Ciencia de Datos
Detecting multilingual, multicultural and multievent online polarization
La polarización en línea es un fenómeno creciente en los entornos digitales que afecta la cohesión social, el diálogo público y la formación de opinión en distintas culturas e idiomas. Esta investigación se desarrolla en el marco del desafío internacional SemEval 2026 - Task 9 POLAR, cuyo objetivo es la detección automática de polarización multilingüe, multicultural y multievento. El trabajo propone el desarrollo y evaluación de un sistema computacional de detección de polarización en textos en español e inglés, abordando tres subtareas: identificación binaria de polarización, clasificación del objetivo discursivo y reconocimiento de la manifestación lingüística. La metodología se fundamenta en el enfoque Design Science Research (DSR), estructurado en tres ciclos interdependientes: relevancia, diseño y rigor. El sistema combina representaciones semánticas profundas basadas en embeddings contextuales multilingües con una extensión bioinspirada denominada POLAR+Genoma, que discretiza los vectores de embeddings en secuencias tipo k-mer análogas a la codificación genética. Se evaluaron 18 configuraciones por subtarea, combinando tres tipos de representación con clasificadores supervisados clásicos (LightGBM, SVM, Regresión Logística) y arquitecturas de redes neuronales modernas (MLP-Deep, BiLSTM, TextCNN), aplicando validación cruzada estratificada de 5 pliegues y pruebas t de Student pareadas. Los resultados evidencian un F1-macro de 0.778 en la subtarea binaria, 0.609 en la multiclase y 0.348 en la multi-label, valores consistentes con benchmarks internacionales para tareas de alta complejidad discursiva. La representación híbrida POLAR+Genoma demostró ser competitiva y estable frente a la línea base, sin diferencias estadísticamente significativas, confirmando su validez como extensión metodológica para la detección de polarización en entornos multilingües.
Full text 133 pages with text
Read the full thesis Record in the repository
Contents
- Propia)p. 18
- línea base(Elab. Propia)p. 20
- Tabla 3-3.: Criterios para clasificar modelos observados (Elab. Propia)p. 24
- extensión del artefacto(Elab. Propia)p. 27
- Tabla 3-5.: Resumen distribución revistas (Elab. Propia)p. 29
- Tabla 4-1.: Relación entre columnas del dataset y las sub tareas (Elab. propia)p. 62
- Tabla 4-2.: Metadata de los datasets utilizados en el estudio (Elab. propia)p. 76
- Tabla 4-3.: Balance de clases Subtarea 1 (Elab. propia)p. 77
- Tabla 4-4.: Balance de clases Subtarea 2 (Elab. propia)p. 77
- Tabla 4-5.: Balance de clases Subtarea 3 (Elab. propia)p. 77
- Tabla 6-1.: Resultados subtask 1 (Elab. propia)p. 104
- Tabla 6-2.: Evaluación t de Student Subtask 1 (Elab. propia)p. 105
- Tabla 6-1b.: F-score por clase — Subtarea 1 (Elab. propia)p. 105
- Tabla 6-1c.: AUC — Subtarea 1 (Elab. propia)p. 106
- Tabla 6-3.: Resultados subtask 2 (Elab. propia)p. 108
- Tabla 6-4.: Evaluación t de Student Subtask 2 (Elab. propia)p. 109
- Tabla 6-3b.: F-score por categoría — Subtarea 2 (Elab. propia)p. 109
- Tabla 6-5.: Resultados subtask 3 (Elab. propia)p. 111
- Tabla 6-6.: Evaluación t de Student Subtask 3 (Elab. propia)p. 113
- Tabla 6-5b.: F-score por etiqueta — Subtarea 3 (Elab. propia)p. 113
- Tabla 6-7.: Comparación consolidada por representación y subtarea (Elab. propia)p. 116
- Tabla 6-8.: Análisis de significancia estadística — Subtarea 1 (Elab. propia)p. 122
- Tabla 6-9.: Análisis de significancia estadística — Subtarea 2 (Elab. propia)p. 122
- Tabla 6-10.: Análisis de significancia estadística — Subtarea 3 (Elab. propia)p. 123
- Figura 1-1.: Complejidad y Alcance de modelos analizados (Elab. Propia)p. 25
- Figura 1-2.: Clasificación de revistas (Elab. Propia)p. 30
- Figura 1-3.: Distribución de idiomas (Elab.propia)p. 65
