Búsqueda y comparación contextual de llamadas transcritas del ECU911 utilizando modelos de lenguaje (GPTs) para encontrar emergencias similares.

Abstract

Este estudio presenta un enfoque innovador para la búsqueda y comparación contextual de llamadas transcritas del servicio de emergencia ECU 911, utilizando modelos de lenguaje GPT. La metodología se basa en CRISP-DM y un diagrama SPEM, e incluye preprocesamiento de datos, tokenización con modelos BERT, cálculo de similitud semántica, clusterización y comparación. El modelo utiliza K-Means para la clusterización de llamadas, mientras que KeyBERT se emplea para la extracción de palabras clave relevantes. El modelo está diseñado para ser intuitivo y accesible para los operadores de emergencias, y ha demostrado precisión en la identificación de emergencias similares. La validación del modelo se realizó a través de la evaluación por expertos y un análisis de aceptación tecnológica de Big Data. Los resultados indican que el modelo es útil y preciso en la identificación de patrones de emergencia. Se sugiere que futuros trabajos exploren la implementación del modelo en un plan piloto y su aplicación en llamadas en tiempo real para optimizar la capacidad de respuesta. Este enfoque promete mejorar la eficiencia operativa y la toma de decisiones en situaciones de emergencia.