Los Grandes Modelos de Lenguaje (LLMs) están transformando tareas clásicas del Procesamiento del Lenguaje Natural debido a una capacidad de generalización superior a la de modelos altamente especializados. Un ejemplo es el Reconocimiento de Entidades Nombradas, una técnica que permite identificar nombres de personas, organizaciones o lugares dentro de un texto. En contextos humanitarios, esta tarea resulta especialmente relevante, ya que reconocer correctamente los nombres de los lugares, conocidos como topónimos, en informes de situación, boletines de ONG o coberturas periodísticas es clave para comprender dónde ocurren las crisis causadas por conflictos, desastres naturales o pandemias, y orientar respuestas eficaces.

Una investigación publicada recientemente por Gianmarco Cafferata, Tiziano Demarco y Mariano G. Beiró, investigadores del Departamento de Ingeniería de la Universidad de San Andrés, junto con Kyriaki Kalimeri y Yelena Mejova, de la ISI Foundation de Torino, desarrolla una metodología basada en LLMs capaz de extraer topónimos de 467 documentos humanitarios y localizarlos con mayor precisión en un mapa.

Los sistemas tradicionales de extracción geográfica suelen reproducir desigualdades presentes en los datos con los que fueron entrenados. En general, funcionan mejor para países occidentales y de altos ingresos, mientras que presentan mayores errores en regiones del Sur Global, precisamente donde muchas crisis humanitarias tienen lugar. A esto se suma el desafío que tienen los modelos clásicos de distinguir entre topónimos literales, es decir, ubicaciones concretas, como “Buenos Aires”, y topónimos asociativos, aquellas referencias indirectas vinculadas a un lugar, como “el gobierno de Suiza”. En un informe humanitario, por ejemplo, mencionar a Suiza como país colaborador no implica que el evento haya ocurrido allí. “Una respuesta humanitaria oportuna y eficaz depende de manera crítica de saber dónde ocurren los acontecimientos”, señalan los investigadores. 

El sistema que desarrollaron, publicado en las actas de congreso de la ACM (Association for Computing Machinery) Web Conference 2026, combina reconocimiento de entidades nombradas—sin necesidad de reentrenar modelos manualmente ni construir nuevos conjuntos de datos que se adapten a la tarea específica—con un agente de geocodificación que utiliza contexto del texto para resolver ambigüedades geográficas, distinguir entre topónimos literales y asociativos, y vincular cada referencia con bases de datos espaciales. Esto permite, por ejemplo, diferenciar entre la Ciudad y la Provincia de Buenos Aires o inferir la ubicación aproximada de referencias ambiguas, como “campamento número 3”. Además, los investigadores compararon distintos LLMs comerciales con modelos tradicionales entrenados específicamente para reconocimiento de entidades y sistemas clásicos de geolocalización.

Los LLMs no solo alcanzan niveles de precisión comparables o superiores, sino que también reducen significativamente las disparidades geográficas en el desempeño del sistema. Es decir, minimizan los errores al geolocalizar regiones pertenecientes a distintos continentes y niveles socioeconómicos. A diferencia de modelos tradicionales que requieren extensos procesos de anotación manual y reentrenamiento, los LLMs lograron adaptarse a textos humanitarios mediante simples instrucciones, reduciendo significativamente la intervención humana necesaria. 

Es notable que las mejoras en equidad del sistema desarrollado por el grupo de investigadores emergieron sin haber incorporado instrucciones explícitas en su diseño. Esto sugiere que, lejos de amplificar sesgos de manera inevitable, los LLMs pueden, en ciertos contextos, contribuir a reducir desigualdades preexistentes en sistemas automatizados ampliamente utilizados. En crisis humanitarias, donde la precisión geográfica puede influir directamente en qué comunidades reciben atención y cuáles permanecen invisibilizadas, esta diferencia no es menor. “Se habla mucho de los sesgos de los LLMs, pero en este caso observamos que también pueden ayudar a reducir desigualdades ya existentes. Aun sin instrucciones explícitas orientadas a la equidad, lograron un desempeño más parejo entre regiones que modelos entrenados específicamente para esta tarea”, reflexiona Cafferata.