Este artículo presenta mejoras y análisis de la arquitectura de Distribución desde el Contexto (DisCo), desarrollada como parte del proyecto colaborativo "Aprendiendo con Desacuerdos (LeWiDi) 2025", que aprovecha la predicción de la distribución de etiquetas suaves y la evaluación basada en la perspectiva para modelar los desacuerdos entre anotadores. Extendemos DisCo para capturar mejor los patrones discordantes mediante la incorporación de metadatos de anotadores, representaciones de entrada mejoradas y una pérdida de entrenamiento multiobjetivo. Experimentos exhaustivos demuestran mejoras significativas en las métricas de evaluación, tanto suaves como basadas en la perspectiva, y realizamos un análisis exhaustivo de calibración y errores para demostrar cuándo y por qué se produce la mejora en el modelado con reconocimiento de discordancia. También demostramos que la optimización directa de la métrica de distribución, condicionada a la demografía de los anotadores, puede capturar mejor los desacuerdos.
