Catalogación de PDFs en DSpace: De Documento a Dublin Core con IA

Los repositorios institucionales basados en DSpace son la columna vertebral de la preservación y difusión del conocimiento académico en universidades de todo el mundo. Sin embargo, la catalogación de documentos digitales sigue siendo un proceso manual, lento y propenso a inconsistencias. Cada tesis, artículo, informe o publicación que ingresa al repositorio debe ser descrita con metadatos Dublin Core precisos para garantizar su descubribilidad, interoperabilidad y cumplimiento de estándares internacionales. Un catalogador experimentado puede tardar entre 15 y 40 minutos por documento, dependiendo de la complejidad del material y la rigurosidad requerida.

Para una universidad que produce cientos de tesis al año, más informes de investigación, publicaciones de docentes y material gris, esta realidad genera backlogs persistentes. La catalogación inteligente con inteligencia artificial no busca reemplazar al bibliotecario catalogador, sino automatizar la parte mecánica del proceso, permitiendo que el profesional se concentre en el control de calidad y las decisiones que requieren juicio humano experto.

El desafío de la catalogación manual en repositorios

La catalogación manual en repositorios institucionales enfrenta problemas estructurales que se agravan con el crecimiento de la producción académica:

• Volumen creciente de producción digital: Las universidades generan cada vez más documentos digitales: tesis de pregrado y posgrado, artículos de investigación, informes técnicos, actas de congresos, material didáctico y datasets. Cada uno requiere descripción bibliográfica individualizada en Dublin Core.
• Escasez de personal capacitado: La descripción de metadatos Dublin Core para DSpace requiere conocimiento de los 15 elementos base, sus calificadores (qualified Dublin Core) y las políticas específicas de cada institución. No todos los funcionarios de biblioteca dominan estos aspectos.
• Inconsistencia en la descripción: Diferentes catalogadores pueden describir el mismo tipo de documento con niveles de detalle y criterios de asignación de materias distintos. Las variaciones en la forma de los nombres de autor, la selección de descriptores temáticos y la calidad de los resúmenes generan un catálogo heterogéneo.
• Documentos PDF sin metadatos estructurados: La mayoría de los PDFs que llegan al repositorio carecen de metadatos embebidos. El catalogador debe abrir cada archivo, leer las primeras páginas, identificar título, autores, resumen, palabras clave, fecha y editorial para luego transcribirlos manualmente al formulario de DSpace.
• Cumplimiento de estándares internacionales: Los repositorios que buscan visibilidad en OpenAIRE, adherirse a los principios FAIR o cumplir con las directrices COAR deben incluir metadatos específicos que frecuentemente se omiten en la catalogación manual por desconocimiento o premura.

Cómo LibraryStack.ai automatiza la catalogación para DSpace

LibraryStack.ai implementa un flujo de catalogación asistida por inteligencia artificial que transforma un documento PDF en un registro Dublin Core completo, listo para ser depositado en DSpace. El proceso combina extracción de texto por OCR, análisis con modelos de lenguaje y una interfaz conversacional donde el catalogador supervisa y refina el resultado.

Paso 1: Carga del documento PDF

El bibliotecario accede al módulo de catalogación desde el panel de administración de LibraryStack.ai y sube un archivo PDF. Puede ser una tesis de grado, un artículo de investigación, un informe técnico, un libro digitalizado o cualquier documento destinado al repositorio institucional. El sistema acepta PDFs de cualquier tamaño, incluyendo documentos escaneados (imágenes) y PDFs con texto embebido.

Paso 2: Extracción de texto con Apache Tika

Apache Tika es un servidor de extracción de contenido que procesa más de 1,400 formatos de archivo. Cuando recibe un PDF, identifica automáticamente si contiene texto embebido o si es una imagen escaneada. En el primer caso, extrae el texto directamente. En el segundo, aplica OCR (reconocimiento óptico de caracteres) para convertir las imágenes en texto digital procesable. El resultado es el contenido completo del documento en texto plano, incluyendo portada, tabla de contenidos, resumen, cuerpo del texto y referencias bibliográficas.

