documentalista.
PRIMERA FASE:
- Anlisis y estudio de monografas espaolas y extranjeras, que dedicaran parte de
su contenido a la automatizacin de la indizacin, con el fin de obtener una primera
visin del asunto. Esto dio lugar a la confeccin de un conjunto de fichas temticas
en donde se recogan aspectos que nos parecan interesantes, as como citas
textuales.
SEGUNDA FASE:
- Anlisis y estudio de publicaciones peridicas por medio del vaciado de revistas:
Revisamos revistas espaolas sobre Biblioteconoma y Documentacin en busca
de trabajos publicados. Algunas de las revistas fueron:
In to d u c c i n /
Revista Espaola de Documentacin Cientfica

Revista General de Informacin y Documentacin
Ciencias de la Documentacin
Boletn de la ANABAD
Boletn de la Asociacin Andaluza de Bibliotecarios
Boletn de la Sociedad Espaola del Procesamiento del Lenguaje Natural
ITEM. Revistade Biblioteconomia i Documentaci
Mtodos de Informacin
Vaciado de las Actas publicadas con motivo de los principales Congresos y
Jornadas celebradas en Espaa sobre Biblioteconomay Documentacin:
Jornadas Espaolas de Documentacin Automatizada
Jornades Catalanes de Documentaci
Vaciado de Actas publicadas en Congresos afines a Biblioteconoma y
Documentacin:
Sociedad Espaola para el Procesamiento del Lenguaje Natural
Lenguajes Naturales y Lenguajes Formales
Vaciado de las bases de datos (en papel) disponibles en la Biblioteca de la
Escuela de Biblioteconoma y Documentacin de la Universidad de Murcia:
LISA(1991-1992-1993-1995-1996-1997)
PASCAL (1991-1992)
Vaciado de las publicaciones peridicas extranjeras disponibles en la Biblioteca de
la Escuela de Biblioteconoma y Documentacin de la Universidad de Murcia, que
trataran, directa o indirectamente, nuestro asunto:
Documentaliste-Sciences de l'Information
Documentation et Bibliothques
Encyclopedia of Library of Information Science
Information Sciences Applications an International Journal
International Forum on Information and Documentation
Journal of Documentation
In to d u c c i n /
Journal of Information Science

Knowledge Organization
Vaciado de otras revistas no ubicadas en Murcia cuya revisin era interesante. De
este modo, examinamos publicaciones y nmeros determinados en la Biblioteca de
la Escuela de Biblioteconoma y Documentacin de Granada y en la Biblioteca del
Centro de Informacin y Documentacin Cientfica (CINDOC) en Madrid. Las
fuentes fueron:
Annual Review of Information Science and Technology
Aslib Proceedings
Automatic Documentation and Mathematical Linguistics
Information Processing and Management
Journal of the American Society for Information Science (JASIS)
Library Hi Tech
Library Software review
Pascal Thema
The Indexer
TERCERA FASE:
Consultas a Bases de datos nacionales e internacionales sobre:
Artculos Cientficos:
Base de datos ISOCdel CSIC
Base de datos Medline (CD-ROM)
Base de datos Silver Platter (CD-ROM),(rea Biblioteconoma y Doc.)
Tesis Doctorales nacionales y extranjeras:
TESEO: En febrero de 1996 se consult esta base de datos del Ministerio de
Educacin y Ciencia, dedicada a Tesis doctorales espaolas. Los
descriptores utilizados fueron:
In to d u c c i n /
INDIZACIN
INDIZACIN AUTOMTICA
LINGSTICA COMPUTACIONAL
PROCESAMIENTO DEL LENGUAJE NATURAL
LINGSTICA INFORMTICA
Sobre la automatizacin de la indizacin no se encontr ninguna Tesis. Esta
base de datos se volvi a consultar en febrero de 1997 y el resultado fue el
mismo.
Dissertation Abstracts Online: Esta base de datos norteamericana cuenta
con ms de un milln doscientas mil tesis, principalmente, de Estados
Unidos, si bien abarca Canad y Europa desde 1988. La bsqueda se
efectu en febrero de 1996 y se localizaron 18 Tesis Doctorales, la ms
reciente de 1995 y la ms antigua de 1970.
CUARTA FASE:
En esta ltima fase el objetivo era buscar informacin sobre la automatizacin de la
indizacin en Internet. Para ello, utilizamos los buscadores Lycos, Yahoo, Infoseek y
Altavista. Esta opcin nos permiti conocer Departamentos universitarios en los que
se ha trabajado este asunto y empresas que comercializan productos para el
anlisis de la informacin.
En esta fase de documentacin solamente se han encontrado dos artculos
directamente relacionados con nuestro tema de investigacin publicados en fuentes
espaolas. El primer articulo lo public en 1983 Valle Bracero y Fernndez Garca,
bajo el ttulo Automatizacin de la indizacin y coordinacin de descriptores, en la
Revista Espaola de Documentacin Cientfica. El otro artculo corresponde al
titulado: Primeras experiencias sobre el anlisis de textos en castellano aplicado a
la indexacin automtica de informacin, publicado en 1990 por Simn Granda y
Lema Garzn, en las Terceras Jornadas Espaolas de Documentacin
Automatizada. Estos trabajos presentan varias propuestas para la automatizacin
cuyofundamento esencial era la extraccin de un conjunto de estructuras
sintagmticas preestablecidas o patrones admitidos para constituir candidatos a
descriptores.
In to d u c c i n /
Por otro lado, los manuales sobre Biblioteconoma y Documentacin publicados por
investigadores o profesionales espaoles apenas dedican unas lneas a la
automatizacin de la indizacin. En cambio, en pases como Francia, Brasil pero
principalmente, Estados Unidos se ha trabajado en este tema desde los aos
sesenta.
3.- Definicin de los problemas.
La fase anterior de documentacin nos vali por un lado, para definir los problemas
de partida, y por otro,para concretar an ms la direccin y las lneas de
investigacin de este trabajo. Por tanto, cabe precisar que:
No se han encontrado trabajos de investigacin que presenten de un modo
diacrnico el desarrollo ocurrido en la automatizacin de la indizacin donde se
concreten las metodologas empleadas, los problemas planteados o la misma
agrupacin de propuestas.
Por otro lado, hemos localizado estudios dedicados a plantear y demostrar la
interdisciplinariedad de la Documentacin, as como de la relacin existente entre la
Lingstica y la Documentacin, pero no se ha planteado la interdisciplinariedad
inherente a la automatizacin de la indizacin.
Por ltimo, la automatizacin de la indizacin ha sido un asunto poco tratado por
los investigadores espaoles de Biblioteconoma y Documentacin. Esto ha
provocado una carencia de propuestas dirigidas en este sentido para textos en
espaol.
4.- Cmo se han abordado los problemas.
Para llevar a cabo los objetivos que se mencionan en el epgrafe siguiente se han
seguido diferentes formas de actuar. Por un lado, el anlisis crtico de una parte
importante de la bibliografa consultada nos ha permitido aclarar y especificar temas
tan importantes como las caractersticas de la indizacin, mostrar el desarrollo
diacrnico y la problemtica de la automatizacin de la indizacin, o la
interdisciplinariedad inherente a este asunto. Por otro lado, hemos llevado tambin a
cabo un trabajo experimental dividido en dos momentos diferentes de la
In to d u c c i n /
10
investigacin. En primer lugar, un ensayo sobre la indizacin en diferentes Bases de

datos donde se comprob la importancia de los ttulos, los resmenes y los textos
en la indizacin de los documentos. En segundo lugar, se aplic manualmente el
sistema propuesto a un grupo de artculos indizados en una de dichas Bases de
datos con el fin de hallar los ndices de consistencia entre la indizacin efectuada
por los indizadores profesionales y por el sistema.
4 OBJETIVOS.
Perseguimos tres objetivos principales:
En primer lugar, pretendemos adentrarnos en los aspectos conceptuales relativos a
la indizacin para elaborar un marco terico del proceso ntegro que contemple
desde su delimitacin conceptual, fases de actuacin, desarrollo diacrnico y el
papel fundamental que desempea la indizacin como puente entre el
almacenamiento de los documentos y su recuperacin. En definitiva, en esta parte
del trabajo buscamos acercarnos al tema de estudio y a ello dedicaremos el captulo
uno.
En segundo lugar, acometeremos la revisin y el anlisis del desarrollo diacrnico
sucedido en la automatizacin de la indizacin desde las primeras propuestas, a
finales de los aos cincuenta, hasta el presente. Asimismo, comprobaremos cuales
son las ciencias y las disciplinas que intervienen, en mayor o menor medida, en
automatizar esta operacin. El fin de este captulo segundo es conocer las iniciativas
ms relevantes en la automatizacin de la indizacin, las metodologas empleadas,
los resultados obtenidos y el nivel de implantacin de estos sistemas en la
actualidad.
En tercer lugar, el descubrimiento, la asimilacin y la maduracin de todos los
aspectos estudiados en la consecucin de los objetivos anteriores, nos
proporcionarn los conocimientos suficientes para disear un procedimiento que nos
lleve a una propuesta para la automatizacin de la indizacin para el espaol, y ms
concretamente para el rea de Biblioteconoma y Documentacin. En consecuencia,
el tercer captulo de la tesis lo dedicaremos al desarrollo terico del sistema, en el
que se explicarn las razones, las herramientas y las metodologas adoptadas.
In to d u c c i n /
11
5 ESTRUCTURACIN Y PRESENTACIN.
La estructura de este trabajo est compuesta por una introduccin, por un cuerpo
central integrado por tres captulos, y por la parte dedicada a las conclusiones.
Adems, incluye las referencias bibliogrficas y el bloque de anexos.
En la introduccin, como se ha comprobado, se explica el marco acadmico en el
que se ha desarrollado esta tesis, cuales son las motivaciones que nos han inducido
a acometer esta investigacin, la metodologa seguida y los objetivos marcados.
El contenido de cada uno de los tres captulos ya se ha comentado en el epgrafe
anterior dedicado a los objetivos perseguidos con este trabajo. Y en el cuarto y
ltimo captulo, se exponen las conclusiones alcanzadas en esta investigacin.
El anexo est conformado por una serie de grficos y datos cuya aparicin en el
cuerpo central de la Tesis no estaba plenamente justificada. As, contiene los
siguientes anexos:
ANEXO 1: Glosario de trminos sobre Biblioteconoma y Documentacin
empleados a lo largo de este trabajo.
ANEXO 2: Tablas con definiciones de la indizacin
ANEXO 3: Etapas de la indizacin aportadas por diferentes autores.
ANEXO 4: Esquema del proceso ntegro de la indizacin.
ANEXO 5: Fichero de palabras vacas.
ANEXO 6: Resmenes de artculos de revista.
ANEXO 7: Resultados de los ndices de consistencia obtenidos en la
comparacin de la indizacin efectuada por profesionales y la conseguida tras la
aplicacin manual de la propuesta.
In to d u c c i n /
12
ANEXO 8: Vocabulario controlado sobre Biblioteconoma y Documentacin

utilizado por la propuesta.
En cuanto a la presentacin de la Tesis se ha optado por la colocacin de las notas
explicativas o aclarativas a pie de pgina, con la enumeracin correlativa a partir de
la nota 1. Este mismo proceso se ha repetido en cada uno de los captulos. El
motivo de este planteamiento es evitar el desplazamiento hasta la parte final para
consultar alguna nota. Por otro lado, para las citas bibliogrficas se ha optado por el
mtodo de colocar entre corchetes el nombre o nombres de los autores, el ao de
publicacin de la obra y la pgina que se cita, recogido en la norma UNE 50-104-94
(equivalente a ISO 690:1987).
Resumen captulo 1/
13
En este primer captulo se revisan los principales

aspectos tericos relativos a la indizacin. Se comienza
con una breve presentacin del proceso documental
como contexto en el que se efecta la indizacin.
Posteriormente, se lleva a cabo su delimitacin, as como
el examen de las etapas sucesivas en la indizacin de los
documentos. Despus se analizan sus principales
caractersticas, los sistemas de indizacin, los lenguajes
documentales, y por ltimo, la normalizacin de esta
tarea.
Indizacin/
1.- LA INDIZACIN
1.1 EL PROCESO DOCUMENTAL.
El primer paso que juzgamos necesario es situar la indizacin en el proceso
documental. El proceso documental es el conjunto de operaciones dirigidas a la
seleccin, la adquisicin, el registro y el tratamiento de los documentos con el fin de
posibilitar su almacenamiento y recuperacin para su difusin.
La entrada de los documentos en una Biblioteca o un Centro de Documentacin se
efecta por medio de dos etapas sucesivas: la seleccin y la adquisicin. La poltica
de adquisiciones debe estar perfectamente diseada en relacin al presupuesto, los
recursos y los servicios prestados. La incorporacin de fondos al centro se lleva a
cabo por compra y de modo gratuito. Los fondos gratuitos se consiguen por el
intercambio de documentos entre instituciones o por donaciones privadas.
Por otro lado, como su nombre indica seleccionar es elegir la documentacin que
debe incorporarse al centro. Por tanto, la seleccin del material y su posterior
adquisicin es la primera etapa del proceso que dirige a la constitucin de los fondos
documentales. Por lo general, en cada centro hay una persona encargada de esta
tarea y una cuestin clave en el proceso de la seleccin es contar con las
necesidades, las caractersticas y las preferencias de los usuarios. La seleccin de
los documentos se lleva a cabo a travs de bibliografas, de catlogos editoriales en
papel o en lnea, por consultas a bases de datos, a revistas especializadas y de
reseas, entre otras fuentes.
Otra fase en el proceso documental es el tratamiento tcnico que reciben los
documentos para que sean utilizados por los usuarios. Este tratamiento se divide en:
anlisis de la forma y anlisis del contenido. El anlisis de la forma de un documento
tambin se conoce como descripcin bibliogrfica o catalogacin, mientras que el
anlisis del contenido abarca dos procesos diferentes: el resumen y la indizacin.
La catalogacin se acomete una vez que el documento ha ingresado en el Centro,
aunque a veces, la descripcin bibliogrfica viene en las pginas preliminares del
propio documento. El objetivo de la catalogacin es:
14
Indizacin/
suministrar una representacin del documento que lo describa de forma

nica, sin ambigedades, y que permita luego identificarlo, localizarlo,
incorporarlo a los ficheros y catlogos. [Guinchat y Menou, 1983, p. 101]
Con respecto al anlisis del contenido de los documentos (resumen e indizacin)
cabe mencionar lo siguiente. El principal objetivo del resumen es informar a los
usuarios del contenido puntual de los documentos a travs de los elementos que
contribuyan a la toma de decisiones sobre la conveniencia de consultar el texto
completo. Moreiro Gonzlez [1989a, p. 157 y ss.] apunta otros objetivos como
reflejar los diferentes bloques de datos con sus caractersticas y sus atributos
principales, reemplazar la informacin y expresar el contenido esencial de los
documentos no textuales. En cuanto a la tipologa, este autor seala que
encontramos resmenes por la mediacin informativa que cumplen, la
descodificacin del texto ntegro, el mediador, el nmero de fuentes analizadas, el
modo de difusin y la calidad de las fuentes.
La indizacin tiene como principal objetivo el almacenamiento y la recuperacin de
la informacin. Al ser la indizacin un proceso que interviene en dos momentos
diferentes del trabajo con los documentos, ofrece dos vertientes enfrentadas. La
primera es la indizacin de los documentos, que tiene por misin el almacenamiento
de los mismos una vez que han sido analizados y representados sus conceptos
esenciales a travs de trminos de indizacin. En segundo lugar, la indizacin de las
preguntas para propiciar la recuperacin documental. En consecuencia, el objetivo
general de la indizacin es el almacenamiento y la recuperacin de la informacin.
El proceso de la indizacin se divide en dos etapas:
1. Anlisis de los documentos y las preguntas para la seleccin de sus
conceptos esenciales explcitos o implcitos.
2. Conversin de los conceptos seleccionados en lenguaje natural a un
lenguaje documental por medio de herramientas como los vocabularios
controlados.
La ltima fase de la cadena documental es la salida de la informacin. Todas las
operaciones desarrolladas en la fase de entrada y de tratamiento de la informacin
15
Indizacin/
tienen un objetivo principal: la difusin de la informacin. La razn de ser de estas

operaciones, y de la misma disciplina de la Documentacin, es difundir la
informacin que previamente ha sido seleccionada, adquirida y analizada. De este
modo, si a la fase de difusin no se da una importancia suprema todo el trabajo
desarrollado servir para poco.
1.2 LA INDIZACIN.
En los aos setenta se dedicaron numerosos esfuerzos de investigacin para la
creacin de las bases tericas de la indizacin y para la bsqueda de una
metodologa y de unos principios slidos. A finales de esta dcada, Cooper [1978]
defendi que la indizacin se haba estudiado extensamente pero no se haba
profundizado en el proceso. Algunos de los estudios hasta esa fecha presentaban
cmo eran indizados los documentos por los profesionales, ms que cmo se
deberan indizar y la posibilidad de automatizar esta operacin por medio de
normas. En cambio, otros versaban sobre los problemas centrales de la indizacin:
la bsqueda de criterios normativos tanto para la indizacin humana como para su
automatizacin.
1.2.1 La indizacin. Definicin.
Hay un gran nmero de definiciones sobre la indizacin y en el anexo 2
mostramos un conjunto de ellas. Aunque no es nuestro objetivo repasar cada una
de las definiciones existentes, intentaremos hallar algunas de las principales
deficiencias cometidas en su delimitacin. En casi todas las definiciones mostradas
en el anexo, por lo general, hay coincidencia a la hora de la delimitacin del
concepto de la indizacin. No obstante, no estamos de acuerdo con la mayora de
estas definiciones por mostrarse incompletas. Sorprende en primer lugar, la cantidad
de verbos empleados para describir la accin que tratamos: retener, asignar,
extraer, captar, resumir, describir, caracterizar, escoger, analizar, aislar, identificar,
traducir, indicar, interpretar o enumerar. Nosotros recurriremos, generalmente, a los
verbos analizar, seleccionar, asignar y convertir para referirnos al proceso de la
indizacin.
Hemos comprobado que para definir la indizacin solamente se considera el
documento como fuente de anlisis en la mayora de las ocasiones. Esto significa
16
Indizacin/
efectuar una delimitacin sesgada del proceso, porque se deja de lado la peticin
del usuario o la pregunta documental. Por estos motivos consideramos necesaria la
siguiente distincin para especificar el proceso ntegro de la indizacin. Por un lado,
hablaremos de la indizacin de los documentos, y por otro, de la indizacin de las
preguntas.
En la indizacin de los documentos interviene, en un primer momento, el anlisis y
la seleccin de los conceptos presentes en el ttulo, el resumen o el texto ntegro
(fig. 1).
Lectura horizontal
Fuentes ==============> Trminos de Indizacin
Figura 1. Extraccin de trminos explcitos
As como la asignacin de los conceptos implcitos en los textos (fig. 2).

Fuentes ==============> Trminos de indizacin
Lectura vertical
Figura 2. Asignacin de trminos implcitos
Por tanto, el subproceso de la indizacin de los documentos queda del siguiente

modo:
Lectura horizontal
Fuentes ================> Trminos de indizacin
Lectura vertical
Figura 3. Subproceso de la indizacin de los documentos
En un segundo momento, los conceptos en lenguaje natural, tanto los extrados del
documento como los asignados, siguen uno de estos caminos: el almacenamiento
de esos conceptos a travs de trminos en lenguaje natural, o la conversin de
dichos conceptos en trminos normalizados y controlados con la ayuda de un
vocabulario controlado. Por ltimo, un aspecto tan importante como los
anteriormente descritos, es tener presente, en cada momento del proceso (anlisis,
17
Indizacin/
seleccin, asignacin y conversin) cmo solicitara un usuario ese documento, es

decir, realizar una indizacin de los documentos orientada a las preguntas de los
usuarios, o lo que es lo mismo, a la recuperacin de los documentos.
En cuanto a la indizacin de las preguntas cabe mencionar lo siguiente. Cuando
llega al documentalista una peticin de informacin documental, tras un dilogo con
el usuario, la modela y la materializa en una frase o una pregunta que servir para
interrogar al sistema que tiene almacenada la informacin. Esta frase o pregunta
documental, debe sufrir el mismo proceso expresado para la indizacin de los
documentos. Pero en esta ocasin es preciso estimar qu trminos se pudieron
manejar en la fase de anlisis del documento, es decir, ejecutar una indizacin de la
pregunta orientada al documento.
La observacin del esquema del proceso ntegro de la indizacin (anexo 3) nos
induce a definirla como un proceso guiado por el documentalista que permite
recorrer tanto a los documentos como a las preguntas un trayecto iniciado desde
puntos enfrentados. Este proceso consiste en el anlisis y la seleccin de los
conceptos esenciales, as como la asignacin de los implcitos -si fuera necesarioy, el almacenamiento de los mismos en lenguaje natural o su conversin en
trminos normalizados y controlados con la ayuda de una serie de herramientas,
que permitan recuperar los documentos en el momento deseado. Es decir, la
indizacin representa a dos objetos en movimiento -documento y pregunta- hacia el
mismo punto, cuya unin provoca una respuesta.
Por tanto, de lo mencionado anteriormente se deduce que:
El objetivo de la indizacin de los documentos es permitir su
almacenamiento, mientras que el de la indizacin de las preguntas encamina
la recuperacin documental. Por tanto, el objetivo general de la indizacin es
el almacenamiento y la recuperacin de la informacin. Esto lleva a que la
indizacin y la recuperacin sean las dos caras de una misma moneda.
Las etapas de la indizacin las dividimos en dos: el anlisis de los
documentos y de las preguntas para la seleccin de los conceptos explcitos
o implcitos. Y el almacenamiento de los conceptos por medio de trminos en
18
Indizacin/
lenguaje natural, o su conversin a un lenguaje normalizado y controlado

(vocabularios controlados).
1.2.2 Las etapas de la indizacin.
Al igual que ocurre con la definicin de la indizacin, se presentan diferencias en
cuanto a la enumeracin de los pasos ejecutables. En la literatura revisada, unos
autores dividen esta tarea en dos fases mientras que otros establecen hasta ocho.
En el anexo 4 han sido recogidas las propuestas de varios autores. La disparidad de
criterios a la hora de dividir el proceso que nos ocupa en fases queda patente. No
obstante, sin entrar de lleno en este asunto efectuaremos algunos comentarios al
respecto.
No participamos de la opinin de considerar una fase independiente la asignacin
de conceptos que no estn explcitos en el documento. Tampoco juzgamos lgico
enumerar la etapa de asignacin de conceptos explcitos, tras la fase de conversin
de los trminos en lenguaje natural al de indizacin. Por ltimo, no coincidimos con
la divisin de Slype en dos de sus etapas propuestas. El primer desacuerdo se
produce porque considera como primera etapa la lectura del documento y como
segunda la identificacin de los conceptos explcitos e implcitos del mismo. No es
necesario, a nuestro juicio, la separacin de la fase de lectura de la de seleccin de
los conceptos, ya que no son dos etapas sucesivas en el espacio y en el tiempo,
sino simultneas. El segundo desacuerdo llega cuando apunta como cuarta y ltima
etapa, la incorporacin de enlaces sintcticos entre los descriptores. A nuestro
entender, no hay diferencia si un concepto al convertirlo en trmino de indizacin
lleva asociado algn enlace, porque el proceso de conversin es el mismo, slo que
ms largo.
Segn lo alegado en prrafos precedentes existe una estrecha relacin entre la
indizacin y la recuperacin documental. Por tanto, es conveniente que en los
servicios de informacin sea la misma persona la que lleve a cabo la tarea de indizar
y la de atender a los usuarios. Hay casos en los que es imposible que se produzca
tal coincidencia como, por ejemplo, la recuperacin de la informacin en las bases
de datos en lnea. Esta circunstancia es una ms de las causas que incitan a
conseguir, en la medida de lo posible, la mayor normalizacin posible en el proceso
de la indizacin y la recuperacin documental. Por estas razones, es recomendable
19
Indizacin/
el mximo contacto entre los productores de las bases de datos y aquellos

profesionales que, desde cualquier punto distante, las interroga, para asegurar que
la fase de recuperacin se realice convenientemente.
1.2.3 Las zonas de extraccin de los conceptos. Tiempo dedicado.
En cuanto a las zonas de extraccin de los conceptos y el tiempo dedicado a ello no
existe una coincidencia plena por parte de los profesionales y de los investigadores.
Si bien es cierto que se produce una mayor coincidencia en cuanto a las fuentes o
zonas ms apropiadas para la obtencin de los conceptos que finalmente se
convertirn en trminos de indizacin.
La norma UNE 50-121-91 seala las siguientes partes de los documentos como
importantes a la hora de la indizacin: ttulo, resumen, sumario o tabla de
contenidos, introduccin, frases de apertura de captulos y prrafos, conclusiones,
ilustraciones, palabras o grupos de palabras con una tipografa inusual.
En un estudio realizado por Euratom [Dijk y Slype, 1972, p. 105] se lleg a la
conclusin de que, los resmenes de los documentos proporcionaban el triple de los
trminos de indizacin que los ttulos.
Para comprobar la importancia de los ttulos, los resmenes y los textos para la
indizacin de los documentos, practicamos un ensayo sobre artculos cientficos de
diferentes reas del conocimiento en las Bases de datos del CSIC. Este ensayo se
detallar en el captulo tercero, pero podemos adelantar que de cara a la indizacin
de los documentos, en general, los ttulos proporcionan un nmero menor de
conceptos que los resmenes. Y adems, en ocasiones, estas dos fuentes se han
mostrado insuficientes para la adecuada indizacin de los artculos, por lo que es
necesario recurrir tambin al texto. En consecuencia, consideramos precisa la
utilizacin de los ttulos, los resmenes y los textos para la indizacin de los
documentos.
Por otro lado, en virtud de las observaciones llevadas a cabo durante este estudio,
consideramos que los indizadores (dedicados al anlisis del rea de Biblioteconoma
y Documentacin en la Base de datos ISOC) toman como fuentes principales para
la extraccin de conceptos, en primer lugar, los resmenes y, en segundo lugar, los
20
Indizacin/
ttulos. Y con respecto al texto: la introduccin, los epgrafes de los apartados y las
conclusiones.
El tiempo medio dedicado, o que debera dedicarse, a la indizacin es por diversos
motivos de difcil delimitacin. Sealaremos solamente tres. Primero, depende de
las directrices marcadas por el sistema, las que obedecen a su vez, a varios factores
como los tipos y las necesidades de los usuarios o simplemente, la cantidad de
profesionales dedicados a esta operacin. Segundo, en el caso de que la institucin
no marque las pautas, el tiempo consagrado a cada documento va en funcin de la
profesionalidad de los indizadores. Tercero, est sujeto a las caractersticas propias
de la indizacin como la profundidad o la perfeccin perseguidas, as como a otros
factores como la clase de documentos analizados, el tipo de informacin contenida
en los mismos o incluso, el tamao de los documentos1.
En un experimento citado en Garca Gutirrez [1984, p. 115], y efectuado para
comprobar la realidad sobre la indizacin en Gran Bretaa a principios de los aos
setenta, se constat que el tiempo para obtener cuatro palabras clave era de tres
minutos; cinco minutos para conseguir de cinco a diez; ocho minutos para cosechar
de once a veinte, y doce minutos para ms de veinte palabras clave. A estos
tiempos hay que sumarles el tiempo de convertir las palabras clave en descriptores,
si se emplea el trmino palabra clave para expresar los trminos seleccionados y/o
asignados en lenguaje natural.
En el estudio ya citado, desarrollado en Euratom, se lleg a la conclusin de que
una indizacin sobre el texto completo de un artculo exige ocho veces ms tiempo
que la practicada sobre el resumen. Del mismo modo, Farrow [1994, p. 158] toma
unos prrafos de Cleverdon [1962] en los que ste ltimo expresaba que, para la
indizacin de informes tcnicos, el tiempo ptimo dedicado poda ser de cuatro
minutos, ms un 60% en funcin de las condiciones de trabajo. Con respecto a este
mismo asunto, Amat [1989, p. 176] mencion que para una media de unos diez
trminos se emplea un tiempo medio de veinte minutos.
En el estudio que ya se ha mencionado sobre las seis reas del conocimiento indizadas en Bases de
datos del CSIC hemos constatado que no existe relacin entre el nmero de pginas de los
documentos y el nmero de descriptores asignados. Hemos detectado artculos con escasas pginas
y descriptores; artculos con bastantes pginas y pocos descriptores; artculos con pocas pginas y
21
Indizacin/
Como se ha observado, resulta difcil la delimitacin del tiempo que se debe dedicar
a la indizacin de un documento.
1.3 LAS CARACTERSTICAS DE LA INDIZACIN.

En este apartado veremos los elementos que confieren o niegan, en gran medida, la
calidad al producto resultante de la indizacin. Nos referimos a la exhaustividad en
la indizacin (los conceptos caracterizadores del contenido de un documento), la
especificidad (la precisin para detectar los conceptos ms importantes de los
documentos), la correccin (la omisin de trminos correctos o la inclusin de otros
innecesarios), y la consistencia (el grado de coincidencia a la hora de la
presentacin de los trminos de indizacin por dos sistemas o por dos indizadores
diferentes).
1.3.1 La exhaustividad en la indizacin.
La exhaustividad en la indizacin est relacionada, como bien se indica en la norma
UNE 50-121-91 [p. 156], con la cantidad de conceptos que caracterizan el contenido
ntegro del documento. Hemos constatado que la exhaustividad en la indizacin se
suele identificar con el nmero de trminos de indizacin asignados a un
documento. Es decir, cuantos ms descriptores se asigna a un documento mayor
exhaustividad y viceversa. En esta direccin se han manifestado Sparck Jones
[1973], Maron [1979, p. 224], Garca Gutirrez [1984, p. 122], Rowley [1988, p. 56],
Salton [1989, p. 277], Amat [1989, p. 176] o Pinto Molina [1993, p. 223].
Con respecto a esta concepcin de la exhaustividad en la indizacin, se puede
objetar que la exhaustividad tiene que ver con la seleccin y/o asignacin de todos
los conceptos esenciales explcitos o implcitos en el documento o en la pregunta
documental. Por tanto, si recurrimos al cmputo de los descriptores como medio
para medir la exhaustividad, bien en la indizacin de un documento, o bien entre dos
sistemas o dos Bases de datos diferentes, confundimos su significado y utilizamos
un solo factor para la medicin de la exhaustividad.
una cantidad importante de descriptores y, por ltimo, artculos con un nmero elevado tanto de
pginas como de descriptores.
22
Indizacin/
Para Soergel [1994, p. 591] una entidad2 indizada es pertinente para un nmero de
conceptos, por ello, entiende como exhaustividad en la indizacin que esos
conceptos deben estar comprendidos en los descriptores asignados a esa entidad.
Y coincidimos plenamente con este autor cuando opina que el nmero de
descriptores empleados por documento no debe ser el nico y determinante valor
considerado para comprobar el grado de exhaustividad en la indizacin de los
documentos. En este error se ha incurrido ms de lo que sera deseable, como
hemos comprobado. Este autor proporciona otros factores para la medicin de la
exhaustividad, tales como el grado de precoordinacin, la correccin de la
indizacin, y el criterio de indizacin.
El grado de precoordinacin en los descriptores es un factor para la comparacin del
grado de exhaustividad en la indizacin entre diferentes bases de datos o
instituciones que analizan los mismos documentos. Imaginemos dos instituciones
con diferentes grados de coordinacin:
DOCUMENTOS
Documento 1
Documento 2
DESCRIPTORES DE LA
DESCRIPTORES DE LA
UNIDAD DE
UNIDAD DE
INFORMACIN A
INFORMACIN B
FORMACIN DE
USUARIOS
DEMANDA DE
INFORMACIN
SERVICIOS DE
INFORMACIN
USUARIOS /
FORMACIN/
DEMANDA/
INFORMACIN/
SERVICIOS
PROGRAMAS DE
ORDENADOR
REDES DE
COMUNICACIONES
REDES DE INFORMACIN
ORDENADOR /
PROGRAMAS/
REDES/
COMUNICACIONES/
INFORMACIN
Este autor utiliza entidad o tem como trminos generales que pueden referirse tanto a
documentos como a mdulos de programas o a otros elementos.
23
Indizacin/
En la Unidad de informacin B el nmero de descriptores asignados a cada

documento es de cinco, con un grado de precoordinacin nulo, mientras que en la
Unidad de informacin A al emplear un grado mayor de precoordinacin solamente
se atribuyen tres trminos de indizacin por documento. Por tanto, podemos
considerar que la exhaustividad en la Unidad de informacin A es mayor que en la
B?. Evidentemente, no. Esto demuestra que el nmero de descriptores no es un
factor determinante para medir la exhaustividad en la indizacin.
Otro factor es la correccin de la indizacin. Es lgico pensar que si a un documento
se atribuyen trminos de indizacin incorrectos, por un lado, aumenta el nmero de
trminos asignados, pero por otro lado, y ste es el principal problema, no se captan
todos los conceptos expresados en el documento.
El tercer factor mencionado por Soergel es el criterio de indizacin. En algunos
sistemas una vez que se han seleccionado los trminos de indizacin se aumenta
su nmero por la asignacin de otros relacionados o genricos. As por ejemplo, si
un documento trata sobre depresin clnica podra indizarse por el descriptor
DEPRESIN CLNICA, que posiblemente fuera uno de los ms correctos. Pero a
la vez por otros trminos ms amplios como PSICOSIS, PSICOSIS AFECTIVA,
o DESORDEN MENTAL. Sin embargo, estos tres trminos no proporcionan un
mayor grado de exhaustividad en cuanto a los conceptos presentes en el
documento.
Por consiguiente, para un anlisis comparativo entre varios sistemas o bases de
datos que analicen los mismos documentos para comprobar el grado de
exhaustividad, se tendr que tener en cuenta este factor.
A nuestro juicio existen varias causas por las que algunos sistemas de informacin o
Bases de datos amplan el nmero de descriptores sin abarcar ms conceptos
contenidos en el documento:
Por la generalidad o la especializacin de la informacin tratada.
Por las exigencias de los usuarios.
24
Indizacin/
Cuantos ms descriptores sean asignados a un documento, mayores sern

las posibilidades de recuperarlo, aunque disminuye el grado de precisin en
la recuperacin.
1.3.2 La especificidad en la indizacin.
Desde mitad de los aos setenta se han publicado trabajos sobre la medicin de la
especificidad de los trminos de indizacin [Sparck Jones, 1972 ; Robertson, 1972,
1974 ; Yu y Salton, 1976 ; Wu y Salton, 1981 o Wong y Yao, 1992]. Para Van Slype
[1991, p. 123], la especificidad estima la calidad en la seleccin de los trminos que
equivalen a los conceptos presentes en los documentos, mientras que, para Rowley
[1988, p. 56] ser la libertad que permite el sistema para ser preciso acerca del
tema de un documento, por lo que debe fijarse previamente.
El patrn de especificidad deseada lo definen tanto los descriptores recogidos en el
lenguaje de indizacin empleado, como las directrices de indizacin marcadas por el
sistema de informacin. En consecuencia, la comparacin de dos sistemas en
funcin de la especificidad puede resultar difcil y delicado, como hemos visto en
prrafos precedentes.
1.3.3 La correccin de la indizacin.
La correccin de la indizacin o la ausencia de errores es un factor de suma
importancia para el resultado de la recuperacin, porque, como sealara Soergel
[1994, p. 593], en el proceso de la indizacin pueden darse dos tipos de errores: por
omisin (cuando un trmino es omitido) y por inclusin (al contrario, se incluye un
trmino sin ser necesario). En cambio, la ausencia de un trmino correcto y la
asignacin de uno ms genrico, especfico o relacionado, es una clase especial de
error de omisin y de inclusin a la vez.
Para determinar este tipo de errores se debe conocer qu descriptores son los ms
apropiados para un documento, para lo que hay que recurrir a un consenso entre
varios indizadores y usuarios. Por tanto, la perfeccin de la indizacin establece una
relacin entre la presencia de descriptores correctamente asignados y la ausencia
de omisiones.
25
Indizacin/
1.3.4 La consistencia de la indizacin.

Para designar al concepto que nos ocupar en este apartado hemos descubierto
diferentes trminos. Nos referimos a uniformidad, coherencia" y consistencia. El
Diccionario de la Lengua Espaola los define de la siguiente manera:
Uniformidad: calidad de uniforme; y uniforme como dos o ms cosas que
tienen la misma forma. Igual, conforme, semejante.
Coherencia: conexin, relacin o unin de unas cosas con otras, y
Consistencia: duracin, estabilidad, solidez. Trabazn, coherencia entre las
partculas de una masa o los elementos de un conjunto.
Los trminos ms utilizados en la literatura espaola, posiblemente en parecidas
proporciones, son coherencia y consistencia3. Este ltimo como reflejo del trmino
ingls consistency, empleado unnimemente en la bibliografa anglosajona. En
adelante emplearemos el trmino consistencia para expresar el concepto que
ahora referimos.
La consistencia en la indizacin se puede estudiar como referencia a un nico
indizador o a varios. En el primer caso, cuando un profesional indiza un mismo
documento en diferentes momentos temporales (consistencia intraindizador). En el
segundo caso, cuando varios profesionales indizan un mismo documento de manera
diferente (consistencia interindizadores).
La consistencia de la indizacin la definieron Zunde y Dexter [1969, p. 259] como:
el grado de concordancia en la representacin de la informacin esencial
de un documento, por medio de un conjunto de trminos de indizacin
seleccionados por cada uno de los indizadores de un grupo.
Desde principios de los aos sesenta hasta el presente se han presentado
bastantes estudios tanto tericos como prcticos sobre la consistencia de la
3
Precisamente en la norma UNE 50-121-91 se utiliza indistintamente el trmino coherencia y

consistencia referido al mismo concepto.
26
Indizacin/
indizacin. En el trabajo de Zunde y Dexter se muestra una revisin de los trabajos

publicados hasta ese momento. Veamos algunos de ellos:
Rodgers [1961] en un ensayo sobre combinaciones de dos indizadores la
consistencia alcanzada fue del 24%.
Jacoby [1962] en la indizacin de patentes de Qumica obtuvo una
consistencia media del 10%.
Slamecka y Jacoby [1962] obtuvieron unos valores de consistencia del
16,3% para indizadores experimentados y del 12,6% para indizadores sin
experiencia.
En otro trabajo Slamecka y Jacoby [1963] presentaron un ensayo con
indizadores experimentados que se sirvieron de un vocabulario controlado
para indizar un grupo de documentos. La consistencia conseguida oscil
entre el 35% y el 45%.
Painter [1963] alcanz valores de consistencia entre el 40% y el 70%
segn el sistema de indizacin y los tipos de documentos.
Korotkin y Oliver [1964] en otra prueba alcanzaron valores que oscilaron
entre el 36% y el 59%.
Ms recientemente, Sievert y Andrews [1991] han efectuado un anlisis en la Base
de datos ISA4. En este estudio se concluye que la consistencia en los descriptores
es del 47,2%, mientras que en los identificadores es del 32,8%.
Otros trabajos* publicados sobre este asunto son los de Leonard [1975 ; 1977] ,
Rolling [1981], Funk, Reid y Mcgoogar [1983], Markey [1984], Sievert [1987], o ms
recientemente el de Livonen [1990], Reich y Biever [1991], Tonta [1991] o Ellis et al.
[1994].
Information Science Abstracts recoge casi quinientas revistas, libros, informes y actas de Congresos
sobre Biblioteconoma y Documentacin.
*
Estas referencias no se han consultado directamente, sino que se localizaron durante el proceso de
revisin bibliogrfica y de consulta de diferentes Bases de datos.
27
Indizacin/
Como se ha podido observar cada investigador llega a porcentajes diferentes. No

obstante, la tnica general es que la consistencia no se site por debajo del 25% ni
por encima del 60%. Por tanto, es necesario contemplar la inconsistencia en la
indizacin ms como un elemento inherente a esta tarea que como una anomala.
Para averiguar la consistencia entre la indizacin manual y la automtica Salton y
McGill [1983, p. 100], propusieron una frmula que tiene validez tambin para
emplearse entre dos indizadores profesionales. La frmula, con una leve
modificacin de los smbolos, es la siguiente:
Tco
Ci =
(A + B) Tco
donde,
Ci = la consistencia entre dos sistemas o dos indizadores.
Tco = el nmero de trminos comunes asignados por los dos sistemas o dos
indizadores.
A = el nmero de trminos asignados por el sistema 1 o indizador 1.
B = el nmero de trminos propuestos por el sistema 2 o indizador 2.
Tco = el nmero de trminos comunes asignados por ambos sistemas o
indizadores.
La explotacin de los ndices de consistencia como indicador de una indizacin
correcta es problemtica porque podemos encontrar una indizacin
consistentemente incorrecta. Esto se produce cuando dos profesionales indizan un
documento y cometen el mismo error, o por el contrario, dos indizadores pueden
lograr una perfeccin y pureza en la indizacin de uno y estar ante una indizacin
consistente.
En definitiva, las caractersticas de la indizacin se pueden esquematizar del
siguiente modo:
28
Indizacin/
1.APLICACIN
INDIZACIN
DE
CRITERIOS
DURANTE
LA
- Exhaustividad
- Especificidad
- Grado de coordinacin
- Ponderacin de los descriptores
- Generacin de enlaces
2. EVALUACIN DE LA
INDIZACIN: REINDIZACIN
CALIDAD
DE
LA
Exhaustividad de la indizacin
Especificidad
Correccin: Perfeccin y Pureza
Consistencia
3. EVALUACIN DEL RESULTADO
RESPUESTA DOCUMENTAL
DE
LA
- Exhaustividad en la recuperacin
- Precisin en la recuperacin
1.4
LA
RECUPERACIN
DOCUMENTAL:
EVALUACIN
DEL
RESULTADO DE LA RESPUESTA DOCUMENTAL.

La recuperacin documental comprende una serie de etapas divididas en: pregunta,
bsqueda y respuesta documentales. Examinemos cada una de ellas.
La pregunta documental se formaliza por medio del lenguaje natural o controlado.
En este segundo caso, la tarea inicial es la conversin de la pregunta o de la frase
documental en lenguaje natural a un lenguaje controlado a travs de vocabularios
controlados. El fin es adquirir unos descriptores simples o compuestos para
29
Indizacin/
interrogar una base de datos. Estos descriptores se emplean solos o combinados

con operadores booleanos. Veamos dos ejemplos:
Pregunta 1: ELECTROMIOGRAFA
Pregunta 2: ELECTROMIOGRAFA Y ADOLESCENTES
Por otro lado, las preguntas en lenguaje natural tambin son posibles. Algunos
sistemas de almacenamiento y recuperacin de la informacin permiten interrogar
las bases de datos en lenguaje natural.
Ejemplo:
Pregunta: La relacin entre los ndices plubiomtricos y la desertificacin.
La bsqueda documental comienza una vez introducida la pregunta en el lugar
destinado para ese fin en el programa informtico, y proporcionada la orden de
inicio. La duracin de la bsqueda depender de las caractersticas del sistema y de
la complejidad de la pregunta. Si el sistema es manual, el lapso de tiempo estar
sujeto al tipo y al tamao del mismo, y a la habilidad del profesional.
La respuesta del sistema, o lo que es lo mismo, el resultado de la bsqueda puede
ser positiva y se materializa en un nmero, y negativa cuando no se ha encontrado
nada que responda a la pregunta planteada. Veamos la respuesta en dos
programas diferentes una vez preguntado por Fotografa submarina y Bases de
datos:
: FOTOGRAFIA SUBMARINA
Buscar: BASES DE DATOS

[ No hay documentos asociados ]
[ a esa peticin de bsqueda
Por el contrario denominamos respuesta positiva cuando el resultado es 1. Del

mismo modo, el programa puede responder de maneras distintas:
30
Indizacin/
: TESIS DOCTORALES
17
Buscar: LINGSTICA COMPUTACIONAL

Lingstica: 51
Computacional: 22
Lingstica computacional: 6
Sin embargo, se encuentra muy extendida la utilizacin de la expresin bsqueda
documental para aglutinar todo el proceso de recuperacin documental, esto es, la
pregunta, la bsqueda automtica o manual y la respuesta.
1.4.1 La exhaustividad y la precisin en la recuperacin documental.
Tradicionalmente, los resultados de las respuestas documentales se han evaluado
por la exhaustividad (recall en ingls) y la precisin. El trmino recall se ha
traducido de diferentes modos en espaol. As por ejemplo, Coll-Vinent [1990, p.
139] emplea recogida, mientras que Slype [1991, p. 271] utiliza llamada. Para
expresar este concepto Prez lvarez-Ossorio [1988, p. 64], Garca Gutirrez [1992,
p. 11], Gil Urdiciain [1994b, p. 80] o la norma UNE 50-121-91 [p. 158] recurren a
exhaustividad. En cambio, Gmez Guinovart [1996, p. 7] lo traduce por cobertura.
Nosotros adoptaremos la expresin exhaustividad en la recuperacin para no
confundirlo con exhaustividad en la indizacin.
Cuando se realiza una bsqueda en una base de datos, la coleccin de documentos
almacenada se divide en dos: los documentos recuperados y los no recuperados.
Los documentos recuperados se subdividen a su vez, segn el criterio del usuario,
en documentos pertinentes y no pertinentes. Igual ocurre con aquellos no
recuperados. Estos aspectos los esquematiz de este modo Lancaster [1978, p.
171]:
31
Indizacin/
Pertinente
No pertinente
Total
Recuperado
a+b
No recuperado
c+d
a+c
b+d
a+b+c+d
Documento
Total
Una bsqueda perfecta es cuando se recuperan todos los documentos contenidos

en la base de datos juzgados por el usuario como pertinentes (a+c), y se rechazan
los que considera no pertinentes (b+d). En este caso, estamos ante una respuesta
con el mayor grado tanto de exhaustividad como de precisin en la recuperacin.
Para averiguar los grados de exhaustividad y precisin en la recuperacin se
emplean las siguientes frmulas:
N de documentos pertinentes recuperados
Exhaustividad =
N total de documentos pertinentes en la coleccin
es decir,
a
Exhaustividad =
a+c
N de documentos pertinentes recuperados

Precisin =
N total de documentos recuperados
esto es,
a
Precisin =
a+b
32
Indizacin/
Los cocientes de exhaustividad y precisin de una respuesta documental son

variados. En unos casos hay:
Respuestas con una exhaustividad y una precisin muy bajas.
Una exhaustividad muy baja y una precisin muy alta.
Una exhaustividad y precisin muy altas.
Sin embargo, estos dos parmetros aparecen inversamente relacionados en la
prctica, porque si se produce una mejora en alguna de las dos, se asocia con un
peor resultado de la otra. Adems, la precisin se puede considerar como un tipo de
factor coste en el tiempo que el usuario necesita para separar las referencias
pertinentes de las que no lo son.
Por ltimo, el ruido y el silencio documentales se hallan relacionados con la
exhaustividad en la recuperacin. Por ruido documental entendemos la informacin
resultante de una bsqueda que no interesa al usuario:
N de documentos no pertinentes extrados
Ruido =
N de documentos extrados
En cambio, el silencio documental es la informacin que s interesa al usuarios pero
no ha sido recuperada del sistema:
N de documentos no pertinentes extrados
Silencio =
N de documentos no pertinentes existentes
33
Indizacin/
1.5 LOS SISTEMAS DE INDIZACIN.

