{rfName}
Br

Indexado en

Licencia y uso

Icono OpenAccess

Citaciones

1

Altmetrics

Investigadores/as Institucionales

Suarez-Figueroa, Maria Del CarmenAutor o Coautor

Compartir

3 de diciembre de 2025
Publicaciones
>
Artículo
Sí

Bridging Text and Knowledge: Explainable AI for Knowledge Graph Classification and Concept Map-Based Semantic Domain Discovery with OBOE Framework

Publicado en: Applied Sciences-Basel. 15 (22): 12231- - 2025-11-18 15(22), DOI: 10.3390/app152212231

Autores:

Escobar, RAD; Suárez-Figueroa, MD; Lopez, MF; Terrazas, BV
[+]

Afiliaciones

CEU San Pablo Univ, Dept Informat Technol, Madrid 28668, Spain - Autor o Coautor
EY Europe West Technol, EY AI Ctr Excellence, Madrid 28003, Spain - Autor o Coautor
Spanish Minist Educ Vocat Training & Sports, Madrid 28014, Spain - Autor o Coautor
Univ Politecn Madrid, Dept Artificial Intelligence, Madrid 28660, Spain - Autor o Coautor
Ver más

Resumen

Explainable Artificial Intelligence (XAI) has primarily focused on explaining model predictions, yet a critical gap remains in explaining semantic structure discovery within knowledge graphs derived from concept maps (CMs). This study extends the OBOE (explanatiOns Based On concEpts) framework to address a fundamentally different problem, explainable domain discovery in knowledge graphs (KGs) classification, moving beyond supervised classification to unsupervised structural explanation. Our approach integrates Knowledge Graph Embeddings (KGEs), clustering algorithms, and Large Language Models (LLMs) in a novel triple role-generating structural explanations, verifying hallucinations, and enabling large-scale evaluation. Concept-relation-concept triples are embedded through KGEs and clustered using hierarchical and spectral methods to reveal semantic domains, with QualIT-inspired LLM prompting via Chain-of-Thought reasoning. Evaluation across three corpora (Amazon, BBC News, and Reuters) demonstrated robust classification with mean per-class errors of 0.1, 0.147, and 0.142, and LogLoss values of 0.236, 0.342, and 0.395, discovering 92 semantic domains across 17 topics. Hierarchical clustering achieved superior performance (mean 3.78/5) with higher relevance, while spectral clustering offered better coverage (3.51/5) through more compact structures. By bridging traditional clustering with LLM-based explanation and evaluation, this work establishes a new XAI paradigm for knowledge organization contexts where understanding semantic graph structure is as critical as classification accuracy.
[+]

Palabras clave

Classification (of information)Clustering algorithmsConcept mapsDomain knowledgeExplainable artificial intelligenceGraph structuresGraph theoryGraphic methodsHierarchical clusteringKnowledge graphKnowledge graphsKnowledge organizationLanguage modelLanguage processingLarge language modelLarge language modelsModeling languagesNatural language processingNatural language processing systemsNatural languagesSemantic similaritySemantic webSemanticsText classificationText processingTopic modeling

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista Applied Sciences-Basel debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2025, se encontraba en la posición 50/179, consiguiendo con ello situarse como revista Q2 (Segundo Cuartil), en la categoría Engineering, Multidisciplinary. Destacable, igualmente, el hecho de que la Revista está posicionada en el Cuartil Q2 para la agencia Scopus (SJR) en la categoría Engineering (Miscellaneous).

[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-04-25:

  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 5 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

    Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

    • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
    • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/94749/

    Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

    • Visualizaciones: 16
    • Descargas: 25
    [+]