Deep Learning y la arquitectura Transformer: Evaluación del Desempeño de RoBERTa-large-bne en la Predicción de la Complejidad Léxica en Textos Estatales Ecuatorianos
Dublin Core | Metadatos PKP | Metadatos de este documento | |
1. | Título | Título del documento | Deep Learning y la arquitectura Transformer: Evaluación del Desempeño de RoBERTa-large-bne en la Predicción de la Complejidad Léxica en Textos Estatales Ecuatorianos |
2. | Creador/a | Nombre de autor/a, afiliación, país | Jenny Alexandra Ortiz Zambrano; Universidad de Guayaquil; Spain |
2. | Creador/a | Nombre de autor/a, afiliación, país | Arturo Montejo Ráez; Universidad de Jaén; Spain |
3. | Materia | Disciplina(s) | |
3. | Materia | Palabras clave | Aprendizaje profundo; Complejidad léxica; Textos estatales; Arquitectura Transforme; Predicción. |
4. | Descripción | Resumen | En el ámbito de las instituciones públicas, la accesibilidad y comprensión de los documentos gubernamentales suelen verse afectadas por la complejidad léxica y el uso de lenguaje técnico especializado. Este problema impacta tanto a ciudadanos como a funcionarios, generando malentendidos que pueden reducir la transparencia y dificultar la participación ciudadana. En este estudio, se analiza el desempeño del modelo RoBERTa-large-bne, basado en la arquitectura Transformer, en la predicción de la complejidad léxica en textos estatales ecuatorianos. Para ello, se implementó un ajuste fino del modelo con el fin de optimizar su rendimiento en esta tarea específica. Se llevó a cabo una evaluación comparativa con otros modelos de lenguaje pre-entrenados aplicados en el corpus GovAIEc, cuyos textos corresponden a instituciones estatales del Ecuador. Los resultados obtenidos buscan sentar las bases para el desarrollo de herramientas que faciliten la simplificación de documentos públicos, mejorando su accesibilidad y promoviendo una interacción más eficiente entre la ciudadanía y las instituciones gubernamentales. |
5. | Editorial | Institución/entidad organizadora, localización | Polo del Conocimiento |
6. | Colaborador | Patrocinadores | |
7. | Fecha | (YYYY-MM-DD) | 2025-02-12 |
8. | Tipo | Estado & genero | Artículo revisado por pares |
8. | Tipo | Tipo | |
9. | Formato | Formato del archivo | PDF, HTML |
10. | Identificador | URI (Universal Resource Indicator) | https://polodelconocimiento.com/ojs/index.php/es/article/view/8920 |
10. | Identificador | Digital Object Identifier (DOI) | https://doi.org/10.23857/pc.v10i2.8920 |
11. | Fuente documental | Revista/título de la conferencia; vol, no. (año) | Polo del Conocimiento; Vol 10, No 2 (2025): FEBRERO |
12. | Idioma | Inglés=en | es |
13. | Relación | Archivos Supp. | |
14. | Cobertura | Localización geo-espacial, periodo cronológico, muestra de la investigación (género, edad, etc.) | |
15. | Derechos | Copyright y permisos |
Copyright (c) 2025 Polo del Conocimiento |