Publicación:
Detección de lenguaje ofensivo en redes sociales mediante modelos generativos

Vista sencilla de ítem
dc.contributor.authorCruz Casado, Adrián
dc.contributor.directorPérez Martín, Jorge
dc.contributor.directorRodrigo Yuste, Álvaro
dc.date.accessioned2026-03-10T18:09:45Z
dc.date.available2026-03-10T18:09:45Z
dc.date.issued2026-02-01
dc.description.abstractDesde la popularización de las redes sociales a comienzos del siglo XXI, la comunicación en línea se ha multiplicado, convirtiéndose en un canal esencial tanto para el intercambio de información como para la creación de comunidades. No obstante, este crecimiento ha venido acompañado de un aumento perceptible del lenguaje ofensivo y el discurso de odio, fenómenos que amenazan la salud del ecosistema digital. Aunque las principales plataformas cuentan con mecanismos de moderación, la mayoría resultan costosos, lentos o incapaces de adaptarse al ritmo al que evoluciona el lenguaje. Este Trabajo de Fin de Máster analiza la aplicación de modelos generativos basados en arquitecturas Transformer para la detección automática de lenguaje ofensivo en redes sociales. En concreto, se estudia el rendimiento del modelo Mistral, al cual se le ha aplicado una fase de ajuste fino supervisado utilizando tres conjuntos de datos ampliamente utilizados en esta tarea: OffendES, MEX-A3T y OLID, que contienen ejemplos tanto en español como en inglés. El objetivo principal del trabajo es evaluar la capacidad del modelo ajustado para generalizar sobre distintos contextos y tipos de mensajes ofensivos. Para ello, se han diseñado y ejecutado una serie de experimentos que permiten analizar la calidad de los modelos mediante métricas como la precisión, la cobertura y la medida F1, comparando los resultados con enfoques tradicionales. Los resultados obtenidos muestran que el modelo ajustado sobre Mistral ofrece un rendimiento competitivo en la clasificación de contenido ofensivo, destacando su adaptabilidad a distintos dominios lingüísticos. Estos hallazgos respaldan el uso de modelos generativos como una alternativa prometedora y flexible para la moderación automática de contenidos, siempre que se acompañen de una adecuada estrategia de ajuste y validación.es
dc.description.abstractSince the early 2000s, social media platforms have become one of the main channels for global communication and information sharing. However, this growth has also led to a significant increase in the spread of offensive language and hate speech. Although most platforms include moderation systems, many of them remain manual, inefficient, or difficult to scale, highlighting the need for more advanced automated solutions. This Master’s Thesis explores the use of generative Transformer-based models for the automatic detection of offensive language in social media. Specifically, it investigates the performance of the Mistral model, which has undergone supervised fine-tuning using three widely known datasets in this domain: OffendES, MEX-A3T, and OLID, covering both Spanish and English texts. The main goal of the study is to assess the model’s ability to generalize across different contexts and types of offensive content. To achieve this, a series of experiments were conducted to analize the quality of models by evaluation metrics such as precision, recall, and F1-score, and the results were compared with those obtained by traditional approaches. The findings show that the fine-tuned Mistral model achieves competitive performance in offensive content classification, demonstrating strong adaptability across multilingual domains. These results support the potential of generative models as a flexible and effective foundation for real-time content moderation, provided that an appropriate fine-tuning and validation process is carried out.en
dc.description.provenanceMade available in DSpace on 2026-03-10T18:09:45Z (GMT). No. of bitstreams: 1 Detección de lenguaje ofensivo en redes sociales mediante modelos generativos.pdf: 450054 bytes, checksum: a965d59ad7b4a7b0740839f576907108 (MD5) Previous issue date: 2026-02-01en
dc.identifier.citationCruz Casado, Adrián. Trabajo de Fin de Máster: Detección de lenguaje ofensivo en redes sociales mediante modelos generativos. Universidad Nacional de Educación a Distancia (UNED), 2026
dc.identifier.urihttps://hdl.handle.net/20.500.14468/32073
dc.language.isoes
dc.relation.centerEscuela Técnica Superior de Ingeniería Informática
dc.relation.degreeMáster Universitario en Ingeniería y Ciencia de Datos
dc.relation.departmentInteligencia Artificial
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rights.urihttp://creativecommons.org/licenses/by/4.0/deed.es
dc.subject1203.04 Inteligencia artificial
dc.subject.keywordslenguaje ofensivoes
dc.subject.keywordsredes socialeses
dc.subject.keywordsmodelos generativoses
dc.subject.keywordsTransformeres
dc.subject.keywordsfine-tuninges
dc.subject.keywordsprocesamiento del lenguaje naturales
dc.subject.keywordsoffensive languageen
dc.subject.keywordssocial mediaen
dc.subject.keywordsgenerative modelsen
dc.subject.keywordsTransformeren
dc.subject.keywordsMistralen
dc.subject.keywordsfine-tuningen
dc.subject.keywordsnatural language processingen
dc.titleDetección de lenguaje ofensivo en redes sociales mediante modelos generativoses
dc.typetesis de maestríaes
dc.typemaster thesisen
dspace.entity.typePublication
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Detección de lenguaje ofensivo en redes sociales mediante modelos generativos.pdf
Tamaño:
439.51 KB
Formato:
Adobe Portable Document Format
Descargar
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)