Proyecto de Procesado de Lenguaje Natural
Máster en Ciencia de Datos - Universitat de València
Autores: Juan Alcaraz Otón, Xueyao An, Fabián Calvo Castillo, Adrián Carrasco Alcalá, Javier Herrero Pérez, Mario Martínez Guillén y Clara Montalvá Barcenilla
Curso 2025/2026
Este proyecto aborda la detección de clickbait en titulares y cuerpos de noticias en español mediante el uso de técnicas de Procesado de Lenguaje Natural (NLP). El clickbait es una estrategia de redacción que utiliza títulos sensacionalistas o engañosos para atraer clics, sin que el contenido del artículo justifique dicha expectativa.
El pipeline desarrollado combina técnicas de web scraping, Procesado de Lenguaje Natural y modelos de clasificación para etiquetar si un titular de noticia es o no clickbait, así como un agente de Inteligencia Artificial que automatiza este proceso. Se cubren los siguientes medios de comunicación españoles en tres categorías temáticas (internacional, nacional y cultura):
- ABC
- elDiario
- El Confidencial
- La Vanguardia
- 20minutos
- OkDiario
- RTVE
- Mediterráneo Digital
- El HuffPost
Adicionalmente, se realiza un análisis similar sobre un conjunto de vídeos de YouTube sobre las temáticas 11s, cambio climático y Covid etiquetados como fake news y no fake news.
ProyectoNLP/
├── agente/ # Agente de scraping de noticias y detección de clickbait
├── data/ # Datos en bruto extraídos
├── data_processed/ # Datos procesados y etiquetados
├── data_youtube_raw/ # Datos en bruto extraídos de YouTube
├── img/ # Imágenes y figuras del proyecto
├── notebooks/ # Notebooks de análisis y modelado
├── main.ipynb # Notebook del informe con el pipeline completo
└── README.md
El pipeline completo consta de las siguientes etapas:
- Extracción de datos — Scraping de noticias de los medios seleccionados.
- Preprocesado — Limpieza, normalización y estructuración de los textos.
- Etiquetado — Clasificación de los titulares como clickbait o no clickbait.
- Modelado — Entrenamiento y evaluación de modelos de clasificación.
- Evaluación — Análisis de métricas y comparación de enfoques.
Los notebooks con el código, los comentarios y los resultados de cada etapa se encuentran en la carpeta notebooks/.