Transformers para la detección de sexismo en tweets con etiquetado ambiguo

Abstract

Este Trabajo de Fin de Máster aborda el desafío de la detección automática de sexismo en redes sociales, un problema caracterizado por la ambigüedad del lenguaje y la subjetividad de la interpretación. En el marco de la competición internacional EXIST 2025, se diseña, implementa y evalúa una novedosa arquitectura híbrida que fusiona dos paradigmas de la inteligencia artificial. Por un lado, se optimiza un modelo Transformer especializado (XLM-RoBERTa-Large) mediante ajuste fino avanzado y aprendizaje multi-tarea para la clasificación precisa de patrones explícitos. Por otro lado, se desarrolla un sistema de inferencia dinámica basado en un Modelo de Lenguaje Grande (Mistral) potenciado por una estrategia de Generación Aumentada por Recuperación (RAG) multi-etapa, diseñada para resolver casos ambiguos mediante la inyección de contexto en tiempo real. Los resultados experimentales, evaluados sobre el conjunto de datos de desarrollo, demuestran un claro trade-off: el Transformer especializado sobresale en la clasificación binaria (F1-Score de 0.81), mientras que el sistema híbrido es significativamente más robusto en la compleja tarea de clasificación de intención (ICM-Norm de 0.46 vs. 0.00 del Transformer). La contribución principal es una arquitectura sinérgica y explicable que combina la precisión del especialista con la capacidad de razonamiento del generalista, representando una solución más completa y resiliente para la moderación de contenido.