El Laboratorio de Cibermetría pertenece al Centro de Ciencias Humanas y Sociales (CCHS) del Consejo Superior de Investigaciones Científicas (CSIC). El laboratorio es, desde mitad de los años 90, uno de los grupos pioneros en la utilización de técnicas cuantitativas en el análisis de los procesos de comunicación científica a través de Internet.

Actualmente, las líneas de investigación del laboratorio se centran en el desarrollo de indicadores web aptos para la descripción y la evaluación de actividades de I+D. Estos estudios forman parte de una disciplina reciente conocida con el nombre de Cibermetría o Webometría. De hecho, la primera revista dedicada a esta materia fue la publicación electrónica Cybermetrics, publicada por este laboratorio desde 1997. El desarrollo de la disciplina en Europa se posibilitó gracias a dos proyectos europeos del FP5 consecutivos que financiaron la actividad de los principales grupos de investigación en cibermetría. CybermetricsLab-CSIC participó como grupo coordinador en EICSTES y como socio en WISER.

Los miembros del laboratorio han tomado parte en más de 100 congresos nacionales e internacionales, workshops y seminarios en todo el mundo, y han publicado 30 artículos en revistas de impacto. En 2007, el laboratorio fue uno de los organizadores de la 11th International Society for Scientometrics and Informetrics Conference, celebrada en Madrid. La actividad de formación del grupo incluye la impartición de más de 300 workshops, seminarios y congresos en más de 80 universidades y sociedades profesionales en todo el mundo.

Periódicamente desde 2004, el laboratorio publica, con notable impacto internacional, su Ranking Mundial de Sitios Web de Universidades que integra en sus últimas revisiones sitios web de repositorios, hospitales, centros de investigación y escuelas de negocios.

El grupo Human Language Tecnologies & Information Retrieval es un equipo multidisciplinar que incluye lingüistas, matemáticos e ingenieros informáticos y de telecomunicación provenientes del Laboratorio de Lingüística Informática, el Information Retrieval Group y el Biometric Recognition Group de la Universidad Autónoma de Madrid.

La labor investigadora del grupo ha dado lugar a un amplio número de publicaciones en foros con impacto científico durante los últimos cinco años, entre los que cabe destacar 9 artículos en revistas JCR, 3 capítulos en libros e editoriales internacionales de prestigio (John Benjamins, Rodopi), además de otras contribuciones a congresos de primer nivel en sus respectivas áreas, tales como Hypertext, ISWC, ECIR, SIGIR, LREC.

En el aspecto formativo, se han completado en estos años 9 tesis doctorales dentro del grupo. Sus miembros participan activamente en el Máster en Ingeniería Informática y de Telecomunicación de la Escuela Politécnica Superior de la UAM, así como el en Doctorado “El lenguaje humano” de la Facultad de Filosofía y Letras. En este período el grupo ha dirigido además un total de 15 Trabajos de Iniciación a la Investigación.

Las líneas de trabajo actuales del grupo son:

1. Creación de recursos multilingües en formato electrónico, actividad en la que destaca dentro del panorama nacional e internacional. Entre los corpus compilados destacan los dedicados a la lengua española espontánea: CORLEC, C-ORAL-ROM y CHIEDE. Estos corpus incluyen la transcripción, el sonido alineado y anotación fonológica, silábica, morfosintáctica y semántica. Igualmente se han desarrollado corpus escritos en español como el Corpus de referencia de la lengua española en Argentina y Chile, el Spanish UAM Treebank. Otra de sus actividades destacadas es la creación de recursos en otras lenguas, como el corpus paralelo en árabe, español e inglés, un lexicón en francés-español, y corpus orales en desarrollo sobre el japonés, el árabe y el chino. Algunos de estos recursos se comercializan a través de la European Linguistic Distribution Agency (ELDA), otros están a disposición de los investigadores bajo licencia gratuita. Estos recursos son imprescindibles para diseñar, entrenar y evaluar cualquier tipo de sistema de procesamiento automático que incluya contenido multimedia.
2. Recuperación y Extracción de Información, con especial énfasis en la recuperación de información personalizada y en contexto, los sistemas de recomendación, la predicción de eficacia y el uso de tecnologías semánticas. La actividad científico-técnica ha dado asimismo como producto el desarrollo de tecnología (módulos software, prototipos, demostradores), recursos de prueba y metodologías orientados a las líneas señaladas (perfilado de usuario, modelado de contexto, recomendación y filtrado colaborativo, motor semántico). Varios de estos recursos están actualmente en vías de puesta a punto para su distribución bajo licencia pública.
3. Transcripción automática de habla espontánea enfocada a la resolución de tareas como el reconocimiento automático del locutor (reconocer al hablante a partir de una grabación de su voz) y el reconocimiento de idioma (reconocer la lengua en la que se está hablando en un determinado segmento de voz).

