Palabras clave
Revisión estructurada
Inteligencia artificial
Procesamiento de lenguaje natural
Cómo citar
Resumen
Este artículo presenta una revisión estructurada de la literatura sobre sistemas de recomendación que recurren al procesamiento de lenguaje natural (PLN), que abarca publicaciones entre 2020 y 2025. El corpus final estuvo compuesto por 240 artículos analizados íntegramente tras la selección y deduplicación (214 correspondientes a 2020-2024 y 26 publicados en 2025). La curaduría y organización de los datos se apoyó en herramientas digitales como Zotero, Rayyan, SciSpace, NotebookLM y Biblioshiny. Los resultados evidencian el predominio de técnicas de aprendizaje profundo, con énfasis en modelos como BERT, Word2Vec y GPT, además del uso creciente de grandes modelos de lenguaje y grafos de conocimiento. Sin embargo, no se encontraron registros en la Revista Brasileira de Informáticana Educação (RBIE) o en la biblioteca digital de la Sociedade Brasileira de Computação (SBC-OpenLib), lo que indica que, en comparación con los dominios globales, la producción científica en nichos nacionales específicos es aún incipiente. Esta laguna evidencia oportunidades relevantes para la transposición de técnicas avanzadas de procesamiento de lenguaje natural a dominios específicos aún poco explorados a nivel nacional, como el contexto educativo, además de fomentar la formación de investigadores en el uso de metodologías de revisión sistemática asistidas por inteligencia artificial.
Citas
Baker, Ryan Shaun Joazeiro de, Seiji Isotani e Adriana Maria Joazeiro Baker de Carvalho. 2011. “Mineração de dados educacionais: oportunidades para o Brasil”. Revista Brasileira de Informática na Educação 19 (2): 3-13. https://doi.org/10.5753/RBIE.2011.19.02.03
Bazzan, Jordana, Márcia Elisa Echeveste, Carlos Torres Formoso, Bernardo Altenbernd e Márcia Helena Barbian. 2023. “An Information Management Model for Addressing Residents’ Complaints Through Artificial Intelligence Techniques”. Buildings 13 (3), e737. https://doi.org/10.3390/buildings13030737
Bojanowski, Piotr, Edouard Grave, Armand Joulin e Tomas Mikolov. 2017. “Enriching Word Vectors with Subword Information”. Transactions of the Association for Computational Linguistics 5: 135-46. https://doi.org/10.1162/tacl_a_00051
Brown, Tom B., Benjamin Mann, Nick Ryder, Melanie Subbiah, Jared Kaplan, Prafulla Dhariwal, Arvind Neelakantan et al. 2020. “Language Models are Few-Shot Learners”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.2005.14165
Cho, Kyunghyun, Bart van Merriënboer, Caglar Gulcehre, Dzmitry Bahdanau, Fethi Bougares, Holger Schwenk e Yoshua Bengio. 2014. “Learning Phrase Representations Using RNN Encoder-Decoder for Statistical Machine Translation”. Em Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), organizado por Alessandro Moschitti, Bo Pang e Walter Daelemans, 1724-34. Association for Computational Linguistics. https://doi.org/10.3115/v1/D14-1179
Devlin, Jacob, Ming-Wei Chang, Kenton Lee e Kristina Toutanova. 2019. “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.1810.04805
Gugnani, Akshay, e Hemant Misra. 2020. “Implicit Skills Extraction Using Document Embedding and its Use in Job Recommendation”. Proceedings of the AAAI Conference on Artificial Intelligence 34 (8): 13286-93. https://doi.org/10.1609/aaai.v34i08.7038
Hochreiter, Sepp, e Jürgen Schmidhuber. 1997. “Long Short-Term Memory”. Neural Computation 9 (8): 1735-80. https://doi.org/10.1162/neco.1997.9.8.1735
Kim, Yoon. 2014. “Convolutional Neural Networks for Sentence Classification”. Em Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), organizado por Alessandro Moschitti, Bo Pang, Walter Daelemans, 1746-51. Association for Computational Linguistics. https://doi.org/10.3115/v1/D14-1181
