feat(nlp): un modelo dedicado y entrenado con etiqueta humana para la señal de clickbait (#115)

[g-garciac2022]

Cierra #115.

detect_clickbait usaba facebook/bart-large-mnli, elegido en E3-02 por
eliminación —era lo único que el serverless de HuggingFace servía— y nunca por
medida. El aplazamiento traía condición explícita, «si llega la infra», y la
infra llegó en la Épica 5 con LocalNLPClient. Nadie volvió a la nota durante
dos épicas, porque nadie tenía motivo para releerla.

Medido en #109, aquel modelo acertaba el 63,7 %: la señal más floja de forma.

El sustituto obvio era el equivocado

E3-02 dejaba nombre: elozano/bert-base-cased-clickbait-news. Da 99,7 % en
Chakraborty dev y F1 0,185 en Webis-17, contra una mayoritaria del 69,0 %.
Memorización, no capacidad.

Eso obligó a buscar con criterios: licencia clara, procedencia de la etiqueta
(humana, no por-fuente) e independencia del par acoplado.

Y ahí salió el hallazgo que no se buscaba

39 datasets candidatos en el Hub; cinco en inglés con licencia permisiva. Los
cinco son Chakraborty reempaquetado, medido por solapamiento de titulares: 100 %,
86 %, 86 %, 57 % y 56 %.

La variedad de corpus de clickbait es ilusoria: un dataset con cinco envoltorios.
Explica estructuralmente el caso de elozano —casi todo lo que hay arrastra las
mismas etiquetas por-fuente— y responde el bullet de #78 «búsqueda de corpus
adicionales» con un no medido en vez de con un «no encontré».

El elegido

Stremie/roberta-base-clickbait (Apache-2.0). Su README declara entrenamiento
sobre Webis-17 y postText — el mismo campo que tenemos vendorizado — con
~0,7 F1 en su test.

	En su corpus	Fuera
elozano	99,7 % (Chakraborty)	F1 0,185 (Webis)
Stremie	F1 0,631 (Webis)	F1 0,946 (Chakraborty)

Alto fuera y más bajo dentro: el patrón inverso, que es el de generalizar.
Y ese 0,946 supera al 0,865 que el lineal saca dentro de su propio dominio —
el argumento de #78, la palanca es la supervisión, medido desde el otro lado.

El voto vuelve, y no es marcha atrás

Tercera señal	Acierto	forma AMBIGUO	de esa ambigüedad, error suyo
BART (antes)	63,7 %	37,0 %	78,4 %
Stremie	94,7 %	15,0 %	20,0 %

Cuatro de cada cinco ambigüedades pasan de ruido a discrepancia legítima. #109
declaró ese silencio condicional en la ficha —«placeholder pendiente de
#115»— precisamente para poder encontrarlo cuando llegara el momento.

dedicated.py: faltaba un módulo

Tres de las cinco señales tenían módulo propio (lexical, linear,
incoherence); ésta no, y llamaba al backend desde las dos fachadas. Por eso su
id y sus etiquetas acabaron duplicados (#116): no había dónde ponerlos.

El módulo nuevo contiene el id (leído de la ficha), el mapeo de etiquetas y la
normalización. El vocabulario del modelo no sale hacia fuera: la tool sigue
publicando clickbait/factual news, contrato leído por el LLM, así que el
próximo cambio de modelo no se propaga a quien consume la señal.

Y el mapeo falla en vez de dejar pasar una etiqueta desconocida. Si se
colara, el extractor la compararía con clickbait, no coincidiría, y todos los
titulares saldrían factuales sin levantar ninguna excepción.

Auditoría de requisitos: R3.9 no se cumple, y el código decía que sí

Cambiar de modelo es la prueba de fuego de R3.9 («intercambiarlos por
configuración, sin cambios de código»). No se cumple: hizo falta tocar la tabla
de fichas, escribir un módulo y añadir un mapeo.

Lo llamativo es que el docstring de model_cards.py afirmaba lo contrario,
confundiendo nlp_backend —que decide dónde corre el modelo— con cuál es.
Llevaba dos épicas dándolo por cumplido, invisible porque hasta ahora nunca se
había cambiado un modelo. Corregido aquí; el hueco queda en #119, con la
tensión de fondo planteada: el id se configura fácil, el mapeo de etiquetas y el
modo de invocación no.

Del resto de lo auditado: R3.5 sale reforzado y R3.8 gana evidencia propia
a favor. R3.6 probablemente mejora al pasar de BART-large a roberta-base, pero
no se ha medido y no se apunta como mejora.

Lo que no arregla

Sigue siendo una señal opaca: forma gana acierto, no transparencia. Y su
independencia del par acoplado es desconocida, que no es lo mismo que buena —
su único test honesto es Chakraborty, donde tres clasificadores competentes
coinciden por fuerza. Declarado así en la ficha. La segunda señal interpretable e
independiente sigue siendo #75.

Verificación

193 tests pasan, ruff y formato limpios. Además, verificación de humo con el
modelo real —los dobles sólo prueban lo que uno cree que devuelve el modelo—:
los cuatro casos correctos, etiquetas normalizadas al contrato, y el camino
completo de orchestrator.analyze resolviendo forma con las tres señales.

Un test se cayó y estuvo bien que lo hiciera: test_una_señal_que_revienta_no_tumba_a_las_demas
saboteaba zero_shot, y la señal ya no pasa por ahí. Ahora rompe sólo ese
modelo, no el método, porque el tono comparte classify desde este cambio.