negclima-mdeberta-v3

NegClima · mDeBERTa-v3 para clima organizacional en español

Clasificador de sentimiento de tres clases (NEGATIVE / NEUTRAL / POSITIVE) para respuestas abiertas de encuestas de clima laboral en español, con énfasis en la negatividad implícita: quejas redactadas como sugerencias ("Mejorar el sueldo", "Que los jefes escuchen a su equipo"), que los clasificadores zero-shot y los LLMs de frontera clasifican mal de forma sistemática.

Datos de entrenamiento

Encuesta institucional de clima laboral de una universidad colombiana (personal docente y administrativo), dos preguntas abiertas segmentadas en oraciones (NLTK, español). 6.204 oraciones etiquetadas; splits 70/10/20 estratificados y agrupados por respuesta original (ninguna oración de una misma respuesta cruza splits — protocolo sin fuga de datos).

Rendimiento (test limpio, n = 1.244)

Frente a LLMs de frontera zero-shot sobre el mismo test: paridad en accuracy pero +0,17 a +0,20 de F1-macro (bootstrap pareado, p < 0,001); los LLMs colapsan en la clase NEUTRAL (F1 0,079 y 0,012).

Uso

from transformers import pipeline
clf = pipeline("text-classification", model="EdwinDracoHiguera/negclima-mdeberta-v3")
clf("Mejorar el sueldo.")
# [{'label': 'NEGATIVE', 'score': ...}]

Demo interactiva para equipos de RRHH: https://main.dqlpgutcvit7x.amplifyapp.com

Limitaciones

• Un solo dominio e institución (universidad colombiana); la generalización a otros sectores no está validada.
• NEUTRAL es la clase más difícil (F1 0,590); parte de la ambigüedad NEUTRAL↔NEGATIVE es genuina incluso para anotadores humanos.
• Parte de las etiquetas de la pregunta positiva proviene de un ensamble NLI validado contra 206 etiquetas humanas (acuerdo 96,6%).

Cita

Artículo en preparación (actualización de Higuera, López-Pazmino y Moscoso-Barrera, Implementation of an Artificial Intelligence Model for the Automatic Diagnosis of Organizational Climate Using Sentiment Analysis).