INSTITUTO POLITÉCNICO NACIONAL
SECRETARÍA DE INVESTIGACIÓN Y POSGRADO
PROTOCOLO PARA PROYECTOS DE INVESTIGACIÓN
(Febrero 2003 - Marzo 2004)

PROYECTO INDIVIDUAL   X   CORTO PLAZO   X  
PROYECTO EN PROGRAMA ESPECIAL      
PROYECTO DE INNOVACIÓN      
PROYECTO MULTIDISCIPLINARIO       MEDIANO PLAZO    
PROYECTO TRANSDISCIPLINARIO      
PROYECTO DE RED      
PROPUESTA DE ESTUDIO      
Información General del Proyecto de Investigación
  CIC    Laboratorio de Lenguaje Natural y Procesamiento de Texto 
Escuela, Centro o Unidad Sección. División o Departamento
Título
Resolución automática de ciertos casos de correferencia en los textos en español

Registro asignado por la SIP:  20031715     
Datos del director(a) del Proyecto de investigación:
  Gelbukh     -     Alexander  
Apellido Paterno Apellido Materno Nombres
Tipo de plaza en el IPN:  Titular C - (BASE)  Grado académico:  Doctorado 
Horas de nombramiento:  40  RFC:  GEAL620912  CURP:  GEXA620912HNELXL08 
SNI:  II  BECAS: COFAA  IV  EDD  ---  EDI  IX  (Indicar nivel)
Teléfono oficina (Ext):  56544  Teléfono particular:  55-1810-4587 
Nivel académico en el que se realizará el Proyecto de Investigación:
Medio Superior         Superior         Posgrado    X   
Ubique su propuesta solamente en uno de los campos que a continuación se enuncian:
Ingeniería y Tecnología     X    Ciencias Sociales         
Ciencias Naturales          Ciencias Agrícolas         
Ciencias Médicas          Humanidades         
Clasificación CONACyT:
Sector:   Sector Comunicaciones y Transportes  
Subsector:   Fomento a la integración de servicios y acceso a las nuevas tecnologías de la información  
Tipos de investigación:
Básica     X    Aplicada          Autoequipamiento         
Desarrollo Tecnológico          Educativa           
¿Su proyecto aborda los siguientes temas?
Perspectiva de Género      Sustentabilidad     Ninguno   
  Alexander Gelbukh -                                             
Director(a) del Proyecto de
Investigación
Vo. Bo. de la Academia o
Colegio de Profesores
Nombre y firma de Director(a) de la
Escuela, Centro o Unidad
Nota: El título deberá ser breve, conciso y representativo del tema central de investigación


La presentación deberá hacerse de acuerdo a la siguiente estructura:

1. Descripción del proyecto
1.1 Resumen
<Long Text>

1.2 Objetivo general
Desarrollar los métodos para la resolución de ciertos tipos de correferencia en los textos en español e implementar el software para el marcado automático de las palabras correferentes en el texto, para su procesamiento correcto en los sistemas de recuperación de información, traducción automática y comprensión de lenguaje.

1.3 Objetivos específicos
Algoritmos y software para el marcado automático de las palabras correferentes en los textos en español, el cual servirá como módulo en los sistemas de recuperación de información y otros sistemas de procesamiento de lenguaje natural.

2. Subproductos comprometidos
Nacional Internacional Nacional Internacional
Artículo de Divulgación  0   0  Artículo Científico  0   0 
Congresos  0   0  Seminiarios  0   0 
Cursos  0   0  Manuales  0   0 
Libros  0   0  Programa de Radio y TV  0   0 
Conferencias o Ponencias  0   0 
Piloto Laboratorio Piloto Laboratorio
Proceso  0   0  Prototipo  0   0 
Patente  0   0  Certificado de Invención  0   0 
Hardware  0   0  Software  0   0 
Medio       Superior Posgrado
Tesistas  0   0   0 
Practicantes Profesionales  0   0   0 
Alumnos PIFI  0   0   0 
Prestante de Servicio Social  0   0 
Otros (especificar)  0       
2. Subproductos comprometidos año 2
Nacional Internacional Nacional Internacional
Artículo de Divulgación  0   0  Artículo Científico  0   0 
Congresos  0   0  Seminiarios  0   0 
Cursos  0   0  Manuales  0   0 
Libros  0   0  Programa de Radio y TV  0   0 
Conferencias o Ponencias  0   0 
Piloto Laboratorio Piloto Laboratorio
Proceso  0   0  Prototipo  0   0 
Patente  0   0  Certificado de Invención  0   0 
Hardware  0   0  Software  0   0 
Medio       Superior Posgrado
Tesistas  0   0   0 
Practicantes Profesionales  0   0   0 
Alumnos PIFI  0   0   0 
Prestante de Servicio Social  0   0 
Otros (especificar)  0       
2. Subproductos comprometidos año 3
Nacional Internacional Nacional Internacional
Artículo de Divulgación  0   0  Artículo Científico  0   0 
Congresos  0   0  Seminiarios  0   0 
Cursos  0   0  Manuales  0   0 
Libros  0   0  Programa de Radio y TV  0   0 
Conferencias o Ponencias  0   0 
Piloto Laboratorio Piloto Laboratorio
Proceso  0   0  Prototipo  0   0 
Patente  0   0  Certificado de Invención  0   0 
Hardware  0   0  Software  0   0 
Medio       Superior Posgrado
Tesistas  0   0   0 
Practicantes Profesionales  0   0   0 
Alumnos PIFI  0   0   0 
Prestante de Servicio Social  0   0 
Otros (especificar)  0       
 3. Monto y distribución del presupuesto solicitado (anexar): honorarios (sólo centros foráneos), materiales y suministros, servicios generales y equipamiento (anexar cotización)