En [GIL LEIVA, I., RODRGUEZ MUOZ, 1996c, p. 9] sealbamos que los
orgenes de la indizacin se encuentran en las tareas desempeadas por los
antiguos escribas de la baja Mesopotamia. En aquella poca se comenz a dedicar
salas para la copia de tablillas de barro, la confeccin de colofones y de etiquetas y
la conservacin de las planchas. Los textos se almacenaban en estos lugares de
varias formas: sobre estanteras de madera o en nichos ubicados en los muros.
Adems, exista un tercer mtodo de almacenamiento que consista en introducir las
tablillas en cestas de mimbre o cajas de madera. Para saber qu contenan los
recipientes, se les adosaba una pequea etiqueta de arcilla a un lateral, donde
escriban el contenido de los documentos depositados. En estas tareas
rudimentarias vemos los primeros pasos de lo que conocemos por indizacin.
1.5.1 La indizacin por materias.
Los antecedentes ms remotos de la indizacin por materias hay que buscarlos en
la baja Mesopotamia, como ya se ha mencionado. Otro paso ms importante fueron
las clasificaciones elaboradas a lo largo de la historia, principalmente, a finales del
siglo XIX. Pero el momento decisivo se produjo en 1876 con la publicacin de las
Rules for diccionary catalog de A. Cutter.
La indizacin por materias se caracteriza por:
Describir los temas principales de los documentos en detrimento de los
asuntos especficos.
Dominar la precoordinacin entre sus trminos.
Proporcionar un almacenamiento y una recuperacin de la informacin
secuencial, lo que ofrece poca flexibilidad en el momento de la recuperacin y
a la hora de combinar los trminos.
Por tanto, si reflexionamos sobre estas caractersticas comprendemos que con la
aparicin de lenguajes ms especializados y el aumento de las demandas de
informacin, se precisaron sistemas ms giles, operativos y flexibles para la
34
Indizacin/
indizacin y para la recuperacin. De ah el desarrollo de la indizacin por

unitrminos.
1.5.2 La indizacin por unitrminos.
La introduccin de la indizacin coordinada se ha asociado, tradicionalmente, a
Mortimer Taube que manej un pequeo vocabulario de trminos simples o
unitrminos para organizar una coleccin de documentos de la Agencia de
Informacin Tcnica de las Fuerzas Armadas de los Estados Unidos, a principios de
los aos cincuenta. [Artandi, 1971, p. 679 ; Moreiro Gonzlez, 1990, p. 172].
Este mtodo de indizacin consista en la extraccin de las palabras simples del
texto analizado, generalmente formas sustantivas, y su almacenamiento se llevaba a
cabo en fichas cuadriculadas sin ningn tipo de normalizacin o control. Estas fichas
se confeccionaban con un apartado horizontal en el que se insertaba el unitrmino y
con diez columnas numeradas del 0 al 9. En estas columnas se colocaban los
nmeros de registro de los documentos que trataban sobre este unitrmino.
Cuando se deseaba satisfacer una demanda documental que versara, por ejemplo,
sobre la automatizacin de la indizacin, se seleccionaban las fichas encabezadas
por los unitrminos INDIZACIN y AUTOMATIZACIN y se comprobaba qu
nmeros de registro coincidan en las dos fichas. Este modo de indizacin acarreaba
una serie de inconvenientes, ya que propiciaba una completa descontextualizacin
de los trminos y provocaba falsas combinaciones en el momento de la
recuperacin5.
1.5.3 La indizacin por descriptores.
La indizacin por descriptores es una tcnica intelectual introducida por Calvin
Mooers para la especificacin temtica de la informacin y su recuperacin, a finales
de los aos cuarenta. La palabra descriptor la ide Mooers para proporcionar una
nueva y distintiva terminologa que denotara la incipiente metodologa en la
recuperacin de la informacin.
Efectivamente, Dijk y Slype [1972, p. 51] manifestaron que la palabra servicio tiene casi una
veintena de sentidos diferentes, especialmente servicio militar, servicio religioso, servicio pblico,
servicio domstico, vajilla o ayuda.
35
Indizacin/
Una caracterstica de los descriptores simples sealada por Mooers [1972], era su
capacidad para comunicar ideas elementales, alejndose de usos terminolgicos
particulares utilizados en los documentos. Este objetivo planteaba dos problemas:
cmo representar estas ideas elementales y cmo definir los descriptores.
El primer problema apareca con la necesidad de consagrar un smbolo para
representar cada descriptor. Tal smbolo poda consistir en un nmero carente de
significado como 3A5 5040, que representaba a un trmino de indizacin como se
haca en diversos sistemas creados a partir de las fichas de Taube. Pero en este
caso, Mooers crey ms conveniente el empleo de una palabra elegida
estratgicamente (o a veces, una abreviatura o acrnimo) para representar a cada
descriptor. De este modo, el mismo smbolo era capaz de estimular la memoria del
usuario acerca de la idea representada por el descriptor, o por trminos altamente
expresivos.
Ejemplo:
Unitrminos
Descriptores
SERVICIO
411
141
ASTROLOGA
HEMEROTECA
NACIONALISMO
El segundo problema planteado era cmo definirlos para delimitar el mbito de

aplicacin de cada uno de ellos. En contraste con lo que ocurra a la asignacin de
unitrminos, la idea asociada a un descriptor era cuidadosamente seleccionada
como el modo ms perfecto de la recuperacin de los documentos. En este sentido,
un descriptor no es una palabra del lenguaje ordinario, sino que es un trmino
particular empleado en la recuperacin de la informacin.
A cada descriptor se le poda atribuir una nota de alcance (scope note -SN-) donde
se especifica su utilizacin en el sistema. Asimismo, otra caracterstica era la
posibilidad de establecer relaciones entre los descriptores. Relaciones del tipo:
trmino genrico (broader term -BT-), trmino especfico (narrower term -NT-) o
trmino relacionado (related term -RT-).
36
Indizacin/
Ejemplos:
DOCUMENTACIN*
SN: Utilcese para designar el material
relativo a las tcnicas documentales propiamente dichas y no
para designar colecciones de
documentos.
LINGSTICA de COMPUTADORA**
BT Aplicaciones de las computadoras
Lingstica
NT Indizacin automtica
Lingstica estadstica
Lingstica estadstica (indizacin)
Metateora informtica
Traduccin automtica
1.5.3.1 Los enlaces entre los descriptores.
Los enlaces entre los descriptores sirven para que no se produzcan falsas
combinaciones en el momento de la recuperacin de la informacin y para ayudar al
usuario a decidir sobre la pertinencia de un documento en funcin de sus
descriptores. Hay distintos tipos de enlaces entre los descriptores y su utilidad
depende del tipo de almacenamiento y recuperacin documental perseguido.
La yuxtaposicin es el enlace ms comn, y consiste en colocar los descriptores
unos detrs de otros separados bien por una barra (/) o por punto y coma (;).
INDUSTRIAS DE LA LENGUA / LINGSTICA / DOCUMENTACIN /
LENGUA / TRATAMIENTO AUTOMTICO / CENTROS DE
DOCUMENTACIN / BIBLIOTECAS
Entrada del descriptor Documentacin en el MACROTESAURO para el procesamiento de la

informacin relativa al desarrollo econmico y social. Pars: OCE, 1991, p. 74.
**
Entrada del descriptor Lingstica de computadora en el TESAURO de la Unesco. Pars: Unesco,
1984, p. 363
37
Indizacin/
La ponderacin es otro tipo de enlace para clasificar los trminos en principales y

en secundarios. Los primeros acogen los contenidos que se consideran
fundamentales de los documentos, mientras que los secundarios incluyen aquellos
conceptos tratados ms superficialmente. El ejemplo presentado anteriormente
quedara del siguiente modo:
Descriptores principales: INDUSTRIAS DE LA LENGUA / LINGSTICA /
DOCUMENTACIN / LENGUA / TRATAMIENTO AUTOMTICO
Descriptores secundarios: BIBLIOTECAS / CENTROS DE DOCUMENTACIN
Los enlaces de especificacin de punto de vista se emplean para que los
descriptores aporten, adems de un concepto, el punto de vista de cmo estn
tratados en los documentos. El descriptor de punto de vista o auxiliar se enlaza a
travs de signos de puntuacin empleados para estos casos.
Ejemplo:
LINGSTICA: morfologa
BIBLIOTECAS PBLICAS: automatizacin
Cuando reciben los usuarios estos descriptores como respuesta saben
inmediatamente de lo que tratan los documentos: uno, de la parte de la lingstica
que se ocupa de las formas de las palabras, y otro, de los aspectos relativos a la
automatizacin de las Bibliotecas Pblicas.
Los enlaces de indicadores de rol sirven para lograr una mayor especificidad en la
indizacin de los documentos. En la Base de datos PASCAL6, automatizada desde
principios de los aos setenta y que comprende ms de once millones de
referencias se vale de enlaces del tipo:
!ENT: material sometido a un proceso qumico o nuclear y material oxidante
!FIN: material resultante de un proceso qumico o nuclear
!ACT: material catalizador o inhibidor o aditivo
6
http://www.inist.fr/pascal/roles.htm [Consulta: 3 diciembre 1996].
38
Indizacin/
!SUB:
!ANA:
!SEC:
!SOL:
medio o solvente reaccional

material analizado o dosificado
material secundario o impuro
solvente utilizado
Ejemplo:
HIDRGENO!ENT
AGUA!FIN
=======> Elemento sometido a un proceso qumico o nuclear
============> Elemento resultante de un proceso qumico o nuclear
Por ltimo, Mahapatra y Chandra [1986, p. 21] utilizan en el sistema PRECIS

indicadores de rol del tipo:
(0) indica localizaciones.
(2) expresa accin/efecto.
(g) indica un concepto coordinado.
(v) conecta la fila de trminos donde aparece con la siguiente en sentido
descendente.
La aplicacin de los indicadores de rol para la siguiente frase de indizacin queda
del siguiente modo segn estos autores:
El impacto de las tasas indirectas y directas sobre la inflacin del precio en las
industrias manufactureras del Reino Unido:
(0) Reino Unido
(1) industrias
(q) industrias manufactureras
(2) inflacin del precio
(s) impacto $v of $w on
(3) tasas directas $v
(g) tasas indirectas
39
Indizacin/
40
El enlace de especificacin de vnculo entre los descriptores se emplea para evitar

falsas combinaciones en el momento de la bsqueda documental, segn Slype
[1991, p. 121]. Un documento que trate diferentes temas se representa por
conjuntos de descriptores, con la posibilidad de que no tengan nada que ver entre
ellos. Por este motivo, para evitar en la fase de la recuperacin, problemas de
coordinacin entre los dos grupos de descriptores se le asignan vnculos. El autor
propone los siguientes descriptores como ejemplificacin de este tipo de enlace:
EPIDEMIOLOGA(1);
VARICELA(1);
ADOLESCENTE(1);
OCUPACIN PROFESIONAL(2); PROGENITOR(2)
DEPORTE(1);
Un documento que ha sido indizado con estos trminos y con enlaces de

especificacin de vnculo no aparecer como resultado de una bsqueda con
vnculo sobre la epidemiologa y las ocupaciones profesionales, mientras que s se
recuperar en una consulta sobre la epidemiologa en los deportistas adolescentes.
1.5.3.2 Los operadores utilizados en las preguntas documentales.
Cuando planteamos una pregunta al sistema que almacena la informacin se
desencadena un proceso que concluye con una respuesta documental. Ya se ha
sealado que un modo de almacenar el producto de la indizacin es a travs de
palabras en lenguaje natural o de descriptores. Por tanto, en el proceso inverso de
recuperar la informacin contenida en la base de datos, tendremos que emplear el
lenguaje natural o bien los trminos controlados.
El sistema planteado por el matemtico Georges Boole permite la combinacin de
descriptores con operadores lgicos para sacar mayor rendimiento a los trminos de
indizacin almacenados en las bases de datos, y por tanto, plantear preguntas ms
complejas. Esta lgica presenta las siguientes operaciones: unin, interseccin y
negacin.
Indizacin/
OPERADORES
ESPAOL
INGLS
Interseccin
.Y
.AND
Unin
.O
.OR
Complementacin
.NO
.NOT
El operador de interseccin selecciona los documentos que contienen los dos

descriptores (BILIOTECA Y USUARIOS); el de unin incluye a los documentos que
encierra uno de los dos operandos o bien ambos (MORFOLOGA O SINTAXIS), y la
diferencia selecciona los documentos que incluyen el primer operando pero no
contienen el segundo (INDIZACIN NO AUTOMTICA).
Los sintcticos son otro grupo de operadores que comprenden el operador de
adyacencia cuando dos trminos se escriben de forma consecutiva o hay palabras
vacas por medio (ENERGA ELICA / RECUPERACIN DE LA INFORMACIN); y
el operador de distancia que recupera los documentos que contienen los operandos
conectados por l separados como mximo por un nmero n de palabras
(SERVICIOS 1 BIBLIOGRFIC*). Por tanto, recuperar adems de SERVICIOS
BIBLIOGRFICOS, documentos donde aparezca SERVICIOS DE ALERTA
BIBLIOGRFICA.
Otros tipos de operadores son los de prrafo. Localizan los documentos que
contienen los trminos que le siguen y le preceden en el mismo prrafo (ARCHIVO
P EXPURGO). Los operadores de truncamiento que permiten recuperar trminos
con cadenas de caracteres comunes. Esto simplifica la bsqueda de los plurales, los
sufijos y los prefijos, y elimina la necesidad de escribir todas las posibilidades de las
palabras similares. Los operadores de truncamiento son: * (asterisco) que
representa cualquier nmero de ocurrencias, y ? (interrogacin) que representa
una sola ocurrencia.
Ejemplo: AUTOMTIC* recupera los documentos con las palabras automtica,
automtico o automticamente; y AUTOMTIC? recupera los documentos con las
palabras automtico o automtica.
41
Indizacin/
1.5.3.3 Las caractersticas generales de los descriptores.

Tras el anlisis de algunos aspectos relativos a los descriptores, se pueden sealar
como sus caractersticas ms importantes las anotadas a continuacin:
Son expresiones menos complejas que las producidas en la indizacin por
materias, pero ms que en la indizacin con unitrminos.
No condicionan el modo de almacenar y recuperar la informacin como
ocurre en las Listas de encabezamientos de materias o en las
Clasificaciones, por lo que ofrecen ms agilidad y flexibilidad a la hora de
trabajar.
Proporcionan bastantes puntos de acceso a la informacin.
No existe un nmero predeterminado para la representacin del contenido
de un documento, al contrario de lo que se recomienda en las Listas de
encabezamientos de materias.
Se puede realizar una clasificacin bsica de los descriptores por su
estructura: simples y compuestos; por su temtica: onomsticos,
geogrficos, de materias o cronolgicos; y segn su ponderacin:
primarios y secundarios.
Su presentacin en los tesauros es alfabtica, sistemtica o grfica.
1.6 LOS LENGUAJES DOCUMENTALES.

Un lenguaje documental es un conjunto de trminos normalizados y controlados
vinculados entre s a travs de una sintaxis especfica, para expresar cmo deben
utilizarse los trminos en la fase de anlisis o para explicitar sus relaciones de
sinonimia, de jerarqua, de proximidad temtica o de antonimia. Los lenguajes
documentales son herramientas empleadas en la indizacin de los documentos
(almacenamiento) y para la indizacin de las preguntas (recuperacin).
42
Indizacin/
A continuacin, reproducimos un pasaje de principios de los sesenta, de Calvin

Mooers [1963] 7 donde se seala que el lenguaje de indizacin es:
el mecanismo intelectual que permite al sistema [documental] operar.
Tras el almacenamiento de la informacin, es probablemente la parte
ms importante del mismo. El lenguaje de indizacin es la manera de
mediar entre el pensamiento de los clientes y la informacin almacenada.
Es el puente, la conexin entre los clientes y la informacin.
1.6.1 La tipologa de los lenguajes documentales.
La tipologa de los lenguajes documentales, segn Gil Urdiciain [1996a, p. 22], se
concreta desde tres puntos de vista: control del vocabulario, coordinacin de los
trminos y estructura.
1. Por el control efectuado sobre el vocabulario se dividen en:
Libres: listas de descriptores libres.
Controlados: clasificaciones y tesauros.
2. Por el criterio de coordinacin en:
Precoordinados: clasificaciones, listas de encabezamientos de materia.
Postcoordinados: listas de descriptores libres, listas de palabras clave y
tesauros
3. Por su estructura, principalmente, en:
Jerrquica: clasificaciones jerrquicas.
Combinatoria: lxicos documentales y tesauros.
Information Retrieval Today: Papers Presented at an Institute Conducted by the Library School and
the Center for Continuation Study, University of Minnesota, Sept. 19-22, 1962, Wesley Simonton (ed.),
Minneapolis: The Center, 1963, p. 21-36. El trabajo que acoge esta definicin se reimprimi en Chan
[1985, p. 249 y ss.].
43
Indizacin/
1.6.1.1 Las listas de palabras clave.

Estas listas corresponden con el modo de indizacin ya presentado de los
unitrminos de Taube. Es decir, las palabras se extraen literalmente de los textos y
sin ningn tipo de normalizacin y control se destinan como trminos de indizacin.
1.6.1.2 Las clasificaciones.
La clasificacin documental segn Rolland-Thomas [1995, p. 17], es una
manifestacin de las actividades clasificatorias de la humanidad. Se distingue de
otras prcticas clasificatorias por su doble vocacin: ilustrar una sistematizacin de
los conocimientos y proporcionar una ordenacin material de los libros y de otros
documentos segn el tema tratado en los mismos. Si tomamos como base estos
principios, las clasificaciones documentales nacieron de la necesidad de organizar,
segn un orden preestablecido, desde las tablillas de barro de la antigua
Mesopotamia hasta las grandes bases de datos actuales.
Las clasificaciones se dividen en enciclopdicas y en especializadas. Las primeras
surgieron para la sistematizacin de todos los conocimientos manejados por el
hombre.
Las principales clasificaciones enciclopdicas documentales son la Clasificacin
Decimal de Dewey (CD), la Clasificacin de la Biblioteca del Congreso de
Washington (LC), la Clasificacin Decimal Universal (CDU) y la Clasificacin
Colonada de Ranganathan.
En cambio, las especializadas o sectoriales abarcan un rea concreta del
conocimiento, y su elaboracin se lleva a cabo en Instituciones o en Centros de
Documentacin privados o pblicos para la clasificacin y la organizacin de sus
fondos. Segn Maniez [1992, p. 28] existen varios centenares, de las que destacan
la Clasificacin del Instituto Internacional de Soldadura, la Clasificacin Decimal
Astronutica, las clasificaciones del Instituto Francs del Petrleo, la Clasificacin
Internacional sobre Higiene y Seguridad en el Trabajo, el Sistema Internacional de
Clasificacin SfB (sobre productos de la construccin) o la CANDO (Clasificacin
Alfanumrica de la Documentacin mdico-farmacutica).
44
Indizacin/
El principal inconveniente de las clasificaciones enciclopdicas es su compleja

actualizacin, mientras que el de las especializadas es la carencia de uniformidad
como producto del origen y del uso particular que las caracteriza. En general, las
clasificaciones proporcionan poca flexibilidad y agilidad tanto en los procesos de
almacenamiento como en los de recuperacin. Adems, suministran pocos puntos
de acceso a la informacin y no son instrumentos con los que se alcancen altos
ndices de consistencia entre indizadores.
1.6.1.3 Las listas de encabezamientos de materias.
En la publicacin de las Rules for a diccionary catalog de Cutter en 1876 se
encuentran los antecedentes de las listas de encabezamientos de materia. Las listas
de encabezamientos son para Gil Urdiciain [1996a, p. 31]:
un lenguaje precoordinado, de estructura asociativa o combinatoria que
consiste en listas alfabticas de palabras o expresiones del lenguaje
natural capaces de representar los temas de los que trata un documento.
Las relaciones entre los encabezamientos de materia que conforman las listas, se
establecen para fijar un control terminolgico entre los mismos. Se trata de
referencias del tipo:
Vase (V.) : remite de un trmino no aceptado al preferente.
Use por (U.p.) : precede a los trminos no aceptados y avisa de los
encabezamientos que no deben buscarse en la lista.
Vase adems (V.a.) : enva a otra informacin complementaria a la que
se busca.
R.e. : remite a informacin ms especfica.
En el siguiente ejemplo intervienen varias de las relaciones mencionadas:
45
Indizacin/
Intervencin estatal
sese tambin como subencabezamiento
U.p. Control burocrtico
Control estatal
V.a. Economa planificada
R.e. Nacionalizaciones
Los principios bsicos sobre los que se asientan las Listas de encabezamientos de
materia son:
Especificidad : la eleccin del trmino ms especfico en detrimento de los
ms generales.
Sntesis : la asignacin de un encabezamiento de materia es un proceso
mental de condensacin para la reduccin del contenido de un documento
al menor nmero posible de asuntos o materias, y la bsqueda de la
expresin con la mayor simplicidad.
Lingstico : se emplea el lenguaje usual y en el orden natural del idioma,
y prevalece el sustantivo frente al adjetivo, como elemento inicial8.
Economa : la asignacin del mnimo nmero de encabezamientos de
materia, por lo general, de uno a tres para una Biblioteca pblica.
Las formas de los encabezamientos de materia pueden ser diversas.
Encabezamiento con una sola palabra (Disolventes), encabezamiento de nombre +
adjetivo (Histologa animal), encabezamiento de nombre + complemento
(Transportes por carretera) y encabezamiento de nombre + nombre (Parques y
jardines). En cuanto a los subencabezamientos, se unen al encabezamiento por
medio de un guin (-). Existen cuatro clases: de materia (Informacin-Tratamiento),
topogrficos (Trenes-Francia), cronolgicos (Portugal-Edad Media) y formales
(Documentacin-Bibliografas). En el caso de que concurran varios prevalece el
orden en el que se han apuntado.
46
Indizacin/
Algunos autores [Izquierdo Arroyo y Fernndez Moreno, 1994, p. 308 ; Gil Urdiciain,
1996b] han manifestado la progresiva tesaurificacin de las Listas de
encabezamientos de materia. Este cambio es fcilmente observable si
contemplamos, por ejemplo, la lista de encabezamientos de materia de la red de
Bibliotecas del CSIC9:
Plantas ornamentales
Plants, Ornamental
Pueden usarse adems los nombres
de flores, arbustos y rboles. Ej.:
Rosas, Rosales, Pinos, etc.
U.p. Plantas de jardn
T.g. Plantas cultivadas
T.r. Plantas ornamentales-Industria
T.e. Crocus
Petunias
Plantas de invernadero
Saxifraga
Como veremos a continuacin, las referencias (T.g.), (T.r.) y (T.e.) se emplean
comnmente en los tesauros para remitir al usuario de un trmino a otro ms
general, relacionado o especfico.
En definitiva, las caractersticas e inconvenientes de las Listas de encabezamientos
de materia son:
Cobertura generalmente sectorial.
Uso del mnimo nmero de encabezamientos de materia por documento,
por lo que a veces, se escapa parte del contenido del documento
analizado.
Solamente se procede a invertir los trminos con la ayuda de la coma (,) cuando dicho elemento
inicial es muy general y es posible que en la fase de bsqueda de ese documento se escoja un
trmino ms especfico.
9
LISTA de encabezamientos de materia de la red de Bibliotecas del CSIC. Madrid: Consejo Superior
de Investigaciones Cientficas, 1995.
47
Indizacin/
Predominio de la precoordinacin, lo que conduce a un trabajo controlado

y guiado en la fase de almacenamiento y recuperacin de la informacin.
Dificultad para lograr altos ndices de consistencia entre indizadores.
Proporcionan un almacenamiento y una recuperacin de la informacin de
un modo secuencial.
1.6.1.4 Los tesauros.
Un tesauro est compuesto por terminologa normalizada y controlada con el fin de
convertir el lenguaje natural empleado en los documentos y en las preguntas a dicha
terminologa. Los trminos incluidos en los tesauros se relacionan entre s por medio
de una serie de smbolos (sintaxis) que establecen relaciones de equivalencia,
jerrquicas y asociativas (semntica). La cobertura de los tesauros es de carcter
sectorial, es decir, cubren un campo o disciplina del conocimiento como por ejemplo
la Economa, el Arte o el Urbanismo.
Los descriptores que aparecen en los tesauros establecen entre ellos una serie de
relaciones de naturaleza semntica que facilita el desarrollo de un esquema lgicoconceptual [Rodrguez Muoz et al. 1992 ; Rodrguez Muoz, 1994].
Las relaciones terminolgicas semnticas entre los trminos de un tesauro se
explicitan del siguiente modo:
Relacin de equivalencia: este tipo de relacin se manifiesta con los
smbolos UP y USE10. UP Significa usado por. El trmino que sigue a este
smbolo es un sinnimo11 o cuasisinnimo12 no preferente. Un trmino no
10
Estos dos smbolos de equivalencia abarcan varios tipos de relaciones entre las que destacan: la
sinonimia total (Organizacin Internacional de Normalizacin
USE ISO), la cuasi-sinonimia
(Estimacin de costes USE clculo de costes) y la antonimia (lengua muerta USE lengua viva)
[Eurovoc, 1995].
11
Un trmino es sinnimo cuando tiene el mismo sentido o casi que otro, y es, prcticamente,
intercambiable (Bibliobs y Biblioteca itinerante ; Evaluacin y Estimacin ; Congreso y Symposium)
[NF Z 47-100, 1981, p.8].
12
Trminos cuasisinnimos son aquellos en los que la significacin es, generalmente, diferente en el
uso nomal de dicho trmino, pero que se puede considerar como sinnimos para las necesidades
particulares de la indizacin (Secretara de Estado = Ministerio ; Legislacin = Ley) [NF Z 47-100,
1981, p.8].
48
Indizacin/
preferente, tambin denominado no-descriptor no se asigna a los documentos,

pero proporciona un punto de acceso a partir del cual el usuario es dirigido
mediante una instruccin (por ejemplo USE) al trmino preferente (descriptor). En
cambio, el trmino que sigue al smbolo USE (utilcese) es el preferente entre
varios trminos sinnimos o cuasisinnimos.
Relacin de jerarqua: esta relacin se indica con los smbolos TE
(Trmino Especfico) o NT (en ingls Narrower Term), y TG (Trmino Genrico) o
BT (Broader Term). Segn la norma UNE 50-106-90 estas relaciones entre los
trminos marcan la diferencia entre un tesauro sistemtico y una lista no
estructurada de trminos como un glosario o un diccionario. Un trmino
superordenado representa un todo o una clase y los trminos subordinados
corresponden a sus miembros o sus partes. El smbolo TG precede al trmino
superordenado mientras que el smbolo TE precede al trmino subordinado.
Relacin asociativa: Con el smbolo TR (Trmino asociado) o RT (Related
term) se asocian trminos que no son equivalentes y no manifiestan ninguna
relacin jerrquica, pero s mentalmente hasta el punto de que la conexin entre
ellos debe hacerse explcita en un tesauro [PNE - 50 106, p. 608].
Los tesauros encierran una estructura jerrquica13 y combinatoria. El proceso de
bsqueda en los tesauros, al contrario que en las clasificaciones y en las listas de
encabezamientos de materia, se realiza de modo combinatorio y no secuencial. Los
costes de elaboracin, en conjunto, son mayores en los tesauros que en las
clasificaciones y en las listas de encabezamientos. No obstante, en estas dos
ltimas herramientas el mantenimiento y la puesta al da son ms complejos.
Los conceptos representados por trminos de indizacin [AENOR UNE 50-106-90]
pertenecen a las categoras de entes concretos, entes abstractos y entes
individuales. Las formas ms comunes de los trminos son los sustantivos y las
frases sustantivadas bajo dos formas: frases adjetivadas y frases preposicionales. A
la hora de elegir entre el singular y plural se recomienda, si bien no siempre se
13
Tradicionalmente, para la divisin de los lenguajes documentales se ha utilizado, entre otros, los
trminos jerrquicos y combinatorios para incluir en los primeros las clasificaciones y en el
segundo, los tesauros, principalmente. A este respecto, en un trabajo acerca de la terminologa
metalingstica en los lenguajes documentales, Izquierdo Arroyo y Fernndez Moreno [1995, p. 56]
han expuesto que el carcter jerrquico tambin se manifiesta en los tesauros, por lo que identificar
jerarqua como elemento diferenciador de los lenguajes documentales conduce a situaciones
equvocas, por su falta de rigor.
49
Indizacin/
cumple, que los sustantivos cuantificables se expresen en plural, mientras que los
sustantivos no cuantificables y los nombres de conceptos abstractos sea en
singular. Por ltimo, hay diferentes formas para la presentacin de los descriptores y
sus relaciones: a) alfabtica, b) sistemtica, y c) grfica con una seccin alfabtica.
La mayora de los tesauros tiene alguna de estas tres presentaciones aunque los
hay que incluyen varias.
1.7 LA NORMALIZACIN DE LA INDIZACIN.

Garca Gutirrez [1989, p. 227] reprodujo unas frases de Sanders para definir el
trmino normalizacin como:
la forma de aplicar y establecer reglas con el fin de poner en orden un
campo de actividad determinado, con el inters y concurso de todos los
sectores afectados.
Efectivamente, segn esta definicin, en la normalizacin de la indizacin deben
intervenir investigadores, profesionales y usuarios para alcanzar de esta manera, el
entendimiento perseguido.
La normalizacin en las tareas de anlisis del contenido documental es
tremendamente complejo debido a los elementos que intervienen en esta operacin:
aspectos cognitivos, formativos-intelectuales y subjetivos. No en vano, desde la
mitad de los aos sesenta hay trabajos que tratan de explicar cmo indizar los
documentos. Algunos de estos trabajos citados por Dijk y Slype [1972, p. 105],
proceden de iniciativas particulares [Speight, 1967] o de entidades
gubernamentales, como el caso del Centro de Documentacin de la NASA
[Branhorst y Eckert, 1966] o la Biblioteca Nacional de Medicina de los Estados
Unidos [MEDLARS indexing manual, 1967] y [Marcetich y Schuyler, 1981]. Las
directrices pretendan, entre otros aspectos, la aplicacin de criterios homogneos
en las reglas de indizacin, la indizacin de todos aquellos conceptos presentes en
los documentos o, la indizacin de todos los conceptos en su correcto nivel de
anlisis.
Instituciones como la FID, la IFLA y la UNESCO han colaborado activamente con la
ISO en asuntos de normalizacin documental. Una de estas normas ha sido la ISO
50
Indizacin/
5963: 1985, relativa al anlisis del contenido de los documentos para seleccionar los
trminos de indizacin. Esta norma es tcnicamente equivalente a la espaola UNE
50-121-91 recogida en la Recopilacin de Normas UNE publicadas por AENOR en
1994. Esta norma espaola recomienda, acerca de las fases pertinentes en la
indizacin, las zonas ms apropiadas para la seleccin de los conceptos y las
caractersticas de la indizacin como la exhaustividad, la especificidad y la
consistencia.
51
Resumen capitulo 2/
52
En este segundo captulo se presentan las posiciones y

razonamientos de los investigadores y profesionales ante
la automatizacin de la indizacin; las principales
metodologas adoptadas para acometerla, as como sus
mayores inconvenientes. Asimismo, se repasan ensayos
llevados a cabo para verificar la calidad de los sistemas
automticos con respecto a los indizadores profesionales.
Tambin se testimonian las principales aportaciones que
ciencias o disciplinas ajenas a la Documentacin
incorporan en dicha automatizacin.
La automatizacin de la indizacin/
53
2.- LA AUTOMATIZACIN DE LA INDIZACIN

2.1 INTRODUCCIN.
Stevens [1965] defini la indizacin automtica como la utilizacin de ordenadores
para extraer o asignar trminos de indizacin sin intervencin humana, una vez
establecidos programas o normas relativas al procedimiento. Bastos Vieira [1988, p.
48] entiende que es la operacin que identifica palabras o expresiones significativas
de los documentos para describir su contenido de forma condensada por medio de
programas de ordenador.
La revisin de la literatura sobre la automatizacin de la indizacin nos ha permitido
descubrir una amplia variedad terminolgica para la designacin de conceptos
semejantes. Hemos detectado una veintena de expresiones como: automated
assisted indexing, automated indexing, automated support to indexing,
automatic support to indexing, computer aided indexing, computer assistance
in indexing, computer assisted indexing, computer indexing, computerized
indexing, indexing by computer, indexing program, indexing software,
machine aided indexing, machine indexing, machine-assisted indexing,
mechanical indexing, mechanized indexing, microcomputer-based indexing,
semi-automatic indexing, y automatic indexing. Esta ltima expresin es, con
diferencia, la ms utilizada.
Esta importante variedad de expresiones solamente hace referencia a tres
conceptos diferentes:
1. Programas que asisten en el proceso de almacenamiento de los trminos de
indizacin, una vez obtenidos de modo intelectual. Estos sistemas proporcionan, por
medio de pantallas de ayuda, notas explicativas sobre la utilizacin de un trmino,
sus trminos relacionados, permiten la asignacin de trminos sin necesidad de
teclearlos, o incluso, la consulta en lnea de documentos anteriormente indizados
para comprobar cualquier aspecto. (Indizacin asistida por ordenador durante el
almacenamiento).
2. Sistemas que analizan los documentos de modo automtico, pero, los trminos
de indizacin propuestos los valida y edita (si es necesario) un profesional.
(Indizacin semiautomtica).
54
3. Programas que no necesitan ningn tipo de validacin, es decir, los trminos

propuestos se almacenan directamente como descriptores de dicho documento.
(Indizacin automtica).
2.2 LA INDIZACIN HUMANA VERSUS INDIZACIN AUTOMTICA.

Con los primeros intentos para automatizar la indizacin surgieron posturas en
contra y a favor. Estas discrepancias se iniciaron en los aos sesenta. Los primeros
defensores fundamentaron sus ideas en los avances informticos producidos en los
aos sesenta y setenta y en el desarrollo de herramientas para el procesamiento del
lenguaje natural (PLN), y los sistemas expertos dentro de la Inteligencia Artificial.
Asimismo, la automatizacin de esta operacin siempre ha estado sujeta a los
avances y la disponibilidad tanto de hardware como de software.
En cambio, los detractores de la automatizacin de la indizacin se han apoyado en
el pensamiento de que un programa de ordenador no es capaz de indizar los
documentos con una mnima calidad. Su principal argumento ha sido la impotencia
de un programa para simular el conocimiento de un indizador profesional. Es decir,
que un programa informtico no tiene la capacidad para analizar, detectar,
relacionar y seleccionar los conceptos explcitos e implcitos de los documentos que
mejor representen su contenido.
Con la finalidad de profundizar en este debate mostramos a continuacin un
conjunto de afirmaciones de investigadores que se han pronunciado al respecto.
2.2.1 Argumentaciones en contra de la automatizacin de la indizacin.
La indizacin automtica se puede considerar como un caso especial de
degeneracin de la indizacin humana, en la que el indizador se convierte en un
mero observador de los indicadores estadsticos del programa informtico. Cooper
[1978, p. 108].
Los sistemas automticas muestran su incapacidad para el reconocimiento de
diferentes significados de una palabra o una frase aparecida en diferentes
contextos, y por tanto, con significados, en ocasiones, totalmente diferentes.
Fugmann `1990, p. 65], citado en Quinn [1994, p. 142]
55
Mientras la indizacin automtica reconoce, ante todo, cadenas de caracteres

que constituyen palabras no vacas, la indizacin intelectual distingue conceptos, es
decir, representaciones mentales de objetos del conocimiento. Slype [1991, p. 116].
Una indizacin perfecta no puede ser completamente automatizada. Por tanto, es
defendible una indizacin asistida en el proceso de anlisis. Karetnyk, Karlsson y
Smart [1991, p. 25].
En el proceso de indizacin, ya sea manual o automtico, se mantienen una serie
de problemas como la lectura lineal, palabra a palabra o enunciado a enunciado,
que impide la comprensin del texto y, por tanto, su representacin. Garca
Gutirrez [1992, p. 34].
La bsqueda de una indizacin totalmente automtica es un esfuerzo intil
porque los trminos de indizacin propuestos necesitan una edicin humana, si se
busca una indizacin til y aceptable. Wellisch [1992].
La indizacin manual habilita una mayor profundidad de anlisis y evita
problemas de polisemia. Adems, proporciona una mayor racionalizacin del
proceso y posibilita la extraccin de conceptos no expresados de forma explcita por
el autor del texto. Gil Urdiciain [1992, p. 199].
Los indizadores humanos tienen capacidad para percibir los conceptos implcitos
del texto. Albrechtsen [1993], citado en Palma Villaln [1995, p. 224].
En la actualidad, los sistemas basados en normas de decisin as como los
basados en mtodos estadsticos, sintcticos y semnticos intentan imitar los
resultados producidos por los indizadores humanos, pero su xito est limitado por
las lagunas existentes en la comprensin del proceso de la indizacin. Milstead
[1994, p. 578].
La indizacin automtica o asistida, en la mayora de las ocasiones, est
restringida a reas especficas del conocimiento. Por otro lado, la indizacin
automtica no podr sustituir a la intelectual para el anlisis de los documentos
importantes. Bonura [1994].
56
Otros autores expresaban sus dudas pero dejaban una puerta abierta a los
probables avances en este sentido. De este modo, Coll-Vinent [1982, p. 178] fue
uno de los primeros investigadores espaoles en expresar sus ideas con respecto a
este asunto.
Por ltimo, recogemos las recapacitaciones practicadas por Garca Gutirrez [1992,
p. 37], al hilo de la funcin que juegan las normas o recomendaciones en el ejercicio
del anlisis del contenido documental en el trabajo de los documentalistas: es
posible regular un procedimiento general o particular de anlisis de contenido en
documentacin?. A lo que responde afirmativamente. Pero tambin se preguntaba:
son favorables los gestores de la informacin a que tal procedimiento exista y
podamos, en consecuencia, programar mquinas para que lo lleven a cabo con la
mayor objetividad posible?. A lo que responde negativamente.
Una vez mostrados los juicios en contra de la automatizacin de la indizacin nos
vemos en la obligacin de efectuar algunas aclaraciones para rebatir parte de estas
ideas:
1. Se ha mencionado que el indizador se convierte en un mero observador de los
indicadores estadsticos. Sin lugar a dudas, sta sera una de sus misiones pero
no la nica. El indizador se constituir en un elemento activo en la deteccin de
errores del sistema. De este modo, su participacin en la mejora del programa o
en la construccin de otros futuros queda garantizada. Por otro lado, una vez que
este tipo de tcnicas y otras similares (elaboracin automtica de resmenes, por
ejemplo) lleguen a aplicarse en los Centros de Documentacin, el tiempo y el
esfuerzo dedicado al anlisis del contenido de la informacin pasar a
consagrarse a los usuarios-clientes, y en definitiva a la difusin de la informacin.
Tarea que constituye la razn de ser de la Documentacin.
2. Tambin se ha afirmado que en la automatizacin de la indizacin se reconocen
palabras y en la intelectual conceptos. En realidad esta afirmacin es correcta
pero caben algunas precisiones. La indizacin semiautomtica o automtica debe
perseguir la captacin no de las palabras sino de la terminologa de los textos. La
terminologa, como tendremos oportunidad de comprobar en el tercer captulo,
cumple una triple funcin: representativa, cognitiva y comunicativa, porque tras la
terminologa se esconden los conceptos y por tanto, el conocimiento.
57
3. Otra de las alegaciones presentadas argumenta que la indizacin automtica

precisa una fase de postedicin para la validacin de los conceptos propuestos.
La indizacin de profesionales, como mostraremos ms adelante, se mueve en
unos niveles de inconsistencia altos. Y estos valores, no son fruto de casos
aislados, sino ms bien se trata de una caracterstica permanente en la
indizacin. Por tanto, si partimos de esta premisa, y se comparan los resultados
de una indizacin intelectual con los de un sistema semiautomtico o automtico
y los ndices de consistencia resultan similares no hay necesidad de tal
validacin, sino que los trminos propuestos pasarn, directamente, a convertirse
en los trminos de indizacin asignados al documento.
Por ltimo, slo resta mencionar varios problemas no menos importantes de la
automatizacin de la indizacin que no han sido referidos:
La indizacin de la informacin en formato no electrnico requiere su
escaneo con la consiguiente prdida de tiempo.
La correccin ortogrfica de los textos a indizar es decisiva para el correcto
anlisis y la seleccin de los trminos, independientemente, de la
metodologa practicada.
2.2.2 Argumentaciones a favor de la automatizacin de la indizacin.
La indizacin humana es subjetiva, lenta y costosa. Garca Gutirrez [1984, p.
114], Bertrand-Gastaldy y Pagola [1992, p. 85].
El desarrollo continuo de la produccin y la publicacin de informacin en formato
electrnico favorecer el desarrollo de investigaciones y propuestas para la
obtencin de la indizacin automtica. Sparck Jones [1986, p. 12], citada por Pinto
Molina [1989, p. 365], Ward [1996, p. 225].
El ordenador constituye una herramienta eficaz que no sustituye el esfuerzo
inteligente del hombre en su trabajo, sino por el contrario, lo aumenta y mejora. La
indizacin automatizada representa un ahorro de tiempo y evita el trabajo de la
lectura de los textos. Coll-Vinent [1990, p. 142].
58
La indizacin automtica basada en el PLN ofrece alternativas atractivas para la

indizacin de los documentos. Adems, si a estas tcnicas se le une el uso de un
tesauro para refinar las estructuras lingsticamente vlidas, se puede desafiar a la
indizacin humana por su perfeccin, consistencia y precisin. Evans et al. [1991, p.
108].
La indizacin de la base de datos MEDLINE de la Biblioteca Nacional de Medicina
de los Estados Unidos, acarrea dos problemas principales: la inconsistencia de la
indizacin humana y el coste. La consistencia en la asignacin de los conceptos
principales no supera el 61%, mientras que la combinacin de encabezamientos de
materia y subencabezamientos era del 38%. Por otro lado, la indizacin de esta
base de datos por profesionales supone un gasto de ms de 2 millones de dlares
por ao. [Hersh et al., 1992, p. 292].
Las bases de datos documentales se alimentan de la indizacin realizada por
diferentes indizadores con distintos y variables criterios en determinados momentos.
De ah, la necesidad de unificar procedimientos con la automatizacin de estas
operaciones. Garca Gutirrez [1992, p. 128].
En el estado actual de las investigaciones, cabe proponer una indizacin asistida
por ordenador en detrimento de una indizacin totalmente automtica. Karetnyk,
Karlsson y Smart [1991, p. 25], Bertrand-Gastaldy y Pagola [1992, p. 85] y
Humphrey [1994, p. 161].
La indizacin automtica es ms rpida, econmica, consistente y efectiva que la
manual. Anderson [1994, p. 632].
A estas argumentaciones a favor podemos aadir las siguientes:
Mayor objetividad puesto que se aplican siempre los mismos parmetros.
Adems, se evita la inconsistencia producida por un mismo indizador o la provocada
por diferentes profesionales en el anlisis del mismo documento.
La disminucin de los errores repercute positivamente en las bases de datos en el
momento de la recuperacin de la informacin.
59
Permite una recuperacin de los documentos ms rica, si bien es cierto que la

indizacin intelectual parece ser ms precisa.
Para comprobar las ideas de los profesionales y los investigadores espaoles y
latinoamericanos de Biblioteconoma y Documentacin con respecto a este asunto,
lanzamos en abril de 1996 un mensaje a la lista de correo electrnico IWETEL, foro
de discusin compuesto por, aproximadamente, un millar de abonados. Con el
siguiente mensaje se pretenda iniciar un debate sobre la idoneidad de la
automatizacin de la indizacin:
"Quisiera plantear un debate alrededor de este tema: debemos
mantener, como hasta el momento, la indizacin humana de documentos,
o por el contrario, investigar, y por tanto, perseguir una indizacin
automtica?".
Este interrogante dio lugar a un total de treinta y dos mensajes para ofrecer
opiniones al respecto. En las intervenciones se ofrecieron razonamientos sobre la
polmica planteada, se manifestaba el desacuerdo con los criterios expuestos con
anterioridad o se patentizaba que estbamos ante un debate muy interesante. Esta
treintena de mensajes fueron enviados por once abonados.
Los contertulios se posicionaron a favor o en contra de la automatizacin de la
indizacin. La razn principal ofrecida por los partcipes en contra de este proceso,
fue la imposibilidad, en el estado actual de la investigacin, para conseguir una
indizacin totalmente automtica. Los argumentos a favor fueron el mayor coste, la
subjetividad y la lentitud de ejecucin de la indizacin humana.
A lo largo del debate surgieron aspectos de inters, alrededor del tema de discusin,
de los que mencionamos los siguientes:
Una indizacin automtica o humana sern igual de buenas si se
consideran elementos como el fondo con el que se trabaja, el contexto de
dicho fondo y las necesidades de los usuarios reales y potenciales.
La necesidad de emplear un vocabulario controlado en los sistemas de
indizacin automtica.
60
En el proceso de creacin, anlisis y difusin de la informacin intervienen

autores, indizadores, profesionales dedicados a la recuperacin de dicha
informacin (ya que no siempre coinciden stos ltimos con los indizadores) y
los usuarios. Este grupo de actores no siempre tiene estructuras mentales,
concepciones, conocimientos e intereses semejantes.
En definitiva, la subjetividad, la lentitud y el coste son importantes argumentaciones
en contra de la indizacin intelectual, mientras que los defensores de su
automatizacin alegan la consistencia, la rapidez y la exhaustividad, que originan
una mayor productividad y calidad en la indizacin.
2.3 EL DESARROLLO DIACRNICO DE LA AUTOMATIZACIN DE

LA INDIZACIN.
Durante los aos cincuenta y sesenta se produjo un incremento exponencial de la
informacin cientfica. Esto caus un cambio en la manera de concebir y mantener
los sistemas de informacin dedicados a abastecer a los cientficos de informacin.
Como expresamos en Gil Leiva y Rodrguez Muoz [1996a] el ordenador comenz a
contemplarse como una herramienta til para el manejo y el tratamiento de la
informacin, y en especial para la indizacin de los documentos. Con la
incorporacin del ordenador a la tarea de indizar se buscaba la agilizacin de los
anlisis de la informacin, la consecucin de mejores ndices de consistencia y la
reduccin de los costes, y en definitiva, una mayor calidad en los sistemas de
informacin.
El acercamiento a la automatizacin de la indizacin se hizo en los primeros
momentos, desde el clculo de la frecuencia de las palabras en los textos, y ms
tarde, se incorporaron tcnicas del procesamiento del lenguaje natural. Esto provoc
que algunos de las propuestas para la automatizacin de esta tarea mezclaran las
dos metodologas.
A continuacin, veremos las bases tericas sobre las que se asentaron las
propuestas estadsticas para la automatizacin de la indizacin. De la misma forma,
se comentarn brevemente algunos ensayos al respecto.
61
2.3.1 Los mtodos estadsticos.

