Emotion Finder
Detector interactivo de emociones y clasificador NLP afectivo basado en el Modelo Circunflejo de Russell y un árbol de decisión somático de 64 estados.
El Problema
Transformar sensaciones somáticas y pensamientos vagos en etiquetas emocionales precisas suele abrumar al usuario con largas listas descontextualizadas de términos abstractos.
La Solución
Una arquitectura híbrida con salida temprana: el texto libre se clasifica primero en los 4 cuadrantes del Modelo Circunflejo de Russell mediante TF-IDF y Regresión Logística (0 KB de JS en cliente, <5ms de inferencia), luego se compara por similitud coseno contra las 16 emociones del cuadrante —recurriendo al árbol de decisión somático binario de 4 pasos solo cuando ningún match es suficientemente confiable— y se refina continuamente mediante un ciclo de feedback humano con reentrenamiento automático semanal, validado por cross-validation y pruebas de regresión dialectal.
Aprendizajes Clave
- Eliminación de Sesgo por Meta-Palabras en NLP: Detección y corrección de correlaciones espurias donde términos genéricos ('emoción', 'sentimiento') sesgaban la predicción de cuadrantes, neutralizados mediante stopwords de dominio y balanceo sintético.
- Preservación Selectiva de Moduladores Afectivos: Whitelisting en el tokenizador para preservar marcadores de negación ('no', 'sin') e intensificadores ('muy', 'demasiado') críticos para determinar la polaridad de valencia y activación.
- Arquitectura Hypermedia Zero-JS con FastHTML y HTMX: Reemplazo de frameworks SPA pesados por renderizado server-side en Python y reemplazos parciales de DOM, eliminando por completo los bundles de JavaScript en el cliente.
- Inferencia Serverless Ultraligera en Vercel: Compresión de pipelines ML a ~27 KB mediante modelos lineales regularizados y tokenización desacoplada, asegurando arranques en frío de <1.5s e inferencias en <5ms.
- Techo de Precisión Honesto: La precisión frente a lenguaje figurado nunca visto durante el entrenamiento tiene un techo de ~29% (ES) / ~40% (EN) — la app se declara explícitamente en etapa temprana, con un paso de confirmación y un aviso in-app que convierten cada corrección del usuario en dato de entrenamiento.
- Fallos Silenciosos de Inyección del Framework: Agregar rate limiting por sesión al endpoint de feedback destapó un bug más sutil — una anotación de tipo `Any` en el parámetro `session` de una ruta anulaba silenciosamente la inyección especial de FastHTML, colapsando la identidad de sesión de cada usuario en un único valor de IP+user-agent compartido por todos detrás del mismo NAT. Corregido quitando la anotación; un recordatorio de que una clave de rate-limiting anonimizada vale lo que valga la plomería de sesión que la alimenta.
Clasificación Afectiva Híbrida y Modelo Circunflejo
Emotion Finder estructura el espacio emocional a partir del Modelo Circunflejo del Afecto de Russell, que descompone los estados subjetivos en dos dimensiones ortogonales: Valencia (placentero vs. desagradable) y Activación (alta vs. baja energía).
- Clasificador NLP Inicial: Procesa texto libre mediante un pipeline de TF-IDF y Regresión Logística para identificar el cuadrante afectivo general (
alta_positiva,alta_negativa,baja_positiva,baja_negativa). - Emparejador Semántico de Emociones: Ordena las 16 emociones del cuadrante detectado por similitud coseno contra el texto del usuario, resolviendo la mayoría de los casos al instante sin preguntas adicionales.
- Árbol Somático Binario (64 Estados, Respaldo): Solo cuando el emparejador no tiene suficiente confianza, el sistema recurre a un árbol determinista de profundidad 4 ($2^4 = 16$ hojas por cuadrante), guiando al usuario con 4 preguntas fisiológicas de Sí/No hacia su emoción exacta.
Mapeo Afectivo Funcional e Idiomático
- Tratamiento de Modismos Culturales: Soporte especializado para expresiones dialectales (chilenismos y modismos británicos), realizando un mapeo funcional del estado afectivo en lugar de una traducción literal léxica.
- Eficiencia Hypermedia en Serverless: Desplegado sobre funciones ASGI sin estado en Vercel, entregando una experiencia reactiva fluida con 0 KB de JavaScript cliente gracias a FastHTML y HTMX.
- Reentrenamiento con Feedback Humano: El feedback de usuarios alimenta un pipeline de reentrenamiento automático semanal, validado por cross-validation de 5 folds (F1≥0.95) y pruebas de regresión dialectal, con topes anti-envenenamiento sobre las muestras nuevas, persistido en Turso LibSQL.