PRINCIPAL

Del romanticismo a la misoginia, ¿qué dicen las canciones en español?

Reportera: Adda Avendaño / Fotógrafo: Jorge Aguilar - 15 / 07 / 2026

Detrás de los ritmos y letras pegajosas se pueden esconder discursos que reflejan problemáticas sociales más profundas que suelen lacerar a las sociedades

La música acompaña nuestra vida cotidiana. Está en las fiestas, en el transporte público, en las redes sociales y en los audífonos de millones de personas. Sin embargo, detrás del encanto de escuchar algunas canciones, se esconden problemáticas de violencia como machismo, misoginia, homofobia o estereotipos de género.

Esa es precisamente la línea de investigación que desarrolla Tania Gisela Alcántara Medina, estudiante del Doctorado en Ciencias de la Computación, del Centro de Investigación en Computación (CIC), quien ha dedicado los últimos seis años a analizar letras musicales en español mediante Inteligencia Artificial (IA) y Procesamiento de Lenguaje Natural (PLN).

El proyecto comenzó como un estudio enfocado en el análisis de sentimientos en canciones en español. El primer conjunto de datos, creado con un colega suyo, apenas incluía alrededor de 300 melodías. Sin embargo, surgió la necesidad de ampliar el corpus y profundizar en los mensajes que éstas transmitían.

Así nació una recopilación de aproximadamente 60 mil canciones de diversos géneros: rock, pop, reguetón, regional mexicano, trap y salsa, entre otros. Todas las canciones fueron seleccionadas en español y provenientes principalmente de México y Latinoamérica.

El proceso no fue sencillo, narró Tania Alcántara, pues uno de los principales retos fue el acceso a las letras, debido a las restricciones de copyright, por lo que se tuvo que demostrar que la recopilación era exclusivamente con fines educativos y de investigación. Sin embargo, el verdadero desafío vino después: etiquetar las canciones.

¿Quién decide qué es romántico y qué es misógino?

La investigación reveló rápidamente que conceptos como “romántico”, “machista” o “misógino” dependen en gran medida del contexto cultural y de la experiencia personal de quien escucha. Por ello, para etiquetar las canciones se reunió a grupos diversos de personas: hombres, mujeres, feministas y no feministas, además de participantes de distintas edades y contextos sociales, con el objetivo de evitar sesgos y obtener interpretaciones más representativas.

Los resultados mostraron diferencias sorprendentes. Canciones que para algunas personas eran románticas, para otras representaban violencia simbólica o posesión, o algunas otras que son muy explícitas, ciertos grupos las toman como “himnos”.

Un ejemplo recurrente fue la canción Eres mía de Romeo Santos. Mientras algunas participantes la consideraban una expresión romántica, otras señalaban que frases como “eres mía” implican cosificación y propiedad sobre la mujer.

Algo similar ocurrió con Mátalas, de Alejandro Fernández. Aunque parte del equipo la pensaba evidentemente misógina, varios etiquetadores, particularmente masculinos, no percibían ningún problema en la letra.

Estas discrepancias demostraron que la interpretación musical está profundamente ligada al contexto generacional y cultural.

Uno de los resultados más relevantes de la investigación fue que las canciones más agresivas no siempre son las más explícitas. Durante el análisis de homofobia en letras musicales, el equipo descubrió que expresiones abiertamente ofensivas no necesariamente eran las más dañinas, en cambio, los mensajes “normalizados” y aparentemente inocentes resultaban más complejos de detectar.

Datos de interés: Este proyecto utiliza sistemas de Inteligencia Artificial entrenados con cantidades masivas de datos, como los sistemas generativos más recientes, además de técnicas de machine learning clásico, deep learning y fine tuning (modelo de IA al que se le entrena con datos específicos para adaptarlo a una tarea particular).

Tania Alcántara menciona el caso de la canción El gran varón de Willie Colón, que contiene en el coro la frase: “Árbol que nace torcido, jamás su rama endereza”, la cual para muchas personas fuera de la comunidad LGBTIQ+ no identificaban ningún problema en la letra; sin embargo, integrantes de dicha comunidad señalaron que asociar la diversidad sexual con algo “torcido” implica una carga discriminatoria importante.

Este tipo de hallazgos reveló una dificultad central: los modelos de Inteligencia Artificial no comprenden automáticamente los contextos sociales ni las implicaciones culturales de ciertas expresiones, de ahí que uno de los grandes retos de la investigación consistió en explicarle a un algoritmo qué es misoginia, qué es machismo o cuándo se considera un estereotipo de género.