Kingma, Diederik P., e Max Welling. 2014. “Auto-encoding Variational Bayes”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.1312.6114
Le, Quoc V., e Tomas Mikolov. 2014. “Distributed Representations of Sentences and Documents”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.1405.4053
Lin, Jianghao, Xinyi Dai, Yunjia Xi, Weiwen Liu, Bo Chen, Hao Zhang, Yong Liu et al. 2024. “How Can Recommender Systems Benefit from Large Language Models: A Survey”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.2306.05817
Liu, Bing. 2012. Sentiment Analysis and Opinion Mining. Springer. https://doi.org/10.2200/S00416ED1V01Y201204HLT016
Liu, Yinhan, Myle Ott, Naman Goyal, Jingfei Du, Mandar Joshi, Danqi Chen, Omer Levy et al. 2019. “RoBERTa: A Robustly Optimized BERT Pretraining Approach”. Pré-publicação Arxiv. https://arxiv.org/abs/1907.11692
Manning, Christopher D., Prabhakar Raghavan e Hinrich Schütze. 2008. Introduction to Information Retrieval. Cambridge University Press. https://doi.org/10.1017/CBO9780511809071
Mikolov, Tomas, Kai Chen, Greg Corrado e Jeffrey Dean. 2013a. “Efficient Estimation of Word Representations in Vector Space”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.1301.3781
Mikolov, Tomas, Ilya Sutskever, Kai Chen, Greg Corrado e Jeffrey Dean. 2013b. “Distributed Representations of Words and Phrases and their Compositionality”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.1310.4546
Page, Matthew J., Joanne E. McKenzie, Patrick M. Bossuyt, Isabelle Boutron, Tammy C. Hoffmann, Cynthia D Mulrow, Larissa Shamseer et al. 2021. “The PRISMA 2020 Statement: An Updated Guideline for Reporting Systematic Reviews”. BMJ 372, 71. https://doi.org/10.1136/bmj.n71
Pennington, Jeffrey, Richard Socher e Christopher Manning. 2014. “GloVe: Global Vectors for Word Representation”. Em Proceedings of the 2014 Conference on Empirical Methods in Natural Language Processing (EMNLP), organizado por Alessandro Moschitti, Bo Pang e Walter Daelemans, 1532-43. Association for Computational Linguistics. https://doi.org/10.3115/v1/D14-1162
Pereira, Aluisio José, Alex Sandro Gomes e Tiago Thompsen Primo. 2022. “Design de sistema e recomendação educacional: abordagens com Mágico de Oz”. Em Anais do XXXIII Simpósio Brasileiro de Informática na Educação (SBIE 2022), 1184-95. Sociedade Brasileira de Computação. https://doi.org/10.5753/sbie.2022.225760
Pires, Pedro R., Bruna B. Rizzi e Thiago A. Almeida. 2024. “Why Ignore Content? A Guideline for Intrinsic Evaluation of Item Embeddings for Collaborative Filtering”. Em Brazilian Symposium on Multimedia and the Web (Webmedia), 345-354. Sociedade Brasileira de Computação. https://doi.org/10.5753/webmedia.2024.243199
Qiu, Zhangchi, Ye Tao, Shirui Pan e Alan Wee-Chung Liew. 2024. “Knowledge Graphs and Pretrained Language Models Enhanced Representation Learning for Conversational Recommender Systems”. IEEE Transactions on Neural Networks and Learning Systems 36 (4): 6107-21. https://doi.org/10.1109/tnnls.2024.3395334
RBIE (Revista Brasileira de Informática na Educação). s. d. About the Journal. Acessado em 19 de março, 2026. https://journals-sol.sbc.org.br/index.php/rbie
Ricci, Francesco, Lior Rokach e Bracha Shapira, orgs. 2015. Recommender Systems Handbook, 2.º ed. Springer. https://doi.org/10.1007/978-1-4899-7637-6
Salton, Gerard, e Christopher Buckley. 1988. “Term-Weighting Approaches in Automatic Text Retrieval”. Information Processing & Management 24 (5): 513-23. https://doi.org/10.1016/0306-4573(88)90021-0
