💬 NLP

Directed Social Regard: Surfacing Targeted Advocacy, Opposition, Aid, Harms, and Victimization in Online Media

Este artículo presenta el Respeto Social Dirigido (DSR), un nuevo marco de análisis de sentimientos multidimensional que utiliza modelos basados en transformadores para identificar simultáneamente los objetivos del sentimiento y puntuarlos a lo largo de tres ejes de respeto social, capturando así la coexistencia de sentimientos prosociales y antisociales en los medios en línea que las herramientas tradicionales pasan por alto.

Autores originales: Scott Friedman, Ruta Wheelock, Sonja Schmer-Galunder, Drisana Iverson, Jake Vasilakes, Joan Zheng, Jeffrey Rye, Vasanth Sarathy, Christopher Miller

Publicado 2026-05-04

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Scott Friedman, Ruta Wheelock, Sonja Schmer-Galunder, Drisana Iverson, Jake Vasilakes, Joan Zheng, Jeffrey Rye, Vasanth Sarathy, Christopher Miller

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que caminas por una plaza de pueblo abarrotada y ruidosa. En esta plaza, las personas se gritan mensajes entre sí. A veces, una sola persona grita una frase que es una mezcla de amor, odio, ira y lástima, todo a la vez.

Por ejemplo, alguien podría gritar: "¿Cómo pueden hacer esto con los niños??"

Las herramientas antiguas para analizar el lenguaje (como los analizadores básicos de sentimiento) son como un termómetro simple. Observan toda esa frase y dicen: "Esto es Negativo". Eso es todo. Se pierden los matices. No te dicen a quién se odia, a quién se compadece, ni qué acción se condena.

Este artículo presenta una herramienta nueva y mucho más inteligente llamada Consideración Social Dirigida (DSR). Piensa en la DSR no como un termómetro, sino como un foco de alta tecnología con tres lentes de diferentes colores.

Los Tres Lentes del Foco

En lugar de decir simplemente "Bueno" o "Malo", el foco de la DSR brilla sobre palabras específicas (o "segmentos") en una frase y hace tres preguntas específicas para cada una:

El Lente "Oponer vs. Abogar": ¿El hablante intenta detener a esta persona/cosa, o está animándola?
- En nuestro ejemplo: El hablante se está Oponiendo a "ellos" y Abogando por "los niños".
El Lente "Dañino vs. Útil": ¿El hablante piensa que esta persona/cosa está causando daño o brindando ayuda?
- En nuestro ejemplo: "Ellos" y la acción "hacer esto" son vistos como Dañinos.
El Lente "Victimizado vs. Ayudado": ¿El hablante ve a esta persona/cosa como una víctima que necesita ser salvada, o como alguien que está siendo ayudado?
- En nuestro ejemplo: Los "niños" son vistos como Victimizados.

Cómo Funciona la Herramienta (El "Cerebro" y las "Manos")

Los investigadores construyeron un sistema de aprendizaje automático de dos partes para hacer esto:

Las "Manos" (Reconocimiento de Segmentos): Primero, el sistema lee el texto y actúa como un resaltador. Encuentra las partes importantes. Resalta "ellos" como un personaje, "niños" como un personaje y "hacer esto" como un tema. Conoce la diferencia entre una persona y un evento.
El "Cerebro" (Puntuación de Consideración): Una vez que las partes están resaltadas, el "Cerebro" asigna una puntuación a cada una en una escala de -1 (muy negativo) a +1 (muy positivo) para cada uno de los tres lentes mencionados anteriormente.

Por Qué Esto Importa (El "Por Qué")

El artículo explica que esto no se trata solo de matemáticas sofisticadas; se basa en la psicología humana real.

Desconexión Moral: A veces, las personas justifican hacer daño a otros diciendo: "Se lo merecían". La herramienta DSR puede capturar esta mezcla compleja: ve que el hablante considera a un grupo tanto como "Oponente" (los odiamos) como "Dañino" (son malos), lo cual es una forma en que los humanos justifican comportamientos malos.
Dinámicas de Grupo: Nos ayuda a ver cómo los grupos hablan de "Nosotros" vs. "Ellos". Por ejemplo, en un conjunto de datos que estudiaron (un grupo llamado la "Esfera Masculina"), la herramienta encontró que los hablantes a menudo se veían a sí mismos como víctimas ("Yo/Nosotros") mientras veían a las mujeres como las "Dañinas". En otro conjunto de datos (sobre el movimiento #MeToo), la herramienta invirtió ese guion, mostrando a las mujeres como "Victimizadas" y a los hombres como "Dañinos".

La Prueba (¿Funcionó?)

Los investigadores probaron su herramienta de dos maneras:

La Prueba de Manejo: Le alimentaron miles de publicaciones de redes sociales que habían sido etiquetadas manualmente por humanos. El "resaltado" de la herramienta fue aproximadamente 90-96% preciso, y su "puntuación" coincidió muy estrechamente con las opiniones humanas.
La Verificación de la Realidad: Tomaron la herramienta y la ejecutaron en conjuntos de datos existentes de otros investigadores (como conjuntos de datos sobre discurso de odio, movimientos políticos y debates en línea).
- Resultado: Las puntuaciones de la herramienta coincidieron perfectamente con lo que los expertos humanos ya habían encontrado. Por ejemplo, cuando un conjunto de datos fue etiquetado como "Indignación Moral", la herramienta DSR mostró correctamente altas puntuaciones de "Oposición" hacia los objetivos de esa indignación.

