El desarrollo del modelo basado en agentes (ABM) necesita información sobre los componentes del sistema y las interacciones. Las narrativas cualitativas contienen información del sistema contextualmente rica beneficiosa para la conceptualización del ABM. La extracción de datos cualitativos tradicional es manual, compleja y consume tiempo y recursos. Además, la extracción manual de datos suele ser sesgada y puede producir modelos cuestionables e poco confiables. Una posible alternativa es emplear enfoques automatizados prestados de la Inteligencia Artificial. Este estudio presenta un marco de extracción de datos cualitativos en gran medida no supervisado para el desarrollo del ABM. Utilizando herramientas de Procesamiento del Lenguaje Natural semánticas y sintácticas, nuestra metodología extrae información sobre los agentes del sistema, sus atributos, acciones e interacciones. Además de agilizar la extracción de información para el ABM, el enfoque en gran medida no supervisado también minimiza los sesgos que surgen de las preconcepciones de los modeladores sobre los sistemas objetivo. También introducimos etapas de reducción de ruido automáticas y manuales para hacer que el marco sea utilizable en grandes conjuntos de datos semiestructurados. Demostramos el enfoque desarrollando un ABM conceptual de la seguridad alimentaria de los hogares en Mali rural. Los datos para el modelo contienen un gran conjunto de entrevistas de campo cualitativas semiestructuradas. La extracción de datos es rápida, predominantemente automática y libre de manipulación humana. Contextualizamos el modelo manualmente utilizando la información extraída. También sometemos el modelo conceptual a evaluación de partes interesadas para añadir credibilidad y validez.