Browsing by Author "Löbel Díaz, Hans-Albert"

Now showing 1 - 4 of 4
  • No Thumbnail Available
    Item
    Imitating Human Reasoning to Extract 5W1H in News
    (ACM Digital Library, 2025) Muñoz Castro, Carlos José; Mendoza Rocha, Marcelo; Löbel Díaz, Hans-Albert; Keith, Brian
    Extracting key information from news articles is crucial for advancing search systems. Historically, the 5W1H framework, which organises information based on ’Who’, ’What’, ’When’, ’Where’, ’Why’, and ’How’, has been a predominant method in digital journalism empowering search tools. The rise of Large Language Models (LLMs) has sparked new research into their potential for performing such information extraction tasks effectively. Our study examines a novel approach to employing LLMs in the 5W1H extraction process, particularly focusing on their capacity to mimic human reasoning. We introduce two innovative Chain-of-Thought (COT) prompting techniques to extract 5W1H in news: extractive reasoning and question-level reasoning. The former directs the LLM to pinpoint and highlight essential details from texts, while the latter encourages the model to emulate human-like reasoning at the question-response level. Our research methodology includes experiments with leading LLMs using prompting strategies to ascertain the most effective approach. The results indicate that COT prompting significantly outperforms other methods. In addition, we show that the effectiveness of LLMs in such tasks depends greatly on the nature of the questions posed.
  • Thumbnail Image
    Item
    Measuring heterogeneous perception of urban space with massive data and machine learning: An application to safety
    (2021) Ramírez Sarmiento, Tomás Ignacio; Hurtubia, Ricardo; Löbel Díaz, Hans-Albert; Rossetti, T.; CEDEUS (Chile)
    Urban space safety Machine learning Heterogeneous perception Built environment In the last decade, large street imagery data sets and machine learning developments have allowed increasing scalability of methodologies to understand the effects of landscape attributes on the way they are perceived. However, these new methodologies have not incorporated individual heterogeneity in their analysis, even though differences by gender and other sociodemographic characteristics in the perception of safety and other aspects of landscapes and public spaces have been widely studied in social sciences and urban planning in lower scale studies. In the present study, we combine computational and statistical tools to develop a methodological proposal with high scalability and low implementation cost, which helps to identify and measure heterogeneous perception and its correlation to the presence of elements in the landscape. To achieve this, we implement a survey of perception of public spaces, collecting sociodemographic information of respondents. Then, we fit a discrete choice model to quantify perceptions of these spaces using a parametrization of images that jointly considers semantic segmentation and object detection as input. Our results show heterogeneity in the perception of safety in public spaces according to gender and the observer’s habitual mobility choices. The model is then applied to the city of Santiago, Chile. This produces a map of safety perception for different types of users. The proposed method and the obtained results can be a relevant input for the design of public spaces and decision making in the urban planning process.
  • Thumbnail Image
    Item
    Predicción de localización de puestos de trabajo con redes neuronales sobre imágenes satelitales
    (2024) Pizarro Kumpf, Paulina Andrea; Muñoz Abogabir, Juan Carlos; Löbel Díaz, Hans-Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    La localización de trabajos dentro de las ciudades es fundamental para planificar adecuadamente los sistemas de transporte. Al ser el propósito laboral el más cuantioso dentro de los motivos de viaje en horas punta, conocer la ubicación y concentración de estos atractores/generadores de viaje permite evaluar el efecto de modificaciones de servicios, infraestructura, políticas de transporte, entre otros. Entre las metodologías tradicionales empleadas para recabar esta información se encuentra la realización de encuestas, las que son costosas de implementar y, por consecuencia, suelen no realizarse frecuentemente por lo que la información se encuentra desactualizada. A modo de enfrentar estas dificultades, en esta investigación se propone el uso de redes neuronales convolucionales (CNN) sobre imágenes satelitales para predecir la localización de trabajos en la ciudad de Santiago. Utilizando una imagen satelital de Santiago, se georreferencia información de empresas y usos de suelo, y se genera un conjunto de datos que se utiliza para entrenar diferentes arquitecturas de redes neuronales convolucionales. Se utiliza transfer learning para hacer más eficiente el entrenamiento y se comparan modelos de una y dos entradas, obteniendo mejores resultados para el segundo. Se proponen y se evalúan tres modelos de clasificación y uno de regresión, obteniendo un balanced accuracy de 27% para el modelo de 10 clases, 52% para el modelo de 4 clases y 85% para el modelo de clasificación binario. Los resultados obtenidos muestran que es posible utilizar CNN sobre imágenes satelitales para interpretar presencia de actividades laborales y por consecuencia localizarlas. Entre las recomendaciones para trabajos futuros, se propone el uso de base de datos con localización laboral más precisa, información de usos de suelo a nivel de predios que permita asignar los trabajos a un área y no a un punto, y probar otras arquitecturas de red, como modelos de clasificación jerárquicos.
  • Thumbnail Image
    Item
    Scale-Invariant Deep Learning Approach for QSM Reconstruction: SI-QSM
    (2022) Larraín De Andraca, José Manuel; Tejos Núñez, Cristián Andrés; Löbel Díaz, Hans-Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    Mapas cuantitativos de susceptibilidad (QSM) es una técnica basada en resonancia magnética que permite cuantificar la susceptibilidad magnética de los tejidos. Esta técnica ha surgido como un biomarcador potencial para varias enfermedades neurológicas. El proceso de reconstrucción QSM implica la resolución de un problema inverso mal comportado. Actualmente las soluciones iterativas resuelven el problema utilizando heurísticas difíciles de implementar y con alto tiempo de cómputo. Métodos aplicando inteligencia artificial han surgido como soluciones alternativas. Pese a su éxito, estos métodos siguen presentando problemas cuando hay un desajuste en la escala espacial entre los conjuntos de datos de entrenamiento y los mapas de susceptibilidad a reconstruir. En este trabajo se propone la alternativa de inteligencia artificial SI-QSM, que incorpora en su algoritmo el estado del arte de entrenamiento y arquitectura. Los datos de entrenamiento se basan en el modelo analítico y la función de perdida equilibrada la norma L1, la norma L2 y una regularización de variación total. La arquitectura está basada en U-net con capas residuales y kernels con diferentes tamaños. SI-QSM fue entrenado a una escala espacial y probado con simulaciones y datos in-vivo de diferentes escalas espaciales. Se comparó las reconstrucciones de SI-QSM con los estados del arte iterativos e inteligencia artificial. Concluyendo que SI-QSM puede inferir QSM precisas a diferentes escalas, sin producir estructuras borrosas, susceptibilidades sesgadas y con un buen control del ruido o artefactos. Además, SI-QSM superó las otras alternativas de inteligencia artificial y produjo reconstrucciones de calidad similar a las obtenidas por las iterativas, pero es sustancialmente más rápido y sin necesidad de utilizar ninguna heurística para ajustar los parámetros.