Acceso usuarios
Horacio Jarquín Vásquez, Itzel Tlelo Coyotecatl, Delia Irazu Hernández Farías, Hugo Jair Escalante, Luis Villaseñor Pineda, Manuel Montes y Gómez 
En este documento presenta el resumen de la tarea DIMEMEX organizada como parte del IberLEF 2025 junto con la 41a Conferencia Internacional de la Sociedad Española para el Procesamiento de Lenguaje Natural (SEPLN 2025). El principal objetivo de la tarea es promover la investigación en el desarrollo de soluciones automáticas para la detección de contenido inapropiado en memes enfocados principalmente al español mexicano. Se consideraron tres tareas: (i) Clasificación ternaria cuyo objetivo es determinar si un meme contiene contenido relacionado con discurso de odio, contenido inapropiado o ninguno; (ii) Clasificación de grano fino en la que el meme puede ser clasificado en una sub categoría de discurso de odio; y (iii) Clasificación ternaria, como en (i), restringiendo a los participantes a utilizar enfoques orientados modelos de lenguaje de gran tamaño. Se les proporcionó a los participantes un conjunto de datos multimodal anotado manualmente, que contiene tanto imágenes como texto relacionado con cada meme. Como resultado, 6 equipos de un total de 10 sistemas recibidos reportaron las descripciones de sus soluciones en la fase final. Los resultados muestran un desempeño competitivo para todas las subtareas, siendo los mejores aquellos asociados a la tarea 1. El conjunto de datos y los resultados se encuentran disponibles en https://codalab.lisn.upsaclay.fr/competitions/22012.
This paper presents the overview of the DIMEMEX shared task, organized at IberLEF 2025 and co-located with the 41th International Conference of the Spanish Society for Natural Language Processing (SEPLN 2025). The aim of this task is to promote research on automatic solutions for detecting inappropriate content in memes with a particular focus on Mexican Spanish. Three subtasks were considered: (i) A three-way classification task aimed at determining whether a meme contains hate speech, inappropriate content, or neither; (ii) A fine-grained classification task in which a meme may be categorized into specific hate speech categories; and (iii) A three-way classification, as in (i), restricting participants to exclusively focus on leveraging the use of Large Language Models (LLMs). Participants were provided with a multimodal manual annotated corpus comprising both images and text associated with each meme. As a result, a total of 6 teams out of a total of 10 submissions reported their system descriptions for the final evaluation phase. Results show competitive performance for all subtasks being subtask 1 the one with higher reported results. The data and results are available at https://codalab.lisn.upsaclay.fr/competitions/22012.
