Análisis multimodal de las emociones y el discurso de odio en la comunicación en línea
Year: 2026
Type: dissertation
Abstract: En los últimos años, la comunicación en línea se ha consolidado como uno de los principales espacios de intercambio de información, opinión y debate público. Plataformas digitales como redes sociales, medios en línea o servicios de vídeo han transformado profundamente la manera en que las personas acceden a la información y participan en la construcción del discurso social. Este nuevo ecosistema comunicativo se caracteriza por su alcance global, su inmediatez y la participación activa de los usuarios. No obstante, también ha generado desafíos importantes relacionados con la calidad de la información, la difusión de contenido emocionalmente polarizado y la presencia creciente de lenguaje dañino o discurso de odio dirigido a individuos o colectivos. Las emociones desempeñan un papel fundamental en la forma en que los usuarios interpretan, evalúan y comparten la información en entornos digitales. Numerosos estudios han demostrado que los mensajes que apelan a emociones intensas, como la ira, el miedo o la indignación, tienden a generar mayores niveles de interacción y difusión. De forma paralela, el discurso de odio contribuye a la radicalización del debate público y a la creación de entornos comunicativos tóxicos. Comprender cómo se manifiestan e interactúan estos fenómenos resulta, por tanto, esencial para el análisis del discurso en línea. Tradicionalmente, el análisis automático del contenido digital se ha centrado principalmente en el texto mediante técnicas de Procesamiento de Lenguaje Natural. Sin embargo, gran parte del contenido que circula en Internet es de naturaleza multimodal, combinando texto, audio e imágenes. En este contexto, el análisis exclusivo del texto puede resultar limitado para capturar todos los matices emocionales o contextuales presentes en la comunicación digital. Los avances recientes en Inteligencia Artificial, especialmente en modelos de lenguaje de gran tamaño, ofrecen nuevas oportunidades para abordar el análisis del discurso desde una perspectiva más integrada. El objetivo principal de esta tesis doctoral es desarrollar y evaluar enfoques automáticos para el reconocimiento de emociones y la detección de lenguaje dañino en contenidos de comunicación en línea, prestando especial atención al idioma español. En particular, esta investigación analiza el valor añadido de los enfoques multimodales frente a los modelos unimodales tradicionales, así como el potencial de los modelos de lenguaje de gran tamaño para mejorar el análisis automático del discurso en diferentes contextos. Para alcanzar estos objetivos se adopta una metodología experimental estructurada en varias fases. En primer lugar, se desarrollan y publican nuevos recursos lingüísticos multimodales en español, entre los que destacan los corpus Spanish MEACorpus 2023 y Spanish MTLHateCorpus 2023, diseñados para el análisis de emociones y del discurso de odio respectivamente. Posteriormente, se implementan y evalúan distintos modelos automáticos para el reconocimiento de emociones y la detección de lenguaje dañino, incluyendo enfoques unimodales, multimodales y estrategias de aprendizaje multitarea. Asimismo, se analizan diferentes paradigmas de aprendizaje con modelos de lenguaje de gran tamaño, tales como zero-shot, few-shot y fine-tuning, con el fin de evaluar su capacidad de generalización y su eficacia en tareas complejas de análisis del discurso. Los resultados obtenidos muestran que la integración de múltiples modalidades mejora significativamente el rendimiento de los sistemas de reconocimiento de emociones en comparación con los enfoques basados únicamente en texto o audio. Asimismo, el aprendizaje multitarea permite modelar de forma más completa las diferentes dimensiones del discurso de odio, capturando relaciones semánticas y pragmáticas entre ellas. En cuanto al uso de modelos de lenguaje de gran tamaño, los experimentos evidencian que las estrategias de few-shot learning pueden ofrecer resultados competitivos en determinados escenarios, especialmente cuando se emplean métodos optimizados de selección de ejemplos
Source: Hispana
Author: Pan, Ronghao
Language: English
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7206865758