Mientras las personas interpretan las letras desde sus experiencias, valores y contextos culturales, las máquinas dependen completamente de los datos con los que son entrenadas. De ahí que el etiquetado correcto sea fundamental para el desarrollo del proyecto.

“Si tú no etiquetas bien, cuando entrenas tu modelo para que aprenda ejemplos, habrá sesgos. Si tú le das algo que está mal etiquetado, así lo va a aprender. Si los datos contienen sesgos o errores, el algoritmo también aprenderá esos sesgos”, explicó la maestra en Ciencias de la Computación. Señaló que los modelos funcionan mediante aprendizaje supervisado: se les muestran ejemplos previamente clasificados para que aprendan a identificar patrones. Así, una canción puede etiquetarse como “misógina”, “no misógina”, “violencia psicológica”, “odio” o “estereotipo de género”.

Géneros musicales más violentos

Actualmente, el proyecto utiliza Modelos de Lenguaje de Grande (LLM, por sus siglas en inglés), que son sistemas de Inteligencia Artificial entrenados con cantidades masivas de datos, como los sistemas generativos más recientes, además de técnicas de machine learning clásico, deep learning y fine tuning (modelo de IA al que se le entrena con datos específicos para adaptarlo a una tarea particular).

Los resultados han mostrado que los modelos contextuales –aquellos capaces de interpretar información adicional y ejemplos previos– funcionan mejor para este tipo de tareas complejas y a partir del análisis lingüístico de miles de canciones, la investigación identificó patrones interesantes entre géneros musicales.

El reguetón aparece como uno de los géneros con mayores niveles de sexualización y cosificación femenina. En muchas canciones, la mujer es presentada como un objeto de deseo o consumo.

El regional mexicano, por su parte, refleja con frecuencia dinámicas de posesión y control: “eres mía”, “te vas a casar conmigo” o “debes quedarte en casa”.

Sin embargo, los hallazgos más sorprendentes aparecieron en el pop y las baladas románticas. Muchas letras, tradicionalmente consideradas “clásicos del amor”, contienen mensajes de manipulación emocional, dependencia o resentimiento hacia las mujeres.

La investigación también detectó que las canciones con mayor carga misógina suelen tener letras más cortas y repetitivas, mientras que las canciones más largas tienden a presentar menor misoginia.

Escuchar con conciencia

A pesar de los hallazgos, la investigadora no considera adecuada la prohibición de ningún género musical. Para ella, el problema no es necesariamente qué se escucha, sino cómo se escucha.

La clave, argumentó, está en desarrollar conciencia crítica sobre los mensajes presentes en las canciones y evitar normalizar discursos violentos o discriminatorios. “La música puede gustarte por el ritmo o por la melodía, pero también es importante reconocer qué mensaje transmite”, aseveró.

En este sentido, la investigación busca abrir una conversación más amplia sobre el impacto cultural de la música y si dentro de los algoritmos se incluyen esta clase de problemas, la Inteligencia Artificial podría ser utilizada como herramienta de trabajo y también de concientización social.

“Si este algoritmo de misoginia se internaliza dentro de las plataformas de YouTube, por ejemplo, en las que yo puedo incluir un algoritmo para que los niños escuchen melodías o videos acordes a su edad, los controles parentales podrían tener mejoras, esa es la relevancia del presente trabajo”, subrayó.

Los conjuntos de datos creados por el equipo ya han sido compartidos con la comunidad científica internacional a través de competencias y tareas colaborativas en IberLEF, perteneciente a la Sociedad Española de Procesamiento del Lenguaje Natural (SEPLN).

Actualmente existen dos grandes proyectos derivados de esta investigación: Misogyny 2025, enfocado en canciones de México y Latinoamérica, y Misogyny 2026, que incorpora canciones españolas y estudia diferencias lingüísticas y culturales entre ambos contextos.

La investigación continúa en evolución y uno de los siguientes objetivos será analizar no sólo las letras, sino también cómo reaccionan las personas al ritmo y a la música mediante electroencefalogramas, en colaboración con la Universidad Politécnica de Valencia.

El propósito final va más allá de la tecnología. Se trata de entender cómo las canciones moldean imaginarios sociales y cómo la IA puede ayudar a detectar discursos que muchas veces pasan inadvertidos. Porque, como concluyó la investigadora, “a veces no sabemos ni qué escuchamos”.