Metadatos indizados

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