Interfícies d'usuari de llenguatge natural

Una Interfície d'usuari de llenguatge natural és una interfície d'usuari que permet la comunicació entre humans i màquines, en la qual els fenòmens lingüístics, com els verbs, frases i clàusules, actuen com a controls de la interfície d'usuari per crear, seleccionar i modificar dades en el programari.

En el disseny de la interfície de llenguatge natural les interfícies són cercades per la seva velocitat i facilitat d'ús, però a més hi ha factors com la comprensió, que afegeixen una dificultat significativa, ja que podem trobar entrades ambigües al sistema.^[1] Formen una àrea activa d'estudi en el camp del processament del llenguatge natural i la lingüística computacional. Una intuïtiva interfície de llenguatge natural en general és un dels grans objectius actius de la Web Semàntic.

És important tenir en compte que les interfícies de text són «naturals» en diversos graus, i que molts llenguatges de programació formal (no natural) incorporen elements del llenguatge humà. De la mateixa manera, un motor tradicional de cerca de paraules clau podria ser descrit com una interfície d'usuari de la llengua natural superficial.

Descripció

Un motor de cerca de llenguatge natural, en teoria, hauria de trobar respostes a qüestions específiques de l'usuari (en lloc de cercar per les paraules clau contingudes a la pregunta). Per exemple, quan es posa la qüestió: «Quin Estat dels Estats Units, té l'impost de renda més alt?», els motors de cerca convencionals ignoren el problema i realitzen una recerca amb les paraules clau "estat, renda i impost". La recerca en llenguatge natural, també intenta utilitzar el processament del llenguatge per a comprendre la naturalesa de la qüestió, i després cerca i retorna un subconjunt web que conté la resposta. Si funciona, els resultats haurien de tenir una rellevància més grossa que els resultats d'un motor de cerca per paraula clau. Des d'un punt de vista comercial, la publicitat a la pàgina de resultats també podria ser més rellevant, i podria tenir un potencial d'ingressos més alt que el dels motors de cerca per paraula clau.

Història

Al llarg de la història dels llenguatges naturals van evolucionar, de forma paral·lela al desenvolupament i l'evolució de l'espècie humana. En els últims anys,^[Quan?] les aplicacions dissenyades han intentat promoure la comunicació entre humans i màquines, per la qual cosa s'hi han inclòs tècniques de reconeixement de veu. En el camp de la recerca sobre el reconeixement de llenguatge natural es treballa per a millorar els resultats, superant les diferents dificultats. Els primers contactes amb la interfície d'usuari de llenguatge natural daten dels anys seixanta i setanta del segle xx de la mà del prototip NI:^[2]

Lunar, una interfície de llenguatge natural en connexió a una base de dades amb anàlisis químiques de les roques lunars d'Apol·lo-11 per William A. Woods.
Chat-80, transforma qüestions en anglès en expressions Prolog, les quals van ser avaluades en relació amb la base de dades Prolog. El codi del chat-80 va ser àmpliament difós, i va formar la base de moltes altres interfícies experimentals Nl.
Janus, és també un dels pocs sistemes de suport a les qüestions temporals.
Intellect de Trinzic, format per la fusió d'AICorp i Aion.
Bbn's Parlance construït sobre l'experiència del desenvolupament dels sistemes Rus i Irus.
IBM Languageaccess.
Q&A de Symantec.
Datatalker de Natural Language Inc.
Loqui de Bim.
English Wizard de Linguistic Technology Corporation.

Evolució recent i aplicacions actuals

Des de la dècada del 2010 aquestes interfícies d'usuari han experimentat una expansió notable gràcies als avenços en processament del llenguatge natural (PLN) i aprenentatge automàtic.^[3] Aquest progrés ha permès desenvolupar sistemes més robustos en la comprensió de la intenció de l'usuari, el manteniment del context conversacional i la generació de respostes naturals tant en aplicacions de veu com de text.^[4]

La transició des dels sistemes basats en regles i patrons cap a models neuronals complexos, especialment les arquitectures de transformadors introduïdes el 2017, ha revolucionat el camp de les interfícies de llenguatge natural.^[5] Aquests models permeten processar seqüències de text de manera paral·lela mitjançant mecanismes d'autoatenció, superant les limitacions dels models recurrents anteriors i millorant significativament la comprensió contextual.^[4]

