Acceso usuarios
Tania Alcántara, Miguel Soto, Cesar Macias, Omar García-Vázquez, Alberto Espinosa Juarez, Hiram Calvo, José E. Valdez-Rodíguez, Edgardo M. Felipe Riverón
Presentamos la tarea compartida MiSonGyny organizada en IberLEF 2025, como parte de la 41o. Congreso Internacional de la Sociedad Española de Procesamiento del Lenguaje Natural (SEPLN 2025). El objetivo de esta tarea es visibilizar estos problemas mediante enfoques computacionales, incentivando el desarrollo de sistemas de procesamiento de lenguaje natural orientados a la detección y clasificación automática de contenido misógino en letras de canciones en español. MiSonGyny se compone de dos subtareas: Tarea 1 detección de discursos misóginos, detectar frases de letras de canciones que contienen lenguaje misógino, teniendo dos clases, (M) Misógina y (NM) No Misógina, esto la convierte en una tarea de clasificación binaria; Tarea 2 detección precisa de discursos misóginos, esta tarea tiene como objetivo predecir el tipo de discurso presente en una frase de una canción, teniendo tres clases, (S) Sexualización, (V) Violencia, (H) Odio (Hate) y (NR) No relacionados. Se recibieron 15 equipos que presentaron artículos describiendo sus sistemas. La mayoría de los enfoques implementaron arquitecturas basadas en Transformers para abordar la tarea; los equipos con mejor rendimiento incorporaron estrategias de preprocesamiento, ensambles y técnicas de aumento de datos.
We present the shared task MiSonGyny organized at IberLEF 2025 as part of the 41st International Congress of the Spanish Society for Natural Language Processing (SEPLN 2025). The objective of this work is to make these problems visible through computational approaches, thereby encouraging the development of natural language processing systems designed for the automatic detection and classification of misogynistic content in Spanish song lyrics. MiSonGyny is composed of two subtasks: Task 1, misogynistic speech detection, detecting song lyrics phrases containing misogynistic language, having two classes, (M) Misogynistic and (NM) Non-Misogynistic, this makes it a binary classification task; Task 2, accurate misogynistic speech detection, this task aims to predict the type of speech present in a song phrase, having three classes, (S) Sexualization, (V) Violence, (H) Hate and (NR) Unrelated. Fifteen teams submitted papers describing their systems. Most approaches implemented Transformer-based architectures to address the task; the best-performing teams incorporated preprocessing strategies, ensembles, and data augmentation techniques.