G. K. Zipf [1949] lleg a la conclusin de que en la comunicacin hablada o escrita
se produce el llamado principio del mnimo esfuerzo. Este principio est
relacionado con el recurso de los hablantes y los escritores en una lengua a la
repeticin de ciertas palabras en lugar de utilizar otras diferentes. Este investigador
estableci la siguiente frmula tras el estudio estadstico de Ulysses de Joyce:
Frecuencia x clasificacin = constante
que representa el valor constante que tiene la relacin entre la frecuencia de
aparicin de las palabras y el rango o puesto que stas ocupan en el orden
frecuencial.
A partir de estas ideas, Hans Peter Luhn [1957] fue el primero en sugerir que la
frecuencia de aparicin de las palabras en un documento o en una coleccin tena
que ver con la utilidad de stos para la indizacin. Las palabras de frecuencia muy
alta (aquellas que se manifestaban en casi todos los documentos) no aportaban
carga informativa debido a su carcter general. Por tanto, si se empleaban en la
recuperacin de la informacin provocaban una escasa precisin. Por el contrario,
los vocablos de frecuencia muy baja eran muy especficos y causaban una baja
exhaustividad en la recuperacin. Para Luhn los mejores trminos eran los que
detentaban una frecuencia media, es decir, los que no se presentaban ni en pocos
ni en un gran nmero de documentos.
En virtud de estos fundamentos, Luhn expres en 1958 las siguientes
consideraciones con respecto a su aplicacin en la automatizacin de la indizacin
[Salton y McGill, 1983, p. 60]:
1. Dada una coleccin de n documentos se calcula la frecuencia de aparicin de
las palabras para cada documento.
2. Se determina para cada palabra su frecuencia en toda la coleccin TOFREQk
por la suma de las frecuencias en cada documento.
62
3. Una vez ordenadas las palabras en orden decreciente segn su frecuencia en

la coleccin, se eliminan todas las palabras que sobrepasan un umbral de
frecuencia determinado. En esta fase se eliminan palabras como: el, de,
y, para, a, en, entre otras. Tambin se prescinde de aquellas poco
frecuentes en la coleccin, por medio de un umbral previamente establecido.
4. Las palabras restantes, con una frecuencia media, se asignan como trminos
de indizacin para los documentos analizados .
A este mtodo se le plantearon crticas [Salton y McGill, 1983, p. 62], puesto que si
se eliminaban todas las palabras con una frecuencia alta y baja se producan
prdidas en la recuperacin, tanto de exhaustividad como de precisin. Adems, era
necesario no errar en la eleccin de los umbrales adecuados para obtener las
palabras con la frecuencia media. Y por ltimo, la utilizacin obligada de la
frecuencia relativa para la identificacin de palabras con carga informativa en un
documento concreto de la coleccin.
A partir de estas consideraciones efectuadas por Luhn se concretaron otros
mtodos de ponderacin de los trminos como: la funcin de frecuencia inversa en
un documento propuesta por Sparck Jones [1972] o el valor de discriminacin de los
trminos de Salton y Yang [1973].
La ponderacin de la frecuencia inversa del documento (inverse document
frequency weight) propuesta por Sparck Jones [1972], mide la escasez de aparicin
de un trmino en una coleccin. En cierto modo, se toma la idea de que la
frecuencia de aparicin de una palabra est en relacin inversa a su capacidad
informativa. Estas ideas estn recogidas en la siguiente frmula:
N
IDFi = log 2 + 1 = log2 (N) log2 (ni) + 1
ni
donde N es el nmero de documentos de la coleccin y ni es el nmero de
documentos que contienen el trmino i en la coleccin.
63
Esta forma de ponderacin tambin se ha utilizado conjuntamente con la frecuencia

de aparicin de un trmino en un documento, tanto en experiencias de
automatizacin de la indizacin como de recuperacin de la informacin.
Posteriormente, en Salton, Yang, Yu [1975] se present un nuevo mtodo para
conferir el peso o el valor ms alto a aquellos trminos que causaban la mxima
separacin posible entre los documentos de una coleccin. Este mtodo lo
denominaron el valor de discriminacin de los trminos. El valor de discriminacin
de un trmino lo definieron como la medida de los cambios manifestados en la
separacin espacial cuando un trmino cualquiera es atribuido a una coleccin
como trmino de indizacin. Estos investigadores consideraron que si atribuan a
cada trmino sus densidades espaciales se podran clasificar de acuerdo a sus
valores de discriminacin.
Por tanto, en razn a estos principios los trminos de indizacin participan de unas
caractersticas aproximadas:
Los trminos con un valor positivo de discriminacin, si se consideran
como trminos de indizacin propicia que decrezca la densidad espacial de los
documentos.
Los trminos con valores de discriminacin indiferentes, si se suprimen o
suman los trminos con un valor de discriminacin cercano a cero no cambia la
similitud entre los documentos.
Los trminos con valor de discriminacin pobre, si se utilizan proporcionan
mayores semejanzas entre los documentos, lo que produce un aumento de la
densidad espacial de los documentos.
A continuacin veremos varios ensayos que utilizaron algunos de estos mtodos:
Damerau [1965] defendi acumular la frecuencia de aparicin de las palabras de
una coleccin especfica de documentos. A la hora de indizar un documento
calculaba la frecuencia de aparicin de cada palabra en dicho documento y las
comparaba con las frecuencias obtenidas previamente para toda la coleccin. Las
64
palabras con los datos estadsticos ms semejantes a los almacenados se

convertan en trminos de indizacin.
Paralelamente se introdujo el uso de la probabilidad para la bsqueda de mejores
resultados, tanto en la indizacin intelectual como en los procesos para su
automatizacin. Ejemplos de estas propuestas son las de Carrol y Roeloffs [1969],
Rosenberg [1971], Bookstein y Swanson [1975], Harter [1975] o Robertson y
Harding [1984].
Los problemas de los mtodos estadsticos en la automatizacin de la indizacin
son los siguientes:
En primer lugar, se muestran incapaces del reconocimiento de relaciones
semnticas como:
La sinonimia: Los distintos significantes con el mismo significado. Ejemplo:
un concepto representado a travs de una sigla puede representarse de
modos distintos: de forma desarrollada (procesamiento del lenguaje natural),
como sigla (PLN) o como sigla pero con cada letra separada por puntos
(P.L.N). En este caso, estos dos trminos (PLN y P.L.N) se contabilizarn de
forma independiente.
La anfora: La funcin de ciertas palabras -sta, lo, all, entre otras- para
asumir el significado de una parte del discurso ya emitido. Ejemplo: Hay
diferencias entre la indizacin manual y la indizacin automtica. sta la
ejecuta un programa y la primera la acomete una persona. En este caso,
sta toma el significado de indizacin automtica mientras que primera,
el de indizacin manual.
La elipsis. La omisin de una o ms palabras en una oracin sin
distorsionar el sentido de la misma. Ejemplo: El mismo documentalista
realiza (i) y (ii) corrige la indizacin de los artculos. En esta oracin se ha
omitido la indizacin de los documentos (i) y el mismo documentalista (ii).
En segundo lugar, por lo general, los trminos compuestos se consideran como si
fueran simples, porque los algoritmos examinan los textos como una secuencia de
65
caracteres separados por espacios. Por tanto, conceptos representados por

trminos compuestos como Crecimiento celular, Combustibles lquidos o
Patrimonio bibliogrfico son considerados como trminos simples para la
aplicacin de clculos estadsticos. Esto significa que se contabilizar
Crecimiento, Combustibles y Patrimonio por un lado, y celular, lquidos y
bibliogrfico por otro lado. De este modo, se destruyen los conceptos
simbolizados por los trminos compuestos. El uso de los resultados de estos
sistemas para la indizacin de los documentos conlleva un alto grado de
ambigedad en la indizacin, que posteriormente, se concreta en la recuperacin en
una alta exhaustividad y una baja precisin.
En tercer lugar, los mtodos estadsticos carecen de la posibilidad de normalizar los
trminos. Esto propicia que documental o documentario se computen por
separado en trminos compuestos sinnimos como anlisis documental o
anlisis documentario.
En definitiva, si los aspectos mencionados en los prrafos precedentes no se
consideran en los clculos de frecuencia de las palabras, los resultados no sern los
correctos, y en cierto modo, emergern falseados.
2.3.2 Los mtodos lingsticos.
A principios de los aos sesenta se inici la asociacin entre las tcnicas del PLN y
la automatizacin de la indizacin. El procesamiento del lenguaje natural consiste en
el estudio y el anlisis de los aspectos lingsticos de un texto mediante la utilizacin
de programas informticos. Un sencillo ejemplo de PLN es el corrector ortogrfico
de un procesador de textos, si bien hay otras herramientas ms complicadas como
veremos ms adelante. El lenguaje natural se distingue de los lenguajes artificiales
por su riqueza (en vocabulario y construcciones), flexibilidad (reglas con mltiples
excepciones), ambigedad (diversos significados de una palabra o una frase segn
el contexto), indeterminacin (permite referencias y elipsis) y posibles
interpretaciones del sentido literal segn la situacin en que se produce [Verdejo
Maillo, 1994, p. 5]. Por tanto, las ventajas para la comunicacin humana se
convierten en problemas a la hora de su tratamiento informtico.
66
Esta autora ha expresado en el mismo contexto que el PLN surgido en la dcada de

los cincuenta entrelaza su historia con las investigaciones que sobre el lenguaje se
llevaban a cabo en otras disciplinas. Estos dominios eran Lingstica Formal,
Psicologa Cognitiva, Lgica, Informtica e Inteligencia Artificial, lo que dio lugar a
una disciplina denominada Lingstica Computacional. La Lingstica Computacional
es la interseccin de la Lingstica y la Informtica con el fin de procesar o generar
las lenguas. Veamos esquemticamente las distintas etapas en el despliegue terico
y prctico del PLN:
De los aos cuarenta a mitad de los sesenta. La aparicin de los ordenadores
extendi la idea de que el procesamiento del lenguaje se lograra en muy poco
tiempo, pero paulatinamente surgieron las incgnitas que conllevaban los intentos
en este sentido. Por estos motivos se abandon la financiacin de proyectos
encaminados a la traduccin automtica ruso-ingls, entre otros, a la vez que se
iniciaron experimentos para comprender el lenguaje en mbitos muy especficos.
Desde principios de los setenta hasta comienzos de los ochenta. El tratamiento
de la sintaxis se consolid en un tema importante de investigacin por la dedicacin
de esfuerzos en cuanto a su formalizacin y al desarrollo de algoritmos para su
tratamiento automtico.
De la dcada de los ochenta hasta la actualidad. Se llev a cabo la unin entre
las teoras lingsticas y los mecanismos de parsing, a la vez que se han ampliado
los estudios del PLN a nivel de la semntica y del discurso. Por otro lado, se
comenz a hablar de las llamadas Industrias de la lengua, que propiciaron la
aparicin de productos en el mercado, en donde se integra la informtica y la
lingstica. Se trata de correctores ortogrficos incorporados a los procesadores de
textos, de programas de traduccin automtica, de reconocimiento del habla y de
anlisis y recuperacin de la informacin. En definitiva, productos en los cuales se
escudria an hoy para perfeccionarlos.
Las tcnicas del procesamiento del lenguaje se organizan a travs de diferentes
anlisis. Cada uno de los anlisis ocupa distintos niveles relacionados directamente
con la complejidad de stos.
67
Un anlisis morfolgico de modo automtico persigue la segmentacin de la palabra

ortogrfica con el fin de obtener la gramatical y determinar su estructura y
propiedades. Este tipo de herramientas, segn Verdejo Maillo [1994, p.7], se
enfrenta con problemas como la separacin de los enclticos (dmelo), las
contracciones (del) o la unin de las palabras separadas (sin embargo). Y a nivel de
la palabra habr que considerar posibles composiciones (prefijos, infijos o sufijos) o
derivaciones (normalizaciones a partir de verbos). Los programas que practican
estas operaciones de modo automtico reciben el nombre de analizadores o
etiquetadores morfolgicos.
En cambio, la sintaxis es la encargada del estudio de las relaciones sintagmticas
contradas por las distintas unidades lingsticas, segn Vera Lujn [1994, p. 56].
Un analizador sintctico detecta, por tanto, las relaciones sintcticas entre las
palabras de una frase y resuelve los problemas no determinados en el analizador
morfolgico con respecto a la ambigedad gramatical de las palabras.
Por ltimo, la semntica estudia la significacin de los signos lingsticos y sus
combinaciones. Un anlisis semntico trata de averiguar el significado de las
oraciones de un texto, y por extensin la comprensin del mismo. Uno de los
obstculos en el procesamiento del nivel semntico es la gran cantidad de
conocimiento necesario acerca de las palabras y su significado en el universo del
discurso con el fin de formalizar tales interpretaciones. De ah que la Lingstica
computacional no haya ofrecido an mecanismos definitivos.
A continuacin, comentamos brevemente algunas propuestas de sistemas para la
automatizacin de la indizacin que emplean diferentes aspectos del PLN.
Sistema SMART
El sistema SMART fue desarrollado por Gerard Salton a principios de los aos
setenta. Este programa analizaba documentos de forma automtica con el propsito
de atender peticiones de informacin. En aquellos momentos supuso una importante
aportacin para el proceso iniciado aos antes de automatizacin de la indizacin.
El sistema SMART utilizaba como principal herramienta los clculos estadsticos, si
bien incorpor procesamientos lingsticos bsicos en relacin a la forma de las
palabras, la estructura de las oraciones y su significado.
68
Como apuntamos en Gil Leiva y Rodrguez Muoz [1996a, p. 281] las races y los
sufijos de las palabras se lograban a travs de un diccionario compuesto por dos
listados: uno con las races de las palabras ordenadas alfabticamente (ej.: ecom- )
y otro con sufijos (-ist, -ists, -ical) aplicado a la descomposicin de las palabras
como economist, economists, o economical. Se introdujo tambin la
posibilidad de reconocer como equivalentes una palabra en singular o en plural
(location y locations), las cuales posean un nico cdigo de identificacin. Por
tanto, los vocablos con la misma raz se trataban como semejantes (automaton,
automation o automatic). Por otro lado, se incorporaron herramientas para la
localizacin de sinnimos por medio de un diccionario, as como la comparacin de
palabras y frases presentes en los documentos ya analizados con peticiones de
bsqueda. Para ello, se contaba con estructuras semnticamente equivalentes, pero
construidas de modo diferente desde el punto de vista sintctico.
El sistema de Faraj et al.
Faraj et al. [1996, p. 2] han manifestado que las investigaciones para obtener
trminos compuestos de los textos con el fin de aplicarlos en la automatizacin de la
indizacin no han producido resultados estimulantes. Esta afirmacin la sustentan
en virtud de los trabajos realizados por Fagan [1987], Croft, Turtle y Lewis [1991],
Lewis [1992] y Blosseville, et al. [1992]. Por estas razones Faraj y sus colegas han
optado por considerar los trminos compuestos como si fueran simples a la hora de
la ponderacin.
El sistema de indizacin automtica propuesto por Faraj et al. [1996] para textos en
francs, se apoya en mtodos lingsticos y estadsticos. El proceso lingstico de
los textos es el primer paso acometido en el programa denominado Termino1. Este
programa practica un anlisis sintctico que permite la resolucin de las
ambigedades lexicales y la generacin de synapsies2. Est constituido por varios
mdulos, cada uno de ellos con funciones diferentes. Veamos los principales:
1 Termino es un programa de anlisis terminolgico asistido por ordenado desarrollado por el grupo
Recherche et Dveloppment en Linguistique Computationnelle (RDLC) del Centro de anlisis de
textos por ordenador (ATO) de la Universidad de Qubec de Montral.
2 Los autores denominan synapsie a una unidad nominal polilexical formada por varios trminos
construidos sintcticamente. Se trata de grupos preposicionales, nominales o adjetivales. El programa
69
EDITO (Tratamiento de las marcas de edicin). Lleva a cabo la

descomposicin del texto en palabras y en frases. Adems, reconoce los
nombres propios.
LCMF (Lematizacin y Caracterizacin Morfolgica). Proporciona la
categora gramatical para cada palabra del texto y su caracterizacin
morfolgica (gnero, nmero, persona, tiempo y modo).
ALSF (Analizador Lxico-Sintctico). Resuelve las posibles ambigedades
halladas en el mdulo anterior con respecto a las posibles categoras
gramaticales de una palabra.
MRSF (Mdulo de Reconocimiento de las synapsies). La determinacin
de las synapsies consiste en una exploracin de la representacin sintctica
proporcionada por ALSF. Cuando se ha analizado una frase, primero se
buscan todos los grupos nominales que la constituyen, y despus, se aslan
los construidos con la ayuda de complementos adjetivos o preposicionales. Y
cada synapsies queda asociada con una representacin de su estructuracin
y marcacin sintcticas en la frase. El programa Termino produce cuatro
categoras diferentes contenidas en distintos ficheros: synapsies, adjetivos,
verbos y sustantivos. Para la indizacin se eligen todas estas clases o una
combinacin de ellas.
Al resultado del mdulo de PLN efectuado por el programa Termino se aplican
mtodos de ponderacin estadstica. El peso de los trminos simples lo han
calculado a partir de las propuestas que razonaron Salton y Buckley [1988], en base
a tres elementos: su frecuencia en el documento, su frecuencia en la coleccin y un
factor de normalizacin.
Una vez obtenidos los distintos clculos, utilizaron para la evaluacin del sistema el
modelo vectorial3. Los autores han llegado a la conclusin de que, al menos para la
Termino localiza estructuras sintcticas del tipo software integrado de gestin, cuya forma es T GA
GP, donde T es el ncleo de la synapsie, GA es el grupo adjetival, y GP es el grupo preposicional.
3 En el modelo vectorial cada documento est representado por un vector de la forma Di = (pi1, pi2,
pi3..., pit) donde tk representa el peso del trmino k en el documento i. Para efectuar una bsqueda en
el sistema, el usuario proporciona una pregunta en lenguaje natural. La demanda se analiza y se
calcula el peso para cada una de los trminos segn los criterios descritos, y se representa por el
70
coleccin de documentos y preguntas evaluadas, la utilizacin de trminos

compuestos cosechados por el anlisis sintctico producen mejoras sistemticas
con respecto al empleo de trminos simples.
A continuacin, revisamos varias propuestas para la automatizacin de la indizacin
presentadas por investigadores espaoles. Las iniciativas de Valle Bracero y
Fernndez Garca [1983], Simn Granda y Lema Garzn [1990] se fundamentan en
la localizacin de estructuras sintagmticas en los textos, previamente aceptadas
como idneas para seleccionar los conceptos representados con dichas estructuras.
Esta misma lnea de actuacin se sigue tambin en Seo [1993].
A grandes rasgos la propuesta de Simn Granda y Lema Garzn queda establecida
de la siguiente manera:
1. Segmentacin del texto en unidades inferiores de la oracin (frases
comprendidas entre los signos de puntuacin).
2. Verticalizacin de las frases comprendidas entre los signos de puntuacin.
3
Eliminacin de todas las palabras vacas tras su comparacin con un
fichero.
3. Anlisis morfolgico del resto de palabras para la adjudicacin de las posibles
categoras gramaticales.
4. Seleccin de las estructuras localizadas en los textos previamente
establecidas.
5. Eliminacin de los trminos repetidos para establecer con los restantes una
jerarqua de ms general a ms especfica.
6. Presentacin y Validacin de los trminos.
vector Rj = (tj1, tj2,tj3..., tjt). Posteriormente se calcula el coeficiente de similaridad entre los trminos
asignados al documento con los de la pregunta.
71
La propuesta de Valle Bracero y Fernndez Garca [1983] se asienta en un mtodo

mixto entre la indizacin semntica (seleccin de trminos tras su comparacin con
vocabulario controlado) y la sintctica (reconocimiento de estructuras sintagmticas
preestablecidas en los textos). El rea elegida para el anlisis es la Metalurgia. El
proceso se concreta a grandes rasgos en estas etapas:
1. Bsqueda de estructuras sintagmticas tras el anlisis morfolgico y sintctico
del tipo: sustantivo + adjetivo y sustantivo + participio.
2. Singularizacin
autorizados.
eliminacin
de
preposiciones
de
los
descriptores
3. Comparacin de los trminos candidatos formados automticamente con el

vocabulario controlado. Si coincide plenamente se toma como descriptor y de
lo contrario slo se selecciona el unitrmino coincidente.
El fundamento esencial de estas propuestas era la extraccin de un conjunto de
estructuras sintagmticas preestablecidas o patrones admitidos para constituir
candidatos a descriptores. Los autores utilizaron diferentes estructuras
sintagmticas4. Si tras la fase de etiquetado de las palabras, algunas de las
estructuras sintagmticas no se encuentran entre los patrones admitidos el
programa las rechaza. Y se inicia la bsqueda del prximo sustantivo que pueda
encabezar un posible descriptor.
Hemos tenido la oportunidad de comprobar y presentar [Gil Leiva y Rodrguez
Muoz, 1997b] la diversidad de estructuras sintagmticas adoptadas por los
descriptores. Para ello analizamos la estructura interna de 1284 descriptores de las
Bases de datos del CSIC (ISOC, IME e ICYT) para seis reas del conocimiento:
4 En el caso de Simn Granda y Lema Garzn son las siguientes: 1. Sust ; 2. Sust + Adj ; 3. Sust +
3
(Comentario) ; 4. Sust + Sust_Adj ; 5. Sust + Frase Prep ; 6. Sust + Frase Prep + Frase Prep ; 7. Sust
+ Part ; 8. Sust + Adj + Frase Prep ; 9. Sust + [Adj + Sust + Prep] ; 10. Sust + Cardinal ; 11. Sust +
4
Ordinal ; 12. Frase Prep ; 13. Siglas.
72
Biblioteconoma y Documentacin, Medicina, Qumica, Biologa, Psicologa y Fsica.

Algunas estructuras que dan muestra de esta multiplicidad son las siguientes:
1. Sust + Conjuncin + Sust

2. Sust + de + Sigla
3. Voces inglesas
4. Cardinal + Sust
5. Sust + de + Sust + no + Sust + Adj
6. Sust + Adj + de + Sust + Adj
7. Sigla + Cardinal
8. Sust + Voz latina
9. Sigla + Cardinal
10.Voz latina + Adj + Adj
11.Sust + de + Nombre propio
12.Sust + Sigla
13.Sust + Nombre propio + Adj
14.Sust + Conj + Sust + de + Sust +
de + Sust
15.Sust + de + Sust + Nombre propio
16.Sust + de + si + Adj
17.Sust + de + Sust + Adj + de +
Nomb propio
18.Voz latina
19.Sust + no + Adj
Asimismo, se revisaron los descriptores de diferentes reas temticas incluidos en

seis tesauros. Se obtuvieron al menos una treintena de estructuras sintagmticas
diferentes en cada tesauro examinado. Ejemplos:
Tesauro Spines [1988]
CRDITO PARA LA I+D
INSTITUCIONES QUE OTORGAN SUBVENCIONES
Tesauro Eurovoc [1995]
FINANCIACIN A MUY CORTO PLAZO
COMIT PARLAMENTARIO MIXTO EEE
Tesauro de la Unesco [1982]
INDUSTRIAS CON FUERTE DENSIDAD DE MANO DE OBRA
INCITACIN AL ODIO Y A LA VIOLENCIA
73
En definitiva, el estudio de la posible variedad de estructuras sintagmticas en los

descriptores es de suma importancia para un sistema de indizacin semiautomtico
o automtico basado en estas premisas. Por tanto, si se dejan estructuras sin incluir
en los patrones admitidos, el programa no localiza dichas estructuras como
candidatos a descriptores, lo que provoca la exclusin de posibles trminos
presentes en el texto.
Los inconvenientes achacables a los sistemas para la automatizacin de la
indizacin fundamentados en el procesamiento del lenguaje natural son los
siguientes:
Los etiquetadores morfo-sintcticos consumen gran cantidad de recursos
tericos (bases de datos lxicas, bases de datos con reglas gramaticales) y de
proceso (tiempo de ejecucin).
Cuando una propuesta de indizacin semiautomtica o automtica utiliza
tcnicas del PLN, al resultado obtenido se aplican bien clculos estadsticos o
bien se compara con un vocabulario controlado. Es decir, en ltima instancia, el
PLN acometido se ve supeditado a los mandatos estadsticos o a la presencia de
estructuras sintagmticas en dichas herramientas terminolgicas.
La inexistencia de una biblioteca bsica de programas informticos de libre
distribucin para el PLN. Esta biblioteca bsica de programas deba contener
desde corpus de diferentes dominios y niveles y lexicones hasta analizadores
morfolgicos y sintcticos. Estas herramientas son necesarias para el desarrollo
de investigaciones que requieren la utilizacin del PLN.
Los problemas para el desarrollo de herramientas dedicadas al procesamiento del
lenguaje natural, segn Verdejo Maillo [1994, p. 19], son de carcter:
Cientfico (la diversidad de teoras y metodologas para el abordaje de
una misma tarea).
Tcnico (la complejidad de los algoritmos).
74
Comerciales (el elevado coste de recursos tcnicos y humanos

encarece los productos, unido a un mercado escaso).
En definitiva, estos y otros problemas han propiciado que esta situacin precaria se
mantenga hasta la actualidad, porque Carretero y Rodrguez [1997, p. 39] se siguen
lamentando de la carencia de estos instrumentos para el espaol, con respecto a
otras lenguas menos extendidas que la nuestra, pero con mayor influencia
tecnolgica.
2.3.3 El uso de Tesauros.
La mayor parte de los sistemas operativos encaminados a la automatizacin de la
indizacin utilizan un tesauro, ya sea en instituciones privadas (productores de
bases de datos) o en pblicas (Centros de Documentacin o Bibliotecas
especializadas).
En los trabajos o lugares referenciados a continuacin, han utilizado un tesauro en
los sistemas desarrollados para automatizar la indizacin: Martnez, Lucey y Linder
[1987]* ; Biebricher, et al. [1988]* ; Lovtsov [1990] * ; Coret, Ducloy y Menillet [1991] *
; Silvester, Genuardi y Klingbiel [1994]. Y adems, en las Bases de datos TULSA5 *
e INIS6 *, en el Centro de Informacin Tcnica de la Defensa de Alexandria (en
Vancouver)*, y en las Bibliotecas Nacionales de Agricultura y de Medicina de los
Estados Unidos*.
Otras propuestas fundamentadas en los tesauros son las siguientes: Strode [1977],
Dillon [1982], Scheele [1983], Valle Bracero y Fernndez Garca [1983], Ciganik
[1990], los sistemas PASSAT, SINTEX y ALEXDOC [Slype, 1991], Evans [1991],
Hersh et al. [1992] y Wan [1995].
Como tendremos la oportunidad de explicar en el siguiente captulo la terminologa
constituye un requisito primordial para la existencia y el funcionamiento de un
* Referencias obtenidas de Hodge [1992].
5 Base de datos perteneciente a la Universidad de Tulsa que contiene literatura tcnica y patentes en
los campos de la exploracin y produccin de derivados del petrleo y gas natural.
6 Base de datos internacional con sede en Viena preparada por la Agencia Internacional de la
Energa Nuclear. Esta base de datos, consultable desde diferentes pases, contiene ms de un milln
y medio de registros bibliogrficos sobre aplicaciones pacficas de la Tecnologa y la Energa nuclear.
75
lenguaje especializado utilizado por profesionales de un determinado campo. La

terminologa cumple diversas funciones y su captacin de los textos supone la
aprehensin de conceptos y por tanto, del conocimiento. En base a estos
fundamentos, los trminos que representan conceptos no slo nos permiten conocer
el tema y el contenido de los documentos sino tambin transmitirlos.
Para verificar como actan los sistemas que persiguen la automatizacin de la
indizacin con la ayuda de un tesauro vamos a comentar brevemente varias
experiencias.
Con la idea de reducir los costes y agilizar los procesos de la indizacin se inici en
el Centro de Informacin Aeroespacial de la NASA un proyecto para disear un
sistema de indizacin semiautomtico. El sistema est compuesto por tres mdulos
[Silvester, Genuardi y Klingbiel, 1994]. En el primero se realizan diversas funciones
entre las que destacan: la identificacin de las fuentes que van a ser procesadas, la
limitacin de las series de palabras del texto (ttulo y resumen) y las llamadas al
segundo mdulo para ejecutar ciertas operaciones. Adems, a este primer mdulo
llegan finalmente los trminos de indizacin propuestos para su validacin. En el
segundo mdulo se efecta la bsqueda de frases significativas del texto con un
mximo de cinco palabras, para lo cual, recurren a la base del conocimiento o red
conceptual (tercer mdulo) constituida por un vocabulario controlado con ms de
115.000 candidatos a trminos de indizacin. Desde esta base del conocimiento se
establecen las posibles relaciones existentes entre los trminos desde el punto de
vista jerrquico o incluso, la desambiguacin de los mismos. Segn los autores,
cuando los resmenes son de calidad, en la fase de validacin se acepta el 60 % de
los trminos propuestos por el sistema.
El sistema SAPHIRE [Hersh et al., 1992] es un sistema de anlisis y recuperacin
de documentos de Biomedicina, cuyo ncleo es un algoritmo de comparacin de
trminos entre un documento o una pregunta de un usuario y un tesauro.
El programa consagra un tesauro de la Biblioteca Nacional de Medicina de Estados
Unidos llamado Meta-1. Este metatesauro7 contiene dos tipos de entradas: los
7 Meta-1 es un metatesauro producto de un proyecto emprendido en la Biblioteca Nacional de
Medicina de Estados Unidos a partir de 1986. La finalidad era obtener una herramienta que enlazara
un gran nmero de vocabulario mdico, para lo cual unificaron vocabularios como el MeSH (manejado
para indizar MEDLINE), DSM-III (American Psychiatry Association), SNOMED (American College of
Pathologists), ICD-9 (World Health Organization), y LCSH (Library of Congress).
76
trminos aceptados y sus sinnimos (los sinnimos son tanto a nivel de trmino
(alto y elevado) como de conceptos hipertensin y tensin alta). Meta-1
utiliza 28.423 trminos, 78.244 sinnimos y 28.603 races de palabras. Una vez
comparado el texto con el tesauro, a cada trmino retenido se le aplican clculos
estadsticos. En concreto, la frecuencia inversa del documento multiplicada por la
frecuencia de cada trmino en dicho documento.
La principal objecin atribuible a los sistemas de indizacin semiautomtica o
automtica asentados en este mtodo es la siguiente. La incapacidad de
seleccionar de un texto un candidato a trmino de indizacin que no se encuentre en
el vocabulario controlado. Este mismo inconveniente aparece cuando se indiza un
documento de modo manual, ya que generalmente, no se suelen asignar trminos
que no aparecen en el vocabulario controlado utilizado.
2.3.4 El uso de sistemas hbridos.
En realidad, a excepcin de las primeras propuestas de los aos sesenta
fundamentadas ntegramente en mtodos estadsticos, la mayor parte de los
prototipos utilizan al menos dos de las metodologas presentadas en los prrafos
precedentes. Veamos unos ejemplos:
Sistemas fundamentados en mtodos estadsticos y PLN
- SMART -aunque fundamentalmente la estadstica- [Salton, 1980]
- Andreewsky y Ruas [1982]*
- SPIRIT [Xivry, 1993]
- Faraj (et al.) [1996]
Sistemas fundamentados en mtodos estadsticos y tesauro
- SAPHIRE
* Esta referencia no se ha consultado directamente, sino que se localiz durante el proceso de

revisin bibliogrfica y de consulta de diferentes bases de datos.
77
Sistemas fundamentados en PLN y tesauro

- Valle Bracero y Fernndez Garca [1983]
Sistemas fundamentados en mtodos estadsticos, PLN y tesauro:
- PASSAT
- CLARIT
En SPIRIT8 la indizacin automtica, como ya hemos expresado, reposa sobre
fundamentos lingsticos y estadsticos. El procesamiento lingstico [Gil Leiva y
Rodrguez Muoz, 1996a, p. 284] se acomete en las siguientes fases: divisin de las
cadenas de caracteres en trminos simples; anlisis morfolgico con un diccionario
formado por 500.000 palabras; identificacin de trminos compuestos que
representan un concepto (ej.: caballos de vapor); anlisis sintctico por el que se
detectan las ambigedades gramaticales y las resuelve; reconocimiento de palabras
compuestas en base a criterios sintcticos con la identificacin de estructuras
nominales y verbales en las frases; eliminacin de las palabras vacas a partir de
criterios gramaticales (pronombres) y morfolgicos (lista de palabras vacas). Y por
ltimo, la normalizacin de las palabras restantes. Esta normalizacin convierte una
palabra flexionada en su cannica (livre / sustantivo = sustantivo ; livre / verbo =
livrer).
En el mdulo estadstico9 se atribuye a cada trmino normalizado (simple o
compuesto) una ponderacin segn su valor de discriminacin. Este peso servir
tanto para la indizacin como para la recuperacin del documento. El algoritmo
asigna el valor informacional de cada trmino en relacin al conjunto de los trminos
contenidos en la base de datos. De este modo, el sistema concede mayor relevancia
8 Systme Probabiliste dindexation et de Recherche dInformations Textuelles. Se trata de un
programa de Gestin Documental comercializado en Francia que permite la adquisicin, indizacin,
almacenamiento, bsqueda y difusin de la informacin. Es el resultado de ms de 20 aos de
investigaciones tericas y aplicadas realizadas en aqul pas en el seno de la Comisara de la Energa
Atmica (C.E.A) y la Facultad de Lingstica d'Orsay. Analiza diversos tipos de textos (jurdicos,
cientficos, tcnicos, comerciales, informticos) y en diferentes en idiomas (francs, ingls y alemn).
Adems, la interrogacin en la base de datos, que se formaliza en lenguaje natural, se puede realizar
en estos mismos idiomas.
9 En ninguna de las fuentes consultadas [Slype, 1991; Xivry, 1993; documento informativo obtenido de
la marca comercial T.GID] para conocer este sistema se concreta la base y el funcionamiento del
mdulo estadstico.
78
cuanto menos comn sea un trmino. Por tanto, en una base de datos sobre
Odontologa, se atribuir ms peso al concepto caries que a odontologa
puesto que ste ltimo estar presente en casi todos los documentos.
El sistema CLARIT es una propuesta para la automatizacin de la indizacin
completamente interdisciplinar. Este prototipo puede tomarse como modelo de los
sistemas hbridos ya que utiliza un tesauro, herramientas para el PLN y mtodos
estadsticos. Est compuesto [Evans et al., 1991] por tres mdulos donde desarrolla
diferentes tareas de formateado del texto, procesamiento del lenguaje natural y
filtrado de los trminos.
En el primer mdulo efecta el formateado del texto con la colocacin de las marcas
de comienzo y final de oraciones y prrafos. En el segundo mdulo se lleva a cabo
el PLN en dos etapas: el anlisis morfolgico y el sintctico. El lxico est
compuesto por ms de cien mil races de palabras inglesas. Y en el tercer mdulo
se formalizan varios procesos:
i) los clculos estadsticos sobre los trminos y las frases nominales ofrecidos
por el segundo mdulo en cuanto al nmero de veces que aparece una palabra
en el documento. Este dato estadstico se considera junto a otros del tipo:
nmero de documentos en los que una palabra ha aparecido, frecuencia de
aparicin de una palabra en el corpus especfico en cuestin y frecuencia de
aparicin de una palabra en un corpus general.
ii)los trminos que alcanzan una determinada ponderacin se comparan con
los trminos del tesauro y se clasifican en tres categoras: los trminos exactos
(coinciden con los del tesauro), los trminos nuevos (sobrepasan un
determinado umbral de aparicin) y los trminos generales (no estn entre los
exactos ni entre los nuevos).
Segn la exposicin hilada a lo largo de este captulo, la seleccin de trminos en la
indizacin semiautomtica o automtica se ha realizado mediante la utilizacin de
diferentes metodologas y principios:
Estadsticos (el clculo de frecuencias de aparicin de las palabras tanto en
los documentos como en las colecciones).
79
Sintcticos (la bsqueda de las estructuras sintagmticas adoptadas por los

trminos de indizacin).
Semnticos (la comparacin de textos con un vocabulario controlado).
2.3.5 La comparacin de la eficacia de la indizacin automtica versus manual.
En todas las propuestas para la automatizacin implantadas, aunque haya sido a
nivel de laboratorio, se ha intentado comprobar la calidad del producto en relacin a
la indizacin intelectual. Tanto es as, que la revisin bibliogrfica sobre indizacin
automtica de Bastos Vieira [1988] recoge brevemente varios ensayos encaminados
a la comparacin de estas diferentes formas de indizar. Este autor no proporciona
informacin sobre las caractersticas y los principios de los sistemas automticos en
la mayora de los casos, por lo tanto, mostramos solamente las conclusiones
alcanzadas en dichos ensayos:
Carroll y Roeloffs [1969] concluyeron que la indizacin automtica era ms
viable porque los resultados obtenidos fueron semejantes a los conseguidos por
profesionales, a lo que habra que sumar los costes de contratacin de personal
y la inconsistencia de los indizadores humanos.
Boyce y Lockard [1975] practicaron sus ensayos con documentos de
Medicina. Segn los resultados alcanzados, con la indizacin automtica la
exhaustividad en la recuperacin era superior tanto con el empleo de preguntas
generales como especficas. En cambio, la precisin fue mayor para la
indizacin manual cuando las preguntas incluan trminos especficos, pero
cuando comprendan trminos generales la automtica conquistaba mejores
ndices de precisin. Finalmente juzgaron que la indizacin automtica era tan
eficiente como la manual.
Klingbiel y Rinker [1976] comprobaron la eficacia de los dos mtodos de
indizacin con ttulos y resmenes del programa Machine-Aided Indexing. En
este ensayo la indizacin manual y la automtica obtuvieron ndices de
exhaustividad y precisin similares en la recuperacin, pero la primera se mostr
inferior en la precisin.
80
Meulen y Janssen [1977] utilizaron los ttulos y los resmenes de documentos

para llevar a cabo su experimentacin. Crearon dos bases de datos con los
mismos documentos pero indizados de forma manual y automtica
respectivamente. Despus, interrogaron cada base de datos con dos preguntas.
La indizacin manual present mejores coeficientes de exhaustividad y
precisin, cercanos al 20 %, en relacin a la automtica. Segn los autores se
obtuvieron estos resultados por el escaso nmero de preguntas utilizadas.
Barnes, Costantini y Perschke [1978] tomaron tambin ttulos y resmenes. El
ensayo se realiz sobre 5000 documentos. En la recuperacin, los trminos
propuestos por el sistema automtico se mostraron ms eficientes que los
asignados por profesionales. El coeficiente de exhaustividad en la recuperacin
con la indizacin automtica fue del 90%.
Otros ensayos para comparar la validez de los mtodos automticos frente a los
intelectuales han sido los siguientes:
Gerard Salton analiz los resultados de la indizacin con el sistema SMART con
respecto a los reportados por profesionales. Para ello, tom los datos de un estudio
de Lancaster [1969] y los compar con los resultados proporcionados por SMART.
En la tabla facilitada [Salton y McGill, 1983, p. 104] se comprueba que cuando el
sistema automtico utiliza tcnicas de seleccin de trminos simples desde los
resmenes, la exhaustividad y la precisin en la recuperacin es inferior en un 16%
y 19% respectivamente en relacin a MEDLARS. En cambio, cuando SMART
emplea la tcnica del valor de discriminacin de los trminos, esta diferencia queda
reducida al 8% en la exhaustividad y al 4% en la precisin. An ms, cuando en el
proceso de indizacin automtica se utiliza un tesauro para reconocer trminos
sinnimos y relacionados desaparecen estas diferencias. La exhaustividad con
SMART supera a la de MEDLARS en un 4% mientras que la precisin es la misma
en los dos modos de indizacin.
Hersh et al. [1992] para comprobar la efectividad de SHAPIRE (sistema
automtico de indizacin y de recuperacin) efectuaron el siguiente ensayo:
indizaron 200 resmenes tanto por expertos como por el sistema SAPHIRE
(slo ttulos y resmenes). El sistema automtico asign un total de 4552
trminos, con una media de 22,8 por resumen, por el contrario, los indizadores
81
humanos asignaron un total de 1966 trminos con la MeSH con una media de
9,8. Posteriormente, tras seleccionar una tanda de preguntas se acometieron
bsquedas con trminos de MeSH10 en los ttulos y los resmenes de los
documentos. La conclusin a la que se lleg es que con SAPHIRE se produjo
una menor exhaustividad y precisin en la indizacin con respecto al modo
tradicional. Segn estos autores, las causas de estas diferencias se debieron a
las lagunas de sinonimia del tesauro Meta-1, por lo que con una mejora
substancial en el mismo, repercutir fructuosamente en la indizacin.
Por ltimo, en una bsqueda en la base de datos Dissertation Abstracts
Online localizamos varias tesis doctorales presentadas en el Instituto de
Tecnologa de Illinois, donde se ha tratado de comprobar la efectividad de la
indizacin automtica frente a la intelectual. En uno de los trabajos [Hmeidi,
1995] se emplearon resmenes de documentos en rabe. Estos documentos se
indizaron de forma automtica (por palabras, temas y races de palabras), y de
modo manual. Tras los anlisis sobre los coeficientes de exhaustividad y
precisin en la recuperacin, se concluye que la indizacin automtica es tan
efectiva como la manual. A las mismas conclusiones se lleg en [Wan, 1995] y
[Seo, 1993]11. El primero trabaj sobre resmenes de documentos en chino,
mientras que Seo destin su investigacin a resmenes en coreano.
En definitiva, segn los resultados alcanzados en estos experimentos, los sistemas
automticos y la indizacin intelectual logran ndices semejantes en cuanto a la
exhaustividad y la precisin en la recuperacin de la informacin.
2.4 LA INTERDISCIPLINARIEDAD EN LA AUTOMATIZACIN DE LA

