Este trabajo analiza más de cuatro millones de publicaciones de carácter político difundidas entre 2019 y 2023 en cuatro de las principales plataformas de redes sociales y mensajería en España: Facebook, YouTube, Telegram y Twitter/X. El conjunto de datos incluye contenidos generados tanto por actores políticos (líderes de partido, miembros del parlamento e influencers políticos) como por medios de comunicación (generalistas, tradicionales, alternativos y de carácter extremista), abarcando periodos electorales y no electorales, incluida la crisis de la DANA. Esta amplitud y diversidad permiten sustentar el desarrollo de un enfoque de clasificación con un elevado potencial de generalización, basado en un corpus rico y heterogéneo.

Se lleva a cabo una evaluación comparativa de cinco modelos de lenguaje de gran tamaño de código abierto—R1-Distill-Qwen-7B, Gemma-3-27B-Instruct, Llama-3.1-8B-Instruct, Mistral-Small-3.1-21B-Instruct-2503 y QwQ-32B—en su capacidad para clasificar la incivilidad. Las predicciones generadas por los modelos se contrastan con anotaciones humanas consideradas como estándar de referencia (gold standard), atendiendo a las principales dimensiones de la incivilidad.

Más allá de la evaluación en escenarios zero-shot, se examina la escalabilidad del enfoque mediante el entrenamiento de clasificadores supervisados ligeros (basados en SentenceTransformers) bajo dos regímenes: (1) empleando exclusivamente datos anotados por humanos, y (2) utilizando etiquetas generadas por modelos de lenguaje. Los resultados se comparan con el objetivo de determinar si la supervisión débil basada en LLM puede igualar o superar el rendimiento de los modelos entrenados únicamente con datos humanos, al tiempo que permite una clasificación eficiente en términos de coste a gran escala.