README.md

metadata

language:
  - es
license: apache-2.0
base_model: google-bert/bert-base-multilingual-cased
tags:
  - text-classification
  - hate-speech
  - toxicity
  - spanish
  - el-salvador
  - mbert
pipeline_tag: text-classification
library_name: transformers
metrics:
  - f1
  - accuracy
model-index:
  - name: mbert-sv
    results:
      - task:
          type: text-classification
          name: Toxicidad en español salvadoreño
        dataset:
          name: Corpus tesina (test, n=460)
          type: custom
        metrics:
          - type: f1
            value: 0.7777
            name: F1-macro
          - type: accuracy
            value: 0.7826
            name: Accuracy

mBERT-SV — Clasificación de toxicidad (El Salvador)

Fine-tuning de bert-base-multilingual-cased para clasificación multiclase de toxicidad en redes sociales en español salvadoreño.

Checkpoint de auditoría: checkpoint-1072 (época 4, semilla 42).

Etiquetas

id	etiqueta
0	No Tóxico
1	Lenguaje Ofensivo
2	Discurso de Odio
3	Amenazas/Violencia

Contrato de inferencia

Campo	Valor
max_length	128
Columna de texto	texto_modelo
Normalizador	normalize_for_model v1.1

Si el texto no está preprocesado, hay que aplicar el mismo normalizador del repositorio de la tesina.

Métricas oficiales (test, n = 460)

Métrica	Valor
F1-macro	0.7777
Accuracy	0.7826
Precision-macro	0.7809
Recall-macro	0.7757
QWK	0.7362

F1 por clase: No Tóxico 0.814 · Lenguaje Ofensivo 0.795 · Discurso de Odio 0.746 · Amenazas/Violencia 0.756.

Uso

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

repo_id = "caeher/mbert-sv"
tokenizer = AutoTokenizer.from_pretrained(repo_id)
model = AutoModelForSequenceClassification.from_pretrained(repo_id)

text = "ejemplo de comentario"
inputs = tokenizer(text, return_tensors="pt", truncation=True, max_length=128)
with torch.no_grad():
    logits = model(**inputs).logits
pred = int(logits.argmax(dim=-1))
print(model.config.id2label[pred])

Archivos

• model.safetensors, config.json, tokenizer.json, tokenizer_config.json
• inference_contract.json — contrato de preprocesamiento
• test_metrics.json / train_metrics.json — métricas del checkpoint

Limitaciones

Modelo de tesina, no un moderador autónomo. El corpus es de El Salvador; el desempeño puede caer en otros dialectos o en jerga adversarial. FPR sobre jerga no tóxica y cortes por plataforma están documentados en el informe del proyecto.