Los motores de búsqueda se han convertido en una herramienta tan habitual para localizar información que el nombre del más común se utiliza ahora como sinónimo del acto mismo de buscar. Sin embargo, la inmensidad de la información disponible a través de los motores de búsqueda puede ser un obstáculo cuando se realizan consultas específicas, como la búsqueda de conceptos científicos y trabajos de investigación. Ofrecer resultados útiles y relevantes sin pasar por alto información novedosa es un equilibrio difícil, pero las nuevas herramientas y capacidades de diseño están mejorando este proceso.
Los investigadores científicos conocen bien este desafío y, sin las herramientas adecuadas, puede resultar más difícil encontrar publicaciones y materiales relevantes. Si los resultados son demasiado amplios, no se encuentra lo que realmente importa. Si las respuestas son demasiado específicas, es posible que se pase por alto una idea nueva importante.
Encontrar el punto de equilibrio ideal para la investigación científica puede ser complicado, pero afortunadamente no es algo inalcanzable.
Recuperación frente a precisión en los motores de búsqueda
Para entender la búsqueda científica, primero es importante comprender cómo funcionan los motores de búsqueda. Google, por ejemplo, prioriza la recuperación. Dicho de otro modo, maximiza el número de respuestas que pueden devolverse para una consulta. No existe la preocupación de que el usuario deba revisar todas las respuestas posibles, y la tecnología intenta clasificar los resultados por relevancia para que la información más valiosa para el usuario aparezca en la parte superior de la página de resultados.
Por el contrario, otros motores de búsqueda pueden priorizar la precisión, lo que maximiza las respuestas más relevantes para una consulta determinada. Este tipo de búsqueda es similar a utilizar el catálogo de una biblioteca: existe un conjunto establecido de resultados con numerosos campos para especificar la búsqueda, como el título, el autor y la fecha. Maximizar la precisión puede aumentar las probabilidades de obtener un conjunto de resultados manejable, pero también aumenta la posibilidad de pasar por alto algo que quede justo fuera de los parámetros de la búsqueda de precisión.
Exploremos un ejemplo de esta diferencia: si un usuario busca el término “Plasticizer 40T”, un motor de búsqueda típico no reconocerá que toda la consulta representa una sustancia comercial única. Al priorizar la recuperación, devolverá resultados genéricos para plastificantes que no incluyen “40T”. El usuario tendrá que realizar una segunda consulta, refinándola para incluir “40T” en los resultados.
Una búsqueda más centrada en la precisión y con conocimiento científico, por ejemplo a través de CAS SciFinderⓇ, evalúa la consulta frente a datos de ontología seleccionados y la reconoce como una entidad de sustancia novedosa. Por lo tanto, devuelve inmediatamente resultados para la sustancia específica Plasticizer 40T, incluso si en el texto del artículo se utiliza un nombre diferente para esta sustancia (véase la Figura 1).
Diseñar las capacidades de búsqueda adecuadas es fundamental para nuestra labor en CAS, razón por la cual CAS SciFinder puede reconocer fácilmente una sustancia novedosa en un término relacionado con la investigación científica. Las herramientas de búsqueda desarrolladas por científicos son intrínsecamente más sensibles a la terminología utilizada por otros investigadores. Sin embargo, buscar una sustancia comercial sigue siendo un ejercicio bastante definido. ¿Qué ocurre cuando un investigador busca relevancia pero también amplitud en relación con una enfermedad, un campo de estudio o un concepto?
Cómo encontrar el punto de equilibrio en el motor de búsqueda
Una forma común de equilibrar amplitud y profundidad es mediante la búsqueda booleana, que utiliza “y”, “o” y otras conjunciones para conectar términos. El uso de comillas para agrupar términos de búsqueda también puede ayudar a refinar las consultas para obtener resultados más precisos.
Independientemente de cómo elaboren una consulta, los investigadores pueden encontrar el punto de equilibrio con un motor de búsqueda que utilice datos estructurados y reconozca cadenas de texto de varios términos. Los datos estructurados tienen un formato coherente y están organizados en colecciones basadas en sus características. El algoritmo de búsqueda puede entonces identificar y evaluar con mayor eficacia qué resultados devolver. Reconocer cadenas de texto únicas de varios términos como entidades individuales y realizar la búsqueda como tales reduce los resultados irrelevantes que se generarían al buscar los fragmentos de los términos por separado.
