Saltar al contenido principal
TAV
  • Inicio
  • Calendario
  • Más
Español - México ‎(es_mx)‎
Deutsch ‎(de)‎ English ‎(en)‎ Español - Internacional ‎(es)‎ Español - México ‎(es_mx)‎ Esperanto ‎(eo)‎ Français ‎(fr)‎ Italiano ‎(it)‎ Latin ‎(la)‎ Português - Brasil ‎(pt_br)‎ Português - Portugal ‎(pt)‎ Română ‎(ro)‎ Ελληνικά ‎(el)‎ Русский ‎(ru)‎ العربية ‎(ar)‎ 日本語 ‎(ja)‎ 简体中文 ‎(zh_cn)‎
En este momento está usando el acceso para invitados
Ingresar
TAV
Inicio Calendario
Expandir todo Colapsar todo
  1. PLN-AVZ-LCD
  2. Aprendizaje por Transferencia y Modelado del Lenguaje
  3. Tarea 6.1: Análisis de artículos (Fine-tuning, Domain Adaptation y Prompting)

Tarea 6.1: Análisis de artículos (Fine-tuning, Domain Adaptation y Prompting)

Requisitos de finalización
Abrió: domingo, 30 de marzo de 2026, 00:00
Cierre: martes, 14 de abril de 2026, 12:00
Objetivo

El objetivo de esta actividad es analizar de manera crítica un artículo científico reciente en el área de Procesamiento de Lenguaje Natural, enfocándose en estrategias modernas de fine-tuning, ajuste de dominio o prompting, y evalúa sus fortalezas, limitaciones y posibles mejoras.

Descripción de la actividad
  • Seleccionar un artículo científico publicado en conferencia o journal relevante (ACL, EMNLP, NAACL, NeurIPS, ICLR, etc.), que proponga o utilice alguna de las siguientes estrategias:
    Fine-tuning de modelos Transformer
    Ajuste de dominio (domain adaptation)
    Prompting (zero-shot, few-shot, instruction tuning, etc.)
  • Se recomienda buscar artículos en el repositorio oficial de la comunidad de PLN:
    ACL Anthology: https://aclanthology.org/
  • El artículo debe estar claramente enfocado en una tarea de PLN (por ejemplo: clasificación, NER, QA, generación de texto, etc.).
Entregable

Se deberá entregar una presentación (PDF o PowerPoint) que incluya de forma clara y sintética:

  • Introducción: problema, motivación y contribuciones
  • Trabajo relacionado: contexto y enfoques previos
  • Metodología: modelo y estrategia utilizada
  • Dataset(s): descripción de los datos
  • Configuración experimental: entrenamiento y baselines
  • Resultados: métricas y comparación con el estado del arte
  • Conclusiones: hallazgos principales
Análisis crítico (sección obligatoria)

Incluir una sección final con análisis propio que contemple:

Análisis de la estrategia:

  • ¿Por qué la estrategia propuesta funciona?
  • ¿Qué ventajas ofrece frente a otras aproximaciones?
  • ¿Es escalable o depende fuertemente de recursos/datos?

Debilidades del trabajo:

  • Limitaciones metodológicas o del modelo
  • Problemas en el diseño experimental
  • Posibles sesgos en los datos o en la evaluación
  • Comparaciones faltantes o insuficientes

Propuestas de mejora:

  • ¿Cómo mejorarías el enfoque propuesto?
  • ¿Qué experimentos adicionales agregarías?
  • ¿Se podría combinar con otras técnicas vistas en clase?

Logotipo de la DGTIC

Dirección de Innovación en
Tecnologías para la Educación - EDUCATIC - DGTIC - UNAM

  • Aviso de privacidad simplificado
  • Avisos de privacidad de la DGTIC
  • Código de ética de la UNAM

Atención a usuarios de Tu Aula Virtual

Chat del centro de atención a usuarios xm.manu.citacude@aduya 55 5622 8595 55 5622 8855


Ubicación

Circuito exterior s/n, Ciudad Universitaria,
Alcaldía Coyoacán, Ciudad de México, México, C.P. 04510.
Mapa de ubicación.
475 años, Universidad de México

Hecho en México, Universidad Nacional Autónoma de México (UNAM). Todos los derechos reservados © 2010-2025. Esta página puede ser reproducida con fines no lucrativos, siempre y cuando no se mutile, se cite la fuente completa y su dirección electrónica. De otra forma, requiere permiso previo por escrito de la institución.

Sitio web administrado en la Dirección de Innovación en Tecnologías para la Educación (DITE) de la DGTIC - UNAM.

En este momento está usando el acceso para invitados (Ingresar)
Resumen de conservación de datos