Publicación:
Verificación de contenido en redes sociales mediante Transformers y Transfer Learning

Vista sencilla de ítem
dc.contributor.advisorCenteno Sánchez, Roberto
dc.contributor.advisorRodrigo Yuste, Álvaro
dc.contributor.authorZamora Arenas, Daniel
dc.date.accessioned2024-09-05T13:19:38Z
dc.date.available2024-09-05T13:19:38Z
dc.date.issued2024-06
dc.description.abstractEn 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.es
dc.identifier.citationZamora Arenas, Daniel (2024) Verificación de contenido en redes sociales mediante Transformers y Transfer Learning. Trabajo fin de máster. Universidad de Educación a Distancia (UNED)
dc.identifier.urihttps://hdl.handle.net/20.500.14468/23621
dc.language.isoes
dc.publisherUniversidad de Educación a Distancia (UNED)
dc.relation.centerFacultades y escuelas::E.T.S. de Ingeniería Informática
dc.relation.degreeMáster universitario en Tecnologías del Lenguaje
dc.relation.departmentLenguajes y Sistemas Informáticos
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
dc.subject12 Matemáticas::1203 Ciencia de los ordenadores ::1203.17 Informática
dc.titleVerificación de contenido en redes sociales mediante Transformers y Transfer Learninges
dc.typetesis de maestríaes
dc.typemaster thesisen
dspace.entity.typePublication
Archivos
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
3.62 KB
Formato:
Item-specific license agreed to upon submission
Descripción:
Descargar
Colecciones
Trabajos de fin de máster (TFM)