- Figura 1-4.: Top palabras en Español (Elab.propia)p. 66
- Figura 1-5.: Top palabras en Inglés (Elab.propia)p. 67
- Figura 1-6.: Diversidad léxica y longitud promedio (Elab.propia)p. 68
- Figura 1-7.: Comparación de diversidad léxica y longitud (Elab.propia)p. 69
- Figura 1-8.: Complejidad textual (Elab.propia)p. 70
- Figura 1-9.: Distribución morfológica Español (Elab.propia)p. 71
- Figura 1-10.: Distribución morfológica Inglés (Elab.propia)p. 72
- Figura 1-11.: Top palabras en Español dataset unificado (Elab.propia)p. 79
- Figura 1-12.: Top palabras en Inglés dataset unificado (Elab.propia)p. 79
- Figura 1-13.: Diversidad léxica y longitud promedio dataset unificado (Elab.propia)p. 80
- Figura 1-14.: Comparación de diversidad léxica y longitud dataset unificado(Elab.propia)p. 81
- Figura 1-15.: Complejidad textual dataset unificado(Elab.propia)p. 82
- Figura 1-16.: Distrib. morfológica Español dataset unificado (Elab.propia)p. 83
- Figura 1-17.: Distrib. morfológica Inglés dataset unificado (Elab.propia)p. 84
- Figura 1-18.: Ciclos en DSR (Tomado de Hevner [24])p. 87
- Figura 1-19.: Ciclo de relevancia (Elab. Propia)p. 88
- Figura 1-20.: Ciclo de diseño (Elab. Propia)p. 90
- Figura 1-21.: Ciclo de rigor (Elab. Propia)p. 91
- Figura 1-22.: Interconexión entre ciclos (Elab. Propia)p. 92
- Agradecimientosp. 3
- Resumenp. 15
- Índice de tablasp. 8
- Índice de figurasp. 9
- 1. Introducciónp. 12
- 1.1 Planteamiento del problemap. 12
- 1.2 Justificaciónp. 13
- 2. Objetivosp. 14
- 2.1 Objetivo generalp. 14
- 2.2 Objetivos específicosp. 14
- 3. Marco Teórico y Estado del Artep. 15
- 3.1 Resumenp. 15
- 3.2 Estado del Artep. 16
- 3.3 Polarizaciónp. 19
- 3.3.1 Polarización Política y socialp. 31
- 3.3.2 Polarización Digitalp. 32
- 3.3.2.1 Polarización en Redes Socialesp. 32
- 3.3.2.2 Polarización multilingüe y multiculturalp. 33
- 3.3.3 Expresiones de la polarizaciónp. 34
- 3.3.3.1 Lenguaje Extremop. 19
- 3.3.3.2 Estereotiposp. 35
- 3.3.3.3 Invalidaciónp. 35
- 3.3.3.4 Falta de empatíap. 35
- 3.3.3.5 Deshumanizaciónp. 36
- 3.4 Representación del textop. 36
- 3.4.1 Representaciones clásicasp. 37
- 3.4.1.1 Term frequency - Inverse Document frequency (TF-IDF)p. 38
- 3.4.1.2 N-gramasp. 39
- 3.4.2 Representaciones distribuidasp. 41
- 3.4.2.1 Word2Vec / GloVep. 41
- 3.4.2.2 Embeddings contextuales (BERT, mBERT, XLM-R)p. 44
- 3.4.3 Masked Language Models (MLM)p. 48
- 3.4.4 Large Language Models (LLM)p. 49
- 3.4.5 Enfoque genómico-semántico en embeddingsp. 51
- 3.5 Reducción de dimensionalidadp. 54
- 3.5.1 Análisis de Componentes principales (ACP)p. 55
- 3.5.2 t-SNE y UMAP (para visualización de polarización en embeddings)p. 56
- 3.6 Aprendizaje automático y Agrupamientop. 58
- 3.6.1 Algoritmos de clasificación supervisadap. 58
- 3.6.1.1 SVM, Random Forest, Redes Neuronalesp. 59
- 4. Conjunto de Datosp. 61
- 4.1 Análisis exploratorio SemEvalp. 64
- 4.2 Análisis exploratorio unificadop. 73
- 4.3 Preparación de datos y representacionesp. 85
- 5. Metodologíap. 86
- 5.1 Ciclo de Relevanciap. 87
- 5.2 Ciclo de Diseñop. 88
- 5.3 Ciclo de Rigorp. 90
- 5.4 Interconexión entre ciclosp. 91
- 5.5 Actividades macro para el desarrollo de la metodologíap. 92
- 6. Implementación del artefacto y resultadosp. 95
- 6.1 Descripción general del experimentop. 95
- 6.1.1 Descripción del Subtask 1: Identificación de polarización binariap. 97
- 6.1.2 Descripción del Subtask 2: Clasificación del objetivo de la polarizaciónp. 99
- 6.1.3 Descripción del Subtask 3: Reconocimiento de la manifestación lingüísticap. 100
- 6.2 Resultados del subtask 1p. 102
- 6.3 Resultados del subtask 2p. 106
- 6.4 Resultados del subtask 3p. 110
- 6.5 Análisis e Interpretaciónp. 113
- 6.6 Limitacionesp. 20
- 6.7 Implicaciones de las métricas para tareas downstreamp. 119
- 6.8 Análisis de significancia estadística, corrección de Bonferronip. 121
- 7. Conclusionesp. 124
- Referenciasp. 127