3.1 ¿Cuenta con financiamiento externo?
No    X   Si               

4. Recursos humanos. Investigadores y alumnos participantes.

  4.1 Investigadores participantes

Número Nombre Actividad específica a desarrollar
1 Alexander Gelbukh - Director del proyecto
2 Igor Bolshakov Mironova
  
Consultoría en las cuestiones del uso, o en su caso del desarrollo, del diccionario de combinaciones de palabras (desarrollado en el marco del proyecto liderado por él)
3 Grigori Sidorov -
  
La coordinación del desarrollo de los algoritmos principales de alto nivel. Integración del sistema con el módulo de la resolución de la ambigüedad de sentidos de palabras (desarrollado en el marco del proyecto liderado por él). La coordinación de la preparación de los artículos derivados del proyecto.
4 Mikhail Alexandrov Aronovich
  
Consultoría en las cuestiones del uso, o en su caso del desarrollo, del diccionario de combinaciones de palabras específico para el dominio temático. Integración con el módulo del manejo de tal diccionario (desarrollado en el marco del proyecto liderado por él)


  4.2 Alumnos participantes

Número Nombre Status* Actividad específica a desarrollar
1 Juan (estudiante del Verano Cientif de la AMC) PP Actividades de programación y de lexicografía relacionadas con el Proyecto.
2 Hiram Calvo Castro PF Investigación sobre la estructura general del texto en español y sobre todo del diálogo hombre-máquina. Detección de los patrones principales del uso de pronombres, sinónimos y palabras semánticamente relacionadas para la expresión de la correferencia en las figuras discursivas usadas en diferentes
3 Hiram Calvo Castro TS Investigación sobre la estructura general del texto en español y sobre todo del diálogo hombre-máquina. Detección de los patrones principales del uso de pronombres, sinónimos y palabras semánticamente relacionadas para la expresión de la correferencia en las figuras discursivas usadas en diferentes
4 Grizel Gonzales  PP Varias actividades de programación relacionadas con el presente Proyecto
5 Tania Lugo García TS Programación del manejo de la base de datos que se usará en el sistema, sobre todo para el manejo de los diccionarios. Participación en el desarrollo de los diccionarios necesarios, sobre todo el diccionario de las combinaciones de palabras. La preparación de los artículos para difundir los resultad
6 Raúl Morales Carrasco PF Desarrollo de las bases teóricas del método. Desarrollo de los métodos específicos de la detección de correferencia basados en la sinonimia, relaciones semánticas y otros tipos de relaciones. Conversión y compilación de los diccionarios
7 Raúl Morales Carrasco TS Desarrollo de las bases teóricas del método. Desarrollo de los métodos específicos de la detección de correferencia basados en la sinonimia, relaciones semánticas y otros tipos de relaciones. Conversión y compilación de los diccionarios
8 Gabriela Rivera Loza TS Participaci&#1091;n en la investigaci&#1091;n de la utilidad de los diccionarios sem&#1073;nticos y explicativos para el m&#1081;todo. La investigaci&#1091;n de la estructura de tales diccionarios. Participaci&#1091;n en su conversi&#1091;n en el formato que se usar&#1073; en el sistema. Programaci&
9 Kwangcheol Shin  TS Desarrollo de los métodos de clasificación de textos usados en el Proyecto (en las partes que no requieren el dominio del lenguaje español).
10 José Angel Vera Félix PF Programación de las utilerías necesarias el manejo de los textos y los diccionarios. Participación en el desarrollo del método basado en sinónimos y en las relaciones semánticas.

  * PIFIS(PF), Servicio Social (SS), Tesistas (TS), Prácticas Profesionales (PP), Alumnos Participantes (AP)

 5.Programación de Actividades de Investigación   (Febrero 2003 - Marzo 2004)

