MUESCA: A Multi-Genre Corpus and Annotation Scheme for Subjectivity in Spanish

En el vasto paisaje del lenguaje humano, existe una tensión constante entre lo que es simplemente cierto y lo que se siente como cierto. Durante décadas, los científicos que trabajan en el campo del procesamiento del lenguaje natural han intentado enseñar a las computadoras a distinguir entre una declaración de hechos y una expresión de opinión personal. Esta tarea, conocida como detección de subjetividad, es crucial para todo, desde la clasificación de artículos de noticias hasta la comprensión del sentimiento público. Sin embargo, el enfoque tradicional ha sido a menudo demasiado simple, tratando el lenguaje como un interruptor binario donde una oración es objetiva o subjetiva. En realidad, la comunicación humana rara vez es tan blanca o negra. Un informe de noticias puede exponer un hecho mientras lo enmarca sutilmente con la perspectiva de un periodista; un artículo científico puede presentar datos duros mientras utiliza un lenguaje cauteloso para describir posibilidades futuras. El desafío radica en capturar este punto medio fluido, donde la "huella dactilar del autor" se esconde dentro de palabras que parecen neutrales en la superficie.

Un equipo de investigadores de la Universidad de Alicante, en España, ha dado un paso significativo hacia la resolución de este enigma mediante la creación de un nuevo recurso llamado MUESCA. En lugar de forzar los textos en cajas rígidas, construyeron un conjunto de datos que trata la subjetividad como una escala deslizante, o un continuo. Para ello, recopilaron y analizaron tres tipos de escritura muy diferentes: resúmenes científicos, que representan el extremo más objetivo del espectro; reseñas de consumidores, que representan el extremo más subjetivo; y artículos de noticias, que se sitúan en el intermedio desordenado e híbrido. Al examinar cómo los autores de estos diferentes géneros utilizan herramientas lingüísticas específicas —como palabras que muestran certeza, frases que muestran duda o pronombres que revelan implicación personal—, los investigadores mapearon exactamente cómo la "voz" del escritor cambia a través de estos estilos. Su trabajo proporciona una nueva forma de medir la presencia invisible de un autor humano dentro de un texto, ofreciendo un mapa más matizado para que las computadoras naveguen por el complejo mundo de la expresión humana.

El núcleo de este proyecto es el corpus MUESCA, una colección de 1.865 oraciones extraídas de 135 documentos. Los investigadores no solo recopilaron estas oraciones; las anotaron meticulosamente, marcando rasgos gramaticales y léxicos específicos que señalan cuánto se compromete el autor con lo que está diciendo. Dividieron estas señales en dos grupos principales: alto compromiso del autor y bajo compromiso del autor. El alto compromiso incluye marcadores de certeza, como el uso del tiempo futuro o el afirmar algo como un hecho, y marcadores de participación, como el uso de "yo" o "nosotros". El bajo compromiso incluye marcadores de duda, como el modo subjuntivo o palabras como "tal vez", y marcadores de distanciamiento, como el uso de la voz pasiva para ocultar quién realizó la acción. Al contar estos rasgos, el equipo pudo observar cómo los resúmenes científicos tienden a apoyarse en datos específicos y estructuras impersonales, mientras que las reseñas están llenas de opiniones personales y compromiso directo. Los artículos de noticias, como era de esperar, mostraban una mezcla de ambos, confirmando su estatus de género híbrido.

Para asegurar que sus hallazgos fueran robustos, los investigadores probaron si estos marcadores lingüísticos podían realmente ayudar a las computadoras a distinguir entre los diferentes tipos de escritura. Entrenaron modelos de aprendizaje automático para clasificar los textos en categorías objetivas, híbridas o subjetivas. Cuando los modelos recibían solo el texto bruto, funcionaban razonablemente bien, pero cuando los investigadores añadieron los marcadores pragmáticos específicos de su esquema de anotación, los modelos mejoraron significativamente en la tarea. La combinación más efectiva de características involucró la medición del nivel de especificidad y el grado de certeza. Este enfoque permitió a la computadora entender no solo de qué trata el texto, sino cómo el autor está presentando esa información. Los resultados fueron particularmente fuertes para el género de noticias, que suele ser el más difícil de clasificar porque mezcla hechos con interpretación. Al utilizar estos marcadores pragmáticos, el modelo mejoró su capacidad para detectar las formas sutiles en que los periodistas enmarcan sus historias.

Los investigadores también exploraron cómo estas reglas diseñadas por humanos podrían funcionar junto con la inteligencia artificial moderna. Combinaron sus marcadores específicos con un potente modelo de lenguaje llamado BETO, que está entrenado con vastas cantidades de texto en español. Aunque este modelo avanzado ya era muy bueno comprendiendo el lenguaje, añadir los marcadores específicos de subjetividad mejoró aún más su rendimiento. La mejora fue pequeña en términos porcentuales, pero estadísticamente significativa, lo que sugiere que las reglas explícitas sobre el compromiso del autor ayudaron a la computadora a resolver ambigüedades que los patrones estadísticos puros pasaban por alto. Esto es especialmente cierto para los artículos de noticias, donde la precisión del modelo aumentó cuando pudo ver las señales lingüísticas específicas de duda o certeza. El estudio confirma que, aunque los grandes modelos de IA son poderosos, todavía se benefician de una comprensión estructurada de cómo los humanos construyen sus argumentos y expresan sus creencias.

Uno de los aspectos más reveladores del estudio fue cómo se comportó el género de noticias al enfrentarse a los otros dos extremos. Cuando los investigadores probaron el modelo pidiéndole que distinguiera las noticias de los resúmenes científicos, el modelo encontró que era relativamente fácil diferenciarlos. Sin embargo, cuando se le pidió distinguir las noticias de las reseñas de consumidores, la tarea fue más difícil. Esto sugiere que el lenguaje del periodismo, a pesar de su reputación de neutralidad, comparte más ADN pragmático con los artículos de opinión personal que con el lenguaje desapegado de la ciencia. Las noticias a menudo contenían suficiente encuadre subjetivo y lenguaje evaluativo para desdibujar la línea con las reseñas, haciendo que fueran más difíciles de separar del polo subjetivo. Este hallazgo respalda la idea de que la subjetividad no es una propiedad fija de un tipo de texto, sino una cualidad fluida que puede cambiar dependiendo de cómo el autor elija presentar su información.

El proyecto MUESCA no pretende haber resuelto el problema de la detección de la subjetividad por completo, pero proporciona una base sólida para trabajos futuros. Los investigadores han puesto su conjunto de datos y sus directrices de anotación a disposición de otros, permitiendo que la comunidad científica construya sobre su trabajo. Planean expandir el corpus para incluir más géneros, como publicaciones en redes sociales e informes técnicos, para ver si su método se mantiene en entornos más informales o polarizados. También ven aplicaciones potenciales en la detección del engaño, donde la forma en que se presenta la información —a través de la certeza o la duda— podría ser más reveladora que los hechos mismos. Al centrarse en la entrega pragmática de la información en lugar de solo en el contenido, este enfoque ofrece una nueva lente para entender cómo los humanos usan el lenguaje para dar forma a la realidad. El trabajo demuestra que, al descomponer la compleja tarea de la subjetividad en componentes lingüísticos medibles, podemos construir herramientas que no solo sean más precisas, sino también más transparentes sobre cómo alcanzan sus conclusiones.