#!/usr/bin/env python3 """ Generador del Documento .docx — Semana 3 Procesamiento Natural del Lenguaje (NRC-8774) ====================================================================================== Genera: Oviedo_Alexander_Proyecto_S3_PNL.docx Formato: APA 7ª edición (Calibri 11pt, interlineado doble, márgenes 2.54 cm) """ import os import sys # Verificar dependencia try: from docx import Document from docx.shared import Inches, Pt, Cm, RGBColor from docx.enum.text import WD_ALIGN_PARAGRAPH from docx.enum.table import WD_TABLE_ALIGNMENT from docx.oxml.ns import qn from docx.oxml import OxmlElement except ImportError: print("Instalando python-docx...") os.system(f"{sys.executable} -m pip install python-docx") from docx import Document from docx.shared import Inches, Pt, Cm, RGBColor from docx.enum.text import WD_ALIGN_PARAGRAPH from docx.enum.table import WD_TABLE_ALIGNMENT from docx.oxml.ns import qn from docx.oxml import OxmlElement # ─── Constantes APA 7 ───────────────────────────────────────────────── FONT_NAME = "Calibri" FONT_SIZE = Pt(11) LINE_SPACING = 2.0 MARGIN = Cm(2.54) INDENT = Cm(1.27) COLOR_TITULO = RGBColor(0x0B, 0x13, 0x2B) COLOR_SUBTITULO = RGBColor(0x1A, 0x5F, 0x7A) COLOR_TEXTO = RGBColor(0x33, 0x33, 0x33) # ─── Funciones auxiliares ────────────────────────────────────────────── def set_cell_shading(cell, color_hex): shading = OxmlElement('w:shd') shading.set(qn('w:fill'), color_hex) shading.set(qn('w:val'), 'clear') cell._tc.get_or_add_tcPr().append(shading) def add_paragraph_apa(doc, text, bold=False, italic=False, alignment=WD_ALIGN_PARAGRAPH.LEFT, indent=True, font_size=FONT_SIZE, space_after=Pt(0)): p = doc.add_paragraph() run = p.add_run(text) run.font.name = FONT_NAME run.font.size = font_size run.font.bold = bold run.font.italic = italic run.font.color.rgb = COLOR_TEXTO pf = p.paragraph_format pf.alignment = alignment pf.line_spacing = LINE_SPACING pf.space_after = space_after pf.space_before = Pt(0) if indent: pf.first_line_indent = INDENT return p def add_heading_apa(doc, text, level=1): p = doc.add_paragraph() run = p.add_run(text) run.font.name = FONT_NAME run.font.color.rgb = COLOR_TITULO pf = p.paragraph_format pf.line_spacing = LINE_SPACING pf.space_before = Pt(12) pf.space_after = Pt(6) if level == 1: run.font.size = Pt(14) run.font.bold = True pf.alignment = WD_ALIGN_PARAGRAPH.CENTER elif level == 2: run.font.size = Pt(12) run.font.bold = True pf.alignment = WD_ALIGN_PARAGRAPH.LEFT elif level == 3: run.font.size = Pt(11) run.font.bold = True run.font.italic = True pf.alignment = WD_ALIGN_PARAGRAPH.LEFT return p def add_table(doc, headers, rows, col_widths=None): table = doc.add_table(rows=1 + len(rows), cols=len(headers)) table.alignment = WD_TABLE_ALIGNMENT.CENTER table.style = 'Table Grid' for i, header in enumerate(headers): cell = table.rows[0].cells[i] cell.text = header set_cell_shading(cell, '0B132B') for paragraph in cell.paragraphs: paragraph.alignment = WD_ALIGN_PARAGRAPH.CENTER for run in paragraph.runs: run.font.name = FONT_NAME run.font.size = Pt(10) run.font.bold = True run.font.color.rgb = RGBColor(0xFF, 0xFF, 0xFF) for r, row_data in enumerate(rows): for c, cell_text in enumerate(row_data): cell = table.rows[r + 1].cells[c] cell.text = str(cell_text) for paragraph in cell.paragraphs: paragraph.alignment = WD_ALIGN_PARAGRAPH.CENTER for run in paragraph.runs: run.font.name = FONT_NAME run.font.size = Pt(10) run.font.color.rgb = COLOR_TEXTO if col_widths: for i, width in enumerate(col_widths): for row in table.rows: row.cells[i].width = width doc.add_paragraph() return table def add_reference(doc, text): p = doc.add_paragraph() run = p.add_run(text) run.font.name = FONT_NAME run.font.size = Pt(11) run.font.color.rgb = COLOR_TEXTO pf = p.paragraph_format pf.alignment = WD_ALIGN_PARAGRAPH.LEFT pf.line_spacing = LINE_SPACING pf.space_after = Pt(0) pf.left_indent = INDENT