INDIZACIN.
La interdisciplinariedad es un aspecto inherente a la automatizacin de la indizacin.
Es ms, consideramos que no se podra hablar de indizacin semiautomtica o
automtica sin el aporte de una serie de disciplinas que ahora mostraremos. Una
10 Lista de encabezamientos de materias de Medicina utilizada en la Biblioteca Nacional de Medicina

de los Estados Unidos.
11 En los resmenes de los trabajos de Hmeide y Wan, recogidos en la Base de datos Dissertation
Abstrats no quedan explicitados los mtodos y los principios de indizacin automtica utilizados.
82
revisin superficial de las propuestas en esta direccin basta para comprobar la

intervencin de diferentes disciplinas en la resolucin de los problemas planteados.
Ribeiro Pinheiro y Matheus Loureiro [1995] y Saracevic [1995] consideran que los
problemas complejos necesitan abordajes interdisciplinares y soluciones
multidisciplinares. Idea que compartimos. Por otro lado, no aportamos nada nuevo si
expresamos que la indizacin es una operacin complicada. Tambin hemos
aceptado [Gil Leiva, 1997a ; 1997b] que esta complejidad se torna doble cuando se
persigue la automatizacin de esta tarea. De ah que se busquen slidos
argumentos, tanto tericos como prcticos, en otras disciplinas, as como el trabajo
conjunto con profesionales de dichas reas, para la subsanacin de las dudas
suscitadas. Las principales ciencias o disciplinas a las que se recurre son la
Lingstica, la Informtica, la Estadstica, la Lingstica computacional y la
Terminologa.
El desarrollo cientfico y tcnico ha provocado el nacimiento y la consolidacin de un
grupo de disciplinas o reas de trabajo con un tremendo carcter interdisciplinar
como es el caso de la Terminologa, la Inteligencia Artificial, la Lingstica
Computacional o la misma Documentacin.
La Terminologa es impensable sin los fundamentos lingsticos,
normalizadores o informticos.
La Inteligencia Artificial no tiene razn de ser sin las aportaciones de la
Informtica, la Ciencia Cognitiva o la Psicologa.
La Lingstica computacional no se entiende sin sus apoyos en la
Lingstica, la Lgica, la Matemtica, la Programacin o la Psicolingstica.
La Documentacin est impregnada de ciencias y disciplinas que le
otorgan principios para la constitucin de sus fundamentos y herramientas de
trabajo. Algunas de las ayudas recibidas proceden de la Lingstica, la
Informtica, la Terminologa, la Semitica, la Lingstica Computacional, la
Ciencia cognitiva, la Inteligencia Artificial, o la Lgica.
83
Las aportaciones ms importantes que recibe la Documentacin, y en particular la

automatizacin de la indizacin, son de la Lingstica y la Informtica. Esta idea est
completa y magnficamente recogida en unas frases escritas a mitad de los aos
setenta por Susan Artandi [1976, p. 235]. Aqu juzgaba que el uso de los
ordenadores permite a la Documentacin la manipulacin de textos en lenguaje
natural para su utilizacin en la recuperacin, puesto que la recuperacin de
informacin es de vital inters para las, cada vez ms, sofisticadas necesidades de
informacin por parte de la sociedad. Efectivamente, la Documentacin se dedica a
la recopilacin, anlisis, almacenamiento, y difusin de la informacin para lo que
demanda, conocimientos e instrumentos de otras disciplinas como medio de
alcanzar su misin.
Por otro lado, la asistencia de la Lingstica y la Informtica en la automatizacin de
la indizacin no son menos destacadas. sta ltima, persigue la seleccin de una
serie de conceptos de los textos escritos en lenguaje natural. Por tanto, conlleva que
el ordenador detecte signos que representan conceptos o comprenda los diferentes
niveles implicados en el lenguaje natural. A partir de aqu, las propuestas para la
automatizacin de la indizacin, si descansan sobre mtodos lingsticos, se
asientan en uno o varios niveles y componentes del lenguaje.
Diversos autores han reconocido no solo la interdisciplinariedad de la
Documentacin en general y de la automatizacin de la indizacin en particular, sino
que consideran un paso importante la creacin de grupos interdisciplinares para
avanzar en el rea. Estos autores son [Baranow, 1983 ; Garca Gutirrez 1989b;
1992; 1995 ; Coll-Vinent, 1990 ; Moreiro Gonzlez, 1993b,c ; Gil Leiva y Rodrguez
Muoz, 1996a; 1996b ; Gil Leiva, 1997c].
Esta interdisciplinariedad, tanto de especialidades o tcnicas como de
investigadores de diferentes reas que intervienen en la automatizacin de la
indizacin, se puede comprobar en la prctica en diversos trabajos:
En Jones et al. [1990] los autores pertenecen unos al Departamento de
Ciencias de la computacin, y otros, a la School of Library Science, ambos de
la Universidad de Louisiana.
84
En la propuesta de Foltz y Dumais [1992] el primero es del

Departamento de Psicologa de la Universidad de Colorado y la segunda, es
una investigadora en Biblioteconoma y Documentacin.
Tambin se detecta esta interdisciplinariedad en [Karetnyk, Karlsson y
Smart, 1991] cuyos integrantes del proyecto SIMPR son lingistas
computacionales, documentalistas e informticos.
O en los planteamientos de Schuegraf y Bommel [1993] que incluye a
miembros del Departamento de Matemticas y Ciencias de la Computacin
de la Universidad de St. Francis Xavier de Antigonish (Nova Scotia).
Otras iniciativas interdisciplinares las encontramos en [Fagan, 1989],
adscrito a la vez al Departamento de Lengua Moderna y Lingstica y al de
Ciencias de la computacin de la Universidad de Cornell (Estados Unidos).
En Woodruff y Plaunt [1994], el primer autor pertenece al
Departamento de Ciencias de la computacin y el segundo, a la Library and
Information Studies, ambos de la Universidad de California en Berkeley.
Ms reciente an es el trabajo de [Faraj et al., 1996], donde sus
participantes son del Departamento de informtica y del Centro de anlisis de
textos por ordenador de la Universidad de Qubec de Montral (Canad).
La interdisciplinariedad presente en la automatizacin de la indizacin propicia que
en la formacin de los grupos interdisciplinares cada investigador o grupos de
investigacin aporten sus bagajes, traducido no slo en conocimientos sino, a
veces, tambin en herramientas construidas por ellos mismos. Esta circunstancia
hemos tenido la oportunidad de observarla en Karetnyk, Karlsson y Smart [1991] y
en Faraj, et al. [1996].
A continuacin, veremos las aportaciones efectuadas a la automatizacin de la
indizacin por las ciencias y las disciplinas ya mencionadas. En algunas ocasiones,
las contribuciones de disciplinas al asunto que nos ocupa resultan decisivas, y en
otras ocasiones, los sistemas toman principios conceptuales o prcticos. Por tanto,
mostraremos algunos de los acervos tericos o procedimentales adquiridos.
85
Para concluir con esta introduccin a la interdisciplinariedad de la Documentacin y

en particular de la automatizacin de la indizacin reproducimos unas reflexiones de
Garca Gutirrez [1995, p. 14] acerca de estos asuntos:
En los ltimos aos, ora la Documentacin se ha abierto a otras
disciplinas, ora otras disciplinas han hecho escala en la nuestra. Pues
bien, aun siendo defensor de la investigacin interdisciplinar como nica
va para otorgar estatuto cientfico a la Documentacin, he de expresar
una gran preocupacin, desprendida de la lectura de algunos libros o de
la asistencia a congresos, por el extraamiento del objeto
documentolgico, an embrionario, en beneficio de otras disciplinas
tradicionales y consolidadas que, por motivo de saturacin en muchos
casos, optan por aplicaciones en Documentacin. As, estudios
inicialmente documentolgicos se transforman y consideran estudios
lingsticos, lgicos, tecnolgicos u otros.
2.4.1 Lingstica.
Las reflexiones sobre la relacin entre la Lingstica y la Documentacin y de los
aportes de la primera comenzaron a principios de los setenta. La automatizacin de
la indizacin, en particular, se ha asentado principalmente sobre el clculo de la
frecuencia de las palabras, en el anlisis automtico del lenguaje de los textos o en
ambos a la vez. Por tanto, la relacin entre la automatizacin de la indizacin y
Lingstica queda justificada.
Un lenguaje es un sistema [Marques Cintra, 1983 p.7], una organizacin relacional
en donde cada elemento existe en la medida en la que se relaciona con otro u otros
del mismo conjunto. Adems, un lenguaje documental es un lenguaje porque
concreta la capacidad simblica del hombre a travs de la organizacin de sus
trminos y reglas. Por tanto, un lenguaje documental tendr que resolver
complejidades presentes en el lenguaje natural como la polisemia, sinonimia,
homonimia o antonimia.
Los niveles y los componentes de la lingstica que intervienen en la automatizacin
de la indizacin son la morfologa, la sintaxis, y en menor medida, la semntica:
86
La morfologa se ha empleado para la descomposicin de las palabras en

sus races para agrupar aquellas con una raz comn. El fin es calcular la
aparicin de las palabras en base a sus races. Este nivel proporciona
tambin las categoras gramaticales de las palabras.
La sintaxis, se ha encargado, principalmente, de los problemas de
desambiguacin gramatical no resueltos en el nivel morfolgico. Algunas
propuestas de indizacin semiautomtica o automtica seleccionan
estructuras sintagmticas de los textos como candidatas a trminos de
indizacin.
La semntica se utiliza, en algunos sistemas, para distinguir si un mismo
trmino que se puede emplear en diferentes reas del conocimiento
pertenece a una u otra, segn en el contexto en el que aparece. Ejemplo:
banco = entidad financiera ; banco = mobiliario ; banco = pesca.
La idea de que la Lingstica es esencial para conceder sentido a la Documentacin
tanto terica como aplicada est presente en [Coyaud, 1972* ; Montgomery, 1972* ;
Sparck Jones y Kay, 1973* ; Gardin, 1973* ; Natali, 1978* ; Basilio, 1979* ; Baranow,
1983 ; Garca Gutirrez, 1990 ; Moreiro, 1993b,c ; Dez Carrera, 1994].
Por otro lado, las relaciones entre la Lingstica y la automatizacin de la indizacin
ha quedado reflejada en los trabajos de Smit [1974*]; Artandi [1976] ; Noceti y
Figueiredo [1978*]; Michell [1979*]; Long [1980] ; Walker [1981] ; Marques Cintra
[1983] ; Crystal [1984] ; Korycinski y Newell [1990] ; Lopes Gnez de Lara [1993].
Incluso se ha estudiado el impacto de la Lingstica en la Documentacin en la tesis
doctoral de Warner [1991]12.
* Estas referencias no se han consultado directamente, sino que se localizaron durante el proceso de
12 El material utilizado para esta tesis fue el anlisis de referencias bibliogrficas citadas en artculos
de un conjunto de fuentes con gran impacto internacional sobre Biblioteconoma y Documentacin.
Los resultados obtenidos refieren a que pocos investigadores en Documentacin han utilizado el
trabajo de un nmero reducido de lingstas de la sintaxis y semntica de los aos sesenta y setenta
(Chomsky, Fillmore o Lakoff). Y unas de sus conclusiones es que hasta el momento la Lingstica no
ha tenido un gran impacto en la Documentacin.
87
2.4.2 Terminologa.
La terminologa es el conjunto de conceptos de un campo del saber sistematizados,
explicados por medio de definiciones, explicaciones e ilustraciones y hechos
comunicables mediante trminos [Picht, 1996, p. 9]. La terminologa est concebida
de modo transdisciplinario puesto que mantiene vnculos con la Lingstica, la
Lingstica computacional, la Ciencia Cognitiva y la Documentacin, entre otras
[Cabr, 1993, p. 71 ; Arntz y Picht, 1995, p. 22]. Las relaciones fundamentales entre
la Terminologa y la Documentacin derivan porque la Documentacin es un campo
especializado con terminologa propia, utiliza la Terminologa y adems, la
Documentacin hace accesibles los conocimientos terminolgicos.
Coincidimos plenamente con estos autores [Baranow, 1983, p. 32 ; Espelt, 1995, p.
126 ; Esteban Navarro, 1995, p. 206] que han defendido la inclusin de la
enseanza de la Terminologa en las Escuelas y Facultades de Biblioteconoma y
Documentacin. La difusin del conocimiento, ha sostenido Esteban Navarro, son
dos objetivos tanto de la Terminologa como de la Documentacin. La
Documentacin controla y difunde los documentos que contienen conocimientos,
mientras que la Terminologa persigue la normalizacin y difusin de lenguajes
especializados para permitir una buena comunicacin cientfico-tcnica.
La relacin entre la Terminologa y la Documentacin aflora con ms fuerza cuando
se aplican principios de la Terminologa en la construccin, el mantenimiento y el
uso de los lenguajes documentales. La terminologa est presente en los tesauros
porque, como ya hemos visto, la indizacin es la bsqueda de los conceptos ms
representativos tanto de los documentos como de las preguntas para almacenar y
recuperar la informacin. Por tanto, esos conceptos representados por trminos se
pueden convertir en descriptores. Y para que estos conceptos se conviertan en
descriptores sufren un proceso de normalizacin y control con la ayuda de los
tesauros dedicados a un rea especializada.
El fin ltimo de la utilizacin de los tesauros, es decir, de los lenguajes
especializados, es la representacin y la recuperacin de los conceptos de un modo
unvoco. Las relaciones principales entre la terminologa de un tesauro son de
sinonimia (ej.: BACTERIAS U.p Bacilos // Bacilos Use BACTERIAS), de jerarqua
que comprende relaciones de trminos genricos o especficos (ej.: PLANTAS
88
ORNAMENTALES T.g. Plantas cultivadas // INTERVENCIN ESTATAL R.e.

Nacionalismo), y de relacin (ej.: NACIONALISMO T.r. minoras).
La relacin existente entre la Terminologa y la Documentacin ha quedado patente
en los prrafos precedentes. Pero si cabe alguna duda, basta mencionar que
especialistas en Terminologa como R. Arntz y H. Picht [1995] y M.T. Cabr [1993],
han dedicado en sus obras epgrafes para establecer la conexin entre estas dos
disciplinas denominados, en ambos casos Terminologa y Documentacin.
2.4.3 Informtica.
La informtica se ocupa del tratamiento automtico de la informacin y ha permitido
desde los aos cincuenta su representacin, procesamiento, as como su
almacenamiento y su recuperacin de forma automatizada. En la actualidad, se
emplea, directa o indirectamente, en todas las ciencias y tcnicas. No obstante, la
Documentacin sin la Informtica, pierde parte de su razn de ser, por lo que el
desarrollo de la primera, durante las ltimas dcadas, ha sido paralelo al de la
Informtica.
La mayor parte de las tareas ejecutadas por un documentalista y/o bibliotecario se
efecta por medio de los ordenadores. Estas labores comprenden desde la entrada
de la informacin al Centro, hasta su difusin a los usuarios. La disponibilidad tanto
de hardware como de software especfico ha provocado que cometidos como la
seleccin o la adquisicin de documentos y el anlisis, pero, principalmente, el
almacenamiento y la recuperacin de informacin se desempeen de modo
automtico.
La informtica no solamente se utiliza en la indizacin para lo que podramos
denominar anlisis de la informacin sino tambin para el proceso de
almacenamiento de los trminos de indizacin seleccionados de modo manual. En
este ltimo caso el indizador puede seleccionar trminos o cdigos de ficheros de
autoridades, validar los trminos introducidos con el fichero de autoridades,
averiguar el desarrollo completo de una sigla o viceversa, y acceder a otros
documentos indizados previamente. En definitiva, aunque la indizacin se realice de
modo intelectual los ordenadores constituyen herramientas importantes para facilitar
89
las labores de los indizadores y agilizar los procesos de control de calidad en la

indizacin.
2.4.4 Lingstica computacional.
En la introduccin del libro de Grishman [1991] se expresa, claramente, la definicin
y las pretensiones de la Lingstica computacional. La Lingstica computacionad es
una disciplina entre la Lingstica y la Informtica que trata de los aspectos
computacionales de las lenguas naturales. Su principal objetivo es la comprensin
de los procesos lingsticos desde el punto de vista de su procesamiento para que
los sistemas informticos generen e interpreten las lenguas. Por tanto, los productos
de la Lingstica computacional ofrecen para nuestros intereses una gran aplicacin:
el procesamiento automtico de los textos, de donde tomamos los fundamentos y
los procedimientos para el anlisis (indizacin) y la recuperacin de la informacin.
Uno de los objetivos de la Lingstica computacional es el anlisis de los distintos
niveles de las lenguas (morfolgico, sintctico, semntico y pragmtico) a travs de
programas informticos. Este proceso implica un anlisis a nivel de la palabra, de la
oracin y del texto, respectivamente. Las herramientas de la lingstica
computacional ms utilizadas en la automatizacin de la indizacin son los
etiquetadores morfolgicos y los sintcticos.
Los etiquetadores morfolgicos llevan a cabo la descomposicin de las palabras
para descubrir su categora gramatical (sustantivo, adjetivo, verbo, u otras) y su
caracterizacin morfolgica (gnero, nmero, persona, tiempo y modo). En la
indizacin semiautomtica o automtica el uso ms sencillo ha sido para la
descomposicin de las palabras en su forma raz, y as contabilizar todas las que
posean la misma. Los etiquetadores morfolgicos proporcionan a cada palabra su
categora gramatical. Los analizadores sintcticos toman como materia de anlisis
no la palabra sino la oracin. Son capaces de identificar los diferentes componentes
de la oracin (sujeto, verbos o complementos), de averiguar si la oracin es correcta
gramaticalmente (concordancias entre sujeto y verbo o entre sujeto y
complementos). Y asimismo, proceden a la desambiguacin gramatical de la
palabra en el caso de que fuera necesario. Los analizadores sintcticos se han
utilizado en algunos sistemas para la automatizacin de la indizacin para la
90
desambiguacin lexical o para la bsqueda de estructuras sintagmticas

establecidas de antemano.
En la actualidad, se sigue trabajando en este tipo de herramientas para mejorar y
ampliar los logros alcanzados, pero aun as, como sealara Moreiro Gonzlez [1993,
p. 44] a este respecto:
es necesario conjuntar la contribucin y avanzar en la aplicacin de los
aspectos morfolgicos, lexicogrficos, sintcticos, de representacin de
los conocimientos en redes semnticas, y de investigacin en los
procesos inferenciales desde: el contexto, lo no dicho y las anforas.
2.4.5 Estadstica.
La estadstica lingstica aplica estas tcnicas a los fenmenos de la lengua, segn
se ofrece en el diccionario de Lingstica coordinado por Cerd Mass [1986, p.
106]. Esto ha permitido la determinacin de la riqueza lxica de un autor, el enclave
de un texto annimo a una poca o a un autor y el clculo de la frecuencia relativa
de uso de las palabras para comprobar su capacidad informativa. Este ltimo uso es
el que interesa en el contexto de este trabajo.
Ya hemos sealado en el apartado dedicado a los mtodos estadsticos que G.K.
Zipf propuso la frmula:
Frecuencia x clasificacin = constante
para el valor constante que tiene la relacin entre la frecuencia de aparicin de las
palabras y el rango o puesto que stas ocupan en el orden frecuencial.
H.P. Luhn a finales de los cincuenta fue el primero en tomar la ley de Zipf para
aplicarla en la automatizacin de la indizacin. Su idea consista en que si una
palabra apareca en un texto con un determinado coeficiente de frecuencia (ni alto ni
bajo) poda ser tomada como trmino de indizacin porque transmita el contenido
del texto. Posteriormente, estas ideas fueron retomadas por otros investigadores
para ponderar los trminos de los documentos con la funcin de frecuencia inversa
91
en un documento [Sparck Jones, 1972] o el valor de discriminacin de los trminos

[Salton, Yang y Yu, 1975].
El uso de la frecuencia de las palabras en los textos ha sido la metodologa ms
utilizada en las propuestas para la automatizacin de la indizacin. En general,
podemos afirmar que hasta principios de los ochenta fue empleada casi de forma
exclusiva en las diferentes aproximaciones efectuadas [Luhn, 1958 ; Damerau, 1965
Carrol y Roeloff, 1969 ; Rosenberg, 1971 ; Sparck Jones, 1972 ; Salton y Yang,
1973 ; Bookstein y Swanson, 1975 ; Salton, 1980].
Posteriormente, con los avances producidos en el procesamiento del lenguaje
natural se
incorporaron, paulatinamente, herramientas lingsticas para el
tratamiento automtico de los textos, como instrumentos para la descomposicin de
las palabras, analizadores morfolgicos o incluso sintcticos. Esta incorporacin del
PLN ha hecho que algunas de las propuestas se puedan denominar hbridas, es
decir, la utilizacin de mtodos estadsticos y lingsticos [ Karetnyk, Karlsson y
Smart, 1991 ; Evans (et al.), 1991 ; Hersh (et al.), 1992 ; Schuegraf y Bommel, 1993
Xivry, 1993 ; Faraj (et al.), 1996].
2.4.6 Sistemas expertos.
Los programas informticos basados en los sistemas expertos incluyen el
conocimiento y la experiencia de uno o varios especialistas para ofrecer soluciones
a problemas especficos tal como lo hara un entendido. Los sistemas expertos son
herramientas potentes que permiten trabajar de forma ms rpida, fcil y completa,
lo que puede suponer mejoras en la productividad, en el aprendizaje y la
comprensin y en la conservacin de conocimientos importantes [Frenzel, 1989].
La clave de los sistemas expertos es el conocimiento, de ah, que a veces, se
denominen (knowledge-based systems) sistemas basados en el conocimiento. Por
tanto, la diferencia entre una base de datos y una base de conocimientos es
importante. Mientras que un registro [Frenzel, 1989, p. 45] de una base de datos es
una unidad de informacin que contiene hechos y figuras, ms que conocimientos,
una base de conocimientos contiene fragmentos individuales del conocimiento. Una
forma habitual de expresar el conocimiento es a travs de reglas. Las reglas
tienen la forma (IF-THEN)SI-ENTONCES. La primera parte de la regla va precedida
92
por la palabra SI seguida de la condicin. La segunda parte viene guiada de

ENTONCES y establece la accin o respuesta. Algunas de las reglas que se forman
son las siguientes:
Si aplicamos los sistemas expertos a la automatizacin de la indizacin para la
solucin del problema semntico de la sinonimia, una regla simple sera:
1. SI prstamo entre bibliotecas ENTONCES PRSTAMO
INTERBIBLIOTECARIO
Otras reglas son:
2. SI
en un prrafo universidad
Y
en el mismo prrafo enseanza
ENTONCES
ENSEANZA UNIVERSITARIA
3. SI
programas de ordenador
O
programas informticos
ENTONCES
SOFTWARE
Los sistemas expertos se han utilizado en Documentacin de modo experimental en
aplicaciones bibliotecarias como la catalogacin y los servicios de referencia [Gibb,
1986* ; Anderson, 1988 ; Cavanagh, 1989*]; en la recuperacin de informacin
[Pollitt, 1981* ; Shoval, 1985* ; Belkin, 1988* ; Alberico y Micco, 1990]; y en la
automatizacin de la indizacin [Martnez, Lucey y Linder, 1987* ; Humphrey, 1989 y
1994 ; Kuntz, 1991 ; Driscoll, et al. 1991 ; Schuegraf y Bommel, 1993].
2.5 LA AUTOMATIZACIN DE LA INDIZACIN PARA INFORMACIN

NO TEXTUAL.
A lo largo del captulo hemos estudiado la automatizacin de la indizacin dirigida a
la informacin textual, pero en este epgrafe mencionaremos diversas lneas de
investigacin abiertas durante la dcada de los ochenta encaminadas a la indizacin
de imgenes y de sonido de forma automtica. Tradicionalmente, se ha utilizado la
* Estas referencias no se han consultado directamente, sino que se localizaron durante el proceso de
93
informacin textual para recuperar la informacin de las bases de datos, por lo que
con este tipo de iniciativas se pretende que otra clase de informacin como son las
imgenes y los sonidos se convierta en clave tanto de almacenamiento como de
recuperacin.
Las iniciativas dirigidas a interpretar el sonido de un modo automtico tienen utilidad
no slo para recuperar esta clase de informacin de una base de datos sino tambin
se ha empleado en las prospecciones a gran profundidad para el descubrimiento de
yacimientos pretrolferos. Un trabajo para facilitar el acceso, el tiempo y el esfuerzo
para seleccionar un sonido en una base de datos lo han llevado a cabo Feiten y
Gunzel [1994].
Por otro lado, en la indizacin semiautomtica o automtica de imgenes hay que
tener presente aspectos como la composicin, el nivel de reconocimiento y las
diferentes interpretaciones que surgen tras la contemplacin de los objetos. A estos
problemas hay que sumar la complejidad para determinar y representar
convenientemente las relaciones semejantes entre los objetos porque varan las
estructuras de las imgenes. Propuestas en este sentido han sido las de Bordogna
et al. [1990] y Rabitti y Savino [1992].
2.6 EL NIVEL DE IMPLANTACIN DE SISTEMAS PARA LA

AUTOMATIZACIN DE LA INDIZACIN.
Hodge public un informe en 1992 sobre el estado real de la aplicacin de sistemas
para la automatizacin de la indizacin de documentos. Posteriormente, este
informe lo extract para difundir el estado de la cuestin en un Congreso [Hodge,
1993] y en un artculo [Hodge, 1994]. Para la elaboracin de este estudio entr en
contacto con los responsables de veintitrs destacadas entidades pblicas y
privadas como institutos especializados, Centros de Documentacin, Bibliotecas
especializadas, empresas de servicios de informacin (indizacin y resumen), y con
productores de bases de datos.
Los distintos sistemas para la automatizacin de la indizacin se dividen segn lo
expuesto en el informe en:
94
a) Asistencia en la indizacin y en el control de la calidad.

Estas posibilidades incluyen la localizacin de un candidato a trmino de indizacin
pero, principalmente, ayudas en la introduccin de los trminos en las bases de
datos.
Un indizador puede recurrir a diferentes ayudas durante la fase de anlisis para
localizar un trmino de indizacin:
Consulta en lnea de un vocabulario controlado.
Acceso a notas explicativas donde se especifica la utilizacin de un descriptor
determinado.
Seleccin de un trmino en lenguaje natural del ttulo o el resumen de un
documento para que el sistema ofrezca su trmino controlado del tesauro.
Acceso en lnea a documentos previamente indizados para la aclaracin de algn
aspecto.
Asignacin automtica de cdigos a los nombres de organismos que aparecen en
los ttulos de los documentos.
Introduccin de cdigos mnemotcnicos que permiten visualizar el desarrollo
completo de nombres de empresas o instituciones.
Asimismo, se emplean diferentes mtodos para facilitar y reducir el trabajo en la
introduccin de los trminos de indizacin de un documento en las Bases de datos:
Seleccin de los descriptores desde pantallas de ordenador con teclas de funcin
o con el ratn.
Cuando a un grupo de documentos se le asignan un mismo conjunto de trminos
de indizacin, cabe la posibilidad de asignarlos automticamente a todos los
documentos, sin teclear cada uno de ellos para conseguir una mayor rapidez y
consistencia.
95
Por ltimo, para garantizar la consistencia de los trminos de indizacin introducidos

en las bases de datos, se emplean los ficheros de autoridades. Estos ficheros
contienen los trminos de indizacin validados. Los controles se llevan a cabo bien
por lotes o bien en lnea. En el primer caso, cada cierto tiempo o segn un nmero
determinado de documentos analizados, se comprueba, de forma automtica, que
los trminos de indizacin utilizados estn en el fichero de autoridades. El control en
lnea, supone la validacin de los trminos en el momento de su introduccin en la
base de datos por la consulta al fichero de autoridades. En algunos sistemas,
cuando se localiza un trmino invalidado se propone automticamente un trmino
autorizado.
b) Sistemas automticos para el proceso de anlisis.
Los indizadores disponen de sistemas expertos basados en reglas para analizar los
ttulos y los resmenes de los documentos para asignarles trminos desde un
tesauro. Otros utilizan sistemas expertos basados en correlaciones estadsticas
entre los trminos en lenguaje natural de los documentos y los trminos de
indizacin de los documentos ya indizados. En otros sistemas, los indizadores
pueden revisar los documentos almacenados en la base de datos para aclarar
dudas durante la indizacin, cuando les surgen problemas de especificidad, o por el
desconocimiento de siglas o de abreviaturas utilizadas por un autor. De este modo,
se consiguen mayores ndices de consistencia, se mantiene la poltica de indizacin
en la institucin y se logra mayor calidad.
c) Sistemas de indizacin automtica
Varias instituciones utilizan la indizacin automtica para el anlisis de los
documentos, segn los datos ofrecidos en el informe de Hodge. En este caso, la
expresin indizacin automtica se refiere a indizacin sin ningn tipo de
validacin ni de validacin por parte de los profesionales. El mismo autor parece
sorprendido del nmero de instituciones que utilizan estos sistemas debido al
esfuerzo requerido para su construccin. No obstante, en todos los casos, la
indizacin automtica se aplica a reas o temas concretos, y a determinados tipos
de documentos. Veamos brevemente qu instituciones emplean sistemas
completamente automticos:
96
En el Centro de Informacin tcnica de Defensa de los Estados Unidos utilizan un

programa para la seleccionar series de palabras (de una a cuatro) de los ttulos y de
los resmenes con un diccionario de reconocimiento. Este diccionario est
compuesto por ms de ciento treinta mil trminos simples y frases. Una vez
seleccionados los trminos y frases de los textos se comparan con un tesauro para
transformar el lenguaje natural en descriptores.
El Centro de Documentacin Karlsruhe alemn proporciona la indizacin a
diferentes Bases de datos. En este Centro se utilizan dos sistemas diferentes para
la automatizacin de la indizacin. Un sistema automtico obtiene nombres de
elementos qumicos de frmulas localizadas en el texto. En cambio, en el sistema
AIR/PHYS se indizan documentos sobre Fsica a partir de los ttulos y los
resmenes.
El sistema AIR/PHYS se basa en un diccionario que contiene relaciones entre los
trminos en lenguaje natural de las fuentes analizadas y los trminos de indizacin
asignados. La relacin se establece por medio de un factor de asociacin de
acuerdo a estimaciones estadsticas sobre la probabilidad que tiene un descriptor de
ser asignado a un documento si en su ttulo o resumen contiene el trmino en
lenguaje natural asociado a dicho descriptor.
Estas relaciones se consiguieron tras la indizacin de casi cuatrocientos mil
documentos que dieron lugar a un nmero elevado de relaciones entre trminos en
lenguaje natural y descriptor, de las que en el sistema solamente se utilizaron
trescientas cincuenta mil. El sistema acta del siguiente modo: el texto se
descompone en palabras, frases y oraciones, y un algoritmo reduce cada palabra a
la forma estndar (un verbo a su infinitivo y un plural al singular). Posteriormente, el
texto resultante se compara con el diccionario para detectar las relaciones entre los
trminos del texto y los descriptores. A continuacin, se ponderan las relaciones
segn las estimaciones de probabilidad para asignar los trminos de indizacin al
documento13.
13 Para comprobar el grado de calidad del sistema se estudiaron los primeros veinte mil documentos
indizados. Se obtuvo que el 19% de los documentos presentaba una buena indizacin, la indizacin
para el 64% fue de gran utilidad a excepcin de pequeas correcciones, mientras que para el 13% de
los documentos la indizacin contena numerosos errores.
97
En el Centro Internacional para la Infomacin Cientfica y Tcnica rusa se han

indizado automticamente informes tcnicos y cientficos desde 1978 a 1991. El
sistema utiliza un analizador morfolgico y otro sintctico para el procesamiento de
ttulos y resmenes. Para este procesamiento se utilizan varios ficheros de trminos
controlados, de desinencias utilizadas en el anlisis morfolgico, de palabras vacas,
y de abreviaturas como Fig. o Bibliogr.. De acuerdo a estos ficheros los
trminos significativos se extraen de los textos y se comparan con el tesauro.
Por ltimo, en la Base de datos INSPEC que trabaja con documentos de Fsica,
Electrnica y Computacin, se han reindizado automticamente ms de tres
millones de registros contenidos en la base de datos desde 1969 a 1989.
En definitiva, como se ha comprobado la automatizacin de la indizacin comienza a
estar presente en diversas instituciones, pero, en grado y en forma diferente. En
todos los casos, son sistemas construidos por los mismos profesionales de las
entidades, de modo muy arbitrario, y segn las necesidades, los recursos, el entorno
de la indizacin y el tipo de documentos manejados. Por tanto, la revisin de cada
uno de los casos presentados en el informe de Hodge nos ha permitido constatar
que las entidades:
Analizan principalmente informes tcnicos o artculos cientficos.
Tratan reas concretas del conocimiento como Fsica, Biologa, Medicina,
Arte o Qumica.
Toman como fuentes de anlisis los ttulos y los resmenes de los
documentos.
Todas las instituciones utilizan un vocabulario controlado para la
automatizacin de la indizacin.
2.7
ESQUEMA
REPRESENTATIVO
DE
LAS
HERRAMIENTAS
UTILIZADAS EN LA AUTOMATIZACIN DE LA INDIZACIN.

HERRAMIENTAS
Mtodos Lingsticos
Mtodos Estadsticos
Anlisis Probabilsticos
Vocabulario Controlado
Fichero Palabras Vacas

Fichero expresiones
idiomticas
Fichero de siglas
Normalizacin de
Trminos
Autoreenvo de
Conceptos
Validacin de Trminos
98
SISTEMAS
SMART ; INDEXD ; CLARIT ; SIMPR ;
SPIRIT ; PASSAT ; ALETH ; DARWIN ;
ALEXDOC ; INDEXICON ; Valle Bracero y
Fernndez Garca [1983] ; Simn Granda y
Lema Garzn [1990] .
Luhn [1957] ; Damerau [1965] ; SMART ;
SHAPIRE ; CLARIT ; SPIRIT ; PASSAT ;
SINTEX.
Rosenberg [1971] ; Robertson y Harding
[1984] ; AIR/PHYS.
Strode [1977] ; Dillon [1982] ; Scheele
[1983] ; Valle Bracero y Fernndez Garca
[1983] ; Martnez, Lucey y Linder [1987] ;
Lovtsov [1990] ; Ciganik [1990] ; Coret,
Ducloy, Menillet [1991] ; Wan [1995] ;
Sistema NASA ; AIR/PHYS ; CLARIT ;
SHAPIRE ; PASSAT ; ALETH ; SINTEX ;
ALEXDOC.
SMART ; SIMPR ; Sistema NASA ;
Lovtsov [1990] ; Robredo [1991].
SPIRIT ; ALEXDOC.
DARWIN
SIMPR ; SPIRIT ; Valle Bracero y
Fernndez Garca [1983].
SMART ; SHAPIRE ; SINTEX ; ALEXDOC.
Rosenberg [1971] ; Martnez, Lucey y
Linder [1987] ; Simn Granda y Lema
Garzn [1990] ; Sistema NASA ; SIMPR ;
ALETH ; INDEXICON ; SINTEX ;
ALEXDOC.
Resumen captulo 3/
99
Este tercer captulo se dedica a especificar la propuesta

para la automatizacin de la indizacin en el rea de
Biblioteconoma y Documentacin. Tambin se explica la
metodologa adoptada y las fuentes utilizadas. Por ltimo,
se lleva a cabo un ensayo de modo manual donde se
aplica el algoritmo diseado para conseguir los ndices de
consistencia con respecto a indizadores profesionales.
Propuesta T-M parala automatizacin de la indizacin/ 100
3.- PROPUESTA TERICO-METODOLGICA PARA LA

AUTOMATIZACIN DE LA INDIZACIN
3.1 INTRODUCCIN.
A lo largo del primer captulo de este trabajo se llev a cabo una exposicin
conceptual para enmarcar la indizacin en el proceso documental, se expuso qu
es, cules son las etapas sucesivas acometidas durante esta tarea y para qu sirve
la indizacin. Tambin se mostr cules son sus principales caractersticas, los
diferentes sistemas de indizacin utilizados, as como las distintas herramientas
empleadas en la indizacin de los documentos. Todos estos aspectos se explicaron
porque se consideraban bsicos para la contextualizacin del marco terico de esta
tesis doctoral.
En el segundo captulo, dedicado a los aspectos de la automatizacin de la
indizacin, se trat de delimitar an ms el campo de actuacin. Para ello,
comenzamos con la problemtica alrededor de la automatizacin de esta operacin
por parte de profesionales e investigadores del rea. Posteriormente, en otro paso,
se mostraron las principales metodologas adoptadas para la automatizacin de la
indizacin, desde finales de los cincuenta hasta la actualidad. Con la presentacin
de los diferentes mtodos empleados se expusieron los principales inconvenientes y
problemas que circundan a cada uno de los mtodos de indizacin semiautomtica
o automtica. Por otro lado, se analizaron diferentes ensayos dirigidos a la
evaluacin de los sistemas automticos con respecto a la indizacin propuesta por
indizadores profesionales. Y por ltimo, se patentiz la interdisciplinariedad presente
en la automatizacin de la indizacin.
Llegados a este punto conviene sealar otro de los objetivos marcados al inicio de
este trabajo, esto es, la presentacin de una propuesta para la automatizacin de la
indizacin en el rea de Biblioteconoma y Documentacin.
A continuacin, a la vez que formulamos nuestra propuesta, justificamos cada una
de las elecciones. De este modo, razonamos las fuentes utilizadas para extraer los
trminos de indizacin aportados por el sistema, y el por qu basamos nuestra
propuesta en un vocabulario controlado. Tambin, una vez que hayan sido
presentados los diferentes mecanismos para llevar a cabo esta tarea realizaremos
una evaluacin del sistema. Para ello, lo aplicaremos, manualmente, a cincuenta
artculos de revista, y comprobaremos los ndices de consistencia resultantes con
respecto a los documentos analizados por indizadores profesionales del CSIC. Y al
mismo tiempo, detectaremos posibles problemas y errores con la finalidad de
mejorarlo.
3.2 LA ELECCIN DE LAS FUENTES UTILIZADAS EN LA

AUTOMATIZACIN DE LA INDIZACIN.
Cabe mencionar que la indizacin semiautomtica o automtica toma varias fuentes
sobre las que actuar: ttulos, resmenes y textos. Desde finales de los aos
cincuenta, cuando se concibieron los primeros sistemas automticos para la
creacin de ndices a partir de los ttulos, el empeo de algunos investigadores
consisti en demostrar el valor de los ttulos de los artculos cientficos como nico
recurso para la indizacin. Asimismo, el afn de otros investigadores residi en
evidenciar que los ttulos de los artculos de las ciencias sociales aportaban menos
carga informativa, con propsitos de indizacin y recuperacin, que los de las
ciencias experimentales o viceversa.
3.2.1 Los antecedentes de estos estudios.
Seguidamente, mostramos una serie de investigaciones dirigidas a constatar la
validez de los ttulos y los resmenes de los artculos cientficos para la indizacin
de los documentos. Bastos Vieira [1988], en su trabajo ya citado de revisin
bibliogrfica sobre la indizacin automtica, presentaba brevemente algunos
ensayos encaminados a contrastar la validez de estas fuentes con el objetivo
marcado:
Maizell [1960] acredit uno de los primeros estudios sobre la importancia
de los ttulos de los artculos, y ms concretamente sobre artculos de Physics
Abstracts. De dichos anlisis dedujo que el 63% de los ttulos contena
informacin suficiente para la indizacin.
Montgomery y Swanson [1962] obtuvieron resultados ms elevados sobre
los ttulos del Index Medicus. Llegaron a la conclusin de que el 86% de los
ttulos posea un contenido suficientemente significativo para que fuera

utilizado en la indizacin automtica.
Ruhl [1964] en publicaciones del rea de Qumica, encontr que el 57% de
los ttulos contena todos los descriptores asignados en el Chemical
Abstracts, y solamente el 12% de los ttulos no inclua tres o ms palabras
significativas.
Kraft [1964], respecto a ttulos de Derecho, evidenci que el 64% de los
mismos englobaba palabras significativas, mientras que tan slo el 10% no
entraaba ninguna palabra existente en el ndice Index to Legal Periodicals.
Por ltimo, Svenonius [1972] y Feinberg [1973] afirmaron, apoyados en sus
respectivos estudios, que la indizacin obtenida de los ttulos ostentaba una
precisin mayor que con la explotacin del resumen o del texto.
Por otro lado, hemos identificado otros investigadores [Salton, 1972 ; Dijk y Slype,
1972 ; Kwok, 1974 ; Braga, 1982 ; Salton y McGill 1983] que consideraron los ttulos
como fuentes insuficientes para la transmisin completa de la carga informativa de
los documentos. Por estas razones, juzgaban necesario apoyarse tambin en los
resmenes. Veamos algunos ejemplos:
Braga, por ejemplo, realiz un estudio relativo a los ttulos de artculos cientficos
de Qumica. Para ello, aplic la tcnica de ndices KWIC para contraponer las
palabras de los ttulos y de los resmenes con tablas de frecuencia. Y explic que
los ttulos, a pesar de ser puntos de acceso al contenido de los documentos,
resultaban insuficientes para una perfecta indizacin y recuperacin, ya que la
proporcin de palabras significativas del resumen era del orden de doce por cada
una del ttulo.
En otro estudio efectuado en Euratom, mencionado en [Dijk y Slype, 1972, p.
105], se defenda que los ttulos, de promedio, dotaban de bastantes menos
trminos de indizacin que los resmenes.
Weinberg [1981] estudi sesenta y cinco artculos y sus resmenes sobre
Ingeniera civil. Comprob que el 23% de los trminos de indizacin no apareca en
los resmenes sino en el texto; que el 44% slo se manifestaba una vez en los
resmenes; y que el 34% de los trminos solamente se materializaba en los

resmenes.
D.B. Cleveland, A.D. Cleveland y Wise [1984]* indizaron de forma automtica los
ttulos, los resmenes y los textos para cerciorarse de las fuentes o combinaciones
que ofrecan mejores resultados en la recuperacin. Tras diversos ensayos con las
fuentes combinadas concluyeron que la indizacin automtica con los ttulos o los
resmenes proporcionaba ndices de exhaustividad y precisin semejantes a los
obtenidos por la indizacin del texto completo.
Con los trabajos anteriores se ha brindado un nmero considerable de experimentos
en defensa de una o varias fuentes. Ahora resta desplegar algunas de las
propuestas para la automatizacin de la indizacin desarrollas para mostrar las
opciones preferidas por los investigadores:
Entre los sistemas que se nutren a partir de los ttulos y de los resmenes
destacan: Klingbiel y Rinker [1976] ; Meulen y Janssen [1977] ; Barnes,
Costantini y Perschke [1978] ; Dillon [1983] ; Martnez, Lucey y Linder [1987] ;
Biebricher [1988] ; Evans et al., [1991] ; Robredo [1991] ; Hersh et al. [1992] ;
Silvester, Genuardi y Klingbiel [1994].
La segunda opcin elegida es la utilizacin de los resmenes [Salton, 1972
; Britvin, 1981 ; Seo, 1993 ; Hmeidi, 1995 ; Wan, 1995].
En menor medida, otros prototipos emplearon slo los ttulos [Valle Bracero
y Fernndez Garca, 1983 ; Scheele, 1983], mientras que otros los textos
[Haller, 1982 ; Andreewsky y Ruas, 1982 ; Haller, 1983].
3.2.2 Ensayo en las Bases de datos del CSIC.
Ante este panorama de diversidad, parece obligado afrontar un ensayo propio a
partir del cual, tomar una decisin adecuada a nuestra propuesta. Para ello,
analizamos referencias de artculos de distintas reas del conocimiento:
- Humanidades (Biblioteconoma y Documentacin y Psicologa).

