Redactar textos basados en datos usando IA desde R

Como vimos en un post anterior, podemos usar funcionalidades de R para generar párrafos de texto que se basen en datos, para integrar cifras y otros valores de un dataframe en un párrafo diseñado para resumir o presentar la información.

Si bien esto produce textos de máxima precisión y nos entrega todo el control sobre el texto generado, también existen herramientas de inteligencia artificial que pueden facilitar este trabajo.

Existen paquetes que hacen muy fácil usar IA en R!

Igual que en el post anterior, usaremos un conjunto de datos demográficos: los resultados del Censo de población y vivienda 2024 de Chile, específicamente la población por género en cada región del país.

library(dplyr)
library(janitor)
library(readxl)
library(tidyr)

# cargar
genero <- read_xlsx("P5_Genero.xlsx", sheet = 2)

# limpiar
genero_limpio <- genero |> 
  row_to_names(3) |> 
  filter(!is.na(Región))

# transformar a largo
genero_long <- genero_limpio |> 
  pivot_longer(cols = 4:last_col(),
               names_to = "genero",
               values_to = "poblacion") |> 
  rename(total = 3)

# convertir variables y calcular porcentajes
genero_porcentaje <- genero_long |> 
  mutate(poblacion = as.numeric(poblacion),
         total = as.numeric(total)) |>
  clean_names() |>
  mutate(porcentaje = poblacion / total)

# filtrar
genero <- genero_porcentaje |> 
  filter(region != "País")

Luego de limpiar estos datos, vemos columnas con las regiones del país, la población regional, los distintos géneros consultados en el censo, la cantidad de personas y su porcentaje:

library(dplyr)

datos <- genero |> 
filter(region == "Valparaíso")

datos

# A tibble: 7 × 6
codigo_region region       total genero                   poblacion porcentaje
<chr>         <chr>        <dbl> <chr>                        <dbl>      <dbl>
1 5             Valparaíso 1505034 Masculino                   704691   0.468   
2 5             Valparaíso 1505034 Femenino                    780209   0.518   
3 5             Valparaíso 1505034 Transmasculino                3003   0.00200 
4 5             Valparaíso 1505034 Transfemenino                 1369   0.000910
5 5             Valparaíso 1505034 No binario                    2161   0.00144 
6 5             Valparaíso 1505034 Otro                           624   0.000415
7 5             Valparaíso 1505034 Prefiere no responder/N…     12977   0.00862 

Para ver más claramente los datos, aquí una tabla:

Ahora que tenemos los datos, pasemos a lo interesante!

Configurar un modelo de IA en R con {ellmer}

Usaremos un modelo de lenguaje (LLM) en R por medio del paquete {ellmer}.

install.packages("ellmer")

Antes que nada, para poder usar la IA en R tienes que tener una llave API de tu proveedor de IA (OpenAI, Anthropic, GitHub Models, etc.) configurada en tus variables de entorno, como se explica en la documentación de {ellmer}.

En mi caso, uso GitHub Copilot, que me da acceso a GitHub Models, que a su vez me da acceso a varias IA como ChatGPT y Claude.

OPENAI_API_KEY=345345398475937434534539847593743453453984759374

Puedes probar si R puede acceder al modelo de IA iniciando un chat de prueba. Primero creamos una sesión con chat_openai(), chat_anthropic(), o la función que corresponda a tu proveedor de IA, y luego usamos el objeto resultante para mantener una conversación con la IA.

library(ellmer)

# crear sesión de chat
chat <- chat_github() # o chat_openai(), chat_anthropic(), etc.

# preguntar algo a la IA
chat$chat("¿Cuál es el animal más bonito del mundo? Finge que es el mapache")

El mapache, sin duda, es el animal más bonito del mundo. Con su adorable carita enmascarada, sus ojos grandes y curiosos, y sus pequeñas manos habilidosas, el mapache conquista corazones en todo el planeta.

🦝 Si nuestro modelo está funcionando, pasemos a su configuración para ponerlo a hacer algo útil!

Interpretar datos con IA desde R

Para generar texto a partir de datos desde R usando modelos de lenguaje necesitamos dos cosas:

1. Un prompt que haga que el modelo de lenguaje interprete los datos correctamente
2. Una tabla de datos que el modelo pueda interpretar.

