Análisis robusto de sentimientos mediante RoBERTa-LSTM mejorado con dropout bayesiano Resumen Los modelos Transformer, como RoBERTa, proporcionan representaciones contextualizadas sólidas para el análisis de sentimientos, pero carecen de mecanismos inherentes para cuantificar la incertidumbre predictiva y son propensos al sobreajuste, especialmente cuando se aplican a datos textuales ruidosos o desequilibrados. Este artículo presenta RoBERTa-LSTM-Drop, una arquitectura híbrida que combina representaciones de RoBERTa con capas LSTM bidireccionales e integra dropout bayesiano para capturar la incertidumbre mediante muestreo de Monte Carlo, al tiempo que actúa como un regularizador eficaz. El modelo se evalúa en dos conjuntos de datos de referencia complementarios: IMDb, que representa reseñas largas y estructuradas, y Sentiment140, que representa tuits breves e informales. Se realizan comparaciones con modelos de referencia tradicionales, como la Regresión Logística, así como con un modelo RoBERTa-LSTM sin dropout bayesiano. Los resultados demuestran que RoBERTa-LSTM-B.Drop alcanza una exactitud competitiva frente a modelos de referencia sólidos, al tiempo que ofrece estimaciones calibradas de incertidumbre que mejoran la fiabilidad del modelo. Los hallazgos ponen de manifiesto un compromiso entre estabilidad y rendimiento: el dropout bayesiano puede producir mejoras modestas en la exactitud, pero introduce variabilidad entre distintos optimizadores y tasas de aprendizaje. Se analizan estrategias prácticas de mitigación, entre ellas el ajuste de la tasa de dropout y el recorte de gradientes. Más allá del rendimiento bruto, las estimaciones de incertidumbre permiten identificar predicciones de baja confianza y propensas a errores, favoreciendo una implementación consciente del riesgo en escenarios del mundo real. El análisis también aclara cuándo los modelos híbridos sensibles a la incertidumbre resultan más ventajosos —por ejemplo, con entradas más largas y ricas en contexto— y en qué situaciones sus beneficios son limitados. El trabajo aporta tanto un estudio empírico sobre el análisis de sentimientos sensible a la incertidumbre como decisiones de diseño reproducibles destinadas a orientar futuras investigaciones.