- reas con un grado mayor de experimentacin (Biologa y Medicina).
- reas ms experimentales (Qumica y Fsica).
Todas estas disciplinas y ciencias estn presentes en las Bases de datos ISOC, IME
o ICYT del Consejo Superior de Investigaciones Cientficas.
3.2.2.1 Material y mtodos.
El mtodo seguido para el ensayo fue el siguiente. De cada una de las reas
seleccionadas se localizaron de una a tres revistas cientficas que publicaran
trabajos en estos mbitos1. A continuacin, se obtuvieron de las diferentes Bases
de datos mencionadas setenta y cinco registros que cumplieran alguna de estas dos
condiciones: contener el campo Resumen -imprescindible para los anlisis que se
deseaban acometer- o bien que se tuviera acceso a la fuente en papel, pero a la vez
que contuvieran el resumen del artculo.
Este proceso nos proporcion para cada rea del conocimiento setenta y cinco
referencias de artculos con sus respectivos ttulos, resmenes y descriptores
asignados por los profesionales que analizan esta informacin. En definitiva, se
obtuvieron cuatrocientos cincuenta registros con 2077 descriptores.
A partir de aqu se comenz a buscar manualmente en cada uno de los registros los
descriptores asignados tanto en los ttulos como en los resmenes. Slo se
seleccionaron aquellos descriptores idnticos en esas zonas. Con esto se pretende
expresar que cuando se encontraba por ejemplo, anlisis bibliomtrico y como
descriptor estudio bibliomtrico, prstamo entre bibliotecas y como descriptor
prstamo interbibliotecario, o recuperacin de informacin y como descriptor
recuperacin de la informacin no se contabilizaban.
Estos trabajos tambin vienen referenciados en Bastos Vieira [1988].

rea de Biblioteconoma y Documentacin: Revista Espaola de Documentacin Cientfica, Jornadas
Espaolas de Documentacin Automatizada (celebradas en 1994) y el Boletn de
la
Asociacin
Andaluza de Bibliotecarios.
rea de Medicina: Actas Urolgicas Espaolas, Oncologa y Endocrinologa.
rea de Qumica: Anales de Qumica.
rea de Biologa: Anales de Biologa y Monografas de Flora y Vegetacin Bticas.
rea de Psicologa: Investigaciones Psicolgicas, Anales de Psicologa y Anuario de Psicologa.
1
3.2.2.2 Resultados.
Los resultados de estos anlisis se muestran en la siguiente tabla:
reas
Total
descrip.
asignados
Descrip
en
Ttulo
Bib-Doc.
Medicina
Qumica
Biologa
Psicologa
Fsica
Total
396
186
410
330
395
360
2077
39
47
19
33
13
17
168
Descrip.
en
Resumen
9,8
25,2
4,6
10
3,2
4,7
8
62
10
58
49
72
41
292
15,6
5,3
14,1
14,8
18,2
11,3
14
Descrip.
Total
en Ttulo y descrip. en
Resumen
Ttulo o
Resumen
86
47
76
43
46
34
332
187
104
153
125
131
92
792
47,2
55,9
37,3
37,8
33,1
25,5
39,4
Descrip. no
presentes en
Ttulo o
Resumen
209
82
257
205
264
268
1285
Del anlisis de los resultados obtenidos podemos expresar que:

1. Los ttulos de los artculos de Medicina son los que albergan ms cantidad de
descriptores, pero es necesario considerar que tambin posee el nmero ms
bajo de descriptores asignados a los setenta y cinco registros analizados. Por
tanto, si reparamos en esta circunstancia, el rea que presenta los ttulos ms
significativos, de cara a la indizacin, es la de Biblioteconoma y Documentacin.
Por el contrario, la que menos es Psicologa seguida de Qumica.
2. El rea con los resmenes ms significativos es Psicologa seguida de
Biblioteconoma y Documentacin. En cambio, Medicina y Fsica son las que
menos descriptores han presentado en los resmenes.
3. Los ttulos y los resmenes de los artculos de Medicina son los que ms
descriptores acogen. Hay que observar de nuevo, que esta rea es la que menos
descriptores tiene asignados en los registros revisados. A continuacin, aparecen
las reas de Biblioteconoma y Documentacin y Biologa.
4. Los resmenes de los documentos, siempre y cuando estn bien elaborados, son
fuentes que proporcionan ms conceptos con posibilidad de convertirse en
rea de Fsica: Anales de Fsica.
descriptores que los ttulos. Si bien es cierto que hemos tenido la oportunidad de
leer resmenes de muy mala calidad.
Una vez concluido el ensayo nos propusimos averiguar qu nmero de trminos
aportaban los textos de los documentos. Para tal objetivo, lemos, minuciosamente,
los setenta y cinco artculos ya analizados de Biblioteconoma y Documentacin.
Esta lectura procur otros 98 trminos de indizacin no presentes en el ttulo ni en el
resumen.
Veamos de nuevo la tabla con los datos conseguidos:
rea
Bib-Doc.
Descrip. Descrip. en
asignados
Ttulo o
Resumen
396
187
Descrip.
solamente
en texto
47,2
98
Descrip.
en T, Re
y Texto
24,7
285
71,9
Se observa que el anlisis de los textos aporta el 24,7% de los trminos asignados
como descriptores. Por tanto, segn estos datos, la explotacin de los textos para
labores de indizacin no parece ser una postura caprichosa, sino ms bien
ineludible. En consecuencia, trasladada esta conclusin a la intencin de
automatizar la indizacin, parece razonable que los textos deben ser una fuente
ms, pero siempre y cuando la metodologa utilizada no sea excesivamente
compleja y no consuma demasiados recursos y tiempo.
3.2.2.3 Conclusiones.
En definitiva, la utilizacin de los ttulos, los resmenes y los textos se deben
considerar para la automatizacin de la indizacin por las siguientes razones:
1. Segn los datos precedentes, parece justificado la incorporacin de los textos
para fines de la indizacin porque aporta el 24,7% de los descriptores asignados
a los artculos analizados. Y los ttulos, los resmenes y los textos han contribuido
con el 71,9% de los descriptores asignados. Adems, recordemos que, durante el
ensayo, consideramos como trminos diferentes por ejemplo: anlisis
bibliomtrico y estudio bibliomtrico, prstamo entre bibliotecas y
prstamo interbibliotecario o recuperacin de informacin y recuperacin de
la informacin. Esto significa que con simples relaciones de equivalencia el

nmero de descriptores localizados en estas fuentes ser superior.
2. Para tomar como nicas fuentes de anlisis los ttulos y los resmenes hay que
considerar que los ttulos sean lo bastante precisos, y que los resmenes estn
bien elaborados, cuestin difcil de predecir. Adems, hay revistas espaolas de
Biblioteconoma y Documentacin que no parece que obliguen a los autores a la
presentacin de un resumen del trabajo que van a publicar. Publicaciones como
la Revista General de Informacin y Documentacin, AABADOM, Information
World o Mtodos de Informacin no ofrecen los resmenes de los artculos en la
mayor parte de las ocasiones. Por otro lado, la presentacin y metodologa de los
resmenes vara enormemente. Tras este estudio, podemos afirmar que la revista
que ms cuida la forma y contenido de los resmenes es la Revista Espaola de
Documentacin Cientfica.
3.3 LA ELECCIN DE UN VOCABULARIO CONTROLADO.

A lo largo del segundo captulo hemos constatado que los mtodos estadsticos
aplicados en la automatizacin de la indizacin de los documentos no solucionan
problemas importantes, tales como el reconocimiento de sinonimias y la seleccin
de trminos compuestos, principalmente.
Por otro lado, la utilizacin del PLN supone una serie de inconvenientes como: a) la
carencia de una biblioteca bsica de programas informticos de libre distribucin
para el espaol como, etiquetadores morfolgicos o sintcticos, por lo que resulta
necesario construirlos para tal fin; b) en el caso de disponer de este tipo de
herramientas, a los datos resultantes tras los procesamientos del lenguaje natural
hay que aplicar bien clculos estadsticos o bien procesarlos contra un vocabulario
controlado; c) incluso si se adopta esta metodologa es necesario asumir que el PLN
requiere una importante cantidad de recursos y de tiempo para ejecutar los
procesos.
Por estas limitaciones se propone una metodologa para la automatizacin de la
indizacin fundamentada en la comparacin de patrones admitidos desde un
vocabulario controlado. Los patrones admitidos son todos los trminos incluidos en
el vocabulario controlado, ya sean trminos preferentes o no preferentes, con la
salvedad de que los trminos propuestos finalmente por el sistema para convertirse
en descriptores, sern slo trminos preferentes.
3.3.1 La justificacin de la eleccin de un vocabulario controlado.
A continuacin, se justifica la utilizacin de un vocabulario controlado para la
automatizacin de la indizacin.
1. El valor de la terminologa en los textos cientfico-tcnicos.
Empecemos con una pregunta ingenua, pero tambin prfida: De qu trata el
siguiente texto?:
Se
hace
un
planteamiento
general
de
la
problemtica
de
la
################ en relacin con la ############# contenida en los

######. Se exponen los principales problemas que presenta la ##### de
las entradas en los ############# y se analizan los nuevos ######
elaborados por la #############, la ############ y la ########### .
Finalmente, se describen los intentos llevados a cabo por dos organismos
internacionales, ##### e #####, para lograr un mayor grado de ###### en
las ################ y ###### teniendo en cuenta la utilizacin de ######
en el ############### y el intercambio internacional de los mismos.
Con las palabras precedentes entrecomilladas comenzaba Picht [1996, p. 10], un
apartado de su reciente artculo sobre Terminologa. En nuestro caso hemos
cambiado el texto, pero sin embargo, el efecto es el mismo. Tras su lectura no se
intuye nada del tema que trata ni del contenido del mismo. A continuacin se
reproduce el texto sin censuras:
Se hace un planteamiento general de la problemtica de la ordenacin de los
asientos bibliogrficos en relacin con la recuperacin de la informacin
contenida en los catlogos. Se exponen los principales problemas que
presenta la ordenacin de las entradas en los catlogos automatizados y se
analizan los nuevos cdigos elaborados por la Library of Congress, la British
Library y la Library Association. Finalmente, se describen los intentos llevados
a cabo por dos organismos internacionales, IFLA e ISO, para lograr un mayor
grado de uniformidad en las reglas de ordenacin de catlogos y bibliografas

teniendo en cuenta la utilizacin de ordenadores en el tratamiento de los
datos bibliogrficos y el intercambio internacional de los mismos 2.
Este mismo ensayo sobre textos de otra rea puede provocar resultados an ms
desconcertantes. Veamos dos ejemplos:
Ya sabemos que la ########### o ########## (#### y ########) en la
########## da lugar al #######, primera ####### del nuevo ser con
################. A partir de ah comienza su ############# (por
###########) que origina un nmero creciente de ###### mientras que
el ############# realiza su descenso por la #############.
Ya sabemos que la unin de los gametos o clulas sexuales (vulo y
espermatozoide) en la fecundacin da lugar al zigoto, primera clula del
nuevo ser con dotacin cromosmica diploide. A partir de ah comienza su
Segmentacin (por divisin mittica) que origina un nmero creciente de
clulas mientras que el vulo fecundado realiza su descenso por la trompa de
Falopio.
Las ######### no pueden explicarse por un nico ########## o
########. La ############### probables es que la ############ da
lugar a ###########, y la ############ da lugar a #############. A su
vez, la ######## y la ############# producen un incremento de la
############ y de la ###############, con aumento de la ######### y
de la #############.
Las manifestaciones clnicas no pueden explicarse por un nico factor
fisiolgico o bioqumico. La secuencia patognica probable es que la
hiperglucemia materna da lugar a hiperglucemia fetal, y la respuesta
pancretica del feto da lugar a hiperinsulinemia fetal. A su vez, la
hiperglucemia y la hiperinsulinemia fetal producen un incremento de la tasa de
Este texto corresponde al resumen de un artculo publicado en la Revista Espaola de

Documentacin Cientfica, 18, 3, 1995, p. 283.
glucosa heptica y de la sntesis de glucgeno, con aumento de la lipognesis

y de la sntesis proteica. 3
Segn se desprende de estos textos la terminologa:
Constituye un requisito primordial para la existencia y el funcionamiento de
un lenguaje especfico.
Representa una condicin esencial para la comunicacin entre los
profesionales.
Cumple una funcin representativa y cognitiva.
Proporciona los fundamentos conceptuales de los textos cientficotcnicos.
Por tanto, si capturamos la terminologa presente en los textos tenemos acceso a
los conceptos comunicados, lo que nos permite conocer los temas y los contenidos
tratados en los documentos.
2. Un vocabulario controlado que incluya relaciones de equivalencia es una buena
herramienta para detectar los sinnimos en las fuentes. Esta posibilidad ya ha
sido explotada tanto para la recuperacin de la informacin como en la
automatizacin de la indizacin en los sistemas SMART [Salton, 1980] o
SHAPIRE [Hersh, 1992].
3. Como se coment en el captulo anterior, a partir de ensayos con el sistema
SMART, se comprob que los ndices de precisin y exhaustividad en la
recuperacin son similares a la indizacin de profesionales si el sistema de
indizacin automtica emplea un tesauro para reconocer trminos sinnimos.
4. En el informe de Hodge [1992], sobre el estado de la automatizacin de la
indizacin en instituciones pblicas y privadas (Bibliotecas especializadas, institutos
de investigacin, Centros de Documentacin y empresas productoras de bases de
3
Se trata de dos fragmentos de los apuntes de una asignatura de la Facultad de Biologa de la

Universidad de Murcia.
datos o de servicios de indizacin o resmenes), se ha constatado que las veintitrs

entidades analizadas utilizan un vocabulario controlado, independientemente del
grado de automatizacin de la indizacin conseguido.
Por todas estas razones consideramos que un sistema de indizacin
semiautomtico o automtico debe fundamentarse en un vocabulario controlado.
Adems, la eleccin de esta posibilidad viene respaldada por otros investigadores
que ya la adoptaron para sus propuestas como: Strode [1977], Dillon [1982],
Scheele [1983], Valle Bracero y Fernndez Garca [1983], Martnez, Lucey y Linder
[1987], Biebricher, et al. [1988], Lovtsov [1990], Coret, Ducloy y Menillet [1991],
Ciganik [1990], los sistemas PASSAT, SINTEX y ALEXDOC [Slype, 1991], Evans
[1991], Hersh et al. [1992], Silvester, Genuardi y Klingbiel [1994] o Wan [1995].
3.3.2 La elaboracin de la lista de trminos autorizados.
Como hemos referido, resulta relevante el papel jugado por la terminologa para la
indizacin. Por tanto, en el empeo por construir una metodologa para acometer
esta tarea de modo automtico, se ha tropezado con la ausencia de un amplio
vocabulario controlado (instrumento terminolgico) sobre Biblioteconoma y
Documentacin. Al inicio de esta investigacin solamente conocamos los siguientes
tesauros para el espaol:
ROZO ROS, D.S., GARZN HERRN, M.E.
Documentacin e informacin. Bogot: FID.
TESAURO de la Unesco. (1982). Pars: Unesco.
(1980).
Tesauro
en
PENICHE DE SNCHEZ MACGREGOR, S. (1992). Vocabulario controlado en

Bibliotecologa, Ciencia de la Informacin y temas afines. Mxico: Universidad
Nacional Autnoma de Mxico.
La primera obra recoge 560 trminos. La terminologa presente en el tesauro est
ms cercana a la concepcin y uso del lenguaje de Amrica latina que de Espaa.
Por otro lado, la segunda referencia fue concebida para la indizacin y la
recuperacin de documentos en el Servicio Informatizado de Documentacin de la
Unesco. Las reas abarcadas son los mbitos de actuacin de esta organizacin:
desde aspectos generales a Educacin, Cultura y Humanidades, Ciencia y
Tecnologa, Comunicacin y Ciencias sociales. Pero dedicaron una parte a la

Informacin, Bibliotecas y Archivos. Y por ltimo, la tercera obra contiene 1400
trminos entre descriptores y no descriptores.
Ante esta falta de herramientas tiles para nuestros objetivos nos propusimos la
elaboracin de un vocabulario controlado (lista de trminos autorizados) sobre
Biblioteconoma y Documentacin. En primer lugar, contactamos con los indizadores
del rea de Biblioteconoma y Documentacin de la Base de Datos ISOC del
Consejo Superior de Investigaciones Cientficas. Y nos reiteraron la carencia de este
tipo de herramientas para nuestro campo. A raz de esta visita nos facilitaron un
listado con los descriptores utilizados en la indizacin de dicha Base de datos.
Como quiera que las obras arriba mencionadas resultaban insuficientes para
proveernos de terminologa, consultamos otras relacionadas como diccionarios
terminolgicos, bilinges y de acrnimos. Los trabajos en cuestin fueron:
BUONOCORE, D. (1976). Diccionario de Bibliotecologa: trminos relativos a la
bibliologa,
bibliografa,
bibliofilia,
biblioteconoma,
archivologa,
documentologa, tipografa y materias afines. Buenos Aires: Marymar.
DICCIONARIO de Informacin y Documentacin (1989). Madrid: ICYT.
MARTNEZ DE SOUSA, J. (1993). Diccionario de Bibliologa y Ciencias afines.
Madrid: Fundacin Germn Snchez Ruiperez.
LOZANO PALACIOS, A. (1993). Vocabulario ingls-espaol espaol-ingls
para los estudios de Biblio-Documentacin. Granada: Universidad.
DICCIONARIO de acrnimos en informacin y documentacin (1994).Madrid:
CINDOC.
En definitiva, con estas obras, el material manejado y la terminologa propia,
elaboramos una lista de trminos autorizados del rea de Biblioteconoma y
Documentacin compuesto por 1995 trminos, de los cuales 1362 son descriptores
y 633 no descriptores. Este vocabulario constituye la base del proyecto que
proponemos para la constitucin de un sistema para la automatizacin de la

indizacin. En el anexo 8 se reproduce la lista ntegra de trminos autorizados.
A continuacin se muestran los veinte primeros trminos de la lista de trminos
autorizados como aparecen en el anexo y posteriormente, como deben disponerse
para su consulta por el algoritmo.
1.
2.
3.
4.
5.
3W USE WORLD WIDE WEB

AACR
USE REGLAS DE CATALOGACION
ABREVIATURAS
ABSTRACTS
USE RESUMENES
ACCESIBILIDAD DE LA INFORMACION
6. ACCESIBILIDAD UNIVERSAL A LA INFORMACION

UNIVERSAL DE LAS PUBLICACIONES
USE DISPONIBILIDAD
7. ACCESO A BASES DE DATOS

8. ACCESO A LA INFORMACION
9. ACCESO A LOS LIBROS
10.ACCESO AL DOCUMENTO
11.ACCESO REMOTO
12.ACCESO UNIVERSAL A LAS PUBLICACIONES USE DISPONIBILIDAD
UNIVERSAL DE LAS PUBLICACIONES
13.ACERVO USE COLECCIONES
14.ACERVO BIBLIOGRAFICO USE FONDOS BIBLIOGRAFICOS
15.ACERVO DOCUMENTAL
USE FONDOS DOCUMENTALES
16.ACM
USE ASOCIACIONES PROFESIONALES
17.ACREDITACION PROFESIONAL
18.ACRODABA
USE BASE DE DATOS DE ACRONIMOS
19.ACRONIMOS
20.ACTAS DE CONGRESOS
3W USE WORLD WIDE WEB
AACR USE REGLAS DE CATALOGACION
ABREVIATURAS
ABSTRACTS
USE RESUMENES
ACCESIBILIDAD
INFORMACION
UNIVERSAL
INFORMACION
USE DISPONIBILIDAD UNIVERSAL DE LAS
PUBLICACIONES ACCESO
BASES
DATOS
DOCUMENTO
INFORMACION
LIBROS
ACCESO
REMOTO
UNIVERSAL
PUBLICACIONES USE DISPONIBILIDAD UNIVERSAL DE LAS
PUBLICACIONES
ACERVO
USE COLECCIONES
BIBLIOGRAFICO USE FONDOS BIBLIOGRAFICOS
DOCUMENTAL
USE FONDOS DOCUMENTALES
ACM USE ASOCIACIONES PROFESIONALES
ACREDITACION
PROFESIONAL
ACRODABA USE BASE DE DATOS DE ACRONIMOS
ACRONIMOS
ACTAS
CONGRESOS
3.4 PROPUESTA PARA LA AUTOMATIZACIN DE LA INDIZACIN.

La automatizacin de la indizacin que proponemos se fundamenta en la seleccin
desde las fuentes (ttulos, resmenes y textos) de los patrones admitidos incluidos
en el vocabulario controlado. El proceso se lleva a cabo en tres mdulos diferentes:
En el primer mdulo se prepara el texto para los anlisis posteriores
por medio de:
La sealizacin de las fuentes.
La horizontalizacin de las frases y oraciones comprendidas entre
signos de puntuacin.
La eliminacin de las palabras vacas de los textos.
La contabilizacin de las palabras de las fuentes.
En el segundo mdulo se seleccionan los trminos candidatos a
descriptores a travs de un mecanismo de comparacin de patrones
admitidos. Se compara cada uno de los trminos preferentes y no
preferentes, contenidos en el vocabulario controlado, con las fuentes.
Tambin hay un proceso para la seleccin de palabras que no estn
contenidas en la lista de trminos autorizados ni en el fichero de palabras
vacas.
El tercer mdulo acoge los trminos seleccionados en el mdulo anterior
para valorar y ponderar los trminos candidatos.
El sistema se compone de una Base de conocimientos en donde se almacenan los
objetos y las relaciones entre ellos. Esta Base de conocimientos la concebimos
como una red conceptual que presenta vnculos entre unos conceptos en lenguaje
natural y otros en lenguaje controlado. Los objetos son los conceptos representados
por el vocabulario controlado del rea de Biblioteconoma y Documentacin. Las
relaciones entre los objetos establecen la correspondencia entre los trminos, tanto
preferentes como no preferentes.
Por ltimo, el programa utiliza el anlisis inferencial para localizar similitudes entre
las fuentes y la Base de conocimientos. El programa, a travs de los procesos de
bsqueda y comparacin de patrones, genera una relacin de trminos preferentes

con indicacin de dnde se localizan (T= ttulo, R= resumen y T= texto), que
permanece opaca al usuario. Posteriormente, en virtud de unos principios de
valoracin y ponderacin establecidos, el programa origina dos listados: uno con los
trminos de indizacin propuestos y otro con las palabras que no aparecen en la
lista de trminos autorizados ni en el fichero de palabras vacas, para que el usuario
decida si se convierten en descriptores. Al final, se muestran los resultados al
usuario y se inicia la fase de validacin y edicin de la indizacin propuesta por el
sistema.
A continuacin, se muestra de forma esquematizada cada uno de los pasos
presentados:
MDULO 1: PREPROCESAMIENTO
[[Texto]]
Sealizacin del texto
Horizontalizacin de frases y oraciones
Eliminacin de palabras vacas
Contabilizacin de las palabras

totales de las fuentes
MDULO 2: PROCESAMIENTO
Bsqueda y seleccin de:
Trminos preferentes.
Trminos no preferentes.
Trminos construidos sintcticamente de
forma diferente a los trminos preferentes.
Palabras semivacas.
MDULO 3: VALORACIN
Aplicacin de los principios de valoracin:
A. Si un trmino autorizado aparece en la fuente ttulo y en la
fuente resumen se convierte en trmino de indizacin.
B. Si un trmino autorizado aparece en la fuente ttulo y en la
fuente texto se convierte en trmino de indizacin.
C. Si un trmino autorizado aparece en la fuente resumen y
en la fuente texto se convierte en trmino de indizacin.
D. Si una palabra semivaca aparece en el ttulo, el resumen y
el texto se presenta al usuario para su posible incorporacin
como trmino de indizacin.
E. Si una palabra semivaca aparece en el texto diez veces o
ms y adems, en ocho prrafos o ms diferentes y no est
incluida en ninguno de los trminos propuestos se presenta
como palabra semivaca.
PRESENTACIN DE LOS RESULTADOS

PARA SU VALIDACIN Y EDICIN
Ttulo: ########################
Resumen: ######################################
###############################################
###############################################.
TRMINOS
PROPUESTOS
PALABRAS
SEMIVACAS
PROPUESTAS
AADIR
SUPRIMIR
3.4.1 Los mdulos del sistema.

A continuacin explicamos los mdulos que componen el sistema, y se detallan los
diferentes procesos acometidos en cada uno de ellos.
3.4.1.1 Mdulo 1: Preprocesamiento.

Esta primera etapa tiene por objeto la preparacin de las fuentes que van a ser
utilizadas para la seleccin de trminos, es decir, se trata de la preparacin de las
fuentes para su procesamiento. Como ya hemos sealado, las fuentes para el
anlisis son los ttulos, los resmenes y los textos. El preprocesamiento se lleva a
cabo en diferentes fases, una vez que las fuentes estn disponibles en formato
legible por ordenador. Veamos estas fases:
1 Sealizacin del texto.
El primer estadio es la sealizacin de las siguientes partes de las fuentes:
Comienzo y fin de ttulo.
Comienzo y fin de resumen.
Comienzo de texto.
Fin de texto.
Comienzo y fin de prrafos.
Para ello, utilizaremos las siguientes marcas:
#CTi# : Comienzo de ttulo.
#FTi# : Fin de ttulo.
#CR# : Comienzo de resumen.
#FR# : Fin de resumen.
#CTe# : Comienzo de texto.
#FTe# : Fin de texto.
#CP# : Comienzo de prrafo.
#FP# : Fin de prrafo.
El objeto de marcar cada una de las partes mencionadas es el siguiente. La

sealizacin del ttulo, del resumen, del comienzo del texto y de los prrafos se lleva
a cabo porque en el momento de la valoracin y ponderacin de los trminos
candidatos a descriptores es necesario conocer el lugar de donde se extrajeron. Las
marcas #Cti#, #Fti#, #CR#, #FR# y #Cte# se colocan de forma manual4 mientras que
las de #Fte#, #CP# y #FP# se ponen de modo automtico.
2. Horizontalizacin de las frases.
Este proceso consiste en colocar de forma horizontal aquellas frases u oraciones
comprendidas entre estos signos de puntuacin: puntos, comas, puntos y comas, y
dos puntos. De este modo, se persigue facilitar los procesos acometidos sobre los
textos. Este mtodo de horizontalizacin de frases u oraciones se ha empleado para
fines semejantes en el sistema de indizacin semiautomtico de la NASA, en
SAPHIRE, en CLARIT y en la propuesta de Simn Granda y Lema Garzn.
Veamos como queda horizontalizado el siguiente fragmento:
El PLN sigue siendo una disciplina desconocida para investigadores y,
sobre
todo,
para
profesionales
del
rea
de
Biblioteconoma
Documentacin.
1. El PLN sigue siendo una disciplina desconocida para investigadores y,
2. sobre todo,
3. para profesionales del rea de Biblioteconoma y Documentacin.
3 Eliminacin de las palabras vacas.
En esta fase se suprimen aquellas palabras que en ninguna circunstancia llegarn a
ser candidatas para convertirse en trminos de indizacin. Nos referimos a palabras
como artculos, adverbios, preposiciones, conjunciones o pronombres. En
4
Si observamos la estructura que presentan los artculos de revista comprobamos que por lo general,
los ttulos aparecen en maysculas, con letra grande y en negrita. En cambio, los resmenes suelen ir
precedidos de la palabra Resumen y el tamao de la letra es ms pequeo que la del texto. Por
tanto, con esta informacin se podra sealizar el comienzo y fin de cada fuente de forma automtica.
consecuencia, la supresin de lo que se conoce en el mbito de la Biblioteconoma y

Documentacin como palabras vacas queda justificado por tres motivos:
1. Se busca economizar en los procesos acometidos por el sistema. En este
sentido, el descarte de las palabras vacas provoca que disminuya el nmero
de palabras a procesar.
2. Este primer aspecto, irremediablemente, se traduce en un menor tiempo de
anlisis. Uno de los objetivos generales que se persigue con la
automatizacin de la indizacin es que el tiempo empleado por el programa
sea similar o inferior al de un profesional.
3. Resulta ventajoso no contar con este tipo de palabras en la etapa de
bsqueda de conceptos construidos de forma diferente respecto a los
trminos autorizados.
4 Para los textos de diferentes reas temticas e idiomas se ha comprobado
que, aproximadamente, el cincuenta por ciento de las palabras manejadas
son palabras de este tipo [Silvester, Genuardi y Klingbiel, 1994, p. 632 ;
Simn Granda y Lema Garzn, 1983, p. 1260].
Por estas razones, utilizamos el denominado fichero de palabras vacas. Estos
ficheros han sido empleados en otras propuestas:
En SMART, se empleaba un listado de palabras clasificadas en orden
decreciente a su valor de discriminacin para excluir todas las de frecuencia
muy alta [Salton, 1980, p. 29].
En el proyecto SIMPR definieron diferentes ficheros de palabras vacas, en
concreto tres: palabras vacas como among, been, keep o nothing;
palabras referidas a la estructura de un documento como appendix, annex,
equation, footnote o reference; y aquellas que muestran la posicin o
estado de un objeto como inner, outer o upper [Karetnyk, Karlsson y Smart,
1991, p. 22].
En la propuesta de Robredo [1991, p. 131], se utilizaba un fichero con

palabras vacas del tipo: abaixo, cada, comparada, demais, duzentos,
enquanto, fora, enfrente, entre otras.
En el sistema de indizacin semiautomtico de la NASA [Silvester, Genuardi,
Klingbiel, 1994, p. 637] constituyeron un fichero con doscientas cincuenta
palabras vacas tras el anlisis estadstico de textos formados por cuatro
millones de palabras. Las palabras vacas son del tipo about, are, efficient,
investigated, other o within.
El fichero de palabras vacas que hemos construido est compuesto por 274
palabras obtenidas de la descomposicin en palabras simples de:
Conjunciones como: a pesar de, de tal manera que, no obstante.
Adverbios como: a posteriori, despus de, cada vez ms.
Preposiciones como: a cambio de, con motivo de, gracias a.
Las conjunciones, los adverbios y las preposiciones se han conseguido de varios
trabajos dedicados a la morfosintaxis del espaol [Carratal, 1980 ; Almela, 1986].
En el anexo 5 se presenta el listado completo de las palabras vacas.
La eliminacin de estas palabras provoca que trminos preferentes como BASES
DE DATOS DE TEXTO COMPLETO o DISEO ASISTIDO POR ORDENADOR,
queden reducidos a bases datos texto completo y diseo asistido ordenador. Y
una vez finalizada la indizacin por el programa, si a los trminos propuestos les
fueron suprimidas algunas palabras, se restablecen automticamente.
Por tanto, las frases y oraciones horizontalizadas en el ejemplo anterior:
1. El PLN sigue siendo una disciplina desconocida para investigadores y,
sobre todo,
2. para profesionales del rea de Biblioteconoma y Documentacin.quedan del
siguiente modo:
1. PLN sigue siendo disciplina desconocida investigadores,

2. profesionales rea Biblioteconoma Documentacin.
Como se constata, la eliminacin de las palabras vacas reduce el nmero de
palabras, y en ocasiones, de frases u oraciones a procesar. Esta circunstancia
repercute positivamente en los procesos de bsqueda y de seleccin acometidos.
La decisin de elegir este orden, es decir, primero la horizontalizacin de las frases y
oraciones y despus, la eliminacin de las palabras vacas se debe a que, en el
proceso de seleccin de candidatos es preciso presentar las palabras semivacas en
su contexto, para que el usuario compruebe su validez para asignarlas como
trminos de indizacin.
4. Contabilizacin del nmero de palabras de las fuentes.
Una vez calculado el nmero de palabras de las fuentes se decide cual de los dos
algoritmos de procesamiento se utiliza. El algoritmo 1 se emplea cuando el
vocabulario controlado es menor que las fuentes, mientras que el algoritmo 2 se
utiliza cuando el vocabulario controlado es mayor que las fuentes. De este modo, se
optimiza el proceso y el tiempo de ejecucin.
Inicio P roceso
NO
V o c a b u lario
C o n tro l a d o > F u e n t e s ?
SI
A2
A1
3.4.1.2 Mdulo 2: Procesamiento

En la automatizacin de la indizacin, tradicionalmente, se han seleccionado los
candidatos a trminos de indizacin de distintos modos:
1. Los sistemas basados ntegramente en mtodos estadsticos eliminaban las
palabras vacas y calculaban la frecuencia de aparicin de stas en los
documentos y en la coleccin. Despus, ponderaban las palabras en razn de los
umbrales establecidos, su frecuencia inversa de aparicin y, su valor de
discriminacin.
2. Posteriormente, se incorporaron tcnicas del PLN que han consistido en la
seleccin de estructuras sintagmticas tras el anlisis morfolgico y el sintctico
de los textos del tipo: sustantivos, sustantivo + Sintagma Adjetivo, o sustantivo +
Sintagma Preposicional. A estas estructuras candidatas se aplicaban clculos
estadsticos para distinguir qu trminos se convertan en trminos de indizacin.
3. Tambin se comparaba el texto con un vocabulario controlado y a los trminos
presentes en ambos lugares se le aplicaban clculos estadsticos para
seleccionar los trminos de indizacin.
En nuestra propuesta la idea central se dirige directamente a la seleccin desde las
fuentes (ttulos, resmenes y textos) de los trminos candidatos a descriptores. Para
ello, contamos con mecanismos para buscar, seleccionar, valorar y ponderar los
patrones admitidos incluidos en la lista de trminos autorizados y hallados en las
fuentes. Los trminos candidatos a descriptores se extraen a travs de un proceso
de comparacin de patrones admitidos. Un algoritmo busca y selecciona trminos
preferentes, trminos no preferentes y trminos construidos sintcticamente de
forma diferente a los trminos preferentes.
En cuanto a la posibilidad de que una palabra aparezca en minscula o mayscula
(lenguajes de indizacin o LENGUAJES DE INDIZACIN), con o sin tilde (gestin
de la informacin o gestion de la informacion), con o sin diresis (lingstica o
lingustica), o incluso palabras en singular o plural (publicacin electrnica o
publicaciones electrnicas), tendrn que tenerse en cuenta con el fin de que se
consideren iguales.
Vamos a comprobar cmo se lleva a cabo cada una de las bsquedas y

selecciones, pero en primer lugar, mostraremos el esquema general de los
algoritmos 1 y 2 respectivamente.
El algoritmo A1 se utiliza cuando el tamao de las fuentes es mayor que el del
vocabulario controlado5. El algoritmo A1 trabaja del siguiente modo:
1.- Extrae el trmino de la primera entrada de la lista de trminos autorizados.
2. Extrae la primera palabra de la fuente.
3. Comprueba si las dos palabras extradas son iguales.
4. Si no son iguales se comprueba si hay ms palabras (t) en las fuentes.
Si no hay ms palabras, se comprueba si hay ms trminos en la lista de
trminos autorizados (T). Si no hay ms trminos finaliza el proceso.
En el caso de que hubiera ms palabras (t) en la fuente, se extrae la
siguiente, y se vuelve a comparar la palabra de la fuente (t) con el trmino de
la lista de trminos autorizados (T). Y se repite el mismo proceso hasta que
sean iguales o no haya ms palabras (t) en las fuentes.
El procedimiento de trabajo en el A2 es semejante al A1 a excepcin de que la primera palabra

extrada es de la fuente en lugar del vocabulario controlado, por tanto, el mecanismo de extraccin y
comparacin es inverso al de A1.
A1
Extraer T del
Vocabulario
Controlado
Extraer t de
las Fuentes
FIN
SI
NO
Hay ms
t?
T = t?
SI
NO
Hay ms
T?
NO
SI
Tiene T
subentrada?
SI
NO
SI
Ti = t+Wn?
(1<=n<=4)
NO
1.- Introduce los T

encontrados en las
Fuentes en el mdulo
de candidatos.
2.- Marca en las Fuentes
los T encontrados.
A2
Extraer t de
las Fuentes
Extraer T del
Vocabulario
Controlado
FIN
SI
NO
Hay ms
T?
t = T?
SI
NO
Hay ms
t?
NO
SI
Tiene T
subentrada?
SI
NO
SI
Ti = t+Wn?
(1<=n<=4)
NO
1.- Introduce los T

encontrados en las
Fuentes en el mdulo
de candidatos.
2.- Marca en las Fuentes
los T encontrados.
5. Si la palabra de la fuente (t) y el trmino de la lista de trminos autorizados (T)

son iguales, se comprueba si la entrada del vocabulario controlado utilizada tiene
subentradas.
Si no tiene subentrada, se comprueba si existe relacin de equivalencia del
trmino (T) de la entrada principal, y el trmino preferente se enva al mdulo
de candidatos. Tambin se marca para que no se tenga en cuenta si se
vuelve a localizar.
Si tiene subentrada, se comprueba si coincide con alguna de las cuatro
palabras siguientes de las que hay a la derecha de la ltima palabra (t)
localizada en la fuente.
6. Si alguna de las cuatro palabras (t) coincide con el trmino (T) del vocabulario
controlado, se comprueba si T tiene ms subentradas y se repite el mismo proceso.
En el caso de que no tenga ms subentradas o ninguna de las cuatro palabras (t) de
la fuente coincide con T, se comprueba si existen relaciones de equivalencia y se
traslada/n el/los trmino/s preferente/s al mdulo de candidatos y se marca/n el/los
localizado/s.
7. Se comprueba si hay ms T en el vocabulario controlado:
- Si no hay ms palabras (T) finaliza el proceso
- Si hay ms palabras (T) contina el proceso desde 2.
A continuacin, se explica detalladamente cada uno de los procesos que es capaz
de llevar a cabo este algoritmo:
1 Bsqueda y seleccin de trminos preferentes.
Las fuentes han sufrido diversos procesos como hemos visto anteriormente. En uno
de ellos, las frases y oraciones comprendidas entre los signos de puntuacin han
sido horizontalizadas, y en otro, se han eliminado las palabras vacas. Ahora
interviene el algoritmo de procesamiento para la bsqueda y la seleccin de los
patrones admitidos en las fuentes.
En la columna de la izquierda de la siguiente tabla se encuentra la fuente que se va

a procesar, y en la parte derecha se reproducen unos fragmentos de la lista de
trminos autorizados.
FUENTE: Texto
1. recogidos actas notariales 1856.
LISTA DE TRMINOS AUTORIZADOS

ACTAS
CONGRESOS
2. adquisicin gestiona ordenador,
...
ADQUISICION
ORDENADOR
3. mejores servicios son alerta

informativa.
...
SERVICIOS
ALERTA
INFORMATIVA
Para descubrir en las oraciones o frases horizontalizadas trminos preferentes o

sinnimos (camuflados) con diferentes estructuras sintcticas se procede de la
siguiente manera:
1. Se extrae la primera palabra de la lista de trminos autorizados. En este caso,
ACTAS.
2 Posteriormente, se extrae la primera palabra de la fuente (t). En este caso
recogidos.
3 Se comprueba si son palabras iguales.
Como no son iguales, se comprueba si hay ms t. En este caso se extrae t
actas. Se comprueba de nuevo si el trmino extrado de la fuente (actas) es
igual al T (ACTAS) de la lista de trminos autorizados, t y el T son iguales.
4
Se comprueba si T (ACTAS) tiene subentrada. T
subentrada (CONGRESOS).
(ACTAS) tiene la
5
Se comprueba si la subentrada (CONGRESOS) aparece en alguna de las
cuatro palabras6 siguientes a la t (actas), es decir, (notariales) y (1856). En este
caso no ha aparecido.
6
Se introduce el T encontrado en la fuente (ACTAS) en el mdulo de
candidatos.
7 Se marca en la fuente el T (ACTAS) encontrado.
8
Se comprueba si hay ms T en la lista de trminos autorizados. Si no los
hubiera finaliza este proceso, y si los hubiera se extrae el siguiente T y se extrae la
primera t de la fuente con lo que se inicia de nuevo el proceso.
2 Bsqueda y seleccin de trminos no preferentes.
El proceso de bsqueda y seleccin de trminos no preferentes es idntico al
descrito anteriormente pero esta vez con los trminos sinnimos. Esto significa que
si en una fuente se localiza alguno de estos trminos no preferentes, el trmino
introducido en el mdulo de candidatos no es el localizado sino el preferente.
Veamos otro ejemplo:
LISTA DE TRMINOS AUTORIZADOS
FUENTE: Texto
...BIBLIOTECOLOGIA USE BIBLIOTECONOMIA

Y
DOCUMENTACION
...PROCESAMIENTO
LENGUAJE
NATURAL USE ANALISIS
AUTOMATICO
DE TEXTOS
...
procesamiento lenguaje natural

trata analizar textos programas
diseados objetivo,
tareas Bibliotecologa formacin
especfica.
Un mtodo similar para la comparacin de palabras prximas se utiliza en el sistema de indizacin

semiautomtico de la NASA. All comprobaron empricamente que el lmite de proximidad ms
conveniente era de cinco palabras con el fin de no obtener cadenas de palabras inapropiadas. Pero en
nuestro caso el lmite est establecido en cuatro porque con el fichero de palabras vacas utilizado
eliminamos palabras como a, de, desde, el, para, por, y que son conservadas en el
programa norteamericano.
Segn lo expresado, al localizar en la fuente procesamiento lenguaje natural en el

mdulo a candidatos se introduce ANALISIS AUTOMATICO TEXTO y lo mismo
ocurre con Bibliotecologa, que queda depositado BIBLIOTECONOMIA Y
DOCUMENTACION. Este mismo proceso se produce con trminos no preferentes
como diseminacin informacin o prstamo (entre) bibliotecas que pasaran a
estar presentes en el mdulo de candidatos como DIFUSION INFORMACION y
PRESTAMO INTERBIBLIOTECARIO respectivamente.
De modo que el mdulo a candidatos mostrara en estos momentos la siguiente
situacin:
BIBLIOTECONOMIA DOCUMENTACION-Re
ANALISIS AUTOMATICO TEXTOS-Te
BIBLIOTECONOMIA DOCUMENTACION-Te
3 Bsqueda y seleccin de trminos construidos sintcticamente de modo
diferente a los trminos del vocabulario controlado.
A los sistemas basados en los mtodos estadsticos y a los fundamentados en el
uso de vocabularios controlados se ha achacado que cuando un trmino no aparece
escrito del mismo modo en el texto, no son capaces de detectarlos. Esto se debe a
la riqueza del lenguaje natural para representar un mismo concepto con palabras
diferentes, y del mismo modo, tambin posibilita pequeas variaciones desde el
punto de vista sintctico, aunque persista el mismo significado.
En un texto podemos encontrar las oraciones la adquisicin se efecta por
ordenador o el material es cartogrfico que encierran los trminos preferentes
incluidos en la lista de trminos autorizados ADQUISICION POR ORDENADOR y
MATERIAL CARTOGRAFICO. En las lneas donde aparecen estas oraciones se
hace referencia a los conceptos representados por dichos trminos del vocabulario
controlado, pero con estructuras sintcticas diferentes.
Para paliar esta situacin, cuando en una fuente se encuentra un t igual a un T, se
comprueba si la subentrada del T coincide con alguna de las cuatro palabras
siguientes a la t de la fuente.
4 Bsqueda y seleccin de trminos no incluidos en el vocabulario controlado

ni en el fichero de palabras vacas.
Como se ha explicado, el sistema permite buscar trminos preferentes, no
preferentes y trminos con estructura sintctica diferente a los preferentes. Todos
estos trminos quedaron marcados cuando pasaron a ser candidatos. De este
modo, en las frases y oraciones horizontalizadas, podramos ver las palabras no
recogidas en el fichero de palabras vacas ni en la lista de trminos autorizados. A
estas palabras las hemos denominado palabras semivacas.
El objetivo perseguido con esta fase es que no quede una palabra simple o
compuesta sin tener la oportunidad de convertirse en descriptor, por el hecho de que
no conste en el vocabulario controlado.
Las palabras semivacas pertenecientes al ttulo pasan automticamente al mdulo
de palabras semivacas. Cada una de estas palabras actuar de patrn admitido
con respecto a las otras, es decir, se procesarn confrontndolas con los resmenes
y los textos para comprobar si se han utilizado tambin en estas fuentes. En este
mdulo se llevar a cabo su procesamiento y su valoracin de acuerdo con los
principios establecidos para este grupo de palabras.
Vamos a comprobar cmo se procede con el siguiente ttulo y resumen7:
Ttulo: Errores ortogrficos en el ingreso en bases de datos.