Paso 3: Análisis con inteligencia artificial

El texto extraído se envía a un modelo de lenguaje (OpenAI, Anthropic, Kimi u Ollama, según la configuración de la institución) con un prompt especializado en descripción bibliográfica para repositorios institucionales. El modelo analiza el documento y genera los campos Dublin Core correspondientes:

• dc.title — Título del documento, incluyendo subtítulo si aplica
• dc.creator — Autor o autores, en la forma normalizada (Apellido, Nombre)
• dc.subject — Descriptores temáticos y palabras clave extraídas del contenido
• dc.description.abstract — Resumen o abstract del documento
• dc.date.issued — Fecha de publicación o presentación
• dc.publisher — Editorial o institución que publica
• dc.type — Tipo de recurso (Thesis, Article, Report, Book, Dataset), mapeado al vocabulario COAR
• dc.language — Idioma del documento (código ISO 639)
• dc.identifier — DOI, ISBN, ISSN u otro identificador persistente
• dc.rights — Declaración de derechos y licencia de acceso
• dc.format — Formato del archivo (application/pdf)
• dc.source — Fuente de la que deriva el documento, si aplica

El modelo no inventa información: la extrae del texto del documento. Si no puede determinar un campo con confianza, lo indica explícitamente. Los descriptores temáticos se generan siguiendo vocabularios controlados cuando es posible, priorizando UNESCO, LEMB o DeCS según la configuración institucional.

Paso 4: Revisión conversacional

La interfaz de catalogación presenta los campos generados en un panel lateral y abre una conversación con la IA en el panel principal. El catalogador puede:

• Editar directamente cualquier campo Dublin Core generado en el formulario lateral.
• Pedir a la IA que justifique una decisión: "¿Por qué clasificaste esto como Article en vez de Conference Paper?"
• Solicitar campos adicionales: "Agrega descriptores en inglés para dc.subject".
• Cambiar los descriptores: "Usa los descriptores DeCS en vez de UNESCO para esta tesis de salud".
• Ajustar el resumen: "El abstract es demasiado largo, reduce a 200 palabras manteniendo los puntos clave".
• Consultar estándares: "¿Este registro cumple con las directrices OpenAIRE?"

Esta interfaz conversacional transforma la catalogación de un proceso solitario y mecánico a un diálogo productivo. El catalogador mantiene el control total sobre cada campo, pero cuenta con un asistente que acelera significativamente el trabajo y sugiere mejoras basadas en estándares internacionales.

Paso 5: Cumplimiento OpenAIRE, FAIR y COAR

Uno de los valores diferenciales de la catalogación con LibraryStack.ai es la validación automática contra estándares internacionales. Antes de enviar el registro a DSpace, el sistema analiza los metadatos y sugiere mejoras para cumplir con:

• OpenAIRE Guidelines 4.0: Verifica la presencia de campos obligatorios como tipo de recurso, nivel de acceso, fuente de financiamiento y licencia. Sugiere agregar campos faltantes antes del depósito.
• Principios FAIR: Evalúa la asignación de identificadores persistentes (DOI, Handle), la riqueza de los metadatos descriptivos, la interoperabilidad del esquema Dublin Core y la declaración explícita de condiciones de reutilización.
• Vocabularios COAR: Normaliza los tipos de recurso según el vocabulario controlado COAR (Resource Type Vocabulary), asegurando que "Tesis de Maestría" se mapee correctamente a http://purl.org/coar/resource_type/c_bdcc y que los niveles de acceso usen el vocabulario COAR Access Rights.

Esta validación ocurre antes del envío a DSpace, permitiendo que el catalogador corrija deficiencias en los metadatos antes de que el registro se publique. El resultado son repositorios con mayor tasa de cumplimiento en las evaluaciones internacionales y mejor visibilidad en agregadores como OpenAIRE Explore, BASE y Google Scholar.

