DistilBERT – clasificador de titulares de La República (Perú)

Clasifica titulares de noticias peruanas en 4 categorías: politica, economia, deportes y ciencia_tecnologia.

Proyecto académico (Tarea 1 – Python Intermedio, Diplomado de Ciencia de Datos, QLab). Código, datos y notebooks: https://github.com/LuisGuevaraVega/python_interm_dip_qlab/tree/main/tarea_1

Entrenamiento

• Modelo base: distilbert-base-multilingual-cased.
• Datos: 458 titulares de larepublica.pe extraídos el 2026-10-14 (RSS, news sitemaps y enlaces relacionados, respetando robots.txt).
• Etiquetas (supervisión débil): generadas por gemini-3.5-flash-lite con un prompt estructurado; una auditoría humana de 20 casos dio 20/20 de acuerdo.
• Split: estratificado 70/15/15 (random_state=42); 3 épocas, batch 16, lr 5e-5, max_length=64, selección del mejor checkpoint por F1 macro en validación.

Resultados (test reservado de 69 titulares, contra la sección editorial)

Uso

from transformers import pipeline

clf = pipeline("text-classification", model="LuisGGV/distilbert-titulares-larepublica", top_k=None)
clf("BCR mantiene la tasa de referencia en 4,25 % por tercer mes consecutivo")

Limitaciones

• Test pequeño (69 titulares) y datos concentrados en septiembre–octubre de 2026: el rendimiento puede bajar con la agenda de otros periodos.
• La frontera economía ↔ política es la principal fuente de errores (noticias económicas contadas a través de actores del Estado).
• Las etiquetas de referencia son las secciones del diario, no una verdad temática absoluta.