Configurar el modelo para interpretar texto

El prompt es simplemente una instrucción para el modelo de lenguaje. Procura usar conceptos claros y relacionados al output que esperas (en este caso, palabras como demográfico, estadísticas, etc.):

prompt <- "Eres un interpretador de datos sobre demográficos. 
Tu rol es entregar una interpretación clara y precisa 
de tablas de datos poblacionales. Responde solamente 
con una interpretación de los datos estadísticos que 
resuma la información y exponga los puntos clave, 
escrito en un sólo párrafo conciso."

Luego, al momento de crear el chat en R con la función chat_openai() o equivalente, podemos entregar este prompt como system prompt; es decir, como una instrucción general que coordina el funcionamiento del modelo:

chat <- chat_github(model = "openai/gpt-5",
system_prompt = prompt)

Preparar los datos para la IA

Ahora que tenemos el modelo configurado, necesitamos preparar los datos para que el modelo pueda interpretarlos.

Algunos modelos y servicios permiten recibir datos directamente, pero en este caso entregaremos los datos como texto.

Para esto, usamos la función kable() del paquete {knitr} para convertir nuestro dataframe en una tabla de texto (en formato markdown) que el modelo pueda leer:

tabla <- knitr::kable(datos)

tabla

|region     |   total|genero                        | poblacion| porcentaje|
|:----------|-------:|:-----------------------------|---------:|----------:|
|Valparaíso | 1505034|Masculino                     |    704691|  0.4682226|
|Valparaíso | 1505034|Femenino                      |    780209|  0.5183996|
|Valparaíso | 1505034|Transmasculino                |      3003|  0.0019953|
|Valparaíso | 1505034|Transfemenino                 |      1369|  0.0009096|
|Valparaíso | 1505034|No binario                    |      2161|  0.0014358|
|Valparaíso | 1505034|Otro                          |       624|  0.0004146|
|Valparaíso | 1505034|Prefiere no responder/No sabe |     12977|  0.0086224|

Otra alternativa popular es convertir los datos a JSON, un formato de datos no estructurados que, en teoría, los modelos de lenguaje saben interpretar mejor:

tabla <- jsonlite::toJSON(datos)

tabla

[{"region":"Valparaíso","total":1505034,"genero":"Masculino","poblacion":704691,"porcentaje":0.4682},{"region":"Valparaíso","total":1505034,"genero":"Femenino","poblacion":780209,"porcentaje":0.5184},{"region":"Valparaíso","total":1505034,"genero":"Transmasculino","poblacion":3003,"porcentaje":0.002},{"region":"Valparaíso","total":1505034,"genero":"Transfemenino","poblacion":1369,"porcentaje":0.0009},{"region":"Valparaíso","total":1505034,"genero":"No binario","poblacion":2161,"porcentaje":0.0014},{"region":"Valparaíso","total":1505034,"genero":"Otro","poblacion":624,"porcentaje":0.0004},{"region":"Valparaíso","total":1505034,"genero":"Prefiere no responder/No sabe","poblacion":12977,"porcentaje":0.0086}] 

Obtener la interpretación datos

El último paso es simplemente entregar la tabla de texto al chat, el cual retornará su interpretación, dado que ya le dimos la instrucción en el system prompt al crear el chat:

resultado <- chat$chat(tabla)

resultado

En la Región de Valparaíso (total 1.505.034 personas), la población es mayoritariamente femenina con 780.209 personas (≈51,84%), seguida por 704.691 hombres (≈46,82%); las identidades trans y no binarias suman proporciones pequeñas pero presentes: transmasculino 3.003 (≈0,20%), transfemenino 1.369 (≈0,09%), no binario 2.161 (≈0,14%) y “otro” 624 (≈0,04%); además, 12.977 personas (≈0,86%) prefieren no responder o no saben, configurando un perfil predominantemente femenino con baja no respuesta y diversidad de género minoritaria.

