Análisis comparativo de modelos transformer para clasificación de texto en español

Autores
Paz Zannini, Raúl; Lescano, Germán Ezequiel; Palomo, Lilia
Año de publicación
2026
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En los últimos años, los modelos basados en la arquitectura Transformer han marcado un hito en el desarrollo del Procesamiento del Lenguaje Natural (PLN), al posibilitar una representación contextual más precisa de las secuencias lingüísticas. Su capacidad para capturar dependencias semánticas a diferentes escalas ha redefinido el enfoque tradicional en múltiples tareas del área. A pesar del éxito de estos modelos en inglés, existe una necesidad de evaluar su desempeño en contextos hispanohablantes, donde los recursos lingüísticos y los modelos optimizados son aún limitados. Este estudio se centrará en explorar, comprender y comparar el desempeño de modelos Transformer preentrenados tales como como BETO, mBERT, RoBERTa, en tareas de clasificación de texto en idioma español. Para realizar comparaciones objetivas, se considerarán métricas estándar como precisión, recall, F1-score y eficiencia computacional. Entre los resultados esperados se anticipa que los modelos Transformer entrenados específicamente en español (como BETO) superarán en rendimiento a los modelos tradicionales. Este análisis tiene implicancias directas para la elección de modelos en aplicaciones reales que requieren procesamiento de texto en español, como asistentes virtuales, moderación de contenidos y análisis automático de documentos.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Transformer
PLN
BETO
mBERT
RoBERTa
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/195690
Acceder
id SEDICI_29532f5dc16cb397d4d285d13fea96ac
oai_identifier_str oai:sedici.unlp.edu.ar:10915/195690
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Análisis comparativo de modelos transformer para clasificación de texto en españolPaz Zannini, RaúlLescano, Germán EzequielPalomo, LiliaCiencias InformáticasTransformerPLNBETOmBERTRoBERTaEn los últimos años, los modelos basados en la arquitectura Transformer han marcado un hito en el desarrollo del Procesamiento del Lenguaje Natural (PLN), al posibilitar una representación contextual más precisa de las secuencias lingüísticas. Su capacidad para capturar dependencias semánticas a diferentes escalas ha redefinido el enfoque tradicional en múltiples tareas del área. A pesar del éxito de estos modelos en inglés, existe una necesidad de evaluar su desempeño en contextos hispanohablantes, donde los recursos lingüísticos y los modelos optimizados son aún limitados. Este estudio se centrará en explorar, comprender y comparar el desempeño de modelos Transformer preentrenados tales como como BETO, mBERT, RoBERTa, en tareas de clasificación de texto en idioma español. Para realizar comparaciones objetivas, se considerarán métricas estándar como precisión, recall, F1-score y eficiencia computacional. Entre los resultados esperados se anticipa que los modelos Transformer entrenados específicamente en español (como BETO) superarán en rendimiento a los modelos tradicionales. Este análisis tiene implicancias directas para la elección de modelos en aplicaciones reales que requieren procesamiento de texto en español, como asistentes virtuales, moderación de contenidos y análisis automático de documentos.Red de Universidades con Carreras en Informática2026-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf29-32http://sedici.unlp.edu.ar/handle/10915/195690spainfo:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7info:eu-repo/semantics/reference/hdl/10915/195432info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T11:17:07Zoai:sedici.unlp.edu.ar:10915/195690Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 11:17:07.714SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Análisis comparativo de modelos transformer para clasificación de texto en español
title Análisis comparativo de modelos transformer para clasificación de texto en español
spellingShingle Análisis comparativo de modelos transformer para clasificación de texto en español
Paz Zannini, Raúl
Ciencias Informáticas
Transformer
PLN
BETO
mBERT
RoBERTa
title_short Análisis comparativo de modelos transformer para clasificación de texto en español
title_full Análisis comparativo de modelos transformer para clasificación de texto en español
title_fullStr Análisis comparativo de modelos transformer para clasificación de texto en español
title_full_unstemmed Análisis comparativo de modelos transformer para clasificación de texto en español
title_sort Análisis comparativo de modelos transformer para clasificación de texto en español
dc.creator.none.fl_str_mv Paz Zannini, Raúl
Lescano, Germán Ezequiel
Palomo, Lilia
author Paz Zannini, Raúl
author_facet Paz Zannini, Raúl
Lescano, Germán Ezequiel
Palomo, Lilia
author_role author
author2 Lescano, Germán Ezequiel
Palomo, Lilia
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
Transformer
PLN
BETO
mBERT
RoBERTa
topic Ciencias Informáticas
Transformer
PLN
BETO
mBERT
RoBERTa
dc.description.none.fl_txt_mv En los últimos años, los modelos basados en la arquitectura Transformer han marcado un hito en el desarrollo del Procesamiento del Lenguaje Natural (PLN), al posibilitar una representación contextual más precisa de las secuencias lingüísticas. Su capacidad para capturar dependencias semánticas a diferentes escalas ha redefinido el enfoque tradicional en múltiples tareas del área. A pesar del éxito de estos modelos en inglés, existe una necesidad de evaluar su desempeño en contextos hispanohablantes, donde los recursos lingüísticos y los modelos optimizados son aún limitados. Este estudio se centrará en explorar, comprender y comparar el desempeño de modelos Transformer preentrenados tales como como BETO, mBERT, RoBERTa, en tareas de clasificación de texto en idioma español. Para realizar comparaciones objetivas, se considerarán métricas estándar como precisión, recall, F1-score y eficiencia computacional. Entre los resultados esperados se anticipa que los modelos Transformer entrenados específicamente en español (como BETO) superarán en rendimiento a los modelos tradicionales. Este análisis tiene implicancias directas para la elección de modelos en aplicaciones reales que requieren procesamiento de texto en español, como asistentes virtuales, moderación de contenidos y análisis automático de documentos.
Red de Universidades con Carreras en Informática
description En los últimos años, los modelos basados en la arquitectura Transformer han marcado un hito en el desarrollo del Procesamiento del Lenguaje Natural (PLN), al posibilitar una representación contextual más precisa de las secuencias lingüísticas. Su capacidad para capturar dependencias semánticas a diferentes escalas ha redefinido el enfoque tradicional en múltiples tareas del área. A pesar del éxito de estos modelos en inglés, existe una necesidad de evaluar su desempeño en contextos hispanohablantes, donde los recursos lingüísticos y los modelos optimizados son aún limitados. Este estudio se centrará en explorar, comprender y comparar el desempeño de modelos Transformer preentrenados tales como como BETO, mBERT, RoBERTa, en tareas de clasificación de texto en idioma español. Para realizar comparaciones objetivas, se considerarán métricas estándar como precisión, recall, F1-score y eficiencia computacional. Entre los resultados esperados se anticipa que los modelos Transformer entrenados específicamente en español (como BETO) superarán en rendimiento a los modelos tradicionales. Este análisis tiene implicancias directas para la elección de modelos en aplicaciones reales que requieren procesamiento de texto en español, como asistentes virtuales, moderación de contenidos y análisis automático de documentos.
publishDate 2026
dc.date.none.fl_str_mv 2026-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/195690
url http://sedici.unlp.edu.ar/handle/10915/195690
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-631-6904-02-7
info:eu-repo/semantics/reference/hdl/10915/195432
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
29-32
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1868982611604406272
score 13.265058

Publicaciones similares