De 'Computadora' a 'Ordenador': El Impacto de los Dialectos del Español en la Varianza de Clasificación de los LLM

Resumen

Este estudio investiga el impacto de la variación dialectal del español en el desempeño y la reproducibilidad de los Modelos de Lenguaje de Gran Escala (LLMs) en tareas de clasificación de texto. En particular, se comparan el español peninsular y el español de México utilizando conjuntos de datos de referencia para análisis de sentimientos y detección de noticias falsas. La metodología sigue el marco CRISP-DM, con énfasis en la normalización de datos, la adaptación dialectal y la evaluación controlada de los modelos mediante múltiples ejecuciones de entrenamiento. Se ajustaron y probaron modelos como RoBERTa para cuantificar la varianza intra-modelo e interdialectal. Los resultados muestran que los modelos entrenados con español peninsular alcanzaron mayor estabilidad y precisión en análisis de sentimientos, mientras que los entrenados con español mexicano obtuvieron mejores resultados en detección de noticias falsas. Estas diferencias evidencian que la variación dialectal influye significativamente en el comportamiento de los modelos y subrayan las limitaciones de basarse en una sola variante del español para tareas de PLN. Los hallazgos destacan la importancia de desarrollar conjuntos de datos equilibrados y representativos que reflejen la diversidad lingüística del español, contribuyendo así a modelos más justos y confiables.