Assistents virtuals i agents conversacionals

Un dels camps on aquestes interfícies s'han fet més visibles és el dels assistents virtuals i agents conversacionals (chatbots), que permeten interactuar amb serveis digitals mitjançant instruccions (de veu o missatges de text, fins i tot en llenguatge col·loquial).^[4] Assistents comercials com Siri (Apple), Alexa (Amazon) i Google Assistant, així com els xatbots integrats en plataformes de missatgeria, llocs web i aplicacions mòbils, utilitzen reconeixement de veu, comprensió del llenguatge natural i generació automàtica de respostes per gestionar consultes d'usuaris, automatitzar tasques repetitives i oferir suport al client de manera ininterrompuda.^[6]

La recerca recent en agents conversacionals distingeix entre interfícies basades en regles, que segueixen patrons predefinits; i sistemes basats en models d'aprenentatge profund, incloent-hi xarxes neuronals recurrents (RNN), memòries a llarg i curt termini (LSTM) i, més recentment, arquitectures de transformadors com BERT (Bidirectional Encoder Representations from Transformers) i GPT (Generative Pre-trained Transformer) per a la comprensió i generació del llenguatge. Actualment, aquests agents poden operar mitjançant text, veu o en entorns multimodals (combinant text, veu i elements visuals), i s'apliquen en àmbits tan diversos com l'assistència sanitària, l'educació, el comerç electrònic, l'atenció al client o la visualització interactiva de dades.^[4]

Tendències recents en disseny i experiència d'usuari

En l'experiència d'usuari, les interfícies de llenguatge natural s'han començat a considerar una extensió de les interfícies naturals d'usuari, centrades a reduir la necessitat de menús formals, botons i instruccions explícites. Els usuaris esperen cada vegada més disponibilitat constant, respostes immediates, personalització basada en les preferències individuals, i capacitat de canviar de manera fluida entre modalitats de text i veu.^[7]^[8]

Aquesta tendència s'acompanya de nous reptes en privacitat de dades personals, transparència algorítmica dels models generatius, gestió de les expectatives dels usuaris i pal·liació dels biaixos inherents als conjunts de dades d'entrenament.^[9] A més, l'adopció creixent de models de llenguatge extens (LLM) com GPT-3, GPT-4 i Claude planteja qüestions ètiques sobre l'ús responsable de la intel·ligència artificial generativa.^[10]

Processament i reconeixement del llenguatge natural

Dificultats del reconeixement

Els sistemes de reconeixement es poden dividir en dues categories: d'una banda, sistemes de reconeixement de patrons entrenats, aquest compara els patrons amb altres patrons ja coneguts i classificats per determinar la similitud i, per tant, el reconeixement, i, d'altra banda, els sistemes fonètics que utilitzen el coneixement del cos humà (la producció de la parla i l'audició) per comparar les característiques del llenguatge (fonètica, com ara sons de les vocals). Els sistemes més moderns^[Quan?] se centren en l'enfocament de reconeixement de patrons, ja que es combina molt bé amb les tècniques de computació actual i tendeix a tenir més precisió.

Tot i això, existeixen una sèrie de factors^[11] que dificulten aquests processos, ja que influeixen en el tractat del senyal i, per tant, en el reconeixement. Alguns són:

La variació fonètica entre interlocutors: la variació interlocutor fa que quan s'emet una seqüència concreta de paraules, amb el mateix estil de parla i sense diferències geogràfiques o socials, existeixin variacions en el llenguatge. La variació interlocutor, estudia què canvia en cada persona quan parla espontàniament o quan llegeix.

Els estils de parla: entre tots els parlants hi ha un ampli repertori d'estils que poden modificar la intel·ligibilitat de la paraula. «L'estil depèn del grau d'atenció del parlant cap a les característiques de la seva pròpia producció lingüística» (William Labov).^{[cal citació]}

Les "difluències" en la parla espontània: en aquest apartat hi ha un ampli conjunt de variacions que canvien la fluïdesa de la lingüística. Hi ha entre altres les pauses, repeticions, paraules truncades, allargaments vocàlics, interrupcions, frases inacabades i, fins i tot, variacions en la velocitat.

