Ludy7/nlp-behavioral-tribes-classifier

🧠 NLP Behavioral Tribes Classifier (ABLB Framework)

Este modelo es un clasificador de texto basado en la arquitectura DistilBERT, finetuneado para la identificación y clasificación de "Tribus Conductuales" bajo el marco teórico ABLB (Ant, Bee, Leech, Butterfly). El sistema analiza flujos de personalidad y estilos comunicativos latentes en textos o ensayos en español.

📋 Marco Teórico y Taxonomía Evaluada

El modelo evalúa el corpus de entrada y determina la densidad de probabilidad para cuatro perfiles conductuales dominantes:

Tribu	Motivación	Valor Dominante	Estilo Comunicativo
Ant 🐜	Competir y ganar	Esfuerzo y logro personal	Directo, técnico, racional
Bee 🐝	Crear para el bien común	Altruismo y cooperación	Positivo, inclusivo, empático
Leech 🪱	Obtener poder o riqueza	Egoísmo y manipulación	Persuasivo, utilitarista, estratégico
Butterfly 🦋	Inspirar y emocionar	Belleza, autenticidad, creatividad	Estético, poético, simbólico

---

📊 Resultados de Validación y Evaluación

El modelo fue validado utilizando un conjunto de test independiente compuesto por 22,347 muestras, alcanzando un Accuracy Global de 71.61%.

Reporte de Clasificación Oficial (Validation/Test Set)

Clase / Tribu	Precisión (Precision)	Cobertura (Recall)	F1-Score	Soporte (Support)
🐜 Ant	0.73	0.73	0.73	7,682
🐝 Bee	0.65	0.65	0.65	5,780
🪱 Leech	0.72	0.71	0.72	5,553
🦋 Butterfly	0.79	0.82	0.80	3,332
Macro Avg	0.72	0.73	0.72	22,347
Weighted Avg	0.72	0.72	0.72	22,347

---

🚀 Cómo utilizar el modelo (Inferencia Rápida)

Para cargar y ejecutar este modelo de manera local o en entornos de producción utilizando la librería transformers de Hugging Face:

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

# Cargar modelo y tokenizador desde Hugging Face Hub
# Nota: Ajustar el parámetro 'subfolder' si los pesos se encuentran en una subcarpeta
MODEL_PATH = "Ludy7/nlp-behavioral-tribes-classifier"

tokenizer = AutoTokenizer.from_pretrained(MODEL_PATH, subfolder="final_distilbert_model")
model = AutoModelForSequenceClassification.from_pretrained(MODEL_PATH, subfolder="final_distilbert_model")

# Ejemplo de Inferencia
text = "Es necesario trabajar en equipo y cooperar para que toda la comunidad pueda desarrollarse de manera equitativa y justa."
inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=512)

with torch.no_grad():
    outputs = model(**inputs)

probs = torch.softmax(outputs.logits, dim=1)[0]
print(probs)