Este artículo presenta la primera revisión sistemática de estrategias para abordar el problema de la escasez de datos en el modelado generativo del lenguaje para lenguajes de bajos recursos (LRL). Basándonos en 54 estudios, identificamos, categorizamos y evaluamos enfoques técnicos, incluyendo el aumento de datos monolingües, la retrotraducción, el aprendizaje multilingüe y la ingeniería rápida, en tareas generativas. También analizamos las tendencias en las opciones de arquitectura, las representaciones de familias lingüísticas y los métodos de evaluación. Concluimos destacando la fuerte dependencia de los modelos basados en transformadores, el enfoque en un pequeño número de LRL y la falta de una evaluación consistente entre los estudios, y hacemos recomendaciones para extender estos métodos a un rango más amplio de LRL y describimos los desafíos no resueltos de construir sistemas de lenguaje generativo justos. En última instancia, esta revisión tiene como objetivo apoyar a investigadores y desarrolladores en la creación de herramientas integrales de IA para usuarios de lenguajes de bajos recursos.