Les característiques de l'entorn: finalment, hi ha el factor extern al locutor, i no per això menys important, pel fet que les variacions ambientals de l'entorn poden entorpir significativament el processament del senyal. En aquest cas hi ha sorolls que poden distorsionar o emmascarar, i canvis de so ambient que poden modificar el senyal de manera transitòria.

Tractament del senyal

La implementació d'un sistema de reconeixement de llenguatge natural^[12] comporta el tractament del senyal acústic, passant per diferents blocs que ajudaran a extreure les característiques necessàries per implementar el sistema. Aquest tractament es pot resumir en tres passos:

1. El primer pas és la captura del senyal de veu. S'utilitza un micròfon que mitjançant un convertidor CAD (Convertidor Analògic / Digital) transforma el senyal acústic en un senyal elèctric, en el qual s'extreuenels paràmetres. En aquest pas hi ha una dificultat afegida, provocada per la no linealitat i pèrdua de freqüències introduïdes pel sistema micròfon / convertidor.

2. La segon pas és la segmentació i l'etiquetatge, en què el sistema intenta trobar les regions estables en les quals les característiques són constants. Una de les tècniques més utilitzades és l'encavalcament entre l'enfinestrat, per evitar deixar part de senyal sense analitzar. En aquest nivell, a més, se solen aplicar filtres de normalització i preèmfasi, amb els quals es prepara el senyal per ser processada.

3. El tercer pas és el càlcul de paràmetres, el que proporciona una representació espectral de les característiques del senyal de veu que podem utilitzar per entrenar el sistema de reconeixement (HMM, Xarxes neuronals, entre altres). Els mètodes més comuns en aquesta etapa són l'anàlisi de banc de filtres i LPC. Per al càlcul de coeficients que caracteritzen el senyal se segueix un patró de blocs estandarditzat per la ETSI.

Tipus de reconeixement de veu

Els sistemes de reconeixement de veu es poden separar en diverses categories segons els diferents tipus d'expressions que poden reconèixer. Aquestes categories es basen en el fet que una de les dificultats del ASR és la capacitat de determinar quan un locutor comença i acaba de parlar. A continuació es nomenen els tipus més distingits:

Reconeixedors de paraules aïllades, en general requereixen un enunciat delimitat (la manca d'un senyal d'àudio) a una banda, i a l'altra de la finestra de mostra. Això no vol dir que accepta només una sola paraula, però sí que requereix una expressió única alhora. Sovint, aquests sistemes tenen estats d'«Escoltar / No-Escoltar», en els quals cal que el locutor guardi un temps d'espera entre paraules. En general, fa el processament durant les pauses.

Reconeixement continu, són els més difícils de crear perquè han d'utilitzar mètodes especials per determinar els límits d'emissió. Els reconeixedors de veu contínua permeten als usuaris parlar gairebé de manera natural, mentre que l'ordinador determina el contingut en temps real.

Parla espontània, hi ha una varietat de definicions de la parla espontània. En un nivell bàsic, es pot considerar com el discurs que s'emet és natural i no assajat. Un sistema de ASR amb la capacitat de reconèixer la parla espontània ha de ser capaç de manejar una varietat de característiques de llenguatge natural.

Veu de verificació / identificació, alguns sistemes de reconeixement automàtic de la parla tenen la capacitat d'identificar els usuaris específics. Aquesta mena de reconeixement es basa principalment en característiques concretes extretes del subjecte a verificar o identificar. Característiques com l'amplitud del senyal, la freqüència i els coeficients cepstrals de l'escala Mel.

Objectius

La interfície de llenguatge natural en el passat va donar lloc als usuaris que volien antropomorfitzar els seus equips, o almenys atribuir més intel·ligència que la que garanteixen. Això condueix a expectatives poc realistes de les capacitats del sistema per part de l'usuari. Aquestes expectatives fan difícil aprendre les restriccions del sistema, i si ells els atribueixen un excés de capacitat, això donarà lloc a la decepció quan el sistema no funcioni com s'espera.