Número
de meta
Valor % de
cada meta
Descripción de actividades Mes de inicio Mes de terminación
1 10 Abril 2003 - mayo 2003: Investigación en literatura existente
(Nota: Debido a un error en el programa de captura por Internet no fue posible capturar las fechas en los campos correspondientes; las indico aquí.) Componer un panorama de los resultados y métodos existentes para el español y otros lenguajes, sobre todo, inglés y japonés
Abril 2003 Mayo 2003
2 10 Mayo 2003: Desarrollo del algoritmo principal
Formular los bases para la organización de trabajo de los diferentes módulos del sistema, incluido el orden relativo de su funcionamiento
Mayo 2003 Mayo 2003
3 15 Mayo 2003 - febrero 2004: Difusión de los resultados
Preparar los artículos y las tesis derivados de los resultados del proyecto, así como difundir los resultados del proyecto en los congresos nacionales e internacionales
Mayo 2003 Febrero 2004
4 5 Junio 2003: Desarrollo del algoritmo basado en sinonimia
Desarrollar el módulo del sistema que detecte la posible correferencia de las palabras basándose en un diccionario de sinónimos
Junio 2003 Junio 2003
5 5 Julio 2003: Desarrollo del algoritmo basado en otras relaciones semánticas
Desarrollar el módulo del sistema que detecte la posible correferencia de las palabras basándose en un diccionario de relaciones semánticas entre las palabras, sobre todo la relación entero-parte
Julio 2003 Julio 2003
6 5 Agosto 2003: Desarrollo del algoritmo basado en las combinaciones de palabras
Desarrollar el módulo del sistema que detecte la posible correferencia de las palabras basándose en un diccionario de combinaciones de palabras existentes en el español
Agosto 2003 Agosto 2003
7 5 Septiembre 2003: Adecuación del algoritmo para un dominio específico
Implementar la posibilidad de ajustar los diccionarios a un dominio temático específico
Septiembre 2003 Septiembre 2003
8 5 Octubre 2003: Adecuación del algoritmo para la desambiguación de sentidos de pal
Implementar la posibilidad de ajustar el funcionamiento del algoritmo a las ventajas que proporciona un módulo de desambiguación de sentidos de palabras
Octubre 2003 Octubre 2003
9 5 Octubre 2003 - noviembre 2003: Implementación de algoritmos adicionales
Detectar y en su caso implementar de algoritmos basados en otras propiedades de palabras españolas
Octubre 2003 Noviembre 2003
10 10 Diciembre 2003: Preparación de diccionarios
Convertir los diccionarios existentes en el formato necesario para el funcionamiento del sistema, así como en el caso necesario extraer automática o semiautomáticamente los diccionarios necesarios de los corpus grandes de textos
Diciembre 2003 Diciembre 2003
11 10 Enero 2004: Diseño e implementación de la interfaz de usuario
Diseñar los principios de la interfaz de usuario necesaria para el sistema e implementar el software correspondiente
Enero 2004 Enero 2004
12 10 Enero 2004 - febrero 2004: Evaluación, pruebas y ajustes
Depurar el algoritmo y evaluar los resultados obtenidos en cuanto a su precisión y el porcentaje de recuperación (recall)
Enero 2004 Febrero 2004
13 5 Febrero 2004: Documentación de los resultados
Preparar el informe técnico final del proyecto
Febrero 2004 Febrero 2004
Porcentaje: 100 %

Nota: La planeación debe hacerse de acuerdo a las actividades del año actual (sumando 100 %), incluso si el proyecto es a mediano plazo.

  6. Presupuesto

Capítulo Descripción / Concepto Total
(Pesos)
2000  Los siguientes materiales y componentes se necesitan para el funcionamiento adecuado del equipo de trabajo y para la actualización de algunos equipos de cómputo que se usarán para el proyecto: libros ($2000), discos CD y/o DVD gravables para guardar los respaldos de los diccionarios grandes y textos procesados, $10 x 400 ($4000), tarjetas de memoria para la actualización de las computadoras viejas ($2000), 2 tarjetas SCSI-3 para el dispositivo de respaldo ($3000), 2 dispositivos móviles de memoria flash para el intercambio rápido de datos ($1800), 2 discos duros grandes, de 120 MB, para el procesamiento masivo de datos ($5000), pantalla mejorada de la tecnología LCD, la marca a especificar ($12000). 29800   
3000  Se planea una estancia corta (aprox. 1 semana) de investigación con uno de los grupos principales que trabajan en el desarrollo de los métodos correspondientes, según las necesidades del trabajo sobre los módulos específicos del proyecto donde más habrá la necesidad de intercambio de información. Se seleccionará uno de los grupos liderados por el Dr. Mitkov (Inglaterra), Dr. Palomar (España), Dr. Murata (Japón), o Dra. Strube de Lima (Brasil). Se espera obtener una parte (hasta una mitad de los gastos totales) de la red internacional RITOS-2. 9000   
4000      
5000  Se planea adquirir una computadora con las características modernas comunes hoy en día en el mercado (2.2 o más GHz, 120 o más GB, 1024 o más KB, pantalla LCD marca a especificar) para el trabajo del líder del proyecto. Las características necesarias se determinan según la necesidad de procesamiento masivo de grandes volúmenes de textos en español, con el fin de la obtención de las estadísticas adecuadas. Se espera el precio de la unidad aprox. $15000. También, se planea adquirir un escáner con características estándares (pero de alta velocidad) para escanear algunos textos que tenemos sólo en forma de papel, con el fin de hacer las pruebas del algoritmo en estos textos (de los géneros y dominios temáticos específicos), $5000. 20000   
7000      
Total:  $ 58800