Text Classification of Stereotypes through Learning With Disagreement
[ES] El aprendizaje con desacuerdo tiene como objetivo incorporar las etiquetas de los anotadores en los datos de entrenamiento, permitiendo que los modelos apren- dan de las anotaciones realizadas por un grupo diverso. La mayoría de los sistemas de inteligencia artificial se construyen utilizando u...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2024 |
| País: | España |
| Institución: | Universitat Politècnica de València (UPV) |
| Repositorio: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Idioma: | inglés |
| OAI Identifier: | oai:riunet.upv.es:10251/210945 |
| Acceso en línea: | https://riunet.upv.es/handle/10251/210945 |
| Access Level: | acceso abierto |
| Palabra clave: | Text classification Clasificacion de texto Estereotipos raciales Aprendizaje por desacuerdo Racial stereotypes Learning with disagreement LENGUAJES Y SISTEMAS INFORMATICOS Máster Universitario en Inteligencia Artificial, Reconocimiento de Formas e Imagen Digital-Màster Universitari en Intel·ligència Artificial, Reconeixement de Formes i Imatge Digital |
| Sumario: | [ES] El aprendizaje con desacuerdo tiene como objetivo incorporar las etiquetas de los anotadores en los datos de entrenamiento, permitiendo que los modelos apren- dan de las anotaciones realizadas por un grupo diverso. La mayoría de los sistemas de inteligencia artificial se construyen utilizando una única etiqueta considerada es- tándar, comúnmente determinada mediante votación mayoritaria, asumiendo que existe una verdad objetiva única para cada instancia. Sin embargo, este enfoque no considera los desacuerdos presentes en las anotaciones. En lugar de ignorar estas discrepancias y utilizar una única etiqueta fija, conserva las diferencias entre las an- otaciones de los distintos anotadores, lo que genera una representación más precisa de la realidad, reconociendo así la validez de diversas perspectivas. El conocimiento actual y la práctica del aprendizaje con desacuerdo aún son lim- itados. Para abordar esta brecha, esta tesis investiga la aplicación del aprendizaje con desacuerdo. En el estado del arte se presenta la clasificación de textos con un enfoque específico en la tarea de identificación de estereotipos raciales explícitos e implícitos. Los experimentos se llevaron a cabo utilizando el conjunto de datos presentado en la tarea compartida: Detección y clasificación de estereotipos raciales en español - Aprendizaje con Desacuerdo. En primer lugar, introducimos los enfoques más avanzados para la detección de estereotipos y exploramos qué técnicas de procesamiento de texto y arquitecturas de modelos se adaptan mejor al paradigma de aprendizaje con desacuerdo. Posterior- mente, se describen las métricas de evaluación utilizadas en esta tesis. Además, nue- stro análisis profundiza en diversas técnicas de procesamiento de datos, aumento de datos y un enfoque de procesamiento de texto que añade mayor contexto a las oraciones originales. También se realizó un análisis de sentimientos y minería de opiniones para evaluar el impacto en la detección de estereotipos. La tesis concluye proporcionando recomendaciones sobre los aspectos que re- quieren mayor mejora y sugiriendo direcciones para futuros trabajos. Al integrar es- tos análisis, esta tesis ofrece un panorama completo del aprendizaje con desacuerdo aplicado al reconocimiento de estereotipos dentro del estado del arte en la clasifi- cación de textos. Esta tesis aborda el problema del proyecto de investigación FAK- EnHATE (PDC2022-133118-I00, dirigido por MCIN/AEI/10.13039/501100011033 y por la Unión Europea NextGenerationEU/PRTR) de identificar estereotipos en es- pañol. |
|---|