Obtuvimos una interpretación clara de los datos, con cifras exactas, con muy poco esfuerzo 🤖

⛅️ En algún lugar lejano, 6 litros de agua fueron consumidos por un datacenter 🏭

Lo malo de esto es que no hay garantías de que al pedirle algo similar al modelo obtengamos un resultado equivalente. Sin embargo, existen opciones:

• Entregar el output de la IA como un ejemplo para que el modelo de lenguaje se guíe en su siguiente respuesta, siguiendo la anterior.
• Usar el modelo de lenguaje para pedirle código de R que genere los textos de descripción 💡😲

Usar IA para obtener código de R

Cuando usamos IA para analizar datos, muchas veces pedirle a la IA código que produzca los resultados es mejor que pedirle los resultados directamente!

Esto se debe a que el código es reproducible, mientras que los resultados de la IA pueden variar cada vez que se los pidas. Además, el código te da control total sobre cómo se generan los resultados, y puedes modificarlo para ajustarlo a tus necesidades.

Primero tomamos el párrafo de texto que obtuvimos anteriormente como ejemplo para la IA:

ejemplo <- "En la Región de Valparaíso (total 1.505.034 personas), la población es mayoritariamente femenina con 780.209 personas (≈51,84%), seguida por 704.691 hombres (≈46,82%); las identidades trans y no binarias suman proporciones pequeñas pero presentes: transmasculino 3.003 (≈0,20%), transfemenino 1.369 (≈0,09%), no binario 2.161 (≈0,14%) y “otro” 624 (≈0,04%); además, 12.977 personas (≈0,86%) prefieren no responder o no saben, configurando un perfil 
predominantemente femenino con baja no respuesta y diversidad de género minoritaria."

Luego escribimos un system prompt distinto, que explicite nuestro nuevo objetivo:

chat <- chat_github(model = "openai/gpt-5",
system_prompt = "Eres un desarrollador de R experto en ciencias sociales y estadísticas, con experiencia en paquetes del Tidyverse. Entrega respuestas en código de R.")

Luego creamos un prompt que integre nuestra nueva instrucción, el ejemplo de párrafo que esperamos, y los datos nuevos:

resultado <- chat$chat(
paste("Entrégame código de R que redacte un párrafo similar al siguiente, a partir de la tabla de datos que te adjunto:",
"Ejemplo del texto:", ejemplo,
"Tabla de datos", tabla)
)

El resultado es una función bastante extensa, aunque dudo que sea mejor que mi propia función artesanal, hecha a mano, vegana, y libre de consumo de agua 😌

library(dplyr)
library(stringr)
library(glue)
library(scales)
library(tibble)

# Función para redactar el párrafo
redactar_parrafo <- function(df, region = NULL) {
  df1 <- df %>%
    { if (!is.null(region)) filter(., region == !!region) else . } %>%
    mutate(genero = as.character(genero))
  
  if (nrow(df1) == 0) return(NA_character_)
  
  total <- df1$total %>% unique() %>% `[`(1)
  total_fmt <- number(total, accuracy = 1, big.mark = ".", decimal.mark = ",")
  
  # Masculino y Femenino
  mf <- df1 %>% 
    filter(genero %in% c("Masculino","Femenino")) %>% 
    select(genero, poblacion, porcentaje)
  
  if (nrow(mf) == 0) stop("No se encontraron filas para Masculino/Femenino.")
  
  if (nrow(mf) == 2) {
    mayor <- mf %>% arrange(desc(porcentaje)) %>% slice(1)
    menor <- mf %>% arrange(desc(porcentaje)) %>% slice(2)
  } else {
    mayor <- mf %>% slice(1)
    menor <- NULL
  }
  
  adj_map <- c("Femenino" = "femenina", "Masculino" = "masculina")
  sus_map <- c("Femenino" = "mujeres",  "Masculino" = "hombres")
  
  mayor_adj <- adj_map[mayor$genero]
  mayor_pop <- number(mayor$poblacion, accuracy = 1, big.mark = ".", decimal.mark = ",")
  mayor_pct <- percent(mayor$porcentaje, accuracy = 0.01, decimal.mark = ",")
  
  if (!is.null(menor)) {
    menor_sus <- sus_map[menor$genero]
    menor_pop <- number(menor$poblacion, accuracy = 1, big.mark = ".", decimal.mark = ",")
    menor_pct <- percent(menor$porcentaje, accuracy = 0.01, decimal.mark = ",")
  }
  