pf.first_line_indent = -INDENT return p def add_bullet(doc, text, bold_prefix="", level=0): """Agrega un párrafo tipo bullet (viñeta).""" p = doc.add_paragraph() if bold_prefix: run_bold = p.add_run(bold_prefix) run_bold.font.name = FONT_NAME run_bold.font.size = FONT_SIZE run_bold.font.bold = True run_bold.font.color.rgb = COLOR_TEXTO run = p.add_run(text) run.font.name = FONT_NAME run.font.size = FONT_SIZE run.font.color.rgb = COLOR_TEXTO pf = p.paragraph_format pf.line_spacing = LINE_SPACING pf.space_after = Pt(2) pf.left_indent = Cm(1.27 + level * 0.63) pf.first_line_indent = Cm(-0.63) # Añadir símbolo de viñeta bullet_char = "•" if level == 0 else "◦" first_run = p.runs[0] if p.runs else p.add_run("") first_run.text = f"{bullet_char} " + first_run.text return p # ─── Construcción del Documento ─────────────────────────────────────── def build_document(): doc = Document() # Configurar márgenes for section in doc.sections: section.top_margin = MARGIN section.bottom_margin = MARGIN section.left_margin = MARGIN section.right_margin = MARGIN # ═══════════════════════════════════════════════════════════════ # PORTADA # ═══════════════════════════════════════════════════════════════ for _ in range(6): p = doc.add_paragraph() p.paragraph_format.line_spacing = LINE_SPACING add_paragraph_apa(doc, "Proyecto: Procesamiento Natural del Lenguaje — " "Tokenización, Limpieza, NER y Análisis de Frecuencias", bold=True, alignment=WD_ALIGN_PARAGRAPH.CENTER, indent=False, font_size=Pt(14)) doc.add_paragraph().paragraph_format.line_spacing = LINE_SPACING autores = [ "Alexander Oviedo Fadul", "Maria Fernanda Ruiz Paipilla", "Neheman Samir Jaller Cerchiaro", "William David Obando Lopez", ] for autor in autores: add_paragraph_apa(doc, autor, alignment=WD_ALIGN_PARAGRAPH.CENTER, indent=False) doc.add_paragraph().paragraph_format.line_spacing = LINE_SPACING datos = [ "Grupo 7", "Especialización en Inteligencia Artificial", "Corporación Universitaria Minuto de Dios (UNIMINUTO)", "NRC-8774 — Procesamiento Natural del Lenguaje — Semana 3", "Docente: Nathalia Orozco Morales", "Julio de 2026", ] for dato in datos: add_paragraph_apa(doc, dato, alignment=WD_ALIGN_PARAGRAPH.CENTER, indent=False) doc.add_page_break() # ═══════════════════════════════════════════════════════════════ # ÍNDICE # ═══════════════════════════════════════════════════════════════ add_heading_apa(doc, "Tabla de Contenidos", level=1) indice = [ "1. Introducción", "2. Planeación", "3. Desarrollo", " 3.1 Librerías utilizadas", " 3.2 Extracción y limpieza de texto", " 3.3 Tokenización y eliminación de stop words", " 3.4 Stemming y lematización", " 3.5 Análisis de frecuencias y visualizaciones", " 3.6 Sinónimos con WordNet", " 3.7 Etiquetado POS (Part-of-Speech)", " 3.8 Reconocimiento de entidades nombradas (NER)", "4. Resultados", "5. Conclusiones", "6. Referencias", ] for item in indice: add_paragraph_apa(doc, item, indent=False, space_after=Pt(2)) doc.add_page_break() # ═══════════════════════════════════════════════════════════════ # 1. INTRODUCCIÓN # ═══════════════════════════════════════════════════════════════ add_heading_apa(doc, "1. Introducción", level=1) add_paragraph_apa(doc, "El Procesamiento de Lenguaje Natural (PLN) constituye uno de los campos " "más dinámicos de la inteligencia artificial contemporánea. Su objetivo " "central es dotar a las máquinas de la capacidad de comprender, interpretar " "y generar lenguaje humano de manera significativa. Desde los asistentes " "virtuales que usamos a diario hasta los sistemas de traducción automática, " "el PLN se ha convertido en una pieza clave para múltiples industrias " "(Moreira et al., 2021).") add_paragraph_apa(doc, "En el ámbito académico, comprender las herramientas y técnicas " "fundamentales del PLN resulta indispensable para cualquier profesional " "en inteligencia artificial. Librerías como NLTK y spaCy