Publicación: Verificación de contenido en redes sociales mediante Transformers y Transfer Learning
No hay miniatura disponible
Fecha
2024-06
Autores
Editor/a
Director/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad de Educación a Distancia (UNED)
Resumen
En la era digital actual, la propagación de información falsa y desinformación a través de las redes sociales constituye un problema creciente que afecta la estructura social y política global. El presente Trabajo se centra en abordar este desafío mediante la aplicación de modelos Transformer junto con técnicas de Transfer Learning con el objetivo de mejorar la detección y verificación de este tipo de contenido en plataformas sociales. Tras una revisión sistemática del estado de la técnica, la piedra angular del Trabajo es una evaluación empírica realizada sobre un corpus compuesto de tweets en español, donde se han probado y validado una serie de preguntas de investigación. Los resultados empíricos obtenidos revelan hallazgos significativos: la inclusión de contenido multilingüe y de múltiples dominios durante el entrenamiento no mejora sustancialmente la capacidad de los modelos para generalizar y detectar tweets susceptibles de verificación, desafiando la noción imperante relativa a que la diversidad de datos enriquece la capacidad de generalización de los modelos. Además, las técnicas de Data Augmentation evaluadas, incluyendo back-translation y la generación de datos sintéticos mediante LLMs, tampoco han tenido un impacto positivo en el rendimiento. Los resultados demuestran también la superioridad de las arquitecturas Transformers de tipo encoder en la tarea de detección de contenido verificable en redes sociales. Por otro lado, y a pesar de las notables diferencias de tamaño entre las distintas arquitecturas de tipo decoder evaluadas, se observa un rendimiento similar, sugiriendo que, más allá de cierto umbral, el aumento en el número de parámetros no tiene por qué traducirse necesariamente en mejoras de rendimiento. Estos hallazgos sugieren un replanteamiento de las prácticas actuales en la aplicación de técnicas de NLP para la verificación de contenido en redes sociales. El presente trabajo abre las puertas a futuras investigaciones para explorar más detalladamente las arquitecturas Transformers y su implementación en sistemas dinámicos de verificación de contenido.
Descripción
Categorías UNESCO
Palabras clave
Citación
Zamora Arenas, Daniel (2024) Verificación de contenido en redes sociales mediante Transformers y Transfer Learning. Trabajo fin de máster. Universidad de Educación a Distancia (UNED)
Centro
Facultades y escuelas::E.T.S. de Ingeniería Informática
Departamento
Lenguajes y Sistemas Informáticos