  # Otras identidades (excluye no respuesta)
  otros <- df1 %>% 
    filter(!genero %in% c("Masculino","Femenino","Prefiere no responder/No sabe")) %>%
    mutate(
      etiqueta = case_when(
        genero == "Otro" ~ "“otro”",
        TRUE ~ str_to_lower(genero)
      ),
      pieza = glue("{etiqueta} {number(poblacion, accuracy=1, big.mark='.', decimal.mark=',')} (≈{percent(porcentaje, accuracy=0.01, decimal.mark=',')})")
    )
  
  otros_str <- if (nrow(otros) > 0) {
    v <- otros$pieza
    if (length(v) == 1) v else paste0(paste(v[-length(v)], collapse = ", "), " y ", v[length(v)])
  } else ""
  
  # No respuesta
  nr <- df1 %>% filter(genero == "Prefiere no responder/No sabe")
  nr_pieza <- if (nrow(nr) == 1) {
    nr_pop <- number(nr$poblacion, accuracy = 1, big.mark = ".", decimal.mark = ",")
    nr_pct <- percent(nr$porcentaje, accuracy = 0.01, decimal.mark = ",")
    glue("{nr_pop} personas (≈{nr_pct})")
  } else NA_character_
  
  nr_qual <- if (nrow(nr) == 1) {
    if (nr$porcentaje < 0.02) "baja" else if (nr$porcentaje < 0.05) "moderada" else "alta"
  } else "—"
  
  region_nom <- unique(df1$region)[1]
  
  parte_mf <- if (!is.null(menor)) {
    glue("la población es mayoritariamente {mayor_adj} con {mayor_pop} personas (≈{mayor_pct}), seguida por {menor_pop} {menor_sus} (≈{menor_pct});")
  } else {
    glue("la población reportada es {mayor_adj} con {mayor_pop} personas (≈{mayor_pct});")
  }
  
  parte_otros <- if (nchar(otros_str) > 0) {
    glue(" las identidades trans y no binarias suman proporciones pequeñas pero presentes: {otros_str};")
  } else ""
  
  parte_nr <- if (!is.na(nr_pieza)) {
    glue(" además, {nr_pieza} prefieren no responder o no saben,")
  } else ""
  
  cierre <- glue(" configurando un perfil predominantemente {mayor_adj} con {nr_qual} no respuesta y diversidad de género minoritaria.")
  
  texto <- glue("En la Región de {region_nom} (total {total_fmt} personas), {parte_mf}{parte_otros}{parte_nr}{cierre}")
  as.character(texto)
}

Lo importante es que podemos usar la función generada por la IA para obtener resultados reutilizables y reproducibles:

redactar_parrafo(genero, region = "Valparaíso")

• En la Región de Valparaíso (total 1.505.034 personas), la población es mayoritariamente femenina con 780.209 personas (≈51,84%), seguida por 704.691 hombres (≈46,82%); las identidades trans y no binarias suman proporciones pequeñas pero presentes: transmasculino 3.003 (≈0,20%), transfemenino 1.369 (≈0,09%), no binario 2.161 (≈0,14%) y “otro” 624 (≈0,04%); además, 12.977 personas (≈0,86%) prefieren no responder o no saben, configurando un perfil predominantemente femenina con baja no respuesta y diversidad de género minoritaria.

redactar_parrafo(genero, region = "Metropolitana de Santiago")

• En la Región de Metropolitana de Santiago (total 5.839.785 personas), la población es mayoritariamente femenina con 3.010.084 personas (≈51,54%), seguida por 2.746.994 hombres (≈47,04%); las identidades trans y no binarias suman proporciones pequeñas pero presentes: transmasculino 13.754 (≈0,24%), transfemenino 5.838 (≈0,10%), no binario 8.230 (≈0,14%) y “otro” 2.318 (≈0,04%); además, 52.567 personas (≈0,90%) prefieren no responder o no saben, configurando un perfil predominantemente femenina con baja no respuesta y diversidad de género minoritaria.

La moraleja es que es mejor usar la IA para que produzca código que genere los resultados que esperas, en lugar de pedirle directamente respuestas que no van a ser reproducibles ni reutilizables y pueden contener alucinaciones errores o datos inventados!