Entre las realizaciones más destacables de los últimos cinco años, cabe mencionar, por un lado, la participación en proyectos europeos del FP6 como aceMedia (FP6-001765) y MESH (FP6-027685); proyectos de I+D del Plan Nacional como Recuperación de información sobre distintos medios basada en modelos multidimensionales: relevancia, novedad, personalización y contexto (TIN2008-06566-C04-02), Scaleable semantic personalised search of spoken and written contents on the semantic web (TIN2005-06885), Automatic knowledge organization, data analysis and dynamic document generation on the semantic web (TIC2002-1948), RILARIM (TIN2004-07588-C03-02) y BRAVO-RL (TIN2007-67407-C03-02), el proyecto CENIT i3media (CENIT-2007-1012), la red temática nacional Web Semántica (TSI2006-26928-E), y varios otros proyectos de colaboración con empresas con financiación PROFIT y de programas del CDTI. Complementariamente a los proyectos, las estancias e intercambios con centros de excelencia son otra prioridad en las actividades del grupo. Cabe mencionar varias estancias pre- y post-doctorales en MIT, New York University, DFKI, University of Edimburgh, Universität Wien, University of Glasgow, University of Southampton, Open University, University of Maryland) y contactos con centros de investigación de empresas tecnológicas (IBM, Telefónica I+D y Yahoo! Research).

El Laboratorio de Bases de Datos Avanzadas perteneciente al Departamento de Informática de la Universidad Carlos III de Madrid ha participado en los últimos años en proyectos relacionados con la tecnología del tratamiento del lenguaje natural, interacción natural, recuperación de información, sistemas de búsqueda de respuestas y tecnologías de almacenamiento. Entre los proyectos más recientes relacionados con tecnologías del lenguaje destacan: el proyecto MIRACLE (CM 07T/0055/2003 2) en el que se trabajó en el desarrollo de un sistema de recuperación de información multilingüe y su evaluación dentro del foro de evaluación CLEF; el proyecto GPS Plataforma de Gestión de Procesos Software: Modelado, reutilización y medición (TIN2004-07083) en el que se aplicaron técnicas de tratamiento del lenguaje para documentación generada en proyectos software; el proyecto en curso BRAVO: Búsqueda de Respuestas Avanzada Multimodal y Multilingüe (TIN2007-67407-C03-01) dedicado a investigar en tecnologías para mejora la búsqueda de respuestas tanto con entrada en texto como en voz.

LABDA-UC3M participa como grupo beneficiario en el programa MAVIR-CM y en la Red Temática en Tratamiento de la Información Multilingüe y Multimodal (TIMM, TSI2007-30967-E). Algunos de sus miembros investigadores forman parte, además, del Centro Español de Subtitulado y Audiodescripción (CESYA) dependiente del Real Patronato sobre Discapacidad para promover iniciativas que permitirán a las personas con discapacidad auditiva y visual acceder a los contenidos televisivos.

Por otro lado, junto con el Hospital de Fuenlabrada, el grupo LABDA-UC3M participa en el proyecto ISSE: Interoperabilidad basada en semántica para la Sanidad Electrónica (FIT-350300-2007-75) cuyo objetivo se centra en el tratamiento automático del lenguaje para localización y extracción de información a partir de textos médicos y otros recursos (informes, historia clínica electrónica, documentación científica, etc.) escritos en castellano. Para ello se trabajó en buscadores con distintos niveles de complejidad que integren recursos y terminología específica del dominio médico y con distinto tratamiento de los niveles sintáctico y semántico.