A l'article Natural Language Interfícies to Databases - An Introduction, de 1995, es descriuen alguns dels reptes més significatius:^[13]

Modificador d'unió

La qüestió «Llista tots els empleats de l'empresa amb un permís de conduir» és ambigua a menys que sàpiga que les companyies no poden tenir llicències de conduir.

Conjunció i disjunció

«Llista tots els sol·licitants que viuen a Califòrnia i Arizona.» És ambigu a menys que se sàpiga que una persona no pot viure en dos llocs al mateix temps.

Resolució de l'anàfora

Resol el que un usuari vol dir per 'ell', 'ella' o 'això', en una consulta autoreferencial.

Altres objectius a tenir en compte de forma més general són la velocitat i eficiència del sistema de la interfície, com en qualsevol altre algorisme aquests dos punts són els que determinen que unes tècniques siguin millors que altres i, per tant, que tinguin més èxit en el mercat.

Finalment, respecte a les tècniques utilitzades, el principal problema a resoldre és el de crear un algorisme general que pugui reconèixer tots els tipus de veus, sense diferenciar entre nacionalitat, sexe o edat. Ja que poden existir diferències significatives entre les característiques extretes a diversos locutors que pronuncien la mateixa paraula o frase.

Utilitats i aplicacions

La interfície de llenguatge natural i el seu reconeixement amb resultats satisfactoris, té diferents usos i aplicacions.

Dictat, aquest és l'ús més comú per als sistemes de ASR en l'actualitat.^[Quan?] Això inclou transcripcions mèdiques, dictats legals i comercials, així com processament de textos en general.

Aplicacions de comandament i control, aquests sistemes acompleixen funcions i accions, un exemple seria la telefonia.

Medicina i discapacitat, moltes persones tenen dificultats per escriure, a causa de limitacions físiques, la distròfia muscular, entre altres situacions. Per exemple, per a persones amb problemes d'audició es podria connectar un sistema al telèfon que converteix el discurs de la persona que truca en text.

Aplicacions integrades, alguns telèfons mòbils més moderns inclouen reconeixement de veu que permeten expressions com "Call Home". Això podria significar un factor important en el futur de les interfícies del reconeixement de llenguatge natural.^{[Cal actualitzar]}

A continuació s'anomenen i defineixen algunes de les aplicacions que utilitzen el reconeixement de llenguatge natural.

Ubiquity

Ubiquity, és una extensió per a Mozilla Firefox, compost per una col·lecció de llenguatge natural derivat, de fàcil i ràpids comandaments que actuen com mashups de serveis web, i això permet als usuaris obtenir informació i relacionar-la amb l'actual o altres pàgines web.

Wolfram Alpha

Wolfram Alpha, és un servei en línia que respon a les consultes directament mitjançant un càlcul de la resposta a partir de dades estructurades, en lloc de proporcionar una llista de documents o pàgines web que podrien contenir la resposta com un motor de cerca.^[14] Va ser llançat per Stephen Wolfram al públic el 15 de maig de 2009.^[15]

SIRI

Siri, és una aplicació d'assistent personal per a iPhone OS llençat el 2016.^[16] L'aplicació utilitza el processament del llenguatge natural per respondre a qüestions i fer recomanacions. L'aplicació per l'iPhone és el primer producte publicat pels seus creadors, que se centra en aplicacions d'intel·ligència artificial. El grup de màrqueting de la companyia assegura que Siri s'adapta a les preferències individuals de l'usuari a través del temps i personalitza els resultats, per completar tasques com fer una reserva per un sopar.^[17]^{[Cal actualitzar]}

Altres

Anboto- Group-Anboto ofereix servei web al client i tecnologia de comerç electrònic basat en la semàntica i el Processament del Llenguatge Natural. L'oferta principal d'Anboto és l'agent de vendes virtual i xat intel·ligent.

Q-go- La tecnologia de Q-go ofereix respostes rellevants als usuaris, en resposta a les consultes en el lloc web d'Internet de l'empresa o la intranet corporativa, formulada en frases naturals o l'entrada de paraules clau per igual. Q-go va ser adquirida per RightNow Technologies el 2011.

