Evaluación de Redes Neuronales para la Identificación de Discurso de Odio en Español Utilizando Características Estilométricas

Resumen

Contexto: Esta investigación se centra en analizar la efectividad de las redes neuronales en la detección de discurso de odio en español, utilizando características estilométricas y considerando la diversidad lingüística de Ecuador. El objetivo principal fue evaluar y analizar la precisión de diferentes modelos de redes neuronales en esta tarea específica de clasificación de textos. Método: Se implementaron y compararon cuatro arquitecturas de redes neuronales: Red Neuronal Convolucional (CNN), Red Neuronal Recurrente (RNN), Memoria a Corto y Largo Plazo (LSTM) y Transformer, aplicando la metodología CRISP-DM para estructurar las tareas necesarias en cada fase y sus interrelaciones. Resultados: Los resultados revelaron diferencias significativas en el desempeño de los cuatro modelos. El modelo Transformer se destaca como la alternativa más eficiente, logrando un puntaje F1 ponderado más alto (0,88) y un AUC de 0,92, lo que indica un equilibrio óptimo. Tanto CNN como RNN alcanzaron una precisión global del 87%, mientras que LSTM obtuvo la menor precisión, con un 86%. Conclusiones: En consecuencia, se recomienda la adopción del modelo Transformer para la detección automática de discurso de odio en textos en español, empleando características estilométricas y considerando la diversidad lingüística de Ecuador. Adicionalmente, se sugiere continuar evaluando el modelo en un entorno de producción para identificar posibles sesgos y realizar los ajustes necesarios. La investigación futura incluye incorporar textos en múltiples idiomas y desarrollar programas educativos dirigidos a estudiantes, fomentando así una mayor concienciación sobre el discurso de odio y su posible impacto.