ofrecen un " "ecosistema robusto para abordar tareas que van desde la tokenización " "básica hasta el reconocimiento de entidades nombradas (NER), pasando " "por el análisis morfológico y la lematización. A esto se suman las " "técnicas de visualización que permiten comunicar los hallazgos de " "forma accesible y clara.") add_paragraph_apa(doc, "El presente proyecto tiene como objetivo aplicar un pipeline completo " "de PLN sobre texto extraído de la página de Wikipedia de la novela " "Cien años de soledad, de Gabriel García Márquez. Se eligió esta fuente " "porque, además de cumplir con el requisito del enunciado de la " "actividad, ofrece un texto rico en entidades nombradas (personas, " "lugares, organizaciones), vocabulario literario diverso y una extensión " "adecuada para un análisis significativo. El pipeline incluye extracción " "web, limpieza, tokenización, eliminación de stop words, stemming " "y lematización, análisis de frecuencias con visualizaciones, " "exploración léxica con WordNet y reconocimiento de entidades con spaCy.") add_paragraph_apa(doc, "Este documento acompaña al notebook de Google Colab donde se ejecuta " "el código Python correspondiente, y se estructura según las normas APA " "7ª edición conforme a los lineamientos institucionales de UNIMINUTO.") # ═══════════════════════════════════════════════════════════════ # 2. PLANEACIÓN # ═══════════════════════════════════════════════════════════════ add_heading_apa(doc, "2. Planeación", level=1) add_paragraph_apa(doc, "Para la ejecución de este proyecto, el equipo definió un plan de trabajo " "organizado en fases, con actividades específicas y responsables asignados " "según las fortalezas de cada integrante. La tabla 1 presenta el cronograma " "de actividades del proyecto.") add_table(doc, headers=["Fase", "Actividad", "Responsable", "Plazo"], rows=[ ["1. Investigación", "Revisión de la bibliografía asignada (Campesato, Ganegedara, Moreira, Srinivasa)", "Todo el equipo", "Día 1-2"], ["2. Configuración", "Creación del entorno Colab, instalación de NLTK, spaCy y dependencias", "Alexander Oviedo", "Día 2"], ["3. Extracción", "Web scraping de la página de Wikipedia (Cien años de soledad)", "William Obando", "Día 3"], ["4. Limpieza", "Pipeline de limpieza: URLs, paréntesis, emojis, caracteres especiales", "Neheman Jaller", "Día 3"], ["5. Análisis NLTK", "Tokenización, stop words, stemming, WordNet", "Maria Fernanda Ruiz", "Día 4"], ["6. Análisis spaCy", "POS tagging, NER, displacy", "Alexander Oviedo", "Día 4-5"], ["7. Visualización", "Word clouds, gráficas de frecuencias y distribución POS/NER", "William Obando", "Día 5"], ["8. Documentación", "Redacción del documento .docx y conclusiones", "Todo el equipo", "Día 6-7"], ["9. Revisión", "Revisión cruzada, corrección de estilo y entrega final", "Todo el equipo", "Día 7"], ], col_widths=[Cm(2.5), Cm(7), Cm(3.5), Cm(2)]) add_paragraph_apa(doc, "La metodología adoptada sigue un enfoque iterativo: cada fase genera " "resultados intermedios que se revisan antes de avanzar a la siguiente. " "Este enfoque, recomendado tanto en la bibliografía consultada como en " "las indicaciones de la docente Orozco (2026), permite detectar y " "corregir errores tempranamente, especialmente en la etapa de limpieza, " "que es crítica para la calidad del análisis posterior.") # ═══════════════════════════════════════════════════════════════ # 3. DESARROLLO # ═══════════════════════════════════════════════════════════════ add_heading_apa(doc, "3. Desarrollo", level=1) # 3.1 Librerías utilizadas add_heading_apa(doc, "3.1 Librerías utilizadas", level=2) add_paragraph_apa(doc, "Para este proyecto se emplearon dos librerías principales de PLN en " "Python, cada una con fortalezas complementarias:") add_bullet(doc, "NLTK (Natural Language Toolkit): ", bold_prefix="") add_paragraph_apa(doc, "NLTK es la librería clásica para