Selección híbrida de características léxico-semánticas basada en PSO y marco de aprendizaje por ensamblaje para la detección de discurso de odio en urdu Autores: Haseeb Ullah - Gomal Research Institute of Computing (GRIC), Faculty of Computing, Gomal University (PK) Husnain Saleem - Gomal Research Institute of Computing (GRIC), Faculty of Computing, Gomal University (PK) Asia Kanwal - University of Agriculture (PK) Muhammad Javed - Gomal Research Institute of Computing (GRIC), Faculty of Computing, Gomal University (PK) Hamid Masood Khan - Gomal Research Institute of Computing (GRIC), Faculty of Computing, Gomal University (PK) Kiran Hanif - Gomal Research Institute of Computing (GRIC), Faculty of Computing, Gomal University (PK) Resumen La detección automatizada del discurso de odio en urdu sigue siendo un desafío debido a la escasez de recursos anotados, la variabilidad ortográfica y la dependencia del significado dañino tanto de señales léxicas como contextuales. Este estudio evalúa un marco léxico-semántico seguro frente a fugas de información que combina características TF-IDF de palabras y bigramas de 5.000 dimensiones con representaciones multilingües de oraciones de 768 dimensiones, seguido de optimización binaria por enjambre de partículas (BPSO) y aprendizaje clásico por ensamblaje. Los experimentos utilizaron el texto en urdu y las etiquetas binarias del conjunto MMHS11K: 8.800 registros equilibrados para entrenamiento y un conjunto de prueba equilibrado e intacto de 2.200 registros. BPSO seleccionó 2.849 de las 5.768 dimensiones híbridas, reduciendo la dimensionalidad en un 50,61 %. En el conjunto oficial de prueba, el método Stacking con la representación híbrida completa alcanzó Macro-F1 = 0,8468 y ROC-AUC = 0,9265; la representación seleccionada mediante PSO alcanzó Macro-F1 = 0,8391 y ROC-AUC = 0,9196. Tras la selección de características, el tiempo de ajuste de los clasificadores disminuyó en un 52,24 %, excluyendo la extracción de representaciones de oraciones y la búsqueda mediante BPSO. La validación anidada de cinco pliegues, diseñada para evitar fugas de información, mostró una compensación similar: el tiempo de ajuste disminuyó en un 52,64 %, con Macro-F1 = 0,8444 ± 0,0066 después de PSO frente a 0,8492 ± 0,0110 sin PSO. Soft Voting y Stacking mostraron un rendimiento estadísticamente comparable con las características seleccionadas. Los modelos Transformer agregados sobre tres semillas aleatorias obtuvieron mejores resultados: Urdu-RoBERTa alcanzó el mayor Macro-F1 (0,8836) y XLM-R el mayor ROC-AUC (0,9529). Las pruebas exactas de McNemar con corrección de Holm confirmaron que los agregados Transformer superaron significativamente a Stacking con PSO. En conjunto, BPSO reduce aproximadamente a la mitad el tamaño de la representación y el tiempo de ajuste de los modelos clásicos posteriores, con una pequeña disminución predictiva que no fue estadísticamente significativa en comparación con Stacking sobre la representación híbrida completa después de aplicar la corrección.