Software ayuda a conocer el contenido de obras literarias extrayendo palabras clave

Colombia.com (19/Mar/2008): Se trata de un software al que se le introduce el texto sacado de Internet, y automáticamente reproduce un listado de palabras clave del libro, aquellas que más importancia tienen dentro del relato.

Así el usuario puede hacerse una idea de lo que trata la obra. El invento es aplicable a todo tipo de géneros literarios, incluso a textos científicos.

El software es una invención de un grupo de investigadores de la Universidad de Málaga (UMA) que ha conseguido hacerlo mediante un programa informático diseñado por ellos mismos.

En pocas palabras

Por ejemplo si introducimos 'El origen de las especies', de Charles Darwin, el programa hace un listado de palabras como: 'selección', 'natural', 'diversidad' o 'especie'; por orden de importancia. Así, viendo los 15 ó 20 términos más relevantes se sabe el contenido sobre el que el libro puede versar. «La herramienta ha sido probada en varios idiomas y funciona», comenta el investigador principal, Pedro Juan Carpena, profesor del Departamento de Física Aplicada II de la UMA.

De esta manera, la aplicación podría ser utilizada en los buscadores de Internet como 'Google' a la hora de seleccionar información. Así, se evitaría que en una búsqueda aparecieran todos los artículos que contienen una palabra, y se visualizarían sólo aquellos en los que ese mismo término funciona en el texto de manera relevante.

Según cuenta Carpena, está técnica se ha logrado gracias a una teoría matemática que viene a decir que las palabras importantes de un documento se distribuyen de una manera determinada. «Los artículos o las conjunciones aparecen de manera aleatoria, sin embargo los términos importantes aparecen agrupados, cada cierto tiempo; es como si entre ellas se atrajesen», explica.

Estos investigadores malagueños han dado un paso más y ahora quieren aplicar su invento al ADN humano. Éste está formado por cuatro tipos de nucleótidos: adenina (A), guanina (G), citosina (C) y timina (T). Así, las distintas combinaciones de estos elementos son consideradas por los científicos como un texto cualquiera. Eso sí, el problema es que aquí no hay espacios que determinen dónde empieza una 'palabra' y donde acaba.

Para salvar este obstáculo aplicarán la propiedad matemática con todas las longitudes posibles desde 1 a 25 caracteres y después las contrastarán. De esta manera, pretenden averiguar cuáles son las combinaciones de nucleótidos que contienen la información más importante dentro del ADN humano.

En el equipo de investigación participan, además de profesores de la Universidad de Málaga, especialistas en genética de Granada y Alemania. El proyecto está subvencionado por la Consejería de Innovación, Ciencia y Empresa con más de 170.000 euros.

Con información de Sur.es