An analytical review of optimization techniques in information retrieval for enhanced decision support

Abstract

[EN] As digital content continues to evolve, enhancing Information Retrieval (IR) systems is crucial to improve their performance, relevance, and ability to handle increasingly large datasets. This systematic review examines current advancements in IR optimization strategies, with a focus on the paradigm shift from traditional heuristics to AI-driven models. Following the PRISMA 2020 guidelines, an exhaustive literature search was conducted for publications between January 2013 and June 2025, employing a hybrid screening approach that combined Natural Language Processing (NLP) automated filtering with manual expert review. Our findings underscore the growing importance of hybrid models that leverage deep learning, particularly transformer architectures, for tasks such as personalization and relevance feedback, which have demonstrated significant performance improvements. However, significant challenges such as algorithmic bias, computational complexity, and domain-specificity impede wider implementation. This review provides a comprehensive roadmap of the IR optimization landscape, identifies persistent ethical challenges, and explores emerging research frontiers, such as quantum IR and generative models, thereby offering actionable insights for both researchers and practitioners in the decision analytics field.

[ES] A medida que los contenidos digitales siguen evolucionando, es fundamental mejorar los sistemas de recuperación de información (IR) para aumentar su rendimiento, su relevancia y su capacidad para gestionar conjuntos de datos cada vez más voluminosos. Esta revisión sistemática analiza los avances actuales en las estrategias de optimización de la recuperación de información, centrándose en el cambio de paradigma de las heurísticas tradicionales a los modelos basados en la inteligencia artificial. Siguiendo las directrices PRISMA 2020, se llevó a cabo una búsqueda bibliográfica exhaustiva de publicaciones entre enero de 2013 y junio de 2025, empleando un enfoque de selección híbrido que combinaba el filtrado automatizado mediante el procesamiento del lenguaje natural (PLN) con la revisión manual por parte de expertos. Nuestros resultados subrayan la creciente importancia de los modelos híbridos que aprovechan el aprendizaje profundo, en particular las arquitecturas de transformadores, para tareas como la personalización y la retroalimentación de relevancia, que han demostrado mejoras significativas en el rendimiento. Sin embargo, retos importantes como el sesgo algorítmico, la complejidad computacional y la especificidad del dominio impiden una implementación más amplia. Esta revisión ofrece una hoja de ruta exhaustiva del panorama de la optimización de la búsqueda de información, identifica los retos éticos persistentes y explora las fronteras emergentes de la investigación, como la búsqueda de información cuántica y los modelos generativos, ofreciendo así conocimientos prácticos tanto para investigadores como para profesionales del campo del análisis de la toma de decisiones.