Resumen: Se estudian los problemas de la correccin ortogrfica en el ingreso de
registros en bases de datos en idioma espaol. Se evalan los pros y contras de
cuatro mtodos de control: doble entrada, hapax legomena, trigramas y uso de
diccionarios, con vistas a determinar cuales de estos procedimientos ofrecen mejor
relacin de costo/resultado. El trabajo est enfocado a los procesos de ingreso por
digitacin, y no se analizan los errores ortogrficos de los ingresos por lectura ptica.
A continuacin mostramos las palabras semivacas de las fuentes ttulo y resumen

en cada una de sus frases y oraciones horizontalizadas:
Ttulo:
1. errores ortogrficos ingreso
Resumen:
1. estudian problemas correccin ortogrfica ingreso registros idioma espaol.
2. evalan pros contras control:
3. doble entrada
4. hapax,
5. legomena,
6. trigramas
7. uso,
8. vistas determinar procedimientos ofrecen relacin resultado.
9. trabajo enfocado procesos ingreso digitacin,
analizan errores ortogrficos ingresos lectura ptica.
A estas palabras semivacas se les aplican unos criterios de valoracin que se

explican en el siguiente apartado.
3.4.1.3 Mdulo 3: Valoracin y ponderacin.
Esta tercera etapa tiene por objeto la seleccin de los trminos que el sistema
propone como trminos de indizacin para representar el contenido del documento
analizado. Para ello es preciso la aplicacin de un mtodo para la valoracin de los
mismos. Este mecanismo se requiere porque de lo contrario, el programa designa
como trminos de indizacin todos aquellos que, contenidos en el vocabulario
controlado, aparecen en las fuentes procesadas.
El prrafo mostrado a continuacin pertenece a un artculo indizado en la Base de
datos ISOC. Los trminos en negrita forman parte de los descriptores asignados al
documento. En cambio, los trminos subrayados no han sido seleccionados como
descriptores.
El ttulo y el resumen pertenece a un artculo publicado en la Revista Espaola de Documentacin

Cientfica, 18, 3, 1995, p. 307-319
Con esta nueva tendencia de la instruccin bibliogrfica, que en espaol

se ha dado en llamar formacin de usuarios, aparece la polmica
entre los dos posibles objetivos de un servicio de documentacin: la
funcin de referencia, en cuyo caso el bibliotecario asume un papel de
intermediario, frente a la funcin de formacin, que mediante la
enseanza de patrones de trabajo, dotara al usuario de los recursos
necesarios para encontrar por s mismo la informacin requerida.
El ejemplo que sigue es an ms claro. Ninguno de los trminos subrayados fueron
seleccionados como descriptores para representar el contenido del documento al
que pertenece este prrafo:
En un servicio de documentacin podemos encontrar dos tipos de
usuarios claramente diferenciables. De una parte iniciado en informtica y
telecomunicaciones que se desenvuelve con soltura en el manejo de
bases de datos y slo precisa de una formacin propiamente
documental.
Por ello, es necesario un mecanismo de valoracin y/o ponderacin porque de lo
contrario, se propondran todos los trminos del vocabulario controlado que fueran
encontrados en las fuentes.
Antes de iniciar este proceso de valoracin se eliminan los trminos que puedan
estar repetidos en las mismas fuentes. La seleccin de los trminos que son
propuestos como descriptores se efecta en virtud de los siguientes criterios de
valoracin:
A) Si un trmino autorizado aparece en la fuente ttulo y en la fuente
resumen se convierte en trmino de indizacin.
B) Si un trmino autorizado aparece en la fuente ttulo y en la fuente texto
se convierte en trmino de indizacin.
C) Si un trmino autorizado aparece en la fuente resumen y en la fuente
texto se convierte en trmino de indizacin.
D) Si una palabra semivaca aparece en el ttulo, resumen y texto se

presenta al usuario para su posible incorporacin como trmino de
indizacin.
E) Si una palabra semivaca aparece en el texto diez veces o ms y
adems, en ocho prrafos8 diferentes o ms, y no est incluida en
ninguno de los trminos propuestos, se presenta como palabra
semivaca.
La eleccin del criterio A y B es debida a la importancia de los ttulos y los
resmenes en la indizacin de los documentos. El criterio C es para dar importancia
a trminos que aparezcan en el texto. Y por ltimo, los criterios D y E se aplican a
las palabras semivacas y posibilita que un trmino que no aparece en el vocabulario
controlado ni en el fichero de palabras vacas tenga la opcin de convertirse en
trmino de indizacin.
Si recordamos, uno de los pasos iniciales en la primera etapa (mdulo de
preprocesamiento) fue la eliminacin de las palabras vacas para agilizar los
procesos. Esto propici que durante el tratamiento de las fuentes se trabajara con
los trminos tal como aparecen aqu:
Trminos durante el proceso
ADQUISICION ORDENADOR
CONTROL VOCABULARIO
SERVICIOS ALERTA INFORMATIVA
Presentacin definitiva
Antes de que el sistema muestre los trminos de indizacin propuestos para
representar el contenido del documento analizado, se han de normalizar de nuevo
La contabilizacin de los prrafos en los que aparece una palabra es para evitar que, en uno o
varios prrafos se trate un tema determinado y se utilice una palabra en bastantes ocasiones, pero en
el resto del texto no se haga referencia a ella.
con la incorporacin de las palabras eliminadas. En este ejemplo quedara del

siguiente modo:
ADQUISICION POR ORDENADOR
CONTROL DEL VOCABULARIO
SERVICIOS DE ALERTA INFORMATIVA
3.4.2 Anlisis de un documento en funcin de la propuesta precedente.
A continuacin, mostramos las fuentes utilizadas para este anlisis. Estas fuentes
deben estar en formato legible por ordenador, y deben eliminarse los grficos, las
tablas, y dems informacin no textual, en el caso de que fuera necesario.
Ttulo
Anlisis de los descriptores de diferentes reas del conocimiento indizadas en
bases de datos del CSIC. Aplicacin a la indizacin automtica
Resumen
Se estudia el valor de los ttulos y resmenes de los artculos cientficos como
fuentes suministradoras de trminos para la indizacin de los documentos en
seis reas del conocimiento indizadas en las Bases de datos ISOC, IME e ICYT
del CSIC. Asimismo, se examina la estructura sintagmtica de los trminos de
indizacin hallados en el campo Descriptores, y la posible relacin entre el
nmero de descriptores de un documento con la cantidad de pginas del mismo.
Para tales fines se seleccionaron las reas del conocimiento de Biblioteconoma
y Documentacin, Medicina, Qumica, Biologa, Psicologa y Fsica. Y se
realizaron seis bsquedas en estas Bases de datos de las que seleccionamos
450 referencias bibliogrficas (75 por rea) proporcionando un total de 2077
descriptores.
Texto
1 Introduccin. La indizacin es una operacin compleja pero esta dificultad se
torna doble cuando se intenta obtener de forma automtica. Mediante la
indizacin automtica se pretende que sea un algoritmo el que proponga todos
los trminos de indizacin tras el anlisis de un documento o algunas de sus
partes. Tradicionalmente, en la indizacin automtica se han venido utilizando
dos mtodos distintos pero a veces convergentes en algunos ensayos, esto es,
medios no lingsticos, iniciados a finales de los cincuenta, y lingsticos
incorporados posteriormente.
Cuando se pretende disear un sistema de indizacin automtica basado en la
extraccin de conceptos uno de los planteamientos inmediatos es decidir si las
fuentes de las que lograr los trminos candidatos a descriptores, sern los
documentos completos o los ttulos y resmenes de los mismos.
MDULO 1: PREPROCESAMIENTO
1 Sealizacin de las fuentes.
#CTi#Anlisis de los descriptores de diferentes reas del conocimiento
indizadas en bases de datos del CSIC. Aplicacin a la indizacin
automtica#FTi#
#CR#Se estudia el valor de los ttulos y resmenes de los artculos
cientficos como fuentes suministradoras de trminos para la indizacin
de los documentos en seis reas del conocimiento indizadas en las Bases
de datos ISOC, IME e ICYT del CSIC. Asimismo, se examina la estructura
sintagmtica de los trminos de indizacin hallados en el campo
Descriptores, y la posible relacin entre el nmero de descriptores de un
documento con la cantidad de pginas del mismo. Para tales fines se
seleccionaron las reas del conocimiento de Biblioteconoma y
Documentacin, Medicina, Qumica, Biologa, Psicologa y Fsica, y se
realizaron seis bsquedas en estas Bases de datos de las que
seleccionamos 450 referencias bibliogrficas (75 por rea)
proporcionando un total de 2077 descriptores.#FR#
#CTe##CP#1 Introduccin. La indizacin es una operacin compleja pero
esta dificultad se torna doble cuando se intenta obtener de forma
automtica. Mediante la indizacin automtica se pretende que sea un
algoritmo el que proponga todos los trminos de indizacin tras el anlisis
de un documento o algunas de sus partes. Tradicionalmente, en la
indizacin automtica se han venido utilizando dos mtodos distintos pero
a veces convergentes en algunos ensayos, esto es, medios no
lingsticos, iniciados a finales de los cincuenta, y lingsticos
incorporados posteriormente.#FP#
#CP#Cuando se pretende disear un sistema de indizacin automtica
basado en la extraccin de conceptos uno de los planteamientos
inmediatos es decidir si las fuentes de las que lograr los trminos
candidatos a descriptores sern los documentos completos o los ttulos y

resmenes de los mismos.#FP##FTe#
2 Horizontalizacin de frases y oraciones.
El siguiente paso es la horizontalizacin de cada una de las frases y oraciones
comprendidas entre los signos de puntuacin (coma, punto, dos puntos o punto y
coma). En este caso las fuentes quedan de esta forma:
#Cti#
1 Anlisis de los descriptores de diferentes reas del conocimiento indizadas en
bases datos CSIC.
2 Aplicacin a la indizacin automtica.
#Fti#
#CR#
1 Se estudia el valor de los ttulos y resmenes de los artculos cientficos como
fuentes suministradoras de trminos para la indizacin de los documentos en seis
reas del conocimiento indizadas en las Bases datos ISOC,
2 IME e ICYT del CSIC.
3 Asimismo,
4 se examina la estructura sintagmtica de los trminos de indizacin hallados en el
campo Descriptores,
5 y la posible relacin entre el nmero de descriptores de un documento con la
cantidad de pginas mismo.
6 Para tales fines se seleccionaron las reas del conocimiento de Biblioteconoma y
Documentacin,
7 Medicina,
8 Qumica,
9 Biologa,
10 Psicologa y Fsica,
11 y se realizaron seis bsquedas en estas Bases datos de las que seleccionamos
450 referencias bibliogrficas (75 por rea) proporcionando un total de 2077
descriptores. #FR#
#CTe#
#CP#
1 Introduccin.
2 La indizacin es una operacin compleja pero esta dificultad se torna doble
cuando se intenta obtener de forma automtica.
3 Mediante la indizacin automtica se pretende que sea un algoritmo el que
proponga todos los trminos de indizacin tras el anlisis de un documento o
algunas de sus partes.
4 Tradicionalmente,
5 en la indizacin automtica se han venido utilizando dos mtodos distintos pero a
veces convergentes en algunos ensayos,
6 esto es, medios no lingsticos,
7 iniciados a finales de los cincuenta,
8 y lingsticos incorporados posteriormente.
#FP#
#CP#
9 Cuando se pretende disear un sistema de indizacin automtica basado en la
extraccin de conceptos uno de los planteamientos inmediatos es decidir si las
fuentes de las que lograr los trminos candidatos a descriptores sern los
documentos completos o los ttulos y resmenes de los mismos.
#FP#
#FTe#
3 Eliminacin de las palabras vacas.
Una vez horizontalizado el texto se procede a la supresin de las palabras vacas
con la ayuda del fichero disponible para tal fin. El texto quedara del siguiente modo:
#Cti#
1 Anlisis descriptores diferentes reas conocimiento indizadas bases datos CSIC
2 Aplicacin indizacin automtica.
#Fti#
#CR#
3 estudia valor ttulos resmenes artculos cientficos fuentes suministradoras
trminos indizacin documentos reas del conocimiento indizadas Bases datos
ISOC,
4 IME ICYT CSIC
5 examina estructura
Descriptores,
sintagmtica
trminos
indizacin
hallados
6 posible relacin nmero descriptores documento cantidad pginas.

7 fines seleccionaron reas conocimiento Biblioteconoma Documentacin,
8 Medicina,
9 Qumica,
10 Biologa,
11 Psicologa
12 Fsica,
campo
13 realizaron bsquedas Bases datos seleccionamos 450 referencias bibliogrficas

(75 rea) proporcionando total 2077 descriptores.
#FR#
#Cte#
#CP#
1 Introduccin.
2 indizacin operacin compleja dificultad torna intenta obtener forma automtica.
3 indizacin automtica pretende sea algoritmo proponga trminos indizacin
anlisis documento partes.
4 Tradicionalmente,
5 indizacin automtica han venido utilizando mtodos convergentes ensayos,
6 medios no lingsticos,
7 iniciados finales cincuenta,
8 lingsticos incorporados posteriormente.
#FP#
#CP#
1 pretende disear sistema indizacin automtica basado extraccin conceptos
planteamientos inmediatos decidir fuentes lograr trminos candidatos descriptores
sern documentos completos ttulos resmenes.
#FP##FTe#
De las 272 palabras que componen las tres fuentes han sido eliminadas 138
palabras vacas, es decir, el 50,7 % del total, lo que est acorde con los datos
proporcionados con anterioridad, cuando se seal que, aproximadamente, el 50%
de las palabras de los textos se consideran vacas para los fines de la indizacin. En
definitiva, con las 134 restantes sern sobre las que se lleven a cabo los procesos.
MDULO 2: PROCESAMIENTO
1 Bsqueda y seleccin de trminos preferentes.
Una vez horizontalizado el texto y eliminadas las palabras vacas de las fuentes,
comienza el procesamiento de los patrones admitidos con las fuentes. El resultado
es el siguiente:
Patrones admitidos obtenidos del ttulo
1.
2.
3.
4.
DESCRIPTORES-Ti
BASES DATOS-Ti
CSIC-Ti
INDIZACION AUTOMATICA-Ti
Patrones admitidos obtenidos del resumen

1. TITULOS-Re
2. RESUMENES-Re
3. ARTICULOS CIENTIFICOS-Re
4. TERMINOS INDIZACION-Re
5. DOCUMENTOS-Re
6. BASES DATOS-Re
7. ISOC-Re
8. IME-Re
9. ICYTC-Re
10.CSIC-Re
11.DESCRIPTORES-Re
12.BIBLIOTECONOMIA DOCUMENTACION-Re
13.MEDICINA-Re
14.QUIMICA-Re
15.BIOLOGIA-Re
16.PSICOLOGIA-Re
17.FISICA-Re
18.REFERENCIAS BIBLIOGRAFICAS-Re
Patrones admitidos obtenidos del texto

1. INDIZACION-Te
2. INDIZACION AUTOMATICA-Te
3. ALGORITMOS-Te
4. TERMINOS INDIZACION-Te
5. ANALISIS DOCUMENTOS-Te
6. CONCEPTO-Te
7. DESCRIPTORES-Te
8. DOCUMENTOS-Te
9. TITULOS-Te
10.RESUMENES-Te
2 Bsqueda y seleccin de trminos no preferentes.
En estas fuentes no hay ninguno caso.
3 Bsqueda y seleccin de trminos construidos sintcticamente diferentes a
los trminos preferentes.
En estas fuentes no hay ninguno caso.
4 Bsqueda y seleccin de palabras semivacas.
Palabras semivacas obtenidas del ttulo
anlisis diferentes reas conocimiento indizadas.
Aplicacin
Palabras semivacas obtenidas del resumen
reas conocimiento indizadas
Palabras semivacas obtenidas del Texto
anlisis diferentes reas conocimiento indizadas
MDULO 3: VALORACIN Y PONDERACIN.

A continuacin, hay que valorar los trminos candidatos para clarificar cuales pasan
a convertirse en descriptores.
Los procesos descritos precedentemente han proporcionado los siguientes
candidatos seleccionados de las distintas fuentes:
Ttulo
DESCRIPTORES
BASES DATOS
CSIC
INDIZACION
AUTOMATICA
Resumen
TITULOS
RESUMENES
ARTICULOS CIENTIFICOS
TERMINOS INDIZACIN
DOCUMENTOS
BASES DATOS
ISOC
IME
ICYTC
CSIC
DESCRIPTORES
MEDICINA
QUIMICA
BIOLOGIA
PSICOLOGIA
FISICA
BIBLIOTECONOMIA
DOCUMENTACION
REFERENCIAS
BIBLIOGRAFICAS
Texto
INDIZACION
INDIZACION
AUTOMATICA
ALGORITMOS
TERMINOS INDIZACION
ANALISIS
DOCUMENTOS
CONCEPTO
DESCRIPTORES
DOCUMENTOS
TITULOS
RESUMENES
Ya hemos sealado que el mtodo de valoracin se fundamenta en principios

posicionales (A, B, C y D) y frecuenciales (E). Apliquemos los principios
posicionales9:
La aplicacin del principio frecuencial (E), no se ha llevado a cabo porque supone calcular la
frecuencia de aparicin de cada palabra en el texto ntegro y para este ejemplo slo se han utilizado
los dos primeros prrafos del mismo.

DESCRIPTORES / BASES DATOS / CSIC
DESCRIPTORES / BASES DATOS / CSIC / INDIZACION AUTOMATICA
TERMINOS INDIZACION / INDIZACION AUTOMATICA
/ DESCRIPTORES /
DOCUMENTOS / TITULOS / RESUMENES
D) Si una palabra semivaca aparece en el ttulo, resumen y texto se
presenta al usuario para su posible incorporacin como trmino de
indizacin.
AREAS CONOCIMIENTO INDIZADAS
Una vez eliminados los trminos repetidos, los candidatos seleccionados son los
siguientes:
Trminos propuestos
BASES DATOS / CSIC / TERMINOS INDIZACION / DESCRIPTORES /
INDIZACION AUTOMATICA / DOCUMENTOS / TITULOS / RESUMENES
Palabras semivacas propuestas:
AREAS
CONOCIMIENTO
INDIZADAS
El ltimo proceso consiste en la devolucin de las palabras vacas suprimidas a los

candidatos en la etapa del preprocesamiento. Para ello, se acude a un fichero
inverso que contiene todos los trminos incluidos en la lista de trminos autorizados
de este modo:
Trminos sin palabras vacas
Trminos definitivos
...
RECONOCIMIENTO OPTICO CARACTERES
...
RECONOCIMIENTO OPTICO DE
CARACTERES
RECORTES DE PRENSA
RECUPERACION DE LA INFORMACION
...
...
RECORTES PRENSA
RECUPERACION DATOS
RECUPERACION DOCUMENTOS
...
...
La presentacin definitiva de los trminos y palabras semivacas propuestas por el

programa aparecern en una pantalla de este modo:
Ttulo
Anlisis de los descriptores de diferentes reas del conocimiento indizadas en
bases de datos del CSIC. Aplicacin a la indizacin automtica.
Resumen
Se estudia el valor de los ttulos y resmenes de los artculos cientficos como
fuentes suministradoras de trminos para la indizacin de los documentos en
seis reas del conocimiento indizadas en las Bases de datos ISOC, IME e
ICYT del CSIC. Asimismo, se examina la estructura sintagmtica de los
trminos de indizacin hallados en el campo Descriptores, y la posible
relacin entre el nmero de descriptores de un documento con la cantidad de
pginas del mismo. Para tales fines se seleccionaron las reas del
conocimiento de Biblioteconoma y Documentacin, Medicina, Qumica,
Biologa, Psicologa y Fsica. Y se realizaron seis bsquedas en estas Bases
de datos de las que seleccionamos 450 referencias bibliogrficas (75 por
rea) proporcionando un total de 2077 descriptores.
TRMINOS PROPUESTOS
BASES DE DATOS
CSIC
TRMINOS DE INDIZACIN
DESCRIPTORES
INDIZACIN AUTOMTICA
TTULOS
RESMENES
PALABRAS SEMIVACAS
PROPUESTAS
AADIR
SUPRIMIR
ANALISIS REAS
CONOCIMIENTO INDIZADAS
Se presentan el ttulo y el resumen del documento analizado junto a los trminos y

las palabras semivacas propuestas para que el usuario tenga la mayor informacin
posible en el momento de la validacin y edicin de las propuestas efectuadas. Por
esta circunstancia, se han elegido estas dos fuentes que son de suma importancia
en la indizacin.
En la columna de la izquierda se presentan los trminos propuestos, mientras que
en la columna del centro hay tres botones de funcin:
El botn con la flecha hacia la izquierda (
) incorpora una palabra semivaca
como trmino de indizacin una vez marcada al colocar el cursor sobre ella.
Si se pulsa el botn AADIR se coloca el cursor a continuacin del ltimo
trmino propuesto por el sistema, para que el usuario introduzca el trmino o los
trminos que considere oportunos para completar la indizacin de ese
documento.
Y con el botn SUPRIMIR se elimina un trmino propuesto una vez marcado.
En la columna de la derecha se muestran las palabras semivacas propuestas. El
programa permite la visualizacin de las frases u oraciones horizontalizadas donde
han sido localizadas. Esta posibilidad se lleva a cabo pulsar el ratn, una vez
situados sobre la palabra. El objetivo de esta opcin es tener informacin sobre el
contexto donde han aparecido estas palabras con el fin de decidir si se incorpora
como trmino de indizacin. En este ejemplo, si se pulsara sobre conocimiento la
respuesta ser como aparece en el siguiente recuadro. Como se puede observar, el
sistema presenta cada frase u oracin horizontalizada donde ha aparecido la
palabra conocimiento con especificacin de la fuente y la palabra en cuestin,
resaltada para su fcil localizacin.
Frases u oraciones horizontalizadas donde aparece la palabra semivaca

seleccionada: CONOCIMIENTO
Ttulo:
1 Anlisis de los descriptores de diferentes reas del conocimiento indizadas
en bases datos del CSIC.
Resumen:
3 Se estudia el valor de los ttulos y resmenes de los artculos cientficos
como fuentes suministradoras de trminos para la indizacin de los
documentos en seis reas del conocimiento indizadas en las Bases datos
ISOC,
8 Para tales fines se seleccionaron las reas del conocimiento de
Biblioteconoma y Documentacin,
Texto:
11 Otra cuestin a clarificar es si los ttulos y resmenes de documentos
cientficos -en este caso artculos de revistas- de diferentes reas del
conocimiento proporcionan similar nmero de conceptos tiles para la
indizacin.
21 se ha abordado el anlisis de referencias de artculos de distintas reas del
conocimiento que van desde las humanidades,
...
...
A continuacin, se ofrece el anlisis finalizado de un documento que requiere

edicin para comprobar el funcionamiento del sistema:

Resumen: Se estudian los problemas de la correccin ortogrfica en el
ingreso de registros en bases de datos en idioma espaol. Se evalan los
pros y contras de cuatro mtodos de control: doble entrada, hapax legomena,
trigramas y uso de diccionarios, con vistas a determinar cuales de estos
procedimientos ofrecen mejor relacin de costo/resultado. El trabajo est
enfocado a los procesos de ingreso por digitacin, y no se analizan los errores
ortogrficos de los ingresos por lectura ptica.
TRMINOS PROPUESTOS
PALABRAS SEMIVACAS
PROPUESTAS
BASES DE DATOS
DICCIONARIOS
ERRORES ORTOGRAFICOS
AADIR
SUPRIMIR
En la fase de validacin y edicin de este documento vamos a tener que utilizar las
tres opciones que ofrece el sistema:
Eliminar un trmino de indizacin asignado.
Incorporar uno desde las palabras semivacas.
Introducir otros que el usuario considere oportunos.
Comencemos, en primer lugar, por los errores de asignacin. La asignacin del
trmino DICCIONARIOS se ha producido porque este trmino est presente en la
lista de trminos autorizados y adems, ha cumplido uno de los principios de
valoracin. Pero esta asignacin parece injustificada segn el contenido del artculo,
por lo que es conveniente eliminarla. La supresin de este trmino se lleva a cabo
de forma manual, es decir, a travs del icono SUPRIMIR .
En segundo lugar, el mdulo de palabras semivacas sugiere las palabras
ERRORES y ORTOGRFICOS. Si se revisa el ttulo y el resumen del documento
se comprueba que queda justificada la inclusin de ERRORES ORTOGRAFICOS

como trmino de indizacin. Y para ello utilizaremos la flecha (
).
En tercer lugar, est justificado incorporar un concepto relativo al control de la
indizacin para la obtencin de la mxima calidad en las Bases de datos, segn el
contenido de este documento. En este caso CONTROL DE CALIDAD que es
aadido tambin de forma manual, por medio del icono AADIR.
En definitiva, este ejemplo clarifica en qu consiste la validacin y la edicin por
parte del usuario.
Este artculo queda indizado del siguiente modo:

Resumen: Se estudian los problemas de la correccin ortogrfica en el
ingreso de registros en bases de datos en idioma espaol. Se evalan los
pros y contras de cuatro mtodos de control: doble entrada, hapax legomena,
trigramas y uso de diccionarios, con vistas a determinar cuales de estos
procedimientos ofrecen mejor relacin de costo/resultado. El trabajo est
enfocado a los procesos de ingreso por digitacin, y no se analizan los errores
ortogrficos de los ingresos por lectura ptica.
TRMINOS PROPUESTOS
PALABRAS SEMIVACAS
PROPUESTAS
BASES DE DATOS
ERRORES ORTOGRAFICOS
CONTROL DE CALIDAD
AADIR
SUPRIMIR
3.4.3 La evaluacin de la propuesta.

Tradicionalmente, la evaluacin de la indizacin, ya sea de forma manual o
automtica, se ha llevado a cabo de dos modos diferentes.
Un primer mtodo ha sido hallar los ndices de consistencia de la indizacin entre

dos indizadores profesionales o entre un profesional y un sistema automtico. Para
estos fines se ha empleado la siguiente frmula:
C i = T c / (T m + T a ) T c
donde:
C i = ndice de consistencia de indizacin entre dos indizadores o sistemas.
Tc = nmero de trminos comunes asignados.
Tm = nmero de trminos asignados por el indizador uno de forma manual.
Ta = nmero de trminos asignados por el indizador dos o de modo
automtico.
Un segundo mtodo para la evaluacin de sistemas de indizacin es a travs del
clculo de los ndices de exhaustividad y precisin en la recuperacin. La frmula de
la exhaustividad en la recuperacin representa el cociente entre el nmero de
documentos pertinentes recuperados y el nmero total de documentos pertinentes
en la coleccin. En cambio, la precisin representa el cociente entre los documentos
pertinentes recuperados y el nmero total de documentos recuperados10.
Para la evaluacin vamos a aplicar el sistema propuesto, manualmente, a cincuenta
artculos que hayan sido analizados por indizadores profesionales de la Base de
datos ISOC. Despus, utilizaremos la frmula para calcular los ndices de
consistencia entre la indizacin de nuestro sistema y la de esta Base de datos. Para
ello, hemos elegido los artculos publicados durante 1995, 1994, 1993 y 1992 en la
Revista Espaola de Documentacin Cientfica. La eleccin de esta publicacin se
debe a que est considerada la de mayor calidad de las publicadas en Espaa en
Biblioteconoma y Documentacin11. Esta revista alberga cada ao diecisis
artculos, por tanto en cuatro aos han sido publicados sesenta y cuatro trabajos.
10
Las frmulas para hallar estos valores se expusieron en el epgrafe 1.4.1

Los trabajos de la Revista Espaola de Documentacin Cientfica se recogen, peridicamente, en la
Base de datos biblogrfica LISA, que es la ms importante a nivel internacional en el rea de
Biblioteconoma y Documentacin. Adems, tambin se indiza en las Bases de datos INSPEC y
PASCAL.
11
Empezamos con el anlisis de todos los publicados en 1995, 1994, 1993 y 1992
respectivamente. Cuando encontrbamos un trabajo sin resumen (en concreto dos)
o en un idioma diferente al espaol (tres) pasbamos al siguiente artculo.
La frmula aplicada ha sido referenciada y utilizada para comparar la consistencia
entre sistemas automticos y manuales y entre varios indizadores en trabajos de
Salton y McGill [1983] ; Lustig y Knorz [1986] ; Lancaster [1991] o Silvester,
Genuardi y Klingbiel [1994].
A continuacin, se muestran los trminos propuestos por el sistema tras la
aplicacin manual de los mdulos: preprocesamiento, procesamiento y valoracin
(slo los principios A, B, y C)12.
ARTCULO 1
TRMINOS ANTES DE SU VALORACIN
MERCADO DE TRABAJO-Ti
DIPLOMADOS-Ti
BIBLIOTECONOMIA DOCUMENTACION-Ti
MERCADO DE TRABAJO-Re
DIPLOMADOS-Re
BIBLIOTECONOMIA DOCUMENTACIONRe
CUESTIONARIOS-Re
INDICES-Re
ARTICULO-Re
DIPLOMADOS-Te
BIBLIOTECONOMIA DOCUMENTACIONTe
UNIVERSIDAD-Te
ESCUELAS BIBLIOTECONOMIA
DOCUMENTACION-Te
ESCUELAS UNIVERSITARIAS-Te
DIPLOMATURAS-Te
MERCADO LABORAL-Te
PLANES DE ESTUDIO-Te
INDICE-Te
CUESTIONARIOS-Te
...
TRMINOS PROPUESTOS
TRAS SU VALORACIN
MERCADO DE TRABAJO
DIPLOMADOS
BIBLIOTECONOMIA Y
DOCUMENTACION
INDICES
ENCUESTAS
Apliquemos los criterios de valoracin A, B, y C:

MERCADO DE TRABAJO / DIPLOMADOS /
BIBLIOTECONOMIA DOCUMENTACION
DIPLOMADOS / BIBLIOTECONOMIA DOCUMENTACION
DIPLOMADOS / BIBLIOTECONOMIA DOCUMENTACION /
CUESTIONARIOS / INDICE
TRMINOS ASIGNADOS DE MODO
AUTOMTICO
TRMINOS
MANUAL
ASIGNADOS
DE
MODO
1. MERCADO DE TRABAJO
2. DIPLOMADOS
3. BIBLIOTECONOMIA Y
DOCUMENTACION
4. INDICES
5. ENCUESTAS
1. ESCUELAS UNIVERSITARIAS DE
BIBLIOTECONOMIA Y
DOCUMENTACION
2. CONCEPTO DE SI MISMO
3. PRESTIGIO PROFESIONAL
4. CATEGORIAS PROFESIONALES
5. MERCADO DE TRABAJO
6. STATUS SOCIAL
De acuerdo a la frmula expresada ms arriba hallamos el ndice de consistencia

entre los dos sistemas de indizacin para el artculo anterior:
1
C i = = 0,1 = 10% de consistencia
6+51
12
La aplicacin de los principios D y E no se han llevado a cabo porque se trata, en un caso de un

dilogo entre el sistema y el usuario (D), y en otro, de calcular la frecuencia de aparicin de las
palabras (E).
ARTCULO 2
TRMINOS ANTES DE SU VALORACIN
CD-ROM-Ti
ENCICLOPEDIAS ELECTRONICAS-Ti
ENCICLOPEDIAS-Re
SISTEMAS DE RECUPERACION-Re
HIPERTEXTO-Re
NUEVAS TECNOLOGIAS-Re
MULTIMEDIA-Re
HIPERMEDIA-Re
ENCICLOPEDIAS-Te
MULTIMEDIA-Te
HIPERTEXTO-Te
NUEVAS TECNOLOGIAS-Te
ENCICLOPEDIAS ELECTRONICAS-Te
HIPERMEDIA-Te
TRMINOS PROPUESTOS
ENCICLOPEDIAS
ENCICLOPEDIAS ELECTRONICAS
HIPERTEXTO
NUEVAS TECNOLOGIAS
MULTIMEDIA
HIPERMEDIA
Apliquemos de nuevo, los criterios de valoracin A, B, y C:

ENCICLOPEDIAS ELECTRNICAS
ENCICLOPEDIAS / HIPERTEXTO
MULTIMEDIA / HIPERMEDIA
/NUEVAS
TECNOLOGAS

AUTOMTICO
TRMINOS
MANUAL
1.
2.
3.
4.
5.
6.
1.
2.
3.
4.
5.
ENCICLOPEDIAS
ENCICLOPEDIAS ELECTRONICAS
HIPERTEXTO
NUEVAS TECNOLOGIAS
MULTIMEDIA
HIPERMEDIA
ASIGNADOS
DE
MODO
EDICION ELECTRONICA
ENCICLOPEDIAS
HIPERMEDIA
HIPERTEXTO
MULTIMEDIA
4
C i = = 0,5714 = 57,14% de consistencia
5+64
El resto de las tablas de comparacin e ndices de consistencia se pueden observar
en el anexo 7. A continuacin se muestran los ndices de consistencia resultantes:
ARTCULO 1 10 %
ARTCULO 22 10 %
ARTCULO 2 57,14 %
ARTCULO 23 6,45 %
ARTCULO 3 25 %
ARTCULO 24 7,14 %
ARTCULO 4 25 %
ARTCULO 25 21,42%
ARTCULO 5 0 %
ARTCULO 26 22,22 %
ARTCULO 6 14,28 %
ARTCULO 27 12,5 %
ARTCULO 7 20 %
ARTCULO 28 33,33 %
ARTCULO 8 18,75 %
ARTCULO 29 22,22 %
ARTCULO 9 30,76 %
ARTCULO 30 0 %
ARTCULO 10 60 %
ARTCULO 31 30 %
ARTCULO 11 26,66 %
ARTCULO 32 20 %
ARTCULO 12 14,28 %
ARTCULO 33 33,33 %
ARTCULO 13 37,5 %
ARTCULO 34 27,27 %
ARTCULO 14 66,66 %
ARTCULO 35 9,09 %
ARTCULO 15 25 %
ARTCULO 36 22,22 %
ARTCULO 16 14,28 %
ARTCULO 37 28,57 %
ARTCULO 17 11,11 %
ARTCULO 38 33,33 %
ARTCULO 18 12,5 %
ARTCULO 39 74,42 %
ARTCULO 19 10 %
ARTCULO 40 37,5 %
ARTCULO 20 16,66 %
ARTCULO 41 50 %
ARTCULO 21 60 %
ARTCULO 42 25 %
ARTCULO 43 44,44 %
ARTCULO 48 38,46 %
ARTCULO 44 13,33 %
ARTCULO 49 0 %
ARTCULO 45 40 %
ARTCULO 50 20 %
ARTCULO 46 30 %
MEDIA 25,93 %
ARTCULO 47 14,28 %
De forma manual se han asignado 309 descriptores lo que supone una media de 6,1
por artculo, y de forma automtica se asignaron 312, lo que supone 6,2. La
consistencia oscila entre el 0 % de tres artculos al 74,42% de uno. La media
resultante total es de 25,93 %.
A continuacin presentamos diferentes trabajos sobre la consistencia en la
indizacin entre indizadores y entre sistemas automticos y profesionales.
Ensayos entre indizadores
Rodgers [1961]
Jacoby [1962]
Consistencia
24 %
10 %
Slamecka y Jacoby [1962]
12,9 %
Slamecka y Jacoby [1963]
40 %
Korotkin y Oliver [1964]
47,5 %
Sievert y Andrews [1991]
47,2 %
MEDIA
30,26 %
Ensayos entre sistemas

Consistencia
semiatuomticos y
profesionales
Silvester, Genuardi y Klingbiel 1987* 20,8 %
[1994]
1988 23,4 %
1989 26 %
1992 29 %
1993 33,3 %
MEDIA 26.5 %
* Sobre 2500 documentos
Sobre 100 documentos
3.4.4 Los problemas detectados.

A pesar de que el nmero de documentos analizados ha sido pequeo para
establecer conclusiones definitivas, s se han observado unos problemas cuya
modificacin permitir conseguir mejores resultados:
En ocasiones en la indizacin manual han sido asignados trminos no
especficos del mbito de Biblioteconoma y Documentacin del tipo:
PRESTIGIO PROFESIONAL / STATUS SOCIAL / TRABAJO EN GRUPO /
PARTICIPACIN EN GRUPO / PLAN ESTRATGICO / PROGRAMAS
EUROPEOS DE COOPERACIN / DISTRIBUCIN ESPACIAL /
COOPERACIN INTERNACIONAL. Estos y otros trminos, al no estar
recogidos en la lista de trminos autorizados, ha sido la causa de que en
algunos documentos los ndices de consistencia hayan sido inferiores de lo
esperado. En consecuencia, consideramos necesario la ampliacin del
vocabulario con un mayor nmero de trminos del rea, con sus sinnimos,
as como de otros trminos ms generales, que no tienen por qu pertenecer
a esta rea en cuestin.
Esta ampliacin no solamente viene justificada por las deficiencias encontradas sino
que parece una caracterstica generalizada que los sistemas para la automatizacin
de la indizacin empleen vocabularios controlados
muy amplios como se
comprueba en los siguientes ejemplos. En el sistema de la NASA la base del
conocimiento cuenta con ms de once mil entradas con posibilidad de transformarse
en descriptores. En el Centro Internacional de Informacin Cientfica y Tcnica de
Mosc se utiliz un tesauro con ms de dieciocho mil descriptores y ms de cuatro
mil no descriptores. Y por ltimo, el tesauro utilizado en el sistema SAPHIRE consta
de ms de veintiocho mil trminos y ms de setenta y ocho mil sinnimos.
Cuando los resmenes son excesivamente largos aumenta el nmero de
trminos propuestos por el sistema, lo que provoca, en ocasiones, una
distorsin en la indizacin propuesta.
Conclusiones/
157
4.- CONCLUSIONES
La parte dedicada a las conclusiones tiene por objeto el compendio de las

principales aportaciones efectuadas en la investigacin acometida. Si se nos pidiera
una conclusin global de este trabajo nos veramos en la obligacin de precisar que
hemos
analizado
concretado
el
desarrollo
diacrnico
acaecido
en
la
automatizacin de la indizacin desde finales de los aos cincuenta hasta el

presente. Tambin hemos puesto de relieve los inconvenientes ms relevantes de
las principales metodologas adoptadas en las distintas propuestas. Hemos
diseado a nivel terico un mecanismo de indizacin semiautomtico para el
espaol y en concreto, para el rea de Biblioteconoma y Documentacin
extrapolable a otras reas. Pero principalmente, hemos abierto, a nuestro juicio, un
rico y variado camino de investigacin que permaneca intacto en nuestro pas.
No obstante, al inicio y durante esta investigacin se plantearon mltiples
interrogantes a los que no se puede responder de forma tan general y concisa como
se ha planteado en el prrafo precedente. Por tanto, como exige la costumbre
acadmica se muestran a continuacin las principales conclusiones alcanzadas en
este trabajo:
1. Se observan diferencias importantes a la hora de definir la indizacin y de
establecer las etapas constitutivas del proceso por parte de los investigadores del
rea de Biblioteconoma y Documentacin. En la mayora de las definiciones
examinadas se echa en falta la mencin de que no solamente es materia de
indizacin el documento, sino tambin la pregunta planteada por el usuario o el
cliente. Adems, por lo general, tampoco se menciona la posibilidad de asignar
como trmino de indizacin un concepto implcito. Por otro lado, no parece haber
consenso en el establecimiento de las etapas que componen el proceso de la
indizacin.
La indizacin de los documentos tiene por objeto permitir el almacenamiento
de los mismos a travs de un conjunto de trminos que representan los conceptos
Conclusiones/
158
esenciales tratados en dichos documentos. El fin perseguido con la indizacin de las

preguntas es encaminar la recuperacin de los documentos previamente
almacenados. Por tanto, podemos expresar que el objetivo general de la indizacin
es el almacenamiento y la recuperacin de la informacin.
El establecimiento del tiempo dedicado o que debera dedicarse a la
indizacin de un documento no es una tarea fcil. El tiempo empleado obedece, en

la mayora de las ocasiones, a las directrices marcadas por la institucin en donde
se lleva a cabo esta tarea. Y esta poltica depende de los tipos y las necesidades de
sus usuarios, del personal disponible para la realizacin de esta operacin, de la
clase de documentos analizados y del tipo de informacin contenida o del tamao
de los documentos.
La exhaustividad en la indizacin tiene que ver con la seleccin y/o
asignacin de todos los conceptos esenciales explcitos o implcitos en el

documento o la pregunta planteada por el usuario o el cliente del sistema, y no con
el nmero de trminos de indizacin asignados a un documento. En cambio, los
factores que pueden determinar el grado de exhaustividad de la indizacin son el
nivel de precoordinacin utilizado, la correccin de la indizacin y las directrices
marcadas.
La obtencin de ndices semejantes de consistencia entre un mismo indizador
en diferentes momentos o entre dos indizadores es difcil. Esta circunstancia nos

lleva a considerar la inconsistencia en la indizacin como un elemento inherente a
esta tarea ms que como una anomala producida espordicamente. Segn los
distintos ensayos analizados, la consistencia se sita entre el veinticinco y sesenta
por ciento, como mnimo y mximo respectivamente.
Para referirse a la automatizacin de la indizacin existe una amplia variedad
de expresiones. En concreto, se han localizado una veintena que alude a tres

conceptos diferentes. En primer lugar, a programas que asisten en el proceso de
almacenamiento de los trminos de indizacin una vez obtenidos de modo manual.
Conclusiones/
159
En segundo lugar, a sistemas que analizan los documentos de modo automtico

pero los trminos de indizacin propuestos los valida y edita (si es necesario) un
profesional. Y en tercer lugar, a los que no emplean mtodos de validacin y edicin
ya que los trminos propuestos se almacenan directamente como descriptores de
dicho documento.
Con las incipientes iniciativas para la automatizacin de la indizacin a finales
de los aos cincuenta, pero principalmente al inicio de los sesenta, surgieron las
primeras manifestaciones en contra de automatizar esta tarea. Esta oposicin
todava persiste por parte de profesionales e investigadores del campo de la
Biblioteconoma y Documentacin, basada en la idea fundamental de que un
programa informtico no puede simular convenientemente el trabajo de un
profesional para analizar, detectar, relacionar y seleccionar los conceptos esenciales
explcitos e implcitos tratados en los documentos.
Por contra, los investigadores que han trabajado en el diseo y el desarrollo
de herramientas para la automatizacin de la indizacin han ido incorporando de

forma progresiva principios y metodologas de otras ciencias y disciplinas. Este
empeo est guiado por la idea de que con la automatizacin de esta operacin se
pueden solucionar problemas como la subjetividad, la reduccin del tiempo dedicado
a la indizacin de cada documento, y la disminucin del coste econmico que
acarrea este proceso.
9 La interdisciplinariedad es una caracterstica inherente a la automatizacin de la

indizacin debido a la complejidad que supone su ejecucin. Por tanto, estas
dificultades necesitan resolverse desde un prisma interdisciplinar y por tanto, con
soluciones multidisciplinares. Para ello, en algunas propuestas intervienen
ciencias y disciplinas como la Lingstica, la Lingstica computacional, la
Estadstica, la Terminologa, la Informtica y la Inteligencia Artificial representada
en los Sistemas Expertos.
Conclusiones/
160
10 En la bibliografa analizada para la realizacin de este trabajo, no se ha

observado que la constitucin de grupos de investigacin interdisciplinares para
acometer la automatizacin de la indizacin sea una prctica generalizada. Si
bien es cierto que, ha habido excepciones donde investigadores de diferentes
reas han aportado sus conocimientos tericos y prcticos para conseguir este
objetivo. No obstante, no concebimos un modo para la automatizacin de la
indizacin que no se fundamente en un trabajo que recoja soluciones
multidisciplinares, de ah la necesidad de constituir grupos de investigacin
formados, al menos, por lingistas, informticos y documentalistas.
11 Los primeros intentos en la automatizacin de la indizacin tomaron como

fundamentos los mtodos estadsticos. Las propuestas iniciales presentadas a
finales de los cincuenta se asentaron sobre sencillos mtodos estadsticos para
el clculo de aparicin de las palabras tanto en documentos concretos como en
colecciones especficas. A partir de aqu, surgieron frmulas ms complejas
como la ponderacin de la frecuencia inversa o el clculo del poder de
discriminacin de los trminos. Los mtodos estadsticos fueron empleados casi
de modo exclusivo hasta finales de los setenta y principios de los ochenta. Estos
mtodos se han mostrado incapaces para el reconocimiento de relaciones
semnticas simples como la sinonimia, y ofrecen dificultades para el
reconocimiento y el cmputo de trminos compuestos.
12
La otra metodologa adoptada ha sido el uso de mtodos lingsticos. A partir
de los ochenta estos mtodos adquirieron cada vez ms relevancia, debido a los
progresivos avances producidos en el procesamiento del lenguaje natural. Las
propuestas para la automatizacin de la indizacin han utilizado, fundamentalmente,
el nivel morfolgico (la descomposicin de las palabras en sus races y la asignacin
de categoras gramaticales) y el nivel sintctico (la desambiguacin lexical y la
bsqueda en los textos de estructuras sintagmticas preestablecidas). El principal
inconveniente de la utilizacin del PLN (procesamiento del lenguaje natural) es la
cantidad de recursos, proceso y tiempo que consume, para despus tener que
contrastar los resultados con un vocabulario controlado, y ponderar los trminos
Conclusiones/
161
candidatos. Adems, habra que aadir la carencia de una biblioteca de programas

informticos bsica de libre distribucin para el espaol, con los que emprender
investigaciones apoyadas en esta metodologa.
13 Habitualmente, las dos metodologas mencionadas con anterioridad se han

combinado en las diferentes propuestas. Asimismo, en ocasiones, los sistemas
para la automatizacin de la indizacin han utilizado un vocabulario controlado,
lo que hace que una misma propuesta utilice tcnicas del PLN para analizar los
textos, un vocabulario controlado con el que validar los trminos candidatos, y los
mtodos estadsticos para ponderar dichos trminos. Esta circunstancia ha dado
lugar a lo que hemos denominado metodologas o sistemas hbridos.
14 Las investigaciones para la automatizacin de la indizacin difundidas a travs

de publicaciones peridicas, actas de congresos o tesis doctorales han sido un
hecho constante durante las tres ltimas dcadas en pases como Francia y
Brasil, influenciado este ltimo por Estados Unidos que ha sido el que ha llevado
la iniciativa en este tipo de investigaciones desde finales de los aos cincuenta.
15 En Espaa, en cambio, apenas ha sido tratado este tema por profesionales e

investigadores del rea de Biblioteconoma y Documentacin. Solamente ha
habido dos propuestas para la automatizacin de la indizacin presentadas en
sendos artculos. La primera en 1983, se bas en seleccionar desde los ttulos
de los documentos, trminos contenidos en un vocabulario controlado de
Metalurgia y con una estructura sintctica preestablecida. La segunda propuesta
presentada en 1990, se fundament en la localizacin en los textos de un
conjunto de estructuras sintcticas igualmente preestablecidas.
16
En el proceso de indizacin, los resmenes son fuentes que proporcionan
ms trminos con posibilidad de convertirse en descriptores que los ttulos.
En
cuanto al rea de Biblioteconoma y Documentacin cabe mencionar que los ttulos

y los resmenes de los artculos analizados proporcionaron el 47,2% de los
descriptores asignados a esos documentos, mientras que los textos el 24,7%. Por
Conclusiones/
162
tanto, debido al importante nmero de trminos proporcionados por los textos

parece ineludible el uso de esta fuente, junto a los ttulos y los resmenes, para
cualquier intento de automatizar la indizacin.
17
Los vocabularios controlados con sus relaciones de equivalencia o los
tesauros deben constituir los ejes centrales de las propuestas dirigidas a la

automatizacin de la indizacin . Esta idea est justificada por el valor que adquiere
la terminologa en los textos cientfico-tcnicos y por la posibilidad que brindan para
la deteccin de sinnimos. A pesar de todo, los sistemas fundamentados en estas
herramientas tienen que disponer de mtodos para que un trmino no incluido en el
vocabulario controlado o en el tesauro tenga la opcin de ser propuesto como
trmino de indizacin.
18
No
existe
un
vocabulario
controlado
amplio
actualizado
sobre
Biblioteconoma y Documentacin en espaol. Esta circunstancia nos llev a la

elaboracin de un vocabulario controlado sobre esta materia por ser de suma
importancia para desarrollar nuestra propuesta. El vocabulario controlado est
constituido por un total de 1995 trminos, de los cuales 1362 son trminos
preferentes y 633 no preferentes.
19 Cada vez que se ha implantado un sistema automtico para la indizacin de los

documentos se ha llevado a cabo una comparacin con los mtodos manuales
para comprobar su grado de eficiencia. En la mayor parte de los ensayos
realizados en esta direccin, los resultados obtenidos de forma automtica
suelen ser similares a los logrados por los indizadores profesionales. No
obstante, en algunas de estas pruebas, se ha concluido que la exhaustividad y
precisin en la recuperacin han sido inferiores con los sistemas automticos.
20 A finales de los ochenta afloraron nuevos y variados caminos de investigacin

encaminados a la automatizacin de la indizacin de informacin no textual
(imgenes y sonido). Cuando todava no hay una metodologa reconocida y
consolidada para la automatizacin de la indizacin, y cuando an se cuestiona
Conclusiones/
163
por parte de investigadores y profesionales del rea de Biblioteconoma y

