Modelo Transformers para Reducir la Ambigüedad Sintáctica mediante Preguntas en Contextos de Emergencia

Abstract

La ambigüedad lingüística en las llamadas de emergencia puede retrasar la respuesta o dirigir recursos al lugar equivocado. En el ECU 911, los operadores reciben mensajes orales con estructuras incompletas, referencias vagas y sujetos omitidos. Este trabajo desarrolla un sistema que detecta señales de ambigüedad y recomienda la pregunta aclaratoria para conversación, con el objetivo de reducir la ambigüedad sintáctica en la atención de llamadas. El sistema se fundamenta en la capacidad de los modelos Transformer para representar estructuras gramaticales jerárquicas y en enfoques de generación automática de preguntas y evaluación de relevancia sin referencia anotada. La metodología siguió CRISP-DM sobre 357 conversaciones del ECU 911: análisis morfosintáctico con spaCy, generación de preguntas con GPT-OSS 20B desplegado localmente, y un esquema dual que combina el evaluador LLM-as-judge Claude Sonnet con el evaluador semántico BERT en un ranking fusionado. Sobre 308 conversaciones válidas se generaron 1.815 preguntas; la pregunta recomendada obtuvo un score medio de 0.88, frente a 0.57 del promedio del conjunto, superándolo en pertinencia operativa en mayoría de los casos. La omisión de sujeto y las referencias temporales vagas concentraron más señales detectadas en los seis tipos de incidente, confirmando que la ambigüedad es una condición estructural del dominio. El esquema dual, primera aplicación de esta combinación en emergencias en español, demostró que integrar criterio operativo con similitud semántica produce rankings más robustos que por separado, sentando las bases de un sistema que apoya al operador sin reemplazar su juicio.