Comparación de modelos Transformer para clasificar poesía en español

La poesía en español, por su riqueza estilística y el uso de recursos retóricos, plantea retos particulares para la clasificación automática. Cualquier sesgo en etapas clave, incluyendo la representación del texto, la arquitectura del modelo o el protocolo de evaluación, puede impactar el desempeño; por ello, resulta pertinente comparar familias de modelos bajo condiciones homogéneas. En este artículo se estudia la efectividad relativa de cuatro arquitecturas basadas en Transformers ampliamente utilizadas: BERT-base uncased (DCC), BERT-base cased (DCC), RoBERTa-base (BERTIN) y DistilBERT uncased (DCC). La metodología emplea un protocolo único de ajuste fino para cada modelo (mismos hiperparámetros iniciales, partición proporcional por clase y control de semilla), con evaluación mediante métricas estándar (accuracy, precision, recall, F1) y análisis cualitativo de embeddings antes y después del entrenamiento. El objetivo es identificar, en un escenario de datos limitados, qué arquitectura ofrece el mejor equilibrio entre rendimiento y costo computacional, así como caracterizar errores típicos asociados al estilo poético. Los hallazgos buscan ofrecer lineamientos reproducibles para la selección de modelos en corpus pequeños de poesía en lengua española.