Ask.com- La idea original darrere d'Ask Jeeves (Ask.com), és permetre als usuaris obtenir respostes a les preguntes formulades en el llenguatge quotidià, natural, així com la recerca de paraules clau tradicionals. El Ask.com actual segueix donant suport a això, amb suport afegit per a les matemàtiques, diccionari, i les preguntes de la conversió.

C-phrase^{[Enllaç no actiu]}- C-frase és un llenguatge natural que es basa en la relació de base de dades. C-Frase corre sota Linux, es connecta amb bases de dades PostgreSQL a través d'ODBC i és compatible amb les consultes de selecció, així com actualitzacions. Actualment, només hi ha suport per Anglès. C-Frase es troba allotjada en el lloc Google Code.

GNOME Do - Permet la ràpida recerca d'artefactes diversos de l'ambient GNOME (aplicacions, contactes Evolution i Pidgin, marcadors de Firefox, els artistes i els àlbums de Rhythmbox, i així successivament) i executa les accions bàsiques sobre ells (execució, obertura, correu electrònic, xatejar, jugar, etc.).^[18]

Braine Project - Brain és un programari en mode usuari de llenguatge natural que està actualment en fase de desenvolupament. És desenvolupat per un sol programador anomenat Akash Shastri. L'objectiu principal d'aquest projecte és fer que un equip pugui entendre el llenguatge humà perquè l'usuari pugui controlar un ordinador sense comandes.

Haki - Haki és un motor de cerca d'Internet. L'empresa ha inventat una infraestructura nova, alternativa a la indexació que utilitza l'algorisme SemanticRank, una solució que barreja les disciplines de la semàntica ontològica, la lògica difusa, la lingüística computacional, i les matemàtiques.

Lexxe - Lexxe és un cercador d'Internet que utilitza el processament del llenguatge natural per a consultes (cerques semàntiques). Les cerques poden fer-se amb preguntes com ara "Quina edat té la Wikipedia?", Així com amb paraules clau i frases. Quan es tracta de fets, Lexxe és molt eficaç, encara que necessita millorar molt en l'anàlisi del llenguatge natural quan es tracta de fets.

Pikimal - Pikimal fa servir llenguatge natural vinculat a les preferències de l'usuari per fer recomanacions de cerca per plantilla.

Powerset - L'11 de maig de 2008, la companyia va presentar una eina per a la recerca d'un subconjunt fix de Wikipedia usant frases de conversa en lloc de paraules clau.^[19] L'1 de juliol de 2008, va ser comprat per Microsoft.^[20]

START (Projecte del MIT) - START, és un web basat en un sistema de respostes. A diferència dels sistemes de recuperació d'informació, com ara els motors de cerca, START té com a objectiu facilitar als usuaris "la informació correcta", en lloc de limitar-se a proporcionar una llista de hits. En l'actualitat, el sistema pot respondre milions de preguntes angleses sobre llocs, pel·lícules, persones i definicions del diccionari.

Swingly és un motor de resposta dissenyat per trobar respostes exactes a preguntes sobre fets. Només cal fer una pregunta en anglès i Swingly troba la resposta que cerques d'acord amb el lloc on es troba.^{[Cal actualitzar]}^[21]

Yebol - era una «decisió» vertical de motor de cerca, que havien desenvolupat amb una base de coneixement per crear una plataforma de recerca semàntica. La intel·ligència artificial humana de Yebol automàticament utilitza l'associació, classificació i agrupament d'algoritmes per analitzar les paraules claus relacionades o pàgines web. Yebol integra el processament del llenguatge natural, sistemes d'enginyeria oberts i complexos de "metasynthetic", i els algoritmes de la màquina amb el coneixement humà de cada consulta per establir un directori web que en realitat "aprèn" l'ús d'algoritmes de correlació, l'agrupament i la classificació per generar automàticament la consulta, que es manté i es regenera.^[22]

Inbenta - El motor de cerca Inbenta és multilingüe, escalable, lingüístic i de semàntica basada en el camp empresarial. Es basa en els últims desenvolupaments de la Teoria "Significat-Text" i dona experiències intuïtives de recerca en llenguatge natural.^[23]

Mnemoo - Mnemoo és un motor de resposta que intenta respondre directament les preguntes plantejades en el text (llenguatge natural), el que es fa amb una base de dades dels fets i un motor d'inferència (conclusió).