Documentacin la eficacia de los sistemas automticos, han aparecido iniciativas
dirigidas a crear instrumentos para la automatizacin de la indizacin de
informacin multimedia.
21 La implantacin de sistemas para la automatizacin de la indizacin es

prcticamente
nula
en
los
Centros
de
Documentacin,
Bibliotecas
especializadas, empresas de servicios de indizacin y resumen y en productores

de bases de datos. Si bien es cierto que hay excepciones, y los productos
utilizados en estos lugares oscilan entre programas que asisten en el momento
de la indizacin, medios automticos que validan los trminos asignados por los
indizadores para asegurar un control de calidad, y ya en menor medida, sistemas
de indizacin automtica sin ningn tipo de validacin y edicin del resultado
propuesto.
22
Para la automatizacin de la indizacin se utilizan una serie de herramientas
que no siempre coinciden en todos los desarrollos propuestos. Las ms comunes

son mtodos para la necesaria ponderacin de los trminos (aplicacin de clculos
estadsticos), la utilizacin de vocabularios controlados, ficheros de palabras vacas,
analizadores morfolgicos y en menor grado sintcticos.
23
Las primeras propuestas para automatizar la indizacin en los aos sesenta,
por lo general, tomaron como fuentes de anlisis los ttulos. Posteriormente, se fue
generalizando el uso de los ttulos y los resmenes de los documentos. La adopcin
de los ttulos, los resmenes y los textos como fuentes de anlisis viene justificada
por las siguientes razones. En primer lugar, por los resultados hallados en el estudio
llevado a cabo en las Bases de datos del CSIC. En segundo lugar, porque hay
revistas espaolas de Biblioteconoma y Documentacin en las que los artculos
publicados no siempre van acompaados de sus respectivos resmenes. Y tercero,
porque hemos adoptado una metodologa sencilla que propicia que el anlisis de las
fuentes sea rpido.
Conclusiones/
164
24 Ante la imposibilidad de disponer de todas las posibles formas por las cuales se
puede representar sintcticamente un concepto se cuenta en el vocabulario
controlado con 633 sinnimos de trminos preferentes. Adems, el algoritmo
para el procesamiento tiene la capacidad de detectar trminos preferentes pero
con diferente estructura sintagmtica a los incluidos en el vocabulario controlado.
25 En la evaluacin del sistema hemos detectado la necesidad de ampliar el

vocabulario controlado en dos direcciones. En primer lugar, con trminos
preferentes y no preferentes del rea de Biblioteconoma y Documentacin, y en
segundo lugar, con trminos ms generales o incluso que pertenezcan a otras
reas. Consideramos que esta ampliacin redundar positivamente en la
obtencin de mejores ndices de consistencia.
26 El ndice medio de consistencia obtenido en la evaluacin manual ha sido del

25,93%. Este porcentaje se mejorar cuando se aumente el vocabulario
controlado. No obstante, este resultado no est muy alejado del ndice de
consistencia medio (26,5%) obtenido en las cinco evaluaciones del sistema de
indizacin semiautomtico operativo en el Centro de Informacin Aeroespacial
de la NASA desde mediados de los ochenta.
27
Por ltimo, juzgamos que con este trabajo hemos contribuido a abrir el
camino de investigacin hacia la automatizacin de la indizacin. Hasta el momento,

no haba sido abordado por los profesionales e investigadores del rea de
Biblioteconoma y Documentacin espaoles. Esperemos que esta brecha abierta
se ample en numerosas lneas de investigacin.
Bibliografa/
165
5.- BIBLIOGRAFA
AENOR. (1994). Documentacin. Normas fundamentales. Madrid: AENOR.
ALBERICO, R., MICCO, M. (1990). Expert systems for reference and information
retrieval. Westport, CT: Meckler.
ALBRECHTSEN, H. (1993). Subject analysis and indexing: from automated

indexing to domain analysis. The Indexer, 18, 4, p. 219-224.
ALMELA, R. (1986). Materiales para el estudio del espaol: (curso universitario de

morfmica y lexmica. Murcia: Universidad.
AMAT, N. (1989). Documentacin y nuevas tecnologas de la informacin. Madrid:

Pirmide.
AMAT, N. (1994). La documentacin y sus tecnologas. Madrid: Pirmide.
ANDERSON, J.D.(1994). Standards for indexing: revising the American National

Standard Guidelines Z39.4. Journal of the American Society for Information
Science, 45, 8, p. 628-636.
ANDERSON, P.F. (1988). Expert systems, expertise and the library and information
professions. Library and Information Science Research, 10, p. 369-370.
ANDREEWSKY, A., RUAS, V. (1982). Indexao automtica baseada em mtodos

lingsticos e estatsticos e su aplicabilidade lingua portuguesa. Rio de Janeiro,
PUC-DI.
Bibliografa/
166
ARNTZ, R., PICHT, H. (1995). Introduccin a la terminologa. Madrid: Fundacin

Germn Snchez Ruiprez.
ARTANDI, S. (1971). Coodinate indexing. En A. Kent y H. Lancour (eds).

Encyclopedia of Library and Information Science, vol. 5, p. 679-682.
ARTANDI, S. (1976). Machine indexing: linguistic and semiotic implications. Journal

of the American Society for Information Science, July-August, p. 235-239.
ATHERTON, P. (1978). Manual para sistemas y servicios de informacin. Pars:

UNESCO.
BARANOW, U.G. (1983). Perspectivas na contribuiao da lingstica e de reas

afins cincia da informaao. Ciencia da Informaao, Brasilia, 12, 1, p. 23-35.
BARNES, C.I, COSTANTINI, L., PERSCHKE, S. (1978). Automatic indexing using

the SLC II System. Information Processing & Management, 14, 2, p. 107-119.
BASILIO, M. de P. (1979). Interface lingstica e cincia da informaao:
potencialidades na anlise de estructuras lexicais. Reuniao Brasileira de Cincia da
Informaao, 2. Rio de Janeiro: IBICT, 1, 6, p. 233-246.
BASTOS VIEIRA, S. (1988). Indexaao automtica e manual: revisao de literatura.

Ciencia da Informao, Brasilia, 17, 1, p. 43-57.
BELKIN, N.J. (1988). The nature and function of explanation in intelligent

information retrieval. 11 th International Conference on Research and Development
in Information Retrieval, Grenoble, France, juin 13-15, Yves Chiaramella (ed.).
France: Presses Universitaires de Grenoble.
Bibliografa/
167
BERTRAND-GASTALDY, S., PAGOLA, G. (1992). Lanalyse du contenu textuel en

vue de la construction de thsaurus et de lindexation assisties par ordinateur;
applications possibles avec SATO. Documentation et bibliothques, 38, 2, p. 75-89.
BIEBRICHER, P., et al. (1988). The automatic indexing system AIR/PHYS - From
research to application. Proceedings of the 1988 ACM Conference on Research and
Development in Information Retrieval, p. 333-342.
BLOSSEVILLE, M.J., et al. (1992). Automatic document classification: natural

language processing, statistical analysis, and expert system techniques used
togehter. Proceedings of the Fitteenth Annual International ACM/SIGIR Conference
on Research and Development in Information Retrieval, N. Belkin, et al. (eds.),
Copenhagen: ACM Press, p. 51-59.
BONURA, L.S. (1994). The art of indexing. New York: John Wiley.
BOOKSTEIN, A, SWANSON, D.R. (1975). A decision theoretic foundation for

indexing. Journal of the American Society for Information Science, 26, 1, p. 45-50.
BORDOGNA, G., et al. (1990). Pictorial indexing for an integrated pictorial and
textual IR environment. Journal of the Information Science, 16, p. 165-173.
BORKO, H., BERNIER, C.L. (1978). Indexing concepts and methods. New York:
Academic Press.
BOYCE, B., LOCKARD, M. (1975). Automatic and manual indexing performance in

a small file of medical literature. Bulletin of Medical Library Association, 63, 4, p.
378-385.
BRAGA, L.M. (1982). Palavras de titulos e resumos como acesso ao contedo do

documento: uma anlise numrica. Rio de Janeiro, URFJ/IBICT.
Bibliografa/
168
BRANHORST, W.T., ECKERT, P.F. (1966) Guide to the processing, storage, and
retrieval of bibliographic information an the NASA scientific and technical information
facility. Document NASA, CR-62.033, june.
BRITVIN, V.G. (1981). Structural and semantic analysis of abstracts and document
search pattern information in automatic indexing in the neft-3 petroleum industry
information system. En Development and Operation of an information system for the
oil industry.
CABR, M.T. (1993). La terminologa. Teora, metodologa, aplicaciones. Barcelona:

Antrtida.
CARRATAL, E. (1980). Morfosintaxis del castellano actual. Barcelona: Labor.
CARRERAS PANCHN, A. (ed.), (1994). Gua prctica para la elaboracin de un

trabajo cientfico. Bilbao: CITA.
CARRETERO, J., RODRGUEZ, S. (1997). COES: herramienta lingstica de libre

distribucin para la Lengua Espaola. NOVATICA, 126, p. 39-44.
CARROLL, J., ROELOFFS, R. (1969). Computer selection of keywords using wordfrequency analysis. American Documentation, 20, 3, p. 227-233.
CAVANAGH, J.M.A. (1989). Library applications of knowledge-based systems. The

Reference Librarian, 8, 23, p. 7-8.
CERD MASS, R. (cord.), (1986). Diccionario de Lingstica. Madrid: Anaya.
CIGANIK, M. (1990). Automation or subject catloguing and automated thesaurus

indexing: future prospects. Kniznice a Vedechke Informacie, 22, 2, p. 49-57.
Bibliografa/
169
CLEVELAND, D.B., CLEVELAND, A.D. (1990). Introduction to indexing and

abstracting. Englewood: Libraries unlimited, Inc.
CLEVELAND, D.B., CLEVELAND, A.D., WISE, O.B. (1984). Less than fulltest
indexing using a non-boolean searching model. Journal of the American Society for
Information Science, 35, 1, p. 19-28.
CLEVERDON, C.W. (1962). Aslib Cranfield Research Project: report on the testing
and analysis of an investigation into the comparative efficiency of indexing systems,
Cranfield, England.
CLEVERDON, C.W. (1984). Optimizing convenient on-line access to bibliographic

databases. Information Services & Use, 4, p. 37-47.
COLL-VINENT, R. (1988). Informacin y poder. Barcelona: Herder.
COLL-VINENT, R. (1982). Profesionales de la documentacin. Barcelona: A.T.E.
COLL-VINENT, R., BERNAL CRUZ, F.J. (1990). Curso de Documentacin. Madrid:

Dossat.
COOPER, W.S. (1969). Is interindexer consistency a hobgoblin?. American
Documentation, 20, p. 268-278.
COOPER, W.S. (1976). Automatic indexing and indexing for complex systems: an
appendix to Indexing documents by Gedanken experiments, Xeroxed.
COOPER, W.S. (1978). Indexing documents by Gedanken experimentation.

Journal of the American Society for Information Science, may, p. 107-119.
Bibliografa/
170
COOPER, W.S., MARON, M.E. (1978). Foundations of probabilistic and utilitytheoretic indexing. Journal of the Association for Computing Machinery, 25, 1, p. 6780.
CORET, A., DUCLOY, J., MENILLET, D. (1991). Indexing and the information
specialists workstation. INIST Info 8, 2-3.
COUTURE de TROISMONTS, R. (1975). Manual de tcnicas en documentacin.

Buenos Aires: Marymar.
COYAUD, M. (1972). Linguistique et Documentation. Paris: Librarie Larousse.
CROFT, W.B., TURTLE, H.R., LEWIS, D.D. (1991). The use of phrases and
structured queries in information retrieval. Proceedings of the Fourteenth Annual
International ACM/SIGIR Conference on Research and Development in Information
Retrieval, A. Bookstein, Y. Chiaramella, G. Salton y V.V. Raghavan (eds.), Chicago,
p. 32-45.
CRYSTAL, D. (1984). Linguistics and indexing. The Indexer, 14, 1, p. 3-7.
CHAUMIER, J. (1988). Le traitement linguistique de linformation. Paris: Enterprise

Moderne dEdition.
DAMERAU, F.J. (1965). An experiment in automatic indexing. American

Documentation, 16, 4, p. 283-289.
DAY, R.A. (1995). How to write publish & a scientific paper. Cambridge: University.
DEZ CARRERA, C. (1994). Las industrias de la lengua: panormica para los

gestores de informacin. Madrid: Biblioteca Nacional.
Bibliografa/
171
DIJK, M., VAN SLYPE, G. (1972). El servicio de documentacin frente a la explosin

de la informacin. Buenos Aires: Consejo Superior de Investigaciones Cientficas y
Tcnicas.
DILLON, M. (1982). Thesaurus-based automatic book indexing. Information

Processing & Management, 8, 4, p. 167-178.
DOCUMENTACIN. (1996). Presentacin de Tesis y documentos similares. ISO

7144, UNE 50-136. Revista Espaola de Documentacin Cientfica, 19, 2, p. 203218.
DRISCOLL, J., et al. (1991). The operation and performance of an artificially

intelligent keywording system. Information Processing & Management, 27, 1, p. 4354.
ECO, U. (1994). Cmo se hace una tesis. Tcnicas y procedimientos de

investigacin, estudio y escritura. Barcelona: Editorial Gedisa.
ELLIS, D., et al. (1994). On the creation of hypertext links in full-text documents:
measurement of inter-linker consistency. Journal of Documentation, 50, 2, p. 67-98.
ESPELT, C. (1995). Bases tericas en la enseanza de lenguajes documentales.

Actas del I Encuentro ISKO-Espaa, p. 126-134.
ESTEBAN NAVARRO, M.A. (1995). Aplicaciones de la Terminologa para la

docencia de la gestin de lenguajes documentales. Actas del I Encuentro de ISKOEspaa, p. 205-212.
EVANS, D.A, et al. (1991). Automatic indexing of abstracts via natural-language

processing using a simple thesaurus. Med Decis Making, 11, p. 108-115.
Bibliografa/
172
FAGAN, J.L. (1987). Experiments in automatic phrase indexing for document

retrieval: a comparison of syntactic and non-syntactic methods. New York: Cornell
University.
FAGAN, J.L. (1989). The effectiveness of a non-syntactic approach to automatic

phrase indexing for document retrieval. Journal of the American Society for
FARAJ, N., et al. (1996). Analyse dune mthode dindexation automatique base
sur une analyse syntaxique de texte. Canadian Journal of Information and Library
Science, 21, 1, p. 1-21.
FARROW, J. (1994). Indexing as a cognitive process. En A. Kent, H. Lancour y J.E.

Daily (eds). Encyclopedia of Library and Information Science, vol. 53, p. 155-171.
FEINBERG, H. (1973). Title derivative indexing techniques: a comparative study.

Metuchen: Scarecrow Press.
FEITEN, B., GUNZEL, S. (1994). Automatic indexing of a sound database using

self-organizing neural nets. Computer Music Journal, 18, 3, p. 53-65.
FIDEL, R. (1994). User centered indexing. Journal of the American Society for
FOLTZ, P., DUMAIS, S.T. (1992). Personalized information delivery: an analysis of
information filtering methods. Communications of the ACM, 35, 12, p. 51-60.
FRENZEL, L.E. (1989). A fondo: Sistemas expertos. Madrid: Anaya Multimedia.
FUGMANN, R. (1990). Unused possibilities in indexing and classification. Interface.

Proceedings 1st International ISKO Conference, Darmstadt, 14-17 aug., 1990.
Frankfurt: INDEKS Verlarg.
Bibliografa/
173
FUNK, M., REID, C.A., McGOOGAR, L.S. (1983). Indexing consistency in

MEDLINE. Bulletin of the Medical Library Association, 71, p. 176-183.
GARCA GUTIRREZ, A. (1984). Lingistica documental. Barcelona: Mitre.
GARCA GUTIRREZ, A. (1989a). Normalizacin general y documental: concepto,

historia e instituciones. En Lpez Yepes, J. (comp.). Fundamentos de informacin y
documentacin, Madrid: Eudema, p. 227-260
GARCA GUTIRREZ, A. (1989b). Nuevos parmetros para una teora de la

indizacin de documentos. En Jos Lpez Yepes (comp.). Fundamentos de
informacin y documentacin, Madrid: Eudema, p. 381-383
GARCA GUTIRREZ, A. (1990). Estructura lingstica de la Documentacin: teora

y mtodo. Murcia: Universidad.
GARCA GUTIRREZ, A. (1992). Anlisis documental del discurso periodstico.

Madrid: Centro de Tratamiento de la Documentacin.
GARCA GUTIRREZ, A. (1995). La investigacin documentolgica: hacia un

ajuste interdisciplinar. Scire, 1, 2, p.11-20.
GARDIN, J.C. (1973). Document analysis and linguistics theory. Journal of

GIBB, F., ed. (1986). Experts systems in libraries. London: Taylor Graham.
GIL LEIVA, I., RODRGUEZ MUOZ, J.V. (1996a). Tendencias en los sistemas de
indizacin automtica. Estudio evolutivo. Revista Espaola de Documentacin
cientfica, 19, 3, p. 273-291.
Bibliografa/
174
GIL LEIVA, I., RODRGUEZ MUOZ, J.V. (1996b). El procesamiento del lenguaje
natural aplicado al anlisis del contenido de los documentos. Revista General de
Informacin y Documentacin, 6, 2, p. 205-218.
GIL
LEIVA,
I.,
RODRGUEZ
MUOZ,
J.V.
(1996c).
Los
orgenes
del
almacenamiento y recuperacin de informacin. Boletn de la Asociacin Andaluza

de Bibliotecarios, 42, p. 9-18.
GIL LEIVA, I., RODRGUEZ MUOZ, J.V. (1997). Anlisis de los descriptores de
diferentes reas del conocimiento indizadas en bases de datos del CSIC. Aplicacin
a la indizacin automtica. Revista Espaola de Documentacin Cientfica, 20, 2, p.
150-161.
GIL LEIVA, I. (1997a). La indizacin automtica. IBERSID, II Encuentro sobre

Sistemas de Informacin y Documentacin, Zaragoza 17-21 febrero.
GIL LEIVA, I. (1997b). La investigacin en indizacin y resumen en Espaa.

Educacin y Biblioteca, 83, octubre.
GIL URDICIAIN, B. (1992). Funcin de los lenguajes documentales en el

tratamiento de la informacin en las organizacines. Revista General de
Informacin y Documentacin, 2, 2, p. 195-200.
GIL URDICIAIN, B. (1994b). Niveles de anlisis documental de contenido.

Documentacin de las Ciencias de la Informacin, 17, p. 77-84.
GIL URDICIAIN, B. (1996a). Manual de lenguajes documentales. Madrid: Noesis.
GIL URDICIAIN, B. (1996b). Comunicacin personal, noviembre.
Bibliografa/
175
GMEZ GUINOVART, J. (1996). Aportaciones a la metodologa de evaluacin de

los sistemas de verificacin automtica de la sintaxis. Revista de la Sociedad
Espaola para el Procesamiento del Lenguaje Natural, 19, p. 7-13.
GONZLEZ, J.W. (ed.), (1990). Aspectos metodolgicos de la investigacin

cientfica. Un enfoque multidisciplinar. Murcia: Universidad.
GRISHMAN, R. (1991). Introduccin a la lingstica computacional. Madrid: Visor

distribuciones.
GUINCHAT C., MENOU, M. (1983). Introduccin general a las ciencias y tcnicas de

la informacin y de la documentacin. Pars: Unesco.
HALLER, J. (1983). Anlise automtica de textos em sistemas de informao.

Revista de Biblioteconomia de Braslia, 11, 1, p. 105-113.
HALLER, J. (1982). Processamento de textos em linguagem natural. Congreso

Nacional de Informtica, 15, Rio de Janeiro.
HARTER, S.P. (1975a). Probabilistic approach to automatic keyword indexing. Parts

1. Journal of the American Society for Information Science, 26, 4, p. 197-206.
HARTER, S.P. (1975b). Probabilistic approach to automatic keyword indexing. Parts

2. Journal of the American Society for Information Science, 26, 5, p. 280-289.
HERSH, W.R., et al. (1992). A comparison of retrieval effectivenes for three

methods of indexing medical literature. The American Journal of the Medical
Sciences, 30, 5, p. 292-300.
Bibliografa/
176
HMEIDI, I.I. (1995). Design and implementation of automatic word and phrase
indexing for information retrieval with arabic documents (indexing, automatic
indexing). Illinois Institute of Technology.
HODGE, G.M. (1992). Automated support to indexing. Philadelphia: National

Federation of Abstracting and Information Services, NFAIS Report Series 3.
HODGE, G.M. (1993). Computer-assisted database indexing: the state-of-the-art.

Indexing, providing access to information: looking back, looking ahead. The
Proceedings of the 25th Annual Meeting of the American Society of Indexers
(Alexandra, VA), may 1993,
Nancy C. Mulnavy (ed.), Port Aransas: American
Society of Indexers, p. 33-44.
HODGE, G.M. (1994). Computer-assisted database indexing: the state-of-the-art.

The Indexer, 19, 1, p. 23-27.
HOOPER. R.S. (1965). Indexer consistency test: origin, mesaruments, results and
utilization. Bethesda, MD: IBM Corp.
HUMPHREY, S. (1989). MedIndex system: medical indexing expert system.

Information Processing & Management, 25, 1, p. 73-78.
HUMPHREY, S.M. (1994). Knowledge-based systems for indexing. En R. Fidel

(ed.). Challenges in indexing electronic text and images. Medfor ; New York: ASIS,
1994, p. 161-175
ISO 5963-1985. (1985). Documentation. Mthodes pour lanalyse des documents. la

dtermination de leur contenue et la slection des termes dindexation. Genve: ISO.
Bibliografa/
177
ISO. Documentacin. (1989). Directrices para el establecimiento y desarrollo de

Tesauros monolinges (Parte II). PNE - 50 106
ISO 2788-1986 (E). Revista
Espaola de Documentacin Cientfica, 12, 4, p. 601-629.
IZQUIERDO ARROYO, J.M., MORENO FERNNDEZ, L.M. (1994). Listas de

encabezamientos de materia y thesauri en perspectiva comparada. Documentacin
de las Ciencias de la Informacin, 17, p. 287-310.
IZQUIERDO ARROYO, J.M., MORENO FERNNDEZ, LM. (1995). Problemas de

terminologa metalingstica en los lenguajes documentales. Actas I Encuentro
ISKO-Espaa, 4-5 noviembre 1993, F.J. Garca Marco (ed.). Zaragoza, p. 51-63.
JACOBY, J. (1962). Methodology for indexer reliability aids on the reliability of

indexers. radc-tdr-63-116, Documentation, Inc., Bethesda, Maryland, march.
JONES, L.P., et al. (1990). INDEX: The statistical basis for an automatic conceptual
phrase-indexing system. Journal of the American Society for Information Science,
41, 2, p. 87-97.
KARETNYK, D., KARLSSON, F., SMART, G. (1991). Knolewledge-based indexing

of morpho-syntactically analysed language. Expert Systems for Information
Management, 4, 1, p. 1-29.
KLINGBIEL, P.H., RINKER, C. (1976). Evaluation of
Machine-Aided Indexing.
KOROTKIN, A.L., OLIVER, L.H. (1964). The effect of subject matter familiarity and
the use of an indexing aid upon inter-indexer consistency, General Electric
Company, Bethesda, Maryland, february.
KORYCINSKI, C., NEWELL, A.F. (1990). Natural-language processing and

automatic indexing. The Indexer, 17, 1, p. 21-29.
Bibliografa/
178
KRAFT, D.A. (1964). A comparison of keyword in context (KWIC) indexing of titles

with a subject heading classification system. American Documentation, 15, 1, p. 4852.
KUNTZ, R. (1991). The application of Expert Systems to indexing. Current Studies

in Librarianship, spring/fall, p. 3-26.
KWOK, K,L. (1974). Cited titles: a new source of keyword extraction for automatic
document classification and retrieval. Proceedings ASIS Annual Meeting, 37.
Atlanta, 13-17, october, Washinton: ASIS, v.11, p. 56-57
LANCASTER, F.W. (1969). MEDLARS: report on the evaluation of its operating

efficiency. American Documentation, april, p. 119-142.
LANCASTER, F.W. (1978). Precision and recall. En A. Kent, H. Lancour y J.E.

Daily (eds). Encyclopedia of Library and Information Science, vol. 23, p. 170-180.
LANCASTER. F.W. (1991). Indexing and abstracting in theory and practice. London:
The Library Association.
LEONARD, L.E. (1975). Inter-indexer consistency and retrieval effectiveness:

Measurement of relationships. Unpublished disserttion, University of Illinois, UrbanaChampaign.
LEONARD, L.E. (1977). Inter-indexer consistency studies, 1954-1975: a review of

the literature and summary of study results. University of Illinois Graduate School of
Library Science Occasional Papers, 131.
LEWIS, D.D. (1992). An evaluation of phrasal and clustered representations on a

text categorization task. Proceedings of the Fiteenth Annual International
Bibliografa/
179
ACM/SIGIR Conference on Research and Development in Information Retrieval, N.

Belkin, et al. (ed.), Copenhagen: ACM Press, p. 37-50.
LIVONEN, M. (1990). Interindexer consistency and the indexing environment.

International Forum on Information and Documentation, 15,1, p. 16-21.
LONG, B. (1980). Linguistique et indexation. Documentaliste-Sciences de

l'information, 17, 3, p. 99-106.
LOPES GNEZ DE LARA, M. (1993). Algumas contribuioes da semiologia e da

semitica para a anlise das linguagens documentrias. Ciencia da Informaao,
Braslia, 22, 2, p. 223-226.
LPEZ YEPES, J. (1995). La aventura de la investigacin cientfica. Gua del

investigador y del director de investigacin. Madrid: Sntesis.
LOVTSOV, A. (1990). Automatic indexing in reports and dissertations database.

ICSTI, Internal Report.
LUHN, H.P. (1957). A statistical approach to mechanized enconding and searching

of literary information. IBM Journal of Research and Development, 1, 4, p. 309-317.
LUHN, H.P. (1958). The automatic creation of literature abstracts. IBM Journal of
Research and Development, 2, 2, p. 159-165.
LUSTIG, G., KNORZ, G. (1986). AIR/PHYS pilot application project: pilot application
of automatic indexing and improved retrieval methods using the PHYS data base (130). Karlsruhe: Frachinformationszentrum, Energie Physik Mathematik GmbH.
Bibliografa/
180
MAHAPATRA, M., CHANDRA BISWAS, S. (1986). Interdependence of PRECIS

role operators: a quantitiative analysis of their association. Journal of the American
Societey for Information Science, 37, 1, p. 20-25.
MAIZELL, R. (1960). Value ot titles for indexing purposes. Revue de la

MANIEZ, J. (1992). Los lenguajes documentales y de clasificacin. Concepcin,

construccin y utilizacin en los sistemas documentales. Madrid: FGSR.
MARCETICH, J., SCHUYLER, P. (1981). The use of AID to promote indexing

consistency at the National Library of Medicine. Eighty-first Annual Meeting of the
Medical Library Association, Montreal, june.
MARKEY, K. (1984). Interindexer consistency tests: a literature review and report of

a test of consistency in indexing visual materials. Library and Information Science
Research, 6, p. 155-177.
MARON, M.E. (1979). Dephth of indexing. Journal of the American Society for
Information Science, july, p.224-228.
MARQUES CINTRA, A.M. (1983). Elementos de lingstica para estudos de

indexaao. Ciencia da Informaao, Braslia, 12, 1, p. 5-22.
MARTNEZ, C., LUCEY, J., LINDER, E. (1987). An expert system for machineaided-indexing. Journal of Chemical Information and Computer Sciences, 27, 4, p.
158-162.
MEDLARS manual indexing. (1967). National Library of Medicine.
Bibliografa/
181
MEULEN, W.A., JANSSEN, P.J. (1977). Automatic versus manual indexing.

MICHELL, G. (1979). The natural language foundations of indexing language

relations. The Canadian Journal of Information Science, 4, p. 99-104.
MILSTEAD, J.L. (1994). Needs for research in indexing. Journal of the American
Society for Information Science, 45, 8, p. 577-582.
MOLINER, M. (1988). Diccionario de uso del espaol. Madrid: Gredos.
MONTGOMERY,
C.,
SWANSON,
D.R.
(1962).
Title
indexing.
American
MONTGOMERY, C. (1972). Linguistics and Information Science. Journal of the

American Society for Information Science, 23, p. 195-219.
MOOERS, C.N. (1972). Descriptors. En A. Kent y H. Lancour (eds). Encyclopedia

of Library and Information Science, vol. 7, p. 31-45.
MOOERS, C.N. (1985). The indexing language of an information retrieval system.

En L. Mai Chan (ed.), Theory of subject analysis. Littleton: Libraries unlimited, p.
247-261.
MOREIRO GONZLEZ, J.A (1989a). El resumen cientfico en el contexto de la

teora de la documentacin. Texto y descripcin sustancial. Documentacin de las
Ciencias de la Informacin, 12, p. 147-170.
MOREIRO GONZLEZ, J.A. (1989b). Mtodo y tipologa del resumen cientfico. En

J. Lpez Yepes (comp.). Fundamentos de informacin y documentacin, Madrid:
Eudema, p. 414-430.
Bibliografa/
182
MOREIRO GONZLEZ, J.A. (1990). Introduccin bibliogrfica y conceptual al

estudio evolutivo de la Documentacin. Barcelona: PPU.
MOREIRO GONZLEZ, J.A. (1993a). Aplicacin de las ciencias del texto al resumen
documental. Madrid: Universidad Carlos III.
MOREIRO
GONZLEZ,
J.A.
(1993b).
Implicaciones
documentales
en
el
procesamiento del lenguaje natural. Ciencias de la Informacin, 24, 3, p. 48-54.
MOREIRO GONZLEZ, J.A. (1993c). Perspectiva documental del procesamiento

del lenguaje natural. Sociedad Espaola para el Procesamiento del Lenguaje
Natural, 13, p. 41-45.
NATALI, J.W. (1978). Documentaao e Lingstica: inter-relaao e campos de

pesquisa. Revista Brasileira de Biblioteconoma y Documentaao, 11, 1-2, p. 33-42.
NEET, H.E. (1981). L'analyse documentaire, Ginebra: Institut d'Etudes Sociales.
NOCETI, M.A, FIGUEIREDO, R.C. (1978). Lnguas naturais e linguagens

documentrias: tracos inerentes e ocorrncias de interaao. Revista Brasileira de
Biblioteconoma y Documentaao, 6, 1, p. 23-27.
ORTEGA CAVERO, D. (1991). Thesaurus gran Sopena de sinnimos y asociacin

de ideas. Barcelona: Ramn Sopena.
PAINTER, A.F. (1963). An analysis of duplication and consistency of subject
indexing involved in report handling at the Office of Technical Services. U.S,
Department of Commerce, Office of Technical Services, Washington, D.C., march.
PALMA VILLALN, M del Valle. (1995). Tcnicas y mtodos para mejorar la

calidad de la indizacin y su recuperacin en bases de datos documentales de
Bibliografa/
183
ciencias sociales y humanidades. 5es Jornades Catales de Documentaci, p. 223239.
PREZ LVAREZ-OSSORIO, J.R. (1988). Introduccin a la informacin y

documentacin cientfica. Madrid: Alhambra.
PICHT, H. (1996). La terminologa como factor de desarrollo. Revista

Interamericana de Bibliotecologa, 19, 1, p. 7-29.
PINTO MOLINA, M. (1989). El anlisis de contenido: la indizacin de documentos.

En J. Lpez Yepes (comp.). Fundamentos de informacin y documentacin, Madrid:
Eudema, p. 347-374.
PINTO MOLINA, M. (1993). Anlisis documental: fundamentos y procedimientos.

Madrid: Eudema.
POLLITT, A.S. (1981). An expert system as an on-line search intermediary.

Proceedings of the 5th International On-line Information Meeting. Oxford: Learned
Information, p. 25-32.
QUINN, B. (1994). Recent theorical approaches in classification and indexing.
Knowledge Organization, 21, 3, p. 140-147.
RABITTI, F., SAVINO, P. (1992). Automatic image indexation to support contentbased retrieval. Information Processing & Management, 28, 5, p. 547-565.
REAL Academia de la Lengua Espaola. (1992). Diccionario de la lengua espaola

[21 ed.]. Madrid: Espasa-Calpe.
REICH, P., BIEVER, E.J. (1991). Indexing consistency: the input/output function of
thesaurus. College and Research Libraries, 52, 4, p. 336-342.
Bibliografa/
184
RIBEIRO PINHEIRO, L.V., MATHEUS LOUREIRO, J.M. (1995). Traados e limites

da cincia da informaao. Cienda da Informaao, Brasilia, 24, 1, p. 42-53.
RICHTER, N. (1988). Grammaire de lindexation alphabetique. Le Mans:

Bibliothque de lUniversit du Maine.
ROBERTSON, S.E. (1972). Term specificity. Journal of Documentation, 28, p. 164165.
ROBERTSON, S.E. (1974). Specificity and weighted retrieval. Journal of

Documentation, 30, 1974, p. 41-46.
ROBERTSON, S.E., HARDING, P. (1984). Probabilistic automatic indexing by

learning from human indexers. Journal of Documentation, 40, 4, p. 264-270.
ROBREDO, J.A. (1991). Indexaao automtica de textos: uma abordagem

otimizada e simples. Ciencia da Informaao, Brasilia, 20, 2, p. 130-136.
RODGERS, D.J. (1961). A study of intra-indexer consistency, General Electric

company, Washington, D.C., september.
RODRGUEZ MUOZ, J.V., et al. (1992). Reglas de produccin para una base del
conocimiento en la construccin de tesauros. En Proceedings of the Forty-Sixth FID
Conference and Congress, october, p. 341-352.
RODRGUEZ MUOZ, J.V. (1994). Construccin del esquema conceptual del

tesauro mediante un modelo de datos. Murcia: Universidad.
ROLLAND-THOMAS, P. (1995). Essai sur la contribution de lanthropologie
culturelle aux fondements de la classification documentaire. Documentation et
bibliothques, janvier-mars, p. 7-18.
Bibliografa/
185
ROLLING, L. (1981). Indexing consistency, quality and efficiency. Information

Processing & Management, 17, p. 69-76.
ROMANO, D. (1987). Elementos y tcnica del trabajo cientfico. Barcelona: Teide.
ROSENBERG, V. (1971). A study of statistical measures for predicting terms used

to index documents. Journal of the American Society for Information Science, 22, 1,
p. 41-50.
ROWLEY, J. (1988). Abstracting and indexing. London: Clive Bingley.
RUHL. M.J. (1964). Chemical documents and their titles: human concept indexing
vs KWIC- machine indexing. American Documentation, 15, 2, p. 136-141.
SALTON, G. (1972). A new comparison between conventional indexing (MEDLARS)

and automatic text processing (SMART). Journal of the American Society for
Information Science, march-april, p. 75-84.
SALTON, G., YANG, C.S. (1973). On the specification of term values in automatic
indexing. Journal of Documentation, 29, 4, p. 351-372.
SALTON, G., YANG, C.S., YU, C.T. (1975). A theory of term importance in
automatic text analysis. Journal of the American Society for Information Science, 26,
1, p. 33-44.
SALTON, G. (1980). The SMART system 1961-1976: Experiments in dynamic

document processing. En A. Kent, H. Lancour y J.E. Daily (eds). Encyclopedia of
Library and Information Science, vol. 28, p. 1-28.
SALTON, G., MCGILL, M.J. (1983). Introduction to modern information retrieval.

New York: McGraw-Hill.
Bibliografa/
186
SALTON, G., BUCKLEY, C. (1988). Term weighting approaches in automatic text

retrieval. Information Processing & Management, 24, 5, p. 513-523.
SARACEVIC, T. (1995). Interdisciplinary nature of information science. Ciencia da

Informaao, Braslia, 24, 1, p. 36-41.
SCHEELE, M. (1983). Automatic indexing of titles and keywords on the bases of a

model for an overall thesaurus of knowledge. International Classification, 10, 3, p.
135-137.
SCHUEGRAF, E.J., BOMMEL, M.F. (1993). An automatic document indexing

system based on cooperating expert systems: design and development. Canadian
Journal of Information and Library Science, 18, 2, p. 32-50.
SEO, E. (1993). An experiment in automatic indexing with korean texts: a

comparison of syntactic-statistical and manual methods (indexing, manual indexing).
University of Illinois at Urbana-Champaign.
SHOVAL, P. (1985). Principles, procedures and rules in an expert system for

information retrieval. Information Processing & Management, 21, p. 375.
SIERRA BRAVO, R. (1994). Tesis doctorales y trabajos de investigacin cientfica.

Madrid: Editorial Paraninfo.
SIEVERT, M.E., ANDREWS, M.J. (1991). Indexing consistency in Information

Science Abstracts. Journal of the American Society for Information Science, 42, 1,
p. 1-6.
SIEVERT, M.E., VERBECK, A. (1987). The indexing of the literature of online

searching: a comparison of ERIC and LISA. Online Review, 11, p. 95-104.
Bibliografa/
187
SILVA, B. (1972). Origen e evoluao dos descritores. Ro de Janeiro: Fundaao

Getlio Vargas.
SILVESTER, J.P., GENUARDI, M.T., KLINGBIEL, P.H. (1994). Machine-aided

indexing at NASA. Information Processing & Management, 30, 5, p. 631-645.
SIMN GRANDA, J., LEMA GARZN, E. (1990). Primeras experiencias sobre el

anlisis de textos en castellano aplicado a la indexacin automtica de informacin.
Terceras Jornadas Espaolas de Documentacin Automatizada, p. 1255-1270.
SLAMECKA, V., JACOBY, J. (1962). Indexer consistency under minimal conditions.

RADC-TDR-62-426, Documentation, In., Bethesda, Maryland, november.
SLAMECKA, V., JACOBY, J. (1963). Effect of indexing aids on the reliability of

indexers. RADC-TDR-63-116, Documentation, Inc., Bethesda, Maryland, june.
SLYPE, G. (1991). Los lenguajes de indizacin: Concepcin, construccin y

utilizacin en los sistemas documentales. Madrid: Fundacin Germn Snchez
Ruiperez.
SMIT, J.W. (1974). Anlise semntica e anlise documentria. Revista Brasileira

de Semitica, 1, p. 168-176.
SOERGEL, D. (1994). Indexing and retrieval performance: the logical evidence.

Journal of the American Society for Information Science, 45, 8, p. 589-599.
SPARCK JONES, K. (1972). A statistical interpretation of term specificity and its
application in retrieval. Journal of Documentation, 28, p. 11-21.
SPARCK JONES, K. (1973). Does indexing exhaustivity matter. Journal of the

American Society for Information Science, 24, 5, p. 313-316.
Bibliografa/
188
SPARCK JONES, K., KAY, M. (1973). Linguistics and information science. New
York: Academic Press.
SPARCK JONES, K. (1986). Getting started in computerized indexing. The Indexer,

15, 1, p. 12.
SPEIGHT, F.Y. (1967). Guide for source indexing and abstracting of the engineering
literature. New York: EJC.
STEVENS, M.E. (1965). Automatic indexing: a state of the art report, Monograph 91,
National Bureau of Standars, Washington, D.C.
STRODE, M. S.. (1977). Automatic indexing using a thesaurus. The University of

Nort Carolina at Chapel.
SVENONIUS, E. (1972). An experiment in index term frequency. Journal of the

American Society for Information Science, 23, 2, p. 109-121.
TESAURO EUROVOC. (1995). Luxemburgo: Oficina de Publicaciones Oficiales de

las Comunidades Europeas.
TESAURO SPINES. (1988). MADRID: Instituto de Informacin y Documentacin en

Ciencia y Tecnologa.
THEORY of subject analysis: a sourcebook. (1985). Mai Chan, P.A. Richmond y E.

