README.md

---
license: apache-2.0
base_model: distilbert-base-uncased
tags:
- text-classification
- nlp
- behavioral-analysis
- personality-flow
- ablb
language:
- es
metrics:
- accuracy
- f1
- precision
- recall
pipeline_tag: text-classification
---

# 🧠 NLP Behavioral Tribes Classifier (ABLB Framework)

Este modelo es un clasificador de texto basado en la arquitectura **DistilBERT**, finetuneado para la identificación y clasificación de "Tribus Conductuales" bajo el marco teórico ABLB (Ant, Bee, Leech, Butterfly). El sistema analiza flujos de personalidad y estilos comunicativos latentes en textos o ensayos en español.

## 📋 Marco Teórico y Taxonomía Evaluada

El modelo evalúa el corpus de entrada y determina la densidad de probabilidad para cuatro perfiles conductuales dominantes:

| Tribu | Motivación | Valor Dominante | Estilo Comunicativo |
| :--- | :--- | :--- | :--- |
| **Ant** 🐜 | Competir y ganar | Esfuerzo y logro personal | Directo, técnico, racional |
| **Bee** 🐝 | Crear para el bien común | Altruismo y cooperación | Positivo, inclusivo, empático |
| **Leech** 🪱 | Obtener poder o riqueza | Egoísmo y manipulación | Persuasivo, utilitarista, estratégico |
| **Butterfly** 🦋 | Inspirar y emocionar | Belleza, autenticidad, creatividad | Estético, poético, simbólico |

---

## 📊 Resultados de Validación y Evaluación

El modelo fue validado utilizando un conjunto de test independiente compuesto por **22,347 muestras**, alcanzando un **Accuracy Global de 71.61%**.

### Reporte de Clasificación Oficial (Validation/Test Set)

| Clase / Tribu | Precisión (Precision) | Cobertura (Recall) | F1-Score | Soporte (Support) |
| :--- | :---: | :---: | :---: | :---: |
| 🐜 **Ant** | 0.73 | 0.73 | 0.73 | 7,682 |
| 🐝 **Bee** | 0.65 | 0.65 | 0.65 | 5,780 |
| 🪱 **Leech** | 0.72 | 0.71 | 0.72 | 5,553 |
| 🦋 **Butterfly** | 0.79 | 0.82 | 0.80 | 3,332 |
| **Macro Avg** | 0.72 | 0.73 | 0.72 | 22,347 |
| **Weighted Avg** | 0.72 | 0.72 | 0.72 | 22,347 |

---

## 🚀 Cómo utilizar el modelo (Inferencia Rápida)

Para cargar y ejecutar este modelo de manera local o en entornos de producción utilizando la librería `transformers` de Hugging Face:

```python
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

# Cargar modelo y tokenizador desde Hugging Face Hub
# Nota: Ajustar el parámetro 'subfolder' si los pesos se encuentran en una subcarpeta
MODEL_PATH = "Ludy7/nlp-behavioral-tribes-classifier"

tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH, subfolder="final_distilbert_model")
model = AutoModelForSequenceClassification.from_pretrained(MODEL_PATH, subfolder="final_distilbert_model")

# Ejemplo de Inferencia
text = "Es necesario trabajar en equipo y cooperar para que toda la comunidad pueda desarrollarse de manera equitativa y justa."
inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=512)

with torch.no_grad():
    outputs = model(**inputs)

probs = torch.softmax(outputs.logits, dim=1)[0]
print(probs)