La Conclusión

Este artículo presenta una nueva forma de escuchar las conversaciones en línea. En lugar de simplemente escuchar "Este es un tweet malo", la herramienta DSR nos permite escuchar: "Este tweet ataca al Grupo A por hacer daño al Grupo B, mientras expresa una profunda simpatía por el Grupo B".

Es una herramienta que nos ayuda a comprender los sentimientos complejos, estratificados y a menudo contradictorios que las personas expresan cuando escriben en sus teléfonos. Los investigadores han construido el motor, lo han entrenado en un conjunto de datos masivo de más de 1.800 publicaciones y han demostrado que funciona mejor que los métodos antiguos y más simples para detectar a quién se está culpando, a quién se está salvando y a quién se está animando.

Aquí se presenta un resumen técnico detallado del artículo "Directed Social Regard: Surfacing Targeted Advocacy, Opposition, Aid, Harms, and Victimization in Online Media".

1. Declaración del Problema

Las herramientas actuales de Procesamiento del Lenguaje Natural (PLN) para el análisis de sentimientos suelen clasificar un texto completo como positivo, negativo o neutral, o asignar una única puntuación de intensidad. Estos enfoques no abordan dos complejidades críticas en los medios en línea:

Sentimientos Coexistentes: Un solo mensaje a menudo contiene sentimientos mixtos (por ejemplo, abogar por una víctima mientras se se opone a un agresor) que se pierden al agregarse en una sola puntuación.
Ambigüedad del Objetivo: Las herramientas estándar no pueden identificar quién o qué es el objetivo hacia el cual se dirige el sentimiento, ni pueden distinguir entre diferentes tipos de relaciones sociales (por ejemplo, ¿se está ayudando, dañando, oponiendo o victimizando al objetivo?).

Los marcos existentes como el Análisis de Sentimientos Dirigido (TSA), el Análisis de Sentimientos Basado en Aspectos (ABSA) y la Detección de Postura a menudo requieren objetivos predefinidos, dependen de etiquetas categóricas o carecen de una evaluación multidimensional. Existe la necesidad de un marco que pueda extraer objetivos automáticamente y puntuarlos a lo largo de dimensiones continuas y teóricamente fundamentadas de consideración social.

2. Metodología: El Marco de Consideración Social Dirigida (DSR)

Los autores proponen la Consideración Social Dirigida (DSR), un enfoque de análisis de sentimientos multidimensional y multivalencia fundamentado en teorías de ciencias sociales (específicamente la Desconexión Moral y el Encuadre Moral).

A. Dimensiones Teóricas

DSR define el sentimiento no como una sola polaridad, sino como tres ejes bipolares independientes (que van de -1 a +1):

Oposición–Abogacía: Si el autor desea obstaculizar o defender un objetivo.
Dañino–Útil: Si el autor considera al objetivo como una fuente de daño o ayuda para otros.
Victimizado–Ayudado: Si el autor ve al objetivo como alguien dañado o ayudado por otros.

Estas dimensiones permiten representaciones matizadas, como un objetivo que es simultáneamente "Oposición" y "Dañino" (justificando la agresión) o "Abogacía" y "Victimizado" (expresando empatía).

B. Construcción del Conjunto de Datos

Fuentes de Datos: Los autores recopilaron 1,838 textos de ocho fuentes diversas de Información de Acceso Público (PAI), incluyendo Reddit, comentarios del New York Times, Gab y corpus específicos sobre discurso de odio, la "Manosfera" y eventos políticos (por ejemplo, #MeToo, elecciones francesas).
Anotación: Anotadores humanos identificaron segmentos (secuencias contiguas de palabras que representan personajes o temas) y los puntuaron en los tres ejes de DSR utilizando una interfaz de control deslizante (-1.0 a 1.0).
Escala: El conjunto de datos final contiene 13,893 segmentos con 26,779 puntuaciones de intensidad promediadas. El acuerdo entre anotadores (α de Krippendorff) fue alto (0.71–0.91).

C. Arquitectura del Modelo

El sistema DSR emplea una pipeline basada en transformadores de dos etapas:

Reconocimiento de Segmentos (Clasificación de Tokens):
- Utiliza un Transformador ajustado (por ejemplo, DeBERTa-v3) para identificar y clasificar segmentos como Personajes (personas/grupos) o Temas (eventos/conceptos).
- Salida: Una lista de segmentos detectados con sus tipos.
Puntuación de Consideración (Intensidad a Nivel de Segmento):
- Toma los segmentos identificados y el contexto completo del texto.
- Utiliza un codificador Transformador (DeBERTa-v3) para generar incrustaciones contextuales.
- Aplica un Agrupador de Contexto para normalizar los vectores de segmentos.
- Pasa los vectores a través de capas lineales para predecir tres puntuaciones de regresión continuas (-1 a 1) para cada segmento: Oposición–Abogacía, Dañino–Útil y Victimizado–Ayudado.
- Nota: El modelo se entrena utilizando la pérdida de Error Cuadrático Medio (MSE).