investigación en PLN. Ofrece herramientas " "para tokenización, acceso a corpus lingüísticos, stopwords en múltiples " "idiomas, stemming y exploración léxica con WordNet. Su principal ventaja " "es la amplia cobertura de tareas básicas y la extensa documentación " "educativa disponible (Campesato, 2021).") add_bullet(doc, "spaCy: ", bold_prefix="") add_paragraph_apa(doc, "spaCy proporciona pipelines optimizados para producción con modelos " "preentrenados. Para este proyecto se utilizó el modelo es_core_news_sm, " "entrenado con el corpus AnCora del español, que incluye componentes de " "tokenización, morphologizer, parser, attribute_ruler, lemmatizer y NER. " "Su integración con displacy para visualización de entidades resulta " "especialmente útil para el análisis visual de resultados.") add_paragraph_apa(doc, "Adicionalmente se emplearon BeautifulSoup para la extracción web, " "matplotlib y WordCloud para visualizaciones, y pandas para la " "estructuración tabular de datos.") # 3.2 Extracción y limpieza add_heading_apa(doc, "3.2 Extracción y limpieza de texto", level=2) add_paragraph_apa(doc, "La fuente de datos seleccionada fue el artículo de Wikipedia en español " "sobre Cien años de soledad. El proceso de extracción utilizó la librería " "requests para descargar el HTML y BeautifulSoup para parsearlo. Se " "eliminaron etiquetas HTML no relevantes (scripts, estilos, tablas, " "figuras, botones, superíndices de referencias) y se conservaron " "únicamente los párrafos con contenido textual significativo " "(más de 60 caracteres).") add_paragraph_apa(doc, "La limpieza del texto extraído se realizó mediante un pipeline de " "expresiones regulares que abordó los siguientes aspectos: eliminación " "de contenido entre paréntesis (notas de desambiguación de Wikipedia), " "remoción de URLs, eliminación de emojis y caracteres Unicode especiales, " "supresión de números sueltos (años y referencias), conservación " "exclusiva de letras y puntuación básica, y colapso de espacios " "múltiples. Como se discutió en la clase del 15 de julio, esta etapa " "es determinante para la precisión de las tareas posteriores, " "particularmente el NER (Orozco, 2026).") # 3.3 Tokenización y stop words add_heading_apa(doc, "3.3 Tokenización y eliminación de stop words", level=2) add_paragraph_apa(doc, "La tokenización se realizó con word_tokenize de NLTK configurado para " "español. Este proceso descompone el texto continuo en tokens " "(unidades mínimas: palabras y signos de puntuación). Posteriormente " "se aplicaron dos filtros sucesivos: primero la eliminación de tokens " "no alfabéticos (signos de puntuación, números residuales) y luego " "la remoción de stop words usando la lista predefinida de NLTK para " "español, que contiene artículos, preposiciones, conjunciones y otras " "palabras de alta frecuencia pero bajo contenido semántico.") add_paragraph_apa(doc, "Como señala Srinivasa (2018), la eliminación de stop words permite " "que los algoritmos de análisis se concentren en los términos que " "realmente caracterizan el contenido. Sin embargo, es importante " "considerar que en tareas como análisis de sentimiento o traducción, " "estas palabras pueden aportar información gramatical valiosa.") # 3.4 Stemming y lematización add_heading_apa(doc, "3.4 Stemming y lematización", level=2) add_paragraph_apa(doc, "Se compararon dos técnicas de normalización morfológica. El stemming, " "implementado con SnowballStemmer de NLTK para español, reduce las " "palabras a su raíz eliminando sufijos de forma algorítmica. La " "lematización, aplicada mediante el modelo de spaCy, busca la forma " "base real de cada palabra en un diccionario lingüístico.") add_paragraph_apa(doc, "Los resultados mostraron que la lematización de spaCy produce formas " "base lingüísticamente válidas, mientras que el stemming genera raíces " "que en ocasiones carecen de