Svenonius (eds.). Littleton: Libraries Unlimited.
TONTA, Y. (1991). A study of indexing consistency between Library of Congress
and British Library cataloguers. Library Resources and Technical Services, 35, 2, p.
177-185.
Bibliografa/
189
UNESCO: Principes d'indexation. (1975). Paris: Unesco.
VALLE BRACERO, A., FERNNDEZ GARCA, J.A. (1983). Automatizacin de la

indizacin y coordinacin de descriptores. Revista Espaola de Documentacin
Cientfica, 6, 1, p. 9-16.
VERA LUJN, A. Fundamentos de anlisis sintctico: De la palabra al texto. Murcia:

Universidad, 1994.
VERDEJO MAILLO, M.F. (1994). Comprensin del lenguaje natural: Avances,

aplicaciones y tendencias. Procesamiento del lenguaje natural: Fundamentos y
aplicaciones, p. 5-29.
WALKER, D.E. (1981). The organization and use of information: contributions of

Information Science, Computational Linguistics and Artificial Intelligence. Journal of
the American Society for Information Science, september, p. 347-363.
WAN, T. (1995). Experiments with automatic indexing and a relational thesaurus in a

chinese information retrieval system. Illinois Institute of Technology.
WARD, M. The future of the human indexer. Journal of Librarianship and

Information Science, 28, 4, 1996, p. 217-225.
WARNER, A.J. (1991). Quantitative and Qualitative Assessments of the impact of

Linguistic Theory on Information Science. Journal of the American Society for
WEINBERG, B.H. (1981). Word frequency and automatic indexing. Columbia

University.
Bibliografa/
190
WELLISCH, H.H. (1992). The art of indexing and some fallacies of its automation.
Logos, 3, 2, p. 69-76.
WONG, S.K.M., YAO, Y.Y. (1992). An information-theoretic measure of term

specificity. Journal of the American Society for Information Science, 43, 1, p. 54-61.
WOODRUFF, A. C. PLAUNT. (1994). GIPSY: Automated geographic
of text
documents. Journal of the American Society for Information Science, 45, 9, p. 645655.
WU, H., SALTON, G. (1981). A comparison of search term weighting: term

relevance vs. inverse document frequency. Proceedings of the Fouth ACM SIGIR
Conference on Research and Development in Information Retrieval, ACM SIGIR
Forum, VXI, p. 30-39.
XIVRY, O. (1993). Le traitement de l'information textuelle utilisation du systeme

"SPIRIT": (Systme Probabiliste d'indexation et de Recherche d'Informations
Textuelles). Cahiers de la Documentacion, 1, p. 15-23.
YU, C.T., SALTON, G. (1976). Precision weighting an effective automatic indexing

method. Journal of the Association for Computting Machinery, 23, p. 76-88.
ZIPF, G.Z. (1949). Human behavior and the principle of least effort. Massachussets.
ZUNDE, P., DEXTER, M.E. (1969). Indexing consistency and quality. American
Documentation, july, p. 259-267.
Anexos/
191
Anexo 1: Glosario*
lgebra booleana: Sistema matemtico de funciones lgicas utilizado en la
recuperacin de la informacin que relaciona entre s los trminos por medio de
los operadores AND (Y), OR (O) y NOT (NO).
Algoritmo: Proceso definido o conjunto de reglas secuenciales y preestablecidas
para la resolucin de un problema, especficamente en un ordenador.
Almacenamiento de la informacin: Proceso de introducir datos en un fichero
para su retencin temporal o permanente y su posterior recuperacin.
Anlisis de contenido [documental]: Conjunto de procedimientos encaminados
a analizar el contenido de un documento para obtener y representar su estructura
cognitiva.
Anlisis documental: Fase del proceso documental que tiene por objeto el
control y representacin abreviada de los datos formales y de contenido de un
documento.
Catlogo: Lista ordenada de los asientos bibliogrficos de una coleccin.
Centro de documentacin: Organismo que asume las funciones de seleccin,
tratamiento y difusin de la informacin a distintos niveles.
Clasificacin: Lenguaje documental basado en la representacin estructurada de
uno o varios dominios del conocimiento en clases en las que las nociones y sus
relaciones son representadas por una notacin.
Coeficiente de exhaustividad en la recuperacin: Coeficiente resultante entre
el nmero de documentos relevantes recuperados y el nmero total de
documentos relevantes en la coleccin.
Coeficiente de precisin en la recuperacin: Coeficiente entre los documentos
relevantes recuperados de un sistema, segn los criterios de un usuario o cliente,
y el nmero total de documentos recuperados.
Consistencia: grado de coincidencia en la representacin de la informacin
esencial de un documento por medio de trminos de indizacin entre varios
indizadores o entre un indizador y un sistema semiautomtico o automtico.
Cuasisinnimo: Aquellos trminos en los que la significacin es generalmente
diferente en el uso normal de dicho trmino, pero que se puede considerar como
sinnimos para las necesidades particulares de la indizacin.
*
Para la definicin de algunos trminos se ha utilizado Guinchat y Menou [1983], Richter [1988],
Pinto Molina [1993], Amat [1994] y Gil Urdiciain [1996].
Anexos/
192
Descriptor: Palabra o frase en lenguaje natural o controlado que representa el

contenido de un documento o una pregunta utilizada en el almacenamiento y la
recuperacin de la informacin.
Descriptor principal: Refleja los conceptos esenciales del documento.
Descriptor secundario: Refleja conceptos accesorios o vagos del documento.
Son tiles en combinacin con los descriptores principales.
Diacrnico: Inscrito en el tiempo y de manera general unido a una evolucin o a
una historia.
Difusin de la informacin: Transmitir al usuario o al cliente la informacin que
necesita o darle la opcin de que la obtenga.
Documento: Unidad material o virtual de conservacin y transmisin de
informacin.
Encabezamiento de materia: Una o varias palabras que representan conceptos.
Condensa el tema sobre el que trata un documento.
Encabezamiento compuesto: Uso de dos o ms trminos para expresar el tema
de un documento.
Entropa documental: Principio de economa de lenguaje en virtud del cual debe
expresarse la mayor cantidad de informacin con el mnimo nmero de palabras.
Identificadores: Palabras o frases clave muy especficas que se sacan del texto
como nombres de universidades, acrnimos, nombres de empresas, hospitales
as como ros, ciudades o pases.
ndice: Serie ordenada de puntos de acceso o entradas que conducen desde la
informacin conocida por el usuario a otra desconocida.
ndice KWIC: ndice generado por ordenador, en el que han sido permutadas
todas las palabras clave del ttulo de un documento, con un nmero limitado de
caracteres, para presentarlas ordenadas alfabticamente de manera que cada
una de ellas aparezca como un punto de acceso.
Indizacin: Operacin documental dirigida a representar por medio de un
lenguaje documental o natural los datos resultantes del anlisis del contenido de
un documento o de una demanda de informacin.
Indizacin postcoordinada: La combinacin de trminos de indizacin
representativos del contenido de los documentos, se lleva a cabo en el momento
de la bsqueda.
Anexos/
193
Indizacin precoordinada: Sistema que combina los diferentes conceptos (por

tanto, trminos de indizacin) que contiene un documento en el momento de la
indizacin, esto es, antes de su almacenamiento.
Informacin: Mensaje que es transmitido por el emisor al receptor con ayuda de
seales durante la comunicacin.
Lenguaje controlado: Lxico construido con la ayuda de un conjunto de reglas,
que puede unvoca y limitadamente, representar el contenido de documentos y
demandas de informacin.
Lenguaje documental: Conjunto de trminos normalizados y controlados
vinculados entre s a travs de una sintaxis especfica para expresar cmo deben
utilizarse los trminos en la fase de anlisis o para explicitar sus relaciones de
sinonimia, jerarqua, proximidad temtica o antonimia. Son herramientas
empleadas en la indizacin de los documentos (almacenamiento) y para la
indizacin de las preguntas (recuperacin).
Lenguaje jerrquico: Sigue un orden lgico para agrupar y aproximar los
conceptos ms especficos dentro de los conceptos ms generales.
Lenguaje libre: Lxico en lenguaje natural, entresacado del documento y no
manipulado por el documentalista.
Nota de aplicacin o de alcance: Precisan el sentido de un descriptor y
determinan su uso en las labores de indizacin.
No descriptor: Palabra o frase en lenguaje natural o controlado no utilizada para
representar el contenido de un documento o una pregunta que remite al
descriptor.
Palabra clave: Palabra o grupo de palabras seleccionadas bien del ttulo, del
resumen o del texto de un documento, o bien de una demanda documental, para
caracterizar el contenido de dicho documento o demanda.
Palabra vaca: Palabra que no transmite informacin respecto al contenido de un
documento.
PRECIS: Sistema de indizacin desarrollado por la Bibliografa Nacional Britnica,
en el que una serie de descriptores asignados por un indizador es manipulada por
un ordenador en diversas combinaciones segn un sistema de operadores de
relacin.
Procesamiento de la informacin: Paradigma de la psicologa cognitiva cuyo
rasgo ms caracterstico es la consideracin de la mente humana como un
sistema activo capaz de manipular smbolos.
Anexos/
194
Proceso documental: Conjunto de operaciones sucesivas de recogida,

tratamiento y difusin de documentos e informaciones.
Recuperacin de la informacin: Procedimiento para localizar o recuperar y
facilitar informacin que ha sido solicitada y que trata de un tema especfico.
Referencia bibliogrfica: Conjunto de elementos aparentes y convencionales
que posibilitan la identificacin precisa y formal de un documento.
Resumen: Producto secundario resultante del complejo operativo de resumir, y
consiste en la representacin abreviada de la macroestructura global del texto
original.
Ruido documental: Datos obtenidos en la recuperacin que sobrepasan en
profundidad, superficialidad o extensin los estrictamente solicitados.
Servicios de indizacin y resumen: Servicios secundarios encargados de la
elaboracin y difusin de boletines de ndices y revistas de resmenes.
Servicios secundarios: Servicios de actualizacin bibliogrfica que suministran
acceso rpido a la literatura primaria publicada y analizada.
Silencio documental: Datos solicitados al sistema en el mdulo de bsqueda
pero no obtenidos, an existiendo, debido a distorsin en el proceso.
Sinnimo: Trmino que tiene el mismo sentido que otro, siendo prcticamente
intercambiables.
Subencabezamiento de materia: Palabra o palabras que siguen a un
encabezamiento para formar un encabezamiento compuesto.
Terminologa: Conjunto organizado de trminos en un dominio especializado, en
el que los significados han sido explicados o definidos.
Trmino de indizacin: Palabra, frase o cualquier otra representacin alfabtica
o numrica que indique el contenido de los documentos.
Trmino no preferente: palabra clave no utilizada para representar el contenido
de un documento o pregunta que remite al descriptor.
Trmino preferente: Cada una de las palabras clave significativas que expresan
y representan el contenido de un documento.
Tesauro: Lenguaje documental controlado que basa las relaciones entre sus
trminos en los operadores de jerarqua, definitorios, preferenciales y asociativos.
Unitrmino:
Descriptor
constituido
por
una
nica
palabra.
Anexos/
Anexo 2: Definiciones sobre Indizacin

DEFINICIONES
AUTOR/ES
Caracterizar determinado tema de informacin

mediante
el
recurso
de
vincularlo
coherentemente con una palabra clave o una
frase clave.
Silva [1972, p. 18]*
Extraer de un documento o contexto conceptos,

palabras o temas.
Couture de
Troismonts
[1975, p. 58]*
Describir y caracterizar un documento con la

ayuda de representaciones de los conceptos
contenidos en dicho documento para permitir
una bsqueda eficaz de las informaciones
contenidas en un fondo documental.
UNESCO [1975,
p. 2]**
Analizar el contenido informacional de los

registros del conocimiento y expresar el
contenido informacional en el lenguaje del
sistema de indizacin.
Borko y Bernier
[1978, p. 8]
Analizar los documentos y aislar, en la riqueza

del lenguaje natural empleado por los autores,
todos los conceptos esenciales o pertinentes que
deben ser retenidos en previsin de bsquedas
posteriores.
Neet [1981, p. 9]**
Extraer de un documento original o de su

resumen
unos
vocablos
especialmente
expresivos y con una enorme carga informativa.
Coll-Vinent [1982,
p. 88]
Escoger los trminos ms apropiados para

representar el contenido de un documento.
Guinchat y Menou
[1983, p. 177]
Describir
*
**
el
contenido
de
documentos
Citado por Garca Gutirrez [1984, p. 104].

Citado por Pinto Molina [1993, 208].
Garca Gutirrez
195
Anexos/
demandas documentales para posibilitar la

elaboracin de estrategias de recuperacin
mediante conceptos o materias.
[1984, p. 105]
Caracterizar determinado tema de informacin

mediante
el
recurso
de
vincularlo
coherentemente con una palabra-clave o una
frase-clave.
Coll-Vinent [1988,
p. 99]
Extraer de un documento original o de su

resumen
unos
vocablos
especialmente
expresivos y con enorme carga informativa -las
palabras clave-, muy indicativos del contenido
esencial del documento indizado.
Coll-Vinent [1990,
p. 133]
Representar el resultado del anlisis de un

documento por medio de un lenguaje de
indizacin natural o controlado.
Wellisch [1991]1
El AD que tiene por objetivo la recuperacin del

documento mediante la representacin de los
trazos descriptivos de su contenido mediante
trminos, sintagmas u otras unidades discretas
se denomina tradicionalmente indizacin.
1 Citado por Fidel [1994, p. 572].
Garca Gutirrez
[1992, p. 31]
196
Anexos/
Anexo 3: Etapas en la Indizacin

ETAPAS
- a) reconocimiento y extraccin de
conceptos informativos, y b) traduccin de
esos conceptos al lenguaje documental.
Dos
etapas
:
Tres
etapas
:
- a) anlisis del contenido que resulta en la

seleccin
de
los
conceptos
para
representar el documento, y b) traduccin
de los conceptos seleccionados al lenguaje
de indizacin utilizado por el sistema de
informacin o base de datos.
- a) Examinar el documento y establecer

los contenidos de la materia, b) identificar
los conceptos principales del tema o de los
documentos, y c) traducir los conceptos o
trminos seleccionados en trminos del
lenguaje de indizacin.
a)
examen
del
documento
y
determinacin de su contenido, b)
identificacin y seleccin de los conceptos
principales de su contenido, y c) seleccin
de los trminos de indizacin.
-a) conocimiento del contenido conceptual

del documento, b) extraccin de los
conceptos en lenguaje natural, c)
traduccin de esos conceptos al lenguaje
documental, y d) bsqueda de otros
conceptos pertinentes no expresados por el
autor.
Cuatro
etapas
:
- a) toma de contacto con el documento, b)

identificacin de los conceptos explcitos e
implcitos del documento c) traduccin de
los conceptos expresados en lenguaje
AUTOR/ES
Chaumier
[1988,
p.23]
Fidel [1994,
p. 573]
Amat [1989,
p. 177]
UNE 50121-91
[p. 155]
Dijk y Slype
[1972,
p. 105]
[Slype,
1992,
p. 116]
197
Anexos/
natural a descriptores, y d) establecimiento

de
enlaces
sintcticos
entre
los
descriptores.
Cinco
o ms
etapas
:
- a) revisin de los objetivos de esta

operacin, si se considera necesario, b)
conocimiento previo del documento, c)
determinacin de su tema principal, d)
identificacin de los elementos del
contenido que deben describirse y la
extraccin
de
los
trminos
correspondientes, e) verificacin de la
pertinencia de los trminos elegidos, f)
traduccin de los trminos del lenguaje
natural a los trminos correspondientes del
lenguaje documental, si procede, g)
verificacin de la pertinencia de esta
descripcin, y h) formalizacin de la
descripcin cuando el sistema prev reglas
especiales de presentacin o de escritura.
- a) registros de los datos bibliogrficos, b)

anlisis del contenido de los documentos a
partir del ttulo, resumen y texto completo,
c) determinacin de los temas, d)
conversin de los conceptos extrados al
lenguaje de indizacin, y e) reexaminacin
de la indizacin.
Guinchat y
Menou
[1983,
p. 179]
Cleveland y
Cleveland
[1990,
p. 104]
198
Anexos/
199
Anexo 4: Proceso ntegro de la Indizacin
AUTOR
DOCUMENTO
EXTRACIN
Y ASIGNACIN
DE LOS
CONCEPTOS
HERRAMIENTA
DE
CONVERSIN
INDIZACIN DE LOS DOCUMENTOS

ORIENTADA A LA PREGUNTA
DESCRIPTO
R
BASE
DE
DATOS
RESPUESTA
HERRAMIENTA
DE
CONVERSIN
DESCRIPTO
R
EXTRACCIN
Y ASIGNACIN
DE LOS
CONCEPTOS
INDIZACIN DE LAS PREGUNTAS

ORIENTADA AL DOCUMENTO
USUARIO
INTERROGACIN
Anexos/
Anexo 5: Palabras vacas

1. A
2. ABAJO
3. ACASO
4. ACUERDO
5. ADELANTE
6. ADEMS
7. ADENTRO
8. ADNDE
9. AFUERA
10.AH
11.AHORA
12.AL
13.ALGO
14.ALGN
15.ALGUNA
16.ALGUNAS
17.ALGUNO
18.ALGUNOS
19.ALREDEDOR
20.ALL
21.AMBAS
22.AMBOS
23.AMPLIAMENTE
24.ANTE
25.ANTES
26.APENAS
27.AQUEL
28.AQUELLA
29.AQUELLAS
30.AQUELLO
31.AQUELLOS
32.AQU
33.ARRIBA
34.AS
35.ASIMISMO
36.ATRS
37.AUN
38.AUNQUE
39.BAJO
40.BASTANTE
41.BASTANTES
42.BIEN
43.BUSCA
44.CADA
45.CAMBIO
46.CASI
47.CAUSA
48.CERCA
49.CERO
50.CIERTA
51.CIERTAMENTE
52.CIERTAS
53.CIERTO
54.CIERTOS
55.CINCO
56.COMO
57.COMPAA
58.CON
59.CONDICIN
60.CONFORME
61.CONSIGUIENTE
62.CONTRA
63.CONTRARIO
64.CUAL
65.CUALES
66.CUALESQUIERA
67.CUALQUIER
68.CUALQUIERA
69.CUN
70.CUANDO
71.CUANTA
72.CUANTAS
73.CUANTO
74.CUANTOS
75.CUARTO
76.CUATRO
77.CUYA
78.CUYAS
79.CUYO
80.CUYOS
81.DE
82.DEBAJO
83.DEL
84.DELANTE
85.DEMASIADA
86.DEMASIADAS
87.DEMASIADO
88.DEMASIADOS
89.DENTRO
90.DESDE
91.DESPUS
92.DETRS
93.DIEZ
94.DOBLE
95.DNDE
96.DOS
97.DURANTE
98.E
99.EFECTO
100.EL
101.ELLA
102.ELLO
103.ELLOS
104.EMBARGO
105.EN
106.ENCIMA
107.ENSEGUIDA
108.ENTONCES
109.ENTRE
110.ES
111.ESA
112.ESAS
113.ESE
114.ESO
115.ESOS
116.ESTA
117.ESTAN
118.ESTAS
119.ESTE
120.ESTO
121.ESTOS
122.EXCEPTO
123.FAVOR
124.FIN
125.FRENTE
126.FUERA
127.GRACIAS
128.HACIA
129.HASTA
130.HAY
131.HOY
132.INCLUSIVE
133.INCLUSO
134.JAMS
135.JUNTO
136.LA
137.LADO
138.LAS
139.LE
140.LEJOS
141.LES
142.LO
143.LOS
144.LUEGO
145.LUGAR
146.MAL
147.MANERA
200
Anexos/
148.MAANA
149.MAS
150.MEDIANTE
151.MEDIO
152.MEJOR
153.MENOS
154.MENUDO
155.MERCED
156.MI
157.MIENTRAS
158.MISMO
159.MITAD
160.MODO
161.MOMENTO
162.MOTIVO
163.MUCHA
164.MUCHAS
165.MUCHO
166.MUCHOS
167.MUY
168.NADA
169.NADIE
170.NI
171.NINGN
172.NINGUNA
173.NINGUNAS
174.NINGUNO
175.NINGUNOS
176.NOS
177.NOSOTROS
178.NUESTRO
179.NUESTROS
180.NUEVAMEN-TE
181.NUEVE
182.NUNCA
183.O
184.OBSTANTE
185.OCHO
186.OTRA
187.OTRAS
188.OTRO
189.OTROS
190.PARA
191.PARTE
192.PASO
193.PENA
194.PEOR
195.PERO
196.PESAR
197.POCA
198.POCAS
199.POCO
200.POCOS
201.POR
202.PORQUE
203.POSTERIORI
204.PRETEXTO
205.PRIMER
206.PRIMERA
207.PRIMERAS
208.PRIMEROS
209.PRINCIPALMENTE
210.PRIORI
211.PRONTO
212.PUES
213.PUESTO
214.PUNTO
215.QUE
216.QUIEN
217.QUIENES
218.QUINTO
219.QUIZ
220.REGULAR
221.RESPECTO
222.SALVO
223.SE
224.SEA
225.SEGN
226.SEGUNDO
227.SEIS
228.SENDAS
229.SENDOS
230.SI
231.SIEMPRE
232.SIETE
233.SIN
234.SINO
235.SO
236.SOBRE
237.SOLAMENTE
238.SOLO
239.SON
240.SU
241.SUS
242.SUYO
243.TAL
244.TALES
245.TAMBIN
246.TAMPOCO
247.TANTA
248.TANTAS
249.TANTO
250.TANTOS
251.TARDE
252.TEMPRANO
253.TERCERO
254.TERCIO
255.TODA
256.TODAS
257.TODAVA
258.TODO
259.TODOS
260.TRAS
261.TRES
262.U
263.UN
264.UNA
265.UNAS
266.UNO
267.UNOS
268.VARIAS
269.VARIOS
270.VECES
271.VEZ
272.Y
273.YA
201
Anexos/
ANEXO 7: ndices de consistencia resultantes

ARTCULO 3
AUTOMTICO

MANUAL
1.
2.
3.
4.
5.
6.
7.
8.
1.
2.
3.
4.
5.
6.
7.
SISTEMAS DE INFORMACIN
LIBROS ELECTRONICOS
CD-ROM
DISEO
METODOLOGIA
FASES
COSTES
AUTORES
LIBROS ELECTRONICOS
CD-ROM
DISEO
PROPIEDAD INTELECTUAL
TECNOLOGIA
ANALISIS
PROBLEMATICA
3
7+83
ARTCULO 4
AUTOMTICO

MANUAL
1. SISTEMAS DE INFORMACION
2. USUARIOS
1.
2.
3.
4.
5.
6.
7.
8.
ORGANIZACIONES
TRABAJO EN GRUPO
SISTEMA DE INFORMACION
PARTICIPACION EN GRUPO
USUARIOS
PRODUCTIVIDAD CIENTIFICA
NECESIDAD DE INFORMACION
DIFUSION DE LA INFORMACIO
2
8+22
ARTCULO 5
AUTOMTICO

MANUAL
1.
2.
3.
4.
5.
1.
2.
3.
4.
PROFESIONALES DE LA INFORMACION
SERVICIOS DE INFORMACION
CALIDAD
USUARIOS
ARTICULOS
0
C i = = 0 = 0% de consistencia
5 + 5 0
INFORMACION
DOCUMENTACION
PROFESIONALES
RESPONSABILIDAD
PROFESIONAL
5. DEONTOLOGIA
202
Anexos/
ARTCULO 6
AUTOMTICO

MANUAL
1. BASES DE DATOS
2. DICCIONARIOS
1.
2.
3.
4.
5.
6.
BASES DE DATOS
REGISTROS BIBLIOGRAFICOS
ORTOGRAFIA
GRABACION DE DATOS
CONTROL DE CALIDAD
EVALUACION
1
C i = = 0,1428 = 14,28 % de consistencia
6+21
ARTCULO 7
AUTOMTICO

MANUAL
1. BIBLIOTECAS
2. DEMANDA DE INFORMACION
3. EVALUACION
1. BIBLIOTECAS
2. INFORMATIZACION
3. SISTEMAS
DE
GESTION
DOCUMENTAL
4. EVALUACION
5. CAMBIO TECNOLOGICO
6. AGENTES DEL CAMBIO
7. NECESIDADES
8. ESPECIFICACIONES
9. PLAN ESTRATEGICO
2
9+32
ARTCULO 8
AUTOMTICO

MANUAL
1. RECUPERACION DE INFORMACION
2. CATALOGOS
3. ORDENADORES
4. CATALOGOS AUTOMATIZADOS
5. ASIENTOS BIBLIOGRAFICOS
6. IFLA
7. ISO
8. LIBRARY OF CONGRESS
9. BRITISH LIBRARY
10. AMERICAN LIBRARY ASSOCIATION
11. BIBLIOGRAFIA
1.
2.
3.
4.
5.
6.
7.
8.
CATALOGOS
REGISTROS BIBLIOGRAFICOS
NORMAS
CATALOGOS AUTOMATIZADOS
REGLAS DE CATALOGACION
ORDENACION
MANTENIMIENTO
LIBRARY ASSOCIATION
3
8 + 11 3
203
Anexos/
ARTCULO 9
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
6.
7.
8.
1. SUMINISTRO DE DOCUMENTOS
2. ACCESO AL DOCUMENTO
3. SERVICIOS DE INFORMACION
ELECTRONICA
4. SERVICIOS DE ALERTA
5. PUBLICACIONES PERIODICAS
6. INDUSTRIA EDITORIAL
7. INDUSTRIA DE LA INFORMACION
8. PROVEEDORES
9. REDES DE COMUNICACIONES
REDES DE COMUNICACIONES
SISTEMAS DE INFORMACION
PUBLICACIONES PERIODICAS
ARTICULOS
DEMANDA DE INFORMACION
SUMINISTRO DE DOCUMENTOS
ALERTA INFORMATIVA
PRODUCTOS
4
9+84
ARTCULO 10
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
6.
7.
8.
9.
1.
2.
3.
4.
5.
6.
7.
MERCADO DE TRABAJO
OFERTAS DE EMPLEO
DIARIOS
DOCUMENTACION
BIBLIOTECONOMIA
ARCHIVISTICA
DOCUMENTALISTAS
BIBLIOTECARIOS
ARCHIVEROS
6
7+96
DOCUMENTALISTAS
BIBLIOTECARIOS
ARCHIVEROS
OFERTA DE EMPLEO
MERCADO DE TRABAJO
DIARIOS
REQUISITOS PROFESIONALES
204
Anexos/
ARTCULO 11
AUTOMATICO

MANUAL
1. LENGUAJES DOCUMENTALES
2. ANALISIS DE CONTENIDO
DOCUMENTALES
4. INFORMACION Y DOCUMENTACION
5. PRODUCCION BIBLIOGRAFICA
6. ARTICULOS
7. AUTORES
8. CENTROS DE INVESTIGACION
9. CDU
10. TESAUROS
11. RESUMENES
12. CINDOC
1. LENGUAJES DOCUMENTALES
2. ANALISIS
DE
CONTENIDO
DOCUMENTAL
4. INFORMACION
5. DOCUMENTACION
6. ANALISIS BIBLIOMETRICO
4
7 + 12 4
ARTCULO 12
AUTOMATICO

MANUAL
1. BIBLIOTECAS
2. COOPERACION BIBLIOTECARIA
1. BIBLIOTECAS
2. COOPERACION CIENTIFICA
3. PROGRAMAS EUROPEOS DE
COOPERACION
4. TECNOLOGIAS
DE
LA
INFORMACION
5. PROYECTOS DE INVESTIGACION
6. PARTICIPACION
1
C i = = 0,1428 = 14,28% de consistencia
6 + 2 1
205
Anexos/
ARTCULO 13
AUTOMATICO

MANUAL
1.
2.
3.
4.
1.
2.
3.
4.
BIBLIOTECAS
TARIFAS
COSTES
ACCESO AL DOCUMENTO
TARIFAS
TRANSFERENCIA
DE
LA
INFORMACION
5. PRECIOS
6. FOTOCOPIAS
7. DERECHOS DE AUTOR
3
7 + 4 3
ARTCULO 14
AUTOMATICO

MANUAL
1. BASES DE DATOS
2. DIRECTORIOS
1. BASES DE DATOS
2. DIRECTORIOS
3. ESPECIALIZACION
2
3 + 2 2
ARTCULO 15
AUTOMATICO

MANUAL
1. CENTROS DE DOCUMENTACION
2. BIBLIOTECAS
3. GESTION DE LA CALIDAD
1.
2.
3.
4.
5.
6.
7.
2
C i = = 0,25 = 25 % de consistencia
7 + 3 2
BIBLIOTECAS
CENTROS DE DOCUMENTACION
GESTION
CALIDAD TOTAL
INDICADORES
PROBLEMATICA
MEJORA
206
Anexos/
ARTCULO 16
AUTOMATICO

MANUAL
1.
2.
3.
4.
1.
2.
3.
4.
CONTROL DE CALIDAD
COSTES
USUARIOS
ANALISIS COSTE-BENEFICIO
CALIDAD
PRECIOS
1
4 + 4 1
ARTCULO 17
AUTOMATICO

MANUAL
1. SISTEMA DE INFORMACION
2. NECESIDAD DE INFORMACION
3. DOCUMENTOS
1.
2.
3.
4.
5.
6.
7.
SISTEMA DE INFORMACION
CONCEPTUALIZACION
MODELO
PROPOSICIONES
DOCUMENTACION
TEORIA GENERAL DE SISTEMAS
RECUPERACION
DE
LA
INFORMACION
1
7 + 3 1
ARTCULO 18
AUTOMATICO

MANUAL
1. CATALOGO COLECTIVO
2. PUBLICACIONES SERIADA
1.
2.
3.
4.
5.
6.
7.
MEDICINA
CATALOGOS COLECTIVOS
DEMANDA DE INFORMACION
EVALUACION
INDICADORES
1
7 + 2 1
207
Anexos/
ARTCULO 19
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
1.
2.
3.
4.
5.
6.
INVESTIGACION HISTORICA
ANALISIS DE DATOS
ISOC
AUTORES
FRANQUISMO
PRODUCCION BIBLIOGRAFICA
HISTORIOGRAFIA
BASES DE DATOS
ANALISIS BIBLIOMETRICO
1
6 + 5 1
ARTCULO 20
AUTOMATICO

MANUAL
1. CONCEPTOS
2. DOCUMENTACION
1.
2.
3.
4.
5.
INFORMACION
CONCEPTOS
PARADIGMA
COGNICION
TEORICA DE LA INFORMACION
1
5 + 2 1
ARTCULO 21
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
6.
7.
8.
9.
1.
2.
3.
4.
5.
6.
7.
BIBLIOTECAS ESPECIALIZADAS
COLECCIONES
BIOMEDICINA
BASES DE DATOS
CD-ROM
METOLOGIA
TITULOS
6
7+96
BIOMEDICINA
BIBLIOTECAS ESPECIALIZADAS
COLECCIONES
BASES DE DATOS
ANALISIS COMPARATIVO
208
Anexos/
ARTCULO 22
AUTOMATICO

MANUAL
2. FISICA
1.
2.
3.
4.
5.
6.
7.
8.
9.
FISICA
PRODUCCION CIENTIFICA
ACTIVIDAD CIENTIFICA
ANALISIS DE CITAS
AUTORES
INSTITUCIONES
REVISTAS CIENTIFICAS
ESTUDIO DE CASO
1
9+21
ARTCULO 23
AUTOMATICO

MANUAL
1. SERVICIOS DE INFORMACION
2. UNIDADES DE INFORMACION
3. REDES DE COMUNICACION
4. INTERNET
5. TCP / IP
6. TELNET
7. FTP
8. ARCHIE
9. WAIS
10. GOPHER
11. VERONICA
12. WWW
13. BASES DE DATOS
14. OPAC
15. RECURSOS DE INFORMACION
17. BIBLIOTECAS
18. BIBLIOTECARIOS
19. DOCUMENTALISTAS
20. CONTROL BIBLIOGRAFICO
21. COLECCIONES
22. DOCUMENTOS
1. REDES DE COMUNICACIONES
2. TELEDOCUMENTACION
3. CORREO ELECTRONICO
4. REVISTAS ELECTRONICAS
5. CONFERENCIAS ELECTRONICAS
6. CLIENTE-SERVIDOR
7. BIBLIOTECAS
9. ACCESO A LA INFORMACION
10. ACCESO AL DOCUMENTO
2
10 + 23 1
209
Anexos/
ARTCULO 24
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
6.
7.
8.
1.
2.
3.
4.
5.
6.
7.
UNIVERSIDAD
BIBLIOTECAS
CATALOGACION RETROSPECTIVA
FASES
CLASIFICACION
INDIZACION
BIBLIOGRAFIA
MANUALES
BIBLIOTECAS UNIVERSITARIAS
CONVERSION RETROSPECTIVA
PRECATALOGACION
CAPTURA DE REGISTROS
PROYECTO
FASES
EVALUACION
1
7+81
ARTCULO 25
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
6.
7.
8.
1.
2.
3.
4.
5.
6.
7.
8.
9.
BIBLIOTECAS
CSIC
METODOLOGIA
INFORMATICOS
FICHEROS
MANUALES
BIBLIOTECAS
INFORMATIZACION
REDES DE BIBLIOTECAS
EMPRESAS DE SERVICIOS
FASES
EVALUACION
METODOLOGIA
COSTES
3
9 + 8 3
210
Anexos/
ARTCULO 26
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
1.
2.
3.
4.
5.
6.
UNIVERSIDAD
BASES DE DATOS
ICYT
QUIMICA
UNIVERSIDAD
PRODUCCION CIENTIFICA
QUIMICA
PUBLICACIONES CIENTIFICAS
ESTUDIO COMPARATIVO
2
6 + 5 2
ARTCULO 27
AUTOMATICO

MANUAL
1.
2.
3.
4.
1.
2.
3.
4.
5.
INTERNET
USUARIOS
HIPERTEXTO
TELNET
REDES DE INFORMACION
REDES DE COMUNICACIONES
PROGRAMAS DE ORDENADOR
HIPERTEXTO
FICHEROS INFORMATICOS
1
5 + 4 1
ARTCULO 28
AUTOMATICO

MANUAL
1. FUENTES DE INFORMACION
2. TIPOLOGIA DOCUMENTAL
3. PRODUCTOS
1.
2.
3.
4.
5.
BIOGRAFIA
BIBLIOGRAFIA
FUENTES DE INFORMACION
TIPOLOGIA DOCUMENTAL
EVALUACION
2
5 + 3 2
211
Anexos/
212
Anexos/
ARTCULO 32
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
6.
1.
2.
3.
4.
5.
6.
7.
SISTEMAS BIBLIOTECARIOS
COOPERACION BIBLIOTECARIA
CONTROL BIBLIOTECARIO
TELEDOCUMENTACION
INFORMATICA
PROFESIONALES DE LA
DOCUMENTACION
7. INVESTIGACION Y DESARROLLO
8. BIBLIOTECAS UNIVERSITARIAS
9. SUMINISTRO DE DOCUMENTOS
10. USUARIOS
TELECOMUNICACIONES
REDES DE BIBLIOTECAS
COOPERACION CIENTIFICA
ACCESO A LA INFORMACION
REDES DE TRANSMISION DE
DATOS
8. FINANCIACION
3
8 + 10 3
ARTCULO 33
AUTOMATICO

MANUAL
1. DISCOS OPTICOS
2. CD-ROM
3. EVOLUCION
1.
2.
3.
4.
5.
CD-ROM
EDICION ELECTRONICA
INDUSTRIA EDITORIAL
DATOS HISTORICOS
EVOLUCION
2
5 + 3 2
ARTCULO 34
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
6.
7.
8.
9.
1.
2.
3.
4.
5.
UNIVERSIDAD
REDES DE AREA LOCAL
REDES DE CD-ROM
SOFTWARE
HARDWARE
PRODUCTOS
MERCADO
EVOLUCION
CD-ROM
REDES DE CD-ROM
REDES DE AREA LOCAL
BASES DE DATOS
CD-ROM
ESTUDIO DE CASOS
3
5 + 9 3
213
Anexos/
ARTCULO 35
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
6.
7.
8.
1.
2.
3.
4.
ALERTA INFORMATIVA
FORMACION CONTINUADA
CALIDAD
ENCUESTAS
LECTORES
DOCUMENTOS
ARTICULOS
SALUD
ARTICULOS DE REVISTA
ALERTA INFORMATIVA
REPERTORIOS BIBLIOGRAFICOS
1
4 + 8 1
ARTCULO 36
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
6.
7.
1.
2.
3.
4.
EMPRESAS
UNIVERSIDAD
USUARIOS
ENTREVISTAS
ENCUESTAS
EMPRESAS
CANALES DE INFORMACION
2
4 + 7 2
ARTCULO 37
AUTOMATICO

MANUAL
1.
2.
3.
4.
1.
2.
3.
4.
5.
CIENCIA Y TECNOLOGIA
INVESTIGACION CIENTIFICA
INFORMACION CIENTIFICA
DIFUSION
NORMALIZACION
EVALUACION
2
5 + 4 2
214
Anexos/
ARTCULO 38
AUTOMATICO

MANUAL
1. BASES DE DATOS
1. ARTE
2. BASES DE DATOS
3. LISTA
1
3 + 1 1
ARTCULO 39
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
6.
1.
2.
3.
4.
5.
6.
EVALUACION
TITULOS
SUSCRIPCIONES
CANCELACIONES
COLECCIONES
SUCRIPCION
CANCELACION
EVALUACION
5
6 + 6 5
ARTCULO 40
AUTOMATICO

MANUAL
1.
2.
3.
4.
1.
2.
3.
4.
5.
6.
7.
LINGUISTICA
DOCUMENTACION
PRODUCTOS
INDUSTRIAS DE LA LENGUA
LINGUISTICA
DOCUMENTACION
LENGUA
TRATAMIENTO AUTOMATICO
BIBLIOTECAS
3
7 + 4 3
215
Anexos/
ARTCULO 41
AUTOMATICO

MANUAL
1. SISTEMAS DE GESTION DE BASES DE

DATOS
2. BASES DE DATOS BIBLIOGRAFICAS
3. INFORMACION DE ACTULIDAD
4. TESAUROS
5. ELABORACION DE TESAUROS
6. MANTENIMIENTO DE TESAUROS
7. MICROORDENADORES
8. FICHEROS
9. TERMINOS PREFERENTES
10. TERMINOS NO PREFERENTES
1. SISTEMAS DE GESTION
BASES DE DATOS
2. MICROORDENADORES
3. TESAUROS
4. ELABORACION
5. MANTENIMIENTO
DE
5
C i == 0,5 = 50 % de consistencia
5 + 10 5
ARTCULO 42
AUTOMATICO

MANUAL
1. CIENCIAS SOCIALES
2. CIENCIAS HUMANAS
3. EDUCACION
4. PSICOLOGIA
5. SOCIOLOGIA
6. BIBLIOMETRIA
9. BASES DE DATOS
10. BUSQUEDA BIBLIOGRAFICAS
12. BIBLIOTECONOMIA
14. BIBLIOTECAS
15. ESTADO DE LA CUESTION
16. EVOLUCION
17. AUTORES
18. DOCUMENTOS
1.
2.
3.
4.
5.
6.
7.
CIENCIAS SOCIALES
CIENCIAS HUMANAS
DOCUMENTACION
BIBLIOTECONOMIA
BASES DE DATOS
BIBLIOMETRIA
5
7 + 18 5
216
Anexos/
ARTCULO 43
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
6.
7.
8.
1.
2.
3.
4.
5.
CATALOGOS SISTEMATICOS
BASES DE DATOS BIBLIOGRAFICOS
INFORMACION GEOGRAFICA
INDIZADORES
GEOGRAFIA
TOPONIMOS
DOCUMENTOS
GEOGRAFIA
BASES DE DATOS
TOPONIMOS
CODIFICACION
RECUPERACION
INFORMACION
DE
LA
4
5+84
ARTCULO 44
AUTOMATICO

MANUAL
1. PAISES ARABES
2. INFORMACION CIENTIFICA
4. RECURSOS DE INFORMACION
5. DOCUMENTACION AUTOMATIZADA
6. POLITICA DE INFORMACION
7. NORMALIZACION
8. LENGUAJE
9. SISTEMAS INFORMATICOS
10. ARTICULOS
1.
2.
3.
4.
5.
6.
7.
PAISES EN DESARROLLO
INFORMACION
DOCUMENTACION
POLITICA DE INFORMACION
SISTEMAS DE INFORMACION
PAISES ARABES
2
7 + 10 2
ARTCULO 45
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
6.
7.
1.
2.
3.
4.
5.
6.
7.
TITULOS
AUTORES
4
7+74
BASES DE DATOS
DISTRIBUCION ESPACIAL
AREAS TEMATICAS
217
Anexos/
ARTCULO 46
AUTOMATICO

MANUAL
1.
2.
3.
4.
5.
6.
1.
2.
3.
4.
5.
6.
7.
BASES DE DATOS
DOCUMENTOS
AUTORES
BASES DE DATOS
AREAS TEMATICAS
3
7 + 6 3
ARTCULO 47
AUTOMATICO

MANUAL
1.
2.
3.
4.
1.
2.
3.
4.
INFORMACION AUTOMATIZADA
BASES DE DATOS
INDUSTRIA
CALIDAD
BASES DE DATOS
INDUSTRIA DE LA INFORMACION
TEMATICA
1
4 + 4 1
ARTCULO 48
AUTOMATICO

MANUAL
2. UNIVERSIDAD
3. CIENCIAS SOCIALES
4. CIENCIAS HUMANAS
5. INFORMACION BIBLIOGRAFICA
6. DIFUSION DE LA INFORMACION
7. USUARIOS
8. PRODUCTOS
9. BASES DE DATOS
10. DISCOS OPTICOS
11. INDICES
12. DOCUMENTOS
1.
2.
3.
4.
5.
6.
BIBLIOGRAFIA
CIENCIAS SOCIALES
HUMANIDADES
BASES DE DATOS
5
6 + 12 5
218
Anexos/
ARTCULO 49
AUTOMATICO

MANUAL
2. ARTICULOS
1.
2.
3.
4.
5.
6.
REDES DE INFORMACION
DOCUMENTACION
COOPERACION INTERNACIONAL
DATOS HISTORICOS
PERSPECTIVAS
0
C i = = 0 % de consistencia
6+20
ARTCULO 50
AUTOMATICO
TERMINOS ASIGNADOS DE MODO

MANUAL
1.
2.
3.
4.
5.
6.
7.
8.
1.
2.
3.
4.
INFORMACION Y DOCUMENTACION
BIBLIOTECAS NACIONALES
BIBLIOTECAS
BIBLIOTECARIO
ELABORACION DE BASES DE DATOS
BASES DE DATOS BIBLIOGRAFICAS
OBRAS DE REFERENCIA
2
4 + 8 2
BIBLIOTECAS NACIONALES
COOPERACION INTERNACIONAL
219
ANEXO 8 VOCABULARIO CONTROLADO
Anexos/
220
Anexos/
221
Anexos/
222
Anexos/
223
Anexos/
224
Anexos/
225
Anexos/
226
Anexos/
227
Anexos/
228
Anexos/
229
Anexos/
230
Anexos/
231
Anexos/
232
Anexos/
233
Anexos/
234
Anexos/
235
Anexos/
236
Anexos/
237
Anexos/
238
Anexos/
239
Anexos/
240
Anexos/
241
Anexos/
242
Anexos/
243
Anexos/
244
Anexos/
245
Anexos/
246
Anexos/
247
Anexos/
248
Anexos/
249
Anexos/
250
Anexos/
251
Anexos/
252
Anexos/
253
Anexos/
254
Anexos/
255
Anexos/
256
Anexos/
257
Anexos/
258
Anexos/
259
Anexos/
260
Anexos/
261
Anexos/
262
Anexos/
263
Anexos/
264
Anexos/
265
Anexos/
266
Anexos/
267
Anexos/
268

Gil Leiva

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Gil Leiva

Transféré par

Droits d'auteur :

Formats disponibles

Gil Leiva, Isidoro

A mis padres por su

Tambin doy las gracias a Yolanda,

Juani, Pepita y Antonio por su

Finalmente, agradezco a los doctores Rodrguez Muoz y Vera Lujn la direccin de

Has de saber que esta vida es

Biblioteconoma y Documentacin constituido por cuatro mdulos. En los tres

1.- LA INDIZACIN ................................................................................. 14

1.6.1.4. Los tesauros................................................................... 48

2.- LA AUTOMATIZACIN DE LA INDIZACIN .................................... 53

3.2.1. Los antecedentes de estos estudios ................................... 101

2. THE AUTOMATIZATION OF INDEXING............................................. 53

3.4. Proposal for the automatization of indexing.................................... 115

programa TCNICAS Y MTODOS ACTUALES EN INFORMACIN Y DOCUMENTACIN2,

ocurridos, y para ello, dispone de las bases de datos. Para el

arranca desde nuestra etapa como alumno de la Escuela de Biblioteconoma y

Por ltimo, tambin hay carencias en cuanto a propuestas dirigidas a la

Revista Espaola de Documentacin Cientfica

Journal of Information Science

investigacin. En primer lugar, un ensayo sobre la indizacin en diferentes Bases de

ANEXO 8: Vocabulario controlado sobre Biblioteconoma y Documentacin

En este primer captulo se revisan los principales

suministrar una representacin del documento que lo describa de forma

tienen un objetivo principal: la difusin de la informacin. La razn de ser de estas

Figura 1. Extraccin de trminos explcitos

As como la asignacin de los conceptos implcitos en los textos (fig. 2).

Figura 2. Asignacin de trminos implcitos

Por tanto, el subproceso de la indizacin de los documentos queda del siguiente

seleccin, asignacin y conversin) cmo solicitara un usuario ese documento, es

lenguaje natural, o su conversin a un lenguaje normalizado y controlado

el mximo contacto entre los productores de las bases de datos y aquellos

1.3 LAS CARACTERSTICAS DE LA INDIZACIN.

En la Unidad de informacin B el nmero de descriptores asignados a cada

Cuantos ms descriptores sean asignados a un documento, mayores sern

1.3.4 La consistencia de la indizacin.

Precisamente en la norma UNE 50-121-91 se utiliza indistintamente el trmino coherencia y

indizacin. En el trabajo de Zunde y Dexter se muestra una revisin de los trabajos

Como se ha podido observar cada investigador llega a porcentajes diferentes. No

RESULTADO DE LA RESPUESTA DOCUMENTAL.

interrogar una base de datos. Estos descriptores se emplean solos o combinados

Buscar: BASES DE DATOS

Por el contrario denominamos respuesta positiva cuando el resultado es 1. Del

Buscar: LINGSTICA COMPUTACIONAL

Una bsqueda perfecta es cuando se recuperan todos los documentos contenidos

N de documentos pertinentes recuperados

Los cocientes de exhaustividad y precisin de una respuesta documental son

1.5 LOS SISTEMAS DE INDIZACIN.

indizacin y para la recuperacin. De ah el desarrollo de la indizacin por

El segundo problema planteado era cmo definirlos para delimitar el mbito de

Entrada del descriptor Documentacin en el MACROTESAURO para el procesamiento de la

La ponderacin es otro tipo de enlace para clasificar los trminos en principales y

http://www.inist.fr/pascal/roles.htm [Consulta: 3 diciembre 1996].

medio o solvente reaccional

=======> Elemento sometido a un proceso qumico o nuclear

============> Elemento resultante de un proceso qumico o nuclear

Por ltimo, Mahapatra y Chandra [1986, p. 21] utilizan en el sistema PRECIS

El enlace de especificacin de vnculo entre los descriptores se emplea para evitar

Un documento que ha sido indizado con estos trminos y con enlaces de

El operador de interseccin selecciona los documentos que contienen los dos

1.5.3.3 Las caractersticas generales de los descriptores.

1.6 LOS LENGUAJES DOCUMENTALES.

A continuacin, reproducimos un pasaje de principios de los sesenta, de Calvin

1.6.1.1 Las listas de palabras clave.

El principal inconveniente de las clasificaciones enciclopdicas es su compleja