Una de las líneas en las el grupo trabaja en la actualidad es la localización de principios activos de medicamentos e interacciones entre ellos en literatura médica, haciendo uso de recursos como UMLS, diccionarios y reglas USAN de denominación de fármacos. Como resultado de este trabajo, el grupo ha generado automáticamente un corpus anotado con nombres de fármacos genéricos y otros conceptos biomédicos. Este corpus, que ha sido revisado manualmente por un experto farmacológico, consiste en 849 abstracts procedentes de PubMed.

En relación con la investigación en interacción natural, el grupo ha participado en los siguientes proyectos: INTEGRA TV-4ALL. Televisión Interactiva para Invidentes (FIT-350301-2004-2) en el que se ha desarrollado un gestor de diálogo en lenguaje natural para personas con discapacidad visual en el entorno de una habitación de hotel con el fin de hacer accesibles determinados servicios; SOPAT: Servicio de Orientación Personalizada y Accesible para Turismo (CIT-410000-2007-12) cuyo objetivo era mejorar los sistemas de señalización existentes para turistas de cualquier lengua y desarrollar sistemas accesibles es establecimientos turísticos que ayuden a superar algunas discapacidades (motrices, auditivas, y visuales); Canal de Acceso a Recursos y contenidos Digitales cuyo objetivo es el desarrollo de un nuevo canal digital que permita el acceso a información completa y servicios en el dominio de los negocios; Thuban: Plataforma de Interacción Natural para el acompañamiento virtual en entornos reales (TIN2008-02711) que persigue el desarrollo de un acompañante virtual que interacciona con el usuario mientras éste se mueve en un entorno determinado, proporcionándole acceso a un conjunto de servicios preestablecidos (que tienen en cuenta la posición y trayectoria del usuario) y los orientados a dirigir esos parámetros y en general cualquier servicio disponible en el sistema (p. ej., búsquedas en un catálogo).

El Grupo de Sistemas Inteligentes de la Universidad Europea de Madrid centra su actividad en líneas de investigación en el análisis de contenido textual, la recuperación de información, el acceso a la información en entornos multilingües, el aprendizaje automático, la personalización de contenidos, la creación de ontologías y la interacción en dispositivos móviles. Destaca una importante focalización en el ámbito del acceso y la gestión de la información médica y la seguridad de contenidos. El grupo está formado por 16 investigadores, 7 de ellos doctores, con una relevante componente interdisciplinar, participando en esta propuesta profesores de los departamentos de Sistemas Informáticos, Arquitectura de Computadoras, Electrónica y Comunicaciones y Especialidades Médicas.

GSI-UEM ha realizado múltiples presentaciones en congresos nacionales e internacionales y publicaciones indexadas en JCR relacionadas con la orientación de la propuesta tales como ACM Transactions on Information Systems, Information Processing and Management, Medical & Biological Engineering, Technovation y Computers and the Humanities. En la actualidad, el grupo está supervisando 5 tesis doctorales relacionadas con el análisis y el acceso a la información. El grupo ha participado en los últimos años en diversos proyectos de investigación y transferencia de tecnología relacionados con las líneas de investigación antes mencionadas, participando en consorcios junto con empresas de desarrollo de software como Gesfor, SIP, iSOCO, Vodafone, Answare Tech o Bitext, clientes o usuarios finales como la Agencia EFE, el diario ABC, el Hospital de Fuenlabrada, e instituciones internacionales como Istituto di Linguistica Computazionale (Italia) y University of Sheffield (Reino Unido).