Vegeu també

Referències

↑ Hill, I. (1983). "Natural language versus computer language." In M. Sime and M. Coombs (Eds.) Designing for Human-Computer Communication. Academic Press., p. 1.
↑ Hill,Natural Language Interfaces to Databases – An Introduction, I. Androutsopoulos, G.D. Ritchie, P. Thanisch, Department of Artificial Intelligence, University of Edinburgh.
↑ Park, M.S. et al. (2023). "A Survey of Conversational Agents and Their Applications for Self-Management of Chronic Conditions". Proceedings of COMPSAC 2023. p. 1064-1075. doi:10.1109/COMPSAC57700.2023.00162
1 2 3 4 Singh, Sonali Uttam; Namin, Akbar Siami «A survey on chatbots and large language models: Testing and evaluation techniques» (en anglès). Natural Language Processing Journal, 10, 3-2025, p. 100128. DOI: 10.1016/j.nlp.2025.100128.
↑ Yamamoto, M. (2023). "Evolution of Natural Language Processing Technology: From 'language' processing to general-purpose AI". arXiv:2310.06228
↑ Hussain, S. et al. (2019). "A Survey on Conversational Agents/Chatbots Classification and Design Techniques". Proceedings of the International Conference on Web, Artificial Intelligence and Network Applications (WAINA-2019). Springer
↑ Bahuguna, R. (2024). "A Thematic Survey on Natural Language Processing Chatbots: From Foundational Studies to Cutting-Edge Techniques". SSRN Electronic Journal. doi:10.2139/ssrn.5110847
↑ Singh, Sonali Uttam; Namin, Akbar Siami «A survey on chatbots and large language models: Testing and evaluation techniques» (en anglès). Natural Language Processing Journal, 10, 3-2025, p. 100128. DOI: 10.1016/j.nlp.2025.100128.
↑ Hussain, S. et al. (2019)
↑ Singh, S.U. et al. (2025)
↑ ^{[enllaç sense format]} http://liceu.uab.cat/~joaquim/speech_technology/tecnol_parla/recognition/speech_recognition/reconocimiento.html#reconocimiento_tratamiento_senal Arxivat 2017-09-22 a Wayback Machine.
↑ Cook, Stephen. «Speech Recognition HOWTO» (en anglès). The Linux Documentation Project, 13 setembre 2000. [Consulta: 6 octubre 2025].
↑ Androutsopoulos, I.; Ritchie, G. D.; Thanisch, P. «Natural Language Interfaces to Databases - An Introduction». Natural Language Engineering, 1995. DOI: 10.48550/ARXIV.CMP-LG/9503016.
↑ Johnson, Bobbie «British search engine 'could rival Google'». The Guardian, 09-03-2009 [Consulta: 9 març 2009].
↑ «So Much for A Quiet Launch». Wolfram Alpha Blog, 08-05-2009. [Consulta: 20 octubre 2009].
↑ «SIRI Article». Arxivat de l'original el 2016-03-04. [Consulta: 4 desembre 2011].
↑ Siri webpage
↑ Ubuntu 10.04 Add/Remove Applications description for GNOME Do
↑ Helft, Miguel «Powerset Debuts With Search of Wikipedia». The New York Times, 12-05-2008.
↑ Johnson, Mark. «Microsoft to Acquire Powerset». Powerset Blog, 01-07-2008. Arxivat de l'original el 25 de febrer 2009. [Consulta: 4 desembre 2011].
↑ «Swingly». [Consulta: 6 octubre 2025].
↑ Humphries, Matthew. «Yebol.com steps into the search market» (en anglès). Geek.com, 31-07-2009. Arxivat de l'original el 2012-03-15. [Consulta: 13 juny 2021].
↑ «Homepage» (en anglès). Inbenta. [Consulta: 6 octubre 2025].

