Acerca de NodOS
El mapa
1Extracción
La información se extrajo del catálogo público TESIUNAM con un script de Python. El programa recorre el catálogo registro por registro, lee los campos de cada tesis (título, año, programa, nivel y asesores) y los guarda en una tabla. La mención de autor se retira del título con expresiones regulares, y una prueba automática verifica en cada publicación que no quede ninguna.
2Vectores
Cada título se convierte en un embedding: un vector de 1,024 dimensiones calculado con un modelo de lenguaje que representa textos de unos cien idiomas en un mismo espacio (multilingual-e5-large), y normalizado, de modo que títulos con significado parecido quedan cerca.
3Similitud
La similitud es el coseno entre dos embeddings. Comparar cada tesis con todas las demás sería lento, así que las treinta vecinas se buscan con FAISS: el índice divide el espacio en celdas y solo revisa las más cercanas a la consulta (IVF), y guarda cada número en un byte en lugar de cuatro (SQ8). Después se reordenan con el producto interno exacto.
4Clustering
Los embeddings se reducen a cinco dimensiones con UMAP. HDBSCAN estima la densidad alrededor de cada punto, construye un árbol de agrupamientos y conserva las hojas estables de al menos 150 tesis; los puntos que no alcanzan esa densidad quedan como ruido, en gris.
5Jerarquía
El enlace de Ward une en cada paso los dos grupos cuya unión menos aumenta la varianza interna: mide cuánto se alejan los puntos del centro del grupo combinado (el triángulo central) y elige el par con menor aumento. El árbol resultante se corta en tres niveles: campo, tema y subtema.
6Proyección
PaCMAP proyecta los embeddings al plano preservando la estructura local y global. Importan las vecindades; las coordenadas no tienen unidad.
7Nombres
Para nombrar un tema o un subtema se juntan los títulos de todas sus tesis como si fueran un solo texto y se cuenta cada palabra. Contar no basta: «de» se repite cientos de veces en todos los grupos y no dice nada. El puntaje c-TF-IDF baja las palabras que aparecen en casi todos los subtemas y sube las que se repiten en este y casi no aparecen en los demás. Las palabras con mayor puntaje dan el nombre. Los nombres de los campos se redactaron a mano.
| Palabra | Veces en este subtema | Puntaje c-TF-IDF |
|---|
El Laboratorio
8Propuesta
El título, el planteamiento y las palabras clave de una tesis en curso se convierten en un embedding con el mismo modelo, comparable con todo el catálogo.
9Ubicación
Las cincuenta tesis más parecidas votan el campo de la propuesta, con un peso igual al cuadrado de su similitud. Este cálculo no usa inteligencia artificial generativa.
10Análisis
Un modelo de lenguaje (gpt-oss-120b) redacta tres textos a partir de la propuesta y de las tesis parecidas. Son una orientación, no una evaluación. El modelo no utiliza la información proporcionada para su entrenamiento, y el proveedor no la conserva: la retención de datos se encuentra desactivada.
- La propuesta
- Las tesis más parecidaslas que votaron el campo
- Lectura del planteamiento
- Revisión de los objetivossegún la taxonomía de Bloom
- Preguntas de investigación
Publicación
11Dataset
El catálogo depurado se publica como dataset abierto en Kaggle: una fila por tesis, sin el nombre de quien la escribió.
| anio | nivel | programa | area | asesor |
|---|---|---|---|---|
| 2017 | Maestría | Ciencias Biológicas | Biológicas y Salud | Claudia Andrea Segal Kischinevzky |
titulo_legibleAnálisis de la expresión de catalasas de Debaryomyces hansenii en Saccharomyces cerevisiae
12Licencia
El código se publica con licencia MIT, lo que hace de NodOS un proyecto open source. El dataset se publica con licencia CC BY 4.0: puede usarse y redistribuirse citando la fuente. El nombre y el logo de NodOS quedan fuera de ambas licencias; el detalle está en los términos de uso.
NodOS es un proyecto independiente; no es un sitio oficial de la Universidad Nacional Autónoma de México.