3. Contribuciones Clave

Nuevo Marco: Introducción de DSR, que va más allá del sentimiento categórico hacia una consideración social continua, multidimensional y específica del objetivo.
Nuevo Conjunto de Datos: Creación de un conjunto de datos anotado a gran escala y de alta calidad para entrenar y evaluar el sentimiento social multidimensional a nivel de segmentos.
Integración Teórica: Operacionalización exitosa de teorías de ciencias sociales (Desconexión Moral de Bandura, Cortesía de Brown y Levinson) en tareas de PLN.
Descubrimiento de Objetivos Zero-Shot: A diferencia de la Detección de Postura, DSR no requiere objetivos preespecificados; descubre automáticamente los segmentos salientes en el texto.

4. Resultados Experimentales

A. Rendimiento de Reconocimiento de Segmentos

El modelo de mejor rendimiento (DeBERTa-v3-large-mnli) logró una puntuación F1 de 0.96 para segmentos de personajes y 0.74 para segmentos de temas bajo criterios de coincidencia estricta.
Las métricas a nivel de token fueron más altas (F1 ~0.92), lo que indica que el modelo identifica efectivamente los límites de los objetivos de sentimiento.

B. Rendimiento de Puntuación de Consideración

El modelo de puntuación demostró una fuerte correlación con las anotaciones humanas.
Oposición–Abogacía: $R^2 = 0.85$ , RMSE = 0.20.
Victimizado–Ayudado: $R^2 = 0.67$ , RMSE = 0.10.
Dañino–Útil: $R^2 = 0.57$ , RMSE = 0.12.
Comparación: Los modelos especializados DeBERTa superaron significativamente a los grandes modelos de lenguaje (LLM) como Llama 3.2 (ajustado mediante LoRA) y GPT-4o (pocos ejemplos), lo que sugiere que los modelos de regresión construidos con un propósito específico son más efectivos para esta tarea de predicción numérica específica que los LLM generativos.

C. Estudios de Aplicación (Validación en Conjuntos de Datos Externos)

Los autores aplicaron el modelo DSR entrenado a seis conjuntos de datos externos para validar su utilidad:

Benchmarks de Puente: Las puntuaciones de DSR se correlacionaron fuertemente con las etiquetas a nivel de documento. Alta "Indignación Moral" se correlacionó con alta oposición hacia objetivos de 2ª/3ª persona, mientras que "Respeto" se correlacionó con abogacía.
Corpus de Twitter de Fundamentos Morales (MFTC): Los atributos de DSR se alinearon con la teoría de los Fundamentos Morales. Las "Virtudes" (por ejemplo, Cuidado) se correlacionaron con puntuaciones de "Útil/Ayudado", mientras que los "Vicios" (por ejemplo, Daño) se correlacionaron con puntuaciones de "Dañino/Oposición".
Comparación de Corpus:
- Manosfera vs. Discurso de Odio: El corpus de la Manosfera mostró alta "Abogacía por Ti" y "Víctima|Yo/Nosotros" (autovictimización), mientras que el corpus de Discurso de Odio mostró alta "Abogacía por Daño".
- MeToo: Mostró alta "Víctima|Mujer" y "Dañino|Hombre", alineándose con los temas del movimiento.
- ALM vs. Baltimore: Distinguió opiniones opuestas sobre la aplicación de la ley; "All Lives Matter" mostró abogacía por la policía, mientras que las protestas de "Baltimore" mostraron oposición.
Análisis Pareado: El modelo extrajo con éxito micro-narrativas (por ejemplo, "Ellos dañan a Nosotros") visualizando pares de daño/ayuda coocurrentes, revelando patrones estructurales en el discurso comunitario.

5. Significado e Implicaciones

Granularidad: DSR proporciona una visión granular del discurso en línea, revelando cómo los sentimientos prosociales y antisociales coexisten dentro de mensajes individuales dirigidos a diferentes objetivos.
Utilidad en Ciencias Sociales: Ofrece una herramienta cuantitativa para que los investigadores estudien la desconexión moral, la formación de identidad grupal y los mecanismos de radicalización en línea sin depender de palabras clave predefinidas.
Seguridad de Plataformas: El marco puede ayudar a las plataformas a identificar contenido dañino complejo (por ejemplo, abogar por el daño contra un grupo específico) que podría pasar por alto los filtros simples de sentimiento negativo.
Futuras Direcciones: Los autores sugieren utilizar DSR para el monitoreo en tiempo real de operaciones de influencia, comprender los cambios culturales en el encuadre moral y mejorar la explicabilidad de la moderación de contenido impulsada por IA.

En conclusión, el artículo presenta un marco robusto y teóricamente fundamentado de PLN que avanza significativamente el estado del arte en el análisis de sentimientos al capturar la dirección, la intensidad y la multidimensionalidad de la consideración social en los medios en línea.