La financiación de estos proyectos y consorcios ha provenido de diferentes programas de I+D del Ministerio de Educación y Ciencia, el Ministerio de Industria, la Comunidad de Madrid y la Comisión Europea. Los más significativos de los últimos años relacionados con las líneas de la presente propuesta son: ISSE: Interoperabilidad basada en Semántica para la Sanidad Electrónica (FIT-350300-2007-75); SINAMED: Diseño e integración de técnicas de generación de resúmenes y categorización automática de textos para el acceso a la información bilingüe en el ámbito biomédico (TIN-2005-08998-C02-01); ISIS: Sistema Inteligente de Acceso Integrado a la Información del Historial Clínico del Paciente y Documentación Médica Relacionada (FIT-070000-2003-39); MOBIHELP: Sistema de ayuda telemática para pacientes crónicos de riesgo (contrato con Answare Tech, 2007); FISME: Análisis prospectivo de tecnologías de filtrado de spam SMS basado en contenido (contrato con Vodafone, 2006); TEFILA: Técnicas de filtrado basadas en Ingeniería del Lenguaje, Aprendizaje Automático y Agentes (FIT-070000-2003-29); y POESIA: Public Open-SourceEnvironment for a Safer Internet (EC SIAP 2117/27572).

El grupo Natural Language Processing and Information Retrieval está formado actualmente por 20 investigadores, 9 de ellos doctores permanentes, de la Escuela Técnica Superior de Ingeniería Informática de la UNED. M. Felisa Verdejo, investigadora principal del grupo, es la coordinadora del consorcio. El grupo comenzó su actividad investigadora en 1993 y desde entonces ha estado involucrado en 14 proyectos de investigación financiados con cargo a convocatorias públicas con concurrencia competitiva, tanto del plan nacional como de los programas marco de la Comisión Europea. En los últimos cinco años se han generado alrededor de un centenar de publicaciones en revistas y congresos de impacto, se han presentado 8 tesis doctorales y otras 9 están siendo dirigidas en la actualidad.

Los temas de interés dentro del grupo se pueden agrupar en torno a dos grandes líneas de investigación básicas:

1. Acceso Inteligente a la Información: asistentes de búsqueda translingües para recuperación de documentos, sistemas de búsqueda de respuestas y de recuperación de imágenes, síntesis de información, recuperación de terminología multilingüe, técnicas de Procesamiento del Lenguaje Natural superficial y eficiente para tareas de acceso a la información, organización inteligente, visualización y navegación a través de resultados de buscadores, ontologías y sistemas basados en conocimiento, representación y clustering multilingüe de documentos y clasificación automática de páginas web.
2. Adquisición y Representación de Conocimiento Léxico y Gramatical: bases de datos léxicas, redes semánticas multilingües (EuroWordNet), tesauros multilingües, desambiguación semántica y minería de la Web para la extracción de información léxica.

Los miembros del grupo participan activamente en la organización de evaluaciones competitivas internacionales y en la propuesta de nuevos marcos de evaluación dentro del marco del Cross Language Evaluation Forum (CLEF) y de otros foros: iCLEF, CLEF QA, AVE, Web People Search.

Los proyectos de investigación del grupo más relevantes para las líneas de investigación del consorcio son: QEAVis: Quantitative Evaluation of Academic Websites Visibility (TIN 2007-67581-C02-01) en el que se aplican las Tecnologías del Lenguaje a la visibilidad académica en la Web, desarrollando indicadores web (cibermetría) y estudiando la visibilidad de los sitios web académicos, haciendo especial énfasis en la presencia del Español y en el ámbito de las disciplinas relacionadas con las Humanidades, que requieren una ayuda especial respecto a su posicionamiento en web; TrebleCLEF: Evaluation Best Practice and Collaboration for Multilingual Information Access (FP7, ICT-1-4-1 #215231) centrado en la evaluación de sistemas multilingües de Acceso a la Información; TEXT-MESS: Minería de Textos Inteligente, Interactiva y Multilingüe basada en Tecnología del Lenguaje Humano (TIN2006-15265-C06), centrado en el desarrollo de tecnologías inteligentes, interactivas y multilingües de minería de textos que integren búsqueda documental en páginas web, búsqueda multimedia sobre imágenes y búsqueda sobre información semi-estructurada; MedIEQ: Quality Labeling of Medical Web content using Multilingual Information Extraction (FP6, Public Health A/790604) cuyo objetivo era el desarrollo de una aplicación de etiquetado automático de información multilingüe en sitios web médicos; MultiMATCH: Multilingual/Multimedia Access to Cultural Heritage (FP6-2005-IST-5 #033104 que perseguía la creación de sistemas capaces de ofrecer al usuario acceso a información heterogénea sobre la herencia cultural europea en distintos tipos de medios y lenguas; R2D2: Recuperación de Respuestas en Documentos Digitalizados (TIC2003-07158-C04), centrado en la evaluación de sistemas de respuestas translingües.

