Automatización de referencias en Wikidata

Abstract

Desde su creación Wikidata se enfocó en dar solución a los problemas que enfrenta Wikipedia sobre la estructuración de la información que guarda. Ha experimentado un rápido crecimiento desde su incepción en 2012, transformándose en una fuente de información valiosa e interconectada de la web que es usada por varias aplicaciones. Todos los días se agregan elementos y hechos nuevos que guardan información sobre el mundo real, sin embargo, aún enfrenta un desafío para el cual no se tiene una solución definitiva: la adición de fuentes para la procedencia de la información. Al ser una fuente secundaria de información requiere que todo lo afirmado en ella esté debidamente respaldado, indicando la fuente de donde se obtuvo dicha información. Pero actualmente no cuentan con ninguna herramienta automática que realice este trabajo, por lo que la búsqueda de referencias queda en manos de los colaboradores que las busquen manualmente para las afirmaciones que agreguen. El no contar con un método fácil para agregar referencias ha causado que el 34% de las afirmaciones no están respaldadas. Esto presenta un problema ya que cuando afirmaciones no cuentan con información sobre su procedencia, se corre el riesgo de no saber si esa información es correcta ya que no se puede validar. Por consiguiente los datos pierden credibilidad y valor para quien quiera hacer uso de ellos. Para intentar dar solución a este problema se desarrolló una herramienta que entrega referencias a hechos de Wikidata de forma automática. Esta permite buscar elementos de Wikidata y luego encontrar posibles referencias para cualquier hecho que se elija. Para cada afirmación se retornan 3 URLs de páginas autoritativas donde aparece información del hecho junto con un pequeño extracto de la página en donde aparecen los términos de la afirmación. Para esto se utilizó un índice de documentos construido usando las páginas de la sección de Referencias de los artículos de Wikipedia. Para encontrar referencias se consulta este índice usando el método TF-IDF en donde los términos de búsqueda son: el nombre del elemento, de la propiedad y del valor del hecho al que se está buscando referencias. Se probó el rendimiento usando elementos con distintas cantidades de afirmaciones y referencias en Wikipedia, y se encontró en promedio que solo el 37% de las afirmaciones lograban ser validadas por alguna referencia de Wikipedia. Sin embargo para aquellas que sí tenían una referencia que la validaba el método TF-IDF logró ser efectivo en encontrar aquellos documentos relevantes para la afirmación. Demostrando ser un buen paso para ayudar a encontrar referencias pero aún queda trabajo por hacer para lograr encontrar una solución definitiva.