Paso 6: Configuración de licencias y derechos de acceso

El sistema facilita la asignación correcta de licencias y condiciones de acceso para cada documento depositado. El catalogador puede seleccionar entre licencias Creative Commons preconfiguradas, declaraciones de derechos institucionales o licencias personalizadas. El campo dc.rights se completa con la URI de la licencia seleccionada, y dc.rights.access indica si el documento es de acceso abierto, restringido, embargado o cerrado, siguiendo el vocabulario COAR Access Rights.

Paso 7: Asignación de número de copia

Para materiales que requieren identificación de ejemplar, el sistema genera automáticamente un número de copia (por defecto C.1, configurable a C.2, T.1 u otro esquema según la convención de la institución). Si ya existen copias del mismo título en el repositorio, el sistema asigna el siguiente número correlativo. Este número se registra como parte de los metadatos al momento de la creación del ítem en DSpace.

Paso 8: Envío a DSpace vía REST API

Una vez que el catalogador aprueba el registro, el sistema realiza el depósito en DSpace de forma automatizada mediante su API REST:

• Creación del workspace item: Se crea un nuevo ítem en la colección seleccionada por el catalogador, incluyendo todos los metadatos Dublin Core generados y revisados.
• Adjuntar el bitstream: El archivo PDF original se sube como bitstream principal del ítem, preservando el documento fuente junto con sus metadatos descriptivos.
• Asignación de colección: El catalogador selecciona la comunidad y colección destino dentro de la jerarquía de DSpace. El sistema puede sugerir colecciones basándose en el tipo de documento y la temática detectada.
• Flujo de revisión: El ítem sigue el workflow de aprobación configurado en DSpace (si existe), pasando por las etapas de revisión antes de su publicación final.

Soporte multi-DSpace

Las instituciones que operan múltiples instancias de DSpace (por ejemplo, un repositorio de tesis y otro de publicaciones de investigación) pueden configurar todas sus instancias desde el panel de administración de LibraryStack.ai. Cada instancia se configura con su URL base, credenciales de API y colecciones disponibles. Al momento de catalogar, el bibliotecario selecciona la instancia DSpace destino y la colección específica, sin necesidad de cambiar entre sistemas. El navegador de comunidades y colecciones permite explorar la jerarquía completa de cada instancia para seleccionar la ubicación correcta del documento.

Resultados en la práctica

Instituciones que utilizan la catalogación inteligente de LibraryStack.ai reportan una reducción del 70-80% en el tiempo de catalogación por documento. Un registro que antes requería 30 minutos de trabajo manual se completa en 5-8 minutos, incluyendo la revisión humana de los metadatos Dublin Core. Para una universidad con un backlog de 500 tesis sin depositar en el repositorio, esto significa pasar de meses de trabajo a semanas.

La calidad de los metadatos mejora porque el modelo sigue las mismas reglas para todos los documentos. Las inconsistencias en la forma de nombres de autores, la asignación de descriptores temáticos y la estructura de los campos se reducen significativamente. La validación contra OpenAIRE y FAIR garantiza que los registros cumplan con estándares internacionales desde el momento de su creación. Y el catalogador siempre tiene la última palabra: ningún documento se deposita en DSpace sin revisión humana.

Más allá de la catalogación individual

La catalogación inteligente es solo una pieza del ecosistema de LibraryStack.ai. Los documentos depositados en DSpace se cosechan automáticamente vía OAI-PMH, se indexan en el motor de búsqueda semántica con embeddings, se analizan contra estándares de cumplimiento OpenAIRE/FAIR, y se conectan con la base de conocimiento existente para detectar duplicados y sugerir relaciones temáticas. El resultado es un flujo de trabajo integrado donde el documento pasa de ser un archivo PDF anónimo a ser un recurso descubrible, normalizado, interoperable y conectado con el conocimiento global.