Recomendación local de citas académicas

Prototipo con línea base TF-IDF sobre el corpus ACL-200

Abrir la nueva demo: Top-3 de fragmentos (BM25)

Conectando con el backend…

Contexto de cita

Escriba o pegue el fragmento académico en inglés donde haría falta la referencia. El modelo compara ese texto con los 19.776 artículos del corpus.

Artículos recomendados

  1. Aún no hay consultas. Escriba un contexto y pulse «Recomendar citas».

Seleccione un artículo de la lista para ver su resumen.

Longitud de los textos

Determina si hará falta truncar la entrada de modelos con ventana limitada. Medida en palabras.

Calidad de los datos

Cada comprobación cuenta registros defectuosos, así que el valor esperado es cero.

Integridad de las particiones

Documentos citantes y pares citante-citado compartidos entre particiones. Si no fueran cero, el modelo se evaluaría sobre documentos ya vistos.

Términos más frecuentes en los contextos

Sin marcadores de cita ni palabras vacías del inglés. Revela el dominio del corpus.

Señal léxica: cita real frente a artículo al azar

Artículos más citados

La distribución de citas está muy sesgada: unos pocos artículos muy influyentes concentran cientos de contextos.

Recall@K y MRR@K según la profundidad del ranking

El Recall mide si el artículo correcto aparece entre los K primeros; el MRR, si además queda arriba. Evaluado sobre la partición de validación.

Qué significan estos resultados

Similitud media con la consulta

Tres poblaciones sobre las mismas consultas: el artículo citado, los negativos aleatorios que genera el pipeline actual y los negativos duros del Top-100.

Separabilidad con la similitud como único predictor

AUC cercano a 1 significa que la tarea se resuelve sin modelo alguno.

Lectura del diagnóstico