Redes neuronales unimodales para clasificar mensajes misóginos en redes sociales

Abstract

Esta investigación desarrolla modelos basados en redes neuronales unimodales para clasificar mensajes misóginos en redes sociales, específicamente en español mexicano. Se evaluaron tres arquitecturas: LSTM, CNN y BETO (modelo transformer preentrenado en español) y se incorporó también XLM-RoBERTa large. Los modelos se entrenaron con dos conjuntos de datos: MEX-A3T (3,307 tweets) y EXIST 2024 (3,660 tweets), posteriormente fusionados para aprovechar su diversidad. La metodología siguió seis fases: Selección del modelo neuronal para textos en español, recolección y preprocesamiento de datasets, entrenamiento de los modelos, evaluación del rendimiento, implementación y validación para asegurar la generalización a datos no vistos. Los resultados demuestran que BETO supero el 85% de exactitud en la detección de contenido misógino, confirmando la hip o tesis inicial. BETO alcanzo 88.42% de accuracy, y 95.13% de precisión, superando la meta establecida. XLM-RoBERTa large obtuvo 87.45% de accuracy. CNN se ubicó por debajo del objetivo con 81.85 %, LSTM no logro convergencia en el corpus fusionado, aunque alcanzo 74.19% y 72.31% de Macro-F1 en los datasets individuales. La fusión de datasets mejoró el rendimiento de BETO en 3.19% puntos porcentuales. Los hallazgos confirman que las redes neuronales especializadas en español son efectivas para detectar patrones lingüísticos asociados a la misoginia. BETO demostró menor cantidad de falsos positivos (29 vs 41 de CNN), haciéndolo más confiable cuando la precisión es critica. CNN, ofrece una alternativa eficiente con 78 veces menos parámetros y menor tiempo de entrenamiento. Este trabajo aporta evidencia empírica sobre la efectividad de modelos unimodales para clasificar discurso de odio en español mexicano, y ofrece herramientas prácticas para sistemas de moderación de contenido para crear espacios digitales más seguros e inclusivos.