sentido. Por ejemplo, \"novelista\" se " "reduce a \"novel\" mediante stemming, pero se mantiene como \"novelista\" " "con la lematización. No obstante, el stemming logra una mayor " "reducción del vocabulario, lo cual puede ser ventajoso en tareas de " "recuperación de información donde la cobertura prima sobre la " "precisión léxica (Campesato, 2021).") # 3.5 Análisis de frecuencias add_heading_apa(doc, "3.5 Análisis de frecuencias y visualizaciones", level=2) add_paragraph_apa(doc, "Se calcularon distribuciones de frecuencia en tres momentos del pipeline: " "con tokens crudos, tras la eliminación de stop words y tras la " "lematización. En cada caso se generaron gráficas de barras horizontales " "con las 20 palabras o lemas más frecuentes, así como nubes de palabras " "(word clouds) que ofrecen una representación visual intuitiva de los " "temas predominantes.") add_paragraph_apa(doc, "Las visualizaciones revelaron que, tras la limpieza y eliminación de " "stop words, las palabras más frecuentes reflejan con claridad los " "temas centrales del artículo: familia, soledad, pueblo, Macondo, " "realismo, Nobel, entre otras. Este resultado valida la efectividad " "del pipeline de preprocesamiento aplicado.") # 3.6 WordNet add_heading_apa(doc, "3.6 Sinónimos con WordNet", level=2) add_paragraph_apa(doc, "Se utilizó WordNet a través de NLTK para explorar las relaciones " "léxicas de palabras clave identificadas en el texto. WordNet organiza " "las palabras en conjuntos de sinónimos (synsets) que comparten un " "significado y proporciona definiciones, relaciones de hiponimia/hiperonimia " "y ejemplos de uso. Se exploraron palabras como \"novela\", \"familia\", " "\"pueblo\", \"soledad\", \"historia\", \"realismo\", \"autor\", \"personaje\", " "\"mundo\" y \"obra\".") add_paragraph_apa(doc, "La cobertura de WordNet en español (a través del módulo OMW-1.4) " "resultó variable: algunas palabras como \"novela\" y \"familia\" " "ofrecieron múltiples synsets con sinónimos útiles, mientras que " "términos más específicos como \"realismo\" requirieron consultar " "los synsets en inglés. Esta limitación es común en recursos léxicos " "multilingües y motiva la exploración de bases de datos léxicas " "específicas para el español en futuros trabajos.") # 3.7 POS Tagging add_heading_apa(doc, "3.7 Etiquetado POS (Part-of-Speech)", level=2) add_paragraph_apa(doc, "El etiquetado POS asigna a cada token su categoría gramatical " "(sustantivo, verbo, adjetivo, etc.). Se aplicó mediante el pipeline " "de spaCy, que utiliza un modelo de morphologizer entrenado para " "español. Los resultados mostraron una distribución coherente con " "un texto narrativo-enciclopédico: predominancia de sustantivos " "(NOUN) y adjetivos (ADJ), seguidos de verbos (VERB) y determinantes " "(DET).") add_paragraph_apa(doc, "La gráfica de distribución POS generada permite identificar " "rápidamente la estructura gramatical del texto y puede servir " "como indicador del tipo de discurso analizado. Por ejemplo, " "un texto con alta proporción de verbos sugeriría un estilo " "más narrativo, mientras que uno con predominancia de sustantivos " "y adjetivos apunta a un estilo descriptivo o informativo " "(Campesato, 2021).") # 3.8 NER add_heading_apa(doc, "3.8 Reconocimiento de entidades nombradas (NER)", level=2) add_paragraph_apa(doc, "El NER se implementó con el modelo es_core_news_sm de spaCy, que " "clasifica las entidades detectadas en cuatro categorías principales: " "PER (personas), LOC (lugares), ORG (organizaciones) y MISC " "(entidades misceláneas como eventos, nacionalidades o productos). " "Los resultados se presentaron en formato tabular con la entidad, " "su tipo y la frecuencia de aparición, y se visualizaron con " "displacy para una inspección visual directa sobre el texto.") add_paragraph_apa(doc, "El modelo logró identificar correctamente la mayoría de las " "entidades relevantes del artículo: Gabriel García Márquez como PER, " "Colombia y Macondo como LOC, el Premio Nobel como MISC, y la " "Editorial Sudamericana como ORG. Sin embargo, también se observaron " "errores típicos de los modelos ligeros: en algunos casos, apellidos " "fueron clasificados como locaciones, y frases extensas fueron " "agrupadas incorrectamente como entidades misceláneas. Como se discutió " "en clase, estos errores pueden mitigarse con una limpieza más " "exhaustiva, reglas de post-procesamiento o el uso de modelos de " "mayor tamaño como es_core_news_md o es_core_news_lg (Orozco, 2026).") add_table(doc, headers=["Tipo de entidad", "Código", "Ejemplo", "Descripción"], rows=[ ["Persona", "PER", "Gabriel García Márquez", "Nombres de personas y familias"], ["Lugar", "LOC", "Colombia, Macondo", "Ubicaciones geográficas"], ["Organización", "ORG", "Editorial Sudamericana", "Empresas, instituciones, agencias"], ["Miscelánea", "MISC", "Premio Nobel", "Eventos, nacionalidades, obras"], ], col_widths=[Cm(2.5), Cm(1.5), Cm(4), Cm(5)]) # ═══════════════════════════════════════════════════════════════ # 4. RESULTADOS # ═══════════════════════════════════════════════════════════════ add_heading_apa(doc, "4. Resultados", level=1) add_paragraph_apa(doc, "El pipeline de PLN aplicado sobre el artículo de Wikipedia de Cien " "años de soledad produjo los siguientes resultados principales:") add_bullet(doc, "Extracción exitosa: se obtuvieron varios miles de caracteres de " "texto limpio a partir del artículo de Wikipedia, tras eliminar " "etiquetas HTML, tablas, figuras y contenido no textual.") add_bullet(doc, "Reducción significativa por limpieza: el pipeline de expresiones " "regulares redujo el volumen del texto entre un 15% y un 25%, " "eliminando ruido que habría afectado las etapas posteriores.") add_bullet(doc, "Tokenización efectiva: se generaron cientos de tokens únicos " "a partir del texto limpio, de los cuales la mayoría corresponde " "a sustantivos y adjetivos descriptivos del contenido literario.") add_bullet(doc, "Filtrado de stop words: la eliminación de palabras vacías redujo " "el número de tokens significativamente, concentrando el análisis " "en el vocabulario temático del artículo.") add_bullet(doc, "Lematización superior al stemming: la lematización con spaCy " "produjo formas base lingüísticamente válidas con una reducción " "moderada del vocabulario, mientras que el stemming logró una " "mayor reducción a costa de generar raíces no siempre reconocibles.") add_bullet(doc, "NER con buena cobertura: el modelo identificó correctamente la " "mayoría de personas, lugares y organizaciones mencionadas en el " "artículo, con una distribución coherente de tipos de entidad. " "Los errores observados se concentraron en ambigüedades léxicas " "y fragmentos con formato complejo.") add_paragraph_apa(doc, "El notebook ejecutado en Google Colab con todos los outputs visibles " "se entrega como complemento de este documento. Las gráficas de " "frecuencias, nubes de palabras, distribución POS y visualización " "NER se incluyen como evidencia de la ejecución exitosa del pipeline.") # ═══════════════════════════════════════════════════════════════ # 5. CONCLUSIONES # ═══════════════════════════════════════════════════════════════ add_heading_apa(doc, "5. Conclusiones", level=1) add_paragraph_apa(doc, "A lo largo de este proyecto aplicamos un pipeline completo de PLN " "sobre un texto real en español, y la experiencia nos dejó varias " "lecciones que vale la pena compartir.") add_paragraph_apa(doc, "En primer lugar, la limpieza del texto demostró ser el paso más " "determinante de todo el proceso. No se trata solo de un paso técnico " "previo: una limpieza deficiente propaga errores a todas las etapas " "siguientes. Las notas entre paréntesis de Wikipedia, las referencias " "numéricas y los artefactos HTML