El grupo Tecnologías de Audio, Habla y Lenguaje Natural en Sistemas Inteligentes está formado por componentes del Grupo de Sistemas Inteligentes y el Grupo de Tecnología del Habla de la Universidad Politécnica de Madrid que se han unido con la finalidad de conformar un equipo multidisciplinar y sinérgico que persiga uno de los objetivos básicos de consorcio: el acceso y la recuperación de información multimedia y multilingüe.

El Grupo de Sistemas Inteligentes ha trabajado en Tecnologías de la Lengua desde 1990. En este campo, colaboran estrechamente con el Laboratorio de Lingüística Informática de la Universidad Autónoma de Madrid y con el Laboratorio de Bases de Datos Avanzadas de la Universidad Carlos III de Madrid. Las áreas de actividad incluyen el desarrollo de recursos lingüísticos para castellano, algoritmos y estructuras de datos para el manejo eficiente de esos recursos, así como herramientas de análisis morfosintáctico. En estos ámbitos, el grupo ha registrado algunos resultados en el Registro de la Propiedad Intelectual (recursos de la plataforma ARIES y biblioteca para la gestión de estructuras TRIE) y los ha transferido a la industria (en estos momentos son comercializados por la empresa DAEDALUS, S.A., spin-off del grupo constituida en 1998). En el apartado de aplicaciones, el Grupo de Sistemas Inteligentes ha trabajado especialmente en el ámbito de la recuperación de información multilingüe, en particular a través del foro CLEF.

El Grupo de Tecnología del Habla, estable desde finales de los años 70, desarrolla actividades científicas y tecnológicas en reconocimiento automático de habla, identificación y verificación de locutores, segmentación automática de habla en locutores, reconocimiento de idioma, comprensión de lenguaje natural,conversión texto a habla con emociones, sistemas avanzados de diálogo persona-máquina en entornos inteligentes, sistemas de traducción entre lenguas, con amplia experiencia en la traducción de voz a LSE y aplicaciones de ayudas a personas con limitaciones. Dicho grupo ha desarrollado desde 1978 sistemas de síntesis de voz de alta calidad en castellano y de reconocimiento, diálogo y comprensión de habla en distintas condiciones de vocabulario, locutores y tipo de habla. Ha colaborado con distintas empresas nacionales e internacionales en estos temas, ha comercializado varios sistemas basados en la tecnología desarrollada en el Grupo (con empresas como Speech Plus, Digital Equipment Corporation, Telia Promotor Infovox, Hewlett Packard, Dygra etc.) y ha integrado herramientas y sistemas de diseño propio en entornos empresariales, demostrando capacidad de transferencia tecnológica También ha participado en diversos proyectos europeos (ESPRIT, LRE, LE, TIDE, IST), nacionales y regionales, relacionados con esta área de investigación, disponiendo de los equipos y herramientas más avanzados para el desarrollo de la tecnología del habla. En 1993 recibió el Premio Reina Sofía 1993 de Rehabilitación e Integración y en 1995 fue organizador del congreso internacional EUROSPEECH 95 en Madrid, habiendo participado en el grupo IST 03 de la NATO y en el European Language and Speech Network Executive Board. Sus miembros han realizado estancias en centros de prestigio como MIT, UC Berkeley, University of Colorado, Cambridge University, University of Aachen, University of Edinburgh y SRI. En el área de recuperación de información en documentos hablados, un miembro del equipo ha participado en la evaluación internacional de diarización en 2006 (junto con el ICSI de Berkeley) habiendo ganado la competición. Este año, el Grupo de Tecnología del Habla participa también en esta competición.

