Cargando...
Fecha
2025-09
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editorial
Citas
Resumen
Los sistemas de Retrieval-Augmented Generation (RAG) han adquirido una gran relevancia como estrategia para mejorar la precisión y la verificabilidad de los modelos de lenguaje, gracias a la combinación de generación con mecanismos de recuperación de información. No obstante, la mayoría de investigaciones se han orientado hacia lenguas con abundantes recursos lingüísticos y suelen evaluar la arquitectura completa, prestando menor atención al análisis detallado de cada una de sus fases. En este trabajo se aborda específicamente la etapa de recuperación de información en arquitecturas RAG, con un estudio centrado en el gallego y en el dominio de la prensa escrita. El análisis compara métodos léxicos clásicos con recuperadores densos multilingües de última generación, además de incorporar módulos neuronales de reranking. Para posibilitar la experimentación, se creó un conjunto de evaluación específico para el gallego y se desarrolló una herramienta modular de código abierto que automatiza la indexación, la recuperación y la evaluación. Los resultados muestran que los recuperadores densos multilingües superan sistemáticamente a los enfoques léxicos tradicionales, y que la integración de rerankers neuronales contribuye a mejorar de forma significativa la calidad del ranking. Estos hallazgos resultan especialmente relevantes en contextos donde no existen modelos entrenados específicamente para una lengua y es necesario recurrir a opciones multilingües. Junto con los recursos desarrollados, aportan un marco aplicable a otras lenguas minorizadas y contribuyen a ampliar el alcance de la investigación en RAG más allá de los contextos dominados por el inglés.
Retrieval-Augmented Generation (RAG) systems have become highly relevant as a strategy for improving the accuracy and verifiability of language models, thanks to the combination of generation with information retrieval mechanisms. However, most research has focused on languages with abundant linguistic resources and tends to evaluate the entire architecture, paying less attention to the detailed analysis of each of its phases. This work specifically addresses the information retrieval stage in RAG architectures, with a study focused on Galician and the domain of the written press. The analysis compares classical lexical methods with state-of-the-art dense multilingual retrievers, as well as incorporating neural reranking modules. To enable experimentation, a specific evaluation set for Galician was created and a modular open-source tool was developed to automate indexing, retrieval and evaluation. The results show that dense multilingual retrievers consistently outperform traditional lexical approaches, and that the integration of neural rerankers contributes to significantly improving ranking quality. These findings are particularly relevant in contexts where there are no models trained specifically for a language and it is necessary to resort to multilingual options. Together with the resources developed, they provide a framework that can be applied to other minority languages and help to extend the scope of RAG research beyond English-dominated contexts.
Retrieval-Augmented Generation (RAG) systems have become highly relevant as a strategy for improving the accuracy and verifiability of language models, thanks to the combination of generation with information retrieval mechanisms. However, most research has focused on languages with abundant linguistic resources and tends to evaluate the entire architecture, paying less attention to the detailed analysis of each of its phases. This work specifically addresses the information retrieval stage in RAG architectures, with a study focused on Galician and the domain of the written press. The analysis compares classical lexical methods with state-of-the-art dense multilingual retrievers, as well as incorporating neural reranking modules. To enable experimentation, a specific evaluation set for Galician was created and a modular open-source tool was developed to automate indexing, retrieval and evaluation. The results show that dense multilingual retrievers consistently outperform traditional lexical approaches, and that the integration of neural rerankers contributes to significantly improving ranking quality. These findings are particularly relevant in contexts where there are no models trained specifically for a language and it is necessary to resort to multilingual options. Together with the resources developed, they provide a framework that can be applied to other minority languages and help to extend the scope of RAG research beyond English-dominated contexts.
Descripción
Categorías UNESCO
Palabras clave
Retrieval-Augmented Generation, Recuperación de Información, Evaluación, Gallego, Retrieval-Augmented Generation, Information Retrieval, Evaluation, Galician
Citación
Rodríguez Fernández, Pablo. Trabajo fin de Máster: "Evaluación de sistemas de recuperación de información en gallego para su utilización en arquitecturas RAG". Universidad Nacional de Educación a Distancia (UNED), 2025
Centro
E.T.S. de Ingeniería Informática
Departamento
Lenguajes y Sistemas Informáticos