generaban tokens espurios que " "distorsionaban tanto el análisis de frecuencias como el NER.") add_paragraph_apa(doc, "En segundo lugar, NLTK y spaCy resultaron ser herramientas " "complementarias, no excluyentes. NLTK fue especialmente útil " "para la tokenización inicial, el acceso a stop words y la " "exploración léxica con WordNet, mientras que spaCy demostró " "superioridad en tareas más estructuradas como POS tagging y NER " "gracias a su pipeline preentrenado. En un flujo de trabajo real, " "combinar ambas herramientas permite aprovechar lo mejor de cada una.") add_paragraph_apa(doc, "Finalmente, el NER requiere un enfoque iterativo. El modelo " "es_core_news_sm logró buenos resultados generales, pero " "presentó errores en casos de ambigüedad léxica (apellidos que " "coinciden con locaciones) y en fragmentos con formato complejo. " "Como indicó la docente Orozco en la sesión de clase, estos " "errores son inherentes a los modelos ligeros y pueden mitigarse " "con limpieza previa más exhaustiva, reglas de post-procesamiento " "o el uso de modelos de mayor tamaño.") add_paragraph_apa(doc, "En síntesis, este laboratorio reforzó la idea de que el PLN no es " "un proceso lineal sino iterativo: cada resultado intermedio debe " "revisarse y ajustarse antes de avanzar. La combinación de " "herramientas clásicas (NLTK) con soluciones modernas (spaCy) ofrece " "un marco robusto para abordar tareas de análisis de texto en español, " "y las visualizaciones generadas permiten comunicar los hallazgos " "de forma clara y accesible.") # ═══════════════════════════════════════════════════════════════ # 6. REFERENCIAS # ═══════════════════════════════════════════════════════════════ doc.add_page_break() add_heading_apa(doc, "6. Referencias", level=1) referencias = [ "Arumugam, R. y Shanmugamani, R. (2018). Chapter 2. Text Classification and POS Tagging Using NLTK. En Hands-on natural language processing with python: A practical guide to applying deep learning architectures to your NLP applications (pp. 28-51). Packt Publishing.", "Campesato, O. (2021). Working with Text: POS. En Natural language processing fundamentals for developers (pp. 69-74). Mercury Learning and Information.", "Campesato, O. (2021). Chapter 4. Algorithms and Toolkits (I). En Natural language processing fundamentals for developers (pp. 123-160). Mercury Learning and Information.", "Ganegedara, T. (2018). Chapter 2: Understanding TensorFlow. En Natural language processing with TensorFlow: Teach language to machines using python's deep learning library (pp. 27-65). Packt Publishing.", "Guerrero, F. y Marco, M. (2014). Parte II: Gramáticas de contexto libre, Parsing, unificación de rasgos y semántica y análisis semántico. En Procesamiento del Lenguaje Natural. Monografías de la Revista NeoInstrumenta (pp. 30-87).", "Moreira, D., Cruz, I., Gonzalez, K., Quirumbay, A., Magallan, C., Guarda, T., Andrade, A. y Castillo, C. (2021). Análisis del estado actual de procesamiento de lenguaje natural. Revista Ibérica de Sistemas e Tecnologias de Informação, (E42), 126-136.", "Echeverri, M. y Manjarres, R. (2020). Asistente Virtual Académico Utilizando Tecnologías Cognitivas de Procesamiento de Lenguaje Natural. Revista Politécnica, 16(31), 85-96.", "Srinivasa, B. (2018). Chapter 1. What is Text Analysis. En Natural language processing and computational linguistics: A practical guide to text analysis with python, gensim, spacy, and keras (pp. 9-20). Packt Publishing.", ] for ref in referencias: add_reference(doc, ref) return doc # ─── Main ───────────────────────────────────────────────────────────── if __name__ == "__main__": print("Generando documento DOCX...") doc = build_document() out_dir = os.path.dirname(os.path.abspath(__file__)) out_path = os.path.join(out_dir, "Oviedo_Alexander_Proyecto_S3_PNL.docx") doc.save(out_path) print(f"✅ Documento generado: {out_path}")