Entre los proyectos de I+D y contratos en los que el grupo ha participado durante los últimos cinco años directamente relacionados con las líneas del consorcio destacan: ISAIAS: Desarrollo de Tecnología del habla para el tratamiento automático de información en reuniones y seminarios (TIC2000-0198-P4-04, 2001-2002); INVOCA: Interfaces vocales para control de tráfico aéreo (financiado por AENA, 2001-2003); GEMINI: Generic Environment for Multilingual Interactive Natural Interfaces (EU-IST-2001-32343, 2002-2004); RESINTRA: Apoyo a la introducción de las técnicas de reconocimiento y síntesis de voz en los procesos de simulación y cálculo de carga de trabajo (financiado por AENA, 2005-2008); Study on the Prospective of Speech-based Interfaces for future Digital Services (150794-2007 F1ED-ES, EU, 2007-2008); Desarrollo de un sistema de traducción de voz a lengua de signos española para un servicio público de atención personal (Plan Avanza, PAV-070000-2007-567, 2007-2008); ROBONAUTA: Integración de sistemas de reconocimiento en entornos de robótica móvil, reconocimiento automático de habla en entornos hostiles y en mecanismos de respuesta basados en síntesis de voz con emociones (MCYT DPI2007-66846-c02-02, 2007-2010); SD-TEAM: Modelos dinámicos de gestión de diálogo en sistemas multimodales y multidominio (MCYT, TIN2008-06856-C05-03/TIN, 2008- 2011); BRAVO: Búsqueda de Respuestas Avanzada Multimodal y Multilingüe (TIN2007-67407-C03-03, 2007-2010); ITECBAN: Infraestructura Tecnológica y Metodológica de Soporte para un Core Bancario (Programa CENIT, 2006-2010); RIMMEL: Recuperación de Información Multilingüe y Multimedia y su Evaluación (MCYT, TIN2004-07588-C03-01, 2004-2007); SADE: Servicios Avanzados Domóticos e Inmóticos en MIDAS (MCYT, TIC2003-09192-C11-06, 2003-2004); MIRACLE: Sistema de Recuperación de Información Multilingüe y su Evaluación por la Iniciativa Europea CLEF (Comunidad de Madrid TIC 07T/0055, 2003-2004); y OMNIPAPER: Smart Access to European Newspapers (Programa ESPRIT. IST-2001-32174, 2002-2004).

 El Grupo de Algoritmia aplicada a la Visión Artificial y Biometría es un grupo multidisciplinar formado por profesores de la Universidad Rey Juan Carlos que recoge diferentes líneas de investigación encuadradas en el área de conocimiento de Ciencia de la Computación e Inteligencia Artificial. La línea de investigación sobre Visión Artificial es una de las que mayor número de investigadores agrupa y se centra principalmente en el uso y desarrollo de técnicas avanzadas de procesamiento de imágenes. Dentro de esta línea de investigación destacan la resolución de problemas como la segmentación y el reconocimiento de imágenes, el procesamiento borroso de imágenes, el seguimiento de objetos en secuencias de imágenes y vídeo, la visión tridimensional y el análisis de documentos.

La mayor parte de los trabajos científicos desarrollados por el grupo propone métodos de optimización software/hardware aplicables al campo de la visión artificial y el procesamiento de imágenes. Este enfoque novedoso de la disciplina confiere al grupo solicitante un perfil adecuado para resolver tareas que se proponen en la presente memoria, como el modelado de problemas de acceso a imágenes y/o vídeo, recuperación de información multimedia basada en contenido, el desarrollo de soluciones algorítmicas de alto rendimiento para el tratamiento de imágenes, el desarrollo de métodos avanzados de soft-computing para segmentación de imágenes, extracción de características o clasificación.

Los miembros de GAVAB-URJC trabajan conjuntamente desde hace más de 5 años. Han participado en numerosos proyectos de I+D, incluyendo 1 proyecto Europeo, 4 proyectos CICYT, 2 proyectos de la Comunidad de Madrid y 2 proyectos internos de la Universidad Rey Juan Carlos. Además, han sido investigadores principales en 4 proyectos de la Comunidad de Madrid en las convocatorias 2006/07, 2007/08 y 2008/09. Respecto a las publicaciones en este campo, en los últimos 5 años el grupo solicitante ha generado 12 artículos en revistas indexadas (JCR), así como más de 15 capítulos de libros y 50 en actas de congresos con revisiones por pares.