Investigadores de la Universitat Politècnica de València (UPV) desarrollaron un sistema diseñado para ayudar a detectar sexismo en vídeos de TikTok mediante el análisis de texto e imágenes junto con señales fisiológicas de quienes los ven. RUVID informó sobre el estudio de vídeo el 15 de octubre de 2026. Un trabajo distinto sobre memes da contexto a otra cifra destacada: el 26,3 % mide un aumento relativo de F1 en una categoría concreta, no un resultado del estudio de TikTok.
Qué señales combina el estudio de vídeo
El enfoque descrito combina el contenido textual y visual con seguimiento ocular, electroencefalografía (EEG) y mediciones del ritmo cardíaco. Los investigadores estudiaron unos 2.500 vídeos en español e inglés y contaron con 10 participantes en el experimento con vídeos, según RUVID y Actualidad Valencia.
La idea es incorporar señales de la respuesta de los espectadores ante contenidos cuyo sentido puede depender del humor, la ironía o los estereotipos. En sus descripciones del estudio, los investigadores relacionaron el material sexista con reacciones más lentas, más fijaciones de la mirada y cambios en el movimiento ocular, el parpadeo y el ritmo cardíaco.
Paolo Rosso, profesor de la UPV, atribuyó al sistema una mejora aproximada del 4 % al decidir si un vídeo era sexista y de más del 6 % en algunas tareas, como distinguir entre sexismo directo y valorativo. Las cifras comparan el modelo con señales fisiológicas con otro basado en texto e imágenes, según el relato de RUVID.
Qué mide el 26,3 % en el estudio sobre memes
El 26,3 % corresponde a un preprint independiente sobre memes, publicado el 27 de febrero de 2026. En la categoría denominada “Misogyny and Non-Sexual Violence”, la puntuación F1 pasó de 0,259 a 0,327: un aumento relativo del 26,3 %. F1 combina en una sola medida la precisión y la exhaustividad del clasificador.
El estudio evaluó 3.984 memes de la partición de entrenamiento de EXIST 2025 —1.979 en español y 2.005 en inglés— mediante validación cruzada de cinco particiones. Participaron 16 personas en dos experimentos, y cada meme fue visto por al menos dos participantes. El preprint también informa de un AUC de 0,794 para detectar sexismo de forma binaria y de una mejora relativa del 3,4 % frente a un modelo de referencia basado solo en el contenido. El preprint de los autores detalla estos resultados.
Para analizar los memes, el modelo empleó Qwen2.5-VL-7B para generar descripciones y un análisis preliminar; después combinó esa información con el texto extraído de las imágenes y las señales fisiológicas mediante XLM-RoBERTa y un mecanismo de atención jerárquica.
Los límites que señala el preprint de memes
En ese estudio, las señales de frecuencia cardíaca no mostraron efectos significativos. Los autores plantean que los memes estáticos y de exposición breve quizá no provocaran suficiente activación fisiológica. También indican que no controlaron la complejidad visual y textual de los memes y que las etiquetas de sexismo pueden ser subjetivas. Estas limitaciones corresponden al estudio de memes.
