Detectar sexismo en una publicación no siempre consiste en reconocer una frase o una imagen explícita. El humor, la ironía y los estereotipos pueden dificultar la interpretación, especialmente cuando hay que distinguir entre un mensaje sexista y otro que muestra o cuestiona una situación de discriminación. Un equipo del grupo PRHLT de la Universitat Politècnica de València (UPV) ha desarrollado un sistema de inteligencia artificial que aborda esta dificultad combinando el análisis de memes y vídeos de TikTok con las respuestas fisiológicas de personas que los observan.
El modelo integra información textual y visual con registros de actividad cerebral, movimientos oculares y ritmo cardíaco. Según los investigadores, incorporar estas señales mejoró los resultados frente a un sistema basado únicamente en texto e imágenes, sobre todo en las categorías más ambiguas.
«Muchas veces, tanto en los memes como en los videos de TikTok, existen contenidos en los que el sexismo aparece camuflado mediante el humor, la ironía, los estereotipos o comentarios aparentemente inofensivos», explica Iván Arcos, investigador del PRHLT. Interpretar esas publicaciones requiere atender simultáneamente al lenguaje, los textos sobreimpresos, las imágenes, los gestos y el contexto.
Cómo se estudiaron las reacciones de los espectadores
Para desarrollar el sistema, el equipo trabajó con unos 4.000 memes y 2.500 vídeos de TikTok en español e inglés, procedentes de los conjuntos de datos de EXIST, una competición internacional dedicada a la detección de sexismo en redes sociales.
En el estudio con vídeos participaron diez personas y en el de memes, dieciséis. Durante la visualización se registraron sus respuestas mediante seguimiento ocular, electroencefalografía y medición del ritmo cardíaco, según detalla Paolo Rosso, catedrático del Departamento de Sistemas Informáticos y Computación de la UPV y miembro de ValgrAI.
Paolo Rosso e Ivan Arcos. Investigadores de la UPV
Los investigadores observaron diferencias entre las respuestas a contenidos sexistas y no sexistas. En los vídeos sexistas se registraron mayores tiempos de reacción, más fijaciones de la mirada y cambios en determinados patrones de actividad cerebral. Los movimientos rápidos de los ojos entre distintos puntos, denominados sacadas, y los parpadeos siguieron una tendencia similar, mientras que el ritmo cardíaco presentó mayores fluctuaciones. En los memes se observó un patrón parecido.
La respuesta también varió según el tipo de mensaje. El número medio de fijaciones aumentó especialmente en vídeos que mostraban o juzgaban situaciones sexistas, cuya interpretación exigía identificar la postura de quien los publicaba.
El equipo interpreta estos cambios en la mirada como una señal de mayor carga cognitiva: ante un contenido difícil de comprender, el espectador se detiene y desplaza la vista para buscar pistas en el texto, los gestos o el contexto antes de decidir su significado.
Qué aportó el registro de actividad cerebral
La electroencefalografía se realizó con 16 electrodos o canales colocados sobre la cabeza. Según la explicación de Arcos, al visualizar vídeos sexistas se redujo la intensidad de las ondas lentas delta, theta y alfa en canales de las regiones central y parietal.
El investigador relaciona esa reducción con una mayor atención. En particular, señala que las ondas alfa suelen ser más intensas cuando el cerebro está relajado y disminuyen durante la concentración.
Al comparar los vídeos que mostraban o juzgaban situaciones sexistas con los de sexismo directo, el equipo observó un aumento de las ondas rápidas beta y gamma en canales frontales y del lado derecho de la cabeza. Los investigadores asocian este patrón con un razonamiento más elaborado para comprender el contexto y la intención del mensaje.
Los vídeos de violencia sexual, por su parte, redujeron la intensidad de las ondas en todos los canales donde se detectaron diferencias, especialmente en el lado derecho. El equipo interpreta este resultado como una mayor implicación cerebral ante contenidos emocionalmente desagradables.
Mejoras en los casos más difíciles de clasificar
A partir de las diferencias observadas, los investigadores combinaron las señales fisiológicas con la información extraída de las publicaciones. Según los resultados comunicados por la UPV, la detección de si un vídeo era sexista mejoró aproximadamente un 4 % respecto al sistema basado únicamente en texto e imágenes.
La mejora superó el 6 % tanto en la diferenciación entre sexismo directo y valorativo como en la clasificación de las distintas categorías de sexismo. Los avances más destacados aparecieron cuando era necesario interpretar la intención o distinguir categorías ambiguas, como la cosificación o la desigualdad ideológica.
En el estudio con memes, el equipo comunicó una mejora del 26,3 % en la categoría de misoginia y violencia no sexual, la más difícil de identificar. Estos porcentajes describen mejoras respecto al sistema de comparación, no la proporción total de contenidos clasificados correctamente.
«Así, al detectar mejor el sexismo, incluido el más implícito o camuflado, nuestra herramienta podría ayudar a las plataformas a identificar estos contenidos y actuar sobre ellos», señala Paolo Rosso.
El trabajo sobre vídeos se presentó en el XLII Congreso Internacional de la Sociedad Española de Procesamiento del Lenguaje Natural y se publicó en el número 77 de la revista Procesamiento del Lenguaje Natural. La investigación sobre memes figura en las actas de la conferencia LREC de 2026.
Artículo redactado con asistencia de IA (Ref. APA: OpenAI. (2026). ChatGPT (versión no especificada, 16 de octubre)).
Ref.
Arcos I., Rosso P., Gomis E. Human-Centered Multimodal Fusion for Sexism Detection in Memes with Eye-Tracking, Heart Rate, and EEG Signals. In: Proc. Language Resources and Evaluation Conference (LREC), pp. 9830-9840 (2026)
Arcos, I.; Rosso, P. “Human-Centered Multimodal Fusion for Sexism Detection in TikTok Videos with Eye-Tracking, Heart Rate, and EEG Signals”. Procesamiento del Lenguaje Natural, 77, 357-369 (2026).
