feat(analysis): el zero-shot deja de votar en la dimensión forma (#109)

[g-garciac2022]

Cierra #109.

forma contrasta tres señales y es la dimensión que sostiene la tesis del
proyecto. Al medir el acoplamiento resultó que el contraste no existía.

Qué se midió

• El acoplamiento es estructural, no empírico. linear.featurize_cues()
  llama a lexical.detect(), y con THRESHOLD=1 el veredicto del léxico es
  exactamente any(featurize_cues(h)) — verificado en el 100 % de 6.400
  titulares. El léxico es una función determinista del input del lineal.
• La mitad del acuerdo es ceguera compartida. kappa 0,880, pero en el 50 %
  de titulares el vector sale vacío y ambas responden «no» sin mirar (acuerdo
  forzado del 100 %). Donde hay contenido, el acuerdo cae al 88,0 % — y al
  59,1 % en Webis-17.
• Techo de recall del featurizado: 84,5 % en Chakraborty y 67,5 % en
  Webis-17, con recall medido de 0,478. w · 0 = 0, así que reentrenar pesos
  no puede superarlo.
• El sesgo de fuente, cuantificado: el atajo vale +34,5 pts sobre la tasa
  base dentro de Chakraborty y sólo +9,6 fuera.
• El zero-shot es la señal más floja en los dos dominios (63,7 % de acierto
  en dev con n=300, F1 0,405 en Webis con n=600) y generaba el 37 % de
  veredictos AMBIGUO, de los que el 78 % eran error suyo.

Qué cambia

El zero-shot deja de votar: se muestra como tarjeta, pero su veredicto no
entra en forma. El criterio adoptado es que ambiguo debe significar que dos
señales fiables discrepan, no que alguna discrepa.

Qué NO arregla, y queda declarado

forma queda sobre el par acoplado, es decir sobre una sola familia de
evidencia. El modelo era además un placeholder de E3-02 elegido por
eliminación, así que silenciarlo mantiene ese aplazamiento: por eso la ficha lo
declara placeholder pendiente de #115 en vez de disimularlo.

Consecuencia de planificación

El punto ciego compartido y el techo de recall son el mismo hecho, así que
rellenarlo desacopla las señales y levanta el techo. #75 (featurización)
pasa a ser prerrequisito de #78 (reentrenamiento), no un experimento
opcional posterior. Razonamiento completo en los comentarios de ambas issues.

Descartado

• Subir el THRESHOLD del léxico: bajaría el kappa sin añadir información,
  porque esa magnitud ya está en el vector que el lineal recibe entero.
• Sustituir el lineal por elozano/bert-base-cased-clickbait-news: 99,7 %
  en Chakraborty dev y F1 0,185 en Webis-17 completo, contra una clase
  mayoritaria de 69,0 %. Memorización. Refuerza que la palanca es la
  supervisión, no el algoritmo.

Resultado colateral

Estratificando por truthMean, el recall del léxico sigue el juicio humano de
intensidad casi linealmente (51,6 / 75,8 / 85,5 % por tercios), por delante de
las otras tres. El detalle fino importa: el lineal —que es el mismo featurizado
re-pesado sobre Chakraborty— se estanca en los tramos altos (61,3 % →
62,9 %) justo donde el léxico despega. Aprender los pesos sobre etiquetas
por-fuente no mejoró la regla: la empeoró donde el clickbait es más evidente.

Reproducibilidad

Las cifras dejan de vivir en scripts de usar y tirar. Tres módulos en
backend/evaluation/, separados por coste:

• eval_featurizado.py — lo estructural (cobertura, techo de recall, valor del
  atajo, descomposición del acuerdo). No carga ningún modelo: segundos.
• eval_acoplamiento.py — kappa, correlación de errores, ambigüedad de forma.
• eval_transferencia.py — Webis-17 con el zero-shot y el dedicado, más el
  recall por intensidad. Cachea en var/ con tamaño y semilla en la clave.

Requiere NLP_BACKEND=local: en remoto los veredictos dependen de qué sirva
HuggingFace ese día.

Dos defectos encontrados al escribir los módulos

• kappa engañoso. En el subconjunto de vector con contenido salía 0,000, que
  se lee como «independientes» — cuando en realidad sale 0 porque el léxico es
  constante ahí. Ahora imprime — con la explicación.
• Fallo silencioso del backend. Una corrida remota se cayó a mitad y reventó
  con un TypeError al indexar un data que era None, perdiendo diez minutos.
  Los dos scripts que llaman al backend comprueban el ToolResult y fallan
  diciendo en qué titular y por qué.

Verificación

190 tests pasan (uno nuevo de regresión), ruff y formato limpios.