Enllaços externs

History of Search Engines Arxivat 2017-12-30 a Wayback Machine.
«Human Language Interface - HLI» (en anglès), 6 setembre 2011.

[1] Hill, I. (1983). "Natural language versus computer language." In M. Sime and M. Coombs (Eds.) Designing for Human-Computer Communication. Academic Press., p. 1.

[2] Hill,Natural Language Interfaces to Databases – An Introduction, I. Androutsopoulos, G.D. Ritchie, P. Thanisch, Department of Artificial Intelligence, University of Edinburgh.

[3] Park, M.S. et al. (2023). "A Survey of Conversational Agents and Their Applications for Self-Management of Chronic Conditions". Proceedings of COMPSAC 2023. p. 1064-1075. doi:10.1109/COMPSAC57700.2023.00162

[:0-4] 1 2 3 4 Singh, Sonali Uttam; Namin, Akbar Siami «A survey on chatbots and large language models: Testing and evaluation techniques» (en anglès). Natural Language Processing Journal, 10, 3-2025, p. 100128. DOI: 10.1016/j.nlp.2025.100128.

[5] Yamamoto, M. (2023). "Evolution of Natural Language Processing Technology: From 'language' processing to general-purpose AI". arXiv:2310.06228

[6] Hussain, S. et al. (2019). "A Survey on Conversational Agents/Chatbots Classification and Design Techniques". Proceedings of the International Conference on Web, Artificial Intelligence and Network Applications (WAINA-2019). Springer

[7] Bahuguna, R. (2024). "A Thematic Survey on Natural Language Processing Chatbots: From Foundational Studies to Cutting-Edge Techniques". SSRN Electronic Journal. doi:10.2139/ssrn.5110847

[8] Singh, Sonali Uttam; Namin, Akbar Siami «A survey on chatbots and large language models: Testing and evaluation techniques» (en anglès). Natural Language Processing Journal, 10, 3-2025, p. 100128. DOI: 10.1016/j.nlp.2025.100128.

[9] Hussain, S. et al. (2019)

[10] Singh, S.U. et al. (2025)

[11] {[enllaç sense format]} http://liceu.uab.cat/~joaquim/speech_technology/tecnol_parla/recognition/speech_recognition/reconocimiento.html#reconocimiento_tratamiento_senal Arxivat 2017-09-22 a Wayback Machine.

[12] Cook, Stephen. «Speech Recognition HOWTO» (en anglès). The Linux Documentation Project, 13 setembre 2000. [Consulta: 6 octubre 2025].

[13] Androutsopoulos, I.; Ritchie, G. D.; Thanisch, P. «Natural Language Interfaces to Databases - An Introduction». Natural Language Engineering, 1995. DOI: 10.48550/ARXIV.CMP-LG/9503016.

[14] Johnson, Bobbie «British search engine 'could rival Google'». The Guardian, 09-03-2009 [Consulta: 9 març 2009].

[launch_date-15] «So Much for A Quiet Launch». Wolfram Alpha Blog, 08-05-2009. [Consulta: 20 octubre 2009].

[16] «SIRI Article». Arxivat de l'original el 2016-03-04. [Consulta: 4 desembre 2011].

[17] Siri webpage

[18] Ubuntu 10.04 Add/Remove Applications description for GNOME Do

[19] Helft, Miguel «Powerset Debuts With Search of Wikipedia». The New York Times, 12-05-2008.

[20] Johnson, Mark. «Microsoft to Acquire Powerset». Powerset Blog, 01-07-2008. Arxivat de l'original el 25 de febrer 2009. [Consulta: 4 desembre 2011].

[21] «Swingly». [Consulta: 6 octubre 2025].

[22] Humphries, Matthew. «Yebol.com steps into the search market» (en anglès). Geek.com, 31-07-2009. Arxivat de l'original el 2012-03-15. [Consulta: 13 juny 2021].

[23] «Homepage» (en anglès). Inbenta. [Consulta: 6 octubre 2025].

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]

[15]

[16]

[17]

[18]

[19]

[20]

[21]

[22]

[23]