La manera en que las personas aprenden ha experimentado una transformación significativa gracias al avance de la tecnología. Actualmente, una amplia variedad de herramientas digitales complementa las actividades cotidianas y académicas, facilitando el acceso a información actualizada y diversa. Internet, en particular, se ha posicionado como la principal fuente de información, ofreciendo una gran cantidad de contenidos textuales y audiovisuales, siendo los contenidos breves en forma de videos, los más populares. Sin embargo, el proceso de aprendizaje inevitablemente implica la adquisición de nuevos conceptos y términos. Al encontrarse con vocabulario desconocido en los videos, las personas suelen buscar información adicional para comprender mejor el contenido. Por lo tanto, esta investigación busca desarrollar una herramienta capaz de analizar las transcripciones de videos utilizando técnicas de Procesamiento de Lenguaje Natural para identificar términos clave y relacionarlos con otras fuentes de información relevante, facilitando así el aprendizaje. Al evaluar la relevancia de los términos con el contenido textual en videos de distintas temáticas utilizando un modelo de Inteligencia Artificial, se evidencia una relevancia mayor al 75% en todos los términos, lo que confirma la eficacia de este enfoque para analizar y comprender el contenido textual de los videos transcritos.
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Referencias
Burstein, J. (2009). Opportunities for natural language processing research in education. Computational Linguistics and Intelligent Text Processing: 10th International Conference, CICLing 2009, Mexico City, Mexico, March 1-7, 2009. Proceedings 10, 6-27.
Campos, R., Mangaravite, V., Pasquali, A., Jorge, A., Nunes, C., & Jatowt, A. (2020). YAKE! Keyword extraction from single documents using multiple local features. Information Sciences, 509, 257-289. https://doi.org/10.1016/j.ins.2019.09.013
Chang, A., Savva, M., & Manning, C. D. (2014). Semantic parsing for text to 3d scene generation. Proceedings of the ACL 2014 workshop on semantic parsing, 17-21.
Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2018). Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805.
Ferreira-Mello, R., André, M., Pinheiro, A., Costa, E., & Romero, C. (2019). Text mining in education. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 9(6), e1332.
Hsin, W.-J., & Cigas, J. (2013). Short videos improve student learning in online education. J. Comput. Sci. Coll., 28(5), 253-259.
Litman, D. (2016). Natural Language Processing for Enhancing Teaching and Learning. Proceedings of the AAAI Conference on Artificial Intelligence, 30(1). https://doi.org/10.1609/aaai.v30i1.9879
Litvak, M. (2019). Deep Dive into Authorship Verification of Email Messages with Convolutional Neural Network (pp. 129-136). https://doi.org/10.1007/978-3-030-11680-4_14
Manasrah, A. M., Masoud, M. Z., & Jaradat, Y. (2021). Short Videos, or Long Videos? A Study on the Ideal Video Length in Online Learning. 2021 International Conference on Information Technology (ICIT), 366-370. https://api.semanticscholar.org/CorpusID:236482423
Marujo, L., Grazina, N., Luis, T., Ling, W., Coheur, L., & Trancoso, I. (2011). BP2EP-adaptation of Brazilian Portuguese texts to European Portuguese. Proceedings of the 15th Annual conference of the European Association for Machine Translation.
Medelyan, O., Perrone, V., & Witten, I. H. (2010). Subject metadata support powered by Maui. Proceedings of the 10th annual joint conference on Digital libraries, 407-408. https://doi.org/10.1145/1816123.1816204
Minaee, S., Kalchbrenner, N., Cambria, E., Nikzad, N., Chenaghlu, M., & Gao, J. (2022). Deep Learning--based Text Classification. ACM Computing Surveys, 54(3), 1-40. https://doi.org/10.1145/3439726
Özgür, A., Özgür, L., & Güngör, T. (2005). Text Categorization with Class-Based and Corpus-Based Keyword Selection (pp. 606-615). https://doi.org/10.1007/11569596_63
Pal, S. K., Banerjee, R., Dutta, S., & Sarma, S. Sen. (2013). An Insight Into The Z-number Approach To CWW. Fundamenta Informaticae, 124(1-2), 197-229. https://doi.org/10.3233/FI-2013-831
Pourpanah, F., Lim, C. P., Wang, X., Tan, C. J., Seera, M., & Shi, Y. (2019). A hybrid model of fuzzy min–max and brain storm optimization for feature selection and data classification. Neurocomputing, 333, 440-451. https://doi.org/10.1016/j.neucom.2019.01.011
Shukla, H., & Kakkar, M. (2016). Keyword extraction from Educational Video transcripts using NLP techniques. 2016 6th International Conference - Cloud System and Big Data Engineering (Confluence), 105-108. https://doi.org/10.1109/CONFLUENCE.2016.7508096
Turney, P. D. (2000). Learning Algorithms for Keyphrase Extraction. Information Retrieval, 2(4), 303-336. https://doi.org/10.1023/A:1009976227802
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł. ukasz, & Polosukhin, I. (2017). Attention is All you Need. En I. Guyon, U. Von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, & R. Garnett (Eds.), Advances in Neural Information Processing Systems (Vol. 30). Curran Associates, Inc. https://proceedings.neurips.cc/paper_files/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf
Wang, W., Zheng, V. W., Yu, H., & Miao, C. (2019). A Survey of Zero-Shot Learning. ACM Transactions on Intelligent Systems and Technology, 10(2), 1-37. https://doi.org/10.1145/3293318
Ye, Z., Geng, Y., Chen, J., Chen, J., Xu, X., Zheng, S., Wang, F., Zhang, J., & Chen, H. (2020). Zero-shot Text Classification via Reinforced Self-training. Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 3014-3024. https://doi.org/10.18653/v1/2020.acl-main.272
Zhang, Y., Yuan, C., Wang, X., Bai, Z., & Liu, Y. (2022). Learn to Adapt for Generalized Zero-Shot Text Classification. Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), 517-527. https://doi.org/10.18653/v1/2022.acl-long.39