¿Cómo se desarrolla este tipo de corpus de contenido? Mediante una curación meticulosa y el uso de ontologías para construir una comprensión refinada de las consultas de los usuarios. La CAS Content CollectionTM, por ejemplo, es el mayor repositorio de información científica curado por expertos humanos, y nuestras políticas de curación identifican los términos y sustancias más relevantes para crear entradas indexadas únicas. Gracias a esta curación, los resultados de búsqueda no se limitan al contenido del título o al resumen de una publicación.
Nuestra indexación incluye conceptos y terminologías de las secciones experimentales de la literatura científica que son específicos de la novedad científica de cada publicación. Por ejemplo, la introducción de un artículo puede definir un contexto general de interés para el autor —como el próximo avance en la cura de una enfermedad—, pero la verdadera novedad del artículo es un nuevo método analítico para evaluar un proceso químico. Una solución como CAS SciFinder, que utiliza datos curados, se centrará en el método analítico, no en el contexto general, para responder mejor a la consulta del usuario.
Las ontologías conectan las ideas adecuadas para obtener resultados relevantes
La forma en que construimos estas conexiones es a través de ontologías, que son colecciones de terminología curadas que incluyen la captura de relaciones de sinonimia. Estas relaciones proporcionan una lista de términos refinada pero extensa para aprovechar. Si un usuario busca una sustancia por un nombre comercial, nuestra ontología incluirá variaciones de nombres químicos, otros nombres comerciales e incluso identificadores internos en solicitudes de patentes. Sin estas conexiones, un motor de búsqueda convencional no puede identificar resultados relevantes.
Es por esto que una herramienta de búsqueda creada por científicos para científicos puede impulsar una innovación más eficiente: pueden proporcionar resultados más relevantes con mayor rapidez que un motor de búsqueda que prioriza la exhaustividad, y los datos capturan las relaciones jerárquicas entre terminologías clave.
Por ejemplo, buscar el término Sonic Hedgehog en CAS SciFinder frente a un motor de búsqueda común arroja resultados notablemente diferentes. CAS SciFinder lo reconoce inmediatamente como una proteína y devuelve publicaciones científicas relevantes (véase la Figura 3). Un motor de búsqueda general, sin embargo, devuelve el conocido personaje de videojuegos, no la información sobre la proteína que un científico estaría buscando.
Más allá de las ontologías, la indexación curada por humanos permite descubrimientos donde los algoritmos suelen fallar. Un experto puede reconocer las conexiones entre un código y una estructura química y establecer relaciones que definan una entidad química que los métodos de indexación no humana podrían pasar por alto. Esto permite capturar datos en diagramas, como moléculas y compuestos, y conectar esa información con explicaciones que pueden encontrarse en tablas, gráficos o texto en otras partes de la publicación (véase la Figura 4).
Sin curación, un motor de búsqueda típico debe depender del reconocimiento óptico de caracteres (OCR) para gráficos y diagramas, y algo tan simple como una mala resolución de imagen podría provocar que se pase por alto un descubrimiento importante. Las soluciones curadas por expertos como las de nuestros equipos en CAS aprovechan lo mejor de la experiencia humana junto con la velocidad y los avances algorítmicos de la tecnología de vanguardia.
La calidad de los datos es fundamental para el futuro de las búsquedas
La búsqueda científica no es como consultar la reseña de un restaurante local, y tanto las instituciones académicas como las comerciales se benefician de soluciones que equilibran la exhaustividad y la precisión. A medida que crece el cuerpo de conocimientos en cualquier campo científico, las capacidades de búsqueda deben evolucionar. Esto será cada vez más crítico a medida que las herramientas impulsadas por IA se conviertan en el estándar. Los modelos de lenguaje extensos (LLM) pueden tener dificultades con la búsqueda científica a menos que estén entrenados con los datos adecuados y cuenten con capas de redes neuronales para procesar datos no textuales.
Con una curación experta, ontologías sólidas y la capacidad de aprovechar datos no textuales, las soluciones especializadas pueden afrontar el desafío de perfeccionar y mejorar continuamente la búsqueda científica y los descubrimientos innovadores.
