%0 Journal Article 
%A Castro Bautista, Duvan Darío
%T Extracción y tipificación automática de cláusulas contractuales mediante modelos transformer

%D 2026
%U http://hdl.handle.net/10498/40528
%X En el entorno corporativo, la revisión manual de contratos puede implicar un consumo
de tiempo y recursos, lo que dificulta su escalabilidad ante grandes volúmenes de docu-
mentación jurídica. En este contexto, este trabajo desarrolla y evalúa un procedimiento
basado en un modelo Transformer genérico (bert-base-uncased) para identificar y
tipificar fragmentos contractuales. A partir del corpus CUAD, sus 41 categorías origi-
nales se reducen a cinco: Governing Law, Termination for Convenience, Audit Rights,
Non-compete y Limitation of Liability. El entrenamiento utiliza fragmentos derivados
de las anotaciones, mientras que los contratos completos se procesan mediante una
fragmentación jerárquica y determinista por párrafos y, cuando es necesario, oraciones.
Los datos se particionan por contrato.
Se comparan dos condiciones experimentales que difieren simultáneamente en varios
factores, entre ellos el tratamiento de NONE, la ponderación de la pérdida y la selección
y partición de los contratos. Baseline utiliza cinco clases y asigna NONE mediante un
umbral de confianza, mientras que Balanced lo incorpora como sexta clase aprendida.
El valor operativo τ = 0,90 se fijó durante la fase de desarrollo previa a la construcción
del holdout final. Sobre este último se incluye posteriormente un análisis de sensibilidad
con seis umbrales. La evaluación incluye conjuntos de prueba propios, no comparables
entre sí, y un holdout común de 100 contratos no vistos y 7.870 fragmentos, de los
cuales el 96,68 % corresponde a NONE.
En el holdout, Baseline obtiene una Accuracy de 0,72 y un F1 macro de 0,31, frente a
0,93 y 0,28 de Balanced. Los errores se concentran en la frontera entre las categorías po-
sitivas y NONE, mientras que las confusiones entre categorías positivas son reducidas.
Baseline presenta mayor Recall@1 y Recall@3 en las cinco categorías, con variabilidad
entre ellas. En conjunto, las configuraciones presentan comportamientos diferentes y
sus resultados no permiten establecer una superioridad global. Estas diferencias deben
interpretarse considerando que las condiciones experimentales incorporan modificacio-
nes simultáneas en varios elementos del procedimiento. El estudio se centra en el corpus
CUAD, las cinco categorías seleccionadas y una única semilla experimental.

%K Procesamiento de Lenguaje Natural Jurídico
%K Extracción de Cláusulas Contractuales
%K Arquitecturas Transformer
%K BERT
%K CUAD Dataset
%K Análisis de Riesgos
%~ Universidad de Cádiz