Sanh, Victor, Lysandre Debut, Julien Chaumond e Thomas Wolf. 2019. “DistilBERT, a Distilled Version of BERT: Smaller, Faster, Cheaper and Lighter”. Pré-publicação Arxiv. https://doi.org/10.48550/arXiv.1910.01108
SBC (Sociedade Brasileira de Computação). s. d. SBC OpenLib (SOL). Acessado em 19 de março, 2026. https://sol.sbc.org.br
Shaikh, Aryaan, Nikita Newalkar, Sakshi Gaikwad, Namrata Kadav e Chaitali Shewale. 2023. “Autocomplete Recommendation Plugin and Summarizing Text Using Natural Language Processing”. Journal of Innovation Information Technology and Application (JINITA) 5 (2): 114-23. https://doi.org/10.35970/jinita.v5i2.1912
Singla, Priyanka, e Vishal Verma. 2025. “An Intelligent Job Recommendation System Based on Semantic Embeddings and Machine Learning”. Journal of Information Systems Engineering and Management 10 (5s): 520-42. https://doi.org/10.52783/jisem.v10i5s.681
Velpula, Koteswara Rao, Hema Pavuluri, Poojitha Neeluri, Anushka Pappala e Mounika Narra. 2024. “Recommendation System for Code Validation and Optimal Refactoring”. International Journal of Advanced Research in Computer and Communication Engineering 13 (3): 80-87. https://doi.org/10.17148/IJARCCE.2024.13313
Yang, Yixiao. 2022. “Improving the Robustness to Data Inconsistency Between Training and Testing for Code Completion by Hierarchical Language Model”. Pré-publicação Arxiv. https://arxiv.org/abs/2003.08080v2
Yang, Fan, Zheng Chen, Ziyan Jiang, Eunah Cho, Xiaojiang Huang e Yanbin Lu. 2023. “PALR: Personalization Aware LLMs for Recommendation”. Pré-publicação Arxiv. https://arxiv.org/abs/2305.07622
Los autores:
- Deben remitir a Investigación Bibliotecológica: archivonomía, bibliotecología e información la Carta de autorización para la publicación de artículos.
- pueden usar su obra para compartir con la comunidad científica en los ámbitos siguientes:
- Apoyo a la docencia.
- Realizar conferencias.
- Autoarchivo en repositorios académicos.
- Difundir en redes académicas.
- Difundir en blogs y sitios personales del autor.
Ello será posible siempre y cuando se respeten las condiciones de uso de los contenidos de la revista, según la licencia Creative Commons:Atribución – No comercial – Sin Derivar 4.0.
Política de autoarchivo
En el caso de la publicación de la obra como autoarchivo, los autores deben cumplir con los aspectos siguientes:
a) Reconocer el derecho de autor a la RIB.
b) Establecer un enlace con la versión original de la contribución a la página de la revista donde se encuentre el artículo.
c) Difundir la versión definitiva publicada en la revista.
Licencia de los contenidos
La revista Investigación Bibliotecológica: archivonomía, bibliotecología e información permite el acceso y uso de sus contenidos según la licencia Creative Commons: Atribución – No comercial – Sin Derivar 4.0.
Ello implica que los contenidos sólo pueden ser leídos y compartidos siempre que se reconozca y se cite la autoría de la obra. No se puede usar la obra para fines comerciales ni modificarla.
Deslinde de responsabilidades
La RIB no se hace responsable en caso de que el autor haya incurrido en fraude o plagio científico, tampoco de los criterios reflejados por los autores. De igual forma, no es responsable por los servicios ofrecidos por terceros a partir de los enlaces electrónicos disponibles en los artículos de los autores.
En apoyo a ello, la RIB pone a disposición las responsabilidades que el autor debe cumplir en el proceso de publicación en la revista Investigación Bibliotecológica: archivonomía, bibliotecología e información en el enlace siguiente: Responsabilidades del autor.
En caso de migrar los contenidos del sitio oficial de la RIB, con implicaciones de cambio de IP o dominio, el director o editor de la revista informará a los autores sobre ello.